昨天我們已經用 Python Supervisor 跑完：

Research
↓
Writer
↓
Reviewer

所以現在其實已經有一套能完成任務的 Multi-Agent Baseline。

那為什麼還要再看 OpenClaw？

因為：

能把任務跑完一次，和有一個能長期管理 Agent、Session、Workspace 與工具的執行環境，是兩件事。

接下來七天會依序處理：

OpenClaw 定位
↓
建置與 Onboarding
↓
Tools / Skills / MCP
↓
Session / Workspace / Memory
↓
Multi-Agent
↓
安全與評估
↓
本機 GPU 資源調度

今天先不安裝。

先把 OpenClaw 放回整個架構裡，搞清楚它到底負責哪一層。

一、Gateway 不是模型

前面一路做到現在，其實已經碰過很多不同層次：

Ollama
MCP
Agent
LangGraph
Google ADK
Supervisor

OpenClaw 又多了一個：

Gateway

先不要全部混在一起。

在這個系列裡，可以先這樣理解：

如果之後接 Telegram、Discord 或其他訊息來源，還會再多一層 Channel。

但這個系列先不接外部聊天平台。

只從本機 CLI 進入。

少一層外部整合，也避免測試過程不小心真的送出訊息。

整體先畫成：

這裡還是兩條不同的能力路徑：

Agent → Ollama

負責推論。

另一條：

Agent → MCP → devbench

負責真正讀取專案資料。

OpenClaw 可以把它們組織在同一個 Agent Runtime 裡，但不會把：

MCP Server 變成模型

也不會因為接上 Ollama，就自動取得整台機器的檔案權限。

二、那和 LangGraph、ADK 差在哪？

前面已經用過：

LangGraph
Google ADK

它們也能管理 Agent 流程。

所以不能簡單寫成：

LangGraph / ADK = Framework
OpenClaw = 完全不同的東西

實際能力有不少重疊。

但在這個系列裡，我會用一個比較實用的角度來區分。

LangGraph 比較著重：

State
Node
Edge
Workflow

Google ADK 提供：

Agent
Runner
Session
Tool Interface

OpenClaw 接下來則會拿來處理一個更完整、可以持續運行的環境：

Gateway
Agent Runtime
Session
Workspace
Model Provider
MCP
Tool Policy

所以我們不是因為前面的 Framework 做不到才換。

而是接下來想研究的問題開始從：

Agent Loop 怎麼寫？

變成：

多個 Agent 長期跑在同一個本機環境時，要怎麼管理？

三、OpenClaw 不會自動幫我們生出 Workflow

這一點很重要。

昨天已經有：

Research
↓
Writer
↓
Reviewer

這條明確流程。

今天就算裝好 OpenClaw，也不代表它會自動知道：

Research 完成後交給 Writer
Writer 完成後送 Reviewer
Reviewer 失敗最多修一次

這些仍然是我們的 Workflow 規則。

原本的 Python Supervisor 也不會因為 OpenClaw 出現就立刻丟掉。

反而可以先保留：

Python Supervisor
→ 控制流程

OpenClaw
→ 提供 Agent Runtime / Session / Workspace

等後面真的做到 Multi-Agent，再比較哪些責任適合搬進 OpenClaw。

這樣才有 Baseline 可以對照。

四、先產生設定，不急著啟動 Gateway

今天的程式故意不啟動服務。

先把之後要用的設定組出來：

from ironman.openclaw_lab import LAB, make_config


def main() -> None:
    settings = make_config(
        LAB,
        mcp=True,
        multi=True,
    )

    print("Gateway: loopback only")

    print(
        "Agents:",
        ", ".join(
            settings["agents"]["entries"]
        ),
    )

    print(
        "MCP:",
        ", ".join(
            settings["mcp"]["servers"]
        ),
    )

    print(
        "Route: "
        "Agent → Ollama or read-only MCP"
    )


if __name__ == "__main__":
    main()

