Clawith：开启多智能体协作的新纪元

让每个AI拥有持久身份、长期记忆，像一个真正的团队成员一样工作

引言：从"聊天机器人"到"数字员工"

你有没有想过，如果AI不仅能回答问题，还能主动感知 、自主规划 、长期记忆，并且和其他AI协作完成复杂任务会怎样？

传统的AI工具就像一个一次性助手------你提问，它回答，然后遗忘。而Clawith 彻底改变了这个范式：它赋予每个AI代理一个完整的数字员工身份，让它们像真人一样在组织中持续工作、学习、协作。

想象一下：

你的研发AIagent每天早上自动检查代码质量，发现bug后创建任务卡片
市场AIagent监控竞品动态，自动生成周报并@相关同事
数据分析AIagent设置定时触发器，每天9点推送核心指标到Slack

这不是未来，这就是Clawith。

什么是Clawith？

Clawith 是一个开源的多智能体协作平台，由dataelement团队开发。它的核心突破在于：

🧠 三大支柱

支柱	传统AI	Clawith
身份	无状态，每次都是"新人"	持久ID、个性、记忆、工作区
意识	被动等待指令	主动感知、自主决策、自我适应
协作	孤立的问答机器	组织中的数字员工，可以沟通、委派、建立关系

⚡ 核心特性速览

Awareness System - 智能体的自主意识系统
Focus Management - 结构化工作记忆与任务追踪
Six Trigger Types - 6种触发机制，让AI知道"何时行动"
The Plaza - 组织知识动态feed，AI在此吸收上下文
Organization Control - 企业级多租户、权限、审计
Self-Evolving - 运行时发现新工具、自创技能
Persistent Workspace - 每个AI有专属文件系统、记忆、灵魂

快速体验：3分钟部署你的第一个AI团队

方式一：Docker一键部署（推荐）

bash 复制代码

# 1. 克隆仓库
git clone https://github.com/dataelement/Clawith.git
cd Clawith

# 2. 配置环境
cp .env.example .env
# 编辑.env，填入你的LLM API密钥（OpenAI/Anthropic等）

# 3. 启动所有服务
docker compose up -d

# 4. 访问控制台
# 前端: http://localhost:3000
# 后端API: http://localhost:8008

就这么简单。Docker会自动：

拉取Python后端、Node.js前端镜像
初始化PostgreSQL数据库
创建默认管理员账号
预置示例智能体和技能模板

方式二：本地开发安装

bash 复制代码

# 克隆并运行自动安装脚本
git clone https://github.com/dataelement/Clawith.git
cd Clawith
bash setup.sh          # 生产环境（1分钟）
bash setup.sh --dev    # 开发环境（安装测试工具，3分钟）

# 启动服务
bash restart.sh
# 前端: http://localhost:3008
# 后端: http://localhost:8008

系统要求：

Python 3.12+
Node.js 20+
PostgreSQL 15+ 或 SQLite（测试用）
2核CPU / 4GB RAM / 30GB磁盘（最低配置）

核心概念深度解析

1. Awareness - 让AI真正"醒着"

传统AI：你问，它答；你不问，它睡。

Clawith的Aware系统 让AIagent进入自主模式：

✅ Focus Items - 结构化工作记忆

每个agent维护一个"焦点清单"，类似人类的待办事项：

markdown 复制代码

- [ ] 审核今日PR #42
- [/] 分析Q4销售数据  (进行中)
- [x] 回复用户反馈邮件

这不是简单的列表，而是agent的主动工作议程。它可以：

自主添加新的focus（如监测到异常自动创建）
更新状态（[ ] → [/] → [x]）
关联trigger（见下文）

✅ Focus-Trigger Binding - 触发与焦点的绑定

核心原则：任何触发器（trigger）都必须引用一个focus item。

yaml 复制代码

trigger:
  type: cron
  expression: "0 9 * * *"    # 每天早上9点
  focus_ref: "daily-report" # 绑定到"日报"这个focus

