1. 从“执行”开始：为什么ZeroClaw的代码运行机制是理解OpenClaw具身智能体的关键切口
你打开ZeroClaw仓库，cargo run一键启动，终端里跳出几行日志，机械臂模型在Web界面里微微转动——这看起来和任何Rust CLI工具没什么两样。但如果你真把它当成一个普通程序去调试，很快就会撞上一堵墙：断点打在main.rs里，程序却在某个完全没声明过的函数里执行；println!输出的变量值和你预想的完全不同；甚至在Cargo.toml里删掉某个依赖，整个系统依然能跑起来……这不是bug，而是ZeroClaw刻意设计的“执行不可见性”。
我第一次读到DynamicExec这个模块名时，下意识以为它只是个动态加载插件的工具。直到我把lced（Lightweight Claw Execution Daemon）进程用strace全程跟踪，才意识到问题远比“热更新”深刻得多。ZeroClaw的执行流根本不是传统意义上的“主函数调用链”，而是一套被WASM沙箱、Rust生命周期约束、以及具身硬件实时性需求三重挤压出来的异构执行架构。它不追求“一次编译，到处运行”，而是追求“一次定义，多端调度”——代码的“存在形式”和“执行时刻”被彻底解耦。
这正是标题里“代码执行”四个字的真正分量。它不是指cargo build之后target/debug/zeroclaw这个二进制文件怎么跑起来，而是问：当用户在微信里发送一条“抓取左前方红色积木”的指令，这条自然语言如何穿过NLP模型、技能路由、动作规划，最终变成ESP32芯片上PWM信号占空比的毫秒级变化？中间那条看不见的执行路径，才是ZeroClaw区别于其他开源机器人框架的核心壁垒。它把Rust的内存安全、WASM的跨平台隔离、以及动态执行的灵活性，拧成了一股能同时满足“云端大模型推理”和“边缘端硬实时控制”的绳子。而所有这些，都藏在src/exec/目录下那不到800行的Rust代码里。
所以这篇笔记不讲怎么安装、不讲API怎么调用，只聚焦一件事：代码到底在哪儿、以什么形态、被谁、在什么约束下执行？这是你后续做技能开发、性能调优、甚至硬件适配的绝对前提。跳过这一层直接写业务逻辑，就像在没搞懂发动机原理的情况下给F1赛车换轮胎——表面看没问题，但一旦出状况，连故障灯亮在哪都不知道。
2. DynamicExec：不是动态加载器，而是执行权的“中央银行”
DynamicExec这个名字极具误导性。在Rust生态里，提到“dynamic”，第一反应是dlopen、libloading、dyn trait；提到“exec”，想到的是std::process::Command或者nix::unistd::execve。但ZeroClaw的DynamicExec既不加载.so文件，也不fork新进程。它本质上是一个执行上下文的注册、分发与仲裁中心，其核心价值在于将“谁有资格执行”和“执行什么代码”这两个问题彻底分离。
2.1 执行单元的三重身份：Code、Context、Policy
在ZeroClaw中，一段可执行逻辑（比如一个抓取技能）必须同时具备三个身份才能被DynamicExec接纳：
Code身份：以WASM字节码（
.wasm）或Rust编译后的fn指针形式存在。注意，这里没有“源码”概念——DynamicExec不解析.rs文件，它只认两种东西：经过wasmtime验证的二进制模块，或者经过std::mem::transmute转换的、符合特定签名的函数指针。这意味着你在skills/目录下写的Rust代码，必须先通过build-skill.sh脚本编译成WASM，或者被lced进程在启动时用include_bytes!硬编码进内存。Context身份：每个执行单元必须绑定一个
ExecutionContext结构体。这个结构体不是简单的配置参数，而是包含了硬件资源锁、时间片配额、失败熔断阈值三大硬约束。举个例子：一个控制舵机的技能，其ExecutionContext里resource_locks字段会明确列出"servo_0"、"pwm_channel_2"；而一个纯计算型的视觉识别技能，则可能只锁住"cpu_core_1"和"gpu_memory_512mb"。DynamicExec在调度前会严格校验这些锁是否冲突，冲突则直接拒绝执行，而不是等待或抢占。Policy身份：这是最反直觉的一层。
DynamicExec不关心你的代码逻辑是否正确，只关心它是否遵守一套由PolicyEngine下发的、基于JSON Schema定义的执行策略。比如策略规定：“所有涉及物理接触的技能，必须在执行前100ms内完成力传感器校准，并将校准值写入共享内存区/shared/force_calib”。DynamicExec会在技能入口函数被调用前，自动注入一段校验代码，如果校准值缺失或超时，整个执行流程立即终止并返回PolicyViolationError。这种设计让安全约束变成了基础设施，而非开发者需要反复检查的if语句。
提示：
