为什么现有基础设施扛不住？
在智能体系统之前，网关的工作很单纯：转发 HTTP 请求，做做限流、鉴权，就能搞定。但现在的智能体工作流完全是另一回事：
传统需求
智能体新需求
短连接 Request/Response
持续推理循环
静态 API 路由
状态持久化
HTTP 协议
A2A 协议 + MCP 虚拟化
限流就行
模型上下文协议管理
传统的 API 网关无法感知这些需求，这就是 AgentGateway 出现的背景。
▌ 架构边界：云边协同的分层拓扑
AgentGateway 和 OpenClaw.NET 的职责分工非常清晰：
AgentGateway (AAIF 托管)
运行在企业网络外网边界或服务网格边缘
统一接管南北向流量以及跨多域的东向流量
xDS 控制平面，支持无中断动态更新
500k QPS，P99 延迟 < 0.2 毫秒
OpenClaw.NET (AgentQi 运行时)
运行在宿主机或边缘计算节点
专注于智能体实例生命周期、本地私有通道适配、物理工具沙箱执行
NativeAOT 原生编译，极低内存与启动开销
默认拒绝非本地环回绑定，强制执行本地沙箱约束
在实际部署中，AgentGateway 作为企业级大脑通过 xDS 动态下发路由策略；而运行在边缘虚拟机或标准工作站上的 OpenClaw.NET 实例，通过 Tailscale 建立的私有网或本地环回地址隐蔽运行，由 AgentGateway 代理其所有对外交互，从而规避了直接将智能体端口暴露给公网的网络风险。
▌ 微观架构：能力车道设计
OpenClaw.NET 的 NativeAOT 优化通过「能力车道」实现：
核心车道 (Core Lane) —— NativeAOT 极致性能
基本运行时循环、本地网关、CLI、OpenAI 兼容底层 API
可选车道 (Optional Lane) —— 按需加载
浏览器适配、MQTT 协议、通道适配器、工作流后端
实验车道 (Experimental Lane) —— 验证后合并
本地嵌入式模型侧车、适配器包装
JIT-only 车道 —— 动态插件专用
动态插件通道、动态命令钩子、.NET 动态插件
设计精髓：核心车道永远保持 NativeAOT 纯粹，实验功能单独隔离，验证通过后再合并——这才是企业级该有的严谨。
▌ 协议深度交织：A2A + MCP 的双向打通
A2A 协议的动态注册与地址重写
当 OpenClaw.NET 启动时，它会：
生成智能体卡片（Agent Card）：JSON 格式声明 C# 本地技能、执行边界、交互通道
定期心跳注册：带 TTL 的租约时间，挂载到 AgentGateway 动态目录
地址重写：网关将内网端点自动映射为公共安全代理端点
MCP 虚拟化与并发扇出性能优化
痛点：传统客户端顺序轮询 n 个 MCP 服务器，延迟线性累加。
AgentGateway 解法：并发扇出 + Fail-Open 降级
将分布在企业内部的多级 MCP 工具服务器联邦化为虚拟单一入口点
利用 Rust 异步并发机制实现高效并发扇出
当个别上游 MCP 服务器响应缓慢或宕机时，健康的工具服务仍能瞬间响应
效果：延迟从线性累加压缩到最慢那个决定全局速度。
▌ 双重零信任安全防御
2026 年初的 CVE-2026-25253 漏洞暴露了超过 17,500 个在线实例——这是血的教训。
边界安全：AgentGateway 拦截层
所有流入流量必须经过三层清洗：
强身份验证：JWT / OAuth 2.0 / API Key / mTLS，基于 CEL 引擎编写细粒度 RBAC 规则
主动多层护栏：正则敏感词过滤 + OpenAI Content API + AWS Bedrock Guardrails + Google Model Armor
预算与速率限制：智能体级别调用配额和 API 计费预算墙
运行时控制：OpenClaw.NET 被动马具
被动马具治理模式的核心组件：
被动马具合约：智能体在启动高风险工具调用前，必须在内存中构建可供审计的静态工作计划
共享马具状态：协调多智能体系统中的数据读写集、前提假设和冲突检测
被动证据包：自动捕获执行现场的上下文、系统输入快照及潜在风险评级
被动治理账本：涉及高敏感逻辑时进入计划-执行-验证模式，挂起等待人类审批
关键创新：被动意味着智能体自己不知道会被审计——所有行为都被事后存证，但执行不会停下来。
▌ 混合计算拓扑：端云协同
端侧推理：OpenClaw.NET 本地能力
集成 Ollama，直接拉起 Gemma 4 等中小型开源模型
多模态投影器，零外网带宽消耗的边缘多模态理解
支持 E2B、E4B、31B 等 GGUF 格式量化版本
云端分流：AgentGateway 动态路由
当端侧算力不足时，无缝卸载给云端：
算力感知路由：实时采集 GPU 显存占用、KV Cache 深度、动态 LoRA 适配器加载状态
跨服务商平滑切换：OpenAI / Claude / Gemini / Azure / 自托管，故障自动转移
这完美契合了微软 Build 2026 提出的端云智能体战略。
▌ 统一可观测性：全链路分布式追踪
当异常发生时，如何定位问题？
用户指令注入 → OpenClaw.NET 端侧 (创建 Trace Parent Span) → AgentGateway 网关 (解包 + 注入 Child Span) → 云端 GPU 推理 (思维链推理耗时) → 返回端侧执行 (完整分布式拓扑轨迹)
所有节点的 Trace ID 保持强一致，运维大屏上一目了然。
▌ 协同部署演进路径
阶段
动作
目标
1
边界隔离
AgentGateway 部署为 K8s Ingress
2
端侧存证
OpenClaw.NET 启用被动马具治理
3
多维联邦
MCP 工具服务器虚拟化联邦
▌ 结语
AgentGateway + OpenClaw.NET 这套组合，本质上是把云原生的高并发与 .NET 的本地操控力做了深度融合。一个主外、一个主内，一个负责全局治理、一个专注高安全执行——这才是企业级智能体网络架构该有的样子。
随着 AAIF 标准化工作推进，未来 AgentGateway 与 OpenClaw.NET 的后继版本将进一步加深在 A2A 协议和多模态端侧协同上的契合度。一句话总结：边界过滤 + 端侧存证 + 多维联邦，这套架构为企业级智能化自动生产力的安全释放奠定了坚实的技术基石。