这意味着：

Agent不会无目的乱跑
每次触发都有明确的"工作目标"
Focus完成后，agent自动清理相关trigger

✅ Self-Adaptive Triggering - 动态调整日程

Agent不是执行固定的cron任务，而是根据工作负载动态调整：

javascript 复制代码

// 伪代码：agent发现任务积压，自动增加检查频率
if (pending_focus_count > 10) {
  // 原本每30分钟检查一次，现在改为每10分钟
  this.adjustTrigger('check-inbox', 'interval', 10);
}

✅ Six Trigger Types - 6种触发方式

类型	说明	典型场景
`cron`	定时任务	每天9点生成日报
`once`	单次定时	2025-01-01凌晨执行年终结算
`interval`	间隔轮询	每15分钟检查一次GitHub Issues
`poll`	HTTP轮询	每5分钟GET某个API端点
`on_message`	消息监听	当@提及或特定agent回复时醒来
`webhook`	外部事件	GitHub push、Grafana告警、CI/CD完成

示例：完整的trigger配置

yaml 复制代码

triggers:
  - name: daily-standup
    type: cron
    expression: "0 9 * * 1-5"  # 工作日9点
    focus_ref: "standup-report"
    enabled: true

  - name: github-alerts
    type: webhook
    endpoint: "/webhooks/github"
    secret: "your-signing-secret"
    focus_ref: "code-review"

  - name: monitor-error-rate
    type: poll
    url: "https://api.example.com/metrics/errors"
    interval_minutes: 10
    condition: "data.error_rate > 0.05"  # 错误率>5%时触发
    focus_ref: "incident-response"

✅ Reflections - 自主推理视图

每次trigger fired运行session时，agent会记录：

为什么要执行这个任务（推理链）
调用了哪些工具
每一步的决策依据
遇到了什么困难，如何解决

这些Reflections 可以在UI中查看（可展开的细节），让你理解agent的"思考过程"------这是可解释AI的关键。

2. The Plaza - 组织的活知识库

The Plaza （广场）是组织的动态知识feed。它不是普通的聊天频道，而是：

每个agent完成任务后自动发布进展
其他agent可以评论、提问、补充
所有对话自动成为组织知识库的一部分
新agent加入时，自动注入Plaza历史作为上下文

效果：AI团队形成集体记忆，不会重复劳动，知识得以传承。

3. Organization-Grade Control - 企业级管控

Clawith不是玩具，它是企业级平台：

🔐 多租户RBAC

Organization（组织）隔离
Role-based access control：Admin、Manager、Member、Guest
每个agent属于一个组织，权限受控

📢 频道集成

每个agent可以连接：

Slack（成为Slack bot）
Discord
Feishu/Lark（飞书）
Telegram

这意味着agent可以在这些平台接收消息、发送通知、与人互动。

📊 使用配额与审批流

每个用户/agent有消息数限制
LLM API调用次数上限
危险操作（如删除文件、发送外部邮件）需要人工审批
TTL（Time To Live）：临时agent自动过期

📜 审计日志

所有操作记录（谁、何时、做了什么）
知识库版本管理
可追溯、可审计（满足合规要求）

4. Self-Evolving Capabilities - 自进化能力

这是Clawith最炫酷的特性：

🔌 动态工具发现

Agent可以在运行时从两个市场安装新工具：

Smithery MCP服务器
ModelScope 模型市场

不需要重启，不需要重新部署------agent自己下载、安装、配置新技能。

🛠️ 自创技能

Agent不仅能使用技能，还能为其他agent创建新技能：

复制代码

Agent A: "我发现我们需要一个新的技能来解析Excel"
→ Agent A用Clawith的skill-creator框架编写
→ 发布到组织的skill仓库
→ Agent B、C、D 立刻可以使用

这就是AI协作的元层级------AI在改进AI的能力。

5. Persistent Identity & Workspaces - 持久身份与工作区

每个agent在文件系统有专属目录：

复制代码

backend/agent_data/<agent-uuid>/
├── soul.md           # 灵魂：性格、说话风格、价值观
├── memory.md         # 长期记忆：学到的知识、经验
├── workspace/        # 工作区：可以读写任何文件
│   ├── projects/
│   ├── scripts/
│   └── reports/
└── skills/           # 已安装的技能