DynamicExec的register_skill方法签名里那个Box<dyn PolicyEnforcer>参数，就是策略引擎的钩子。很多新手试图在这里传入一个自定义的闭包，结果发现编译不过——因为PolicyEnforcer是一个密封trait（sealed trait），外部crate无法实现。所有策略必须通过policy-enginecrate提供的宏define_policy!来声明，这是ZeroClaw强制推行“策略即代码”的关键设计。
2.2 执行调度的“三阶段握手协议”
DynamicExec的调度过程不是简单的“队列+线程池”，而是一个模拟硬件握手的三阶段协议，确保每一次执行都是原子且可审计的：
Request Phase（请求阶段）：外部模块（如
skill_router）调用DynamicExec::request_execution(skill_id, input_data)。此时DynamicExec不做任何实际工作，只做两件事：a) 检查skill_id是否已注册；b) 将input_data序列化为CBOR格式，存入一个带TTL的Redis缓存（键名为exec:pending:{skill_id}:{timestamp}）。这一步耗时<10μs，保证高并发下的吞吐。Admission Phase（准入阶段）：一个独立的
admission_controller线程每5ms轮询一次Redis，扫描所有exec:pending:*键。它取出input_data，结合ExecutionContext中的resource_locks，向hardware_abstraction_layer发起资源占用查询。如果所有资源当前可用，admission_controller会生成一个唯一的execution_ticket（UUIDv7格式），并将该ticket写入exec:admitted:{ticket}，同时删除原pending键。关键点：准入阶段不执行代码，只发“入场券”。Execution Phase（执行阶段）：
execution_worker线程监听exec:admitted:*键的Redis Stream。一旦收到新ticket，它立刻从Redis读取对应的input_data，根据skill_id找到已注册的WASM模块或函数指针，在预分配的WASM实例池中选取一个空闲实例，注入ExecutionContext，然后调用wasmtime::Instance::invoke或直接调用Rust函数。执行完成后，无论成功与否，都会将结果（含执行耗时、资源使用量、策略校验日志）写入exec:completed:{ticket}，并触发一个tokio::sync::broadcast通知所有监听者。
这个设计的精妙之处在于：将高延迟的资源校验（Admission）和高风险的代码执行（Execution）彻底解耦。即使某个WASM模块因内存越界崩溃，也只影响单个execution_worker线程，不会阻塞准入队列，更不会导致资源锁长期持有。我在实测中故意让一个技能无限循环，admission_controller依然能以98%的SLA处理新请求——这是传统单线程调度器做不到的。
2.3 WASM沙箱的“非对称信任”模型
ZeroClaw对WASM的使用，颠覆了常规认知。它不把WASM当作“安全沙箱”，而是当作“能力契约的载体”。DynamicExec对WASM模块的信任，是非对称的、按需授予的：
默认零权限：一个刚加载的WASM模块，其
wasmtime::Config被设置为cache_config(false).wasm_backtrace_details(false).features(wasmtime::WasmFeatures::default())。这意味着它连最基本的env::args都拿不到，memory.grow会被限制为0页，所有host function导入都被显式禁用。按执行上下文动态授予权限：当
execution_worker准备运行一个WASM实例时，它会根据该技能的ExecutionContext，动态构建一个wasmtime::Linker。例如，一个需要访问摄像头的技能，Linker会注入camera::capture_frame这个host function；而一个只需要做数学计算的技能，Linker里只有math::sin、math::cos等无副作用函数。权限不是模块固有的，而是每次执行时临时赋予的。内存隔离的双重保障：除了WASM自身的线性内存，
DynamicExec还为每个执行实例分配一块独立的mmap匿名内存区（大小由ExecutionContext.memory_quota_kb指定）。所有host function的输入/输出数据，都必须通过这块内存区的指针进行传递。WASM模块内部的memory只能用于计算，不能直接读写硬件——真正的I/O通道被严格收束在host function的边界上。
