铃阅
❌

普通视图

从 OpenClaw 到 FastClaw:如何设计优秀的多 Agent 架构

2026年6月23日 00:43

原创 idoubi 2026-06-23 00:43 广东

好的 Agent 架构不是把所有功能塞进一个进程,而是让每一层都能独立演化。

❝

做了一年 Agent 基础设施,踩了无数坑,我终于想明白了一件事:好的 Agent 架构不是把所有功能塞进一个进程,而是让每一层都能独立演化。

前言

2026 年初,OpenClaw 爆火 —— 一个自托管的 AI 助理。它本质是一个跑在你自己机器上的 Agent 网关(Gateway),通过 Telegram、Discord、Slack、飞书等你已经在用的聊天软件接入,能真正替你干活:收发邮件、管日程、浏览器自动化、执行命令。

OpenClaw 支持多端接入、记忆系统、技能市场(ClawHub)、多 Agent 协作,甚至 A2A(Agent-to-Agent)——功能很全。

为了用上 OpenClaw,我买了台 Mac Mini,日常通过手机发指令,做了很多项目,效率很高。

为了让其他人也用上 OpenClaw,我做了个托管服务,帮 500 多个用户部署了专属的龙虾,跑在云端的一套 K8S 集群上。

在自用和做托管服务的过程中,我对 OpenClaw 的架构设计越来越了解,也发现了很多问题。为了解决这些问题,我认为必须从底层架构全新设计,而不是在 OpenClaw 的基础上魔改。

我决定做一个更好的 Agent 框架:FastClaw,面向云原生多租户场景设计,更快、更轻量、更好用。

这篇文章记录了我对 OpenClaw 架构的理解,以及我对 FastClaw 架构设计的经验总结。

一、OpenClaw 做对了什么

OpenClaw 虽然有不少问题,但它在产品方向上的探索是超前的。回头看,有几个创新点是真正有价值的。

1. 多端接入:随时随地和 Agent 交互

OpenClaw 支持极广的 IM 接入——Telegram、Discord、Slack、WhatsApp、Signal、iMessage、飞书、Matrix、Microsoft Teams 等,外加 Web Chat 和 CLI。用户可以在任何地方和自己的 Agent 对话。

这个设计的核心洞察是:Agent 不应该被困在一个 App 里。你写代码的时候用终端,开会的时候用飞书,摸鱼的时候用 Telegram——Agent 应该无处不在。

2. SOUL 机制:让 Agent 有"人味"

OpenClaw 引入了 SOUL.md 的概念——一个定义 Agent 人格、语气、价值观的配置文件。不是冷冰冰的 system prompt,而是一份精心调教的"灵魂"。

这带来了两个意想不到的好处:

  • 用户粘性暴涨:当 Agent 有了固定人设,用户会产生情感连接,留存率比纯工具型 Agent 高几倍

  • Agent 可复制:同一套 SOUL 文件可以给不同模型用,换模型不换人设

3. 记忆检索:越用越懂你

OpenClaw 的记忆系统分两层:

  • 长期摘要:MEMORY.md,一份精简的长期记忆摘要,作为 project context 注入提示词

  • 每日明细:memory/*.md 每日文件,平时不进上下文,靠 memory_search / memory_get 工具按需检索,不占 token

配合 SOUL.md(人设)、USER.md(用户信息)等文件,Agent 可以记住你的偏好、习惯、常用工具,真正做到"越用越懂你"。

4. 主动通知:从被动响应到主动服务

传统 Agent 是"你问我答"。OpenClaw 加了 Cron Job 和心跳机制后,Agent 可以:

  • 每天早上 8 点给你发天气和日程提醒

  • 监控 GitHub PR 状态,有更新自动通知

  • 定期检查博客评论,筛选有价值的反馈

这是 Agent 从工具进化为助理的关键一步。

5. 对话式安装:养成式体验

OpenClaw 的 Skill 安装不是"去应用商店下载",而是在对话中直接说"帮我装一个翻译技能",Agent 自己去搜索、安装、配置。

这种对话即操作的范式降低了使用门槛,也让 Agent 有了一种"养成"的感觉——你在训练它、给它装新技能。

6. 多 Agent 协作:团队模式

OpenClaw 支持同时运行多个 Agent,每个 Agent 有不同的专长:

  • 一个负责写代码

  • 一个负责写文档

  • 一个负责 Code Review

  • 一个负责部署上线

这些 Agent 在单个 Gateway 进程内相互隔离运行,每个有独立的 workspace、状态目录(agentDir)和会话历史,通过 multi-agent routing 把消息分发给对应的 Agent。

二、OpenClaw 的架构

OpenClaw 采用的是 Node.js 单体架构,核心组件包括:

配置方式:一个 ~/.openclaw/openclaw.json 文件管所有——LLM Provider、Channel Token、Plugin 配置、Skill 列表、默认参数……全在一个 JSON 里。

存储方式:文件系统为主,Session 存 JSON 文件,Memory 存 Markdown,Skills 存目录。

运行方式:openclaw start 启动一个 Node.js 进程,Gateway 挂载所有 Channel 和 Plugin,一荣俱荣一损俱损。

三、OpenClaw 的不足

作为一个个人助理工具,OpenClaw 是够用的。但作为一个要服务多人的生产级 Agent 平台,它有致命缺陷。

1. 缺少平台级多租户:隔离粒度太粗

OpenClaw 的隔离是围绕"Agent"设计的——Session、Memory 都按 agent / workspace 隔离,但没有"用户(account)"这层抽象。要真正隔离,得"一人一 Agent"。

也就是说,同一个 Agent 没法安全地服务多个互不信任的用户——做托管只能给每人单开一套,成本高、浪费大。缺的不是会话隔离,而是平台级多租户。

2. Gateway 是单点故障

所有 Channel、所有 Plugin、所有 Agent 的运行时都挂在同一个 Node.js 进程里。一个 Plugin 内存泄漏,整个 Gateway 崩溃;一个 Channel 的 API 超时,所有 Channel 都卡住。

没有隔离,就没有可靠性。

3. 默认上下文偏重,Token 容易失控

OpenClaw 每轮都会把一组 bootstrap 文件——SOUL.md、MEMORY.md、AGENTS.md、工具说明——注入提示词。文件一多、对话一长,system prompt 越堆越大。

它也做了优化(memory/*.md 按需检索、cron 用隔离 session 把每轮压到 ~2-5K token),但默认配置对 token 不够敏感,bootstrap 写得啰嗦,账单就很可观。钱烧得心疼。

4. 资源占用大

Node.js + 一堆 npm 依赖 + 文件系统 I/O,idle 状态就吃 500MB+ 内存。加上 Sandbox(Docker 容器),一台 4GB 的小机器跑得喘不过气。

5. 云原生不友好

  • 配置和状态都落在本地文件系统(~/.openclaw/),多 Pod 之间没法共享同一份配置和会话,天然单机

  • 存储是文件系统,没法水平扩展

  • 部署形态是"一个有状态进程",缩容、迁移、滚动更新都得小心翼翼地保住本地数据

6. 臃肿的 npm 依赖树

node_modules 有 800MB+,构建时间 3 分钟+。每次更新依赖都像开盲盒——不知道哪个包会炸。

7. Web UI 体验差

OpenClaw 的 Control UI 和 CLI 其实共享同一份 ~/.openclaw/openclaw.json(都走 config.get / config.set / config.apply,还有 base-hash guard 防并发覆盖),配置层面是一致的——这点没问题。

