ChatClaw：小龙虾本地知识库 AI 助手

你有没有过这样的经历：深夜赶报告，需要翻遍电脑里上百份文档找某个数据；或者想让 AI 帮你处理工作，但担心把敏感资料发到云端泄露？ChatClaw 正是为解决这些痛点而生的开源项目——它让你在本地电脑上，用 5 分钟搭建一个功能完整的 AI 助手，同时管理自己的私有知识库，数据永远不会离开你的硬盘。

背景：为什么需要一个本地知识库 AI 助手？

大模型的能力有目共睹，但将企业文档、个人笔记上传到云端让第三方 AI 处理，始终是很多用户心底的顾虑。医疗记录、财务报表、知识产权文档——这类敏感内容一旦上传，就脱离了用户的控制范围。本地部署的 RAG（检索增强生成）方案因此成为刚需，它让 AI 能够在看不见摸不着的情况下，深度理解你的私有资料。

ChatClaw 正是在这一背景下诞生的中文开源项目，由 zhimaAi 团队维护。它最初的设计目标非常明确：做一个普通人也能用的小龙虾（OpenClaw）平替。OpenClaw 是海外知名的 AI 个人助手平台，但部署门槛较高。ChatClaw 希望通过极低的上手成本，让国内用户也能享受本地知识库 AI 的便利。从 2026 年 2 月上线 GitHub 以来，项目在短短几个月内获得了近 300 颗星，社区活跃度持续攀升。

核心功能：不止是聊天机器人

ChatClaw 的功能体系相当完整，覆盖了从个人效率到团队协作的多个场景。

本地知识库管理

这是 ChatClaw 最核心的能力。用户可以上传 TXT、PDF、Word、Excel、CSV、HTML、Markdown 等多种格式的文档，系统会自动解析、分割文本并转换为向量嵌入，存储到本地向量数据库中。检索时，AI 会先从你的知识库中找到最相关的片段，再结合大模型生成回答。这意味着你可以向 AI 询问「我们公司去年 Q3 的营收增长率是多少」，AI 能准确地从你上传的财报 PDF 中找到答案，而不是瞎编一通。知识库还支持文件夹分类管理，方便对大量文档进行组织。

图1：ChatClaw 聊天界面——AI 基于本地知识库生成回答

多消息通道集成

ChatClaw 支持连接国内外主流通讯平台，包括微信、钉钉、企业微信、QQ、飞书、WhatsApp。这意味着你可以向 AI 发送一条微信消息，让它查询你的本地知识库，然后把结果推送到你的钉钉群。整个流程完全异步，不需要打开任何客户端界面。定时任务功能支持 cron 表达式配置，可以设定每天早上 8 点自动抓取特定数据源并推送报告。

图2：消息通道配置——支持国内外主流通讯平台统一接入

技能市场与 MCP 扩展

ChatClaw 内置了 OpenClaw 5000+ 技能库，涵盖效率办公、开发工具、多媒体创作、智能家居等场景。与传统聊天机器人不同，ChatClaw 中的技能是可执行的工具——AI 可以在对话中自主调用技能完成任务，而不仅仅是生成文字。比如当你问「帮我整理一下这个月的会议纪要」时，AI 会调用文档处理技能，自动读取、上传、分析你的会议记录文件。此外，项目完整支持 MCP（Model Context Protocol）协议，可以连接 Claude Desktop、Cursor 等外部 AI 工具的 MCP 服务器，扩展更多能力。

图3：知识库管理——上传文档、自动分割、向量化、分类整理

多 Agent 模式

ChatClaw 支持同时运行多个独立的 AI Agent，每个 Agent 可以拥有专属的角色设定、记忆、技能和知识库配置。比如你可以配置一个「客服 Agent」专门回答产品问题，一个「数据分析师 Agent」处理 Excel 数据，一个「文案助手 Agent」帮你写推广文章。在同一个界面中切换使用，互不干扰。

免费模型与灵活接入

项目内置了对接 ChatWiki（免费积分试用）的支持，同时也支持 Ollama、Google Gemini、OpenAI、Claude 等主流大模型接口，以及阿里通义千问等国产模型。用户可以根据需要自由选择，不被某一特定模型绑定。