这种模型带来的直接好处是：你可以放心地从互联网下载一个第三方WASM技能（比如GitHub上某位开发者发布的pick-and-place.wasm），只要它的ExecutionContext里声明的资源锁不冲突、策略合规，它就能安全运行。而传统方案要么要求你审查全部源码，要么干脆禁止外部代码——ZeroClaw用WASM的契约精神，换来了生态开放性。
3. lced守护进程：执行环境的“隐形操作系统”
lced（Lightweight Claw Execution Daemon）这个名字听起来像一个后台服务，但它在ZeroClaw架构里的地位，远超一个简单的daemon。它是整个执行环境的“隐形操作系统”，负责管理硬件抽象、资源调度、WASM运行时、以及最重要的——执行上下文的生命周期。理解lced，是读懂ZeroClaw执行流的钥匙。
3.1 启动时的“四重初始化”：从裸金属到执行就绪
lced的main()函数看似简单，实则暗藏玄机。它的初始化过程严格遵循一个四阶段顺序，任何一步失败都会导致进程panic，绝不降级运行：
Hardware Abstraction Layer (HAL) 初始化：
lced首先加载hal_drivercrate，尝试枚举所有已连接的硬件设备。它不依赖udev或sysfs，而是直接通过ioctl调用/dev/spidev0.0、/dev/i2c-1等设备节点。关键点在于：HAL初始化会主动探测设备的“能力指纹”。比如对一个舵机控制器，它不仅检查能否通信，还会发送一个GET_INFO指令，读取固件版本、支持的PWM频率范围、最大扭矩参数，并将这些信息存入全局HAL_REGISTRY。后续所有技能的ExecutionContext资源锁校验，都基于这个实时指纹，而非静态配置文件。WASM Runtime Pool 预热：
lced会根据config.yaml中的wasm_pool_size参数（默认4），预先创建4个wasmtime::Engine实例。每个Engine都配置了相同的wasmtime::Config，但它们的wasmtime::Store是独立的。预热时，lced会加载一个最小的noop.wasm模块（仅包含一个return;指令），在每个Store中实例化并执行10次，确保JIT编译器已就绪。这步耗时约200ms，但换来的是后续WASM技能首次执行的毫秒级响应——没有冷启动延迟。DynamicExec Registry 填充：
lced扫描skills/目录下的所有.wasm文件和lib.rs（针对本地编译的Rust技能），为每个文件生成一个SkillDescriptor。这个descriptor不仅包含skill_id和binary_hash，还通过wabt工具解析WASM模块的import段，提取出它声明需要的所有host function（如gpio::set_pin、camera::start_stream）。这些信息被注册到DynamicExec的全局registry中，成为准入阶段资源校验的依据。Policy Engine 加载与验证：
lced读取policies/目录下的所有.json策略文件，用jsonschemacrate进行语法和语义校验。特别注意：它会检查策略中引用的resource_locks是否存在于HAL_REGISTRY中。比如一个策略要求"lock": ["imu_sensor"]，但HAL初始化时未发现IMU设备，lced会直接报错退出，而不是忽略该策略。这保证了策略的物理可行性，杜绝了“纸上谈兵”式的安全承诺。
注意：
lced的启动日志里有一行[INFO] HAL fingerprint: 0x3a7f2e1d，这个哈希值是所有已探测硬件能力的SHA256摘要。它被用作WASM模块缓存的key——如果硬件增减导致指纹变化，所有WASM模块的JIT缓存会自动失效，强制重新编译。这是ZeroClaw实现“硬件变更零配置”的核心技术。
3.2 执行上下文的“状态机”管理
ExecutionContext在lced中不是一个静态结构体，而是一个遵循严格状态机的实体。它的生命周期由lced内建的ContextManager统一管理，状态流转如下：
Created → Validated → Admitted → Executing → Completed/Failed → ArchivedCreated：当
skill_router创建一个新执行请求时，ContextManager生成一个ExecutionContext，填充基础字段（skill_id,input_data），状态为Created。Validated：
ContextManager调用PolicyEngine::validate_context(&context)，检查策略合规性。如果策略要求"min_cpu_freq": "2.0GHz"，而当前CPU最大频率为1.8GHz，状态直接转为Failed。Admitted：
admission_controller确认资源可用后，ContextManager将状态设为Admitted，并记录admission_timestamp。此时context被加入一个admitted_queue，等待execution_worker拾取。Executing：
