阿里开源 OpenClaw：5分钟本地搞定多 Agent 团队！

Ne0inhk

— 8 min read

大家好，我是玄姐。

阿里开源 Team 版 OpenClaw：HiClaw 发布，5分钟本地搞定多 Agent 团队！

作为模型服务的新入口，OpenClaw 曾凭借强大的自动化能力（写代码、查邮件、操作 GitHub、设置定时任务）让无数开发者大呼过瘾。这种通过 IM 直接下发指令的交互创新，确实带来了极大的“爽感”。

但是，随着你的指令积压、Long Horizon（长周期）项目越来越多，原生 OpenClaw 的短板开始暴露：

  • 安全风险在裸奔：每个 Agent 都要配置自己的 API Key。GitHub PAT、LLM Key 散落各处。2026年初的漏洞事件提醒我们，这种 "self-hackable" 架构极易造成凭证泄露。
  • 记忆爆炸与 Token 刺客：一个 Agent 既当爹又当妈（前端、后端、写文档）。skills/ 越来越乱，MEMORY.md 混杂海量记忆，每次加载都要塞入大量无关上下文，既浪费 Token，又容易让 AI “精神分裂”。
  • 多 Agent 协作像在“带娃”：手动配置 SubAgent、手动分配任务、手动同步进度……你本想专注业务，结果却成了 Agent 的全职保姆。
  • 移动端体验门槛极高：想在手机上随时随地指挥 Agent？对不起，飞书、钉钉的机器人接入审批流程能让你等到绝望。
  • 配置门槛劝退新手：光是安装、配置到跑通，资深程序员也得折腾大半天（某鱼甚至出现了付费代装服务）。

如果你也深有同感，那么今天的主角：HiClaw，就是为你量身打造的。

一、HiClaw 究竟是什么？

HiClaw = OpenClaw 超进化，你可以把它理解为 Team 版的 OpenClaw。

它的核心创新在于引入了 Manager Agent（AI 管家）角色。它不直接干脏活累活，而是帮你管理底下的 Worker Agent 团队，就像钢铁侠的智能管家贾维斯。

你的本地环境：

Manager Agent (AI 管家) ➡️ 负责管理、拆解任务、分派

⬇️

Worker Alice (前端) | Worker Bob (后端) | Worker... (数据/运营)

作为真人管理员，你只需做决策，不再当保姆。这套系统支持灵活的模式切换：

  • 模式一：直接对话 Manager。适合快速问答和简单操作，Manager 自己随手就办了。
  • 模式二：Manager 分派 Worker。面对复杂项目，Manager 自动拆解任务并分配给专业的 Worker。每个 Worker 拥有独立的技能（Skills）和记忆（Memory），物理隔离，互不污染。

二、直击痛点：HiClaw 的四大架构革新

1. 终结安全焦虑：Worker 永远不碰真实凭证

在原生 OpenClaw 中，一旦 Agent 被攻击，你的 API Key 就会直接暴露。

HiClaw 引入了 AI Gateway 机制：真实的 API Key、GitHub PAT 等凭证全部由网关统一收口。

  • Worker 视角：只能看到任务文件、工作目录和一张“门禁卡”（Consumer Token）。它看不到你的 LLM Key，也看不到任何加密凭证。
  • 调用外部服务：全部通过 Gateway 代理。
  • 技能生态放心用：HiClaw 内置了 find-skills 技能。当 Worker 缺工具时，会主动去 80,000+ 的开源技能库搜索并安装。由于 Worker 运行在安全沙箱且无真实凭证，你可以放心大胆地让它自主扩展能力。如果是企业用户，只需配置 SKILLS_API_URL 即可无缝切换到内部私有技能库。

2. 告别记忆爆炸：引入 MinIO 共享文件系统

Agent 之间交换代码、文档等中间产物，如果全发在群聊里，Token 成本和延迟都会爆炸。

HiClaw 巧妙地采用了双轨制：

  • Matrix 群聊房间：只保留有意义的沟通、汇报和决策记录（保持上下文精简）。
  • 底层 MinIO 共享文件系统：用于存储代码、文档、临时数据等大量中间产物（不污染群聊）。

算一笔经济账：

假设一个项目需要 3 次代码开发（需使用强大的 Sonnet 模型，每次 50k tokens）和 10 次普通信息收集（需 100k tokens）。

  • 原生 OpenClaw（混杂在一起，统一用高阶模型）：总计约 $3.45。
  • HiClaw（按任务分配模型，区分轻重）：代码用 Sonnet，信息收集分配给便宜的模型（如 Haiku），总计约$0.70。

