Як працює агент ІА-конверсійного спілкування зсередини

Engenharia

12 min читання

31 травня 2026 р.

Як працює агент ІА-конверсійного спілкування зсередини

6 етапів обміну повідомленнями в OpenClaw — з реальною затримкою, вартістю за обмін повідомленнями та 4 лінії захисту від галюцинацій

Equipe OpenClaw · Time de Engenharia & Produto

A Equipe OpenClaw é formada por engenheiros, designers e especialistas em IA dedicados a construir a melhor plataforma de agentes conversacionais para negócios brasileiros. Combinamos expertise…

Як Працює Агент ІА Конверсачіональний Відповіді (Архітектура OpenClaw)

Як працює агент ІА конверсачіональний на практиці, крок за кроком? Цей пост відкриває чорну коробку OpenClaw: від моменту, коли повідомлення клієнта приходить на WhatsApp до тексту, який агент пише знову. Буде технічний. Хоча воно буде вартувати, якщо ви вирішите архітектуру продукту, якщо ви купуєте рішення і хочете оцінити фундамент, або якщо вам подобається знати, що відбувається за тими розмовами.

TL;DR: кожен крок проходить через 6 етапів — інгест, вирішує контекст, вибирає навички, вирішує наступну дію, виконує з обмеженнями, зберігає пам'ять. Весь цикл працює менше секунди на краю Cloudflare, без фіксованого сервера.

Чому архітектура важлива

Агент конверсачіональний, який здається працювати на демонстрації, але ламається в продукції, як правило, має один з цих 4 проблем:

Висока затримка — клієнт чекає 8 секунд на відповідь, розмови помирають.
Незалежна алокація — агент вигадує ціну, час, політику.
Загублений контекст — клієнт повертається після 2 днів і агент "забуває" все.
Незначний витратний — кожна довга розмова заповнює промпт і ви платите велику суму за токени.

4 — це вибори архітектури, а не обмеження моделі. OpenClaw був створений для уникнення 4 — і шлях до розуміння — дивитися на цикл кроку.

Цикл кроку (6 етапів)

Зображайте клієнта, який тільки що відправив повідомлення "я хочу запланувати на суботу рано" . Що відбувається між "відібраний" і відповіддю агента?

Етап 1 — Інгест (edge worker, <ms)

Повідомлення WhatsApp приходить через webhook Meta прямо в Cloudflare Worker на найближчому географічному місці. У Бразилії це означає Сан-Паулу або Ріо, затримка мережі <0ms.

Робітниця виконує три речі:

Валідація підпису webhook (HMAC проти секрету WABA).
Ідентифікація клієнта за номером телефону отримувача (множинний клієнт за to_number).
Нормалізація вмісту — аудіо перетворюється на транскрипцію, зображення перетворюється на опис, місцезнаходження перетворюється на {lat,lng}, текст залишається таким же.

У кінці етапу 1 ви маєте об'єкт {tenant_id, conversation_id, user_message} готовий до наступного кроку.

Етап 2 — Вирішує контекст (D1 + KV, ~80ms)

Агент повинен мати 3 частини контексту перед тим, як вирішити:

Клієнтська інформація — ім'я клієнта, його історія спілкування тощо.
Контекст розмови — попередні повідомлення клієнта, його запит тощо.
Інформація про клієнта — його дані про клієнта, його історію тощо.

Агент отримує цю інформацію з кількох джерел:

Клієнтська база даних — інформація про клієнта зберігається в базі даних клієнтів.
Ключові значення — інформація про клієнта зберігається в ключових значеннях.
Інші джерела — інформація про клієнта може зберігатися в інших джерелах, наприклад, в інших базах даних або в зовнішніх сервісах.

У кінці етапу 2 агент має всі необхідні дані для подальшого кроку.

Етап 3 — Вибирає навички (D2, ~20ms)

Агент повинен вибрати відповідні навички для обробки повідомлення клієнта. Навички можуть бути різними, наприклад, обробка тексту, обробка аудіо тощо.

Агент отримує інформацію про навички з кількох джерел:

Навичкова база даних — інформація про навички зберігається в базі даних навичок.
Ключові значення — інформація про навички зберігається в ключових значеннях.
Інші джерела — інформація про навички може зберігатися в інших джерелах, наприклад, в інших базах даних або в зовнішніх сервісах.

