🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

# 你认为当前LLM哪些能力瓶颈最制约OpenClaw的上限？


---

## 一、核心问题：用语言理解替代控制流

给LLM包执行力，本质上是在**用LLM的语言理解能力替代传统软件的控制流逻辑**。这在短任务、明确场景下效果惊人，但在长任务、复杂场景下会遭遇几道明显的天花板——不是OpenClaw框架设计得不好，而是LLM本身当前的能力边界决定的。

**说人话就是：** 想象你让一个记忆力超强但没有长期规划能力的朋友帮你处理复杂事务。他能完美执行每一个单独的指令，但当任务链条变长、情况变复杂时，他可能会忘记之前的约束、对同一个概念产生不同的理解，或者在不确定时强行给出答案而不是问你确认。

最制约OpenClaw上限的瓶颈，按严重程度排列是：
1. **长上下文中的注意力退化**
2. **跨步骤的状态一致性**  
3. **对"我不确定"的校准能力（calibration）**

前两个是工程可部分缓解的，第三个是当前LLM最根本的局限，也是Agent出错最难察觉的根源。
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/90f2e109e4c5f145b5f27d55a20cc107.png)

---

## 二、瓶颈一：长上下文注意力退化

LLM的上下文窗口越来越大（GPT-4o 128K，Claude 3.5 200K），但"能装进去"和"能有效利用"是两回事。大量研究表明，LLM对上下文的注意力分布不均匀——**靠近开头和结尾的内容被更好地记住，中间的内容容易被忽略**，这个现象叫"lost in the middle"。

### 对OpenClaw的实际影响

一个运行了几十轮的ReAct循环，早期步骤里获取到的关键信息（比如用户说过"不要发给CC里的人"）可能在后续步骤里被遗忘，Agent照样执行了用户明确说过不要的操作。

### 工程缓解方案

在每次ReAct循环迭代时，主动把关键约束提取出来放到上下文末尾（"reminder"），而不是依赖LLM自己在长上下文中找到它。

```javascript
// 不好的做法：依赖LLM在长上下文中找到早期约束
const context = [...longHistory, currentTask];

// 好的做法：显式提取关键约束放在末尾
const keyConstraints = extractKeyConstraints(longHistory);
const context = [...recentHistory, {constraints: keyConstraints}, currentTask];
```

但这只是治标，不是治本——我们只是在适应LLM的弱点，而不是解决了问题。

---

## 三、瓶颈二：跨步骤状态一致性

一个多步骤任务（比如：读邮件 → 分析优先级 → 起草回复 → 发送）里，每一步都是一次独立的LLM调用。**LLM不是一个有持久状态的程序**——它每次都是从上下文里重新"理解"当前情况，而不是在内存里修改一个变量。

### 导致的问题

上一步的决策在下一步可能被"重新解读"。步骤三起草回复时，LLM可能对"高优先级"的定义和步骤二略有不同，导致实际发送的内容和分析结论不一致。

对人类来说，"前后矛盾"是明显的错误信号；对LLM来说，每次调用都是独立的，没有"前后"的概念。

### 工程解决方案：结构化状态对象

把关键决策显式存储为机器可读的状态，而不是让LLM从自然语言里"回忆"上一步说了什么：

| 方法 | 描述 | 效果 |
|------|------|------|
| **自然语言记忆** | 让LLM从对话历史里"记住"上一步的判断 | 容易出现重新解读，状态不一致 |
| **结构化状态** | 把关键状态显式传入下一步 | 确保状态一致性，减少歧义 |

```javascript
// 好的做法：结构化状态传递
const taskState = {
  step: 'draft_reply',
  context: {
    email: { from: '...', subject: '...', body: '...' },
    priority: 'high',           // 上一步的决策，显式传入
    priorityReason: '涉及合同截止日期', // 连同理由一起传，避免重解读
    constraints: ['不要提及价格细节', '不要 CC 给 BD 团队'],
  }
};
```

