前言
做了一个月的 AI 助手项目，从一开始给自己用的脚本，到现在 38 个技能、112 个飞书 API 文件、五级模型容灾的完整平台，终于开源了。
这篇文章会讲清楚：
- xyvaClaw 是什么、解决什么问题
- 技术架构和核心设计思路
- 怎么一条命令部署
- 几个有意思的技术细节
一、项目概述
xyvaClaw 是基于 OpenClaw运行的增强型 AI 助手平台。
你可以理解为：OpenClaw + 预调好的模型 + 38 个实战技能 + 自我进化引擎 + 企业级飞书集成 = xyvaClaw。
核心特性
| 特性 | 说明 |
|---|---|
| 一键部署 | bash xyvaclaw-setup.sh --auto 全自动安装，支持无人值守 |
| 38+ 技能 | 浏览器自动化、文档处理、视频制作、量化选股、小红书发布等 |
| 五级模型容灾 | DeepSeek V3.2 → Qwen3.5+ → Kimi K2.5 → DeepSeek Reasoner → Qwen3 Max |
| 无损上下文 | Lossless-Claw 引擎，长对话不丢信息 |
| 四层记忆 | 会话 → 日记忆 → 长期记忆 → 知识图谱 |
| 自我进化 | 错误学习 + 效果追踪 + 主动反思 + 主动行动 |
| 飞书集成 | 112 个 TypeScript 文件，覆盖消息/文档/表格/审批/日历/云盘 |
| 本地部署 | 数据完全私有，不依赖任何 SaaS 平台 |
二、技术架构
目录结构
bash
~/.xyvaclaw/
├── openclaw.json # 主配置（模型、容灾、并发等）
├── workspace/
│ ├── SOUL.md # AI 人格定义
│ ├── AGENTS.md # 操作协议
│ ├── TOOLS.md # 工具知识速查
│ ├── skills/ # 38 个技能模块
│ │ ├── browser-pilot/
│ │ ├── auto-video-creator/
│ │ ├── quant-strategy-engine/
│ │ └── ...
│ └── memory/ # 持久化记忆
│ ├── 2026-03-15.md # 日记忆
│ └── working-buffer.md
├── extensions/
│ ├── feishu/ # 飞书集成（112 TS 文件）
│ └── lossless-claw/ # 无损上下文引擎
├── agents/ # 多 Agent 配置
├── config/ # 别名、运行时参数
└── logs/ # 运行日志模型容灾设计
这是我觉得最实用的设计之一。单一模型不可靠------DeepSeek 偶尔 503、百炼偶尔限流。五级容灾的配置方式：
json
{
"models": {
"chat": {
"provider": "deepseek",
"model": "deepseek-chat",
"fallbacks": [
{ "provider": "bailian", "model": "qwen-plus" },
{ "provider": "bailian", "model": "kimi-k2" },
{ "provider": "deepseek", "model": "deepseek-reasoner" },
{ "provider": "bailian", "model": "qwen-max" }
]
}
}
}模型挂了自动切，对用户完全透明。
自我进化系统
四个组件协同工作：
- Error Guard ：捕获所有错误，写入
.learnings/ERRORS.md，下次遇到同类问题直接规避 - Effect Tracker：记录每个决策的结果------成功率、用户反馈、耗时，形成正反馈循环
- Proactive Agent ：心跳机制驱动，每次心跳扫描
docs/todo.md、日志、异常，主动发现并处理任务 - Self-Reflection：周期性分析行为模式，识别可改进的地方
核心思路：AI 不应该是静态的工具，它应该像一个新入职的员工------每天都比昨天更懂你的业务。
无损上下文引擎
OpenClaw 原生的上下文压缩是有损的------长对话会丢信息。Lossless-Claw 扩展解决这个问题：
- 对话超过阈值时，不是简单截断，而是提取关键信息写入
working-buffer.md - 被压缩的内容仍然可以按需召回
- 实测 10 万 token 对话无信息丢失
三、安装部署
一行命令（无人值守）
bash
# macOS
DEEPSEEK_API_KEY=sk-你的密钥 \
bash -c 'git clone https://github.com/xyva-yuangui/XyvaClaw.git && cd XyvaClaw && bash xyvaclaw-setup.sh --auto'
# Linux
DEEPSEEK_API_KEY=sk-你的密钥 \
bash -c 'git clone https://github.com/xyva-yuangui/XyvaClaw.git && cd XyvaClaw && bash xyvaclaw-setup-linux.sh --auto'--auto 做了什么：
- 检测并自动安装缺失依赖（Node.js 22+、Python 3、ffmpeg）
- 安装 OpenClaw 运行时
- 从环境变量注入 API Key
- 部署 38 个技能 + 飞书/无损引擎扩展
- 生成身份文件（SOUL.md / AGENTS.md / MEMORY.md）
- 注册系统服务（macOS LaunchAgent / Linux systemd）
- 后台启动 Gateway
也支持环境变量传入飞书配置：
bash
DEEPSEEK_API_KEY=sk-xxx \
FEISHU_APP_ID=cli_xxx \
FEISHU_APP_SECRET=xxx \
bash xyvaclaw-setup.sh --auto交互式安装（Web 向导）
去掉 --auto 会启动 Web 配置向导，浏览器中可视化填写 API Key。
四、几个有意思的技术细节
1. 安装脚本的 auto_confirm 模式
为了实现真正的无人值守安装，我封装了 auto_confirm() 函数替代所有 read -p：
bash
auto_confirm() {
local prompt="$1" default="${2:-y}"
if [ "$AUTO_MODE" = true ]; then
REPLY="$default"
echo -e "$prompt $default (auto)"
return 0
fi
read -p "$prompt" -n 1 -r
echo ""
}每个交互点都有合理的默认值，--auto 时自动应答，交互式时正常提示。
2. Wizard 前端构建的双场景处理
安装脚本需要处理两种场景：
- Git clone ：
setup-wizard/dist/不存在（gitignored），需要npm install+vite build - 分发包 ：
dist/已打包进去，只需npm install --production
bash
NEED_BUILD=false
if [ ! -f "$WIZARD_DIR/dist/index.html" ]; then
NEED_BUILD=true
fi
if [ "$NEED_BUILD" = true ]; then
(cd "$WIZARD_DIR" && npm install && npx vite build)
else
(cd "$WIZARD_DIR" && npm install --production)
fi3. macOS sed -i 的坑
macOS 的 sed -i 和 Linux 不一样------macOS 要求 sed -i ''，或者用 sed -i.bak 再删除备份。安装脚本里用了后者：
bash
sed -i.bak "s/^DEEPSEEK_API_KEY=.*/DEEPSEEK_API_KEY=${DEEPSEEK_API_KEY}/" "$ENV_FILE"
rm -f "${ENV_FILE}.bak"五、后续计划
- Windows WSL 支持
- Docker 一键部署
- Web UI 管理面板
- 更多 AI 模型适配（Claude、Gemini）
- 插件市场
开源信息
- GitHub ：github.com/xyva-yuangu...
- 协议：MIT
- 作者：圆规（Xyva-yuangui）
欢迎 Star ⭐、Fork、提 Issue。这是一个人的项目，但希望它能帮到更多人。