问题在体验:Web UI 界面粗糙,配置项藏得深,想在网页上完整跑通一次 Agent 配置并不顺手。对一个想拿出去给用户用的产品来说,"能用但不想用"就是劝退。

8. 安全模型只为"单机单操作者"设计

OpenClaw 的安全边界是"信任操作者本人",不是"在不可信用户之间做隔离"。默认值都是按这个前提来的:

  • 宿主机执行默认全开:exec 默认 full + 免审批、沙盒默认关闭,Agent 能直接在宿主机跑任意命令、读写文件——文档也承认这是"单操作者场景的有意 UX"

  • Prompt injection 未解决:system prompt 只是软提示,一条恶意消息就可能让 Agent dump 文件、跑命令

  • 密钥明文、Session 不加密、Plugin 主进程内运行、无 per-user RBAC

自己单机用足够安全;但要做成多人平台,exec 沙盒、密钥加密、租户级 RBAC、注入防护,每一层都得从头补。

四、如何设计更好的 Agent 框架

FastClaw 的设计原则很明确:轻量、快速、云原生。

1. 云原生优先

# 一行命令安装,单二进制文件
curl -fsSL https://raw.githubusercontent.com/fastclaw-ai/fastclaw/main/install.sh | bash
#
 零配置启动(纯环境变量)
FASTCLAW_PORT=18953 fastclaw
#
 K8s 部署就是一个 Deployment + Secret
  • 没有本地配置文件:Bootstrap 参数全部走环境变量,运行时配置通过 Dashboard 或 CLI 写入数据库

  • SQLite → Postgres:FASTCLAW_STORAGE_DSN 一个环境变量切换存储后端,本地用 SQLite,生产切 Postgres

  • S3 对象存储:FASTCLAW_OBJECT_STORE_* 环境变量接入 S3,多 Pod 共享 Skills 和文件

2. 多租户与 RBAC

OpenClaw 是"一个人的工具",FastClaw 是"一群人的 Agent 平台"。

用户模型:
├── super_admin    — 平台管理员,全权限
├── user           — 普通用户,管理自己的 Agent
├── app_user       — 应用端用户(通过 API 懒创建)
└── channel_user   — IM 渠道用户(Telegram/Discord 登录)

四层配置继承:

system (全局默认)
  → user (用户级覆盖)
    → agent (Agent 级覆盖)
      → (user, agent) (特定用户对特定 Agent 的定制)

内层配置自动覆盖外层,同名 Provider 配置整条替换。这意味着:

  • 管理员配一个默认的 OpenAI Key,所有用户直接用

  • 某个用户想用自己的 Key,覆盖一层就行

  • 某个 Agent 需要特定模型,再覆盖一层

  • 互不干扰,天然多租户

3. 会话隔离

每个 Session 的 key 是 (user_id, agent_id, channel_type, chat_id) 四元组。同一个 Agent 被 100 个用户使用,每人看到的都是自己的记忆和历史。

X-Fastclaw-End-User Header 让 SaaS 层可以透传终端用户身份,FastClaw 自动为每个 (api_key, external_id) 对创建隔离的内部用户。零代码改造,接入即多租户。

4. 高并发

Go 的 goroutine 天然适合高并发场景。FastClaw 的 Session Manager 可以同时处理数千个会话而不会互相阻塞。

关键设计:Session 是无状态的,状态在数据库里。 每次请求从 DB 加载上下文,处理完写回。这意味着:

  • 任意一个 Pod 可以处理任意一个请求

  • 水平扩展只需加 Pod

  • 单个 Pod 挂了不影响其他会话

5. 单二进制分发

# 编译产物就是一个二进制文件,约 30MB
make build
ls -lh bin/fastclaw
# -rwxr-xr-x  1 user  staff  30M  fastclaw
# 交叉编译
make release-local
# → dist/fastclaw-darwin-amd64
# → dist/fastclaw-linux-amd64
# → dist/fastclaw-windows-amd64.exe

没有 node_modules,没有运行时依赖,没有构建步骤。下载、chmod、运行,三步搞定。

6. 内存占用低

对比 OpenClaw(Node.js)和 FastClaw(Go)的 idle 内存占用:

场景

OpenClaw

FastClaw

Idle(空载)

~500MB

~30MB

1 个活跃会话

~600MB

~50MB

10 个并发会话

~1.2GB

~80MB

100 个并发会话

OOM

~200MB

Go 编译为原生机器码,没有 GC 停顿,没有 JIT 预热。同样的硬件,能扛 10 倍流量。

7. 插件隔离

OpenClaw 的 Plugin 跑在主进程里,一个 Plugin 崩了整个 Gateway 挂。

FastClaw 的 Plugin 通过 JSON-RPC 子进程 隔离运行:

FastClaw Gateway ←→ JSON-RPC (stdin/stdout) ←→ Plugin Process
  • Plugin 崩溃不影响 Gateway,自动重启子进程

  • Plugin 没有文件系统访问权限(除非显式授权)

  • 还提供了 openclaw-plugin-bridge,可以兼容 OpenClaw 的 TypeScript Plugin 生态

8. 工具 Provider 的 Fallback 机制

FastClaw 对外部工具(Web Search、Image Gen、TTS 等)设计了统一的 Provider + Fallback Chain 架构。

比如 Web Search 配置了 Tavily 为主、SerpAPI 为备,Tavily 限流了自动切 SerpAPI,用户无感知。

五、FastClaw 的架构设计

整体架构

┌──────────────────────────────────────────────────────┐
│                    FastClaw Gateway (Go)              │
│                                                      │
│  ┌──────────────────────────────────────────────┐    │
│  │              HTTP API Layer                   │    │
│  │  /v1/chat/completions (OpenAI 兼容)          │    │
│  │  /api/chat/stream     (SSE 流式)             │    │
│  │  /api/agents          (Agent CRUD)           │    │
│  │  /api/config          (Provider 管理)        │    │
│  │  /api/skills/install  (Skill 安装)           │    │
│  │  /api/apikeys         (API Key 管理)         │    │
│  └───────────────────┬──────────────────────────┘    │
│                      │                               │
│  ┌───────────────────▼──────────────────────────┐    │
│  │            Scope Resolution                  │    │
│  │  system → user → agent → (user, agent)       │    │
│  │  四层继承,内层覆盖外层                        │    │
│  └───────────────────┬──────────────────────────┘    │
│                      │                               │
│  ┌───────────────────▼──────────────────────────┐    │
│  │            Agent Runtime                     │    │
│  │  ┌────────┐ ┌────────┐ ┌────────────────┐   │    │
│  │  │Session │ │Memory  │ │Tool Providers  │   │    │
│  │  │Manager │ │(MD+DB) │ │(Fallback Chain)│   │    │
│  │  └────────┘ └────────┘ └────────────────┘   │    │
│  │  ┌────────┐ ┌────────┐ ┌────────────────┐   │    │
│  │  │Skills  │ │Sandbox │ │Plugin System   │   │    │
│  │  │Loader  │ │(Docker │ │(JSON-RPC 子进程)│   │    │
│  │  │        │ │ /E2B)  │ │                │   │    │
│  │  └────────┘ └────────┘ └────────────────┘   │    │
│  └──────────────────────────────────────────────┘    │
│                      │                               │
│  ┌───────────────────▼──────────────────────────┐    │
│  │              Channel Layer                    │    │
│  │  Telegram │ Discord │ Slack │ Feishu │ Web    │    │
│  └──────────────────────────────────────────────┘    │
└──────────────────────┬───────────────────────────────┘
                       │
         ┌─────────────┼─────────────┐
         ▼             ▼             ▼
    ┌─────────┐  ┌──────────┐  ┌──────────┐
    │ SQLite  │  │ Postgres │  │    S3    │
    │ (本地)  │  │ (生产)   │  │ (对象存储)│
    └─────────┘  └──────────┘  └──────────┘

