കൺവർസേഷനൽ എഐ ഏജന്റ് എങ്ങനെ പ്രവർത്തിക്കുന്നു അകത്തിൽ നിന്ന്
OpenClaw-ലെ സംഭാഷണ ടേണിന്റെ 6 ഘട്ടങ്ങൾ — യഥാർത്ഥ ലേറ്റൻസി, സംഭാഷണത്തിന് വിലയും ഹാലുസിനേഷനെതിരായ 4 പ്രതിരക്ഷാ വരികളും.
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…
ഒരു സംഭാഷണ AI ഏജന്റ് എങ്ങനെ പ്രവർത്തിക്കുന്നു (OpenClaw ആർക്കിടെക്ചർ)
ഒരു സംഭാഷണ AI ഏജന്റ് എങ്ങനെ പ്രവർത്തിക്കുന്നു പ്രായോഗികമായി, തിരിവ് തിരിവായി? ഈ പോസ്റ്റ് OpenClaw-ന്റെ കറുത്ത പെട്ടി തുറക്കുന്നു: ക്ലയന്റിന്റെ സന്ദേശം WhatsApp-ൽ എത്തുന്ന നിമിഷം മുതൽ ഏജന്റ് തിരികെ എഴുതുന്ന വാചകം വരെ. ഇത് സാങ്കേതികമായിരിക്കും. നിങ്ങൾ ഉൽപ്പന്ന ആർക്കിടെക്ചർ തീരുമാനിക്കുന്നുവെങ്കിൽ, ഒരു പരിഹാരം വാങ്ങാൻ പോകുന്നുവെങ്കിൽ കൂടാതെ അടിത്തട്ട് വിലയിരുത്താൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, അല്ലെങ്കിൽ സംഭാഷണത്തിന് പിന്നിൽ എന്താണ് സംഭവിക്കുന്നത് എന്ന് അറിയാൻ ഇഷ്ടപ്പെടുന്നുവെങ്കിൽ ഇത് മൂല്യവത്താണ്.
TL;DR: ഓരോ തിരിവും 6 ഘട്ടങ്ങളിലൂടെ കടന്നുപോകുന്നു — ingest, contexto resolve, skills തിരഞ്ഞെടുക്കുന്നു, അടുത്ത പ്രവർത്തനം തീരുമാനിക്കുന്നു, guard-rails ഉപയോഗിച്ച് നിർവ്വഹിക്കുന്നു, മെമ്മറി നിലനിർത്തുന്നു. മുഴുവൻ സൈക്കിൾ Cloudflare-ന്റെ edge-ൽ <2 സെക്കൻഡിൽ പ്രവർത്തിക്കുന്നു, നിശ്ചിത സെർവർ ഇല്ലാതെ.
ആർക്കിടെക്ചർ എന്തുകൊണ്ട് പ്രധാനമാണ്
സംഭാഷണ ഏജന്റ് ഒരു ഡെമോയിൽ പ്രവർത്തിക്കുന്നതായി തോന്നുന്നു എന്നാൽ പ്രൊഡക്ഷനിൽ തകരുന്നു സാധാരണയായി ഈ 4 പ്രശ്നങ്ങളിൽ ഒന്ന് ഉണ്ട്:
- ഉയർന്ന ലേറ്റൻസി — ക്ലയന്റ് പ്രതികരണത്ക് 8 സെക്കൻഡ് കാത്തിരിക്കുന്നു, സംഭാഷണം മരിക്കുന്നു.
- നിയന്ത്രിത അലുസിനേഷൻ — ഏജന്റ് വില, സമയം, നയം കണ്ടുപിടിക്കുന്നു.
- നഷ്ടപ്പെട്ട സന്ദർഭം — ക്ലയന്റ് 2 ദിവസത്തിന് ശേഷം മടങ്ങുന്നു കൂടാതെ ഏജന്റ് എല്ലാം "മറക്കുന്നു".
- നിയന്ത്രിത ചെലവ് — ഓരോ നീണ്ട സംഭാഷണവും prompt നിറയ്ക്കുന്നു കൂടാതെ നിങ്ങൾ ടോക്കനിൽ ഭാഗ്യം നൽകുന്നു.
