1. 项目概述：从“聊天”到“干活”的认知跃迁

如果你还在把AI当作一个高级的聊天机器人，每天问它“今天天气怎么样”或者让它帮你写一首诗，那你可能已经落后了。最近，一个名为OpenClaw的项目和相关概念“Agent”在开发者社区里火了起来，相关的搜索热词铺天盖地，从安装部署到技能开发，再到具体的应用场景如抢票、金融分析，大家都在热烈讨论。这背后反映的，其实是一场深刻的认知重塑：我们正在从使用“陪聊AI”的时代，迈向构建“干活Agent”的新阶段。

OpenClaw，简单来说，是一个开源的AI智能体（Agent）框架。它不是一个简单的对话接口，而是一个能够理解复杂指令、自主规划任务、调用工具并执行具体操作的“数字员工”。当你说“帮我分析一下上季度的财报并生成一份PPT”，传统的聊天AI可能会给你一段文字描述或一个大纲；而一个基于OpenClaw构建的Agent，则会真的去连接你的数据库、调用数据分析工具、生成图表，最后启动PPT软件，把一份结构完整的演示文稿放到你面前。这就是“干活”和“聊天”的本质区别。

为什么你需要关注OpenClaw？因为这意味着生产力的范式转移。过去，我们学习使用软件（如Excel、Photoshop）；现在，我们可以教会AI去使用这些软件。OpenClaw这类框架，降低了构建这类“会干活”的AI的门槛。无论你是想自动化日常的重复性工作（如数据整理、信息搜集），还是想开发一个能处理特定业务的智能助手（如客服、交易员），OpenClaw都提供了一套可扩展的“骨架”和“工具箱”。告别无止境的对话框，迎接的是AI替你完成一个又一个具体任务的工作流。接下来，我将带你深入拆解OpenClaw的核心，看看它是如何实现这一转变的，以及你该如何上手，打造自己的第一个“干活Agent”。

2. OpenClaw核心架构与设计哲学

要理解OpenClaw为什么强大，必须先弄懂它的设计思路。它不是一个黑盒魔法，而是一套精心设计的、模块化的工程体系。

2.1 智能体（Agent）的核心循环：ReAct模式

OpenClaw Agent的核心工作模式基于经典的“ReAct”（Reasoning and Acting）框架。你可以把它想象成一个拥有“大脑”和“手脚”的智能体。

  1. 观察（Observation） ：Agent接收来自用户或环境的输入（比如一句自然语言指令：“查看我昨天GitHub仓库的提交记录，并总结主要改动”）。
  2. 思考（Reasoning） ：Agent的“大脑”（通常是一个大语言模型，LLM）分析这个指令。它需要理解用户的意图，并规划出完成这个任务需要哪些步骤。例如，它可能会想：“要完成这个任务，我需要先调用GitHub API获取提交列表，然后对每条提交信息进行总结归纳。”
  3. 行动（Acting） ：根据思考结果，Agent调用对应的“工具”（Tool）去执行。工具就是它的“手脚”，可以是调用一个API、执行一段Python代码、操作一个软件界面等。在上面的例子里，它会调用封装好的 get_github_commits 工具。
  4. 再观察 ：工具执行后会产生结果（比如一串JSON格式的提交数据）。这个结果会作为新的观察，反馈给Agent的“大脑”。
  5. 循环 ：大脑根据这个新观察，继续思考下一步该做什么（“数据拿到了，现在我需要一个文本总结模型来归纳这些提交信息”），然后调用下一个工具（ summarize_text 工具）。如此循环，直到任务被判定为完成。

这个“思考-行动-观察”的循环，是Agent能够处理复杂、多步骤任务的基础。OpenClaw框架的核心职责，就是高效、稳定地管理和执行这个循环。

2.2 模块化设计：技能（Skill）、工具（Tool）与记忆（Memory）

OpenClaw的强大之处在于其高度的模块化，这让它易于扩展和定制。

  • 技能（Skill） ：这是面向用户的、高层次的任务单元。一个技能代表Agent能完成的一类完整工作，比如“金融数据分析技能”、“社交媒体监控技能”。一个技能内部封装了完成该任务所需的一系列工具调用逻辑和流程控制。用户可以直接说：“使用金融分析技能，处理股票代码AAPL的数据。”
  • 工具（Tool） ：这是最基础的执行单元。一个工具就是一个具体的、可执行的函数，它有着明确的输入和输出。例如： send_email(to, subject, body) , query_database(sql) , scrape_website(url) 。OpenClaw内置了许多常用工具，同时也允许开发者轻松地注册自定义工具。工具是Agent“手脚”的具体化。
  • 记忆（Memory） ：这是Agent的“经验库”。记忆模块负责存储和管理对话历史、工具执行结果、以及Agent学到的知识。有了记忆，Agent才能在多轮交互中保持上下文连贯，实现“记住你之前说过什么”、“基于上次的结果进行下一步”的能力。OpenClaw的会话隔离机制也与记忆相关，虽然早期版本可能存在多个sessionkey共享上下文的问题（这也是社区热议和需要改进的点），但这正是记忆管理复杂性的体现。