1. 存算分离

FastClaw 最核心的架构决策是存算分离:

计算层(Gateway):

  • 无状态,可以水平扩展

  • 处理 LLM 调用、工具执行、Session 管理

  • 任意 Pod 可以处理任意请求

存储层(Database + Object Store):

  • SQLite(单机)或 Postgres(集群)

  • S3 存储 Skills、Agent 文件等二进制数据

  • 数据库是唯一真相源

这意味着:

  • 数据持久化不依赖进程生命周期

  • 可以随时换存储后端(SQLite → Postgres 一行配置)

  • 多 Pod 共享同一个数据库,天然支持水平扩展

2. 基于 Scope 的配置继承

FastClaw 基于 Scope 实现配置的链式继承

这带来了极高的灵活性:

  • 管理员设置全局默认模型为 gpt-5,所有新用户直接能用

  • 用户 A 偏好 claude-opus,覆盖一层

  • 用户 A 的"写作助手"Agent 需要 claude-fable5,再覆盖一层

  • 不需要代码变更,不需要重启,不需要额外配置文件

3. Fallback 容错

FastClaw 对所有外部依赖都做了 Fallback:

LLM Provider Fallback:

主模型 (claude-sonnet) → 备用模型 (gpt-4o) → 最后防线 (本地 ollama)

Tool Provider Fallback:

Web Search: Tavily → SerpAPI → 直接抓取
Image Gen:  Replicate → 本地 SD
TTS:        ElevenLabs → Fish Audio

Sandbox Fallback:

Docker (本地) → E2B (云端) → 无沙盒模式 (受限)

每一层 Fallback 对上层透明,LLM 不知道具体用的是哪个 Provider,用户也不需要关心。

六、FastClaw 的定位与使用场景

FastClaw 不只是一个"更好的 OpenClaw"。它有四个递进的定位:

1. Assistant:更好的个人助理

你可以在电脑上一行命令安装 FastClaw👇

curl -fsSL https://raw.githubusercontent.com/fastclaw-ai/fastclaw/main/install.sh | bash

可视化配置 FastClaw,替代 OpenClaw,Hermes Agent 日常使用。

可接入常用的 IM 软件:

适合:个人用的 AI 助手、Telegram Bot、Discord Bot、飞书机器人、微信 ClawBot。

2. Factory:Agent 制造工厂

你可以在 cloud.fastclaw.ai 云平台创建自己的 Agent

自定义 Agent 的 SOUL、技能、模型。

适合:Skills 创作者、提示词工程师,创建个性化 Agent,自用或分享给朋友使用。

3. Runtime:Agent 运行时

你可以把 FastClaw 作为 Agent Runtime,导出 API 给其他 Agent 产品使用。

比如 weclaw.im 就是把 FastClaw 作为 Backend 的一个 Agent 应用,只做前端交互,一小时上线。

适合:想快速开发 Agent 产品的开发者,无需实现 Agent Loop、Sandbox 等运行时逻辑。

4. Platform:Agent 协作平台

可以把 FastClaw 作为团队版的 OpenClaw,搭建 Agent 协作平台。团队共享知识库、Skills。

适合:需要私有化部署 Agent 平台的企业。只需一台内网服务器,快速部署,无限多开 Agent。

七、多 Agent 框架设计经验总结

在做 FastClaw 的过程中,我总结了几条经验。

1. 先做单租户,但架构要预留多租户

OpenClaw 一开始就做单租户,后来想加多租户发现要改的东西太多,几乎等于重写。FastClaw 从第一行代码就设计了 (user_id, agent_id) 的隔离模型,即使一开始只有一个人用,后续扩展也不需要改架构。

多租户不是功能,是架构决策。越早做越省事。

2. 存储决定一切

OpenClaw 用文件系统存数据,简单直接。但当你要做多实例部署、水平扩展、数据备份时,文件系统就是噩梦。

FastClaw 用数据库作为唯一真相源(SQLite 本地开发,Postgres 生产),文件系统只存 Skills 目录(可以通过 S3 共享)。

永远用数据库存状态。文件系统只存"内容"(代码、文档、配置文件),不存"状态"(Session、用户、权限)。

3. 隔离是可靠性的前提

OpenClaw 所有功能跑在一个进程里,一个组件出问题全盘崩溃。FastClaw 用子进程隔离 Plugin,用 Docker/E2B 隔离代码执行,用数据库事务隔离并发写入。

如果两个组件的故障域不同,就不要让它们共享进程。

4. Fallback 不是可选项,是必需品

LLM API 会限流、会宕机、会涨价。Web Search API 会超时。Image Gen 会排队。如果你的 Agent 在任何一个外部依赖挂掉时就完全不能用,那你的 Agent 就是玩具。

FastClaw 的每个 Tool Category 都有 Fallback Chain,主 Provider 挂了自动切备用,用户无感知。

生产级 Agent 必须对所有外部依赖做 Fallback。没有例外。

5. Token 是钱,上下文是金

OpenClaw 把所有上下文一股脑塞进每次请求,token 消耗居高不下。后来我学到:

  • SOUL 文件要精简:500 token 以内够了,不需要把整本说明书塞进去

  • Memory 按需检索:不要全量注入,用 embedding 检索相关记忆

  • Session 要摘要:长对话定期压缩,保留关键信息丢弃冗余

  • Tools 说明要分层:常用工具详细说明,不常用的只放名字

上下文管理是 Agent 的核心竞争力。会省 token 的 Agent 才能活下去。

结语

从 OpenClaw 到 FastClaw,本质上是从"做一个很酷的开源项目"到"做一个能跑在生产环境的平台"的思维转变。

OpenClaw 验证了方向——多端接入、SOUL 机制、记忆系统、多 Agent 协作,这些都是对的。

FastClaw 解决了工程问题——单租户、单点故障、资源浪费、不可扩展,这些都是要修的。

好的架构不是设计出来的,是迭代出来的。在迭代之前想清楚存算分离、多租户隔离、Fallback 容错这三件事,你会省下很多时间。

如果你也在做 Agent 基础设施,希望这篇文章能帮你少走一些弯路。

欢迎体验 fastclaw.ai,免费开源。

https://github.com/fastclaw-ai/fastclaw

欢迎 fork,感谢 star。

阅读原文

跳转微信打开

Agent-Native 开发框架设计

2026年6月11日 18:00

idoubi 2026-06-11 18:00 广东

聊聊 Agent-Native 开发框架应该怎么设计👇

在谈 Agent-Native 之前,我们应该很熟悉 Cloud-Native 、AI-Native 这些概念,或者是 Native Speaker 这种表达

Native 就是原生的意思,强调的是事物最开始就是这个样子的,而不是后来改成这样的。

1. English Native Speaker 指的是一出生就在英语环境,母语是英语的人

2. Cloud-Native 强调的是业务一开始就在云上跑,而不是通过去 IOE 化把原来的系统迁移上云

3. AI-Native 强调的是产品设计之初,功能和流程都是基于 AI 的能力来设计的,离开 AI 跑不起来或者跑不出好的效果

Agent-Native,讲的是产品功能和工作流程都是基于 Agent 的特性和能力来设计的,离开 Agent 就不 work

回到 ShipAny 框架的设计。在 ShipAny One、ShipAny Two 里,我们已经积累了一堆常用的业务功能:登录、注册、支付、 存储、多语言、SEO、管理后台等。

在新版本的 ShipAny 里,这些能力全部模块化了,按需启用,可插拔。关键是设计了几个核心的 Skills,把 ShipAny 内置的功能模块、开发流程都描述清楚,包括模块说明、数据表结构、API 参数等。Agent 读到这些 Skills 后,能快速搞懂整个框架的架构设计,然后按流程开发。