4-ഉം മോഡൽ പരിമിതികൾ അല്ല, ആർക്കിടെക്ചർ തിരഞ്ഞെടുപ്പാണ്. OpenClaw 4-ഉം ഒഴിവാക്കാൻ നിർമ്മിച്ചിരിക്കുന്നു — കൂടാതെ മനസ്സിലാക്കാനുള്ള വഴി ഒരു തിരിവിന്റെ സൈക്കിൾ നോക്കുക എന്നതാണ്.
ഒരു തിരിവിന്റെ സൈക്കിൾ (6 ഘട്ടങ്ങൾ)
ക്ലയന്റ് ഇപ്പോൾ സന്ദേശം അയച്ചു "quero marcar pra sábado de manhã". "received" കൂടാതെ ഏജന്റിന്റെ പ്രതികരണം തമ്മിൽ എന്താണ് സംഭവിക്കുന്നത്?
ഘട്ടം 1 — Ingest (edge worker, <50ms)
WhatsApp സന്ദേശം Meta webhook വഴി നേരിട്ട് ഒരു Cloudflare Worker-ൽ ഏറ്റെടുക്കുന്നു ഭൂമിശാസ്ത്രപരമായി ഏറ്റവും അടുത്ത സാന്നിധ്യ പോയിന്റിൽ (PoP). ബ്രസീലിൽ, ഇത് സാവോ പാളോ അല്ലെങ്കിൽ റിയോ അർത്ഥമാക്കുന്നു, നെറ്റ്വർക്ക് ലേറ്റൻസി < 20ms.
worker മൂന്ന് കാര്യങ്ങൾ ചെയ്യുന്നു:
- webhook ഒപ്പ് സാധൂകരിക്കുന്നു (HMAC WABA രഹസ്യത്തിനെതിരെ).
- tenant തിരിച്ചറിയുന്നു റിസീവരിന്റെ ഫോൺ നമ്പർ വഴി (multi-tenant
to_numberവഴി). - സാധാരണ ചെയ്യുന്നു payload — ഓഡിയോ ട്രാൻസ്ക്രിപ്ഷൻ ആയിത്തീരുന്നു, ചിത്രം വിവരണം ആയിത്തീരുന്നു, സ്ഥാനം
{lat,lng}ആയിത്തീരുന്നു, വാചകം അതുപോലെ തുടരുന്നു.
ഘട്ടം 1 ന്റെ അവസാനത്തിൽ നിങ്ങൾക്ക് ഒരു {tenant_id, conversation_id, user_message} ഒബ്ജെക്റ്റ് അടുത്ത ഘട്ടത്തിന് തയ്യാറാണ്.
ഘട്ടം 2 — Resolve contexto (D1 + KV, ~80ms)
ഏജന്റിന് തീരുമാനിക്കുന്നതിന് മുമ്പ് 3 സന്ദർഭ കഷണങ്ങൾ ആവശ്യമാണ്:
- സംഭാഷണത്തിന്റെ സമീപകാല ചരിത്രം (അവസാനത്തെ N പ്രাസംഗികമായ തിരിവുകൾ).
- ക്ലയന്റിന്റെ ദീർഘകാല മെമ്മറി (മുൻഗണനകൾ, വാങ്ങൽ ചരിത്രം, കുറിപ്പുകൾ).
- ഏജന്റിന്റെ അവസ്ഥ (വ്യക്തിത്വം, സജ്ജീകരിച്ച കഴിവുകൾ, നിയമങ്ങൾ).
എല്ലാം D1 ൽ നിന്നാണ് വരുന്നത് (Cloudflare ന്റെ വിതരണം ചെയ്ത SQLite). D1 പരമ്പരാഗത Postgres/Mongo ന് പകരം വരുന്നു — ഒരു ഡാറ്റാബേസ് സെർവർ നിലനിർത്തേണ്ടതില്ല, വർക്കർ ൽ നിന്ന് കുറച്ച് ms ൽ ആക്സസ്, tenant_id വഴി മൾട്ടി-ടെനന്റ്.