直接节省 80% 成本，且代码质量不打折！

3. 多 Agent 高效协作：基于 Matrix 的 Swarm 架构

HiClaw 在 Manager-Worker 的 Supervisor 架构基础上，通过底层的 Matrix 群聊房间实现了 Swarm（蜂群）架构的优势。

  • 上下文共享：Alice（前端）在群里说进度，Bob（后端）自动就能看到，无需重复沟通。
  • 防惊群设计：避免群里每句话都触发全员 LLM 调用。规则很简单：Agent 只有被 @ 的时候才会被唤醒。
  • Human in the Loop（人在环路）：一切协作在群聊中可见，发现进度走偏，你可以随时 @ 对应的 Agent 进行人工干预。

4. 极致的移动端体验：开箱即用的内置 IM

HiClaw 抛弃了繁琐的微信/飞书/钉钉企业机器人接入，直接内置了 Tuwunel Matrix Server。

下载 Matrix 客户端（如 Element Mobile 或 FluffyChat），连上你的服务器，随时随地在手机上指挥你的 AI 团队干活。消息实时推送，对话全程透明。

三、All-in-One 架构设计：5分钟极速安装

原生 OpenClaw 像是一台需要你自己买显卡（LLM）、配显示器（Channel）、装驱动的“组装机”。而 HiClaw 是一台开箱即用的“MacBook”。

它打包了：OpenClaw (大脑) + Higress AI Gateway (神经中枢) + Tuwunel Matrix (感知器官) + MinIO (海马体)。

一键安装脚本：

macOS / Linux：

bash <(curl -sSL https://higress.ai/hiclaw/install.sh)

Windows（PowerShell 7+）：

Set-ExecutionPolicy Bypass -Scope Process -Force; Invoke-Expression ((New-Object System.Net.WebClient).DownloadString('https://higress.ai/hiclaw/install.ps1'))

脚本会自动智能检测时区选择镜像、使用 Docker 容器化封装屏蔽系统差异，你只需要准备一个 LLM API Key 即可启动！

图片

四、Showcase：躺在沙发上，看着 AI 团队开发 SaaS

假设你想开发一款 AI 写作助手 MVP，体验一下 HiClaw 的震撼工作流：

你: 帮我创建 4 个 Worker：alex(产品), sam(全栈开发), taylor(内容运营), jordan(数据分析)

Manager: 好的，4 个 Worker 已创建。

你: 启动项目：AI 写作助手 MVP，下周要上线

Manager: 收到，我来规划项目... [创建项目群，邀请全员，输出分为产品定义、开发、上线三阶段的 Phase 计划]... 确认后我开始分配任务。

你: 确认

Manager: @alex 你有新任务 [task-001]：竞品调研 & PRD...

(1小时后)
alex

: @manager task-001 完成。PRD 结果已存入：

~/hiclaw-fs/shared/tasks/task-001/result.md

Manager

: [读取状态] @sam 你有新任务 [task-002]：技术选型 &amp; 架构，参考 PRD。@taylor 你有新任务 [task-005]：发布素材准备...

(后续 sam 完成开发部署，alex 介入验收，提出修改意见，Manager 自动创建修订任务发给 sam...)

Manager

: @你 MVP 开发完成！代码已部署，验收通过，发布素材就绪。
你: 准备上线。@taylor 明天 Product Hunt 发布。

(上线后)

Manager

: @你 Product Hunt 当前第 3 名。@jordan 请配置数据埋点。

jordan

: @manager 埋点配置完成，首日注册 1,247 人...

就这样，Manager 贯穿了规划、分配、监控、协调、汇报的全流程。一个 AI，带着 4 个 AI 员工，干完了一个团队的活。

五、结语

无论你是想要“一个人干成一个团队”的独立开发者/一人公司创始人，还是寻求更安全体验的 OpenClaw 深度玩家，亦或是希望构建数字员工的企业团队，HiClaw 都将是你的绝佳选择。

HiClaw 是完全开源的（基于 Apache 2.0），后续还将支持自由扩展 Copaw、ZeroClaw 等更多 Agent 模型。

GitHub 地址：

  • https://github.com/higress-group/hiclaw

好了，这就是我今天想分享的内容。如果你对构建企业级 AI 原生应用新架构设计和落地实践感兴趣，别忘了点赞、关注噢~

—1—

加我微信

扫码加我👇有很多不方便公开发公众号的我会直接分享在朋友圈，欢迎你扫码加我个人微信来看👇

图片

加星标★，不错过每一次更新！

⬇戳”阅读原文“，立即预约！

Read more

rsl_rl——人形运控部署框架汇总：从经典RL框架rsl_rl到宇树开源的unitree_rl_gym(含unitree_sdk2_python)

rsl_rl——人形运控部署框架汇总：从经典RL框架rsl_rl到宇树开源的unitree_rl_gym(含unitree_sdk2_python)

