📋 概述
elizaOS 是一个开源的多智能体 AI 开发框架，用于构建、部署和管理自主 AI 智能体。采用现代化、可扩展的全功能平台设计。
核心特性
🏗️ 系统架构概览
项目结构
ZeroAI 是一个通用的 AI 驱动软件开发助手，能够按照标准化的五步流程开发任意软件应用。从需求理解到代码生成，让 AI 帮你完成整个软件开发周期。
特性
技术栈
核心依赖
测试依赖
快速开始
环境配置
cp .env.example .env
Cline 是一个企业级 AI 编程助手，作为 VS Code 扩展运行。它代表了当前 AI 智能体开发的最高水平之一，具有以下核心特点：
| 特性 | 描述 |
|---|---|
| 🤖 自主智能体 | 能够独立规划和执行复杂开发任务 |
| 🔧 多工具集成 | 文件编辑、终端执行、浏览器自动化、MCP 协议 |
| 👥 人机回环 | 每一步操作都需要用户确认，安全可控 |
| 🌐 多模型支持 | Anthropic、OpenAI、Google、AWS Bedrock 等 |
| 💾 检查点系统 | 可随时回滚到任意工作状态 |
| 🏗️ 跨平台架构 | VS Code、CLI、JetBrains 多宿主支持 |
本报告将从架构师和开发专家的角度，深入剖析 Cline 的技术实现。
目录
整体架构设计
1.1 分层架构
Cline 采用清晰的分层架构，从上到下依次为：
ZeroAI 一个通用的 AI 开发助手，能够按照五步流程开发任意软件应用。从需求理解到代码生成，让 AI 帮你开发软件！
😀
一、理解需求
创建项目
# 🎮 坦克大战 - Tank Battle
一个经典坦克游戏克隆，致敬任天堂的《坦克大战》（Battle City）。
## ✨ 功能特性
### 核心玩法
- **玩家坦克** - 使用 WASD 或方向键控制移动，空格键射击
- **AI 敌方坦克** - 自动移动和射击，难度随关卡递增
- **基地保护** - 保护你的金色基地不被敌人摧毁
- **关卡系统** - 通关后自动进入下一关，敌人越来越强
### 地图元素
- **🧱 砖墙** - 可被子弹破坏，提供战术掩护
- **🔩 钢墙** - 不可破坏的坚固障碍物（增强子弹可以破坏）
// ...
一、理解需求
1. 项目概述
Cline 是一个 AI 驱动的编程助手 VS Code 扩展，基于 Claude Sonnet 的代理编程能力。它能够处理复杂的软件开发任务，包括：
2. 整体架构图
Claude 代码安全审查 (Claude Code Security Review) 是一个基于 AI 的 GitHub Action 安全审查工具，利用 Claude 分析代码变更中的安全漏洞。包含了我个人的二次开发成果（Web 界面、全库扫描、可视化报告）。
Claude 代码安全审查器 (Claude Code Security Reviewer)
这是一个基于 AI 驱动的 GitHub Action 安全审查工具，利用 Claude 分析代码变更中的安全漏洞。该 Action 使用 Anthropic 的 Claude Code 工具进行深度语义安全分析，为 Pull Request (PR) 提供智能且具备上下文感知能力的安全评估。
功能特性
快速入门
将以下内容添加到您仓库的 .github/workflows/security.yml 文件中：
通过 2026 年 git 提交历史记录，分析 Peter Steinberger (steipete) 开发 OpenClaw 的工作流程及 Agent 编码秘诀。
关键洞察总结
AI 是放大器，不是替代品
AI 的作用：
人类的作用：
可借鉴的经验
| 经验 | 说明 |
|---|---|
| 人机分工 | 人类做 creative，AI 做 repetitive |
| 明确周期 | 人类开发期 → AI 重构期 → 人类收尾期 |
| 标准化 | AI 喜欢模板，建立标准流程 |
| 小步快跑 | 每个阶段有明确目标，快速迭代 |
一、提交统计概览
总提交数: 8443 次提交在两个月内
峰值日产量:
提交类型分布:
fix: 1557 (26%)
test: 815 (14%)
docs: 857 (14%)
refactor: 308 (5%)
feat: 363 (6%)
chore: 352 (6%)
style: 134 (2%)
build: 21 (0.3%)
二、工作流程核心模式
1️⃣ "Land #PR" 工作流
Redis Patterns and Documentation for AI Coding Agents
Comprehensive Redis design patterns, best practices, and command references for LLM coding agents.（面向大语言模型（LLM）编码智能体的Redis 综合设计模式、最佳实践与命令参考。）
