rsclaw

想象一下：每次和 AI 助手聊天，它都是一张白纸——你的偏好、你的项目背景、你和它讨论过的所有细节，全都不记得。这不是 AI 的错，而是当前大多数 Agent 架构的通病：Session 之间无法持久化记忆。

RsClaw（螃蟹 AI） 正是为了解决这个痛点而生。这个由 rsclaw-ai 团队用纯 Rust 从零构建的 AI Agent 引擎，将「长期记忆」作为一等公民内置到架构核心——用一个小巧的 15MB 二进制文件，同时驱动 13 个消息通道、15 个 LLM 提供商，以及一套完整的跨机编排协议。

🦀 起源：从 Node.js 痛点出发的 Rust 重构

RsClaw 的诞生背景很有意思。它并非凭空出现，而是源自一个广泛的需求：OpenClaw 用户需要一个更轻量、更高效的替代品。OpenClaw 本身基于 Node.js 构建，功能强大但二进制体积笨重（300MB+），启动缓慢，内存占用高。

RsClaw 团队选择用 Rust 重写整个运行时，带来三个立竿见影的优势：启动时间约 26ms（Node.js 冷启动往往在 1 秒以上）、内存占用仅 20MB、以及 15MB 的单文件二进制。这让 RsClaw 可以在树莓派、低配 VPS 等资源受限的环境中稳定运行，同时保持长期在线。

🧠 三层记忆系统：让 Agent 真正「记住」

这是 RsClaw 最核心的差异化能力。它实现了一个三层持久化记忆架构：

1. redb（嵌入式 KV 数据库）：存储记忆元数据、键值对，提供高速读写。这是热数据层。
2. tantivy（Rust 全文搜索引擎）：对记忆内容建立倒排索引，支持复杂的关键词检索。这是检索层。
3. hnsw_rs（向量相似度搜索）：基于 Hierarchical Navigable Small World 算法，在 384 维（BGE-small）向量空间中做语义相似度匹配。这是理解层。

三者协同工作：当你问一个问题时，RsClaw 会同时执行关键词检索和向量相似度搜索，找出最相关的历史上下文，自动注入当前 Session。这意味着——无论你问的是三个月前讨论过的项目架构，还是上周随手提过的一本书，它都能「想起来」。

记忆的嵌入模型默认使用 BGE-small-zh（约 91MB），首次启动时自动下载，也支持 OpenAI 或 Ollama 作为嵌入后端。

🔌 四种 Agent 模式：Main / Named / Sub / Task

RsClaw 实现了四种不同生命周期的 Agent：

类型	创建者	生命周期	持久化
Main	系统	永久	配置文件
Named	用户	永久	配置文件
Sub	LLM	Session	仅 Memory
Task	LLM	一次性	自动销毁

Main Agent 是系统的主入口，Named Agent 相当于用户的命名助手（如「coding-agent」），Sub Agent 由 LLM 在复杂任务中动态派生，Task Agent 则是并行执行的一次性工作单元。四者可以嵌套组合，形成复杂的协作树。

🌐 跨机编排：A2A 协议与四大执行后端

RsClaw 完整实现了 Google A2A v1.0 协议，这让它能够跨机器、跨网络调度 Agent 任务。通过 Agent Card 自动发现、JSON-RPC 2.0 任务分发、SSE 流式推送，构建真正的分布式 Agent 网络。

更有意思的是四合一执行后端：同一个 Gateway 内，可以同时存在 Native Rust 原生 Agent、Claude Code 编码 Agent、OpenCode 编码 Agent，以及通过 A2A 协议连接的远程 Agent。LLM 可以根据任务类型自动选择最合适的执行后端——写代码交给 Claude Code，做文件操作交给 Native Rust，查资料调用远程 A2A Agent。

📡 13 个消息通道：微信、飞书、QQ、Telegram……

RsClaw 原生支持 13 种消息通道，覆盖了国内主流 IM 工具：

微信（个人号扫码登录）、飞书/Lark（WebSocket + OAuth）、企业微信（AI Bot）、QQ Bot、钉钉（Stream Mode）、Telegram、Discord、Slack、WhatsApp、Signal、LINE、Zalo、Matrix。

每个通道都支持：DM/群组策略配置、健康监控、消息重试、8 字符 pairing 码（1 小时 TTL）、流式消息模式、文件上传确认。一个 RsClaw 实例，同时服务多个渠道的同一个 Agent。

