软件架构师罗小东，多年架构和平台产品设计经验，目前在Agent场景落地结合中。

概述

这里的Claw只是架构上类似，但是并非完全照搬OpenClaw设计，形成自己的AIP版Claw（以下简称Claw）能力。

Claw设计思路

使用统一管理平台跟Claw主机关联模式，这样就形成了一个管理平台，管理多个本地主机Claw的能力，同时弱化了Claw本地的能力，强化线上统一管理平台。

• 线上跟线下主机结合，这里使用WebSocket（HTTPS）及双向加密，然后定时心跳机制；
• Agent可以关联多个线下Claw本地主机，将SKILL架构和Agent能力搬到云上，类似于ManusAI+本地Claw的结合；

• 移动端跟微信小程序关联一起，因为Agent过程的持续输出，流程信息比较关键；
• Claw代码执行的沙箱移到了统一的Sanbox管理，每个对话会有单独的Sanbox管理；
• SKILL能力同样也移到线上进行管控，还有部分密钥，将SKILL与MCP结合，目前暂时不兼容社区本地化script；
• Claw本地用于保存用户的客户端密钥还有Cli调用能力，包括一些本地化的能力。

智能体(Agent)设计

下面是Agent能力设计，针对于单独整理出SKILL Agent，用于来扩展最新的技术，下面从推理架构、技能融合、知识库、代码执行、上下文、稳定性、可视化、安全几个维度的设计思路：

• 推理能力：采用ReAct推理架构，深度融合Skill与MCP双技能
• 工具优化：支持多工具动态加载与自动去重，工具调用更高效
• 上下文压缩：内置智能上下文压缩，超长对话和内容也能轻松承载，滑动窗口等设计
• 知识库：动静知识库一体化，支持上传和外挂双RAG检索

• CodeAct：代码可自动执行并自带重试机制，出错能智能修复
• SSE流可视化：全程流式响应可视化，每一步都有埋点记录，可追溯
• 防御性：会话安全可控，支持随时取消，异常全面捕获，更稳定
• 向量化能力：超大附件自动向量化处理，兼容多种文件格式
• 防御性处理：达到循环上限自动总结输出答案

整个设计的思路是稳定性还有可靠性为主，同时我们在设计上放弃掉一般人员对Claw的”养龙虾”思维(要玩转还需要周期与成本)，调试出来的SKILL也是以稳定性为主。

基础架构

这个设计过程中，你会发现非常的体现Harness架构的优势，下面是原先处理的Agent底层能力，主要包括原来的设计的包括Data、虚拟机、Sanbox、SKILL、插件、工具、MCP、网络、记忆、任务抽取成了底层服务插件。

另外结合k8s的管理扩展，所以Claw在上面建议的时候，直接接入前期的Harness架构。

以下为集成的典型案例情况，案例尽量以实际生产型为主，集成演示多Claw控制，还有线上线下结合的方式。

场景案例

以下为一些典型的集成的已经在使用的通用案例。

网站的运营管理：

这里为了脱敏显示，针对的是日常的Wordpress网站运营，基于日志实时解析网站动态，深度分析访问流量趋势、用户行为特征，结合风险库自动封禁恶意地址，以下为主要的能力：

网站访问热力分析：实时解析Nginx访问日志，统计PV、UV及地域分布，输出ECharts流量趋势与热力图洞察。
IP安全风险画像：基于Nginx日志智能识别高频请求、恶意扫描IP，结合黑白名单策略生成风险管控报告。
站点性能监控日报：聚合Nginx响应码与响应时长数据，统计可用性指标，自动输出图文并茂的站点健康报告。

项目管理及周日报：

项目进度情况分析还有团队风险管理分析，SKILL集成的是禅道、阿里云效、还有代码版本管理器。

阶段复盘：复盘节点进度、排查滞后问题，紧盯交付节奏不跑偏
风险预警：识别团队协作、人力等隐患，制定预案降低执行风险
决策汇报：呈现客观数据与风险结论，为管理层、甲方提供决策依据