前言 现在人形运控基本都避不开RL了，而对于人形运控本身的部署则是一个完整的工程，而作为经典RL框架rsl_rl，则在本博客里的多篇文章反复被提及，比如 1. 比如Humanplus一文中提到 对于humanplus的整个代码框架，总计包含以下五个部分 Humanoid Shadowing Transformer (HST)，此所谓low-level，属于机器人小脑 这个部分的代码是基于仿真的强化学习实现，使用了legged_gym和rsl_rl .. ———— 顺带，该文『详见此文《斯坦福人形HumanPlus的代码解读与复现关键：从HST(含rsl_rl)到HIT、HardWare》』，曾分析过rsl_rl中对PPO的实现 既然本文专门解读rsl_rl，故可以把那部分中对rsl_rl的介绍 也综合到本文之中了 2. 比如NaVILA一文中提到 第二部分 NaVILA/legged-loco中isaaclab_exts/模块的解析：侧重H1人形机器人配置 整体代码库主要分为以下几个部分： isaa

By Ne0inhk

Python多尺度地理加权回归(MGWR)实战指南：从数据准备到结果解读全流程

数据准备 确保数据包含因变量和自变量，并完成空间坐标匹配。使用pandas读取CSV或Excel格式的数据文件，geopandas处理空间数据。检查缺失值并进行插补或删除处理，确保所有变量为数值类型。 安装mgwr库前需满足依赖：numpy、scipy、pandas、spreg、spglm。通过pip直接安装最新版本： pip install mgwr 带宽选择 MGWR的核心是自适应带宽选择。使用Golden Section Search方法确定最优带宽，平衡模型复杂度与拟合优度。调用MGWR类时设置参数： from mgwr.gwr import MGWR model = MGWR(coords, y, X, kernel='bisquare', fixed=False) 模型拟合 标准化自变量以避免尺度差异影响权重计算。拟合模型后检查AICc值，较低值表示更好拟合。示例代码： results = model.fit() print(results.

By Ne0inhk
Python中的鸭子类型：理解动态类型的力量

Python中的鸭子类型：理解动态类型的力量

Python中的鸭子类型：理解动态类型的力量 * 什么是鸭子类型？ * 鸭子类型的特点 * 1. 灵活性 * 2. 动态性 * 3. 简洁性 * 鸭子类型的实现 * 鸭子类型的优缺点 * 优点 * 缺点 * 鸭子类型的实际应用 * 1. 插件系统 * 2. 框架开发 * 3. 数据处理 * 总结 Python以其动态类型系统而闻名，而鸭子类型（Duck Typing）是这一系统的核心特性之一。鸭子类型是一种编程范式，它强调“行为”而非“类型”。换句话说，如果一个对象“像鸭子一样行走、游泳和嘎嘎叫”，那么它就可以被视为鸭子，而无需显式地检查其类型。 在这篇博客中，我们将深入探讨鸭子类型的定义、特点、优缺点以及实际应用，帮助你更好地理解和利用这一强大的特性。 什么是鸭子类型？ 鸭子类型是一种动态类型机制，其核心思想是：对象的行为决定了它的类型，而不是其声明的类型。在Python中，鸭子类型允许我们在运行时动态地检查对象是否具有所需的方法或属性，

By Ne0inhk
【3月考】二级Python最新真题及满分代码合集（基本操作题部分）

【3月考】二级Python最新真题及满分代码合集（基本操作题部分）

本套试题内容适配2025年9月考试 配套讲解视频欢迎关注B站：大头博士先生 考前押题关注微博：大头博士先生 祝大家优秀拿下！！！ 第1套题 【题目素材】 # 请在______处使用一行代码或表达式替换## 注意：请不要修改其他已给出代码import ______ txt =input("请输入一段中文文本:") ______ print("{:.1f}".format(len(txt)/len(ls))) 【参考代码】 # 请在______处使用一行代码或表达式替换## 注意：请不要修改其他已给出代码import jieba txt =input("请输入一段中文文本:") ls=jieba.lcut(txt)print("{:.1f}".format(len(txt)/len(ls)

By Ne0inhk