MiniClaw-OS是一款OpenClaw的模块化认知架构。它包含用于规划、记忆、沟通和创造的大脑区域插件，可在Mac上运行。
它就像 Open Claw的大脑（确切地说是前额叶皮层），可以通过可视化界面（Kankan Board）看到它的计划、操作等等。
MiniClaw结构：
最底层是一个强大的LLM作为基础能源和算力支持，
中间是一套精密的认知架构作为神经网络，
最上面才是各种像乐高积木一样可以自由插拔的“脑区插件”。
你想让AI学会炒股？没问题，给它加装一个“金融交易脑区”。
你想让它帮你做视频？再给它插上一个“视觉创作脑区”。
这个系统最牛的地方就在于，它的能力是可以无限扩展的，你可以像拼乐高一样，亲手打造一个独一无二、为你量身定制的专属AI大脑。
这是一套“类人认知流水线”，从输入 → 认知 → 行动 → 记忆 → 存储，一整套闭环。
整套系统可以理解成五个层级：输入层 → 消息路由 → 核心认知 → 推理层 → 长期记忆与执行。
第一部分：输入通道（Input Channels）
这是所有信息进入系统的入口。
这里支持四种输入源：
- Telegram chat
- Local Board UI
- cron 定时任务
- CLI 命令行
这些输入都进入同一个结构：Async Queue（异步消息队列）。
关键点是：所有输入先排队，再处理。
这样做有两个好处：
第一，系统不会被某个任务阻塞。
第二，可以同时处理多个请求。
这一步实际上就是：事件驱动系统EDA。
第二部分：Queueing & Ingestion
所有输入会进入一个 ingestion 层。
这里做的事情主要有三件：
- 解析输入
- 标准化消息格式
- 放入处理队列
换句话说：无论是 Telegram 消息、UI 操作还是 cron 任务，都会被统一转换成同一种“任务消息”。
这一步的意义是：统一协议。
你想啊，如果AI的大脑是个流水线，它最烦的就是送过来的零件长得不一样。现在好了，经过这个分拣拆包处，无论你原来是个方的圆的，最后都变成了流水线上统一的半成品零件。这样一来，AI的脑子就不用费心去辨认你是从哪个门进来的了，它只需要处理这种标准化的消息格式就行。
这就好比学校广播站，不管你是在操场、教室还是食堂投稿，最后广播站收到的都是一张写满字的纸，主播只需要念纸上的字，不用管你这张纸是从哪儿递过来的。这个设计让整个系统变得特别干净，处理逻辑高度统一，不会因为将来想接入个新的输入源，比如微信或者抖音，就得把AI的大脑整个拆了重装，只要在这个拆包处增加一种新的拆包方法就行了，非常优雅且省事儿。
第三部分：mc-queue 路由层
接下来进入图中的核心路由组件：mc-queue。
它的定位是：非阻塞消息路由器。
mc-queue 的职责只有两个：
- 决定任务去哪个 Agent
- 创建 Agent 实例
每一个任务都会生成一个独立的 Agent实例。
这是一种非常典型的设计：短生命周期 Agent；任务完成后实例可以销毁。
好处是：任务互不影响；系统可水平扩展。
这里有个特别关键的设计思想，叫做“短生命周期Agent”。
啥意思呢？就是每一个任务，系统都会生成一个全新的、独立的Agent去专门处理它。这就好比你写作业的时候，不会一辈子只写数学这一门课，而是写数学的时候就拿起数学作业本，写完了放下，再拿起语文作业本。
这些Agent就是一个个的作业本，任务来了就生成，任务完成了，这个Agent实例就可以销毁了，把资源腾出来给别人用。
这么设计的好处是显而易见的：
第一，任务之间互不影响。你写数学作业的时候思路卡壳，不会影响你写语文作业的流畅度，因为它们是两个独立的本子。
第二，系统可以水平扩展。如果同时有十万个人来找AI聊天，系统就能瞬间生成十万个Agent去分别接待他们，大家各聊各的，谁也不用排队等别人聊完，这就叫“可扩展性”，是支撑大流量的关键所在。
第四部分：核心认知组件（Core Cognitive Components）
这部分就是 MiniClaw 的“大脑”。
共有三个核心模块：
- mc-context
- mc-soul
- mc-trust
每个模块对应一个认知能力。
当一个崭新的Agent被创建出来了，它就像一个刚出生的婴儿，脑子里空空如也。但是要处理任务，它总得知道点上下文吧？比如你跟它聊了三句，它不能第四句就忘了你前面说的是啥。
这时候，就要给它装上核心认知组件，也就是MiniClaw的“大脑”了。
这部分有三个大模块，咱们先聊前两个：mc-context和mc-soul。