系统管理日常运维：

针对于运维管理集成的SKILL能力，集成Kubernetes和服务器管理能力SKILL。

K8s集群健康度诊断：自动聚合集群节点与应用日志，智能识别异常状态，输出多维度的健康评分与趋势图表。
服务器资源全景监控：整合多地域物理机与虚拟机指标，实时统计CPU、内存利用率，生成可视化资源拓扑图。
运维故障智能溯源：关联K8S事件与服务器日志，快速定位根因，输出图文并茂的故障分析报告。

数据分析及治理：

结合上传的Excel进行图表化分析，SKIL集成的是Excel操作还有图表的操作，合并、统计、清晰等整理材料。

销售季度复盘分析：自动合并多区域销售Excel，清洗杂乱数据并统计核心指标，生成带ECharts趋势图的可视化复盘报告。
学生成绩诊断报告：整合多次考试成绩，智能去重与计算班级均分、进退步，输出图文并茂的学情分析图表。
电商运营日报生成：定时汇总多渠道订单Excel，清洗无效数据后统计GMV、退款率，并自动生成可视化运营仪表盘。

工具库

单独抽取成了工具平台，给Agent提供能力，SKILL+MCP+插件+客户端Socket管理+Sanbox管理。

更多的是体现Claw版本的综合能力，还有线上线下的集成示例，在这个过程中，集成了很多实用性的SKILL能力，而且这些都是集成做过验证的场景，可以根据自身的需求做调整。

然后提供的多本地Claw管理，这里采用websocket连接的方式集成。

总结

以上为当前对AIP版Claw的整体产品设计，结合了本身OpenClaw本身化的优点，同时也结合了前期类ManusAI的产品设计思路，结合线上与线下的版本。

每个技术研究不一样，期望给一些有兴趣朋友一些参考。

软件架构师罗小东，多年架构和平台产品设计经验，目前在Agent场景落地结合中。

概述

这里针对的是AIP产品的发展路径规划（这里不涉及商业运作，只提产品的规划）

针对于2025年的前期探索，总结了经验还有产品及平台能力的加强，进一步的完善，已经完成了一阶段的性的工作，研发工作的比重开始会降低，进而投入完善加强阶段，完善加强并不只是技术，更多的是市场、商业及产品的完善。

于上一年（2025年）完成的初步内容：

• AI市场运营层面：AI与市场探索层面，完成了一轮市场的反馈和行业、政策方面的收集，明确AI+或者+AI的方向和结合方式，达到有产品、有案例、有交付、能维护；
• AIP产品的迭代：AI明确接入模型层，以Agent层为主要的方向，形成以开源与商业模型为AI能力，智能体为交互，数据湖治理为底盘的整体AI应用产品框架，形成Data+AI产品力；
• 产品生态合作层面：在政务、高校、民营层面有对应的ISV合作，已经走过一轮或者多轮AI和业务结合的场景，同时签订多个业务合作，形成AI产品与业务结合及产品价值；

基于上面的几个层面，形成的AI+业务场景落地结合能力，同时也会形成AIP产品下一步发展的基本盘。每个AI产品发展路径不一，这里我有我思。

规划路径

这里主要是产品规划为主。

基于2026年的产品规划和发展，基于当前的判断还有市场情况，AI存在一定的泡沫，而且还在清晰的过程，虽然从大模型已经开始往应用层发展趋势，但是还没有达到完全明了的地步。

目前在这个阶段，依然还是以投入为主，暂不考虑太多盈利情况。整体路径以加强、聚焦为主要目的，以下为主要的规划路径点：

• 在当前的功能上，加强当前产品和平台能力，稳定性、健壮性等；
• 丰富业务场景的插件、流程插件、MCP插件、数据采集插件等；
• 增强业务场景高质量数据集、知识库，增强AI记忆能力；
• 扩展更多合作伙伴和生态，更多的业务场景落地，提取高价值AI；
• 优化产品使用体验和SOP流程，开始开放面向ToC或者小B场景；