今天只驗證幾件事：

Agent 設定能產生

MCP Server 有被註冊

Gateway 預計只監聽本機

多角色設定有明確結構

不連模型。

不啟動 Gateway。

也不真的執行 MCP Tool。

這跟前面幾天的做法一樣：

先確認靜態設定，再增加 Runtime。

不然一次把：

OpenClaw
Ollama
MCP
Multi-Agent
Gateway

全部啟動，錯誤一出現又要開始猜是哪一層壞掉。

五、模型設定仍然只有一個來源

這個系列前面一直把本機模型設定集中管理。

今天也是一樣。

設定來源仍然放在共用的：

config.py

再由產生器轉成 OpenClaw 所需要的設定。

但這裡不要誤會成：

OpenClaw 會透過我們的 Python llm.py 呼叫模型。

不是。

前面自己寫的 Agent：

Python
↓
OllamaClient
↓
Ollama

OpenClaw 則使用它自己的 Ollama provider：

OpenClaw
↓
Ollama Provider
↓
Ollama

共用的是：

模型名稱
Endpoint
我們定義的設定來源

不是同一支 Python HTTP Client。

這個差別要留下來，不然「Single Source of Truth」很容易被誤寫成：

所有 Runtime 都跑同一份程式碼

實際上不是。

六、今天先決定哪些能力不開

前面 Day 19、20 花了兩天做安全邊界。

不能進 OpenClaw 之後全部重置。

所以這個 Lab 一開始就先限制：

Gateway
→ loopback only

Runtime 狀態
→ 使用獨立 .runtime/lab

既有 OpenClaw Profile
→ 不讀取

MCP
→ 只接唯讀 devbench

Workspace
→ 獨立管理

目前不開：

任意 Shell
寫檔
刪檔
瀏覽器自動操作
對外訊息
外部聊天 Channel

原因不是這些功能永遠不能用。

而是：

今天的任務根本不需要。

最小權限到了新的 Runtime 還是同一條原則。

不要因為 Framework 提供某個功能，就順手全部打開。

七、Workspace 也不是隨便一個資料夾

OpenClaw 的 Agent 會有自己的 Workspace。

後面會把：

Agent 設定
Bootstrap 資料
工作檔案
Memory

逐步拆開。

今天先記一件事：

Workspace 應該被當成 Agent 的工作範圍，而不是整台機器的 Home Directory。

尤其後面 Multi-Agent 時，每個角色可能有不同 Workspace。

例如：

Research Workspace
Writer Workspace
Reviewer Workspace

是否要共享、共享多少，都應該明確決定。

不能因為三個 Agent 在同一台機器，就預設：

大家都看得到所有人的檔案

這跟 Day 21 拆 Tool 權限其實是同一件事。

只是現在開始延伸到檔案與 Session。

昨天完成的是：

Python Supervisor
↓
Research
↓
Writer
↓
Reviewer

它已經能完成任務。

所以 OpenClaw 接下來不是要證明：

沒有 OpenClaw 就做不了 Agent。

而是要回答另一個問題：

當 Agent 不再只是跑一次就結束，而是開始有 Session、Workspace、多角色和持續狀態時，執行環境該怎麼管理？

今天先把位置擺好：

CLI
↓
OpenClaw Gateway
↓
Agent / Session / Workspace
├── Ollama
└── MCP

明天才真的安裝鎖定版本，建立獨立 Lab，驗證設定並啟動 Gateway。

最後送出第一個真實訊息，確認：

CLI
↓
Gateway
↓
Agent
↓
Ollama

整條路真的走得通。

Day 24：

從零建置 OpenClaw：安裝、Onboarding 與第一個本機 Agent。

參考資料

OpenClaw 官方文件
https://docs.openclaw.ai/

OpenClaw Agent Runtime
https://docs.openclaw.ai/agent

OpenClaw Agent Workspace
https://docs.openclaw.ai/agent-workspace

OpenClaw MCP Tools
https://docs.openclaw.ai/tools/mcp

OpenClaw Ollama Setup
https://docs.openclaw.ai/providers/ollama/setup