പ്രധാന പോയിന്റ്: നമ്മൾ സമ്പൂർണ്ണ സംഭാഷണം പ്രോമ്പ്റ്റിലേക്ക് ലോഡ് ചെയ്യുന്നില്ല. OpenClaw ന്റെ Memory Manager v2 (നമ്മുടെ ആന്തരിക ഡോക്യുമെന്റേഷനിൽ വിവരിച്ചിരിക്കുന്നത്) നിലവിലെ തിരിവിന് പ്രാസംഗികമായ തിരിവുകൾ മാത്രം തിരഞ്ഞെടുക്കുന്നു (അവസാനത്തെ N + സെമാന്റിക് പ്രാസംഗികതയുടെ N). ഇത് 100+ തിരിവുകളുള്ള സംഭാഷണങ്ങളിലും ടോക്കൻ ചെലവ് പ്രവചനീയമായി നിലനിർത്തുന്നു.
ഘട്ടം 3 — കഴിവുകളുടെ തിരഞ്ഞെടുപ്പ് (നയ എഞ്ജിൻ, ~20ms)
ഓരോ ഏജന്റിനും ലഭ്യമായ കഴിവുകളുടെ ഒരു സെറ്റ് ഉണ്ട് — അവർ ഉദ്ധരിക്കാൻ കഴിയുന്ന ഫംഗ്ഷനുകൾ. ഉദാഹരണങ്ങൾ: consultar_calendario, criar_evento, gerar_link_pagamento, consultar_pedido, chamar_humano.
"quero marcar pra sábado de manhã" എന്ന സന്ദേശം നൽകിയാൽ, നയ എഞ്ജിൻ ഫിൽട്ടർ ചെയ്യുന്നു:
- കണ്ടെത്തിയ ഉദ്ദേശ്യത്തിന്റെ (ഷെഡ്യൂളിംഗ്) അനുയോജ്യമായ കഴിവുകൾ.
- സംഭാഷണത്തിന്റെ ഈ ഘട്ടത്തിന് അനുമതിയുള്ള കഴിവുകൾ (എല്ലാ സമയത്തും എല്ലാ കഴിവുകളും ലഭ്യമല്ല).
- ഈ ടെനന്റ് സജ്ജീകരിച്ച കഴിവുകൾ (കാലെൻഡർ ടെനന്റ് സംയോജിപ്പിച്ചാൽ മാത്രം ദൃശ്യമാണ്).
അവസാനത്തിൽ നിങ്ങൾക്ക് മോഡലിലേക്ക് കടത്തിവിടുന്ന കഴിവുകളുടെ ഒരു ചെറിയ ഉപസെറ്റ് ഉണ്ട് — സാധ്യമായ 50 അല്ല, ഇവിടെ അർത്ഥമുള്ള 4 മാത്രം. ഇത് മോഡൽ തെറ്റായ കഴിവ് ഉദ്ധരിക്കാനുള്ള സാധ്യത വളരെ കുറയ്ക്കുന്നു.
ഘട്ടം 4 — തീരുമാനം (LLM കോൾ, 400-1200ms)
ഇപ്പോൾ മോഡൽ പ്രവേശിക്കുന്നു. OpenClaw ഒരു അതിർത്തി LLM ലേക്ക് ഒരൊറ്റ കോൾ ചെയ്യുന്നു (Anthropic Claude, OpenAI GPT, Google Gemini — ടെനന്റ് പ്രകാരം കോൺഫിഗറേബിൾ):
- സിസ്റ്റം പ്രോമ്പ്റ്റ് = ഏജന്റിന്റെ വ്യക്തിത്വം + നിയമങ്ങൾ + ലഭ്യമായ കഴിവുകൾ.
- ചരിത്രം = ഘട്ടം 2 ൽ തിരഞ്ഞെടുത്ത തിരിവുകൾ.
- ഉപയോക്താ സന്ദേശം = നിലവിലെ തിരിവിന്റെ സന്ദേശം.
മോഡൽ രണ്ടിൽ ഒന്ന് പ്രതികരിക്കുന്നു:
- അന്തിമ പ്രതികരണം (ക്ലയന്റിന് നേരിട്ടുള്ള വാചകം).
- ടൂൾ കോൾ (നിർദ്ദിഷ്ട കഴിവ് പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് നിർവ്വഹിക്കാനുള്ള അഭ്യർത്ഥന).