重要提示
Redis 特定文档：这些文档专门针对 Redis (https://redis.io)，可能不适用于共享部分代码库的其他系统，如 Valkey、KeyDB、Dragonfly 或其他 Redis 兼容数据库。在使用这些分支或替代方案时，请验证兼容性，因为具体实现可能存在差异。
官方源码：官方 Redis 源代码可在 https://github.com/redis/redis 获取。
官方文档：有关权威的命令文档，请参阅官方文档库 https://github.com/redis/docs，其镜像站点为 https://redis.io/docs/
命令参考
官方 Redis 文档已在本地镜像：
ZeroClaw：极致性能的 Rust 原生运行时。 凭借 <10ms 冷启动与 <5MB 内存占用，它证明了智能体可以像嵌入式插件一样轻盈。通过 Landlock 内核级沙箱与 Trait 驱动的模块化设计，ZeroClaw 定义了高并发、资源受限环境下的工业级标准。
IronClaw：坚不可摧的安全防御系统。 针对企业级痛点，它构建了包含隐私泄露检测、Docker 容器化隔离与任务状态机的深度防御体系，确保智能体在拥有自主权的同时，不逾越安全红线。
nanobot：大道至简的 Python 扩展框架。 仅用 4000 行代码便实现了基于 Markdown 的“人类可读”记忆系统。它通过 MCP 协议与插件化技能包，展现了极简主义架构下惊人的生态连接力。
ZeroClaw 项目架构设计分析
项目概述
ZeroClaw 是一个Rust 优先的高性能自主智能体运行时，专注于提供安全、高效、可扩展的智能体执行环境。它采用严格的架构设计原则，实现了在资源受限设备上的高性能运行，同时保持了强大的扩展能力。
核心架构特点
LLM/Agent 代码安全扫描 + 自动修复（扫描代码安全、修复）
这些项目用 LLM 驱动 Agent 动态运行/分析代码，找出真实漏洞并生成修复方案（远超传统静态扫描）。
首推：Strix（⭐ 20.6k）
curl -sSL https://strix.ai/install | bash LLM/Agent 模拟渗透测试（自主黑盒/白盒渗透）
这些项目让 LLM Agent 像真实渗透测试员一样：规划 → 执行工具 → 分析结果 → 迭代攻击。
首推：PentestGPT（⭐ 11.8k） 链接：https://github.
知识工作插件（Knowledge Work Plugins）能将 Claude 打造为适配你岗位、团队与公司的专业助手。专为 Claude Cowork 打造，同时兼容 Claude Code。
为何使用插件
Cowork 让你设定目标，Claude 即可输出完整、专业的成果。而插件能进一步赋能：你可以告诉 Claude 你的工作偏好、需要调用的工具与数据、关键工作流的处理方式，以及开放哪些斜杠命令——让团队获得更优质、更统一的结果。
每个插件都为特定职能打包了专业能力、工具连接器、斜杠命令和子智能体。开箱即用，就能让 Claude 快速上手协助对应岗位人员。真正的强大之处在于为你的公司定制化——适配你的工具、术语与流程，让 Claude 仿佛为你的团队量身定制。
插件市场
我们开源了 11 个基于实际工作打造与启发的插件：
一、插件概述
Voice Call 是 OpenClaw 的一个核心插件，允许用户通过 AI 助手发起和接收语音通话。它支持多种电话服务提供商（Twilio、Telnyx、Plivo），并提供两种主要通话模式：通知模式（Notify）和对话模式（Conversation）。
二、插件安装和配置
1. 安装方式
# 从 npm 安装（推荐）
openclaw plugins install @openclaw/voice-call
# 从本地开发（开发模式）
openclaw plugins install ./extensions/voice-call
cd ./extensions/voice-call && pnpm install
安装后需要重启 Gateway 网关。
2. 配置
在 ~/.openclaw/config.json 文件中配置插件：
很难说清楚在过去两个月里，人工智能让编程发生了多大的变化：它不是以「往常一样逐步进展」的方式渐进发生的，而是就在去年十二月突然发生的。他指出，由于更高质量模型具备了「长期连贯性和执着性」，编程智能体「在十二月之前基本还不好用，但从那之后基本就能用了」。来源: Simon Willison 的网络日志
1. 智能体引擎概述
OpenClaw 智能体引擎是基于 @mariozechner/pi-agent-core 构建的完整 AI 智能体执行系统，提供从简单的单智能体执行到复杂的多智能体协作的完整功能。它支持多种工具类型、安全沙箱执行、详细的会话管理和高度可扩展的架构。
2. 核心架构组件
