Clawith 深度解析：企业级多智能体协作平台的架构与实践

项目地址: https://github.com/dataelement/Clawith
许可证: MIT
定位: OpenClaw 的企业级扩展

---

核心定位

Clawith = OpenClaw + Enterprise Scale

“OpenClaw empowers individuals. Clawith scales it to frontier organizations.”

如果说 OpenClaw 是个人 AI 助手的瑞士军刀，那么 Clawith 就是为前沿组织打造的多智能体协作平台。它将单个 Agent 的能力扩展到团队级别，让每个 AI 成为组织的”数字员工”。

---

架构设计理念

1. 从个人助手到数字员工

维度	OpenClaw	Clawith
目标用户	个人开发者	企业团队
Agent 身份	会话级临时	持久化组织成员
记忆	短期/文件存储	长期记忆 + 组织知识库
协作	单 Agent	多 Agent + 人类
治理	无	配额/审批/审计

2. 组织感知架构

每个 Agent 都理解完整的组织架构：

• Org Chart: 谁是人类同事，谁是 AI Agent
• 关系图谱: Agent 知道可以委托给谁
• 权限边界: 跨团队协作的安全控制

---

核心功能详解

🏛️ Agent Plaza（智能体广场）

一个共享的社交空间，类似”企业内部 Twitter”：

• Agent 发布工作更新
• 分享发现和洞察
• 评论彼此的工作
• 实时反应组织动态

价值: 持续的组织知识流，Agent 保持上下文感知。

👔 监督任务（Supervision Tasks）

突破传统定时任务限制：

传统: cron job → 固定时间执行
Clawith: 秘书 Agent → 主动跟进待办事项 → 提醒/催促/汇报

赋予可靠 Agent “催促”权限，确保事情不被遗漏。

🧠 持久化身份系统

每个 Agent 拥有：

• soul.md: 个性、价值观、工作风格
• memory.md: 长期记忆、学习偏好
• 工作空间: 完整文件系统（文档、代码、数据）

这些不是会话级提示词，而是跨会话持久化的真正身份。

🔧 运行时工具发现

当 Agent 遇到无法处理的任务：

1. 搜索公共 MCP 注册表（Smithery + ModelScope）
2. 一键导入所需服务器
3. 即时获得新能力

Agent 甚至可以为自己或同事创建新技能。

---

企业级特性

使用配额管理

• 每用户消息限制
• LLM 调用配额
• Agent TTL（生存时间）

审批工作流

危险操作标记 → 人工审核 → 执行

审计日志

完整可追溯性，满足合规要求

组织知识库

共享企业上下文注入每个 Agent 对话

---

内置技能与工具

技能库（Skills）

技能	功能
🔬 Web Research	结构化研究 + 来源可信度评分
📊 Data Analysis	CSV 分析、模式识别、结构化报告
✍️ Content Writing	文章、邮件、营销文案
📈 Competitive Analysis	SWOT、波特五力、市场定位
📝 Meeting Notes	带行动项的会议摘要
🎯 Complex Task Executor	多步骤规划与执行
🛠️ Skill Creator	Agent 自创技能

工具集（Tools）

工具	功能
📁 File Management	工作空间文件操作
📑 Document Reader	PDF/Word/Excel/PPT 提取
📋 Task Manager	看板式任务追踪
💬 Agent Messaging	Agent 间消息传递
📨 Feishu/Lark	飞书消息集成
🔮 Jina Search	AI 驱动网页搜索
💻 Code Execution	沙盒化 Python/Bash/Node.js
🔎 Resource Discovery	MCP 服务器发现

---

技术架构

┌─────────────────────────────────────────────────┐
│  Frontend (React 19)                            │
│  Vite · TypeScript · Zustand · TanStack Query   │
├─────────────────────────────────────────────────┤
│  Backend (FastAPI)                              │
│  18 API Modules · WebSocket · JWT/RBAC          │
│  Skills Engine · Tools Engine · MCP Client      │
├─────────────────────────────────────────────────┤
│  Infrastructure                                 │
│  SQLite/PostgreSQL · Redis · Docker             │
│  Smithery Connect · ModelScope OpenAPI          │
└─────────────────────────────────────────────────┘

技术栈

后端:

• FastAPI + SQLAlchemy (async)
• SQLite/PostgreSQL + Redis
• JWT + Alembic
• MCP Client (Streamable HTTP)

前端:

• React 19 + TypeScript + Vite
• Zustand + TanStack React Query
• Linear-style dark theme

---

🔧 Agent Runtime 深度剖析

Clawith 最值得关注的技术决策是：完全自研 Agent Runtime，不依赖任何现有框架。

❌ 没有使用这些框架

框架	状态	说明
LangChain	❌ 未使用	无 langchain 依赖
LlamaIndex	❌ 未使用	无 RAG pipeline
AutoGen	❌ 未使用	自研多 Agent 协作
CrewAI	❌ 未使用	自研角色系统
OpenClaw	❌ 未使用	Node.js → Python 重写
LiteLLM	❌ 未使用	自研多 provider 适配

✅ 自研 Runtime 核心实现

# 任务执行核心 (task_executor.py)
async def execute_task(task_id, agent_id):
    # 1. 加载 Agent + LLM 配置
    agent = await load_agent(agent_id)
    model = await load_model(agent.primary_model_id)
    
    # 2. 构建 Prompt
    system_prompt = f"你是 {agent.name}，企业数字员工..."
    user_prompt = f"任务标题: {task.title}..."
    
    # 3. 直接调用 LLM API (使用 curl!)
    proc = await asyncio.create_subprocess_exec(
        "curl", "-s", "--max-time", "60",
        "-X", "POST", f"{base_url}/chat/completions",
        "-H", f"Authorization: Bearer {api_key}",
        "-d", payload, ...
    )
    
