[Python] HiClaw 1.0.4 引入 CoPaw 轻量 Worker：内存降低75%，解锁本地浏览器操作

HiClaw 发布 1.0.4 版本，正式引入 CoPaw 作为轻量化的 Worker 运行时。这一组合带来了显著的内存占用降低，并新增了直接操作本地环境的能力。

01 轻量级 Worker 的诞生

如果你使用过 HiClaw，想必对 Manager + Worker 的多 AI Agent 协作模式并不陌生。Manager 像一位“AI 管家”，负责统筹管理多个专业化的 Worker，例如前端开发、后端开发、数据分析等。

然而，在实际部署和使用中，社区反馈了两个主要痛点：

• “每个 Worker 都要跑一个完整容器，内存压力有点大” – 默认的 OpenClaw Worker 容器大约占用 500MB 内存。若需要同时运行 4-5 个 Worker，一台 8GB 内存的服务器便会捉襟见肘。
• “Worker 跑在容器里，没法访问我的本地环境” – 诸如操作浏览器、访问本地文件系统、运行桌面应用等任务，在容器的隔离环境下难以实现。

在 1.0.4 版本中，答案揭晓：CoPaw Worker。

02 CoPaw 是什么？

CoPaw 是一个基于 Python 的轻量级 AI Agent 开源项目，其核心特点包括：

• 轻量级：基于 Python，无需 Node.js 全家桶，内存占用仅为 OpenClaw Worker 的约 1/5。
• 控制台友好：内置 Web 控制台，可统一管理频道、技能、定时任务、工作区文件、环境变量等多项功能。
• 执行速度快：Python 原生启动，冷启动时间短。
• 扩展方便：基于 OpenAI SDK 的工具定义，上手成本低，支持多种方式扩展 Skill。
• 面向 Agent 的记忆管理：内置 ReMe，对话自动压缩，重要信息持久化保存，下次对话可自动回忆。

HiClaw 1.0.4 通过实现 Matrix Channel 和配置桥接层，成功将 CoPaw 接入了其多 Agent 协作体系。虽然代码量不大，却解锁了许多新的应用场景。

03 架构优势：大幅降低新 Agent 接入复杂度

CoPaw Worker 的成功接入，充分彰显了 HiClaw 的 Manager-Worker 架构在 降低新 Agent 运行时接入成本 方面的巨大优势。

传统方式的痛点

要让一个新的 Agent 运行时（如 CoPaw）触达最终用户，传统方式通常需要：

1. 支持完整的 Channel 生态：OpenClaw 支持十几种消息渠道（Discord、Telegram、Slack、飞书、钉钉等），每个渠道都有不同的 API、认证方式和消息格式。
2. 实现各种 Channel 适配器：需要为每个渠道逐个开发、测试和维护适配器。
3. 用户需要逐个配置：每个渠道都需要单独配置 webhook、token、证书等。
4. 客户端生态碎片化：不同渠道对应不同的客户端，用户体验难以统一。

这道门槛非常高，导致许多优秀的 Agent 运行时难以触达广大用户。

HiClaw 的解法：Matrix 作为统一通信层

HiClaw 的架构将通信层统一到了开放的 Matrix 协议上：

┌─────────────────────────────────────────────────────────────────┐
│                        HiClaw Manager                            │
│                                                                 │
│   ┌─────────────────────────────────────────────────────────┐  │
│   │              Tuwunel Matrix Server                       │  │
│   │                  (内置，开箱即用)                         │  │
│   └─────────────────────────────────────────────────────────┘  │
│                              │                                  │
│              ┌───────────────┼───────────────┐                 │
│              ↓               ↓               ↓                 │
│         Discord          Telegram         Slack               │
│         (通过桥接)        (通过桥接)       (通过桥接)            │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘
                               ↑ Matrix 协议
                               │
┌──────────────────────────────┴─────────────────────────────────┐
│                        Worker                                  │
│                                                                 │
│   只需要实现 Matrix Channel —— 一个协议，搞定所有渠道           │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

