代理人工智能中的 OpenClaw 和 Ollama：迈向完全自主和可扩展的人工智能代理系统

arXiv:2607.28629v1 公告类型：新 摘要：从反应式大语言模型 (LLM) 到持久的、可操作的系统的快速过渡暴露了对 Agentic AI 架构理解的关键差距，特别是在分离自主 AI 代理的推理、编排和执行层方面。尽管最近取得了进展，但用于设计和评估全栈代理系统的统一框架仍然有限。本文提出了一种全面的、分层的 Agentic AI 架构，概述了从反应式 LLM 接口到具有记忆、规划和持续执行功能的持久、目标驱动的自主 AI 代理的演变。我们将 OpenClaw 和 Ollama 作为全栈 Agentic AI 系统进行分析，其中 Ollama 充当 LLM 推理层，OpenClaw 支持代理运行时编排，集成推理、工具使用和操作执行。 OpenClaw-Ollama 架构的原型实验验证表明，诸如持久内存、工具利用率和自适应决策等功能是从系统级集成而不是独立模型中产生的，并且随着架构复杂性的增加，性能不断提高。该研究进一步探讨了可扩展性、安全性、隐私、治理和代理系统评估方面的挑战，强调了稳健的基准测试和系统级设计的必要性。未来的方向包括可扩展的多代理架构、分布式自治系统和用于负责任部署的人类感知代理人工智能框架。总体而言，这项工作为 Agentic AI 建立了统一的架构基础，验证了全栈自主 AI 代理的有效性，并为构建可扩展、安全且值得信赖的代理系统提供了路线图。所有模型、代码和数据集均公开发布，以支持可重复性和基准测试。