ZeroClaw

ZeroClaw官网,OpenClaw的极致轻量级替代方案

什么是ZeroClaw?

ZeroClaw是一款使用Rust语言编写的AI代理运行时框架，定位为OpenClaw的极致轻量级替代方案。该项目于2026年2月开源，两天内即在GitHub获得超过3400颗星。其核心优势在于惊人的性能表现：运行时内存占用仅7.8MB，比OpenClaw低近两百倍；冷启动时间不到10毫秒，比OpenClaw快四百倍。二进制文件仅3.4MB，可部署在树莓派等低功耗设备上。架构方面，ZeroClaw采用trait驱动的可插拔设计，定义了八个核心trait接口，包括Provider、Channel、Tool、Memory等，每个组件都可以通过配置替换，实现零厂商锁定。安全机制同样出色，内置配对码验证、工作区范围限制、命令白名单和API密钥加密。项目支持AIEOS人格规范，可将AI性格配置在不同系统间迁移。内置混合搜索引擎结合向量相似度和关键词匹配，无需外部依赖即可处理记忆检索。

ZeroClaw官网: http://zeroclaw.org/zh

ZeroClaw github开源地址: https://github.com/openagen/zeroclaw

ZeroClaw 深度评测：用 Rust 重写 AI Agent，5MB 内存能跑出什么水平？

2026年初，当大多数 AI 工具仍在争相堆叠功能、拼命扩张参数规模时，一个名为 ZeroClaw 的开源项目悄然出现在 GitHub 上，随即引爆了技术社区。它的核心主张极其朴素：用 Rust 重写 AI Agent 运行时，把内存从 1.5GB 压到 5MB 以下，让启动时间从半秒压到 10 毫秒以内。这不是某家大厂的产品发布，而是一场由开发者发起的、针对现有 AI Agent 框架”臃肿病”的彻底宣战。

它从何而来：OpenClaw 的”性能地狱”

要理解 ZeroClaw 的价值，得先把目光放到它的”前辈”OpenClaw 身上。OpenClaw（前身 Clawdbot）是奥地利开发者 Peter Steinberger 打造的开源 AI Agent 框架，基于 Node.js/TypeScript 构建，2025 年末到 2026 年初以爆炸式速度席卷 GitHub，短短数天斩获 10 万+ 星标，随后突破 18 万，成为 AI Agent 生态中现象级的存在。

然而流量背后，OpenClaw 的痛点也随之暴露得一览无余：

• 内存消耗惊人：挂载几个 Bot 之后，内存轻松飙到 200MB 甚至更高，低配 VPS（1 核 1G）几乎无法正常运行
• 启动速度迟缓：冷启动时间约 500ms，每次重启调试都要经历漫长等待
• 依赖地狱：Node.js 的 node_modules 黑洞问题尽人皆知，部署时依赖链混乱，”在我机器上没问题”的玄学频频出现
• 安全隐患不容忽视：API 密钥明文存储、Skill 沙箱隔离缺失、CVE 漏洞等问题陆续被社区曝出

ZeroClaw 正是在这个背景下诞生的。它不是 OpenClaw 的打补丁升级，而是从第一行代码开始就选择了 Rust——一门以内存安全、零运行时开销、极致并发性能著称的系统级语言，进行了彻底的底层重构。

核心性能指标：数字背后的技术革命

把规格参数直接排出来，更直观：

这组数字不是市场话术。Rust 的所有权模型从语言层面消除了缓冲区溢出、数据竞争等一大类安全漏洞，而不是依靠运行时的垃圾回收器去事后清理内存——这也是为什么 ZeroClaw 能在编译期就做出安全承诺，而非靠运行时检查兜底。

编译后的单一静态二进制文件（3.4MB）意味着：部署时不需要在目标机器上安装任何运行时环境，不需要 Node.js、Python、NPM，把这一个文件复制过去就能直接跑。对于想在树莓派、10 美元单板计算机、低配 VPS 上运行 AI Agent 的用户，这是真正的游戏规则改变者。

架构设计：Trait 驱动的模块化哲学

ZeroClaw 的架构设计围绕 Rust 的 Trait 系统展开，这是整个框架最重要的工程决策。

可插拔子系统

ZeroClaw 的五大核心子系统——Providers（模型提供商）、Channels（通信渠道）、Tools（工具执行）、Memory（记忆存储）、Tunnels（隧道/桥接）——全部通过 Trait 接口定义。这意味着每一个子系统都可以通过修改配置文件来替换实现，无需动任何核心代码。

