OpenClaw: Досье на систему AI-агентов

概述 / Резюме

OpenClaw — это открытая платформа для создания, развертывания и оркестрации автономных AI-агентов. Создана австрийским разработчиком Peter Steinberger в конце 2025 года. Система позволяет запускать личных AI-ассистентов на собственном оборудовании или сервере с интеграцией в популярные мессенджеры (Telegram, Slack, Discord, WhatsApp и другие). В отличие от обычных чатботов, агенты OpenClaw могут выполнять сложные автоматизированные задачи: писать код, интегрироваться с API, управлять файлами, координировать работу других агентов.

Что такое OpenClaw?

OpenClaw — это не просто чатбот и не конкретная языковая модель. Это инфраструктурная платформа (framework) для управления агентами, которые могут:

Самостоятельно расширять собственный функционал через написание кода
Анализировать документацию и обновлять конфигурации
Интегрироваться с внешними сервисами (API, базы данных, инструменты)
Выполнять задачи через множество каналов коммуникации одновременно
Координировать работу с другими агентами (субагентами)
Поддерживать контекст и память сессии

Ключевая философия: агент — это не просто интеллектуальный интерфейс к LLM, это автономный рабочий, который может принимать решения и действовать. Система позволяет выбрать любую LLM (Claude, GPT, DeepSeek, Gemini) и развернуть её как часть управляемой агентской экосистемы.

Архитектура и ключевые концепции

Основная архитектура

OpenClaw построена по модели "Local-First Gateway":

[Chat apps/plugins] ──→ Gateway ←── [LLM API] ──→ [Tools/APIs]
   (Telegram,                          (Claude/GPT)
    Slack, etc.)

Gateway — центральный процесс на вашем оборудовании (или VPS), который: - Управляет сессиями и маршрутизацией - Подключает все каналы коммуникации - Координирует инструменты и интеграции - Отслеживает состояние агентов

Ключевые компоненты

1. Каналы связи (Channels)

OpenClaw поддерживает огромное количество мессенджеров и платформ: - Telegram, Slack, Discord, WhatsApp - Signal, iMessage, IRC, Microsoft Teams - Matrix, Feishu, LINE, Mattermost - WeChat, QQ, Twitch, Zalo, и другие

Один Gateway может одновременно обслуживать все настроенные каналы, используя единый набор агентов.

2. Агенты (Agents)

Главный агент — координатор, обрабатывает входящие сообщения
Субагенты — изолированные рабочие сессии для параллельного выполнения задач
Системные агенты — встроенные помощники для специфичных функций

Архитектура использует изолированные сессии: каждый агент, рабочее пространство или отправитель получает отдельный контекст, что позволяет избежать конфликтов и утечек данных.

3. Skills (Навыки)

Модульная система возможностей: - Предварительно созданные навыки (файловая система, интеграция API, управление данными) - Комбинируются в сложные рабочие процессы - Агент может писать новые навыки на Python/TypeScript

4. Системы памяти (Memory Systems)

Двухуровневая архитектура памяти: - MEMORY.md — долгосрочная память, стабильные правила и предпочтения - memory/YYYY-MM-DD.md — ежедневные логи текущей сессии - .learnings/ — отслеживание ошибок и лучших практик

Это позволяет агентам накапливать опыт и улучшать производительность.

5. Интерфейсы управления

Web Control UI — чат и конфигурация
CLI — для автоматизации и скриптов
Mobile apps — iOS и Android приложения
macOS приложение

Оркестрация и субагенты

Как работают субагенты?

Субагент — это отдельный агент-рабочий, запущенный из главного агента:

Главный агент
  ├─ Субагент 1 (исследование)
  ├─ Субагент 2 (анализ)
  └─ Субагент 3 (отчет)

Таковой процесс неблокирующий: главный агент сразу же получает ID процесса и может продолжить работу, пока субагенты трудятся параллельно.

Ограничения глубины

Система использует строгую двухуровневую иерархию для предотвращения "взрывного" разрастания агентов:

Depth 0 — главная сессия (может создавать агентов уровня 1)
Depth 1 — субагенты (могут создавать агентов уровня 2, управляются из чата)
Depth 2 — листовые рабочие (не могут создавать новых агентов)

Максимум 5 активных подагентов на одного родительского агента (по умолчанию).

