ToDesk推出ToClaw:让AI Agent真正走进你的日常工作流

ToDesk推出ToClaw:让AI Agent真正走进你的日常工作流

2026开年,中文互联网最热的AI关键词之一,非“OpenClaw”莫属。这款开源AI助手在技术圈掀起热潮,让越来越多人意识到:AI不该只负责聊天,它应该开始替人干活。但问题也随之而来——复杂的Python环境配置、繁琐的API部署、全英文的文档,将大多数普通用户挡在了门外。

就在今天,国民级远控软件ToDesk给出了自己的答案:ToClaw。它不是另一个需要单独下载的新软件,而是完全封装在最新版ToDesk里的AI助手。打开ToDesk,左侧AI入口就能找到它——免安装、免部署,可直接体验。

从“装环境”到“直接干活”,零门槛的AI助理

如果你折腾过OpenClaw,就会知道它的魅力和门槛几乎是同时出现的。魅力在于它真的是Agent,能执行任务而不只是聊天;门槛在于你要先理解安装、模型、渠道、权限、运行环境,甚至还得接受“先踩坑,再用起来”的现实。

ToClaw走的是另一条路。

打开之后,不是黑乎乎的终端,也不是一堆配置文件,而是一个非常直接的桌面助手界面:输入框、场景入口、技能页、定时任务、记忆与个性设置……整个逻辑都更像一个已经封装完成的产品,而不是一个等你自己拼起来的开源项目。

有用户实测后感叹:“它不是那种最会炫技的龙虾,但很可能是更适合大多数人真正养起来的一只。”

不是聊天框,而是任务入口

这一点特别关键。现在很多AI工具都在做“会话体验”,但ToClaw明显更想做“任务体验”。

首页里能直接看到“热点分析”“AI投研助理”“智能整理电脑文件”等入口,说明它不是在等你想提示词,而是在告诉你:你可以直接把事交给我。对大多数办公用户来说,这比“会写一段漂亮文案”更重要。

真正拉开差距的:技能系统+定时任务+记忆个性

ToClaw让人感受到产品完成度的地方,在于它已经建立了一套明确的技能框架。

在技能页里,已经能看到 Word/DOCX、Excel/XLSX、PDF、PowerPoint/PPTX、Agent Browser 等模块,部分技能还带有“已通过安全与合规验证”的提示。这个信号很明确:ToClaw不是想做一个万能聊天框,而是想把桌面办公里最常见的文件和网页操作,逐步做成可调用能力。

这就和很多纯网页AI拉开了距离。后者更像“你把材料给我,我帮你生成”;前者更像“我能理解你的任务,并调工具去完成”。当AI真正进入桌面,谁更接近真实工作流,谁的留存空间就更大。

还有两个小细节,让ToClaw看起来像是“能长期用”的产品:

定时任务。实测里已经可以看到按周执行的任务设置,比如定期整理新闻。这意味着ToClaw不只是一次性响应,而是在尝试做“持续执行”。

记忆与个性。ToClaw现在已经有回答篇幅、语气风格这类预设,比如默认专业、温柔体贴、幽默风趣等。别小看这个功能,它意味着产品开始考虑“长期协作感”——你不是每次都在调用一个冷冰冰的模型,而是在慢慢调教一个更适合你工作习惯的数字助理。

一个账号,调度所有设备

ToClaw真正的杀手锏,藏在ToDesk的基因里。

依托ToDesk深耕多年的远程控制技术,ToClaw实现了 “一个账号,全局调度” 的跨设备协同能力。所有登录同一ToDesk账号的设备——无论Windows、macOS、iOS还是Android——均能自动获得ToClaw能力。

这意味着什么?你的每一台设备都成了AI可以调用的“远程终端”。你可以从容地指挥一个设备集群:A设备查资料,B设备跑计算,C设备做渲染,D设备执行定时任务……每一台设备都是你的AI助理。

对于普通工作者或小型工作室而言,这意味着:

- 跨端办公:出门只带平板,却能随时调用家中或公司的完整工作环境

- 任务并行:爬虫、渲染、备份、分析同时进行,效率翻倍

- 抗风险能力:设备无需24小时在线,再也不怕突发状况

安全进化:AI的建议,你的决定

随着国家安全部发布“龙虾”安全养殖手册,开源Agent在主机接管、数据窃取等方面的潜在风险被推至台前。

ToClaw从底层设计上规避了这些风险:采用 “云端运算、本地确认” 的逻辑,所有关键操作——如文件删除、系统更改——均需用户弹窗授权。AI的执行权始终保留在用户手中,让生产力的释放不以牺牲安全为代价。

谁适合用ToClaw?