mc-context管它叫“工作记忆”或者“便利贴系统”：
“Working Memory”和“Short-term pathways”，意思就是短期记忆通道。它的作用就是临时保存当前这个任务里所有相关的信息，比如刚才说了啥，最近的推理步骤到哪儿了，现在任务进行到百分之多少了。所有这些零碎的信息，就像你做题时在草稿纸上写的过程一样，都会被放在mc-context里，然后直接喂给后面的大语言模型（LLM）去处理。
你可以把它想象成人脑的“工作记忆”，就是你在心算“27+35”的时候，暂时记住“7+5=12，进一位”的这个短暂记忆，算完了可能就扔了。
mc-context保存当前任务的上下文，例如：
- 当前对话
- 最近的推理步骤
- 当前任务状态
这部分内容会被直接喂给 LLM。它的作用类似：人脑的工作记忆。
跟mc-context这个临时记忆相对的，是mc-soul，这是个贼有意思的模块，我管它叫“灵魂系统”或者“人设盒子”。
“Identity”和“Unique persona matrix”，就是“身份”和“独特人格矩阵”。
这个模块是用来干嘛的呢？就是给每个Agent定义一个独一无二的“人设”。它决定了这个Agent用什么样的语气跟你说话，它的行为策略是什么，甚至它的价值观是啥。比如，你可以创建一个说话特别幽默逗逼的“脱口秀Agent”，再创建一个说话一本正经、动不动就引用名人名言的“论文Agent”。
这两种Agent的人格参数是完全不一样的，而这个差异就保存在mc-soul里面。这个设计简直是神来之笔，因为它让OpenClaw不再是一个冷冰冰的、千篇一律的应答机，而是可以拥有多副面孔，见人说人话，见鬼说鬼话。今天心情不好就找个温柔安慰型Agent聊，明天想讨论严肃问题就换个逻辑型Agent聊，全看mc-queue调度室给你分配哪个灵魂的Agent。、
每个 Agent 都有一个人格矩阵。
它定义了：
- 角色
- 风格
- 行为策略
- 价值观
比如可以创建：
- 研究型 Agent
- 写作型 Agent
- 客服 Agent
每种 Agent 的“人格参数”都不同。
最后一个是mc-trust（安全验证）
这个模块是系统安全层。
功能包括：
- 身份认证
- 密钥调用
- 权限控制
Agent 想调用某些资源时，需要经过信任验证。例如：
- 访问 API
- 读取私密数据
- 执行系统操作
第五部分：认知推理层（LLM Inference）
接下来是 LLM 推理层。三个推理等级：
- Haiku（fast免费）
- Sonnet（normal）
- Opus（reasoning贵）
这是Anthropic公司多模型！
不同复杂度任务使用不同模型：
- 简单聊天 → Haiku
- 普通任务 → Sonnet
- 复杂推理 → Opus
这样可以做到：速度与成本优化。
Haiku、Sonnet和Opus。这是Anthropic公司（一个AI研究公司）家的大语言模型的不同版本，你可以把它们理解成三个智商和速度都不同的“外援大脑”。
Haiku是个快枪手，反应特别快，但思考深度一般，适合处理那种简单的聊天，比如“今天天气不错”这种，你这边刚问，它那边秒回，不费什么脑子。
Sonnet是个普通选手，速度和智商都处在中等水平，适合处理日常的大部分任务，比如写封邮件、总结个文章，又快又好。
Opus则是个深度思考型选手，它思考得慢，但智商最高，适合处理那种特别烧脑的任务，比如复杂的逻辑推理、写代码框架、分析一堆数据找规律。
这个设计叫“多模型推理策略”，特别聪明，它实现了速度和成本的最优化。
你想啊，如果所有问题，不管是“1+1等于几”还是“如何实现可控核聚变”，你都请那个最聪明但最慢也最贵的Opus来回答，那效率得多低，成本得多高？这就像你出门买个菜，本来骑个自行车就去了，你非要开个法拉利，费油不说，还堵车。
所以这套系统会根据任务的复杂度来动态选择请哪个外援。简单问题，Haiku上；普通问题，Sonnet来；只有遇到真正复杂的问题，才动用王牌Opus。这样既能保证用户能快速得到回复，又不会浪费昂贵的计算资源，是个非常精打细算过日子的小能手。
第六部分：长期记忆与执行功能
在 LLM 推理之后，系统会进入执行与记忆模块。这里的设计完全模仿人脑结构。
六个“认知器官”：
- 海马体：长期记忆
- 前额叶：决策与执行
- 视觉系统：图像理解与创作
- 社会皮层：关系与沟通
- 调度器：时间与任务管理
- 安全模块：身份与权限控制
每个模块对应一个插件。