想从 OpenAI 切换到本地 Ollama？改配置。想把 Telegram 频道换成 Slack？改配置。想把 SQLite 记忆层换成自定义向量数据库？实现对应的 Trait 接口即可。这种设计从根本上消除了供应商锁定问题，同时让框架具备了真正的可演化性——新能力的添加不会扰动已有的核心逻辑。

记忆系统：SQLite + 混合检索

ZeroClaw 的记忆层基于 SQLite 构建，支持三种检索模式的混合使用：FTS5 全文关键词检索、向量相似度检索、加权混合排名。这套设计在轻量级存储介质上实现了接近生产级的语义检索能力，且不依赖任何外部数据库服务。

对用户来说，这意味着 Agent 能记住历史对话、用户偏好、自定义规则，并在后续交互中检索调用——即便运行在一台只有 512MB 内存的嵌入式设备上。

AIEOS：标准化的 AI 身份规范

ZeroClaw 引入了一个同类框架中少见的创新：AIEOS（AI Entity Object Specification，AI 实体对象规范）。

传统 Agent 通过 System Prompt 来塑造 AI 行为，本质上是在用自然语言”描述”一个人设。ZeroClaw 的 AIEOS 走了不同的路——通过结构化 JSON 配置，从底层定义 Agent 的身份，包括心理特征、性格 traits、语言风格、动机模型等。这套规范支持从一个 AIEOS 兼容系统导入/导出身份配置，也完全向下兼容 OpenClaw 原有的 IDENTITY.md 和 SOUL.md 格式。

这不是噱头。在多模型、多环境切换时，AIEOS 保证了 Agent 行为的跨平台一致性——同一个 Agent 身份，无论跑在 OpenAI GPT-4o 还是本地 Qwen 模型上，其核心行为逻辑保持稳定。

主要功能全览

22+ 模型提供商，完整支持本地模型

ZeroClaw 内置对 22 个以上 AI 提供商的集成支持，覆盖 OpenAI、Anthropic Claude、Google Gemini、Mistral、以及通过 Ollama 运行的全系列本地模型（LLaMA、Qwen、Phi 等）。支持 OpenAI 兼容 API，意味着任何使用标准 OpenAI 接口的第三方服务都可以直接接入，无需额外适配。

对于注重数据隐私、不愿意把所有对话都发送到云端的用户，ZeroClaw + Ollama 的组合是目前最轻量的本地 AI Agent 部署方案之一。

多渠道通信：CLI、Telegram、Discord、Slack

ZeroClaw 支持通过命令行（CLI）直接交互，同时原生集成 Telegram、Discord、Slack 等主流通讯平台。实际使用中，大多数用户选择 Telegram 作为主要交互入口——创建一个 Telegram Bot，绑定到 ZeroClaw 实例，就能在手机上随时随地向你的 Agent 发出指令，并收到任务执行结果的推送。

三级自主权模式

ZeroClaw 提供了三档可调的自主权级别，让用户可以根据使用场景灵活选择 Agent 的执行边界：

• 只读模式（Readonly）：Agent 只能查询、检索、生成内容，不执行任何写操作或系统命令，适合信息类任务
• 监督模式（Supervised）：Agent 在执行敏感操作前会暂停等待人工确认，平衡了自主性与安全控制
• 完全自主模式（Full Autonomy）：Agent 在预设的许可范围内全自动执行，适合已充分测试的生产工作流

安全沙箱与白名单机制

这是 ZeroClaw 相比 OpenClaw 最实质性的安全升级。框架提供了文件系统路径白名单（只允许 Agent 访问预定义目录）、命令执行白名单（只允许执行指定的系统命令）、组件隔离沙箱（不同 Skill 之间无法跨越边界访问数据）、以及加密密钥存储（API 密钥不再以明文形式保存在配置文件中）。

网络访问方面，ZeroClaw 默认采用 localhost 优先策略，通过一次性配对流程生成 Bearer Token 完成访问授权，而非开放一个没有权限控制的公网接口。

Prometheus 与 OpenTelemetry 可观测性

面向生产环境的运维需求，ZeroClaw 内置了 Prometheus 指标暴露和 OpenTelemetry 追踪支持。这意味着可以将 Agent 的运行指标接入现有的监控体系（如 Grafana），对任务执行链路进行完整的追踪和调试。这是同类轻量框架中少见的生产级特性。