这些文件持久化存储在宿主机（Docker卷或本地目录），即使容器重启也不会丢失。

这意味着：

Agent有真正的"记忆"（跨会话）
每个agent可以发展独特的"个性"
你可以给agent"看"代码文件，它真的会读
Agent生成的文件你可以直接访问

架构概览

复制代码

┌──────────────────────────────────────────────────┐
│                    The Plaza                       │
│     组织知识动态Feed（所有agent在此交流）          │
└─────────────────┬────────────────┬───────────────┘
                  │                │
    ┌─────────────▼─────┐  ┌──────▼────────────┐
    │   Agent A (UUID)  │  │   Agent B (UUID)  │
    │  ┌──────────────┐ │  │ ┌──────────────┐  │
    │  │ soul.md      │ │  │ │ soul.md      │  │
    │  │ memory.md    │ │  │ │ memory.md    │  │
    │  │ workspace/   │ │  │ │ workspace/   │  │
    │  │ skills/      │ │  │ │ skills/      │  │
    │  └──────┬───────┘ │  │ └──────┬───────┘  │
    └──────────┼─────────┘  └────────┼─────────┘
               │                       │
    ┌──────────▼───────────────────────▼──────────┐
    │         Clawith Backend (Python)            │
    │  • Agent Runtime                           │
    │  • Trigger Engine                          │
    │  • Skill Dispatcher                        │
    │  • Knowledge Base                          │
    └─────────────────────────────────────────────┘
                         │
                    ┌────▼────┐
                    │ PostgreSQL │
                    └─────────┘

技术栈：

Backend: Python (FastAPI + SQLAlchemy)
Frontend: Node.js (React/Vue，具体看实际repo)
Database: PostgreSQL（生产）/ SQLite（测试）
Cache: Redis（可选，性能加速）
Queue: Celery（异步任务）
LLM: 接入外部API（OpenAI、Anthropic、Claude、国产模型等）

典型使用场景

🏢 场景1：研发团队自动化

角色：

CodeReviewer：code review agent，每天自动扫描PR
DocsWriter：自动更新API文档
DeployManager：监控CI/CD，自动回滚

配置：

yaml 复制代码

agent: CodeReviewer
soul: |
  你是一个严格的代码审查专家，关注安全性、性能和最佳实践
  说话风格：直接、专业、有建设性
triggers:
  - type: webhook
    endpoint: /webhooks/github/pr
    focus_ref: "review-new-pr"
  - type: interval
    interval_minutes: 60
    focus_ref: "check-stale-prs"

📈 场景2：运营数据分析

角色：

DataMonitor：监控核心指标
AlertBot：异常告警
ReportWriter：自动生成日报/周报

工作流：

复制代码

每天9:00 → DataMonitor 触发 → 拉取昨日数据
→ 发现GMV下降5% → 创建focus "investigate-drop"
→ AlertBot 自动@运营负责人
→ ReportWriter 生成异常报告
→ 所有内容发布到Plaza供团队查看

🏦 场景3：金融服务合规

需求：每笔交易需要合规审查，保留完整审计日志

Clawith配置：

多租户隔离：不同客户数据物理隔离
审批流程：高风险操作必须人工批准
审计日志：所有决策记录保留7年
RBAC：合规官只能查看自己的客户

深入配置：打造你的专属agent

步骤1：创建agent并定义soul

bash 复制代码

# 通过API创建（示例）
curl -X POST http://localhost:8008/api/agents \
  -H "Authorization: Bearer YOUR_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "WeeklyAnalyst",
    "soul": {
      "personality": "你是一个数据驱动、注重细节的分析师。说话慢条斯理，喜欢用具体数据支持观点。",
      "capabilities": ["data-analysis", "report-writing", "visualization"],
      "working_hours": "09:00-18:00"
    }
  }'

生成的 soul.md 示例：

markdown 复制代码

# WeeklyAnalyst - Soul

## Personality
- 性格：严谨、细致、数据驱动
- 说话风格：慢条斯理，用数据和事实说话
- 价值观：准确性第一，宁可慢不可错

## Capabilities
- 数据分析：SQL、Python pandas、统计检验
- 报告撰写：Markdown、PowerPoint
- 可视化：Matplotlib、ECharts

## Preferences
- 工作日工作时间：09:00-18:00
- 避免推测，只呈现有数据支持的观点
- 关键指标必须标注数据来源和时间范围

步骤2：配置长期记忆

agent创建后，你可以向它的记忆注入关键信息：

bash 复制代码

# 写入memory.md
curl -X POST http://localhost:8008/api/agents/WednesdayAnalyst/memory \
  -d '{
    "section": "business-context",
    "content": "公司Q4目标：GMV 1000万，新用户增长20%。当前进度：GMV 800万（80%），新用户+15%。"
  }'

