InferNews

paperclip：用任務管理思維駕馭 AI 團隊

Paperclip — runs your business

當團隊開始同時使用多個 AI 代理時，真正的瓶頸通常不是模型能力，而是協作失序。Paperclip 的定位很清楚：它不是再做一個代理本身，而是提供一個以 Node.js 伺服器與 React 介面組成的控制平面，讓使用者把不同來源的代理集中管理，並用公司、專案、目標與任務的層級來分派工作。若以一句話概括，它更像是「替 AI 團隊設計的營運系統」，而不是單純的自動化腳本集合。

實際使用上，這個專案適合已經有多個代理在運作的人，例如同時讓 Claude Code、Codex、Cursor 類型工具或 HTTP／CLI 代理各自負責開發、支援、行銷或例行工作。使用流程不是盯著一堆終端機，而是先定義公司目標與專案脈絡，再建立角色、指派任務、設定預算與批准機制，最後透過儀表板追蹤進度、成本與稽核紀錄。對想要讓代理 24 小時運作，但又不希望完全失控的團隊而言，這種「可放手、也可介入」的操作模式很實際。

Paperclip 最有意思的創新，在於它把企業治理概念直接帶進代理協作。README 提到的心跳排程、任務鎖定、持久狀態、預算硬限制、審批與回滾、以及多公司資料隔離，顯示它處理的是多代理系統中最麻煩的邊角問題，而不是只包一層漂亮 UI。尤其「每個任務都能追溯到上層目標」這件事，很適合避免代理只看見局部指令、卻看不見整體方向的常見缺陷；加上對話、工具呼叫與決策都有可追蹤紀錄，也讓後續檢討與合規更有依據。

  • 可整合多種代理執行環境，重點在協調而非綁定單一工具
  • 以組織圖、任務單、排程與預算管理多代理長時間運作
  • 提供完整稽核軌跡，方便人工覆核、追責與成本回顧
  • 支援單一部署管理多家公司，資料隔離是設計核心之一
  • 適合代理數量已經很多、需要正式管理流程的進階使用者

若從應用場景來看，Paperclip 最適合三類需求。第一是小型自動化公司或個人創業者，希望把開發、內容、客服與營運工作交給不同代理分工；第二是 AI 原生團隊，需要把多個代理當成部門成員來協調，而不是各自獨立跑任務；第三是想做內部實驗平台的技術團隊，想測試代理編制、預算政策與治理流程的實際效果。相對地，如果你只有單一代理、任務量也不大，這套系統可能顯得過重，因為它的價值建立在「代理很多、工作持續、成本要控、流程要查」的前提上。

整體來看，Paperclip 評價不在於它幫你生出更強的模型，而在於它把代理工作從零散的個人工具，提升成可管理的組織流程。這種產品思路相當少見，也切中多代理實務的痛點：工作不重複、上下文不遺失、費用不暴衝、責任可追蹤。若你目前已經感受到多代理協作帶來的管理負擔，這個專案值得深入研究；但若仍停留在單一聊天視窗的使用階段，可能還不需要這麼完整的控制層。

Source: https://github.com/paperclipai/paperclip

Categories: 開源, Agentic, 庫, OpenClaw

AcademiClaw 包含80個大學生的學術任務雙語基準測試

OpenClaw學術評估流程
GAIR-NLP/AcademiClaw

AcademiClaw 包含80個大學生的學術任務雙語基準測試 為AI代理呈現了一項獨特的學術 挑戰，透過使用真實世界的學術任務。這80個任務直接來自學生，突顯了當前AI不足之處。

該基準測試涵蓋了各種類別，如研究、軟體工程和語言創意，確保了全面的測試。研究人員和開發者可以專注於這些類別，以識別AI的優勢和弱點。每個任務都經過精心設計，並進行多維度評估，增強其可靠性。

在實際應用中，AcademiClaw 使用CPU和GPU任務的混合，根據需求自動路由。這種設置確保了在測試不同AI模型時的可重現性和公平性。用戶從詳細的評分維度和安全審核中受益，提供了對模型性能的洞察。

