OpenClaw: Arquitectura, Desarrollo y Seguridad para Agentes de IA Locales
Este curso ofrece un análisis profundo de OpenClaw, un marco innovador de código abierto para agentes de IA autónomos. Descompone sistemáticamente la arquitectura de sistema en capas del marco, los mecanismos de memoria RAG con enfoque local, los protocolos de automatización del navegador y el ecosistema de habilidades altamente escalable. El plan de estudios abarca la orquestación práctica de flujos complejos, incluyendo flujos de automatización PIV y patrones de comité de múltiples agentes. Asimismo, analiza críticamente las compensaciones de hardware en paradigmas de despliegue de producción y presenta estrategias de defensa en profundidad frente a amenazas de seguridad fundamentales como vulnerabilidades de ejecución remota de código (RCE) y inyección de comandos. El curso tiene como objetivo capacitar a desarrolladores senior y arquitectos para crear sistemas de agentes de IA con alta autonomía, manteniéndose seguros y controlables.
Descripción del curso
📚 Resumen del Contenido
Este curso ofrece una profundización completa en OpenClaw, un marco de código abierto revolucionario para agentes de IA autónomos. Desglosamos sistemáticamente su arquitectura por capas, centrándonos en mecanismos de memoria RAG de Enfoque Local, protocolos de automatización de navegador y un ecosistema de habilidades altamente escalable.
El plan de estudios va más allá de la teoría, abordando la orquestación práctica de flujos complejos como los flujos de automatización PIV y los patrones de comité de múltiples agentes. De forma crucial, aborda desafíos de producción, analizando trade-offs de hardware e implementando estrategias de defensa en profundidad contra amenazas críticas como vulnerabilidades RCE y inyección de prompts. Este curso está diseñado para empoderar a desarrolladores senior y arquitectos para construir sistemas de IA que sean tanto altamente autónomos como rigurosamente seguros.
Público objetivo: Desarrolladores Senior y Arquitectos de Sistemas
🎯 Objetivos de Aprendizaje
Al finalizar este curso, serás capaz de:
- Arquitecturar sistemas autónomos utilizando el marco OpenClaw y su filosofía de Markdown-First.
- Desplegar arquitecturas de memoria locales y seguras que eviten la corrupción de estado en entornos de alta concurrencia.
- Fortalecer las cadenas de suministro de agentes frente a amenazas avanzadas como la Inyección Indirecta de Prompts y el RCE Silencioso.
Lecciones 共 5 课时 · 预计 15.0h
Lecciones
Lesson
This lesson introduces the OpenClaw architecture, which utilizes a Markdown-first philosophy to define agent identity and logic through human-readable files like SOUL.md and MEMORY.md. Students learn how the system ensures reliability and security through session isolation via lane queues, a model-agnostic runtime, and a centralized gateway for managing autonomous tasks.
This lesson explores the OpenClaw architecture, focusing on the PIV (Planning-Interaction-Verification) workflow for autonomous browser agents and the importance of session isolation for system security. It also covers the modular configuration system, where openclaw.json manages technical routing and SOUL.md defines the agent's persistent identity and ethical boundaries.
This lesson introduces the OpenClaw architecture, which utilizes a Markdown-first philosophy to manage agent identity, capabilities, and workflows through human-readable configuration files. Students learn how to build robust, model-agnostic agents by leveraging core infrastructure components like the Gateway, Agent Runtime, and a structured manifest system to ensure secure, version-controlled, and transparent AI orchestration.
This lesson covers the production deployment of autonomous agents using the OpenClaw architecture, emphasizing the Markdown-First philosophy for configuration and runtime sovereignty. Students will learn to optimize performance through hybrid execution models, local-first RAG, and memory management techniques like semantic snapshots and pre-compaction flushing.
This lesson explores the evolving threat landscape for autonomous AI agents, focusing on risks like indirect prompt injection, skill supply chain poisoning, and delegated compromise. It emphasizes implementing a Zero Trust architecture, including strict network binding and ephemeral credential management, to secure agent gateways and minimize the blast radius of potential security breaches.