OpenClaw 的「文件优先」设计
OpenClaw 做了一个关键的架构选择：整个上下文就是你电脑上的文件系统。对话历史是文件（MEMORY.md），用户画像是文件（USER.md），Agent 的人格设定是文件（SOUL.md），每日记录是按日期命名的文件（memory/YYYY-MM-DD.md）。连接 Gmail 后，邮件变成文件；连接 Eight Sleep 后，睡眠数据也变成文件。
这个设计为什么有效？原因分三层来看。
LLM 天生就懂文件系统。 这一点经常被忽略。Claude、GPT 这些大模型在数十亿行代码上训练过，ls、cat、grep、find 对它们来说是母语级操作，不是后天学的工具调用。Vercel 工程团队实测发现，基于文件系统的 Agent 方案将每次调用成本从约 $1.00 降到了约 $0.25——根本原因是文件操作比复杂工具链更贴合模型的认知结构。
文件系统天然是 append-only 日志。 Claude Code 就是一个现成的例子：它把所有会话存储为 ~/.claude/projects/ 下的 JSONL 文件，每条消息、工具调用、文件编辑、决策推理都逐行追加。不需要索引失效管理，不需要同步机制，不存在冷启动问题，调试的时候 cat 一下就行。
数据越多，Agent 越强。 文件系统构成了一个正反馈回路：连接的数据源越多、积累的文件越多，Agent 可用的上下文就越丰富，决策质量就越高，用户也就越愿意接入更多数据源。这本质上是网络效应，只不过作用于个人数据层面。
从个人场景到企业场景的跳跃
如果把这个思路往企业方向推演，会发现两个很有意思的映射。
权限即组织架构。 Unix 文件权限天然可以映射到企业的层级结构——初级律师对自己的案件有读写权限，合伙人对所有人的案件都有访问权。治理结构就是 chmod 和 chown。这个类比当然有简化的成分，但它点出了一个真实的技术痛点：企业 AI Agent 最头疼的往往不是「模型不够聪明」，而是「权限管理太复杂」。每个系统有自己的 ACL、RBAC、ABAC 体系，跨系统的统一权限几乎不存在。而文件系统的权限模型，是所有工程师从入行第一天就理解的东西。
消灭数据孤岛。 企业 AI Agent 落地最大的障碍，往往不是技术能力，而是数据散落在十几个 SaaS 系统里——发票在 QuickBooks，邮件在 Outlook，提案在 SharePoint，合同在 NetSuite，根本没有一个共享的命名空间来访问所有数据。「把公司建模为文件系统」本质上就是在构建这个统一命名空间：不管数据来自哪个系统，最终都变成 /billing/、/contracts/、/emails/ 下的文件。Agent 有了完整上下文，才有可能做出靠谱的决策。
对独立开发者的启示
对于正在搭建 AI Agent 或自动化工作流的独立开发者来说，这个思路的实操价值很直接：与其花大量时间去对接各种 API 和构建复杂的工具链，不如先把数据统一落盘为文件，让 Agent 用它最擅长的方式——读写文件——来完成工作。可以从 OpenClaw 的实践开始试起，把你的邮件、笔记、日程先文件化，观察 Agent 在拥有更完整上下文后的表现变化。文件系统这个看似古老的抽象，可能恰恰是 Agent 时代最实用的基础设施。