Управление и мониторинг

Команды для управления субагентами:

/subagents spawn <agentId> <task> [--model claude-haiku-3-5]
/subagents list                          # просмотр активных
/subagents log <id>                      # логи выполнения
/subagents steer <id> <message>          # корректировка в процессе
/subagents kill <id>                     # остановка

Стоимость рекомендуется оптимизировать, используя более дешевые модели (Claude Haiku в 5 раз дешевле Opus) для параллельных рабочих.

Развертывание на сервере

Системные требования

Node.js 22+ (рекомендуется v24)
ОС: Windows (через WSL2), Linux, macOS
VPS: минимум 2 vCPU, 4GB RAM, 40GB SSD
Интернет: стабильное соединение

Установка

Локально:

npm install -g openclaw@latest
openclaw onboard --install-daemon

На VPS: 1. SSH доступ к серверу 2. Установка Node.js 22+ 3. npm install 4. Конфигурация через openclaw.config.yml 5. Запуск daemon'а

Безопасность при развертывании

SSH ключи — авторизация по ключам вместо паролей
Firewall — настройка ufw, открытие только необходимых портов
Canvas Host — ограничение до 127.0.0.1 (не на 0.0.0.0)
Fail2ban — защита от brute-force атак
Разделение окружений — отдельные staging и production
Права доступа — минимально необходимые привилегии

Частые ошибки при установке

Неправильная версия Node.js (скачана через package manager, а не через NVM/nvm-windows)
Забыта настройка Canvas Host
Путаница между тестовым и production окружениями
Недостаточно места на диске для логов

Память и управление состоянием

Архитектура памяти

OpenClaw использует структурированную файловую память:

workspace/
├── SOUL.md           # идентичность агента
├── USER.md           # профиль пользователя
├── MEMORY.md         # долгосрочная память (обновляется вручную или агентом)
├── memory/
│   ├── 2026-07-11.md # сегодняшняя сессия
│   ├── 2026-07-10.md # вчерашняя
│   └── ...
├── TOOLS.md          # доступные инструменты
└── .learnings/
    ├── mistakes.md   # ошибки и как их избежать
    └── best-practices.md

Как это работает

Инициализация — агент загружает SOUL.md и USER.md для понимания контекста
Текущая сессия — события пишутся в ежедневный лог
Обучение — ошибки анализируются и записываются в .learnings/
Долгосрочное развитие — MEMORY.md обновляется с выводами

Это позволяет агентам не только решать текущие задачи, но и совершенствовать свой подход со временем.

Цена и экономика

Модель расходов

OpenClaw не берет деньги за саму платформу (open-source). Расходы идут на токены LLM:

API вызовы — за каждый запрос к Claude/GPT
Сложные задачи — могут потребить тысячи токенов за один запрос
Параллельные субагенты — стоимость умножается на количество одновременных агентов

Примеры расходов

Простая автоматизация (одного-двух агентов): $10-100/месяц
Средний проект (5-10 агентов): $500-2000/месяц
Крупная система (Steinberger: 100+ параллельных агентов): $1.3 млн/месяц на 603 млрд токенов

Как оптимизировать

Использовать дешевые модели для субагентов (Claude Haiku вместо Opus)
Кэшировать результаты для повторяющихся задач
Ограничивать глубину и параллелизм агентов
Комбинировать дешевые быстрые проверки (Haiku) с дорогими логическими операциями (Claude Opus)

Сильные стороны

Гибкость архитектуры — можно интегрировать любую LLM
Множество каналов — Telegram, Slack, Discord, WhatsApp одновременно
Самораширяемость — агент может писать свой код и добавлять функции
Изоляция — каждый агент работает в отдельной сессии
Открытый исходный код — полный контроль, никаких скрытых зависимостей
Локальный контроль — ничего не отправляется в облако (кроме API к моделям)
Масштабируемость — система может запустить десятки агентов параллельно
Rich UI — веб-интерфейс, мобильные приложения, Canvas для визуализации

Слабые стороны

Стоимость токенов — легко потратить тысячи рублей на неоптимизированную систему
Безопасность — исследователи Cyera обнаружили "Claw Chain" атаки; агенты имеют доступ к файлам, могут быть скомпрометированы
Надежность моделей — LLM ошибаются, могут создать нерабочий код или конфиги
Сложность развертывания — требует понимания Node.js, Linux, конфигурации
Стабильность API — зависимость от провайдеров LLM (OpenAI, Anthropic могут менять цены/возможности)
Мониторинг и отладка — сложные рабочие процессы трудно отследить

Для кого это подходит?