---

## 四、瓶颈三：Calibration——"我不确定"的能力

这是**最被低估、也最危险的瓶颈**。LLM在不确定的时候，不会说"我不确定"，而是会给出一个听起来自信的答案。

### 在Agent场景下的致命后果

这种过度自信（overconfidence）在聊天场景下只是体验问题，但在Agent场景下会直接导致错误操作被执行——Agent以95%的自信去做了一件它其实只有40%把握做对的事情。

具体体现为：
- 面对歧义的用户指令时，Agent倾向于自行选择一种解读然后继续执行
- 面对工具调用失败时，Agent可能尝试用其他方式绕过，而不是承认"这件事我做不到"
- 在边界场景下，Agent会强行给出一个答案，而不是说"我没有足够的信息做出判断"

### 启发式缓解方案

在提示词里明确要求Agent在不确定时输出结构化的不确定信号，然后在执行层检测到这个信号时强制暂停：

```javascript
// 在Brain的系统提示里加入明确要求
const SYSTEM_PROMPT = `
...
When you are uncertain about the user's intent or how to proceed, 
output exactly: {"action": "clarify", "question": "<your question>"}
Do NOT guess. Do NOT proceed with a plausible interpretation without flagging it.
...`;

// 执行层检测不确定信号
function handleBrainOutput(output) {
  if (output.action === 'clarify') {
    sendToUser(`❓ ${output.question}`);
    pauseTask(); // 等待用户回应
  } else {
    executeAction(output);
  }
}
```
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/a46173f0be0f18faca9cbd3907fb1b91.png)

---

## 五、这些瓶颈意味着什么？

三个瓶颈合在一起，勾勒出当前Agent的能力边界：

| 任务特征 | 出错概率 | 原因 |
|---------|---------|------|
| **短任务、明确场景** | 低 | LLM优势领域 |
| **长任务、模糊场景** | 高 | 三大瓶颈叠加 |
| **高风险操作** | 极高 | 错误往往是静默的 |

**任务越长、步骤越多、场景越模糊，出错概率越高；而且出错往往是静默的，Agent会带着错误继续执行，直到最终结果明显不对。**

这不是说Agent现在没用——短任务、明确场景下OpenClaw的效果已经让很多人觉得"超乎想象"。但对于真正的高风险长任务（财务操作、法律文件处理、复杂的多方沟通），当前LLM的这三个瓶颈决定了Agent还不能完全替代人类判断，只能作为"**能力放大器**"而不是"**全权代理人**"。

### 核心结论

**LLM能力的天花板，就是Agent自主程度的天花板。**

这道墙会随着模型迭代慢慢上移，但在它真正消失之前，好的Agent设计应该始终假设LLM会犯错，并在架构层面为此做好准备——就像优秀的软件工程师永远不会假设网络永远可靠一样。

🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

制约 OpenClaw 最关键的不是框架，而是 LLM 本身

给LLM包执行力，本质上是在**用LLM的语言理解能力替代传统软件的控制流逻辑**。这在短任务、明确场景下效果惊人，但在长任务、复杂场景下会遭遇几道明显的天花板——不是OpenClaw框架设计得不好，而是LLM本身当前的能力边界决定的。

数据开发/数据仓库

人工智能

编程语言

职业发展

探索LLM在OpenClaw框架中的三大瓶颈：长上下文注意力退化、跨步骤状态一致性和过度自信问题。这些限制影响复杂任务的执行准确性，尤其在长任务和高风险场景下。了解如何通过工程方案缓解问题，但LLM的根本局限仍需突破。

软件工程

Agent

2026新春采购季

tione

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

制约 OpenClaw 最关键的不是框架，而是 LLM 本身-腾讯云开发者社区-腾讯云

制约 OpenClaw 最关键的不是框架，而是 LLM 本身

制约 OpenClaw 最关键的不是框架，而是 LLM 本身

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