🛠 36 个内置工具：不用再装插件

RsClaw 预置了 36 个开箱即用的工具，覆盖了大多数 Agent 使用场景：

• 文件操作：读取、写入、搜索（正则匹配），带路径隔离沙箱
• Shell 执行：带 50+ 全局拒绝规则（禁止 rm -rf / 等危险操作）
• 网络工具：网页搜索、抓取、下载
• 浏览器自动化：内置 headless Chrome（CDP 协议），50+ 操作，无需 ChromeDriver 或 Playwright
• 文档处理：PDF、DOCX、XLSX、PPTX 解析和生成
• 多媒体：图片/视频生成、语音识别（TTS/STT）
• 定时任务：Cron 风格的循环/一次性定时
• 多 Agent：spawn、task 等原子操作，支持并行派发
• AnyCLI：将任意网站转为结构化 CLI 输出（如 rsclaw anycli run github-trending repos）

除了工具，还有 40+ 预解析命令（跳过 LLM，直接 CLI 解析），如 /run、/search、/compact、/remember 等，零 token 消耗，毫秒级响应。

🔒 安全机制：企业级权限控制

作为需要操控文件、执行命令的 Agent，安全是底线。RsClaw 的安全体系包含：

• 50+ 全局拒绝模式：覆盖 sudo、rm -rf /、.ssh、.env 等危险操作，无法被绕过
• 写沙箱：路径隔离 + 内容扫描
• 文件上传双层确认：大小门控 + Token 门控
• 每 Agent 权限体系：minimal（12 工具）/ web / code / standard（16）/ full 分级
• 工具循环检测：滑动窗口机制（12 次调用内不超过 8 次同一工具）

📦 部署：从一行命令到 Docker Desktop

RsClaw 提供了三种部署方式：

最简方式（推荐）：一条命令完成安装

curl -fsSL https://app.rsclaw.ai/scripts/install.sh | bash
rsclaw setup      # 初始化 ~/.rsclaw/
rsclaw onboard    # 交互式配置向导
rsclaw start      # 启动

桌面应用：从 GitHub Releases 下载 .dmg / .exe / .deb，内置图形界面（含中文截图预览），无需命令行操作。桌面版还附带了 Web UI 的 Docker 支持。

源码构建：克隆仓库，cargo build --release，适合有 Rust 经验的开发者深度定制。

桌面 UI 的 ui/ 目录提供了 Docker 支持：

⚖️ 局限与争议

RsClaw 也有其局限性：

学习曲线陡峭。Rust 语言背景、Workspace 架构、33 个子 crate 的依赖关系……对于不熟悉 Rust 生态的开发者而言，上手成本不低。虽然提供了 CLI 向导和桌面应用，但深度定制仍需阅读源码。

Node.js 生态的插件不可用。OpenClaw 积累的 Node.js 插件体系在 RsClaw 中无法直接使用，尽管提供了 OpenClaw 迁移脚本，但复杂配置的迁移仍可能遇到兼容性问题。

记忆质量依赖嵌入模型。默认的 BGE-small-zh 嵌入向量维度仅 384，在复杂语义理解上不如更大的嵌入模型（text-embedding-3-large 的 3072 维），对于高度专业的垂直领域知识，可能需要更换更强的嵌入模型。

🌟 行业意义：Rust 在 AI Agent 领域的一次有力探索

RsClaw 的出现，印证了一个趋势：Rust 正在成为 AI 基础设施的新选择。随着 AI Agent 场景对性能、内存效率、长期稳定运行的要求提升，Node.js 的软肋日益明显。RsClaw 用 15MB 二进制、20MB 内存、26ms 启动时间，给出了一个令人信服的 Rust 方案。

更重要的是，RsClaw 将「长期记忆」和「A2A 跨机编排」这两大前沿能力，以开源方式落地，为社区提供了一个可复现、可扩展的参考架构。随着 Google A2A 协议逐渐成为行业标准，RsClaw 的先发优势值得关注。

如果你正在寻找一个本地优先、无 Node.js 依赖、支持微信/飞书等国内 IM 渠道、具备长期记忆能力的 AI Agent 引擎，RsClaw 是目前同类中完成度最高的选择之一。