Agent-Native 开发框架的设计,首先要保证集成的功能足够多,功能模块化、低耦合。其次要梳理通用的开发流程,包括初始化项目、创建新模块、设计新页面、设计图片等。然后把每个流程文档化,不同的流程可组合,沉淀成 Agent 能理解的 Skills。

ShipAny 内置的核心 Skills 包括:

1. quick-start:快速初始化新项目,完成 MVP 版本开发

2. clone-website:复刻指定网址的项目

3. new-module:开发新的功能模块

4. new-page:开发新的页面

5. deploy-cloudflare:一键发布到 Cloudflare

还有 generate-image(生成图片)、sync-upstream(同步上游更新)、security-scan(安全扫描)、launch-audit(发布前审计)等,基本覆盖了一个项目的完整开发周期。

---

ShipAny 新版本发布不到 2 天,已开 200 单,老用户复购比例很高,ShipAny 作为 AI 出海金刚铲的定位正在被越来越多的人认可。🎉

在 ShipAny 官网输入优惠码 NEXT 下单,获取先进的 Agent-Native 开发框架。不需要人去写代码了,完全交给 Agent,一小时上线你的 AI 产品。😄

跳转微信打开

AI 产品实战社团🥲

2026年6月10日 16:30

idoubi 2026-06-10 16:30 广东

跟风变科技合作搞了个《AI 产品实战社团》,主打 Vibe Coding 开发生产级项目

今晚 7 点第一场直播,主题是《案例实操:用 ShipAny TanStack 开发 AI 图片生成器》

直播链接:

https://fclive.pandacollege.cn/p/GzfFt2

社团七月中旬正式运营,现在是开团前的预热直播活动,感兴趣的朋友可以来听,觉得讲得好再参团,有专业的助教老师对接。[让我看看]

跳转微信打开

ShipAny 新版发布:Agent-Native 开发框架

2026年6月9日 21:37

原创 idoubi 2026-06-09 21:37 广东

ShipAny 内置丰富的 Skills,让 Agent 开箱即用,帮助创作者一小时上线功能完整、可商业化的 AI 产品。

ShipAny 新版本发布了🎉,上线了三套基础模板👇

  1. shipany-next:Agent-Native 开发框架,面向 Agent Coding 而设计,通过内置 Skills 极速开发新项目

  2. shipany-vinext:基于 Cloudflare 官方 Vinext 框架而设计,一键部署到 Cloudflare  Workers,压缩后体积是 shipany-two 的 1/7,绑定 CF 全家桶,节约成本

  3. shipany-tanstack:基于 TanStack Start 而设计,使用 Vite 构建,启动与运行速度极快,跨平台部署方便

ShipAny 模板
ShipAny 模板

ShipAny 老用户支付 $1.99 获得新模板。新用户通过这个链接👇

https://shipany.ai/zh/pricing?ivt=idoubi

购买 Premium 会员,输入优惠码:NEXT,立减 $50

ShipAny 价格
ShipAny 价格

ShipAny 官网也基于 shipany-tanstack 完成了重构,交互体验提升不少。

ShipAny 官网
ShipAny 官网

ShipAny 开发文档也更新了。

ShipAny 文档
ShipAny 文档

  • ShipAny 新版本整合了流行的技术栈,主推 TanStack + Vite 生态,高性能运行,部署到 Cloudflare,极具性价比。

ShipAny 快速上手指南
ShipAny 快速上手指南
  • ShipAny 新版本精心设计了几个 Skills,在 Coding Agent 一键调用,对话式快速完成新项目开发。

ShipAny 内置 Skills
ShipAny 内置 Skills
  • 做 AI SaaS 网站需要的基础功能,ShipAny 基本上都集成了,主打一个开箱即用,让你的 Coding Agent 无需造轮子,快速上线。

ShipAny 功能清单
ShipAny 功能清单
  • ShipAny 官方出品的基础模板,ShipAny Premium 会员可以超低价获取,主打一个仪式感,让买模板跟买咖啡一样简单。

image
ShipAny 模板
  • ShipAny 用户提交了几百个案例,有一些有很大的流量,有一些赚到了钱。ShipAny 定位是一把好铲子,帮助用户去淘金。

ShipAny 用户案例
ShipAny 用户案例
  • 加入 ShipAny 联盟,设置专属的邀请链接和优惠码。可自行分配额度,帮助朋友获得优惠,自己获得奖励。

ShipAny 联盟
ShipAny 联盟

我们已经进入了 Agent 主导开发的新时代,做产品变得极其简单。

一个 Agent-Native 开发框架,可以让 Agent 更快速地集成项目需要的基础能力:登录、注册、支付、积分、存储、多语言、SEO、AI 生成、管理后台。

ShipAny 的定位,就是这样一个 Agent-Native 开发框架,通过一系列的模板覆盖常用的技术栈和业务功能,内置丰富的 Skills 让 Agent 开箱即用,帮助创作者一小时上线功能完整、可商业化的 AI 产品。

❝

新版本,新征程。期待与 ShipAny 用户共建生态,做大做强。✌️

阅读原文

跳转微信打开

聊一聊Agent 预装 skills 的方案设计

2026年6月3日 22:33

原创 idoubi 2026-06-03 22:33 广东

看到一篇文章,有用户吐槽 Hermes Agent 预装了 100 多个 skills,出发点是为了开箱即用,但是注册太多 skills 污染了上下文,影响了工具调用命中率(即使使用了渐进式披露的形式)
FastClaw 预装的 skills 只有三个:
1. camoufox-cli
2. find-skills
3. skill-creator

设计思路很简单,我认为一个能自主决策,自我进化的 Agent,应该可以发现自身的不足,根据任务类型动态补充技能,并通过自我迭代,把技能沉淀下来,不断适应各类复杂的任务。
有一个观点叫做:模型之外都是 Harness。给 Agent 预装 skills 属于 Harness 工程的一种,目的是为了让模型的输出通过工具调用收敛到一个更符合预期的结果。
模型是马,Harness 是马具,给千里马和给普通马,装的马具应该是不一样的,Harness 工程需要适应模型的进步。秉持少即是多的原则,我给 FastClaw 只预装了三个 skills👇
1. find-skills 让 Agent 在不能直接处理任务请求时,自动搜索并安装可用的 skills,这里对接的 skills 市场是 skills.sh,主要考量是这个市场有做安全审计和下载量统计,可以通过排行来查找高质量的 skills
2. skill-creator 让 Agent 在通过 find-skills 没有找到合适的 skills 时,能自己创建一个 skills 来处理任务请求。使用完后沉淀到用户的 skills 目录,可以在后续的任务复用
3. camoufox-cli 是为 Camoufox 这一 Agent 浏览器而制作的命令行工具,适用于各类浏览器操作场景,比如爬取网页内容、截图之类

在这三个 skills 的配合下,Agent 在部分常见任务下的工作表现良好,交付质量高。
---
当然,预装常用 skills 也有其合理性。毕竟 Agent 对 skills 的自动发现、安装、创造,非常依赖模型的智能程度,意图识别很关键,能找到或创建合适的 skills 来处理任务,有一定的抽卡概率。而系统内置,由管理员提前做了筛选和配置,模型只要能选对就可以了。
大道至简,FastClaw 选择内置最少的必要技能,其余的交给模型自由发挥,在 deepseek-v4-flash 跑了一段时间,效果还可以。
还有哪些你觉得必须要内置的 skills?