如果你是喜欢折腾、喜欢自己控制全套环境的技术玩家,那OpenClaw依然很有吸引力,毕竟开源、自由度高、社区活跃,这些都是它最强的价值。

但如果你是更典型的办公用户——每天要查资料、做报告、整理文件、盯进度、跑远程协作——那ToClaw这种“已经长进ToDesk体系里”的方案,会现实很多。

ToDesk官网本身就强调跨手机、平板、电脑等多终端兼容,以及围绕远程办公、技术支持、IT运维的多场景能力,这使得ToClaw天然更适合接入真实的多设备工作流。

用一个形象的比喻:OpenClaw更像一台性能很猛的改装车;ToClaw更像一台已经上好牌照、拧钥匙就能开的车。

开启AI Agent的普惠时代

ToClaw的发布,不仅是ToDesk在工具软件领域的一次自我进化,更是AI Agent从“极客圈层”走向“大众市场”的关键一步。

当AI部署不再是难题,当一个账号就能调度所有设备,当每一台电脑、平板、手机都成为你的数字员工——一场真正的生产力革命,才刚刚开始。

目前ToClaw公测已全面开启,每日签到可领取免费积分,日常使用完全足够。如果你曾因部署复杂而放弃AI Agent,现在正是体验的好时机。

Read more

OpenREALM:无人机实时映射框架的技术深度解析

OpenREALM:无人机实时映射框架的技术深度解析

在无人机应用日益广泛的当下,精准、高效的实时映射技术成为推动行业发展的关键。传统无人机映射方案往往存在数据处理滞后、对复杂地形适应性差等问题,难以满足精准农业、应急救援等场景的实时决策需求。OpenREALM 作为一款开源的无人机实时映射框架,创新性地融合了视觉 SLAM、单目稠密重建等前沿技术,实现了从 2D 图像拼接至 3D 表面重建的多模式映射功能。 原文链接:https://arxiv.org/pdf/2009.10492 代码链接:https://github.com/laxnpander/OpenREALM 沐小含持续分享前沿算法论文,欢迎关注... 一、引言:无人机映射技术的现状与挑战 1.1 应用背景与核心需求 人类对世界的勘测需求推动了映射技术的持续发展,而无人机的兴起为空中勘测提供了全新的解决方案。空中影像已广泛应用于精准农业、城市规划、灾害风险管理等关键领域,这些应用场景不仅对数据分辨率有较高要求,更在可用性、成本和映射效率方面提出了严苛标准。传统的有人机勘测存在操作复杂、成本高昂等局限,而无人机凭借轻量化设计、自主飞行能力强等优势,

【GitHub项目推荐--AI-Goofish-Monitor:闲鱼智能监控机器人完全指南】

简介 AI-Goofish-Monitor 是一个基于 Playwright 和 AI 技术的闲鱼(Goofish)多任务实时监控与智能分析工具。该项目由 dingyufei615 开发,通过先进的浏览器自动化技术和多模态大语言模型,为用户提供智能化的闲鱼商品监控解决方案。该工具不仅具备强大的数据采集能力,还配备了功能完善的 Web 管理界面,让用户能够轻松管理和配置监控任务。 🔗 GitHub地址 : https://github.com/dingyufei615/ai-goofish-monitor ⚡ 核心价值 : AI智能分析 · 多任务监控 · 实时通知 · Web管理界面 技术特色 : * AI驱动 :集成多模态大语言模型(GPT-4o、Gemini等),深度分析商品信息 * Web管理 :完整的可视化界面,无需命令行操作 * 多平台通知 :支持 ntfy.sh、企业微信、Bark 等多种通知方式 * 智能过滤 :基于自然语言的任务创建和AI分析标准生成 * 云原生支持 :提供

DIY无人机--升压降压电路

DIY无人机--升压降压电路

这是无人机的电源管理核心,把电池电压一步步变成系统需要的稳定电压,我分模块给你讲清楚 1. 整体功能 * 输入:锂电池(DC4.2V,满电电压,实际放电会到 3.7V 左右) * 输出: * 5V:给电机、无线模块等供电 * 3.3V:给 STM32、陀螺仪等精密芯片供电 * 流程:电池 → 防反接 → 开关 → 升压到 5V → 降压到 3.3V 逐模块拆解 🛡️ ① 防反接 + 电源开关部分 * JP2:电池接口,VBAT接电池正极,GND接负极 * D5(二极管 S4):防反接保护 * 原理:电池接反时,二极管截止,电流无法流通,保护后面电路不被烧毁 * 正常接法:电池正极

【论文阅读】Ground Slow, Move Fast: A Dual-System Foundation Model for Generalizable VLN

【论文阅读】Ground Slow, Move Fast: A Dual-System Foundation Model for Generalizable VLN

GROUND SLOW, MOVE FAST: A DUAL-SYSTEM FOUNDATION MODEL FOR GENERALIZABLE VISION AND-LANGUAGE NAVIGATION * 摘要 * 现有VLN框架的痛点剖析 * 端到端范式的局限: 传统方法试图使用单一网络将复杂的视觉和语言输入直接转化为机器人的电机控制指令(离散动作)。这种强耦合设计导致大型VLM沉重的计算负荷直接拖慢了控制频率。 * 物理表现劣势: 由于输出的是短期离散动作(如“向前走一步”、“转30度”),机器人的运动轨迹表现出强烈的碎片化和不连贯特征。 * 动态环境适应性差: 在面对现实世界中突然出现的行人或移动障碍物时,由于端到端模型的高延迟,系统无法做出实时的局部避障决策。 * 核心创新:Dual-System * 理论渊源: 本文架构深刻借鉴了认知心理学中关于人类思维的双系统理论(系统1负责快速、直觉的反射;系统2负责缓慢、深度的逻辑推理)。 * 分层解耦: DualVLN打破了传统的端到端黑盒,将导航任务解耦为“高层认知