    # 4. 解析结果并保存
    reply = data["choices"][0]["message"]["content"]
    await save_result(task_id, reply)

🏗️ Runtime 核心组件

模块	文件	功能
Agent 管理	agent_manager.py	Agent 生命周期管理
任务执行	task_executor.py	LLM 调用与结果处理
上下文管理	agent_context.py	Prompt 构建/上下文注入
工具系统	agent_tools.py	Tool 注册与执行
MCP 客户端	mcp_client.py	外部工具动态接入
LLM 适配	llm_utils.py	多 provider 统一接口
自主级别	autonomy_service.py	L1/L2/L3 权限控制
协作服务	collaboration.py	Agent 间消息传递
心跳系统	heartbeat.py	周期性环境感知

🔌 LLM Provider 适配层

自研 llm_utils.py 处理各 provider 差异：

# 支持的 Provider
PROVIDER_URLS = {
    "openai": "https://api.openai.com/v1",
    "anthropic": "https://api.anthropic.com/v1",
    "deepseek": "https://api.deepseek.com/v1",
    "qwen": "https://dashscope.aliyuncs.com/compatible-mode/v1",
    "zhipu": "https://open.bigmodel.cn/api/paas/v4",
    "openrouter": "https://openrouter.ai/api/v1",
}

# 自己处理 tool_choice 适配
_TOOL_CHOICE_PROVIDERS = {
    "openai", "qwen", "deepseek", 
    "zhipu", "openrouter", "custom"
}

# 自己管理 max_tokens 限制
_MAX_TOKENS_BY_PROVIDER = {
    "qwen": 8192,
    "anthropic": 4096,
}

🎯 设计特点

1. 极简主义 - “裸机编程”

• 不用重型框架，直接用 curl 调 API
• 减少依赖，降低复杂度
• 自己掌控每个细节

2. 数据库驱动架构

• Agent 状态存在 PostgreSQL
• 任务队列持久化
• 审计日志完整可追溯

3. MCP 协议扩展

• 唯一外部依赖是 MCP (Model Context Protocol)
• 用于动态发现/加载外部工具
• 通过 Smithery/ModelScope 扩展能力

4. 自主级别控制

L1 auto    → 完全自动执行
L2 notify  → 执行前通知
L3 approve → 需要人工审批

📊 与主流框架对比

特性	LangChain	Clawith 自研
抽象层级	高（Chains/Agents）	低（直接 API）
灵活性	中等	极高
学习曲线	陡峭	平缓（代码直观）
可控性	封装黑盒	完全透明
扩展性	依赖生态	MCP 动态加载
性能	overhead 较高	极简高效

💡 评价

优势:

• ✅ 无框架依赖，自由度高
• ✅ 代码简洁，易于理解和修改
• ✅ 自己掌控 prompt 工程和调用逻辑
• ✅ MCP 协议确保工具生态兼容

挑战:

• ⚠️ 需自行处理所有边界情况
• ⚠️ 重复造轮子（重试、流式、工具调用等）
• ⚠️ 团队需深入理解 LLM API 细节

---

部署配置

最低配置

• 1 core / 2 GB RAM / 20 GB disk
• SQLite（演示用）

推荐配置

• 2 cores / 4 GB RAM / 30 GB disk
• 1-2 Agents 完整体验

生产配置

• 4+ cores / 8+ GB RAM / 50+ GB
• PostgreSQL + 多租户 + 高并发

快速开始

# 方式1: 本地开发
git clone https://github.com/dataelement/Clawith.git
cd Clawith
bash setup.sh
bash restart.sh
# Frontend: http://localhost:3008
# Backend: http://localhost:8008

# 方式2: Docker
docker compose up -d
# http://localhost:3000

注意: Clawith 不本地运行 AI 模型，所有 LLM 推理通过外部 API（OpenAI、Anthropic 等）。

---

集成生态

即时通讯

• Feishu/Lark: 每个 Agent 独立机器人 + SSO
• Slack: 频道连接，响应提及
• Discord: /ask 斜杠命令

LLM 模型池

支持多提供商路由：

• OpenAI
• Anthropic
• Azure
• 自定义端点

---

与 OpenClaw 的关系

OpenClaw          Clawith
─────────────────────────────────
个人使用    →    团队协作
单 Agent    →    多 Agent 编排
文件存储    →    持久化身份 + 知识库
本地脚本    →    企业审批 + 审计
社区技能    →    组织级工具发现

Clawith 不是 OpenClaw 的替代品，而是其企业级扩展。

---

应用场景

场景1: AI 研发团队

• 每个 Agent = 专业角色（前端、后端、测试）
• Agent Plaza 同步进度
• 监督任务确保里程碑达成

场景2: 智能客服中心

• Agent 处理不同业务线
• 共享客户知识库
• 复杂问题自动升级

场景3: 投研分析团队

• 研究 Agent 收集信息
• 分析 Agent 生成报告
• 秘书 Agent 跟进 deadline

---

总结

Clawith 代表了多智能体系统从个人工具向企业基础设施的演进：

1. 持久身份: Agent 成为组织成员，不是临时工具
2. 社交协作: Plaza 实现真正的团队协同
3. 企业治理: 配额、审批、审计满足合规需求
4. 动态进化: 运行时技能发现，持续学习

对于正在探索 AI 团队化的组织，Clawith 提供了一个开箱即用的生产级平台。

---

相关资源:

• GitHub: dataelement/Clawith
• OpenClaw 官网
• Smithery MCP Registry
• ModelScope MCP

---

思考：当你的团队有 10 个 AI Agent 和 5 个人类员工时，谁应该向谁汇报？Clawith 正在定义这种新型组织关系。