当Agent越来越多，OpenClaw的“爽感”开始变味
作为模型服务的新入口，OpenClaw 确实让人眼前一亮——写代码、查邮件、操作 GitHub、设置定时任务，直接在 IM 里发号施令，这种交互创新带来的“爽感”无可替代。但问题是，随着历史指令越积越多，Long Horizon 项目数量不断膨胀，一些麻烦事就冒出来了：
- 安全成了定时冲击波：每个 Agent 都得配自己的 API Key，GitHub PAT、LLM Key 散落一地。2026 年 1 月的 CVE-2026-25253 漏洞让所有人都意识到，这种“自我可入侵”架构虽然方便，但风险也是真真切切的。
- 记忆乱成一锅粥：一个 Agent 又要写前端，又要写后端，还得写文档。skills 目录越来越乱，MEMORY.md 里各种记忆搅在一起，每次加载都给 AI 塞进一大堆无关上下文，token 哗哗地浪费，混乱也在所难免。
- 多 Agent 协作反而更累：对每个 SubAgent 手动配置、手动分配任务、手动同步进度，本来想专注业务，结果却花了大把时间当 Agent 的“保姆”。
- 移动端？一言难尽：想用手机指挥 Agent，飞书、钉钉的机器人接入流程动辄几天甚至几周，等审批下来热情早凉了。
- 配置门槛高得离谱：就算资深程序员，从安装到配置也要折腾大半天。某鱼上甚至出现了 OpenClaw 付费安装服务，还提供上门调试——这大概能说明问题有多严重。
如果你也有过这些经历，那 HiClaw 就是为你准备的。
HiClaw 的定位：OpenClaw 的超进化
简单说，HiClaw = OpenClaw 的 Team 版。核心创新是在 OpenClaw 基础上引入了 Manager Agent 角色。它不直接动手干活，而是帮你管理 Worker Agent 团队，类似于钢铁侠的贾维斯。
┌─────────────────────────────────────────────────────┐
│ 你的本地环境 │
│ ┌──────────────────────────────────────────────┐ │
│ │ Manager Agent (AI 管家) │ │
│ │ ↓ 管理 │ │
│ │ Worker Alice Worker Bob Worker ... │ │
│ │ (前端开发) (后端开发) │ │
│ └──────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────┘
↑ 你（真人管理员）只需做决策，不用当保姆
这套管理系统是按需启用的，两种模式灵活选择：
模式一：直接对话 Manager
- 简单任务直接告诉 Manager，它自己处理；
- 适合快速问答、简单操作。
模式二：Manager 分派 Worker
- 复杂任务由 Manager 拆解，分配给专业 Worker；
- 每个 Worker 有独立的 Skills 和 Memory；
- 技能和记忆完全隔离，不会互相污染。
除了 Manager Agent 角色，HiClaw 还有多项进化。下面我们就结合这些进化点，看它如何一一破解 OpenClaw 的落地痛点。
OpenClaw 的落地挑战，HiClaw 如何解
安全风险：Worker 永远不碰真实凭证
原生 OpenClaw 架构下，每个 Agent 都揣着真实的 API Key。一旦 Agent 被攻击或意外输出，凭证就可能泄露。HiClaw 的做法是：Worker 永远不持有真实凭证。真正的 API Key、GitHub PAT 等全部存储在 AI Gateway，Worker 调用外部服务时通过 Gateway 袋里。即便 Worker 被攻破，攻击者也拿不到真实凭证。Manager 的安全设计同样严格——它知道 Worker 要做什么，但不知道任何密钥。
Manager 的职责是“管理和协调”，不直接执行文件读写和代码编写。
| 维度 | OpenClaw 原生 | HiClaw |
|---|---|---|
| 凭证持有 | 每个 Agent 自己持有 | Worker 只持有 Consumer Token |
| 泄漏途径 | Agent 可直接输出凭证 | Manager 无法访问真实凭证 |
