可在https://www.bilibili.com/video/BV1izcXz8EJx/?vd_source=af1143f8815e17a230561ad0ef6c689b 观看视频

一个本地运行、文件优先、可审计的 AI Agent 工作台。

• 对话会落盘到本地 JSON
• 长期记忆保存在 Markdown
• 技能不是黑盒函数，而是可读可改的 SKILL.md
• Prompt、工具调用、记忆注入、检索过程都能被看到

如果你想做一个“能解释自己为什么这样做”的 Agent，这个项目就是为这个方向准备的。

为什么是它

很多 Agent 项目都很强，但也很“黑盒”：

• 记忆存在向量库里，看不到
• Prompt 拼接在代码深处，改起来不直观
• 技能是硬编码函数，扩展成本高
• 出错以后很难复盘“它到底做了什么”

langchain-OpenClaw 反过来做了几个选择：

它现在能做什么

当前仓库已经具备一套完整的本地 Agent 基础能力：

• 流式聊天：基于 FastAPI SSE 返回 token、工具调用、分段回复
• 会话持久化：每轮对话保存到 backend/sessions/*.json
• 长期记忆：backend/memory/MEMORY.md
• 本地知识库检索：backend/knowledge/ + LlamaIndex
• 技能系统：Agent 先看技能快照，再按需读取 SKILL.md
• 三栏工作台 UI：会话列表、聊天区、文件检查器
• 文件在线编辑：可直接编辑 Memory / Skills / Workspace 文件
• RAG 模式切换：可选择“直接拼接记忆”或“检索后注入”

当前内置的技能包括：

• 天气查询
• 联网搜索（塔维利）
• 本地知识库检索
• 失败恢复经验沉淀

界面结构

前端是一个面向 Agent 调试的三栏工作台：

• 左栏：会话列表、历史消息、Raw Messages
• 中栏：聊天面板、工具调用链、检索卡片、流式输出

langchain-OpenClaw

可在https://www.bilibili.com/video/BV1izcXz8EJx/?vd_source=af1143f8815e17a230561ad0ef6c689b 观看视频

一个本地运行、文件优先、可审计的 AI Agent 工作台。

• 对话会落盘到本地 JSON
• 长期记忆保存在 Markdown
• 技能不是黑盒函数，而是可读可改的 SKILL.md
• Prompt、工具调用、记忆注入、检索过程都能被看到

如果你想做一个“能解释自己为什么这样做”的 Agent，这个项目就是为这个方向准备的。

为什么是它

很多 Agent 项目都很强，但也很“黑盒”：

• 记忆存在向量库里，看不到
• Prompt 拼接在代码深处，改起来不直观
• 技能是硬编码函数，扩展成本高
• 出错以后很难复盘“它到底做了什么”

langchain-OpenClaw 反过来做了几个选择：

它现在能做什么

当前仓库已经具备一套完整的本地 Agent 基础能力：

• 流式聊天：基于 FastAPI SSE 返回 token、工具调用、分段回复
• 会话持久化：每轮对话保存到 backend/sessions/*.json
• 长期记忆：backend/memory/MEMORY.md
• 本地知识库检索：backend/knowledge/ + LlamaIndex
• 技能系统：Agent 先看技能快照，再按需读取 SKILL.md
• 三栏工作台 UI：会话列表、聊天区、文件检查器
• 文件在线编辑：可直接编辑 Memory / Skills / Workspace 文件
• RAG 模式切换：可选择“直接拼接记忆”或“检索后注入”

当前内置的技能包括：

• 天气查询
• 联网搜索（Tavily）
• 本地知识库检索
• 失败恢复经验沉淀

界面结构

前端是一个面向 Agent 调试的三栏工作台：

• 左栏：会话列表、历史消息、Raw Messages
• 中栏：聊天面板、工具调用链、检索卡片、流式输出
• 右栏：Memory / Skills / Workspace 文件编辑器（Monaco）

这不是一个只给终端用的 Agent，而是一个“能看见自己内部状态”的 Agent IDE。

一次请求发生了什么

flowchart LR
    U["用户发送消息"] --> F["POST /api/chat"]
    F --> S["加载会话历史 sessions/*.json"]
    S --> R{"RAG 模式?"}
    R -- 是 --> M["检索 memory/MEMORY.md"]
    R -- 否 --> P["直接拼接系统提示词"]
    M --> P
    P --> A["LangChain create_agent"]
    A --> T["调用工具 / 读取技能 / 生成回复"]
    T --> E["SSE 推送 token / tool_start / tool_end / done"]
    E --> UI["前端实时更新界面"]
    UI --> SAVE["保存用户消息、助手消息、工具记录"]

技术栈

后端

• Python 3.10+
• FastAPI
• LangChain 1.x create_agent
• LlamaIndex Core
• OpenAI-compatible model API

前端

• Next.js 14 App Router
• React 18
• TypeScript
• Tailwind CSS
• Monaco Editor

默认模型配置

• LLM Provider: zhipu
• LLM Model: glm-5
• Embedding Provider: bailian
• Embedding Model: text-embedding-v4

目前已支持的模型厂商：

• 智谱 zhipu
• 百炼 bailian
• DeepSeek deepseek
• OpenAI 兼容接口 openai

快速开始

1. 环境要求

• Python 3.10+
• Node.js 18+
• npm

2. 启动后端

cd backend
python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt
copy .env.example .env

至少补齐这些环境变量：

# 默认聊天模型
ZHIPU_API_KEY=your_key

# 默认 embedding
BAILIAN_API_KEY=your_key

# 联网搜索技能（可选，但推荐）
TAVILY_API_KEY=your_key

然后启动：

uvicorn app:app --host 0.0.0.0 --port 8002 --reload

3. 启动前端

cd frontend
npm install
npm run dev

打开 http://localhost:3000。

5 分钟体验路线

如果你第一次打开项目，建议按这个顺序体验：

1. 发一条普通聊天消息，感受流式输出（1.黄金现在多少钱。2.帮我在知识库中查询（哪些商品库存不足/三一重工前三大股东/为什么我在我的帐户中找不到我的订单？"…）3.帮我查询北京天气）