专题演讲嘉宾：孟洪进

2026 年初，团队基于开源 Agent 框架 OpenClaw 启动 Seal 项目，核心选型逻辑：OpenClaw 具备多通道接入、技能（Skill）生态扩展、多 Agent 编排及企业级安全隔离能力。团队在此基础上完成内部系统打通、SSO 鉴权适配、LLM Gateway 路由接入及 Skill Hub 建设。在技术架构上，Seal 实现了万级 Agent 实例的大规模并发调度，通过容器化隔离保障多租户安全，同时引入无损上下文裁剪机制有效控制推理成本。已完成全公司覆盖，成为小红书员工日常办公的核心 AI 入口。

演讲提纲：

• 背景与挑战
  • 小红书"小公司大 APP"的特殊性：员工精简但职能复杂，HR/法务/商业化/研发需求各异
  • 2026 年初的判断：OpenClaw 爆发，市面大量企业还在讨论"能不能用"，我们已经在跑了
  • 各职能自建 Bot，形成孤岛，无法复用
  • 缺乏统一的企业级安全管控
• 选型与架构决策
  • 为什么选 OpenClaw 而不是自研？
    • OpenClaw 核心优势：多通道接入（Hi/飞书/Web）+ Skill 标准化 + 多 Agent 编排 + 社区生态
    • 一周内完成内测上线
  • 架构关键设计决策：
    • LLM Gateway 统一路由：多云多模型
    • 容器化多租户隔离：每人一个 Agent 实例
    • SSO 打通：内部系统认证不另做，复用公司 SSO，Seal 的工具调用直接携带员工身份
• Skill Hub 建设：从平台到生态
  • Skill 的本质：把人的经验变成可复用的 Agent 能力
  • 任何员工都能写 Skill，不需要懂代码
• 规模化的工程挑战
  • 上下文成本控制
    • 问题：长对话 + 多工具调用，单次对话 token 消耗超预期
    • 方案：参考 JVM GC 机制做无损上下文裁剪——识别低价值的历史 tool call result，压缩摘要而非截断，保留关键决策节点。同时通过auto路由能力，高性价比模型承接简单任务。
    • 效果：成本降低约 50%
  • 万级实例调度
  • 安全
• 下一步：下一代 Agent 的思考

听众收益：

• 基于 OpenClaw 构建企业级 AI 个人助理的成功经验，了解如何构建大规模 Agentic Agent 产品