对于新的 Agent 运行时而言，接入 HiClaw 只需要完成一件事：实现 Matrix Channel。

CoPaw 接入的实际工作量

HiClaw 1.0.4 接入 CoPaw，核心代码仅有两个文件：

1. matrix_channel.py (~450 行)：实现 Matrix 协议通信。
2. bridge.py (~230 行)：桥接 openclaw.json 到 CoPaw 配置。

仅此而已。CoPaw 无需关心 Discord、Telegram、Slack 等具体渠道，只需要与 Matrix 通信，即可：

• ✅ 复用 Manager 已支持的所有消息渠道生态。
• ✅ 复用开箱即用的 Matrix 客户端（如 Element Web）。
• ✅ 与其他 Worker（无论基于何种运行时）无缝协作。
• ✅ 被 Manager 统一管理、监控和调度。

对于用户来说，使用新的 Agent 运行时是零学习成本的 —— 交互方式完全一致，仍通过 Matrix 客户端对话，Manager 会自动处理所有底层差异。

这意味着，如果你正在开发一个新的 Agent 运行时，或希望将现有 Agent 接入 HiClaw 生态：

• 不需要：逐个适配 Discord、Telegram、Slack……
• 只需要：实现 Matrix 协议（一个成熟的开放标准）。
• 就能获得：十几种消息渠道支持 + 开箱即用的客户端 + 成熟的多 Agent 协作能力。

这就是 Manager-Worker 架构的核心价值：一次接入，处处可用。

04 两种部署模式，解决两个核心痛点

模式一：Docker 容器模式 —— 更节省内存的 Worker

如果你仅需要更多的 Worker 并行处理任务，且无需访问本地环境，Docker 模式的 CoPaw Worker 是最佳选择。

对比项	OpenClaw Worker	CoPaw Worker (Docker)
基础镜像	Node.js 全家桶	Python 3.11-slim
内存占用	~500MB	~150MB
启动速度	较慢	较快
安全性	容器隔离	容器隔离

安全性完全一致，但内存占用大幅降低。

只需在 Element 聊天中告知 Manager 创建一个 CoPaw Worker：

其实际资源占用仅约 150MB：

这意味着在相同的硬件配置下，你可以运行更多的 Worker。以前 8GB 内存可能只能运行 8-10 个 OpenClaw Worker，而现在可以轻松运行 40+ 个 CoPaw Worker。

按需启用控制台
为节省资源，CoPaw Worker 默认关闭 Web 控制台。需要调试时，只需在 Element 中让 Manager 打开即可：

Manager 会自动重启 CoPaw Worker 容器并启用控制台，无需手动操作。调试完成后，也可让 Manager 关闭控制台以释放资源。

打开控制台后，你可以直接在其中管理 Worker，例如查看和管理 CoPaw 内置的丰富技能：

模式二：本地 Host 模式 —— 直接操作你的电脑

有些任务天然需要访问本地环境：

• 操作浏览器：自动化测试、网页截图、数据采集。
• 访问本地文件：读取桌面文档、操作本地 IDE。
• 运行桌面应用：自动化 Figma、Sketch 或本地数据库客户端。

这些任务在容器隔离环境下无法完成。

CoPaw Worker 的本地模式正是为此类场景设计。 只需让 Manager 创建一个远程模式的 CoPaw Worker，Manager 会提供一条 pip 命令，你在本机执行即可：

该 Worker 将直接运行在你的电脑上，拥有完整的本地访问权限。同时，它依然通过 Matrix 协议与 Manager 及其他 Worker 通信，完美融入 HiClaw 的多 Agent 协作体系。

例如，你可以让它打开浏览器访问阿里云官网并搜索“AI 网关”，它会自动执行操作：

架构示意：

┌─────────────────────────────────────────────────────────────┐
│                    HiClaw Manager                           │
│                    (容器环境)                               │
│                                                             │
│    Worker A (Docker)    Worker B (Docker)                  │
│    前端开发              后端开发                           │
└─────────────────────────────────────────────────────────────┘
              ↑ Matrix 通信
              │
┌─────────────┴───────────────────────────────────────────────┐
│                    你的本地电脑                              │
│                                                             │
│    Worker C (CoPaw 本地模式)                               │
│    浏览器操作 / 本地文件访问                               │
└─────────────────────────────────────────────────────────────┘

