6 个 GitHub 开源项目覆盖 LLM 应用开发中的信息抽取、AI 工作流、Agent 工具链、案例学习、浏览器自动化和本地知识库搜索场景,适合用来搭建从原型到自动化工具的完整开发链路。
nanoclaw 是一个轻量级 Claude 个人助手框架,用约 500 行 TypeScript 实现核心逻辑。它把每个会话和任务放进 macOS 原生容器中运行,用文件系统隔离降低本地 AI Agent 执行命令时误删或破坏宿主机的风险。
LangChain DeepAgents 的 Sandboxes 为 AI 代理提供隔离的代码执行环境,使代理可以运行命令、读写文件、安装依赖和执行测试。核心设计围绕 execute() 展开,同时通过文件工具和外部传输通道区分代理内部操作与宿主文件交换。
OpenClaw 的 Skills 可以把大模型从聊天工具扩展成能搜索资料、解析课件、生成知识结构、规划练习、记录进度和润色中文表达的工作流系统。以《世界电影史》课程为例,拆解 6 个 Skills 的职责、调用方式和注意事项。
OpenClaw 可以通过 Skills 调用浏览器、邮件等外部工具,把聊天机器人从“会回复”扩展为“能执行任务”的 AI Agent。这里以默认集成的 agent-browser 和手动安装 email Skill 为例,讲清楚 Skills 的作用、使用方式和配置流程。
Deep Agents 是构建复杂 AI Agent 的多智能体框架,适合处理长期运行、多步骤规划、文件系统上下文、子代理协作和持久记忆等任务。内容围绕它解决的问题、核心机制、适用场景和上手方式展开。
OpenClaw 是一个本地优先的 AI Agent 运行时,把大语言模型、消息通道、本地文件、Shell、浏览器和长期记忆连接起来。内容拆解它的本地架构、ReAct 编排、分层记忆、System Prompt 组装方式,以及适合和不适合的使用场景。
Clawdbot/OpenClaw 的高 Token 消耗主要来自系统提示词、ReAct 多轮循环、工具结果回灌和反射重试。围绕这些成本来源,拆解计算模型、典型场景和缓存、工作流、上下文压缩、工具裁剪、模型路由等降本手段。