教育工作者和AI研究人員將發現 AcademiClaw 對於提升AI能力極具價值。它需要能夠處理複雜、長時間範圍任務的強大LLMs。

主要收穫：
–  AcademiClaw 使用真實的學生挑戰來測試AI。
– 它涵蓋了多樣化的學術領域，並進行詳細評估。
– 需要堅固的LLMs才能有效完成任務。
– 為AI開發和教育提供寶貴的見解。
– 支援CPU和GPU任務，以實現靈活的測試。

Source: https://github.com/GAIR-NLP/AcademiClaw

Categories: 開源, Agentic, OpenClaw

ClawMetry：看見您的代理思考

流程可視化

實時動畫流程儀表板是一個突出的功能，展示了通道、大腦、工具等之間的消息交換。這種可視化幫助開發者一目瞭然地理解複雜的交互。

Clawmetry 是一個專為 OpenClaw 設計的開源即時監控儀表板，它會自動讀取 OpenClaw 的現有 openclaw.json 配置文件和 Session 日誌，顯示 Agent 活動、工具呼叫、Token 消耗等資訊 。
它是獨立運行的 Python 服務，使用 pip install clawmetry 安裝後啟動，就能透過 Web 介面（預設 http://localhost:8900）查看資料，無需任何額外配置 。
Clawmetry 只讀取資料，不會寫入或改變 OpenClaw 的任何設定檔案，對 OpenClaw 性能影響極小（獨立進程，額外記憶體約 30MB）。

安裝與使用

安裝後，它會掃描你已配置的 OpenClaw 頻道，只顯示實際在 openclaw.json 中設定的項目 。
若要自訂，可用 clawmetry --port 9000 --workspace /path/to/openclaw/workspace 指定路徑，但仍僅讀取不修改 。
適合你作為 AI/ML 工程師，用來監控 RAG 系統或 Cantonese NLP Agent 的運行狀態 。

主要功能：
* 自動偵測 AI 代理配置
* 提供實時流程圖以提高清晰度
* 高效追蹤令牌使用和成本
* 支援多種大型語言模型

Source: https://github.com/vivekchand/clawmetry

Categories: 開源, OpenClaw

ClawGym 構建高效的 Claw 代理框架

ClawGym 框架的主要用途在於訓練和評估能夠在真實系統上執行任務的 AI 代理。以下是它的核心應用場景：

代理訓練與開發

ClawGym 提供完整的流程讓開發者能夠構建高效的 Claw 代理。框架透過合成大規模任務數據（13.5K 個經過篩選的任務）和智能軌跡收集，使 LLM 模型能夠學習如何在 OpenClaw 框架上自動執行真實任務。

自動化辦公與生產力

根據 OpenClaw 生態應用，Claw 代理可以執行：

  • 代碼沙箱運行：自動編寫並執行 Python 腳本，完成非結構化數據的抓取與清洗
  • 跨應用自動化：通過自然語言完成複雜的多步驟工作流，例如「幫我設計一個監控面板，每天定時抓取 A 股新上市企業數據」，代理會自主規劃路徑：編寫爬蟲 → 抓取數據 → 自動修正邏輯 → 生成展示頁面
  • 辦公助手場景：寫代碼、寫文檔、處理日常流程

企業級多智能體協作

ClawGym 支持構建多智能體團隊系統，實現：

  • 多個 AI 分析師並行評估投資價值
  • 多智能體深度研究項目和趨勢分析
  • 代碼漏洞和架構質量的聯合審查

性能評估與基準測試

ClawGym-Bench 提供了 200 個真實場景的評估基準，測試代理在辦公協同、信息檢索、內容創作、數據處理等場景的表現。

Categories: 開源, Agentic, 庫, 編程, OpenClaw

memory-lancedb-pro：OpenClaw 的增強型 LanceDB 記憶插件

"請我喝杯咖啡"
CortexReach/memory-lancedb-pro 在 GitHub 上

OpenClaw 的 memory-lancedb-pro 混合檢索（向量 + BM25）、跨編碼器重新排序、多範圍隔離、管理 CLI。對於需要比內建選項更複雜記憶檢索機制的開發者和 AI 熱衷者來說，這個插件提供了一個結合向量和 BM25 全文檢索的穩健混合檢索系統。用戶應首先專注於配置混合融合策略，因為這是插件檢索能力的骨幹。向量得分作為基礎，BM25 擊中得分獲得 15% 的增強，這種策略超越了傳統的 RRF 方法。這種設定確保了語義相似性和精確關鍵字匹配的有效利用。

