nanobot是香港大学开源的轻量级AI Agent框架，仅4k多行代码就实现了clawbot的核心功能。相比传统框架，nanobot具有代码量少、易扩展、支持本地vllm模型等优势，能够有效节省成本。本文将从实践体验和代码原理两个维度，深入解析这个简洁而强大的AI Agent实现方案。
智能速览
nanobot仅4k多行代码，实现clawbot核心功能，轻量高效
支持本地vllm模型部署，可充分利用本地算力节省成本
采用ReAct模式，支持工具自动调用和迭代执行
实现双层记忆架构，智能管理对话历史和长期记忆
模块化设计，易于扩展工具、渠道和LLM提供者
支持多种聊天渠道，包括Telegram、Discord、飞书等
精华内容
nanobot通过精简的架构设计，在保持功能完整性的同时大幅降低了复杂度。其核心思想是用最少的代码实现AI Agent的基本能力，同时提供良好的扩展性，让开发者能够快速构建自己的智能助手。
核心架构设计
nanobot采用消息驱动架构，通过MessageBus连接各个组件。主要包含AgentLoop核心处理引擎、ContextBuilder上下文构建器、MemoryStore记忆系统、ToolRegistry工具注册表等模块。系统支持Gateway和Agent两种运行模式，Gateway模式适合多渠道部署，Agent模式适合直接交互。整个架构清晰分层，各模块职责明确，便于理解和扩展。
ReAct执行机制
AgentLoop实现了ReAct（Reasoning+Acting）模式的简化版本。LLM可以交替进行推理和工具调用，直到完成任务或达到最大迭代次数（默认20次）。每次工具调用结果都会添加到消息上下文中，供后续迭代使用。系统还添加了反思提示，引导LLM决定下一步操作。这种机制让AI Agent能够自主完成任务链，支持复杂的多步操作。
智能记忆管理
nanobot实现双层记忆架构：MEMORY.md存储长期事实记忆，每次覆盖写入并注入到系统提示；HISTORY.md记录对话历史日志，支持grep搜索。当消息数超过memory_window（默认50条）时触发记忆整合，调用LLM总结对话并更新记忆文件。这种设计既保持了上下文连续性，又控制了token消耗，实现了增量式记忆管理。
工具系统实现
工具系统采用注册模式，支持动态加载和管理。内置文件系统工具（Read、Write、Edit等）、Shell工具（Exec）、网络工具（WebSearch、WebFetch）、消息工具等。工具继承BaseTool基类，实现execute方法即可。系统支持工具参数验证和OpenAI函数调用格式转换。开发者可以轻松添加自定义工具，扩展Agent的能力边界。
本地模型部署
nanobot支持通过vllm部署本地模型，节省API调用成本。部署时需添加–enable-auto-tool-choice --tool-call-parser hermes参数，让模型动态决定何时使用工具。测试使用cyankiwi/Qwen3-VL-8B-Instruct-AWQ-4bit模型，可正常执行工具调用和任务处理。本地部署不仅降低成本，还能更好地控制数据和隐私。
扩展开发指南
nanobot提供清晰的扩展机制。添加新工具只需继承BaseTool并注册；添加新渠道继承Channel基类实现；添加新LLM提供者继承LLMProvider。技能系统支持动态加载，可通过SKILL.md文件定义Agent能力。项目还支持子代理管理，可处理复杂后台任务。这种模块化设计让开发者能根据需求灵活定制功能。
nanobot以其简洁的设计和强大的扩展性，为AI Agent开发提供了新的思路。它证明了用少量代码就能实现核心功能，同时保持良好的可维护性。随着项目持续完善，特别是对MCP和OpenClawHub的支持增强，nanobot有望成为轻量级AI Agent开发的优秀选择。对于想要深入了解Agent原理或快速构建原型工具的开发者来说，这是一个值得探索的项目。