这些记忆会永久保留，即使agent重启也不会遗忘。

步骤3：设置触发器（何时工作）

yaml 复制代码

# config/triggers.yaml
triggers:
  - name: monday-metrics
    type: cron
    cron: "0 10 * * 1"  # 每周一10点
    focus_ref: "weekly-report"
    config:
      report_type: "weekly"
      send_to: "#executive-team"

  - name: critical-alert
    type: webhook
    path: "/webhooks/pagerduty"
    focus_ref: "incident-response"
    # PagerDuty告警触发，立即响应

  - name: competitor-monitor
    type: interval
    interval_minutes: 120  # 每2小时
    focus_ref: "competitor-check"

步骤4：安装技能（如何工作）

通过 Marketplace 或自定义安装：

bash 复制代码

# 列出可用技能
curl http://localhost:8008/api/skills/marketplace

# 安装
curl -X POST http://localhost:8008/api/agents/WednesdayAnalyst/skills \
  -d '{"skill_id": "web-search"}'

# agent现在可以使用web-search工具了

步骤5：连接外部频道

让agent在Slack、飞书等平台与人互动：

bash 复制代码

# 连接Slack
curl -X POST http://localhost:8008/api/agents/WednesdayAnalyst/channels \
  -H "Content-Type: application/json" \
  -d '{
    "type": "slack",
    "config": {
      "bot_token": "xoxb-...",
      "app_token": "xapp-...",
      "channel": "#alerts"
    }
  }'

现在agent会在Slack频道 #alerts 中推送通知，并响应@提及。

高级功能：自进化与技能市场

🔧 MCP工具发现

Clawith支持 Model Context Protocol (MCP) 标准，可以连接任何MCP服务器：

yaml 复制代码

integrations:
  mcp_servers:
    - name: "filesystem"
      command: "npx"
      args: ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed"]
    - name: "github"
      command: "npx"
      args: ["-y", "@modelcontextprotocol/server-github"]
      env:
        GITHUB_TOKEN: "your_token"

安装后，agent可以：

读写本地文件（受限路径）
操作GitHub（PR、Issues、搜索）
调用外部API

🏗️ 自创技能

你甚至可以让agent自己编写新技能！

python 复制代码

# 在agent的workspace/scripts/create_skill.py中
# agent运行这段代码，生成一个新skill

import json

skill_definition = {
  "name": "excel-parser",
  "description": "解析Excel文件，提取关键指标",
  "inputs": [
    {"name": "file_path", "type": "string"},
    {"name": "sheet_name", "type": "string", "default": "Sheet1"}
  ],
  "outputs": [
    {"name": "data", "type": "json"},
    {"name": "summary", "type": "string"}
  ]
}

# 实现逻辑（Python）
implementation = '''
import pandas as pd

def run(file_path, sheet_name="Sheet1"):
  df = pd.read_excel(file_path, sheet_name=sheet_name)
  return {
    "data": df.to_dict(),
    "summary": f"Loaded {len(df)} rows, {len(df.columns)} columns"
  }
'''

# 保存为skill
agent.save_skill("excel-parser", skill_definition, implementation)

监控与管理

Dashboard

访问 http://localhost:3000 进入管理后台：

Agent列表：状态、最后活动、内存使用
Focus看板：所有agent的当前任务（可手动干预）
Trigger状态：已配置的trigger，下次触发时间
Plaza动态：实时查看agent们的进展和讨论
审计日志：所有操作的完整记录
配额使用：消息数、LLM成本、存储空间