У кінці етапу 3 агент має всі необхідні дані для подальшого кроку.

Етап 4 — Вирішує наступну дію (D3, ~20ms)

Агент повинен вирішити, яку дію виконувати далі. Дія може бути різною, наприклад, відправлення повідомлення клієнту, обробка даних тощо.

Агент отримує інформацію про дію з кількох джерел:

Дія база даних — інформація про дію зберігається в базі даних дій.
Ключові значення — інформація про дію зберігається в ключових значеннях.
Інші джерела — інформація про дію може зберігатися в інших джерелах, наприклад, в інших базах даних або в зовнішніх сервісах.

У кінці етапу 4 агент має всі необхідні дані для подальшого кроку.

Етап 5 — Виконує з обмеженнями (D4, ~20ms)

Агент повинен виконувати дію з обмеженнями. Обмеження можуть бути різними, наприклад, обмеження часу виконання, обмеження кількості запитів тощо.

Агент отримує інформацію про обмеження з кількох джерел:

Обмеження база даних — інформація про обмеження зберігається в базі даних обмежень.
Ключові значення — інформація про обмеження зберігається в ключових значеннях.
Інші джерела — інформація про обмеження може зберігатися в інших джерелах, наприклад, в інших базах даних або в зовнішніх сервісах.

У кінці етапу 5 агент має всі необхідні дані для подальшого кроку.

Етап 6 — Зберігає пам'ять (D5, ~20ms)

Агент повинен зберегти пам'ять про виконану дію. Пам'ять може зберігатися в різних джерелах, наприклад, в базі даних дій, в ключових значеннях тощо.

У кінці етапу 6 агент має всі необхідні дані для подальшого кроку.

Всі етапи працюють разом, щоб виконувати дію клієнта.

Історія останніх кроків розмови (останні N кроки, що мають значення).
Довгострокова пам'ять клієнта (преференції, історія покупок, примітки).
Стан агента (персона, активовані навички, правила).

Всі вони походять з D1 (розподілене SQLite від Cloudflare). D1 замінив традиційний Postgres/Mongo — без сервера бази даних для зберігання, доступ до декількох ms від працівника, багатотенантність за допомогою tenant_id.

Ключовий момент: ми не завантажуємо всю розмову в prompt. Memory Manager v2 від OpenClaw (описано в нашій інтернет-документації) вибирає лише ті кроки, які мають значення для поточного кроку (останні N + N із високою семантичною важливістю). Це зберігає передбачуваний витрату токенів навіть у розмовах з 100+ кроками.

Стадія 3 — Вибір навичок (політичний двигун, ~20ms)

Кожен агент має набір навичок, які він може викликати. Приклади: consultar_calendario, criar_evento, gerar_link_pagamento, consultar_pedido, chamar_humano.

Дана повідомлення "я хочу запланувати на суботу рано вранці", політичний двигун фільтрує:

Навички, які сумісні з детектованою метою (агенда).
Навички, які дозволені для цієї фази розмови (не всі навички доступні завжди).
Навички, які включені цим клієнтом (календар з'являється лише якщо клієнт інтегрував його).

У кінці ви маєте невеликий підмножину навичок, які передаються в модель — не всі 50 можливих, лише ті 4, які мають сенс тут. Це значно зменшує можливість, що модель викликає невірну навичку.

Стадія 4 — Вирішення (зовнішній виклик LLM, 400-1200ms)

Тепер модель вступає в дію. OpenClaw робить єдиний зовнішній виклик до передової мови (Anthropic Claude, OpenAI GPT, Google Gemini — конфігурується клієнтом) з:

Системний prompt = персона агента + правила + доступні навички.
Історія = вибрані кроки в стадії 2.
Повідомлення користувача = повідомлення поточного кроку.

Модель відповідає однією з двох речей:

Окончальна відповідь (прямий текст клієнту).
Інструментовий виклик (питання виконати певну навичку з параметрами).

У прикладі "я хочу запланувати на суботу рано вранці", модель звичайно повертає:

{
  "tool": "consultar_calendario",
  "args": { "date_range": "2026-04-19 06:00 to 12:00" }
}