| 攻击面 | 每个 Agent 都是入口 | 只有 Manager 需要防护 |
OpenClaw 有一个非常棒的开放技能生态 skills.sh，社区已经有 80,000+ 个技能可以一键安装——写 Higress WASM 插件、做 PR Review、生成 Changelog……但在原生 OpenClaw 里，你不太敢轻易使用公共技能库，因为 SKILL.md 你没法彻底审查，万一哪个技能诱导 Agent 输出凭证、执行危险命令，后果很严重。
得益于 HiClaw 的设计，每个 Worker 运行在完全隔离的容器里，而且不持有任何真实凭证。开发者可以放心让 Worker 自己去检索和安装技能。
Worker 能看到什么？
✅ 任务文件、代码仓库、它自己的工作目录
✅ Consumer Token（类似“门禁卡”，只能调用 AI API）
❌ 看不到你的 LLM API Key
❌ 看不到 GitHub PAT
❌ 看不到任何加密凭证
HiClaw 给 Worker 内置了 find-skills 技能。当 Worker 遇到需要特定领域知识的任务时，它会主动搜索并安装合适的技能：
Manager 派发任务:
"开发一个 Higress WASM Go 插件"
↓
Worker 发现自己缺少工具
↓
skills find higress wasm → alibaba/higress@higress-wasm-go-plugin (3.2K installs)
↓
skills add alibaba/higress@higress-wasm-go-plugin -g -y
↓
技能安装完成，Worker 获得完整的插件开发脚手架和工作流
如果你不放心公开技能库，或者公司有内部技能需要积累，HiClaw 也支持切换到自建私有技能库——只需在 Manager 里设置一个环境变量：
SKILLS_API_URL=https://your-private-registry.example.com
只要你的私有库实现了和 skills.sh 相同的 API，Worker 就会无缝切换到内部搜索。两种场景下 Worker 的使用方式完全一致。
移动端接入：自带 Matrix 服务器，零配置
OpenClaw 的移动端体验……说多了都是泪。想用手机指挥 Agent，飞书、钉钉的机器人接入要走公司审批，而且公司整体还有 bot API 额度限制。
HiClaw 内置 Matrix 服务器，支持多种客户端：
- 一键安装后直接用，无需配置飞书/钉钉机器人；
- 下载 Matrix 客户端（Element Mobile 或 FluffyChat），手机上随时指挥；
- 消息实时推送，不会折叠到“服务号”；
- 所有对话可见：你、Manager、Worker 在同一个 Room，全程透明。
SubAgent 低效协作：从手动保姆到自动蜂群
想想看，每个 SubAgent 都要手动配置、手动分配任务、手动同步进度。明明想专注于业务，却成了 Agent 的“保姆”。HiClaw 的 Manager-Worker 架构本质上是 Supervisor 架构，但因为基于 Matrix 群聊房间协作，同时具备了 Swarm（蜂群） 的特点。
在 Swarm 模式下，每个 Agent 都能看到群聊房间里的完整上下文：
- Alice 说“我在做登录页面”；
- Bob 自动知道前端在做什么，API 设计时可以配合；
- 不需要 Manager 额外同步信息，自然透明。
防惊群设计：按需唤醒
HiClaw 做了防惊群设计，避免群里每条消息都触发所有 Agent 去调用 LLM，导致成本和延迟爆炸。规则很简单：Agent 只有被 @ 的时候才会触发 LLM 调用。群聊消息主要是有意义的沟通，Agent 不会被无关消息唤醒，成本可控，响应及时。
Human in the Loop：全程可见，随时干预
与 OpenClaw 原生的 Sub Agent 系统相比，HiClaw 的 Multi-Agent 系统不仅更易用，而且更透明。核心优势：
- 全程可见：所有 Agent 的协作过程都在 Matrix 群聊里；
- 随时介入：发现问题可以随时 @ 某个 Agent 修正；
- 自然交互：就像在微信群里和一群同事协作。
Manager 可以帮你做哪些事？看下面：
