OpenClaw описан как личный AI-агент в мессенджере: он может разбирать почту, вести соцсети, писать код и деплоить сервисы. Автор считает, что универсальный агент хуже специализированного: если агент нужен для одной рабочей задачи, ему не стоит давать доступ ко всем сервисам, кодовой базе и деплою. Так уменьшается поверхность атаки, проще контролировать поведение и точнее закрываются реальные процессы пользователя.

Базовая схема агента — Agent = LLM + Harness. LLM в этой модели работает как stateless HTTP-ручка, которая получает JSON и возвращает JSON, а Harness отвечает за управление контекстом, инструменты, память, скиллы, мультиагентную логику и интеграции. Контекст — это история сообщений, которую приходится передавать в каждый запрос; когда она разрастается, её сжимают: отбрасывают старые сообщения, фильтруют типы сообщений или сворачивают диалог в summary с помощью отдельной LLM.

Инструменты дают агенту возможность действовать вне чата: вызывать функции, ходить в интернет, работать с файлами, базами данных, Google Docs, Notion, Maps или операционной системой. MCP в этой логике — такие же инструменты, только вынесенные в отдельный процесс по HTTP или сокету; память — тоже набор инструментов для чтения, записи и поиска знаний, а RAG отличается в основном тем, что вместо файловой системы использует векторную базу. Сабагенты помогают не забивать основной контекст промежуточными вызовами, скиллы подгружают большие инструкции и скрипты по требованию, а фоновые задачи сводятся к scheduler toolkit и cron, который вызывает агента по расписанию.

Главное ограничение — безопасность. Если агент читает письма, веб-страницы или документы, вредоносный текст может попасть в контекст и сработать как prompt injection, поэтому входящие данные нужно валидировать. Второй принцип — минимальные права: агенту для почты не нужен деплой, агенту для поиска фактов не нужен доступ ко всей файловой системе, а для надёжности такие системы лучше запускать в sandbox или контейнере.