跳转微信打开

聊一聊 Agent 的存算分离架构设计

2026年6月2日 14:07

原创 idoubi 2026-06-02 14:07 重庆

存算分离是云端 Agent 运行目前的最优解。

一个有灵魂,有记忆的 Agent,一次任务的生命周期包括以下步骤

  1. 用户输入 query(text + files)

  2. Agent 读取提示词文件(soul.md,identify.md,user.md 等)

  3. Agent 读取可用的工具和技能(tools,skills 等)

  4. Agent 读取记忆(memory.md,memory_search 查询)

  5. Agent 构建上下文(prompt + tools + memory + query)

  6. Agent 进入 Loop(LLM 调用 → 工具调用 → 观测 → 再推理)

  7. Agent 交付结果(Artifacts)

什么需要存:提示词文件,工具和技能,对话记录,交付产物

什么需要算:上下文拼接,LLM 调用,工具调用

简单表示这个过程

❝

fn(query, agent runtime) = artifacts

我们可以把  agent 运行方式简单分为三类

  1. 本地裸机运行

  2. 本地带沙盒(sandbox)运行

  3. 云端多副本运行

Agent 运行方式

  1. 本地裸机运行。

这是 OpenClaw 之类 Agent 的常见模式。Agent 提示词文件、skills,对话记录(sessions)全部存在本地磁盘,Agent 执行任务时,会在固定 workspace 目录下运行,用户上传的文件、Agent 产出的文件全部落在同一个 workspace,Agent Loop 完全依赖本地文件构建上下文和执行工具调用,存跟算是一体的。

这种模式好处是足够简单,避免了额外的文件挂载开销,弊端在于安全性,比如 Agent Loop 执行了一个 exec(rm  -rf /) 工具调用,很容易对宿主机产生破坏

  1. 本地带沙盒运行。

这是 Codex 之类的 Agent 的常见模式。主要解决两个问题。一是防止 Agent 越权操作,提高安全性;二是解决宿主机的依赖缺失导致工具调用异常的问题。

Agent Loop 执行工具调用时,涉及到敏感操作或者有外部依赖时,把宿主机的 workspace 目录挂载到 sandbox,在 sandbox 执行工具调用,输出产物自动同步到宿主机的 workspace 目录

这种模式下的存算分离,只在工具调用环节引入 sandbox 来动态计算,存储主要靠宿主机的文件系统

  1. 云端多副本运行。

这是 Manus 之类的工具型 Agent 的常见模式。主要特点是多租户,多任务,长时间运行

像 genspark claw,kimi claw,max claw 之类的托管版小龙虾,本质上是在云端多副本运行的助理型 Agent,每个用户有独立的提示词文件,动态安装的 skills,需要长期记忆

这类 claw 托管服务,最简单的实现方式是搭建一套 k8s 集群,在每个 pod 部署一套 Agent 框架(OpenClaw,harmes 等),通过 pvc 挂载云硬盘,实现对用户资料的持久化存储。通过负载均衡策略把每个用户的请求路由到固定的 pod,在同一个 pod 做 Agent Loop,存算是一体的,每个 Agent 有独立的运行空间。这种方案隔离性很好,不好的地方在于 pod 需要常驻,运行成本很高,难以规模化

Agent 存算分离

云端 Agent 需要规模化(scalable),必然要结合 serverless 架构做存算分离。计算层依赖 k8s 集群的调度机制动态扩缩容,水平扩展 Agent 网关的并发处理能力

存储层结合 Agent 的运行生命周期,不同阶段的产物用不同的存储方案,主要分为四种

  1. 热状态。Agent Loop 的 step,plan,游标等状态,用 kv(redis)来存,高性能,低延迟,用于异常重启后的断点恢复

  2. 对话和任务记录。在任务完成后用关系型数据库(postgres)来存

  3. 长期记忆。基于对话/任务记录做摘要,提取成记忆,用向量数据库(pgvector,milvus)来存

  4. 工作产物。包括用户上传的文件,Agent 输出的文件,系统内置的 tools,动态创建的 skills 等,用对象存储(s3,oss)来存

FastClaw 运行示例

以 FastClaw 为例,演示基于存算分离架构的云端 Agent 的运行过程👇

  1. 一套 k8s 集群,日常 2 个 pod,部署 fastclaw gateway,接收用户请求

  2. 负载均衡把用户请求路由到其中一个 pod,Agent 开始计算逻辑:

  • 2.1  从 db 读取提示词文件(soul,identity,user)

  • 2.2  初始化 pod 内一个临时目录作为 workspace

  • 2.3 初始化 sandbox,挂载 workspace

  • 2.4 从对象存储下载用户资料和系统 skills 到 workspace

  • 2.5 调用 memory_search 工具,从向量数据库查询记忆

  • 2.6 拼接上下文,调用 llm,解析工具

  • 2.7 在 sandbox 执行工具调用,读写 workspace 内的文件

  • 2.8 把 Agent Loop 过程中的状态设置为 checkpoint,保存到 kv

  • 2.9 Agent 输出结果给用户

  1. 通过惰性检查,把不活跃的 sandbox 关闭,关闭前把 sandbox 内 workspace 的文件上传到对象存储

以上的存算分离架构,计算层依赖 pod + sandbox,pod 水平扩容支持并发调用,sandbox 承接少量的工具调用,使用 e2b 作为 sandbox 可以做到秒级启动,构建 sandbox 池可以提高并发容错;存储层依赖 kv + db + vector db + oss 的组合使用,瓶颈在于 io 延迟

这套架构最大的挑战在于分布式多副本场景下的数据一致性,需要合理使用锁机制和负载均衡策略。

理解了这套架构,再去看 Manus,Claude managed agents 的实现,就很好理解了。

Agent 托管服务迁移

我年初开始做 OpenClaw 托管服务,在一套 k8s 集群部署了 500 个 Pod,每个 Pod 限制 4g 的运行内存。日常开着 18 台 4c16g 的服务器作为节点池,一个月成本将近 5k 刀。

几个月下来,托管服务的 MRR 突破了 8k 刀,除去运营成本,利润非常低。

今天终于把服务迁移到了 FastClaw,通过存算分离的架构,让 Agent 无需常驻,而是在收到请求时动态挂载 sandbox 来提供服务。服务器从 18 台降到了 3 台,运营成本降到了 1/6,下个月有机会赚到钱了。😄

跟 OpenClaw 比,FastClaw 真的是太轻量了。

  1. 代码体积约为 OpenClaw 的 1/40

  2. 运行资源占用约为 OpenClaw 的 1/7

  3. 单二进制分发,无环境依赖

  4. OpenClaw 的 gateway 启动大概需要 15s,FastClaw 秒级启动

FastClaw 本身是为云原生多租户场景而设计的 Agent 运行框架,同样也适用本地运行场景。

继续完善,欢迎体验。❤️

https://fastclaw.ai

跳转微信打开

我的 Vibe Coding 项目

2026年4月5日 22:38

原创 idoubi 2026-04-05 22:38 广东

我用 Claude Code Vibe Coding 了几个项目,非常有意思。

最近三个月,我用 Claude Code Vibe Coding 了几个项目,非常有意思,写篇文章记录一下。

WorkAny

workany.ai

在上一篇文章 Vibe Coding 一周,我做了个桌面 Agent 写到,我第一次尝试全自动 Vibe Coding,发布了我的第一个 Agent 项目 WorkAny。

断断续续在迭代 WorkAny,修复了一些用户反馈的问题,Github 仓库 star 涨到了 1.4k。

WorkAny 最初的版本基于 Claude Agent SDK 实现 Agent Runtime,依赖本地的 Claude Code,任务处理比较慢,还经常遇到一些模型不兼容的问题。