在實際應用中，該插件通過與 OpenClaw 架構的無縫整合來運作。它使用 LanceDB 作為底層向量資料庫，實現高效的 ANN（近似最近鄰）和 FTS（全文檢索）索引。跨編碼器重新排序功能通過整合 Jina、SiliconFlow 或 Pinecone 等外部 API 進一步優化結果，增強檢索記憶的相關性。用戶可以配置權重和閾值，根據具體需求微調檢索過程。

該插件最適合處理複雜、多代理 AI 系統的用戶，其中高品質記憶檢索至關重要。例如，在客戶服務聊天機器人或個人助理中，準確回憶過去的互動可以顯著提升用戶體驗。多範圍隔離功能允許進行細粒度的存取控制，確保每個代理或用戶僅存取相關的記憶範圍。這在數據隱私和安全至關重要的協作環境中特別有用。

然而，需要考慮一些權衡。插件的先進功能帶來了配置和維護的複雜性增加。用戶必須仔細管理嵌入模型、重新排序提供者和得分參數，以實現最佳性能。此外，插件對外部 API 的依賴進行跨編碼器重新排序引入了潛在的延遲和依賴問題。用戶應確保他們有可靠的 API 存取權限，並考慮在服務中斷情況下的備用策略。

為了最大化 memory-lancedb-pro 的效益，用戶還應探索其自我改進和反思功能。這些工具使系統能夠從過去的互動中學習，並不斷優化其記憶管理策略。通過記錄學習和錯誤，用戶可以建立一個治理追蹤，有助於在長時間內進行除錯和優化 AI 系統。插件的 CLI 命令提供了一種方便的方式來管理記憶，使維護一個乾淨和有組織的資料庫變得更容易。

總之，memory-lancedb-pro 是增強 OpenClaw 基礎 AI 應用程式記憶管理的全面解決方案。儘管需要對其功能有深入的了解和仔細的配置，但它在檢索準確性、資料隔離和持續改進方面提供的效益，使其成為尋求提升 AI 系統能力的用戶的寶貴添加。無論您是在構建複雜的聊天機器人還是個人 AI 助理，這個插件都可以幫助您實現更可靠和具情境感知的記憶檢索。

Source: https://github.com/CortexReach/memory-lancedb-pro

Categories: 開源, OpenClaw

Qwen3.6-Plus 專為 Agentic AI 設計的模型

Qwen3.6-Plus 顯著增強了模型的智能體（Agent）編程能力。無論是前端網頁開發，還是複雜的代碼倉庫級問題求解，Qwen3.6-Plus 均樹立了全新的業界標桿（SOTA）。此外，Qwen3.6-Plus 對世界的感知更加精准，多模態推理能力也更為敏銳。本次發佈直接回應了社區在 Qwen3.5-Plus 部署期間反饋的意見，為開發者生態提供了高度穩定可靠的基礎，帶來真正具有變革意義的“氛圍編程”（Vibe Coding）體驗。

官方已提供 OpenClaw 整合，編輯 ~/.openclaw/openclaw.json

{
  "models": {
    "mode": "merge",
    "providers": {
      "bailian": {
        "baseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",
        "apiKey": "DASHSCOPE_API_KEY",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3.6-plus",
            "name": "qwen3.6-plus",
            "reasoning": true,
            "input": ["text", "image"],
            "contextWindow": 1000000,
            "maxTokens": 65536
          }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "bailian/qwen3.6-plus"
      },
      "models": {
        "bailian/qwen3.6-plus": {}
      }
    }
  }
}

Categories: 阿里巴巴, Agentic, Vibe Coding, OpenClaw, 中國

ClawKeeper 安全插件

ClawKeeper 是 SafeAI-Lab-X 開發的開源專案，提供 OpenClaw 自主代理的全面即時安全框架。

ClawKeeper 透過三層架構保護 OpenClaw 代理：技能層（指令級政策注入）、插件層（運行時執行與監控）、監視器層（獨立外部監督，可中斷高風險動作）。
它防範提示注入、憑證洩漏、代碼注入等威脅，並支援跨平台與雲端部署。

Categories: 開源, OpenClaw
Page 2 of 2
1 2