2.1 主要入口文件
| 文件 | 功能 |
|---|---|
pi-embedded-runner.ts |
智能体引擎主入口，导出所有核心功能 |
pi-embedded-runner/run.ts |
核心执行逻辑，处理智能体运行流程 |
pi-embedded.ts |
整合所有智能体相关功能的统一入口 |
agent-scope.ts |
智能体配置解析和管理 |
workspace.ts |
智能体工作区管理 |
2.2 核心执行流程
// 主执行函数
runEmbeddedPiAgent()
→ buildEmbeddedRunPayloads() // 构建运行 payload
→ runEmbeddedAttempt() // 执行单次尝试
→ resolveModel() // 解析模型配置
→ 工具调用和交互
→ 结果处理和清理
3. 智能体引擎工作流程详解
3.1 初始化阶段
关于标准化使用 /llms.txt 文件以提供信息，帮助大语言模型（LLM）在推理阶段使用网站内容的提案。
Jeremy Howard 2024-09-03
背景
大型语言模型（LLM）越来越依赖网站信息，但面临一个关键限制：上下文窗口（Context Windows）太小，无法处理大多数完整的网站内容。将包含导航、广告和 JavaScript 的复杂 HTML 页面转换为 LLM 友好的纯文本内容既困难又不精确。
虽然网站同时服务于人类读者和 LLM，但 LLM 受益于在单一可访问位置收集的更简洁、专业级别的信息。这在开发环境等用例中尤为重要，LLM 需要快速访问编程文档和 API。
提案
我们建议在网站上添加一个 /llms.txt Markdown 文件，以提供 LLM 友好的内容。该文件提供简要的背景信息、指导和指向详细 Markdown 文件的链接。
llms.txt Markdown 既可以被人类阅读，也可以被 LLM 读取，同时具有精确的格式，允许使用固定的处理方法（即经典的编程技术，如解析器和正则表达式）。
我们进一步建议，网站上可能对 LLM 有价值的信息页面应提供该页面的干净 Markdown 版本，URL 与原始页面相同，但附加 .md 扩展名。（没有文件名的 URL 应附加 index.html.md 代替。）
这四个术语是当前大模型应用开发的核心范式，从指令设计、信息管理、生成式编程到自主智能体构建，层层递进，共同构成了 AI 应用开发的技术栈。
以下是通俗易懂的拆解：
1. Prompt Engineering (提示工程)
这是最基础的技能，重点在于指令的质量。 如果把 AI 比作一个极其博学但有时听不懂人话的实习生，Prompt Engineering 就是学习如何写出完美的“任务说明书”。
2. Context Engineering (上下文工程)
随着模型处理能力增强，大家发现“怎么说”固然重要，但 “给它看什么资料” 更重要。这就是上下文工程。
NanoClaw 是您的专属 AI 助手，可安全运行在容器中。轻量设计，易于理解，还能根据您的需求自由定制。 与复杂的 OpenClaw 不同，NanoClaw 坚持“小巧易懂”的哲学，仅由单一 Node.js 进程和少量源文件组成，无微服务或复杂配置。其核心安全机制在于利用 Linux 容器（macOS 上支持 Apple Container 或 Docker）进行操作系统级别的隔离，确保智能体只能在挂载的沙箱环境中运行，无法访问宿主机敏感数据。系统支持按群组隔离的持久记忆、可安排的任务调度及网络访问功能。独特的“技能优于功能”架构鼓励用户通过贡献技能脚本（如添加 Telegram 支持）来定制功能，而非直接修改核心代码，从而保持代码库的纯净与个性化适配。
README
NanoClaw —— 您的专属 Claude 助手，在容器中安全运行。它轻巧易懂，并能根据您的个人需求灵活定制。
我为什么创建这个项目
OpenClaw 是一个令人印象深刻的项目，愿景宏大。但我无法安心使用一个我不了解却能访问我个人隐私的软件。OpenClaw 有 52+ 个模块、8 个配置管理文件、45+ 个依赖项，以及为 15 个渠道提供商设计的抽象层。其安全性是应用级别的（通过白名单、配对码实现），而非操作系统级别的隔离。所有东西都在一个共享内存的 Node 进程中运行。
NanoClaw 用一个您能在 8 分钟内
NanoClaw 架构的核心洞察是：与其构建复杂的插件 API 来限制扩展的能力，不如利用 Git 的成熟合并机制来安全地组合任意代码变更。 AI（Claude Code）只在 Git 无法自动解决冲突时才介入，而且解决方案会被缓存（git rerere）以便下次自动应用。这使得大多数用户永远不会遇到未解决的冲突，同时保留了无限的定制能力。
提示词（Kimi-2.5 Agent）：
我没有理解 NanoClaw 这里的架构设计，结合源代码（https://github.com/qwibitai/nanoclaw ）仔细研究一下，给我讲明白。