最近一段时间尝试了接入 DeepAgents、Pi 作为 Claude Agent SDK 的替代方案,效果始终不太理想,需要定制的工具很多,不能做到像 Claude Agent SDK 一样开箱即用。

这周把 WorkAny 的 Agent Runtime 换成了自己写的 Open Agent SDK,运行流畅了,好多问题也解决了。

WorkAny Bot

workany.bot

2 月份的时候,OpenClaw 特别火,掀起了全民养虾热潮,主要的需求和痛点是:

  1. 大家都在玩,很好奇,我也想试试

  2. 不敢在自己电脑跑,担心隐私和安全风险

  3. 不懂技术,搞不了虚拟机,折腾不来云服务器

  4. 希望长时间待机,但没预算,不想买 Mac Mini

  5. 不想学怎么配模型、Skills,只想开箱即用

我花了一个周末的时间,发布了 WorkAny Bot,提供 OpenClaw 云端托管服务。

用户不需要关心技术,只需要点几下 Next,付费开通服务,马上得到一个 xxx.workany.bot 地址,打开就能看到 OpenClaw 的页面,接入到自己的 im 软件,开始养虾。

WorkAny Bot 给不想自己折腾的用户提供了便利,让部分人快速用上了 OpenClaw。但在使用过程中,体验还是比不上在自己电脑上部署 OpenClaw。

云端的 Bot 在浏览器自动化、配置工具、定时任务等方面有很多限制,使用起来不够流畅。

ClawHost

clawhost.me

我把 WorkAny Bot 背后的 OpenClaw 托管方案整理出来开源了。

这套方案的核心依赖 K8S 集群,在每个 Pod 部署一个 OpenClaw 实例,通过 PVC 挂载磁盘,对 .openclaw 目录进行持久化存储。

ClawHost 提供一个简单的管理面板,管理员创建 App 和 Bot,对外提供 Restful API,第三方 App 通过 API 创建 Bot 和管理 Bot 内配置。

熟悉 K8S 运维的人可以使用这个方案,做自己的 OpenClaw 托管服务。企业可以私有化部署,挂载内部 Skills,为员工统一配置企业版龙虾。

ChatClaw

chatclaw.im

我觉得 OpenClaw 自带的 Web UI 有点丑。

功能很多,配置很杂,改起来很麻烦。而且对话的体验很不好。

于是我开源了 ChatClaw,一个基于 OpenClaw 的 Web UI,提供更美观的界面和更流畅的对话体验,主打多 Agent 协同对话/工作。

最近 OPC(一人公司) 很火,ChatClaw 从 OPC 的角度设计了整体架构:

OPC -> Companies -> Teams -> Agents -> Tasks

一个 OPC 可以创建多个公司,每个公司对应一个 OpenClaw Gateway,可以是本地的,也可以是云端的(比如:WorkAny Bot)。

ChatClaw 的本质是一个 Web UI,只做界面交互,不做业务逻辑。依赖的是 OpenClaw 提供的 Agent Runtime,相当于给你的龙虾换个壳子。前提是,你得有自己的 OpenClaw。

CoRich

1 月份的时候,我想做一个开源版本的桌面 Agent,对标 Cowork。

想了好几个产品名,其中一个是 CoRich,另一个是 WorkAny,后来选了 WorkAny 作为产品名,CoRich 这个名字就闲置了。

最近 Slack 被爆出批量删除中国团队账户,不允许中国公司使用了。

然后我就很想做个 Agent 版本的 Slack,让人与 AI 可以协同工作,共同完成任务。

我选择了 CoRich 做这个产品的名字,让 Claude Code 快速搭了一个架子,布局参考 Slack,允许创建多个 Workspace,邀请人类员工、创建 Agent 员工,在不同的 Channel 下对话或做任务。

这个产品的交互跟 ChatClaw 有点像,不同的点在于 ChatClaw 是基于 OpenClaw 的 Web UI,依赖 OpenClaw 作为 Agent Runtime,主要是给个人使用,不适合多人协作。

CoRich 跟 ChatClaw 的架构类似,把 Companies 换成了 Workspaces,同样支持 Agents、Teams、Tasks,区别在于 CoRich 允许邀请人类员工加入 Workspace,支持多人 + 多 Agent 协作。

目前,CoRich 还属于 Demo 阶段,还需要点时间完善基本功能。

FastClaw

fastclaw.ai

我做了近两个月的 OpenClaw 托管服务,部署在阿里云国际站的 K8S 集群上,一个月接近 5k 美金的部署成本。

我分析了一下,部署成本高的原因主要有几点:

  1. OpenClaw 是单租户架构,我需要为每个用户单独用一个 Pod 隔离部署,挂载独立的存储空间

  2. OpenClaw 需要至少 1G 的运行内存,在 K8S 部署,每个 Pod 的 memory_limit 不能低于 4G,不然很容易 OOM

  3. OpenClaw 针对一些复杂类任务(比如:写代码),会开独立的子进程去执行,进程开销很大。

  4. OpenClaw 启动依赖网关初始化、插件加载等多个串行步骤,从启动到可用需要 15-30 秒,没办法做到秒级启动。如果要保证用户云端的 Bot 一直在线,Pod 需要常驻,对于不经常使用的 Bot,是一种资源浪费

所以我得出的结论是,OpenClaw 是针对个人使用场景设计的助理类 Agent,不适合云端部署的多租户场景。上面提到的 CoRich 这种需要多人协作的产品,用 OpenClaw 做底层的 Agent Runtime 肯定不行。

于是我决定自己做一个 Agent 底层框架(操作系统)。

我开源了 FastClaw,定位是一个更好的 OpenClaw-Like Agent OS。

  1. 使用 Go 实现,单二进制分发(5MB),运行零依赖,秒级启动

  2. 运行时内存占用 ~20M,约为 OpenClaw 内存占用的 1/7

  3. 约 3000 行代码实现 OpenClaw 的核心功能,二次开发更简单

  4. 以 RPC 进程通信的方式运行插件,隔离风险,插件挂了不影响主进程,解决 OpenClaw Gateway 容易挂的问题

  5. 引入数据库实现持久化存储,用户会话隔离,天然适用云原生多租户部署场景

  6. 可视化引导安装,上手门槛更低。管理后台 Web UI 更清晰、操作更友好

除了架构方面的优化和对云端多租户场景的适配,FastClaw 选择尽可能兼容 OpenClaw 的协议和生态:

  1. fastclaw.json 配置文件,采用跟 openclaw.json 一样的数据结构

  2. 支持 OpenClaw 的 plugins,支持 ClawHub 的 skills 等

  3. 跟 OpenClaw 类似的方式实现 memory、context、tools 等核心功能

目前的情况是,FastClaw 堆了很多功能,但是还没来得及完整测试。

有来自社区的开发者贡献了几个 FastClaw 插件,还没来得及整合,还需要时间打磨功能、发展生态。

WeClaw

weclaw.im

半个月前,一向封闭的微信开放了 ClawBot 一级入口,允许用户接入自己的 OpenClaw,在微信 ClawBot 对话使用。

微信官方发布了一个 weixin-openclaw 插件,用户在电脑上运行这个插件,扫码登录后,可以连接电脑上的 OpenClaw。

我的工作电脑上没有安装 OpenClaw,但是我想通过微信 ClawBot 连接我电脑上的 Claude Code 做任务。

于是我开源了 WeClaw,定位是连接微信 ClawBot 与桌面 Agent 的桥接器。

在电脑上运行 weclaw 后,weclaw 自动探测到电脑上安装的 Agent,比如 Claude Code / Codex / Gemini / OpenClaw 等,再通过 ACP / CLI / HTTP 三种方式,与 Agent 实现连接。

