很多课程宣传的因果逻辑时，想要弄懂 AI Agent、看懂整套工程架构，必须精通 Python。这次我全程不写 Python 代码，Token 总花费控制在百元以内，依托 OpenClaw 完成完整私有化 Agent 搭建。没有复杂底层编码，只站在产品视角实操、拆解、梳理全链路运转逻辑，搞懂智能体如何调度本地模型、完成自动化任务。
市面上不缺 AI Agent 项目。OpenClaw 能接入十几条通道，Hermes 能自学进化，各有各的生态。但它们都有一个共同点：你装完就能用，但也仅此而已。你不知道它怎么工作的。要报课么，听老师照本宣科并不是最优的学习方式~1、从零开始，一个版本一个版本地，搭出一个能用的 Agent。不是为了造轮子，是为了理解轮子怎么转的。自己搭一个本地 Agent，亲身入局体验那些"看起来很厉害"的框架背后到底在做什么。2、因为个人多年在企业数字化领域，很自然的会希望 OpenClaw 等能够支持本地大模型，省 Token 呀，还能有更好的合规和安全性。但是 OpenClaw 跑不起来我为这个电脑选择的两款本地模型，可 Ollama 是可以顺利调用的。那不如，我自己写个 OpenClaw 试试。
项目开发结果：
也为了方便学习，充分进行了竞品对比、架构设计、目录设计、关键逻辑，发掘决策点，专项评估。按照工程管理方式，分拆版本落地、做用例测试、操作手册。
第一个阶段是较为基础的，经过了十个小版本的迭代，可以放大图片看看在CLI 和网页 UI 下的 Luna Agent：
那一起来看看这个项目怎么做的，希望能够给你带来一些启发。这个项目我过程中挖掘到14个决策点，然后针对其进行专项的评估及决策，包括调研竞品方案，每一个评估过程都是一次理解和进化的机会。4、各个版本涉及到的知识点
| | |
|---|
| | 本地模型和云端模型到底区别在哪？OllamaOpenAI APILangChain 是干什么的 |
| | 为什么 LLM 聊久了会"忘记"开头？上下文窗口 |
| | Function Calling Agent 框架的核心机制Tool UseMCP 协议（AI 界的 USB-C） |
| | 关掉程序还能记住 RAG 检索增强生成向量数据库Embedding 嵌入Chroma / Pinecone / Qdrant |
| | Agent = LLM + 身份 + 权限。System Prompt 工程角色扮演 PromptOpenClaw 多 Agent 路由 |
| | 插件架构 Plugin System |
| | HTML/CSS 绘图 |
| | |
| | pip 发布 |
| | |
到 1.0 版本差不多可以见人了。还有不少难度更高的方向，放在高级阶段进行。 后面我计划升级下硬件，对于不需要复杂推理的事项可以基于本地 LLM 无 Token 实现啦。 
思考题：
是不是不需要求研发大哥们了呢？
感受是，发心比方法重要。
设定了目标后，方法和执行就重要了。
文章是方便保存和收藏的，但是这种形式对于讲一个项目怎么做出来还是缺少了表现力，考虑升级视频。观察下有没有需要的。
** 化繁为简 **
深度，基于核心基础
问题，是撬起AI的支点
