OpenClaw 是目前最流行的开源 AI Agent 平台。
我用了很久。但我越用，越觉得可以做得更好。所以，我决定自己写一个。用 Rust。从零开始。这就是 clawhive。
起因
我想用 OpenClaw 来实现多 Bot 和多 Agent 协作——让多个 AI 机器人各司其职，协同完成复杂任务。
但 OpenClaw 最初版本的 Channel 设计并不能很好地匹配我的需求（后来支持了），需要对它进行扩展才可以。
改着改着，我萌生了一个念头：不如自己写一个吧。
当时市面上开源的 Rust 版 AI Agent 几乎为零。有意思的是，等 clawhive 发布的时候，Rust 版的 Agent 框架已经如雨后春笋般冒了出来。大家想到一块去了。
我日常工作中已经用了两年 Rust，对这门语言的内存安全和性能表现有足够的信心。于是，说干就干。
OpenClaw 的三个痛点
在使用 OpenClaw 的过程中，我遇到了三个绕不过去的问题。这些问题也坚定了我自己造轮子的决心。
第一，安全是后来才补的。
OpenClaw 早期根本没有认真考虑安全沙箱。Agent 可以执行任意命令、访问任意文件。
最近的版本终于加入了安全沙箱。但升级策略有点一刀切——默认开启沙箱，几乎拦截所有风险行为。结果社区里很多人直呼“OpenClaw 变傻了”。
这其实是个两难：不加沙箱，不安全；加了沙箱，又太死板。安全这个东西，要么从第一天就设计进去，要么永远都是补丁。
第二，稳定性堪忧。
这可能是因为 OpenClaw 迭代太快了，也可能是架构层面的问题。具体表现有两个：
一是配置文件很脆弱。你稍微改一下配置，系统就可能崩溃。对于一个需要长期运行的服务来说，这是不可接受的。
二是“空转”问题。让 OpenClaw 写简单代码还行，一旦任务复杂起来，它就开始“演戏”——告诉你它正在工作，实际上什么都没做。它说得煞有介事，你以为它在干活，其实它在原地打转。
clawhive 的第一个版本就是用 OpenClaw 写的。一开始正常一切，但过了一会就停滞了。更离谱的是，你问进展，它煞有介事地答复你在干着呢。最后，我换成 OpenCode 才完成了第一个版本。
第三，资源消耗惊人。
有一次我发现 OpenClaw 的 Gateway 响应越来越慢，一查不要紧：
15 个进程，总内存占用 3.7GB！
其中 Gateway 主进程独占 800MB，外加一堆 Chrome 渲染进程，每个都是 300MB 级别。
3.7GB！就跑了一个 Agent 网关。
同一台机器上，clawhive 跑着同样的多 Bot 服务：
1 个进程，48MB。
你没看错。48MB。差了将近 80 倍。
这就是我不喜欢用 TypeScript、Python 这类语言，而选择 Rust 的原因。我追求的是轻量和极致的性能表现。臃肿？不好意思，是可忍孰不可忍！
Rust 特别适合 AI 时代。它编译出来的二进制文件小、内存占用低、没有 GC 停顿、并发模型优秀。对于需要 7×24 稳定运行的 Agent 服务来说，Rust 是对 LLM 应用最友好的语言，目前没有任何对手。
但 OpenClaw 依然值得尊敬
说了这么多痛点，但我必须承认：OpenClaw 是先行者，是标杆。
它的理念是先进的：把 IM 和 Agent 进行了完美的结合，让用户通过日常使用的聊天工具就能驱动 AI Agent 完成各种任务。
它提供了很多实用的功能，能完成 Claude Code、Codex、OpenCode 之类产品做不到的事情。
它的迭代速度令人敬佩，隔三岔五就有新版本发布。
作为开源 AI Agent 领域的先驱，OpenClaw 培育了一个活跃的社区生态，积累了大量的 Skill 和使用场景。没有 OpenClaw 在前面趟路，就不会有 clawhive。
clawhive：从第一天就想清楚的事
既然要重写，就不是简单地换个语言重新实现一遍。那没有意义。我要做的，是解决上面这些问题，同时走一条不同的路。
安全，从第一行代码就内置
clawhive 从第一天就设计了两层安全架构：不可绕过的硬基线防护 + 第三方 Skill 的权限声明机制。
不是 Docker，不是虚拟机，不是WASM（因为现有脚本要重新编译才能用），而是自己实现的一个极简的、零开销的权限沙箱，因为我要的是轻量。细节在架构部分展开。
一个二进制文件，16MB
clawhive 编译出来就是一个静态链接的二进制文件。
不需要 Node.js，不需要 npm，不需要 Docker。没有任何依赖。
16MB。丢到树莓派上都能跑吧？
运行时内存占用 48MB 级别。没有垃圾回收的停顿，没有意外的内存膨胀。
这就是 Rust 给你的底气。
有限执行：不允许失控
每个 Agent 都有明确的资源边界：
- Token 预算上限
- 执行超时限制
- 子 Agent 递归深度限制
不会有无限循环。不会有天价账单。不会有一个 Agent 把整台机器的资源吃光。
定位不同，取舍不同
简单地模仿 OpenClaw，没有意义。clawhive 的定位从一开始就不同。
OpenClaw 是 to C 的——个人 AI 助手。
clawhive 是 to B 的——面向企业的 AI Agent 基础设施。
OpenClaw 的核心场景是：你有一个 AI 助手，它帮你聊天、写代码、查资料。一个人，一个助手。它在这个场景下做得非常好。
clawhive 当然也能做个人助手，但它的定位不止于此。
