Agenvoy
本地 AI Agent：缺失工具时自动生成、MCP 双向协议、多渠道接入、定时任务自动化
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
本地 AI Agent：缺失工具时自动生成、MCP 双向协议、多渠道接入、定时任务自动化
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一个这样的场景：你对着一台电脑随口说「帮我查一下台北现在的天气」，然后 AI 不仅调用了天气 API，还顺手把结果整理成报告发到了你的邮箱。整个过程你没说第二句话。这不是科幻，而是 Agenvoy 正在做的事。
图1：Agenvoy 项目封面
2025 年之后，AI Agent 如雨后春笋般涌现，但大多数都有一个致命弱点：工具不够用时，Agent 就卡住了。你让它查一个冷门数据，它说「我没有这个工具」然后原地不动。你让它每天早上推送股市摘要，它说「我做不到」然后结束对话。
这背后的根本问题是：大多数 Agent 的工具集是静态的——开发者在写代码时就定义好了工具列表，用户无法在运行时新增。而真实世界的工作流程是动态的、个性化的，每个人的需求都不一样。
台湾开发者 邱敬幃（Pardn Chiu） 敏锐地捕捉到了这个痛点。他在 2026 年 2 月发布了 Agenvoy，一个用 Go 语言编写的本地 AI Agent。与传统 Agent 不同，Agenvoy 的核心理念是：当缺少工具时，它不会停下来等开发者，而是直接自己写一个。
这个设计思路非常接近人类的工作方式——一个熟练的程序员接到任务，发现缺少某个库，不会跑去告诉产品经理「没库做不了」，而是直接 go get 一个现成的，或者自己写一个。Agenvoy 把这种能力赋予了 AI Agent。
这是 Agenvoy 最亮眼的能力。当你提出一个需求而系统没有对应工具时，Agenvoy 会根据任务描述自动编写一个新的工具脚本，保存到本地工具库中，下次可以直接复用。
举个例子：你要查加密货币实时价格，系统里没有这个工具。Agenvoy 会自动生成一个 fetch_crypto_price 工具，调用公开的加密货币 API 获取实时数据，并将其保存到 ~/.config/agenvoy/tools/ 目录下。以后再查，直接调用即可。
这个能力的工程实现依赖几个关键组件的配合：
internal/toolAdapter/）：负责将用户需求解析为工具调用请求，并管理工具的注册、存储和执行。internal/runtime/skill.go）：管理 Skill 的生命周期，支持从本地文件系统或远程 Tool Market 加载。Agenvoy 同时实现了 MCP（Model Context Protocol）的服务端和客户端两种角色。
作为 MCP Server：Agenvoy 将本地沙箱工具库通过 MCP 协议暴露给外部 Agent 使用。这意味着 Claude Code、Codex、OpenCode 等其他 AI 编程工具只需要一行配置，就能共享你在 Agenvoy 中建立的所有工具生态，真正实现「一次构建，多 Agent 共用」。
作为 MCP Client：Agenvoy 可以连接外部 MCP 服务，扩展自己的工具能力。这种双向设计让 Agenvoy 成为一个工具集散地——你既可以贡献工具给其他 Agent，也可以引入外部工具丰富自己的生态。
从代码结构来看，internal/runtime/mcpserver/ 目录实现了完整的 MCP 服务端协议，internal/runtime/torii/ 则处理 MCP 客户端连接逻辑。两者构成了一个完整的 MCP 双向通信层。
不同于简单的关键词匹配或聊天记忆，Agenvoy 支持对本地文件系统进行语义级别的问答。你可以问「哪份文档提到了 Prompt guide」，它会理解你的意图，检索相关文件并给出答案。
这个能力基于文件系统的向量索引（internal/filesystem/ 模块），对本地文档进行 embedding 并存储，支持模糊匹配和语义相似度检索。对于需要管理大量文档的技术写作者、开发者或知识工作者来说，这是一个实用的功能。
说一句话就能建立定时任务：「每天早上 8 点给我回 TSMC 股价」。Agenvoy 会自动确认推送目标、格式和时间，然后创建 cron 任务并执行。任务完成后，结果会按你指定的渠道（Email/Telegram/Discord）推送。
调度系统由 internal/runtime/scheduler.go 实现，基于 github.com/pardnchiu/go-scheduler 库，支持 cron 表达式和多渠道推送。
Agenvoy 的 runtime 层同时接入了多个消息渠道：
telegram/ 模块：通过 Telegram Bot 接收指令和推送消息，支持私密对话和群组模式。discord/ 模块：通过 Discord Bot 接入 Discord 服务器，适合团队协作场景。chatbot/ 模块：基于 Gin Web 框架提供 HTTP 服务，用户可通过浏览器访问 web.agenvoy.com 的 Web 仪表板与 Agent 交互。图2：Agenvoy Web 仪表板界面
这种多渠道设计让用户可以根据场景选择最方便的交互方式——手机用 Telegram，电脑用 Web UI，团队协作用 Discord。
当工具执行失败时，Agenvoy 不会简单报错退出，而是分析错误原因，尝试修复工具代码后重试。这是「自我改进」（Self-Improving）能力的体现。
长期记忆由 internal/session/ 模块管理，跨会话保留关键上下文信息，解决了一般 Agent「每次对话从零开始」的用户体验痛点。