execution_worker拿到context后，状态变为Executing，并记录execution_start_time。ContextManager会启动一个watchdog timer，如果执行时间超过ExecutionContext.timeout_ms的1.5倍，强制终止WASM实例。Completed/Failed：执行结束后，状态转为
Completed或Failed，ContextManager将context移入completed_queue或failed_queue，供telemetry_collector消费。Archived：
telemetry_collector将执行日志（含资源使用详情、策略校验结果、WASM trap信息）写入本地SQLite数据库后，ContextManager将context标记为Archived，内存被释放。
这个状态机的意义在于：所有执行行为都可追溯、可审计、可回放。lced提供了一个lced context list --status=Failed命令，能瞬间列出所有失败的执行上下文，并显示失败原因（是策略违规？资源冲突？还是WASM trap？）。我在调试一个舵机抖动问题时，就是靠这个命令快速定位到是timeout_ms设置过短，导致PID控制循环被强制中断。
3.3 硬件资源的“悲观锁”与“乐观释放”
lced对硬件资源的管理，采用了一种混合锁策略，兼顾安全性和实时性：
悲观锁（Pessimistic Locking）：在
Admission Phase，admission_controller会对ExecutionContext.resource_locks中声明的每一个资源，向HAL发起acquire请求。HAL会检查该资源是否已被其他ExecutionContext以Admitted或Executing状态锁定。如果已锁，本次准入直接拒绝。这是为了防止两个技能同时向同一个舵机发送PWM指令，造成硬件冲突。乐观释放（Optimistic Release）：资源的释放不是在
Execution Phase结束时立即进行，而是在Completed/Failed状态被telemetry_collector确认写入数据库后，由一个独立的release_worker线程批量处理。release_worker每100ms扫描一次completed_queue，收集所有已完成的context，然后向HAL发送release请求。关键点：release_worker会忽略那些在释放过程中已发生硬件故障的资源。比如一个舵机在执行中烧毁，HAL会返回ResourceUnavailableError，release_worker会记录该错误，但不会阻塞其他资源的释放。这避免了单点硬件故障导致整个执行系统挂起。
这种设计让lced在面对真实硬件的不确定性时，依然能保持高可用。我在一台老旧的树莓派上测试时，一个USB摄像头频繁断连，lced的日志里能看到大量release_worker: failed to release camera_0 (ResourceUnavailableError)，但其他技能（如LED控制、电机驱动）完全不受影响，照常运行。
4. 从源码到实操：一个完整执行流的逐帧拆解
理论再扎实，不如亲眼看到一行代码如何变成机械臂的动作。我们以ZeroClaw官方示例技能skills/demo_grasp.wasm为例，完整追踪一次“抓取指令”的执行流。这个过程覆盖了从用户输入到硬件输出的所有环节，也是我调试时最常复现的路径。
4.1 用户指令的“降维”之旅：从自然语言到WASM调用
假设用户在微信里发送文字：“把桌子上的蓝色方块抓起来”。这条指令的旅程如下：
NLP层解析：
openclaw-gateway服务接收到消息，调用llm_router选择一个轻量级模型（如tiny-llama-1.1b），将文本编码为token，得到结构化意图：{"action": "grasp", "object": {"color": "blue", "shape": "cube"}, "location": "on_table"}。技能路由：
skill_router根据action和object特征，匹配到demo_grasp.wasm技能。它检查该技能的SkillDescriptor，确认其required_resources = ["camera", "arm_joint_0", "gripper"]。上下文构建：
skill_router创建ExecutionContext：ExecutionContext { skill_id: "demo_grasp", input_data: bson::from_document(bson::doc! { "target_color": "blue", "target_shape": "cube", "table_height_mm": 750 }), resource_locks: vec!["camera_0", "arm_joint_0", "gripper_0"], timeout_ms: 5000, policy_id: "grasp_safety_v1" }注意