以上规划路径点，会偏向于建立产品的初步防御性，在前期这个阶段稳打的地步，在政策及行业大方向趋势下，预计未来1-3年依然还是AI在行业探索和落地的阶段，产品发展并不着急达到什么程度，更多的是稳步前进。

总结

遇到每个AI产品的发展方向和路径不一，有些会很强大，有些会很快消失，每个团队有合适的场景和能力边界，在有定的棋子和能力范围内，这边的操作会更偏向于稳定和小步前进的方式。

以上为今年的产品规划和主要的路径阶段。

商务

目前AIP产品在扩展生态合作，有兴趣合作的朋友可直接发公众号[软件工程师罗小东]留言咨询，合作权益：

• 原厂技术支持和服务
• 产品私有化部署（可源码交付）
• 二次开发指导和业务结合

合作类型：垂类行业Agent合作、Agent生态代理、团队定制开发、贴牌合作。欢迎有兴趣的伙伴或是企业团队咨询和合作，交个朋友也不错。

软件架构师罗小东，多年架构和平台产品设计经验，目前在Agent场景落地结合中。

概述

此为针对于AIP在教育政务场景与AI智能体的研究落地场景探索，为广西民族大学人工智能学院的AI课题，此为临时笔记，略带口语。

整个场景设计过程大概是2个月左右，整体设计为轻场景，针对的是初步的AI场景结合。

主要内容阐述的是场景的能力建设，非技术偏向。

这里主要建设的初步如下:

• AI党务顾问: 党章党规咨询、政策文件解读、党务知识问答、党务流程指引。为党员提供7×24小时快速精准的智能问答服务，显著提升党务咨询效率与准确性。
• AI党建策划: 针对主题党日活动生成创意方案，同时为红色教育活动整合资源、规划路径，提升党建活动的策划质量与创新性
• AI党建公文: 涵盖学习心得、工作总结、请示报告、会议纪要、典型案例等各类公文模板。
• AI党建学习: 结合时政热点，为党员或党组织智能定制月度/季度理论答题测评，针对性生成测试题库，并提供AI结果分析与学习建议。
• AI党建规划: 往期文档、上级精神与工作重点，自动生成中长期规划的详细提纲与核心内容草案。

以下为AI场景结合模式，针对于以上不同的能力来结合不同的AI能力，并非单纯的ChatBox来实现能力，分别如下:

• AI党务顾问: RAG知识库搜索和ReAct+私有化RagTool多步推理问答。
• AI党建策划: DeepSearch深度搜索与分步查询多结果形式展示（word/网页/markdown)
• AI党建公文: AI写作多模板配置，针对不同场景不同模板及多AI智能体结合。
• AI党建学习: AI考试阅卷，结合AI党务顾问多智能体结合。
• AI党建规划: AI写方案，结合Rag知识库和私有化RagTool，同时与AI党务顾问多智能体结合

通过以上的AI结合方式，使得更符合本身的业务场景能力，每个架构师设计不一，我有我思。

能力建设

能力建设主要的是针对于过程的细节阐述。

AI党务顾问

这里除了知识库上传还有动态知识库更新的能力，主要集成了多步推理的能力，使得结合更加的精准和符合要求，结合了私有的RagTool进行知识库的多步的搜索与技术。多步推理引擎能够智能拆解复杂党务问题，通过问题分解、分步检索和综合推理的标准化流程生成精准答案。系统还支持问答溯源显示，每个回答都能追溯到原始政策文件出处，极大增强了可信度。

Agentic的模式结合，提供7×24小时快速精准的智能问答服务，显著提升党务咨询效率与准确性。

覆盖从基础理论到最新政策解读的全方位内容。我们实现了多轮对话上下文理解功能，能够处理复杂的递进式党务咨询问题。集成语义检索与关键词检索的双重保障机制，确保答案准确率稳定在较高水平。