用户可以在微信 ClawBot 通过自定义指令切换 Agent 对话,可以把消息同时发给多个 Agent。

有个高频使用 weclaw 的朋友给我看了他的一个工作流,挺有意思的:

在微信 ClawBot 语音输入内容 -> 微信自动转文字 -> 发给电脑上的 weclaw -> weclaw 转发给电脑上的 Claude Code -> Claude Code 根据输入内容,提取关键信息 -> Claude Code 调用 Skills,把结构化内容输出到第三方软件

WeClaw 这个项目的价值在于,你可以在微信 ClawBot 连接任何你常用的 Agent,定制指令实现自定义工作流。

AnyClaw

anyclaw.tools

有了 WeClaw 之后,我日常会通过微信 ClawBot 查很多信息,做很多任务。

只靠大模型的能力,很多任务实际上是不太容易完成的。

为了补充大模型挂载外部信息的能力,这两年出来了很多解决方案,比如 RAG / MCP / Skills 等。

Skills 的解决方案是写一堆 Markdown 文档加一些脚本,让 Agent 渐进式读取提示词,在合适的时机调用合适的技能,辅助大模型完成任务。

Skills 比起 MCP 是一个很大的创新,不需要把一堆工具在每次对话都塞进模型上下文,节约了 Token。

后面大家发现,用命令行工具,可以进一步优化上下文,因为命令行工具 --help 输出的信息,能告知模型可用的工具列表,还不需要传递额外的描述内容。

于是,很多厂商又从开放 Skills 转成了开放 CLI 工具。

我开源了 AnyClaw,定位是给 Agent 用的技能补充包。

这个项目主要想做三件事:

  1. 做转换器。把互联网上的 OpenAPI Schema / 自定义的脚本、Pipeline / 网站 / 桌面 App 等,一键转换成 CLI 工具

  2. 做扩展坞。输入是 CLI,输出是 MCP / Skills,让不同类型的 Agent 都能理解工具,在合适的时机自动发现并调用工具

  3. 做工具箱。把常用的工具收集起来,放到工具箱,让 Agent 可以搜索、安装、调用工具

比如我针对域名搜索场景写了个 query-domains 工具,通过 anyclaw 命令三步调用:

anyclaw search domain
anyclaw install query-domains
anyclaw query-domains search "workany.ai"

除了 anyclaw 内置的工具,你还可以添加第三方仓库提供的工具,比如:

anyclaw repo add https://github.com/larksuite/cli --name feishu-cli
anyclaw repo update
anyclaw search docs --repo feishu-cli

把 AnyClaw 自身的 SKILL.md 发给 Claude Code,然后就可以通过 WeClaw 给 Claude Code 发消息,调用 AnyClaw 内置的工具查信息了。

AnyClaw 目前对于工具的编写、转换、导入等功能已经比较完整了。工具箱内置的工具还比较少,还需要时间积累,也需要发展生态,通过社区的力量集成更多的工具。

ClawRouter

我去年做过一段时间 MCPRouter,把一些流行的 MCP 服务器托管起来,整合下游服务的 API Key,再对上游提供统一的接入和计费。

用了一段时间 OpenClaw 之后,我发现要让自己的龙虾做更多的事情,比如画图、生成音乐等,需要给龙虾配置各种工具,但是我又不想去各个提供工具的服务商平台申请 API Key 和绑卡充值。

于是我把 MCPRouter 改成了 ClawRouter,把之前托管的 MCP 服务器平移了过来,后面还想接入模型、Skills,以及 AnyClaw 整合的 CLI 工具。

ClawRouter 的定位是 Tools 版本的 OpenRouter。

目前 ClawRouter 整合的工具还不够多,还在内部测试,没有发布上线。

Clawork

玩过一段时间 MoltBook,Agent 自由社交,非常前沿。有人觉得 Web 4.0 要来了,Agent 互联网已开启。

于是我在想,既然 Agent 能自由社交,Agent 是不是也可以自由交易。

我给我的 Agent 配置了最贵的模型和最好的工具,我的 Agent 能够高效完成各类复杂的任务,但是我的成本消耗也很大。

如果我的 Agent 可以在网上接单,帮助其他人实现他们的一些需求,是不是既创造了价值,又能赚到钱,帮助我平摊成本。

于是我做了 Clawork,定位是 Agent 众包平台。可以由人类,或者人类的 Agent 在平台上发布任务,设置预算。

其他人的 Agent 可以通过接口发现任务,竞标做任务,完成任务后可以获得对应的 Token 报酬。

人类在平台提现,把 Agent 赚到的 Token 换成现金提取出来。

Clawork 可以先做成 Agent 版本的 Upwork,走竞标模式。后面可以往 Agent 版本的 Uber 方向发展,做平台派单模式。

有交易的平台,就会有很大的商业价值。我很看好这个方向,但是又感觉有点太超前,不太容易落地。

Clawork 初期的核心功能已经完成,本地测试跑通了完整的双边交易流程,但是还有一些问题没有想明白,所以还没有发布上线。

ClawBaby

最近一段时间看到了很多有意思的桌宠项目,有的跑在 Dock 栏上,有的跑在刘海屏上,还有的在桌面上跑来跑去。

最近 Claude Code 推出了一个 /buddy 指令,可以在 Claude Code 对话框添加一个桌宠。

我让 Claude Code 给我写了两个版本,一个版本用 tauri 写的,让一个龙虾头像在桌面游走,监听 Agent 在做的任务,做实时互动。另一个版本用 Swift 写的,跑在 Mac 的刘海屏,可以投喂、互动,就像是在玩宠物养成游戏。

单纯觉得这类项目好玩,谈不上多有价值,反正也不需要我花什么时间,顺手就让 Claude Code 做了。😄

Open Agent SDK

本周 AI 行业有个大事件,Claude Code 源码泄露了。

Twitter 上有一波人用 AI 去分析 Claude Code 的源码,再写成解读文章,拿到了很多流量。

另一波人选择在 Claude Code 源码基础上补齐工具链,做成可直接运行的开源版 Claude Code,吸引了很多关注。

我选择了在 Claude Code 源码基础上,抽出来一个 SDK,用于替换 Claude Agent SDK

使用 claude-agent-sdk 做过 Agent 产品的都知道,其本质是在 claude code 的基础上套了一层壳,做成 sdk 给第三方接入,可以加速 Agent 产品的开发,但是弊端也很明显:

  1. claude-agent-sdk 依赖 claude code,而 claude code 是不开源的,一切都是黑盒调用,出了问题你没法修

  2. claude-agent-sdk 接到的 query,需要创建 claude code 进程去处理,开销很大,不适合云端规模化调用

我让 Claude Code 分析了一遍 claude-code-sourcemap 源码,把逻辑全部抽离出来,写了个 open-agent-sdk:

  1. 完全兼容 claude-agent-sdk 的接口形式,只需换个包名即可快速替换

  2. 完全开源,你可以接入到你的 Agent 后做定制化修改,不再是黑盒调用

  3. 函数调用,不依赖本地 cli 进程,没有额外的开销,云端 Agent 高并发不愁

使用 open-agent-sdk 的一个调用示例:

import { createAgent } from'@codeany/open-agent-sdk';
const agent = createAgent({
  apiType: 'openai-completions',
  model: 'gpt-4o',
  apiKey: 'sk-...',
  baseURL: 'https://api.openai.com/v1',
});
const result = await agent.prompt('What files are in this project?');
console.log(result.text);

帖子发出去之后,反响特别好,拿到了 321k 访问,Github 仓库一周涨了 2k star,真神奇。

我让 Claude Code 参考 open-agent-sdk-typescript,实现了 go / rust / python 三个语言的版本,一共开源了四个语言版本的 open-agent-sdk