| 能力 | 说明 |
|---|---|
| Worker 生命周期管理 | “帮我创建一个前端 Worker” → 自动完成配置、技能分配 |
| 自动分派任务 | 你说目标，Manager 拆解并分配给合适的 Worker |
| Heartbeat 自动监工 | 定期检查 Worker 状态，发现卡住自动提醒你 |
| 项目群自动拉起 | 为项目创建 Matrix Room，邀请相关人员 |
记忆爆炸：上下文隔离 + 共享文件系统
一个 Agent 承担太多角色，skills 目录越来越乱，MEMORY.md 里混杂各种记忆，每次加载都要塞一大堆无关上下文，既浪费 token，又带来混乱。HiClaw 的关键设计是：工作中间产物不发到群聊。Agent 之间的大量协作（文件交换、代码片段、临时数据）通过底层的 MinIO 共享文件系统 完成：
┌─────────────────────────────────────────────────────────────┐
│ Matrix 群聊房间 │
│ 只保留有意义的沟通和决策记录（上下文精简） │
└─────────────────────────────────────────────────────────────┘
↑ 有意义的信息
│
┌─────────────────────────────────────────────────────────────┐
│ MinIO 共享文件系统 │
│ 代码、文档、临时文件等大量中间产物（不污染群聊上下文） │
└─────────────────────────────────────────────────────────────┘
这样群聊上下文始终保持合理规模，不会因为大量文件交换而膨胀。举个例子，假设一个项目需要 3 次代码开发任务（每次 50k tokens）和 10 次信息收集任务（每次 100k tokens）：
原生 OpenClaw（统一用 Sonnet）：
代码: 3×50k×$3/M = $0.45
信息: 10×100k×$3/M = $3.00
总计: $3.45
HiClaw（按任务分配模型，代码用 Sonnet，信息用 Haiku）：
代码: 3×50k×$3/M = $0.45 (Sonnet)
信息: 10×100k×$0.25/M = $0.25 (Haiku)
总计: $0.70
节省 80% 成本，同时代码质量不减。
HiClaw 架构的设计思考：从组装电脑到一体化笔记本
OpenClaw 的设计像一个完整的生物体：有大脑（LLM）、中枢神经系统（pi-mono）、感知器官（各种 Channel）。但原生设计中，大脑和感知器官都是“外接”的——你得自己去配置 LLM Provider、对接各种消息渠道。
HiClaw 做了一次“器官移植”手术，把这些外接组件变成内置器官：
┌────────────────────────────────────────────────────────────────────┐
│ HiClaw All-in-One │
│ ┌──────────────────────────────────────────────────────────────┐│
│ │ OpenClaw (pi-mono) ││
│ │ 中枢神经系统 ││
│ └──────────────────────────────────────────────────────────────┘│
│ ↑ ↑ │
│ ┌────────────────┐ ┌────────────────┐ │
│ │ Higress AI │ │ Tuwunel │ │
│ │ Gateway │ │ Matrix Server │ │
│ │ (大脑接入) │ │ (感知器官) │ │
│ │ 灵活切换 │ │ │ │
│ │ LLM供应商和模型 │ │ Element Web │ │
│ └────────────────┘ │ FluffyChat │ │
│ │ 自带客户端 │ │
│ └────────────────┘ │
└────────────────────────────────────────────────────────────────────┘