"quero marcar pra sábado de manhã" ഉദാഹരണത്തിൽ, മോഡൽ സാധാരണയായി നൽകുന്നത്:
{
"tool": "consultar_calendario",
"args": { "date_range": "2026-04-19 06:00 to 12:00" }
}
ഘട്ടം 5 — ഗാർഡ്-റെയിലുകൾ ഉപയോഗിച്ച് നിർവ്വഹണം (വേരിയബിൾ, ~100-500ms)
കഴിവ് മോഡലിൽ പ്രവർത്തിക്കുന്നില്ല. ഇത് നമ്മുടെ കോഡിൽ പ്രവർത്തിക്കുന്നു, അത്:
- പാരാമീറ്ററുകൾ സാധൂകരിക്കുന്നു (date_range ശരിയായ ഫോർമാറ്റിലുണ്ടോ? കിരാളത്തിന്റെ നിയമങ്ങൾക്കുള്ളിലുണ്ടോ?).
- അനുമതി പരിശോധിക്കുന്നു (ഈ ഏജന്റിന് ഈ കലണ്ടർ കൺസൾട്ട് ചെയ്യാനുള്ള അധികാരമുണ്ടോ?).
- കോൾ എക്സിക്യൂട്ട് ചെയ്യുന്നു (ഈ കേസിൽ Google Calendar API).
- ഘടനാപരമായ ഫലം മോഡലിലേക്ക് തിരികെ നൽകുന്നു.
ഇത് എന്തുകൊണ്ട് പ്രധാനമാണ്? കാരണം മോഡൽ ഒരിക്കലും ഫലം കെട്ടിച്ചമയ്ക്കുന്നില്ല. കലണ്ടർ [10h, 11h] തിരികെ നൽകിയാൽ, അത് കൃത്യമായി അടുത്ത കോളിലേക്ക് പോകുന്നു. സ്കിൽ പരാജയപ്പെട്ടാൽ, മോഡൽ അത് പരാജയപ്പെട്ടെന്ന് അറിയുന്നു. ഏജന്റ് "കണ്ടുപിടിക്കുന്ന" സമയം 9h ലുണ്ടെന്ന് പറയാനുള്ള പൂജ്യം അപകടം.
സംവേദനശീലമായ വിവരങ്ങൾ (വില, സമയപരിധി, ക്ലയന്റ് പേര്) ഉൾപ്പെടുന്ന കേസുകൾക്കായി, പൈപ്പ്ലൈൻ tool call നിർബന്ധിതമാക്കുന്നു — മോഡലിനെ സ്വന്തം "അറിവിൽ" നിന്ന് ഉത്തരം നൽകാൻ അനുവദിക്കുന്നില്ല. ഇത് വാണിജ്യ ഏജന്റുകളിൽ ഏറ്റവും സാധാരണമായ ഹാലുസിനേഷൻ ക്ലാസ് ഇല്ലാതാക്കുന്നു.
ഘട്ടം 6 — പ്രതികരണം കൂടാതെ സ്ഥിരത (~50ms)
സ്കിൽ ഫലം കൈയിലുണ്ടായതോടെ, മോഡൽ രണ്ടാമത്തെ കോൾ നടത്തുന്നു — ഇപ്പോൾ ക്ലയന്റിന് അന്തിമ പ്രതികരണം രൂപപ്പെടുത്താൻ. ഉദാ:
"എനിക്ക് ശനിയാഴ്ച 10h കൂടാതെ 11h ഉണ്ട്. നിങ്ങൾ ഏതാണ് ഇഷ്ടപ്പെടുന്നത്?"
സമാന്തരമായി, വർക്കർ:
- WhatsApp API വഴി സന്ദേശം തിരികെ അയയ്ക്കുന്നു.
- പൂർണ്ണ ടേൺ (user + assistant + tool calls + കാലാവധി) D1 ൽ സ്ഥിരപ്പെടുത്തുന്നു.
- ടേൺ പുതിയ വസ്തുത ഉത്പാദിപ്പിച്ചാൽ ദീർഘകാല മെമ്മറി അപ്ഡേറ്റ് ചെയ്യുന്നു (ഉദാ: "ക്ലയന്റ് ശനിയാഴ്ച ഇഷ്ടപ്പെടുന്നു").