Идеальные сценарии

Разработчики — автоматизация рутины кодирования, создание Merge Requests
Контент-мейкеры — помощник для расширения тезисов в статьи, анализ аудитории
Data-специалисты — параллельная обработка данных, генерация отчетов
Стартапы — быстрое прототипирование автоматизированных систем
Корпоративная автоматизация — интеграция с внутренними системами
QA-инженеры — автоматизация тестирования

Когда НЕ подходит

Критичные системы — необходима человеческая надежность
PII данные — без усиленной безопасности
Микро-бюджеты — расходы на токены могут быстро расти
Production без контроля — требуется стабильность, не экспериментирование

Статус проекта в 2026

OpenClaw активно развивается. Проект: - Создан в конце 2025, быстро набрал популярность - Регулярно обновляется, приветствует PRs - Имеет растущее сообщество на русском (Habr, vc.ru, GitHub) - Используется в реальных проектах от личной автоматизации до корпоративных систем - Стабилизировалась архитектура, добавляются новые каналы и интеграции

Статус: Живой, перспективный, рекомендуется для экспериментов и прототипирования.

Примеры реальных систем на OpenClaw

1. Кодерский агент через Telegram

Разработчик создал агента, который: - Получает голосовые сообщения с описанием изменений - Клонирует репо, вносит правки в код - Создает Merge Requests в GitHub - НЕ имеет доступа к production (разделение окружений)

Экономия: 2-3 часа в день на рутину.

2. Помощник для постов в соцсетях

Агент анализирует: - Стиль письма автора (из MEMORY.md) - Предыдущие посты (успешные элементы) - Тезисы, которые дает человек - Разворачивает в полноценные статьи

Результат: ускорение в 3x, сохранение авторского голоса.

3. Система аналитики (корпоративная)

Оркестрация из 5 субагентов: - Агент 1: сбор данных из GA4, Analytics - Агент 2: обработка и очистка - Агент 3: построение моделей - Агент 4: генерация рекомендаций - Агент 5: форматирование отчета

Запускается ежедневно, результат приходит в Slack.

Установка и первые шаги

Минимальная конфигурация

npm install -g openclaw@latest

# Интерактивная конфигурация
openclaw onboard --install-daemon

# Выбираете LLM (Claude/GPT/Gemini), заводите API ключ
# Настраиваете Telegram/Slack интеграцию
# Запускаете: openclaw start

Файлы конфигурации

В рабочем пространстве создаются: - openclaw.config.yml — основная конфигурация - agents.yml — определение агентов - channels.yml — подключенные мессенджеры

Затем — SOUL.md, USER.md, MEMORY.md для персонализации.

Известные проблемы и ограничения

"Мертвые" субагенты — иногда требуется ручная остановка через /subagents kill
Утечки памяти при длительной работе — требуется периодический перезапуск daemon'а
Конфликты при параллельных запросах — если много агентов одновременно пишут в MEMORY.md
Ошибки при смене модели — иногда требуется пересоздание сессии
Сложность отладки — логи разбросаны по разным местам, нет единого мониторинга

Выводы

OpenClaw — это действительно рабочая система для создания AI-агентов, а не просто еще одна хайп-технология. Она:

✅ Решает реальные задачи автоматизации
✅ Дает полный контроль и гибкость
✅ Поддерживает большое количество каналов
⚠️ Требует внимания к стоимости токенов
⚠️ Нуждается в серьезном отношении к безопасности
⚠️ Не панацея — это инструмент, требующий квалифицированного использования

Для разработчиков, которые готовы экспериментировать и писать код, OpenClaw — отличный выбор. Для корпораций — требуется тщательное планирование затрат и безопасности.