LLM 接入：Higress AI Gateway
大脑（LLM）不再外接，通过 AI Gateway 灵活管理：
- 一个入口，多种模型：在 Higress 控制台即可切换 Qwen、OpenAI、Claude 等不同模型供应商；
- 凭证集中管理：API Key 只需要配置一次，所有 Agent 共享；
- 按需授权：每个 Worker 只获得调用权限，永远接触不到真实的 API Key。
通信接入：内置 Matrix Server
感知器官也变成内置的：
- Tuwunel Matrix Server：开箱即用的消息服务器，无需任何配置；
- 自带 Element Web 客户端：浏览器打开就能对话；
- 移动端友好：支持 FluffyChat、Element Mobile 等全平台客户端；
- 零对接成本：不需要申请飞书/钉钉机器人，不需要等待审批。
换个比喻：OpenClaw 原生就像一台组装电脑，你需要自己买显卡（LLM）、显示器（Channel）然后装驱动。HiClaw 则是一台开箱即用的笔记本，所有外设都集成好了，开机就能干活。
HiClaw 集成了多个开源组件（Higress、Tuwunel、MinIO、Element Web……），但不用担心部署复杂度——基于 All-in-One 的思路设计了配置打包，终于把配置门槛降下来了。
快速开始
第一步：安装
macOS / Linux：
bash <(curl -sSL https://higress.ai/hiclaw/install.sh)
Windows（PowerShell 7+）：
Set-ExecutionPolicy Bypass -Scope Process -Force; Invoke-Expression ((New-Object System.Net.WebClient).DownloadString('https://higress.ai/hiclaw/install.ps1'))
这个脚本的几个特点：跨平台兼容（Mac、Linux、Windows 全支持）、智能检测（根据时区自动选择最近的镜像仓库）、Docker 封装（所有组件跑在容器里，屏蔽操作系统差异）、最少配置（只需要一个 LLM API Key，其他都是可选的）。
安装完成后，你会看到如下组件：
| 组件 | 端口 | 用途 |
|---|---|---|
| Higress Gateway | 18080 | AI Gateway + 反向袋里 |
| Higress Console | 18001 | 模型配置、路由管理 |
| Element Web | 18080 | 对话客户端（浏览器） |
| MinIO | 9000/9001 | 共享文件系统 |
第二步：打开浏览器，登录开始对话
- 打开浏览器访问安装时显示的 URL（https://127.0.0.1:18080）。
- 输入安装时显示的用户名和密码登录。
- 你会看到一个 "Manager" 的对话。
第三步：创建你的第一个 Worker
（此处应有图片展示创建 Worker 的界面）
第四步：Manager 分配任务，Worker 完成任务
（此处应有图片展示任务分配和完成的状态）
第五步：随时随地在手机上查看进度
- 下载 FluffyChat（iOS/Android/全平台）。
- 登录时选择“其他服务器”，填入你的 Matrix 服务器地址。
- 随时查看 Worker 的进度，随时干预。
（此处应有图片展示手机客户端界面）
Showcase：用 HiClaw 实现一款 SaaS 产品
假设你想做一个 SaaS 产品——从 idea 到上线到增长，传统上你需要产品、设计、开发、测试、运营……但现在，你只需要跟 Manager 说一句话。
下面是一个完整的模拟演练过程（代码块中展示了从创建 Worker 到项目规划、任务分配、开发、验收、上线、数据分析的完整闭环）：
你: 帮我创建 4 个 Worker：
- alex: 产品经理
- sam: 全栈开发
- taylor: 内容运营
- jordan: 数据分析
Manager: 好的，4 个 Worker 已创建，各自有独立的技能和记忆。
你: 启动项目：AI写作助手MVP，下周要上线
Manager: 收到，我来规划项目...