这种设计意味着，你可以像搭积木一样构建Agent。不需要从头发明轮子，你可以利用现有的工具库，通过组合和编排，快速打造出一个具备专业技能的Agent。

2.3 与传统聊天机器人的本质区别

为了更清晰地理解，我们用一个表格来对比：

特性维度 传统聊天机器人/陪聊AI OpenClaw Agent（干活Agent）
核心目标 生成流畅、有趣、信息性的文本回复。 完成一个具体的、可定义的任务或达成一个目标。
交互模式 单轮或有限轮次的问答。输入问题，输出答案。 多轮、目标导向的协作。输入目标，Agent自主规划并执行步骤，最终输出 成果物 （文件、数据、操作结果）。
能力边界 局限于文本生成和基于已有知识的问答。 通过工具调用，能力边界可扩展至 整个数字世界 （互联网、本地软件、API服务）。
输出形式 文本、图片（生成式）。 文本、数据、文件、系统状态改变（如发送了邮件、更新了数据库、生成了报表）。
评估标准 回复的相关性、流畅度、趣味性。 任务完成度、准确性、效率 。
技术核心 对话模型（Chat Model）的微调与提示工程。 智能体框架（规划、工具调用、记忆管理）与大语言模型的结合。

简而言之，聊天机器人是“对谈者”，而OpenClaw Agent是“执行者”。前者优化的是交流体验，后者优化的是工作成果。

3. 实战入门：从零部署你的第一个OpenClaw Agent

理论说得再多，不如亲手运行起来。下面我将以在Ubuntu系统上部署一个基础OpenClaw环境为例，带你走通全流程。这里假设你使用的是阿里云的一台Ubuntu 22.04 LTS服务器。

3.1 环境准备与基础安装

首先，确保你的系统环境干净，并安装必要的依赖。

# 1. 更新系统包列表并升级现有软件
sudo apt update && sudo apt upgrade -y

# 2. 安装Python环境（OpenClaw通常要求Python 3.8+）
sudo apt install python3-pip python3-venv -y

# 3. 安装Docker和Docker Compose（推荐使用容器化部署，便于管理依赖）
sudo apt install docker.io docker-compose -y
sudo systemctl start docker
sudo systemctl enable docker
# 将当前用户加入docker组，避免每次都用sudo
sudo usermod -aG docker $USER
# **注意：** 执行此命令后，你需要**退出当前SSH会话并重新登录**，用户组变更才会生效。

# 4. （可选但推荐）安装Git用于克隆代码
sudo apt install git -y

提示： 为什么推荐Docker？AI项目依赖复杂，特别是涉及不同版本的PyTorch、CUDA等。Docker能将环境隔离，避免污染宿主机，也使得迁移和复现变得极其简单。这是生产环境部署的常见选择。

3.2 获取与配置OpenClaw

OpenClaw是一个开源项目，我们需要从代码仓库获取它。

# 1. 克隆OpenClaw官方仓库（请以实际仓库地址为准，这里为示例）
git clone https://github.com/open-claw/OpenClaw.git
cd OpenClaw

# 2. 查看项目结构，通常配置文件在根目录或config/目录下
ls -la

关键的配置文件通常是 .env 或 config.yaml 。你需要配置的核心项是 大语言模型（LLM）的API密钥 。OpenClaw本身是框架，它需要连接一个“大脑”。你可以使用OpenAI的GPT系列、Anthropic的Claude，或者开源的本地模型（通过Ollama、vLLM等部署）。

# 3. 复制环境变量示例文件并编辑
cp .env.example .env
nano .env  # 或使用vim

在 .env 文件中，你需要设置类似以下内容（以使用OpenAI为例）：

# LLM提供商设置
LLM_PROVIDER=openai
OPENAI_API_KEY=sk-your-actual-openai-api-key-here
OPENAI_BASE_URL=https://api.openai.com/v1  # 如果你使用代理或自定义端点，可以修改
OPENAI_MODEL=gpt-4o  # 根据你的需求选择模型，如gpt-3.5-turbo, gpt-4等

# 其他配置，如日志级别、服务器端口等
LOG_LEVEL=INFO
SERVER_HOST=0.0.0.0
SERVER_PORT=8000

注意： API密钥是高度敏感信息，切勿提交到公开的代码仓库。 .env 文件通常已被 .gitignore 排除。对于团队项目，应考虑使用密钥管理服务。

3.3 通过Docker-Compose一键启动

这是最简便的部署方式。项目通常提供了 docker-compose.yml 文件。

# 在OpenClaw项目根目录下执行
docker-compose up -d

这个命令会在后台拉取必要的镜像（如OpenClaw服务本身、数据库等）并启动所有服务。使用 docker-compose logs -f 可以查看实时日志，确认服务是否正常启动。