比如，mc-kb这个插件，对应的就是海马体，海马体在人脑里主要负责长期记忆的形成。所以mc-kb就是AI的“知识库”，它负责保存那些长期的知识、经验总结、文档索引等等。当AI需要查资料的时候，它就会去这个“知识库”里检索。
再比如，mc-board这个插件，对应的是前额叶，前额叶在人脑里负责计划、决策和执行控制。所以mc-board就是AI的“任务看板”，它记录着当前要达成的目标、已经分解好的步骤、以及每一步的执行状态，就像一个项目管理软件，盯着AI按计划办事。
还有mc-designer，对应视觉，专门负责图像生成和设计类的任务。
mc-rolodex，对应社交皮层，专门管理你的联系人列表和聊天历史，谁跟你说了啥，它门儿清。
mc-jobs，对应调度器，就是那个定时任务的闹钟管理员，负责在指定的时间把你设定好的任务扔给调度室去执行。
最后是mc-vault，对应安全，这是个非常重要的“保险柜”，专门用来保存你的各种私密信息，比如API密钥、数据库密码、加密配置等等，确保这些核心机密不会被随便调用。
你看，这整个设计，就是把一个完整的人脑认知功能，拆解成了一个个可以插拔的软件模块，需要哪块功能，就把对应的插件装上，不需要就卸下来，模块化程度非常高。
第七部分：本地存储结构
最右边是数据落地结构。所有数据保存在：$MINICLAW_STATE_DIR/USER/
下面有四个目录：
- brain/
- kb/
- vault/
- media/
含义分别是：
- brain：Agent 的状态卡片
- kb：知识库索引
- vault：加密密钥
- media：生成内容（图片等）
brain/目录，存的是Agent的状态卡片，也就是每个Agent的“人设档案”和当前的“工作记忆”，记录了它是个谁，正在干啥。
kb/目录，是知识库的物理存储地，所有长期记忆的文档索引都放这儿。
vault/目录，就是那个保险柜，加密后的密钥就放在这个文件夹里。
media/目录，放的是AI生成的各种内容，比如你让它画的图，它生成的视频，都存这儿。
这一套目录结构，就像是你房间里井井有条的抽屉：手办放一个抽屉，课本放一个抽屉，日记本锁一个抽屉，零食再放一个抽屉。找东西的时候，直接去对应的抽屉翻就行，不会乱。这种清晰的数据落地方式，让整个系统的状态变得可管理、可备份、可迁移，你可以把整个机器人的文件夹打包发给别人，人家一运行，就能得到一个和你一模一样的AI，连记忆和性格都完全复制，是不是特别酷？
总结
系统流程就是：
输入消息
→ 队列排队
→ mc-queue 路由
→ 创建 Agent
→ 注入 context / soul / trust
→ LLM 推理
→ 调用执行模块
→ 写入长期记忆
→ 更新本地状态
这就是一个完整的：认知循环。
一条消息从进门到被记住，到底经历了一场怎样的奇妙旅程：
首先，你在Telegram上给OpenClaw发了条消息，比如“帮我画一只会飞的猪”。这条消息瞬间进入了异步队列，开始排队。很快它被分拣拆包，变成了标准化的任务消息。
然后，mc-queue调度室看到这个任务，一拍大腿：“这是个画画任务，得找个有艺术细胞的Agent！”于是它立刻创建了一个新的Agent实例，并从mc-soul里给它加载了一个“卡通画师”的人格，从mc-context里初始化了一个空的画板（工作记忆），并且让mc-trust确认了你有调用画画插件的权限。
接着，这个具备了灵魂、记忆和权限的Agent，带着你的问题去敲LLM的门。
它看了看问题，觉得“画一只会飞的猪”不算特别复杂，但也不是随口一句“你好”那么简单，于是它决定请Sonnet这个普通选手出马。
Sonnet思考了一下，给出了一个详细的作画指令，比如“一只粉色的小猪，背上长着白色的天使翅膀，在蓝天白云下飞翔”。
得到指令后，Agent就去调用mc-designer这个视觉插件。mc-designer吭哧吭哧地把图给画了出来。
画完之后，Agent会把这个成果记录到mc-context里，告诉大脑“任务完成了”。
然后它会把这个经历，比如“用户让我画了一只会飞的猪，我用了卡通风格”，打包发给mc-kb知识库，让它存进长期记忆里，下次你再提“会飞的猪”，它马上就能想起来。
同时，它也会把这张图片存到media/目录里。
最后，它通过原路返回，把画好的图片发回到你的Telegram上。
你看，从输入、认知、推理、执行到记忆，一个完整的“认知循环”就这么跑完了。这就是MiniClaw-OS这个“人脑模拟软件”的厉害之处，它不是简单地处理信息，而是在试图构建一个真正的、有生命感的AI个体。