OpenClaw : Architecture, développement et sécurité pour les agents IA locaux
Ce cours propose une analyse approfondie d'OpenClaw, un cadre open-source révolutionnaire pour les agents IA autonomes. Il déconstruit systématiquement l'architecture en couches du cadre, ses mécanismes de mémoire RAG local-first, ses protocoles d'automatisation du navigateur et son écosystème de compétences hautement évolutif. Le programme couvre la mise en œuvre pratique de workflows complexes, notamment les flux d'automatisation PIV et les modèles de comité à plusieurs agents. En outre, il analyse critiquement les compromis liés au matériel dans les paradigmes de déploiement de production et présente des stratégies de défense en profondeur contre les menaces de sécurité fondamentales telles que les vulnérabilités RCE et les injections de prompt. Ce cours vise à doter les développeurs seniors et architectes des outils nécessaires pour concevoir des systèmes d'agents IA possédant une grande autonomie tout en restant sécurisés et contrôlables.
Aperçu du cours
📚 Résumé du Contenu
Ce cours propose une immersion approfondie dans OpenClaw, un cadre open source révolutionnaire pour les agents IA autonomes. Nous déconstruisons systématiquement son architecture en couches, en nous concentrant sur les mécanismes de mémoire Local-First RAG, les protocoles d'automatisation des navigateurs et un écosystème de compétences hautement évolutif.
Le programme va au-delà de la théorie en couvrant l'orchestration pratique de workflows complexes tels que les flux d'automatisation PIV et les modèles de comité multi-agents. De manière cruciale, il aborde les défis liés à la production, en analysant les compromis matériels et en mettant en œuvre des stratégies de défense en profondeur contre des menaces critiques comme les vulnérabilités RCE et les injections de prompt. Ce cours est conçu pour doter les développeurs seniors et architectes de systèmes d'intelligence artificielle capables d'être à la fois hautement autonomes et rigoureusement sécurisés.
Public cible : Développeurs seniors & Architectes système
🎯 Objectifs d'Apprentissage
À la fin de ce cours, vous serez en mesure de :
- Architecturer des systèmes autonomes à l’aide du cadre OpenClaw et de sa philosophie Markdown-First.
- Déployer des architectures de mémoire locales-first sécurisées, prévenant la corruption d’état dans les environnements à haute concurrence.
- Renforcer les chaînes d’approvisionnement des agents contre des menaces avancées telles que l’injection indirecte de prompts et les RCE silencieux.
Leçons 共 5 课时 · 预计 15.0h
Leçons
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.