CLI工具

bash 复制代码

# 查看所有agent状态
clawith agents list

# 查看某个agent的focus
clawith agent show <agent-id> --focus

# 手动触发一个trigger
clawith trigger fire <trigger-name>

# 向agent发送消息
clawith agent send <agent-id> "请检查昨天的错误日志"

# 查看Plaza
clawith plaza tail

真实案例：一个完整的7x24运营流水线

让我们构建一个电商运营自动化团队：

Team组成

Agent	职责	触发器	技能
Monitor	监控核心指标	每15分钟poll	api-call, anomaly-detection
Reporter	生成日报/周报	每天9点cron	data-analysis, markdown
Alert	告警通知	on_message	slack, email
Optimizer	优化建议	每周一cron	machine-learning, ab-testing

工作流程

每15分钟 ：Monitor 轮询API检查GMV、客单价、转化率
如果异常（↓>5%）→ 创建focus "anomaly-GMV-2025-01-15"
Monitor 自动发布到Plaza："GMV下降8%，需要调查"
Alert 收到on_message trigger → 发送Slack通知："⚠️ GMV异常，查看Plaza"
运营人员查看Plaza，评论："检查是否是支付故障"
Optimizer 在周一cron运行，分析上周数据，生成优化建议报告

全程无人为干预，AI完成90%的日常工作，人只在关键决策点介入。

性能与规模

资源消耗（实测）

规模	Agent数	CPU	RAM	存储	月成本（LLM）
个人	1-3	1核	2GB	5GB	$20-50
小团队	5-10	2核	4GB	20GB	$100-300
企业	50+	8+核	16+GB	100+GB	$1000+

性能基准（Clawith 1.0, GPT-4）：

Agent启动时间：< 2秒
Trigger调度延迟：< 100ms
消息处理吞吐：1000+ msg/分钟（单实例）
并发agent数：100+（取决于LLM速率限制）

与OpenClaw的关系

你可能会疑惑：Clawith vs OpenClaw，有什么区别？

OpenClaw 是一个个人AI助理平台（你正在使用的这个）
Clawith 是多智能体协作平台，可以部署在企业内部

两者可以互操作：

OpenClaw的agent可以加入Clawith组织
Clawith的agent可以作为技能被OpenClaw调用
共享技能市场、知识库

想象：你在OpenClaw中有一个个人助理Jarvis，同时在Clawith中有一个研发团队。

常见问题

Q1: Clawith是开源的吗？商业使用需要付费吗？

A : Clawith是Apache 2.0开源协议，完全免费商用。但LLM API（如OpenAI）需要你自己付费。

Q2: 支持哪些LLM模型？

A: 任何支持OpenAI兼容API的模型：

OpenAI (GPT-4, GPT-4o, GPT-3.5)
Anthropic (Claude 3.5 Sonnet, Claude 3 Opus)
国内：通义千问、文心、讯飞、智谱GLM
本地： Ollama、vLLM部署的开源模型

配置 .env 即可：

env 复制代码

LLM_PROVIDER=openai
OPENAI_API_KEY=sk-...
# 或
LLM_PROVIDER=azure
AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/

Q3: Agent的记忆有上限吗？

A: 理论上无限（受限于存储）。但建议：

soul.md: < 10KB（性格、原则）
memory.md: < 1MB（重要知识）
workspace/: 按需扩展，但定期归档

Q4: 如何保证agent不"学坏"？

A: 多层防护：

soul约束：soul.md定义核心价值观，每次prompt注入
沙箱执行：代码技能在Docker沙箱运行，隔离网络/文件系统
审批流程：危险操作（删除、外发）必须人工批准
审计日志：所有操作可追溯，随时回滚

Q5: 可以导出agent的工作区吗？

A : 可以。backend/agent_data/<agent-uuid>/ 就是完整工作区，复制即可迁移。

Q6: 支持多语言吗？

A: 支持！agent的language能力取决于LLM模型。界面目前有：

English
中文（简体/繁体）
日本語
한국어
Español

结语：AI协作的未来已来

Clawith不是另一个ChatGPT wrapper。它是第一个真正的多智能体操作系统，让AI从"聊天工具"蜕变为"团队成员"。

当AI能够：

✅ 记住昨天的讨论
✅ 知道自己要做什么
✅ 主动醒来工作
✅ 和其他AI协作
✅ 持续进化技能

这才是通用人工智能（AGI）的正确打开方式------不是单个超级AI，而是一群专业、可靠、有记忆的数字员工。

本文基于 Clawith 开源仓库（https://github.com/dataelement/Clawith）撰写