---
config:
theme: base
themeVariables:
primaryColor: '#ffffff'
primaryTextColor: '#1a202c'
primaryBorderColor: '#e2e8f0'
lineColor: '#94a3b8'
secondaryColor: '#f8fafc'
tertiaryColor: '#ffffff'
fontSize: 14px
---
flowchart TB
subgraph Philosophy["💡 设计哲学"]
direction LR
Git["🌲 Git 原生"]
Direct["✏️ 直接代码修改"]
Deterministic["🎯 确定性结果"]
end
subgraph ConflictResolution["⚔️ 三级冲突解决模型"]
direction LR
L1["<b>Level 1</b><br>🤖 Git 自动化<br><small>处理 95% 以上情况</small>"]
L2["<b>Level 2</b><br>🧠 AI 辅助解决<br><small>Claude 处理边界</small>"]
L3["<b>Level 3</b><br>👤 用户决策<br><small>极少数模糊场景</small>"]
end
subgraph SkillPackage["📦 Skill 包结构"]
direction LR
Manifest["manifest.yaml<br>配置"]
Intent["SKILL.md<br>技能"]
Add["add/<br>新增"]
Modify["modify/<br>变更"]
end
subgraph SkillSystem["🎯 NanoClaw Skills 核心架构"]
direction TB
SkillPackage
ConflictResolution
Philosophy
end
L1 -- 冲突 --> L2
L2 -- 无法决策 --> L3
Philosophy --- ConflictResolution
SkillPackage --> ConflictResolution
style Deterministic fill:#f8fafc,stroke:#94a3b8
style Direct fill:#f8fafc,stroke:#94a3b8
style Git fill:#f8fafc,stroke:#94a3b8
style L3 fill:#fffbeb,stroke:#f59e0b,stroke-width:2px,color:#92400e
style L2 fill:#eff6ff,stroke:#3b82f6,stroke-width:2px,color:#1e40af
style L1 fill:#f0fdf4,stroke:#22c55e,stroke-width:2px,color:#166534
style SkillSystem fill:#ffffff,stroke:#cbd5e1,stroke-width:2px,color:#1e293b
一、项目定位：什么是 NanoClaw？
NanoClaw 是一个个人 Claude 助手，通过 WhatsApp 访问，具有以下特性：
它的设计哲学是 "小到可以理解" ——整个代码库应该可以被一个人阅读和掌握，而不是像 OpenClaw 那样变成复杂的微服务架构。
二、核心架构：双层隔离模型
🦞 太空龙虾：基于 OpenVLA、π0、π0.5、π0.6 等核心论文
📋 目录
1. VLA 模型概述
1.1 什么是 VLA 模型？
Vision-Language-Action (VLA) 是具身智能领域的核心范式，将三大核心能力端到端集成：
1.2 VLA 的革命性意义
传统机器人范式：
视觉感知 → 状态估计 → 任务规划 → 运动控制 → 执行
问题：各模块独立训练，误差累积，泛化能力弱
VLA 范式：
[图像 + 语言] → VLA 模型 → [动作序列]
优势：端到端训练，全局优化，泛化能力强
2. 架构设计
2.1 核心架构组件
2.1.1 视觉编码器（Vision Encoder）
作用： 将机器人视角的图像转换为特征表示
常用架构：
| 架构 | 特点 | 适用场景 |
|---|---|---|
| ViT (Vision Transformer) | 全局注意力，适合复杂场景 | 通用机器人操作 |
| CLIP ViT | 预训练视觉-语言对齐 | 开放场景理解 |
| EfficientNet | 高效，适合边缘部署 | 低功耗机器人 |
| DINOv2 | 自监督预训练 | 少样本学习 |
输入维度： 单帧图像：[B, 3, H, W] 多帧历史：[B, T, 3,
没有找到匹配的文章