它可以作为企业内部的 AI 中枢，统一管理和调度多个 AI Agent，让不同的 Agent 服务于不同的业务场景。
它的 Agent 引擎可以单独提取出来，嵌入到任何软件中，作为一个核心组件运行。
有所为，有所不为。clawhive 不会去复刻 OpenClaw 的每一个功能。定位不同，取舍也不同。有些功能不做，是因为不在路线图上；有些功能还没做，是因为时间还没到。
未来的软件，一定是基于 Agent 构建的。clawhive 的 Agent 引擎，就是为这个未来准备的可复用组件。
坦承差距
clawhive 目前还是 Alpha 版本，在很多方面确实不如 OpenClaw。这一点必须坦率地承认。
它还有不少 bug，很多功能没来得及充分测试。
它没有 OpenClaw 的 Node 概念（可视化工作流编排）。
内置工具和 Skill 数量远不及 OpenClaw，第三方 Skill 生态更是从零起步。
在复杂任务的推理能力上，实现还比较粗糙，不够聪明。错误处理、边界情况的覆盖也有很多不足。
这些差距是客观存在的。
原因也很简单：这个项目从想法诞生到现在，满打满算也就两个礼拜的开发时间。想法诞生于春节前，春节期间停工，节后继续，很多时间还是业余时间在写。一个人的精力终归有限。
但我不想拿这些当借口。差距就是差距，慢慢追。
架构一览
整个项目由 12 个独立的 Rust crate 组成，每个模块职责单一、边界清晰。
挑几个有意思的说。
两层安全沙箱。 第一层是硬基线——访问内网、读写 SSH 密钥、执行危险命令等行为，永远被禁止，没有例外。第二层是权限声明——第三方 Skill 必须明确声明需要哪些权限，没声明的一律拒绝。
安装 Skill 时强制安全扫描，运行时遇到风险操作会暂停让用户决定是否放行。既不像 OpenClaw 那样一刀切，也不会放任不管。如果你确实需要在受信任的环境里裸奔，加个 --security=off 参数就行——但除非你知道自己在干什么，否则别这么做。
ReAct 推理循环 + 防空转。 Agent 的“大脑”是一个 ReAct 循环：感知 → 思考 → 行动，如此往复。每轮循环有硬性的 10 次迭代上限，超了就强制停止。不会出现 Agent 在那里“假装干活”无限空转的情况。
LLM 智能路由与故障转移。 支持十余家 LLM 提供商（Anthropic、OpenAI、Gemini、Azure、Ollama 等）。关键是内置了故障转移链：主模型挂了，自动切备用模型。不同故障类型有不同的冷却时间——限流等 60 秒，账单问题等 5 分钟。恢复后自动切回。对用户来说，整个过程是无感的。
事件总线驱动。 所有模块之间通过一个发布-订阅事件总线通信。消息进来、回复就绪、需要人工审批、定时任务触发——全部是事件。模块之间完全解耦，想加新功能只需要订阅对应的事件。
实时仪表板。 终端里跑一个 clawhive dashboard，就能实时看到所有 Agent 的运行状态、事件流、会话日志。同时也提供 Web 管理界面，浏览器里就能完成所有配置。
三层记忆系统。 借鉴了 OpenClaw 的设计——会话日志（工作记忆）、每日文件（短期记忆）、MEMORY.md（长期记忆），由海马体 + LLM 定期把短期记忆提炼为长期记忆。Memory 是 Agent 的核心模块之一。它没做好，Agent 就会表现得像白痴。目前基本够用，后续会重点深入优化。
Coding Agent 模式。 clawhive 内置了一个 clawhive code 子命令，目标是做一个类似 Claude Code、OpenCode 的编码助手。这是 OpenClaw 没有的。我很喜欢 OpenCode，但它的资源消耗实在太大了。我想试试用 Rust 的轻量优势，把这个编码体验做好。
多渠道适配。 一套 Agent，同时服务 Telegram、Discord、Slack、WhatsApp、iMessage、HTTP/WebSocket。配置一次，全平台可用。
未来的方向
clawhive 不只是一个聊天机器人框架。
在它的架构基础上，可以扩展出各种垂直领域的 Agent 服务。比如 AI DevOps、BI 数据分析、CI/CD、客服工单——这些只是我能想到的方向。你完全可以根据自己的业务场景去想象。
clawhive 的多渠道适配 + Skill 系统 + 事件调度，已经具备了支撑这些场景的基础架构。加入领域知识库，结合知识图谱，配置专属的 Skill，一个通用的 Agent 平台就变成了垂直领域的智能服务。这才是 Agent 真正有价值的地方——不是聊天，而是干活。
最后
clawhive 是 MIT 协议的开源项目，还在活跃开发中。
项目地址：https://github.com/longzhi/clawhive
欢迎 star，欢迎 fork，欢迎提 issue。
如果你有想法、有建议，或者想亲自动手 Vibe Coding 也非常欢迎——毕竟，clawhive 本身就是 100% Coding Agent 的产物。项目中的所有代码，均由 Coding Agent 完成。就连你正在读的这篇文章，也是。
这次从 OpenClaw 到 clawhive 的 开源实战，让我对构建一个现代的、企业级的 开源AI Agent平台 有了更深的理解。如果你也对 Rust 或 AI Agent 技术感兴趣，欢迎到 云栈社区 交流探讨。
发表于 昨天 06:45
|
查看: 8|
回复: 0