Agenvoy 的技术选型非常有意思——作者选择了 Go 语言而非更常见的 Python 来构建这个 Agent 框架。这个选择背后有明确的考量：
| 维度 | Python | Go |
|---|---|---|
| 并发模型 | GIL 限制，多线程需要特殊处理 | 原生 goroutine，轻量级并发 |
| 部署体积 | 依赖环境复杂 | 编译为单一二进制，部署简单 |
| 执行速度 | 解释型语言，较慢 | 编译型语言，性能优异 |
| 工具生成 | 需要动态执行 Python 代码 | 可编译并执行 Go 模块 |
Go 的编译特性让 Agenvoy 能够将生成的工具实时编译为 Go 二进制并执行。Goroutine 的轻量级并发模型也非常适合 Agent 需要同时管理多个任务、多个工具调用的场景。
从 go.mod 可以看到，Agenvoy 的核心技术栈包括：
charmbracelet/bubbletea：TUI 框架，构建交互式命令行界面。gin-gonic/gin：高性能 HTTP 框架，提供 Web 服务端点。go-telegram/bot：Telegram Bot 集成。mvdan.cc/sh/v3：Shell 脚本解释器，用于执行生成的 shell 工具。quic-go/quic-go：QUIC 协议实现，用于高性能网络通信。go-rod/rod：浏览器自动化，用于网页内容抓取。代码组织遵循清晰的领域划分：
internal/agents/：Agent 核心逻辑，包括任务拆解、工具调用和结果聚合。internal/toolAdapter/：工具适配层，屏蔽不同类型工具（Shell/Go/Python）的执行差异。internal/tools/：内置工具实现。internal/runtime/：运行时引擎，包含 TUI、Web、Telegram、Discord、MCP 等多种交互渠道。cmd/app/：应用入口，包含 daemon 和 TUI 两种运行模式。extensions/：扩展机制，支持从外部目录加载 Skill 和 Script。图3：Agenvoy 多 Agent 协作示意图
Agenvoy 提供了一键安装脚本（macOS/Linux），安装过程约 5-10 分钟，硬件要求极低（512MB RAM、100MB 磁盘），无需 GPU。
安装命令：
curl -fsSL https://agenvoy.com/scripts/install.sh | bash
安装脚本会编译 Go 代码并安装到 /usr/local/bin/agen，同时初始化 ~/.config/agenvoy/ 配置目录。对于 Windows 用户，需要通过 WSL 或手动编译的方式安装。
有一点需要特别注意：Agenvoy 目前没有提供 Docker 部署方案。这对于习惯 docker-compose up 的用户来说是一个遗憾——项目没有容器化意味着开发者需要自己处理依赖和环境配置。但如果你的工作流恰好在 macOS/Linux 原生环境，这反而是一个优势：编译后的单一二进制非常便携。
| 能力 | Agenvoy | OpenClaw | Hermes-agent |
|---|---|---|---|
| 安装方式 | 单行脚本，单一二进制 | pnpm monorepo | pip + docker |
| 自动生成缺失工具 | ✅ | ❌ | ⚠️ 仅限 Skill |
| 跨 Agent 工具共享 | ✅ | ❌ | ❌ |
| MCP Server 角色 | ✅ | ❌ | ❌ |
| 本地文件语义搜索 | ✅ | ❌ | ❌ |
| 定时任务自动化 | ✅ | ❌ | ⚠️ 有限 |
| Web UI | ✅ | ❌ | ❌ |
| 开发语言 | Go | TypeScript | Python |
Agenvoy 的差异化优势非常明显：Go 语言带来的高性能单二进制部署、跨 Agent 工具共享生态和MCP 双向协议支持是其他两个项目目前不具备的能力。如果你已经在使用 Claude Code 或 Codex，这套工具共享机制会极具吸引力。
1. 工具生成质量依赖 LLM 能力
自动生成的工具质量直接受底层 LLM 推理能力影响。在复杂场景下，生成的代码可能有 bug 或安全漏洞。虽然有沙箱保护，但生成低质量代码仍然会导致任务失败。用户需要具备一定的代码审查能力。
2. Windows 支持不完整
安装脚本目前仅支持 macOS 和 Linux，Windows 用户需要借助 WSL 或手动编译。
3. 生态刚刚起步
项目创建于 2026 年 2 月，Star 数 235、Forks 32，相比成熟项目还有很长的路要走。Tool Market 刚刚建立，可用的工具数量有限。
4. 安全性需要自行评估
自动生成并执行代码的能力是一把双刃剑——在带来便利的同时，如果 Agent 被恶意指令诱导，可能生成有害代码。Agenvoy 提供了沙箱隔离和对话验证机制，但高安全要求场景仍需谨慎使用。
Agenvoy 的出现标志着 AI Agent 从「对话式」向「执行式」演进的一个重要节点。它不再是一个只会回答问题的聊天机器人，而是一个真正能在你的电脑上执行任务的数字同事。
从技术趋势来看，MCP 协议正在成为 Agent 间互操作的事实标准（2026 年 3 月统计已有 9700 万次下载），Agenvoy 押注 MCP 双向支持是一个明智的战略选择——未来 MCP 生态越丰富，Agenvoy 作为工具集散地的价值就越大。
对于愿意尝鲜的 AI 开发者和追求效率的技术用户来说，Agenvoy 是一个值得关注和投入时间的工具。