AI党建策划

针对主题党日活动生成创意方案，同时为红色教育活动整合资源、规划路径，全方位助力党组织提升活动质量与效果，全方位激发组织活力，提升党建活动的策划质量与创新性。

生成的方案质量更加稳定，避免了因人员经验差异导致的策划水平参差不齐。系统还促进了优质策划方案的跨组织共享，让创新思路得以快速传播复用。

这里结合的是多步和深度搜索的能力，使得结果更加的可用，同时可以提供结果的二次编辑，方便使用人员的AI调整和导出Word文档。

AI党建公文

涵盖学习心得、工作总结、请示报告、会议纪要、典型案例等各类公文模板。完善的公文模板体系，涵盖从学习心得到工作总结等十余种常用文书类型。

依据模板一键生成初稿，并支持AI辅助二次修改与润色。

大幅减轻基层文字工作负担，确保公文写作的规范性与高效性，允许对AI生成的初稿进行在线修改和评论。

AI党建学习

结合时政热点，为党员或党组织智能定制月度/季度理论答题测评，针对性生成测试题库，并提供AI结果分析与学习建议。系统融合了知识追踪和自适应测试技术，能够动态调整后续试题的呈现顺序和难度级别。多智能体协作机制让阅卷分析和学习建议生成两个环节无缝衔接。

构建个性化、互动化的学习体系，有效提升党员理论学习质量与思想建设水平。实现了个性化测评生成功能，能够根据党员的学习历史和能力水平智能调整试题难度。系统提供详细的学习分析报告，精准识别知识薄弱环节。

AI党建规划

于往期文档、上级精神与工作重点，自动生成中长期规划的详细提纲与核心内容草案,建立了规划文档知识库，收集整理了历年工作计划和总结报告。系统具备智能要点提取功能，能够从上级文件中自动识别关键政策导向和工作要求。

协助撰写《年度党建工作要点》、《主题教育实施方案》、《基层党组织建设三年规划》等大型文档，系统生成的规划草案结构更加完整，重要内容点的覆盖率显著提升。智能化的风险评估功能还有效提高了规划方案的可行性和稳健性。

总结

在AI党建与教育政务场景的结合上取得了显著成效。五个核心场景的能力建设各具特色又相互支撑，形成了完整的AI党建解决方案。技术架构上的差异化设计确保了每个场景都能获得最合适的技术支撑，这个是AIP在党建结合AI上的一些探索，期望对这方面兴趣的同学给一些参考，同时也欢迎交流。

软件架构师罗小东，多年架构和平台产品设计经验，目前在Agent场景落地结合中。

概述

此为针对于AIP在垂直领域场景，结合开发组、专家组能力进行的场景设计。

这个是一个AIP比较典型的行业垂直领域场景。

工业场景领域很多块，这里主要是针对于工作能源上AI场景的应用探索，与广西斯蓝科技在工业领域上的AI智能体探索与落地，考虑各方，这里做具体场景的规避脱敏，只做技术讨论，不涉及具体厂家及数据。

整个从合同鉴定到当前差不多半年左右，属于一期，中间涉及几方，主要包括专家侧、客户侧、开发侧、平台侧，这里属于平台侧，针对于场景提供技术解决方案和针对性做的开发和调整。前期主要遇到比较明显的问题和需求，这里主要列出以下几点：

1. 数据问题：能源型的数据量大，数据复杂，而且各方来源数据格式不一;
2. 政策问题：行业领域要求政策或者相关标准会变动，各方面数据需要及时更新；
3. 开发问题：特定行业的展示需要比较清细的数据，过程计算需要准确，而且计算过程结果要准确；
4. 模型问题：幻觉始终会存在，计算报告产出需要可以了解到整个上下文计算过程；
   ….