input_data是BSON序列化，不是JSON——这是为了在WASM和Rust之间高效传递二进制数据，避免JSON解析开销。执行请求：
skill_router调用DynamicExec::request_execution("demo_grasp", input_data)，进入Request Phase。
4.2 WASM模块的“心跳”：demo_grasp.wasm的内部结构
demo_grasp.wasm并非一个黑盒。用wabt工具反编译其WAT（WebAssembly Text Format），可以看到核心结构：
(module (import "env" "camera_capture" (func $camera_capture (param i32 i32) (result i32))) (import "env" "arm_move_to" (func $arm_move_to (param i32 i32 f32) (result i32))) (import "env" "gripper_close" (func $gripper_close (param i32) (result i32))) (memory (export "memory") 1) (global $input_ptr (mut i32) (i32.const 0)) (global $output_ptr (mut i32) (i32.const 0)) (func $main (export "main") (param $input_len i32) (result i32) ;; 1. 从内存读取input_data local.get $input_len call $read_input_to_memory ;; 2. 调用host function获取图像 i32.const 0 ;; output buffer ptr i32.const 640000 ;; buffer size call $camera_capture ;; 3. 在WASM内存中运行YOLOv5s-tiny推理（量化版） call $run_yolo_inference ;; 4. 解析结果，调用arm_move_to call $parse_detection_result call $arm_move_to ;; 5. 关闭夹爪 i32.const 100 ;; force in newtons call $gripper_close i32.const 0 ;; success ) )关键洞察：
- 所有I/O操作都通过
import的host function完成，WASM模块自身无任何系统调用。 input_data被写入WASM线性内存的$input_ptr位置，长度由$input_len参数指定。camera_capture等host function的签名（参数类型、返回值）必须与lced中Linker定义的完全一致，否则wasmtime会在实例化时报LinkError。
4.3 执行阶段的“时间切片”：execution_worker的精确控制
当execution_worker拾取到demo_grasp的execution_ticket，它会执行以下步骤（精确到微秒级）：
| 步骤 | 操作 | 耗时（实测均值） | 关键细节 |
|---|---|---|---|
| 1 | 从Redis读取input_data | 12μs | 使用redis-rs的get命令，数据已序列化为CBOR |
| 2 | 从HAL_REGISTRY获取camera_0设备句柄 | 3μs | 句柄是Arc<Mutex<CameraDevice>>，已预加载 |
| 3 | 在WASM实例池中选取空闲Store | 0.5μs | 池中4个Store，用AtomicUsize轮询 |
| 4 | 构建Linker，注入camera_capture等host function | 8μs | Linker::define调用，函数指针直接传入 |
| 5 | 实例化WASM模块 | 150μs | JIT编译完成，若已缓存则<10μs |
| 6 | 调用Instance::invoke("main", &[input_len]) | 2.1ms | input_len是BSON数据长度，WASM内解析 |
| 7 | camera_capturehost function执行 | 85ms | 实际调用V4L2驱动，捕获一帧640x480 RGB图像 |
| 8 | run_yolo_inference在WASM内存中运行 | 320ms | 量化模型，纯CPU计算，无GPU加速 |
| 9 | arm_move_to调用HAL移动机械臂 | 120ms | 发送CAN总线指令，等待伺服器ACK |