本地模式默认启用控制台 (--console-port 8088)，你可以通过访问 http://localhost:8088 实时查看 Worker 的执行过程。

05 CoPaw 控制台：可视化的调试体验

无论是 Docker 模式还是本地模式，CoPaw Worker 都可以启用 Web 控制台。

控制台能够实时呈现：

• Thinking 输出：Worker 内部的推理过程。
• 工具调用：调用了哪些工具，具体参数是什么。
• 执行结果：工具调用返回的结果。
• 错误信息：执行过程中出现的任何问题。

这对于调试和优化 Agent 行为非常有帮助。尤其是当 Worker 行为不符合预期时，查看控制台的 Thinking 输出往往能快速定位问题根源。

06 围绕社区痛点的优化

除了引入 CoPaw Worker 这一重大特性，HiClaw 1.0.4 还针对社区反馈的一系列痛点进行了优化。

模型切换更可控

此前有用户反馈，切换模型时 Manager 可能会“自作主张”地修改其他配置，导致意外行为。

1.0.4 版本将 Worker 模型切换拆分为独立的 worker-model-switch skill，职责更加单一，行为更可预测。同时修复了模型 input 字段的硬编码问题，现在会根据模型是否支持视觉能力来动态设置此字段。

Worker 不再“交头接耳”

在项目群聊中，Worker 之间有时会进行不必要的对话，浪费 Token。

1.0.4 优化了 Worker 的唤醒逻辑，确保只有在被 @mention 时才会触发 LLM 调用。同时修复了 CoPaw MatrixChannel 回复中未携带发送者信息的问题，避免了因 Manager 忽略 Worker 回复而导致的重复调用。

AI 身份认知

在 SOUL.md 中增加了明确的 AI 身份声明，确保 Agent 清楚认知自己是 AI 而非人类。这有助于避免一些奇怪的身份混淆问题，例如 Agent 模仿真人用户的行为。

## My Role

You are an AI assistant powered by HiClaw. You help users complete tasks
through natural language interaction, but you are not a human.

Token 消耗基线 CI

1.0.4 版本新增了 Token 消耗基线的 CI 流程，可以对每个版本的 Token 使用优化效果进行定量分析。

在关键流程（如创建 Worker、分派任务、多 Worker 协作等）中，CI 会记录 Token 消耗情况，并与上一个版本进行对比。这有助于：

• 量化优化效果：明确每次改进节省了多少 Token。
• 发现意外回归：及时检测到导致 Token 消耗异常增加的代码变更。
• 提供数据支撑：为后续的持续优化提供客观的数据依据。

07 快速开始

安装与升级

安装和升级使用相同的命令，脚本会以交互式引导你完成操作。

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'))

安装过程中，脚本会询问你希望默认使用哪种 Worker 运行时：

Select default worker runtime:
  1) openclaw (~500MB, full-featured)
  2) copaw (~100MB, lightweight)

Enter your choice [1-2]:

升级时，脚本会自动检测现有安装，选择“就地升级”即可。升级过程也会询问默认 Worker 运行时。选择后：

• 已有的 Worker：不受影响，继续使用原有的运行时。
• 新创建的 Worker：将使用你选择的默认运行时（CoPaw 或 OpenClaw）。

08 写在最后

HiClaw 1.0.4 的核心目标是让 Worker 更轻、更灵活、更易接入：

• 更轻：CoPaw Worker 将内存占用大幅降低了约 75%。
• 更灵活：本地部署模式解锁了浏览器操作、本地文件访问等全新应用场景。
• 更易接入：Manager-Worker 架构显著降低了新 Agent 运行时的接入门槛，只需实现 Matrix 协议即可融入生态。

如果你面临以下场景，强烈推荐尝试 CoPaw Worker：

• 需要同时运行大量 Worker，但硬件内存有限。
• 需要 Worker 能够操作浏览器或访问本地文件系统。
• 希望获得更轻量、可视化的 Worker 调试体验。

现在就开始体验：

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