这里解决的方式有两个方面针对的是智能体上下文处理、知识库处理、数据的清洗处理、还有推理工具集成，另一个是行业算法模型、AI场景自定义等，主要的目的是尽量和接近于专家场景和能力，达到一定的实用价值。这里处理过程涉及，我们从下往上阐述:

1. 行业领域政策和相关标准数据采集清洗，结合行业领域数据清理和更新的处理
2. 能源数据的数据治理和清洗、还有数据的转换处理，同时提供出给上层AI智能体使用
3. AI与算法计算过程的显示记录和最终结果展示处理，反馈给专家侧

这里有一定很重要的考虑是”轻”还有快，以进一步的中小型企业的AI落地和场景结合，以上为当前与工业场景能源域的一些处理过程 ，同时过程也与行业专家进行交流，每个设计师有自己的解决方案，我有我思。

建设内容

以下涉及图片不涉及真实场景数据

基本的建设过程，主要针对于工业能源领域多源数据，包括能源消耗、政策执行、产品排放等数据结合，同时与AI结合，整理出对应的动态监测、监查报告、场景知识库等AI能力。

数据处理

针对于AI的数据处理，这里并不单纯是以RAG为基础，在这里的设计主要包括文档材料、网络材料、行业数据、政策数据、还有各类型的算法公式，来源数据场景分析。

多源数据处理更偏向于数据治理层面，但是数据中台偏重，成本过高，技术及维护难度大，并不适合中小型项目及AI的轻量化，在这里处理的方案是：元数据管理+数据仓库+数据资产 的设计方向，技术为湖仓一体化 iceberg + spark + minio的轻量型技术，针对于解决TB级数据，做到成本可控、中小规模、低成本、快速落地的湖仓一体化。大致的划分如下:

1. 元数据管理：这里主要是做所有过程的元数据、分类、空间、还有表等进行的统一管理
2. 数据仓库：使用分层计算流程，基于pyspark能力，最终输出使用层数据
3. 数据资产：针对于数据的使用与管理，包括分类分级、安全接口、提供API或者接口能力等

除了上面的，还有抽数据、采集等控件，周边功能这里不做阐述，最终AI会与资产层数据进行交互，形成AI能力的动态知识库。

以下为元数据的非结构化管理及分类：

用于管理非结构化数据，在AI场景下会有大量文档类材料，为了更好的管理与维护。

非结构和半结构化的管理主要是针对于一些业务数据上传或者文件类上传，这里做了分类规划。在这个基本上，进行AI结合数据计算，并使用数据仓库分层治理，下面是分层仓库及对应的层级关系：

下面是整个计算过程，这里是开发最新的AI任务编排平台（主要考虑到中小型场景及轻量化）进行任务的管理与编排，类似于DolphinScheduler，但是这里集成了AI的能力和排队的能力，就是数据在处理过程中，同样可以结合AI一起，而不再是单纯的SQL处理。

这里就是基本上的湖仓结合的处理，最终数据的流向会写入数据库中，数据资产平台进行标签化、在处理后的数据资源列表上进行分类分级、并提供出服务接口。

补充数据资产图

通过上面的方式，主要解决掉的是非结构化、结构化、大数据量问题、行业领域政策和相关标准数据更新问题，主要为AI能力建设做准备，同时也是AIP下一步可信数据飞轮做好基础。

业务场景与AI结合

数据与AI结合的方式及表现形式会有多种，AI场景化比较丰富，除了基本的知识库、工作流、AgenticAI以外，还有搜索场景（类似于DeepSearch），结合的方式有MCP方式、向量化、全文检索、上下文工程、还有数据库方式。

上面的处理方式只是偏向于一种AI智能体的技巧，最终的目的是为了得到符合要求的输出结果。

这个在有了初步数据能力情况下，AI智能体流程自然而然走下来。

工业数据计算场景很多，一份报告的产出需要大量的过程计算还有明确参数化，专家需要精细的数据计算和验证，还有确保每个阶段是否正确，同时做好审核验证，计算过程和公式和所带参赛是否满足，是确保最终的报告数据是否可用的主要条件之一。