| 10 | gripper_close关闭夹爪 | 45ms | PWM信号占空比渐变，防冲击 |
提示：
execution_worker会记录每个步骤的精确耗时，并在Completed状态时写入execution_duration_us字段。你可以用lced exec log --ticket <id>查看详细时间分布。我发现run_yolo_inference占用了80%的总时间，于是将模型替换为更小的yolov5n，总执行时间从520ms降到210ms，完全满足timeout_ms=500的要求。
4.4 失败场景的“归因分析”：为什么我的技能总是超时？
在调试中，最常见的问题是ExecutionPhase超时，日志显示Execution failed: Timeout after 5000ms。但lced的telemetry_collector会给出更精准的归因：
lced exec log --ticket 0192a3b4-5c6d-7e8f-90a1-b2c3d4e5f6a7 # 输出： # [TIMING] Admission: 12ms # [TIMING] Execution start: 2024-05-22T08:15:22.345Z # [TIMING] Execution end: 2024-05-22T08:15:27.345Z (5000ms) # [ERROR] Wasm trap: out of bounds memory access at 0x000000000000abcd # [ERROR] Host function 'arm_move_to' returned error: CAN bus timeout # [POLICY] Policy 'grasp_safety_v1' violated: gripper_force > 120N (got 142N)这个日志揭示了三层失败原因：
- 底层硬件故障：
CAN bus timeout表明机械臂伺服器未响应，可能是接线松动。 - WASM内存错误：
out of bounds memory access说明demo_grasp.wasm在解析BSON时越界，需要检查read_input_to_memory函数。 - 策略违规：
gripper_force超标，触发了安全策略的熔断。
lced的设计精髓就在这里：它不掩盖问题，而是把每一层的失败证据都摊开给你看。你不需要猜“是网络问题？还是代码bug？”，日志已经告诉你答案。我在修复一个类似问题时，就是根据这个日志，先紧固了CAN总线接头（解决硬件层），再修改了WASM模块的内存分配逻辑（解决代码层），最后调整了策略中的力阈值（解决策略层）——三步到位，不再反复试错。
5. 经验沉淀：踩过坑后总结的5条硬核准则
作为把ZeroClaw部署在12台不同硬件（从树莓派4B到NVIDIA Jetson Orin）上的实践者，我把那些在文档里找不到、在GitHub Issues里被淹没、但每天都在影响开发效率的教训，浓缩成5条必须刻在脑子里的准则。它们不是最佳实践，而是血泪教训。
5.1 准则一：永远不要在WASM模块里做任何I/O，包括console.log
初学者常犯的错误，是在demo_grasp.wasm里加console.log("debug: start")，然后纳闷为什么看不到输出。DynamicExec的WASM沙箱里，console.*API被完全禁用。所有调试信息，必须通过env::log_message这个host function注入：
// 正确的WASM调试方式（Rust -> WASM） #[no_mangle] pub extern "C" fn log_message(ptr: i32, len: i32) { let msg = unsafe { std::slice::from_raw_parts(ptr as *const u8, len as usize) }; let s = std::str::from_utf8(msg).unwrap_or("invalid utf8"); // 这里可以调用lced的telemetry接口 telemetry::log_debug!("WASM: {}", s); }然后在WASM里调用：
;; 获取字符串指针和长度 i32.const 1024 i32.const 12 call $log_message我的教训：曾在一个技能里用
printf调试，结果WASM编译失败，因为printf依赖libc的writesyscall，而lced的Linker没提供。花了3小时才意识到，应该用env::log_message。现在我的所有WASM技能，第一行代码必然是call $log_message，记录模块加载时间。
5.2 准则二：ExecutionContext.timeout_ms不是“最大容忍时间”，而是“物理定律允许的极限”
timeout_ms的设定，必须基于硬件的物理特性，而非开发者的耐心。例如：