实测体验

部署过程是整个体验中最让人印象深刻的环节。下载编译好的单一二进制文件，赋予执行权限，填写一个简单的配置文件（指定模型提供商和 API 密钥），运行——整个过程不超过 5 分钟，完全不需要安装 Node.js、Python 或任何其他运行时。对比 OpenClaw 的 node_modules 安装流程，体验差异是数量级的。

启动速度在实际测试中基本符合官方描述，10ms 以内的冷启动在 macOS arm64 环境下可以稳定复现。内存占用方面，实测结果在 5-8MB 区间浮动，与官方宣传的”< 5MB”略有出入，但相比 OpenClaw 的 100MB+ 基线，差距依然悬殊。

Telegram 接入过程直观，配置 Bot Token 之后几乎是即时生效，日常对话交互流畅，延迟主要来自模型推理本身，框架层面没有可感知的额外开销。

记忆检索在短期对话中表现稳定，跨会话的长期记忆召回在测试中有一定的不确定性，FTS5 关键词检索对于语义相近但词汇不同的查询有时会漏召，这是 SQLite 全文检索的固有局限。向量检索模式能弥补这一问题，但需要手动配置向量嵌入的 provider。

工具执行（Shell 命令、文件读写）在启用沙箱和白名单后安全感明显提升，但白名单配置本身需要一定的前期规划——如果设置过于保守，Agent 在执行复杂任务时会频繁因为路径或命令不在白名单内而报错，需要手动扩展许可范围。

插件（Skill）生态是目前最明显的短板。相比 OpenClaw 约 700 个社区技能、Kimi Claw 云端版 5000+ 技能，ZeroClaw 的可用扩展模块数量相当有限。框架提供了基于 Trait 的扩展接口，开发者可以自行实现，但对非开发者用户来说，”自己写 Rust 代码来扩展功能”并不是一个可接受的方案。

五款同类产品横向对比

1. OpenClaw

最直接的对标产品。OpenClaw 是生态最成熟、社区最活跃的 AI Agent 框架，700+ 社区 Skill、完善的文档、庞大的用户群体，对于需要快速上手并访问丰富插件生态的用户仍然是首选。

它的问题前面已经详述：资源消耗高、部署依赖复杂、安全设计粗糙。在一台普通 VPS 上同时运行 3 个以上 Bot，内存压力会变得明显；对于有安全意识的用户，API 密钥的明文存储和 Skill 之间的缺乏隔离是难以接受的缺陷。

适合人群：需要丰富插件生态、不介意资源消耗、偏好 TypeScript/JavaScript 技术栈的用户。

2. PicoClaw（Go 语言实现）

PicoClaw 是 Claw 家族中基于 Go 语言构建的轻量变体，主打高并发和微服务场景。Go 的 goroutine 协程模型使其在高吞吐量的 Agent 网关场景下表现出色，编译产物同样是单一二进制文件，部署便利性与 ZeroClaw 相当。

与 ZeroClaw 相比，PicoClaw 的安全设计更为基础——本地优先的数据流向保护了隐私，但缺乏完善的权限控制和沙箱机制，错误处理也相对简单，没有状态快照和任务队列管理能力。它更适合作为轻量级并发网关，而非需要执行 Shell 命令的完整 Agent 运行时。

适合人群：构建高并发 Agent 微服务、需要 Go 语言技术栈集成的后端开发者。

3. AgentZero

AgentZero 是基于 Python 构建的 AI Agent 框架，受众主要是 AI/ML 研究者和数据科学社区。Python 丰富的 AI 生态（LangChain、LlamaIndex、HuggingFace 等）使其在需要复杂 RAG 管线、精细 Prompt 工程、自定义模型集成的场景下具有明显优势。

但 Python 在并发处理和资源效率上的先天局限让它在生产部署中代价不低。对于同时运行多个 Agent 或需要长时间稳定运行的场景，Python 的 GIL（全局解释器锁）和运行时资源消耗会成为瓶颈。AgentZero 的优势在于实验速度和 AI 生态接入深度，而非生产级性能。