总的来说，需要看到完整的计算过程，AI过程不要是白盒，同时满足卡片现实，友好界面要求，还需要可以导出word版本。

这个主要是调整工作流和流程的显示优化处理，如下：

另外其它知识库和同步添加引用查看来源，标记内容反馈等。

出了本身大模型的能力和上下文技巧，这里结合高质量的数据，尽量可以最短的最有效的上下文获取到一个流程节点的去幻觉化，主要达到每个过程可查，可找，可看，有问题的地方清楚，明确，目前AI大模型已经有非常高的推理和理解能力，流程走下来，这个基本是可以达到的预期的目标。

总结

本阶段AIP在工业能源领域的AI落地探索，通过“湖仓一体化架构+AI任务编排平台”的轻量级技术方案，解决垂直场景相关问题。后续进一步深化AI与工业场景的适配性，例如拓展更多能源细分场景，优化智能体的交互效率，以更贴合专家工作流的方式，高效率地实现AI价值落地。
以上为AI智能体的一些落地建设参考，有兴趣同学可交流沟通。

软件架构师罗小东，多年架构和平台产品设计经验，目前在Agent场景落地结合中。

背景

这个是前期智能体场景在教育场景的探索，主要场景结合方是在广西中医药大学信管专业的场景探索。

概述

此为针对于AIP在学校场景上在Agent多项目团队上的研究落地场景探索。

这里大概是25年后的切入，整个AI智能体场景建设搭建2-3个月，与专业老师共同设定的场景是AI阅卷与AI考试，针对和提升平时测试和随堂练习。

主要能力如下：

• 可以根据要求出题目，包括老师课件，PPT还有相关的课程教材等；
• 出题之后可以设置相关题目和安排在线考试，AI阅卷即时评分给出考试情况分析；
• 另外还有每个题目详解评分评语等，在线下载试题。

AI出题、考试与阅卷是AI能力结合教育场景的探索和落地，同时也是一个理想的入门场景，这步AI场景的落地，也是为教学场景数据分析结合（目前进行中）做好一个基础。

每个设计师有不一样的设计，我有我思。

建设内容

这里主要是介绍AI的智能体的能力和效果，主要是：

• AI出题：搭建学科智能体和设计学科知识库还有上传解析docx/ppt文件等；
• AI阅卷评分：学生老师在线即时评分评语，给出题目解析和结果分析，薄弱点解析和建议；
• AI出报告：评分和出完评语，整理成报告分析结果，导出pdf文件。

此外，还包括其他系统性功能，作为AI能力的过程管理和辅助。

AI出题

出题需要结合课程和课堂内容，这里主要包括教案和课件ppt，还有教学大纲等，这些一部分作为知识库导入给AI，另一部分作为附件上传解析。

以下为出题界面，可以选出单选、多选、填空、主观、图片等类型题目，还有题目难度等：

以下为题目二次调整界面和在线考试发布界面：

在这个过程中可以调整相关内容，二次配置试卷，也可以导出带有评语和答案的word文件。

AI阅卷

提交考试，可以在线或是手机扫码阅卷，在学生考试完成之后，提交答案AI阅卷专员会自动的进行即时阅卷，整个过程大约需30秒。目前针对约50人的班级进行阅卷，流程顺畅，效果良好。

以下为AI在自动阅卷过程：

在初步完成阅卷之后，会产出报告分析，以下为报告界面：

另外还有题目评语，老师可以在相应界面查阅AI的阅卷分析及详细内容，以下为老师阅卷查阅界面：

老师可以针对于试卷进行二次评分确认，包括调整评语，再进行导出。

总结

这个是25年3月份左右的场景建设，整体建设和落地场景符合预期，同时也是AI切入场景典型能力体现，一些建设过程，也期望给一些参考。同时目前在建设AI与教学数据结合场景会更深入的结合教育场景和业务，有兴趣的同学亦可交流。