架构拆解：三模块协同落地，打造可自主作业的企业数字员工

不谈技术选型，只讲模块怎么搭、协同怎么顺、落地怎么稳

一、数字员工不是单兵作战，而是三块拼图

很多企业在尝试搭建数字员工时，最容易犯的错误是把所有能力塞进同一个系统——既要能理解指令，又要能查资料，还要能操作软件。结果就是系统越做越臃肿，改一个功能牵动全身，最后变成一个谁都不敢动的"铁王座"。

真正可落地、可维护、可扩展的数字员工架构，应该拆成三个独立模块：Agent（决策模块）、RAG（知识模块）、OpenClaw（执行模块）。三个模块像三个专业部门——Agent是总经办，负责判断"下一步该干嘛"；RAG是档案室，负责"查历史资料和规章制度"；OpenClaw是操作员，负责"动手做具体事"。它们各自独立运转，但通过标准接口协同工作。

二、Agent决策模块：大脑只做判断，不做执行

Agent模块的核心职责只有一个：根据当前状态，决定下一个动作。它不负责查资料，也不负责点按钮，只管"想"。

在架构设计上，Agent模块要包含三个子层：

• 意图识别层：接收用户原始输入，判断是查询、操作、还是投诉。这一层不需要复杂算法，关键词匹配加规则引擎就能覆盖80%的场景。

• 状态管理层：维护当前任务的上下文状态——执行到哪一步了、上一步返回了什么结果、还缺哪些信息。状态管理是决策准确性的基石，状态丢了，决策就是空中楼阁。

• 路由决策层：根据当前状态和意图，决定下一步调用谁——是去RAG查资料，还是让OpenClaw执行操作，还是直接回复用户，还是转人工。

这三个子层的设计原则是无状态输入、有状态输出——每次决策都基于当前完整状态快照，决策结果明确指向下一个模块或动作。这样即使某个环节出错，系统也能从上一个稳定状态恢复，不会出现"卡在半空"的尴尬。

三、RAG知识模块：资料库只管检索，不做推理

RAG模块被人误解最多——很多人以为它应该"能回答问题"，但实际上RAG的职责只是根据查询条件，返回最相关的文档片段。至于"怎么用这些片段回答问题"，那是Agent模块的事。

架构上，RAG模块要拆成"入库"和"出库"两条线：

入库管线负责把企业内部的文档、手册、工单记录、邮件等非结构化数据，处理成可检索的知识块。关键动作是"切分"和"打标"——切分决定了检索粒度（太粗则返回内容太多，太细则信息不完整），打标决定了检索精度（标签越丰富，检索时筛选就越准）。入库管线应该作为独立流程定期运行（比如每天凌晨同步一次知识库更新），不影响在线服务。

出库管线负责接收Agent发来的检索请求，返回匹配的知识块。关键设计是"召回策略"和"重排序"——召回时多取一些候选（比如取Top20），再通过重排序精选出最相关的5条返回给Agent。这套设计能平衡召回率和精度，避免"漏掉关键信息"或"被噪声干扰"。

RAG模块的黄金法则是只返回原文，不做任何改写或总结——保持信息的原始性和完整性，把加工权完全交给Agent。

四、OpenClaw执行模块：手脚只管操作，不做决策

OpenClaw模块是数字员工的"手和脚"，负责实际操作各种软件系统——打开网页、填写表单、点击按钮、调用API、读写文件。它的核心设计原则是操作步骤化，步骤可配置，配置可复用。

架构上要区分两种执行能力：

• 界面操作能力：通过浏览器自动化或操作系统API，模拟人类对图形界面的操作。关键设计是"元素定位策略"——用多套备选定位方式（ID、XPath、文本匹配、位置坐标）来应对页面变化，一套定位失败自动切换下一套，提高操作稳定性。

• 接口操作能力：通过HTTP请求或SDK调用，与有API的系统对接。接口操作比界面操作更稳定，但前提是目标系统提供了接口。设计上应该优先使用接口操作，只有在接口不可用时才退回到界面操作。

OpenClaw模块的架构精髓在于"执行校验点"——每个操作步骤前后都要设定校验条件，比如"点击保存按钮后，检查页面是否出现'保存成功'的提示"。校验通过才继续下一步，校验失败则触发告警并暂停任务，避免错误被级联放大。

五、三模块协同：握手协议决定成败

三个模块各自独立还不够，它们之间怎么握手、传什么数据、用什么样的格式，才是架构落地最关键的细节。

推荐采用"任务令牌"机制：每个任务从进入系统开始就生成一个唯一的任务令牌，所有模块在处理该任务时都携带这个令牌，并在共享的状态存储中读写任务进度。这样Agent、RAG、OpenClaw之间不直接调用彼此，而是通过状态存储来交换信息——Agent把"需要查询什么"写入状态，RAG读取后把查询结果写回，Agent再读取结果做下一步判断，决定是否调用OpenClaw。

这种"异步写入、轮询读取"的协同方式，比同步调用更健壮——某个模块暂时不可用不会导致整个链路崩溃，任务会在状态存储中等待该模块恢复后继续处理。

三模块协同的核心心法是：边界清晰，职责单一，通过状态而非接口耦合。当每个模块只做自己那一件事并且做好时，整套系统自然就拥有了自主作业的能力——因为决策有人想、资料有人查、操作有人做，而它们之间的配合靠的是一套统一的任务状态语言，不是靠哪个模块同时兼任多项职责。这样的数字员工，才真正称得上"可自主作业"。