[创建项目群，邀请所有 Worker 加入]
[起草项目计划]
计划如下，请确认：
Phase 1: 产品定义
- task-001: 竞品调研&PRD（alex）
Phase 2: 开发
- task-002: 技术选型&架构（sam，依赖 task-001）
- task-003: 核心功能开发（sam，依赖 task-002）
- task-004: 代码审查（alex，依赖 task-003）
Phase 3: 上线准备
- task-005: 发布素材准备（taylor，依赖 task-001）
确认后我开始分配任务。
你: 确认
Manager: [更新项目状态为 active]
@alex 你有新任务 [task-001]：竞品调研&PRD
目标：输出PRD文档，明确MVP功能边界
规格：~/hiclaw-fs/shared/tasks/task-001/spec.md
完成后在项目群@我汇报
[1小时后]
alex: @manager task-001完成
PRD已输出：核心功能包括AI续写、多模型切换、历史记录
结果：~/hiclaw-fs/shared/tasks/task-001/result.md
Manager: [读取 result.md，状态：SUCCESS]
[更新项目计划，task-001标记完成]
@sam 你有新任务 [task-002]：技术选型&架构
PRD参考：~/hiclaw-fs/shared/tasks/task-001/result.md
@taylor 你有新任务 [task-005]：发布素材准备
产品定位参考：~/hiclaw-fs/shared/tasks/task-001/result.md
[1小时后]
sam: @manager task-002完成
技术栈：Next.js+Vercel+Supabase
Manager: [更新计划，分配 task-003]
@sam 继续开发核心功能 [task-003]
[1小时后]
sam: @manager task-003完成，已部署到Vercel
Demo地址：https://xxx.vercel.app
Manager: [更新计划，分配 task-004]
@alex 请验收 [task-004]：产品验收
测试地址：https://xxx.vercel.app
对照PRD验收功能完整性
[验收中发现问题]
alex: @manager task-004需要修改
问题：多模型切换没有引导，用户不知道怎么选
建议：增加模型对比说明页
结果：~/hiclaw-fs/shared/tasks/task-004/result.md
状态：REVISION_NEEDED → 返回 task-003
Manager: [读取 result.md，状态：REVISION_NEEDED]
[创建修订任务 task-006]
@sam task-004验收发现问题，需要修改
修改任务 [task-006]：增加模型选择引导页
反馈详情：~/hiclaw-fs/shared/tasks/task-004/result.md
完成后@我汇报
[修改完成]
sam: @manager task-006完成，引导页已加上
Manager: [task-006完成，task-004重新验收通过]
[所有开发任务完成]
@你 MVP开发完成！
- 代码已部署：https://xxx.vercel.app
- 产品验收通过
- 发布素材已就绪
项目计划：~/hiclaw-fs/shared/projects/proj-xxx/plan.md
你: 准备上线。@taylor 明天Product Hunt发布
taylor: 收到，已排期。素材已准备完毕。
[上线当天 — Manager自动检测进度]
Manager: @你 Product Hunt发布提醒
当前排名：第3名
Upvotes:423 评论数:87
@jordan 请配置数据埋点
jordan: 收到，开始配置GA4+自定义事件...
[数据就绪后]
jordan: @manager 埋点配置完成
看板地址：https://analytics.google.com/xxx
首日数据：
- 注册用户：1,247
- 次日留存：34%
- AI续写使用率：78%
- 多模型切换使用率：23%
Manager: @你 项目「AI写作助手MVP」上线数据日报
核心指标：
- 首日注册：1,247
- 次日留存：34%
- 功能使用：续写78%，切换23%
洞察：多模型切换使用率偏低
建议：@alex 分析原因，优化引导流程
[就这样，Manager贯穿始终：规划→分配→监控→协调→汇报]
一个 AI，带着 4 个 AI 员工，干完了一个团队的活。而你只需要躺在沙发上，在手机上查看进度，并在关键决策时参与指导。
欢迎加入 HiClaw 社区
HiClaw 保留了 OpenClaw 的核心理念（自然语言对话、Skills 生态、MCP 工具等），同时解决了安全和易用性上的痛点。如果你是：
- 独立开发者：一个人想干一个团队的活；
- OpenClaw 深度用户：想要更安全、更易用的体验；
- 一人公司创始人：需要 AI 员工帮你分担工作。
HiClaw 就是为你准备的。它是开源项目，基于 Apache 2.0 协议，由 Higress 团队基于 OpenClaw、Higress AI Gateway、Element IM 客户端+Tuwunel IM 服务器（均基于 Matrix 实时通信协议）、MinIO 共享文件系统打造。
（社区链接已按规则移除，如需获取进一步信息，请访问项目官网或 GitHub 仓库。）