适合人群：AI/ML 研究者、数据科学工程师、需要深度接入 Python AI 生态的开发者。

4. Kimi Claw（月之暗面）

Kimi Claw 是月之暗面将 OpenClaw 框架托管化、云端化的商业产品，于 2026 年 2 月上线 Beta 版。它的核心差异在于完全消灭了部署门槛：不需要服务器，不需要任何技术配置，打开 kimi.com 即可一键运行 AI Agent，并获得 40GB 云端存储和 ClawHub 上的 5000+ 社区技能访问权限。

与 ZeroClaw 相比，两者面向的用户群体几乎没有重叠。Kimi Claw 是给”想用 AI Agent 但不想折腾技术”的非开发者用户准备的，数据托管在月之暗面服务器是必须接受的前提条件。ZeroClaw 则是给”想完全掌控 Agent 运行环境和数据流向”的开发者用户准备的。

一个关键的取舍：如果你处理的是涉及个人隐私或企业敏感信息的工作，ZeroClaw 的本地优先部署方案在数据主权上具有不可替代的优势；如果你不在意数据托管、需要开箱即用，Kimi Claw 的使用体验更顺滑。

适合人群：非技术用户、需要快速上手丰富技能库的效率工作者、Kimi 现有会员用户。

5. Manus Agent

Manus 是 2025 年初震动全球的通用 AI Agent，以”端到端任务交付”为核心卖点，能自主完成浏览网页、编写代码、处理数据、生成完整报告的全链路任务。其设计哲学是”你只需提出目标，剩下的交给 Agent”，交互门槛极低。

与 ZeroClaw 的对比揭示了两种根本不同的 Agent 哲学。ZeroClaw 是一个”工具”——你需要定义它的行为，配置它的权限，告诉它用什么模型、怎么存储记忆——控制权始终在开发者手中。Manus 是一个”服务”——你输入任务目标，它自主规划执行路径，你不需要关心底层架构，但也无法深度定制。

Manus 的另一个明显问题是成本。其积分消耗机制被大量用户诟病，尤其是在 Agent 执行出错、反复修复的过程中积分快速耗尽，性价比远不如 ZeroClaw 的自托管方案。

适合人群：需要端到端任务交付、不关心底层架构控制权的商业用户。

五款产品核心维度对比

谁应该关注 ZeroClaw，谁不需要

值得认真研究的场景：

• 你在低配 VPS（1 核 1G 甚至更低）上想运行一个或多个 AI Agent，资源捉襟见肘
• 你在树莓派、Jetson Nano、OpenWrt 路由器等边缘设备上探索 AI 本地化部署
• 你对 AI Agent 框架的安全性有明确要求，不能接受 API 密钥明文存储或 Skill 之间无沙箱隔离
• 你处理涉及企业内网数据、个人隐私信息，数据绝对不能出本地环境
• 你是 Rust 开发者，希望在构建自己的 AI Agent 产品时使用安全可靠的底层运行时
• 你在测试不同 LLM 的 Agent 行为，需要频繁切换本地 Ollama 模型和云端 API

暂时不需要考虑的情况：

• 你需要开箱即用的丰富插件生态，ZeroClaw 目前的 Skill 社区还在早期阶段
• 你完全不懂命令行和配置文件，Kimi Claw 的一键部署体验更适合你
• 你需要的是 AI 帮你完成端到端的复杂研究任务，Manus 类产品的交付能力更强
• 你在 Python AI 生态中深度依赖 LangChain 或 LlamaIndex，AgentZero 的技术栈亲和度更高

更大的图景：Claw 家族与 Agent 基础设施的分化

ZeroClaw 的出现标志着 AI Agent 生态正在进入一个新阶段——从”能不能用”过渡到”应该怎么用”。当 OpenClaw 证明了”个人 AI Agent 是刚需”之后，围绕它展开的优化竞赛已经蔓延到不同的技术维度：Go 语言的并发优化（PicoClaw）、Python 的 AI 生态深度（AgentZero/NanoClaw）、Rust 的安全与性能极致（ZeroClaw/TinyClaw）。

这场竞赛的胜负并不会由单一框架决定。对于不同的使用场景，不同的技术路线有各自不可替代的优势。真正值得关注的趋势是：越来越多的 AI 能力开始运行在本地设备上，数据主权的讨论从极客圈走向主流，而运行时的资源效率从”锦上添花”变成了”边缘部署能否落地”的关键前提。

从这个角度看，ZeroClaw 做的事情很小——它只是用 Rust 重写了一个 AI Agent 运行时。但它传递的信号很大：AI 基础设施的下一个战场，是那些没有多余资源可以挥霍的地方。