构建你自己的 OpenClaw
从零开始，用18个渐进式步骤搭建一个轻量级AI代理，涵盖工具、技能、记忆与多代理协作。
- Star 数
- ★ 1.9k
- 最近更新
- 3 个月前
- License
- MIT
- 主语言
- Python
- FA 评分
- 21/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 想学习如何从零构建AI代理的开发者，可以按步骤逐步实现。
- 不适合
- 使用 Python 以外语言、希望直接用于生产的开发者
- 期望开箱即用、无需逐步跟做教程的用户
这个 Agent 能做什么，适合哪些场景？
这是一个分步教程，指导你从简单的聊天循环构建自己的AI代理，最终实现一个轻量版的OpenClaw。教程包含18个渐进步骤，每个步骤都有详细的README说明和可运行的代码。步骤分为四个阶段：第一阶段构建具备聊天、工具、技能、记忆和联网能力的单代理；第二阶段重构为事件驱动架构，支持配置热重载、多平台接入和WebSocket交互；第三阶段实现多代理路由、定时任务、多层提示和代理调度；第四阶段添加并发控制和长期记忆功能。参考实现为pickle-bot项目。
该仓库提供了一套逐步教程，用于学习如何构建AI代理。每个步骤包含一个README.md（解释关键组件和设计决策）和一个可运行的代码库。教程从最基础的聊天循环（00-chat-loop）开始，逐步添加工具（01-tools）、技能（02-skills）、持久化（03-persistence）、斜杠命令（04-slash-commands）、历史压缩（05-compaction）、网络工具（06-web-tools），然后重构为事件驱动架构（07-event-driven）、配置热重载（08-config-hot-reload）、多平台渠道（09-channels）、WebSocket（10-websocket），接着实现多代理路由（11-multi-agent-routing）、定时任务（12-cron-heartbeat）、多层提示（13-multi-layer-prompts）、消息回发（14-post-message-back）和代理调度（15-agent-dispatch），最后实现并发控制（16-concurrency-control）和记忆（17-memory）。
- 想学习如何从零构建AI代理的开发者，可以按步骤逐步实现。
- 需要为一个轻量级代理添加工具、技能和持久化功能的开发者。
- 希望将单代理重构为事件驱动架构以支持多平台的开发者。
- 需要实现多代理协作和定时任务的开发者。
- 希望在生产环境中添加并发控制和长期记忆的开发者。
如何安装或部署这个 Agent？
首先，克隆仓库到本地：git clone https://github.com/czl9707/build-your-own-openclaw.git。然后进入项目目录，复制配置文件：cp default_workspace/config.example.yaml default_workspace/config.user.yaml。编辑config.user.yaml，填入你的API密钥（参考LiteLLM支持的提供商列表）。
如何使用这个 Agent？
确保Python环境已安装，并配置好API密钥后，进入每个步骤的目录（如00-chat-loop），阅读README.md了解设计，然后运行对应的Python脚本。你可以按照教程的步骤顺序学习，也可以直接参考参考实现pickle-bot。
这个 Agent 有哪些优点和局限？
- 教程结构清晰，18个步骤渐进式，从基础到高级，适合学习。
- 每个步骤都有可运行的代码，方便实践和调试。
- 使用LiteLLM作为模型提供商抽象，支持多种LLM提供商，避免锁定单一供应商。
- 覆盖了代理开发的关键方面：工具、技能、记忆、事件驱动、多代理等。
- 教程步骤需要配置API密钥，依赖外部LLM服务，可能产生费用。
- 代码是每个步骤单独实现，可能需要整合才能用于生产环境。
- 部分高级主题（如并发控制、记忆）可能实现有限，需自行扩展。
- 文档和代码以Python为主，不适用于其他语言开发者。
这个 Agent 与同类方案有什么区别？
该教程明确参照了OpenClaw项目，旨在构建其轻量版本。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| 构建你自己的 OpenClaw 当前 | 21 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 1.9k | 3 个月前 | Python | — |
| 学习 Claude Code：智能体赋能（Harness）工程实战 | 48 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 79k | 20 天前 | Python | Claude API |
| CaveAgent | 62 · 存在缺口 | 代码库 / SDK免费 + 模型费 | ★ 204 | 1 个月前 | Python | OpenAI API · Claude API |
| Claude Code 从零实现 | 60 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 2.8k | 3 个月前 | Python | OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示仓库仅提供教程和示例代码，未包含任何安全机制描述。没有最小权限原则、用户确认、数据流透明、敏感数据处理、依赖安全、外部影响控制、回滚或来源归属的说明。因此所有信任标准得分为0。
教程结构清晰，步骤间逻辑一致，但未提供任何错误处理或失败消息的说明。依赖可用性未提及，因此自一致性得1分，其余为0。
教程面向开发者，场景明确，但能力边界未清晰定义，触发精度未涉及，环境适配仅提及API配置。因此受众和场景得2分，能力边界和环境适配得1分，触发精度为0。
信息架构良好，有清晰的目录和步骤说明；安装说明仅涉及API配置；命名稳定但未明确版本策略；示例和FAQ有限；未提及已知限制；许可证为MIT；无版本变更日志；维护责任未明确。因此信息架构得2分，安装说明、命名稳定性、示例和FAQ、维护责任得1分，已知限制和版本变更日志为0，许可证得2分。
输出可用性一般，教程提供可运行代码但未说明输出格式；边际价值较高，提供了从零构建的完整路径；成本效益未评估。因此输出可用性得1分，边际价值得2分，成本效益得1分。
声明可追溯性一般，教程步骤有对应代码；但缺乏跨来源验证和事实与推断的区分。因此声明可追溯性得1分，其余为0。
- 源码中未见：最小权限约束只授予完成任务所需的权限：用专用账号或只读令牌，并限定可访问的目录和仓库。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 源码中未见：数据流向说明运行时观察它连接了哪些外部服务（代理或防火墙日志）；弄清数据去向之前不要输入敏感数据。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
- 源码中未见：外部影响披露先弄清它会写入、发送或修改哪些外部系统，用测试账号或测试仓库验证后再接入正式环境。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 源码中未见：来源归属可核验从官方仓库或包源安装，核对发布者和仓库地址，避免同名仿冒包。
- 该仓库为教程性质，未包含任何安全机制，用户在生产环境使用前需自行评估风险。
- 依赖安全未提及，可能存在未披露的漏洞。
- 未提供错误处理或失败消息，用户遇到问题可能难以排查。