技术架构：Go + Vue3 的现代化工程实践

从代码结构来看，ChatClaw 采用了清晰的微内核+插件化架构，技术选型在功能丰富性和工程可维护性之间取得了很好的平衡。

后端：Go 语言构建的高性能服务

后端采用 Go 1.26.1 开发，充分利用 Go 的并发优势处理多用户、多通道的请求。核心依赖包括：

cloudwego/eino 框架：字节跳动开源的 AI 应用框架，提供了模型调用、工具调用、Agent 编排等基础设施。ChatClaw 的 Agent 模块（internal/eino/agent/）完全基于 eino 构建，实现了 Claude、GPT、Gemini 等多模型的统一接入。

sqlite-vec 向量检索：github.com/asg017/sqlite-vec-go-bindings 提供了基于 SQLite 的轻量级向量存储方案，无需额外部署 Milvus 或 Chroma 等专用向量数据库，部署复杂度大幅降低。对于中小规模知识库（几千到几万份文档），sqlite-vec 的性能完全够用。

chromedp 浏览器自动化：github.com/chromedp/chromedp 用于实现浏览器自动化工具（如划词问答时的屏幕内容捕获），让 AI 能够看见用户在屏幕上选中的文字。

多平台 GUI 适配：代码中大量存在 _windows.go、_darwin.go、*_other.go 的平台分支文件，处理窗口管理、悬浮球、系统托盘等跨平台交互逻辑，体现了对 macOS/Windows/Linux 三平台的支持投入。

前端：Vue3 + TypeScript 的现代 SPA

前端采用 Vue 3 + TypeScript 构建，通过 Vite 作为构建工具。UI 组件库使用了 shadcn-vue/Acroolabs 的组件生态，支持暗色模式、主题跟随系统等现代 UI 特性。应用被拆分为多个独立子应用模块（floatingball 悬浮球、winsnap 窗口管理、selection 划词、history-run 历史记录），每个子应用有独立的入口和运行逻辑，体现了微前端化的设计思路。

数据层：SQLite + 向量混合存储

数据库采用 SQLite，通过一系列结构化的 Migration 脚本（internal/sqlite/migrations/）管理 schema 演进。从 Migration 历史可以看出项目快速迭代的痕迹——2026年2月到4月间就创建了超过30个 Migration，每个版本都有清晰的升级路径。这确保了用户在升级版本时数据能够安全迁移。

部署模式

项目提供两种运行模式：桌面 GUI 模式和 Server 模式。桌面模式下应用以原生窗口呈现，包含悬浮球、系统托盘等交互组件；Server 模式下则通过 Docker Compose 一键部署，通过浏览器访问 Web UI，适合服务器环境或不想安装桌面应用的场景。

上手体验：从安装到跑起来的真实感受

对于普通用户，ChatClaw 提供了极其简单的上手路径。桌面版安装包只有 30MB，macOS 和 Windows 均有提供，一键安装，无需配置环境变量。首次启动后，通过图形界面引导连接 AI 模型和通讯渠道，5 分钟内即可完成基础配置。

对于开发者，Server 模式的部署同样简洁：

# Docker Compose 一键启动（默认监听 0.0.0.0:8080）
docker compose up -d
# 浏览器打开 http://localhost:8080

项目还提供了完整的国际化支持——README 支持 18 种语言，前端 UI 支持 19 种语言，是中文开源项目中少见的全球化运营意识。

局限与挑战

没有任何项目是完美的，ChatClaw 也存在一些值得关注的局限：

sqlite-vec 的规模上限：作为基于 SQLite 的向量方案，在处理超大规模知识库（百万级文档）时性能会明显下降。对于企业级应用，可能需要后续迁移到专用的向量数据库。

多平台 GUI 维护成本：从代码中大量平台分支文件可以看出，三平台 GUI 的维护工作量不小，不同平台的功能一致性和 Bug 修复都是持续的挑战。

云端服务依赖：虽然项目本身开源，但内置的技能市场（Skill Market）和 ChatWiki 模型服务依赖 zhimaAi 团队的云端服务，如果该服务出现可用性问题，会影响用户体验。

行业意义：一个值得关注的中文 AI 助手新星

ChatClaw 的出现填补了国内开源本地知识库 AI 助手的市场空白。在它之前，开源领域的本地 RAG 方案主要是 LlamaIndex/Ollama + Chroma 的组合，部署和使用门槛对普通用户来说仍然偏高。ChatClaw 通过「开箱即用的桌面应用 + 多渠道消息推送 + 技能市场生态」的组合拳，让 AI 个人助手的部署从专业开发者的专属变成了普通用户也能搞定的事情。

从 GitHub 的增长曲线来看，项目正处于用户发现和口碑传播的早期阶段。随着 MCP 协议支持的完善和技能市场的持续扩充，ChatClaw 有潜力成为中文开源 AI 助手生态中的重要一环。

如果你想要一个能在几分钟内部署完毕、保护隐私不外泄、功能完整的多渠道 AI 助手，ChatClaw 值得一试。