- നിരീക്ഷണ ഇവന്റ് പുറപ്പെടുവിക്കുന്നു (ലേറ്റൻസി മെട്രിക്, ടോകൻ കോസ്റ്റ്, എസ്കലേഷൻ നിരക്ക്).
ഇതെല്ലാം സമാന്തരമായി പ്രവർത്തിക്കുന്നു. സ്ഥിരത സന്ദേശ അയയ്ക്കൽ തടയുന്നില്ല — ക്ലയന്റ് D1 കാത്തിരിക്കുന്നില്ല.
ഹാലുസിനേഷനെതിരായ പ്രതിരോധം എവിടെയാണ്
ഉത്പാദനത്തിൽ ഹാലുസിനേറ്റ് ചെയ്യുന്ന ഏജന്റ് വേഗത്തിൽ വിശ്വാസം നഷ്ടപ്പെടുന്നു. OpenClaw ന് 4 പ്രതിരോധ ലൈനുകൾ ഉണ്ട്:
- സത്യത്തിന്റെ ഉറവിടം നിർബന്ധിതമാണ്. വസ്തുതാപരമായ ഡാറ്റ (വില, സമയം, പേര്) എല്ലായ്പ്പോഴും സ്കിൽ നിന്ന് വരുന്നു, മോഡൽ മാത്രം നിന്നല്ല.
- സംവേദനശീലമായ ഡാറ്റയിൽ ഇരട്ട പരിശോധന. അജണ്ടമെന്റ് സ്ഥിരപ്പെടുത്തുന്നതിന് മുമ്പ് ക്ലയന്റ് സ്ഥിരീകരിക്കുന്നു. പേയ്മെന്റ് ആക്സസ് പ്രകാശിപ്പിക്കുന്നതിന് മുമ്പ് സ്ഥിരീകരിക്കുന്നു.
- വ്യക്തമായ നെഗറ്റീവ് നിയമങ്ങൾ. ഓരോ ഏജന്റിന്റെയും പേഴ്സോണയിൽ "X, Y, Z കെട്ടിച്ചമയ്ക്കരുത്" ഉൾപ്പെടുന്നു — മോഡൽ അനുസരിക്കുന്നു.
- മനുഷ്യനിലേക്കുള്ള ഫാൾബാക്ക്. ഒരു സ്കിലും ചോദ്യം കവർ ചെയ്യാത്തപ്പോൾ, ഏജന്റ്
"എനിക്ക് ടീമിനോട് പരിശോധിക്കാം"പറയുകയും ടിക്കറ്റ് തുറക്കുകയും ചെയ്യുന്നു — ഊഹം കൂട്ടുന്നില്ല.
കഴിഞ്ഞ 6 മാസത്തിൽ നടത്തിയ ഓഡിറ്റുകളിൽ (യഥാർത്ഥ സംഭാഷണങ്ങൾ സ്വമേധയാ പരിശോധിച്ചത്), വസ്തുതാപരമായ ഹാലുസിനേഷൻ നിരക്ക് 0.3% ടേണുകൾക്കും താഴെ നിലനിന്നു — കൂടാതെ ഏതാണ്ട് എല്ലാ കേസുകളും കോൺഫിഗ് (കിരാളം പ്രাസംഗികമായ സ്കിൽ സജ്ജമാക്കാൻ മറന്നു) ആയിരുന്നു, മോഡൽ പിശക് അല്ല.
സംഭാഷണത്തിന്റെ വില
നല്ല ആർക്കിടെക്ചർ അദൃശ്യമാണ് നിങ്ങൾ ബിൽ നോക്കുന്നതുവരെ. ഓരോ ടേൺ 1-2 LLM കോളുകൾ + D1-ൽ ലുക്കപ്പുകൾ ചെയ്യുന്നതിനാൽ, സമ്പൂർണ്ണ സംഭാഷണത്തിന് (10-15 ടേൺ) സാധാരണ ചിലവ് ഇതായിരിക്കും:
Equipe OpenClaw
പ്രസിദ്ധീകരിച്ചത് 2026 ജൂൺ 3
