Architecture des Agents OpenClaw : Délégation Multi-Agents, Mémoire à 5 Couches et Systèmes de Surveillance

Délégation Multi-Agent pour le Contrôle des Coûts

Le développeur utilise des sous-agents spécialisés pour différentes tâches afin de réduire les coûts d'API tout en maintenant la qualité. La configuration inclut :

• Un modèle économique pour la maintenance de fond et les pulsations (spécifiquement Haiku 4.5 pour heartbeat.md)
• Un modèle axé sur la recherche pour le balayage web
• Un modèle Grok pour la recherche native sur X
• Un modèle axé sur la sécurité pour les audits quotidiens du système
• Le modèle principal pour les conversations directes

Chaque agent possède son propre document de briefing définissant son rôle, et le modèle principal orchestre la délégation des tâches. Le développeur a essayé de passer à un modèle principal super économique mais a trouvé les résultats décevants, notant que la moitié de l'attrait d'OpenClaw réside dans l'utilisation de modèles de haute qualité.

Architecture de Mémoire à 5 Couches

Pour pallier la mémoire intégrée limitée d'OpenClaw, le développeur a mis en place un système à cinq couches :

• Base de données de faits structurés (SQLite avec entités, relations, scores de confiance, pondération d'importance)
• Mémoire vectorielle (ChromaDB pour la recherche sémantique sur tout)
• Mémoire épisodique (événements significatifs avec horodatages et importance)
• Mémoire procédurale (suivi de ce qui a fonctionné, ce qui n'a pas fonctionné, et de l'efficacité)
• Mémoire graphique (relations entre entités montrant qui est connecté à quoi)

Un système de récupération hybride interroge les cinq couches et classe les résultats. Le système inclut un mécanisme de dégradation de la mémoire où les faits perdent en fidélité au fil du temps au lieu d'être simplement conservés ou supprimés. Les souvenirs de haute importance restent à pleine résolution, tandis que les moins utilisés sont compressés en résumés, puis en essences, puis simplement en un hachage prouvant leur existence. L'agent peut remonter les souvenirs dégradés à pleine résolution lorsqu'ils redeviennent pertinents.

Conseils Multi-Agents (MACx)

Pour les décisions complexes, le développeur lance 5 modèles frontaliers en parallèle sur différents fournisseurs :

• ChatGPT 5.4 Thinking
• Grok 4.20 Reasoning
• Opus 4.6
• Minimax M2.5
• Gemini 3.1

Les modèles sont remplacés au fur et à mesure que de nouveaux sont publiés. Chaque modèle analyse indépendamment, puis ils examinent mutuellement leur travail, et un président synthétise les résultats. Le système a trois modes : délibération (aide à la décision), recherche (investigation approfondie) et brainstorming (idéation créative). Une "Phase 0" a récemment été ajoutée où le conseil identifie d'abord les hypothèses et pose des questions de clarification avant de délibérer.

Approche de Sécurité et de Surveillance

Après avoir entendu parler de logiciels malveillants sur les hubs de compétences, le développeur a adopté une politique de construction de solutions sur mesure pour chaque modification de type compétence. Claude Code, communiquant avec OpenClaw via ACPX, construit quelque chose avec autorisation après avoir évalué les bases de code de compétences des autres. Chaque nouvelle construction commence à moitié à partir de zéro, juste avec l'idée.

Un sous-agent quotidien scanne ce que font les autres avec leurs agents OpenClaw pour s'inspirer. Le système de surveillance a trois couches : surveillance de santé basique, vérifications au niveau des services, et capacité de diagnostic plus profonde liée à un appel ACPX vers un codeur d'ambiance fonctionnant sur la machine hôte lorsque les vérifications et commandes de base ne suffisent pas.