OpenClaw: Архитектура, разработка и безопасность для локальных ИИ-агентов
Этот курс предоставляет подробный анализ OpenClaw — революционной открытой платформы для автономных ИИ-агентов. Последовательно разбирается многоуровневая архитектура системы, механизмы памяти локального поиска (RAG), протоколы автоматизации браузера и масштабируемая экосистема навыков. Учебная программа охватывает практическую организацию сложных рабочих процессов, включая потоки автоматизации ПИВ и модели многопрофильного комитета агентов. Кроме того, курс критически анализирует компромиссы в аппаратном обеспечении при реализации производственных сценариев и предлагает стратегии защиты на основе многоуровневой безопасности против ключевых угроз, таких как уязвимости удаленного выполнения кода (RCE) и внедрение поддельных запросов. Курс направлен на то, чтобы дать старшим разработчикам и архитекторам инструменты для создания систем ИИ-агентов с высокой степенью автономности, одновременно сохраняя безопасность и контроль.
Обзор курса
📚 Краткое содержание
Этот курс предлагает всестороннее погружение в OpenClaw — революционную открытую платформу для автономных ИИ-агентов. Мы пошагово разбираем многоуровневую архитектуру, фокусируясь на механизмах памяти локального первого приоритета (Local-First RAG), протоколах автоматизации браузеров и высокомасштабируемой экосистеме навыков.
Учебная программа выходит за рамки теории, охватывая практическую организацию сложных рабочих процессов, таких как автоматизированные потоки PIV и многоагентные комитетные схемы. Ключевым является рассмотрение производственных вызовов: анализ торговых отношений между аппаратными средствами и внедрение стратегий многослойной защиты против критических угроз, таких как уязвимости выполнения кода на удалённом сервере (RCE) и внедрение поддельных запросов. Этот курс предназначен для того, чтобы обеспечить старших разработчиков и архитекторов возможностью создавать ИИ-системы, которые одновременно обладают высокой автономией и строгой безопасностью.
Целевая аудитория: Старшие разработчики и архитекторы систем
🎯 Цели обучения
По окончании этого курса вы сможете:
- Архитектурно проектировать автономные системы с использованием платформы OpenClaw и её философии «Markdown-First».
- Развертывать безопасные архитектуры локальной памяти, предотвращающие повреждение состояния в условиях высокой конкуренции.
- Укреплять цепочки поставок агентов против передовых угроз, таких как косвенное внедрение запросов и скрытое выполнение кода (Silent Fallback RCE).
Уроки 共 5 课时 · 预计 15.0h
Уроки
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.