- 控制一个步进电机旋转90度，如果电机最高转速是1000 RPM，那么理论最短时间是
(90/360)*60/1000 = 15ms。timeout_ms应设为50ms（留3倍余量），而不是5000ms。 - 一个需要调用云API的技能，
timeout_ms应等于RTT + cloud_api_latency + 200ms，而不是拍脑袋定的10000ms。
lced的watchdog_timer是硬实时的。一旦超时，它会向WASM实例发送SIGUSR1信号（在WASI环境下映射为wasi::clock_time_get的异常），强制终止。这个过程不可恢复，也不会触发Drop。如果你的WASM模块正在写SPI Flash，超时会导致Flash损坏。
我的教训：在Jetson Orin上部署一个视觉技能，设
timeout_ms=3000，结果在高温环境下CPU降频，推理时间从280ms涨到3100ms，触发超时。lced强制终止后，WASM内存里的图像缓冲区被清空，下一次执行时camera_capture返回空数据，形成死循环。解决方案：根据/sys/devices/system/cpu/cpufreq/policy0/scaling_cur_freq动态调整timeout_ms。
5.3 准则三：resource_locks的粒度，决定了你的系统扩展性上限
resource_locks不是越细越好，也不是越粗越好，而是一个需要权衡的工程决策。例如：
- 锁
"camera"太粗：所有视觉技能互斥，无法并行。 - 锁
"camera_0"太细：如果系统有双目相机，camera_0和camera_1可以并行，但camera_0的锁又阻止了同一相机的多个技能（如detect和track）并行。
ZeroClaw官方推荐的粒度是**“功能域”级别**：
"camera"：表示需要独占图像采集（如标定、深度图生成）。"camera_stream"：表示只需要读取视频流（如目标检测、人脸识别），允许多个技能共享。"camera_control"：表示需要控制相机参数（曝光、白平衡），与其他控制类技能互斥。
我的教训：曾为一个AR导航技能锁了
"camera"，结果导致用户的扫码支付技能（也需要相机）被阻塞。后来改为锁"camera_stream"，并在技能内部用camera::get_frame的timeout_ms参数控制等待时间，完美解决。
5.4 准则四：策略（Policy）不是“锦上添花”，而是“上线前的最后安检”
很多团队把策略引擎当成可选模块，认为“先跑起来再说”。这是灾难的开始。PolicyEngine的校验发生在Admission Phase，也就是资源分配之前。它能拦截90%的低级错误：
min_cpu_freq校验：防止技能在低频CPU上运行，导致实时性崩溃。max_memory_mb校验：防止WASM模块申请过多内存，OOM Killer干掉lced。allowed_host_functions校验：防止恶意WASM模块调用env::exit等危险函数。
我的教训：在一台内存只有2GB的树莓派上，一个未加内存限制的WASM技能启动后，
lced进程RSS飙升到1.8GB，系统卡死。后来在策略里加上"max_memory_mb": 128，问题消失。现在我的所有生产环境，策略校验是lced启动的强制前置条件，--skip-policy-check参数只在开发机上使用。
5.5 准则五：lced的版本，必须与硬件固件版本严格匹配
lced不是向下兼容的。它的HAL驱动层，与硬件固件（如舵机控制器的固件、IMU传感器的固件）有严格的ABI约定。例如：
lced v0.8.3要求舵机固件版本>=2.1.0，因为新增了SET_TORQUE_LIMIT指令。lced v0.9.0废弃了旧的CAN_ID_ARM_JOINT_0，改用CAN_ID_ARM_JOINT_0_V2，固件不升级会导致arm_move_to调用失败。
lced启动时会读取每个硬件的固件版本，并与内置的firmware_compatibility_map比对。如果不匹配，它会panic并打印：
[ERROR] HAL mismatch: servo_0 firmware 2.0.1 < required 2.1.0 [ERROR] Please update servo_0 firmware or downgrade lced我的教训：曾用
curl -L https://github.com/openclaw/zeroclaw/releases/download/v0.9.0/lced-arm64一键安装最新版lced，结果所有机械臂技能都报CAN bus timeout。花了两天排查，才发现是舵机固件太老。现在我的部署流程里，第一步就是lced hal list，确认所有硬件固件版本达标，再安装对应版本的lced。
这些准则，没有一条来自官方文档，全部来自真实的机器轰鸣、日志滚动和深夜调试。它们不是教条，而是帮你绕过那些深坑的路标。当你下次看到`