然后我又让 Claude Code 修改 WorkAny 的源码,引入 open-agent-sdk-typescipt,替换掉原来依赖的 claude-agent-sdk

在 WorkAny 跑了几个任务,响应很快,效果很好。用自己的 SDK 实现了 Agent Runtime 功能,不再依赖 Claude Code,哪里不爽改哪里。

CodeAny

codeany.ai

泄露出来的 Claude Code 源码有近 50 万行代码,除了 Agent 运行逻辑,还有很多周边代码值得学习和研究。

我让 Claude Code 继续扫描 claude-code-sourcemap 仓库,把 cli 和 UI 部分的逻辑抽离出来,用 go 重写,做一个新的终端 Agent:CodeAny

在 CodeAny 引入了 open-agent-sdk-go 作为 Agent Runtime

经过多次的扫描、测试、补齐功能,CodeAny 基本复刻了 Claude Code 的核心功能,实现了 Claude Code 的大部分指令。

在 CodeAny 接入 OpenRouter 上的 xiaomi-mimo 模型,响应速度非常快,跑了几个任务,效果还不错。

比起 Claude Code,CodeAny 的运行速度更快,内存占用更低,而且完全开源,可以定制功能。继续迭代,也许能逐步替代掉 Claude Code,作为日常使用的 Coding 工具。

CCOnline

既然拿到了 Claude Code 的源码,我在想,能不能跟托管 OpenClaw 一样,我也搞一个托管 Claude Code 的服务?

于是我做了 CCOnline,定位是一个跑在云端的 Claude Code,内置模型 + Skills,帮助用户完成一些日常的任务。

跟 ClawHost 的托管方案不一样,我尝试用 e2b 来做隔离容器,每个用户分配一个默认的 Workspace,每个 Workspace 对应一个 e2b 容器,用户的项目文件通过对象存储挂载。

比起 K8S Pod 的隔离方案,e2b 隔离性更好,毫秒级启动,无需常驻,运维方便。也许成本会比用 K8S Pod 的方案低。

CCOnline 目前还在技术实验阶段,我没想明白纯云端的 Claude Code 有什么价值,目标群体和使用场景分别是什么。

总结

用一个表格整理了以上提到的几个项目👇

这些项目全部由 Claude Code 完成,我负责提需求、测试、再提需求,未参与过代码编写工作,总体投入时间不多。

我甚至很少打开编辑器,很多时候是走在路上,灵感来了,拿出手机,通过 Discord 把想法发给 OpenClaw,让 OpenClaw 调用 Claude Code 去实现。

等有时间打开电脑,我再去验收一下,有不满意的地方,再发消息给 OpenClaw 让他指挥 Claude Code 去修改。

全自动 Vibe Coding 近三个月,我有几点很深的感触:

1.我的编程习惯彻底被颠覆了,角色定位也发生了很大的变化。我不再把自己当做一个程序员,而是项目经理 + 系统架构师 + 测试工程师。

2.AI 治好了我的强迫症和代码洁癖,我不再关注代码,只关注实现的功能完整性。

3.AI 变得智能了,我的效率更高了,但是注意力更加不集中了。同时开很多个窗口做不同的项目,没有把哪个项目做得特别好

4.测试资源极度缺乏,AI 做得很快,但是我没有足够的时间去验收,也不知道功能完不完整,有没有什么 bug

5.用 AI 复刻一个项目变得极度容易,我不明白这个时代产品的护城河在哪里

6.技术落地的能力差异被 AI 彻底抹平,擅长搞流量和商业变现的能力变得极其重要

7.知识面的广度和架构设计能力,是这个时代重要且稀缺的能力

8.我时常感到迷茫,不知道做这些所谓“产品”的意义在哪里


也许控制注意力,在一个方向持续做深,才是正确的事情。

❝

Attention is all you need.

阅读原文

跳转微信打开

开源 open-agent-sdk

2026年3月31日 23:51

idoubi 2026-03-31 23:51 广东

让 Claude Code 分析了一遍 claude-code-sourcemap 源码,把逻辑全部抽离出来,写了个 open-agent-sdk,用于替代 claude-agent-sdk

使用 claude-agent-sdk 做过 Agent 产品的都知道,其本质是在 claude code 的基础上套了一层壳,做成 sdk 给第三方接入,可以加速 Agent 产品的开发,但是弊端也很明显:

1. claude-agent-sdk 依赖 claude code,而 claude code 是不开源的,一切都是黑盒调用,出了问题你没法修

2. claude-agent-sdk 接到的 query,需要创建 claude code 进程去处理,开销很大,不适合云端 Agent 使用

在 Claude Code 源码基础上实现的 open-agent-sdk

1. 完全兼容 claude-agent-sdk 的接口形式,只需换个包名即可快速替换

2. 完全开源,你可以接入到你的 Agent 后做定制化修改,不再是黑盒调用

3. 函数调用,不依赖本地 cli 进程,没有额外的开销,意味着你可以在云端 Agent 规模化调用

想到一个有意思的比方不知道合不合适😄

Claude Code 家后院起火,我让 Claude Code 把家里的桌椅板凳、锅碗瓢盆都搬出来,盖了一座新房子,让大家都可以免费住。🐶

MIT 协议开源,欢迎使用。👇

https://github.com/shipany-ai/open-agent-sdk

跳转微信打开

开源 AnyClaw:给 Agent 使用的智能转接头

2026年3月27日 23:42

idoubi 2026-03-27 23:42 广东

把传统互联网的 API / Web / Script 转成 Agent 互联网流行的 MCP / Skills / CLI 格式👇

1. 支持多种输入格式。包括 OpenAPI Schema、自定义脚本、网页自动化工作流、终端命令包裹器等

2. 支持多种输出格式。MCP / Skills / CLI ,让 Agent 可以静态挂载 MCP 工具、渐进式加载 Skills,或者直接调用 CLI

3. 支持多种安装来源。系统命令、本地 yaml 文件、官方镜像、第三方仓库等

4. 支持镜像仓库。可以搜索、安装 package,获得多个工具能力

5. 兼容 opencli 生态(网页 RPA、Electron App 转换),支持 cli-anything(源码分析,导出 CLI 工具),正在支持 page-agent(基于 Dom 操作网页)

如何使用?

1. 访问项目主页,复制一键安装命令,在电脑安装 anyclaw

2. 查看镜像仓库的可用包,或根据需求搜索包

anyclaw list --all

anyclaw search news

3. 安装包

anyclaw install hackernews

4. 可选。直接 CLI 运行工具

anyclaw hackernews top --limit 5

5. 可选。导出 Skills 让 Agent 按需调用工具

anyclaw skills hackernews -o ~/.claude/skills

6. 可选。配置 MCP,让 Agent 在启动时挂载工具

{

"mcpServers": {

"hackernews": {

"command": "anyclaw",

"args": ["mcp", "hackernews"]

}

}

}

为什么做?

Agent 的通用推理能力越来越强,但在很多场景缺乏专业工具;传统互联网上分散着各类工具,但无法被 Agent 发现和直接调用

Agent 与工具之间,需要一个智能转接头,也需要一个集装箱

目前已在 anyclaw 镜像仓库索引由 opencli 实现的 30+ 工具,已支持从 fal .ai 导入 Schema 实现模型调用(nano-banana-2 等),下一步计划完善镜像仓库,内置常用的画图、视频生成、音乐生成、网页操作等工具。

anyclaw 生态需要社区共建,期待第三方开发者贡献各类好玩的工具。😄

------

MIT 开源,欢迎使用,感谢支持。

https://github.com/fastclaw-ai/anyclaw

跳转微信打开

❌