当看到类似 Application startup complete. 和 Uvicorn running on http://0.0.0.0:8000 的日志时，说明服务已经就绪。

3.4 验证与初步交互

服务启动后，你可以通过两种主要方式与你的Agent交互：

  1. API调用 ：OpenClaw会提供RESTful API。你可以用curl或Postman测试。

    curl -X POST http://你的服务器IP:8000/api/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "message": "你好，请介绍一下你自己。",
    "session_key": "test_session_001"
  }'

    如果返回了Agent的自我介绍，说明基础对话功能正常。

  2. Web界面（如果有） ：许多开源Agent框架会附带一个简单的Web UI。你可以直接在浏览器访问 http://你的服务器IP:8000 查看。在这个界面，你就可以像使用ChatGPT一样与你的Agent对话了。

至此，一个最基本的、具备对话能力的OpenClaw Agent就已经跑起来了。但它现在还只是一个“聪明的聊天者”，因为我们还没有赋予它“工具”（手脚）。接下来，就是让它真正开始“干活”的关键。

4. 赋能Agent：技能与工具开发实战

让Agent从“能说”到“会做”，核心在于为其开发和安装“工具”（Tools）。我们将创建一个简单的、实用的工具，并把它集成到Agent中。

4.1 理解工具（Tool）的构成

一个OpenClaw工具通常包含以下几个部分：

  • 名称（Name） ：工具的唯一标识符。
  • 描述（Description） ：用自然语言清晰描述这个工具的功能。 这一点至关重要 ，因为LLM（Agent的大脑）是根据描述来决定在什么情况下使用这个工具的。描述要具体，包含输入参数和预期输出。
  • 参数模式（Args Schema） ：定义工具接收的参数，包括参数名、类型、是否必需、描述等。这通常用Pydantic模型来定义。
  • 执行函数（Function） ：工具被调用时实际运行的代码。

4.2 实战：创建一个“获取天气”工具

假设我们想让Agent能告诉我们某个城市的天气。我们需要一个工具来调用天气API。

步骤1：编写工具代码

在OpenClaw项目中，通常有一个专门的目录存放自定义工具，比如 tools/ 或 skills/ 。我们创建一个新文件 tools/weather_tool.py 。

# tools/weather_tool.py
import requests
from pydantic import BaseModel, Field
from typing import Optional
import logging

logger = logging.getLogger(__name__)

# 1. 定义工具的输入参数模型
class WeatherQueryInput(BaseModel):
    city: str = Field(description="The name of the city to get weather for, e.g., 'Beijing', 'New York'.")
    country_code: Optional[str] = Field(default="CN", description="The country code, e.g., 'CN', 'US'. Default is 'CN'.")

# 2. 编写工具的执行函数
def get_current_weather(query: WeatherQueryInput) -> str:
    """
    Get the current weather for a specified city.
    This tool calls a public weather API to fetch real-time data.
    """
    # 使用一个免费的天气API，例如 OpenWeatherMap (需要注册获取API_KEY)
    # 这里仅为示例，请替换为真实的API_KEY和URL
    API_KEY = "YOUR_OPENWEATHER_API_KEY"
    base_url = "http://api.openweathermap.org/data/2.5/weather"
    
    params = {
        'q': f"{query.city},{query.country_code}",
        'appid': API_KEY,
        'units': 'metric'  # 使用摄氏度
    }
    
    try:
        response = requests.get(base_url, params=params, timeout=10)
        response.raise_for_status()  # 如果状态码不是200，抛出HTTPError
        data = response.json()
        
        # 解析返回的JSON数据
        city_name = data.get('name', query.city)
        temp = data['main']['temp']
        humidity = data['main']['humidity']
        description = data['weather'][0]['description']
        wind_speed = data['wind']['speed']
        
        result = f"The current weather in {city_name} is {description}. Temperature is {temp}°C, humidity is {humidity}%, wind speed is {wind_speed} m/s."
        logger.info(f"Weather tool executed successfully for {query.city}.")
        return result
        
    except requests.exceptions.RequestException as e:
        error_msg = f"Failed to fetch weather data: {e}"
        logger.error(error_msg)
        return error_msg
    except KeyError as e:
        error_msg = f"Unexpected API response format: {e}"
        logger.error(error_msg)
        return error_msg

# 3. 创建工具的定义字典，用于向框架注册
weather_tool = {
    "name": "get_current_weather",
    "description": "Fetches the current weather conditions (temperature, humidity, description, wind speed) for a given city.",
    "args_schema": WeatherQueryInput,
    "function": get_current_weather,
}

步骤2：注册工具到Agent

你需要修改Agent的初始化或配置文件，告诉它这个新工具的存在。具体方式因OpenClaw版本而异，常见方式是在主应用启动文件（如 app/main.py ）或配置文件中导入并注册。

# 假设在 app/main.py 或类似的初始化文件中
from tools.weather_tool import weather_tool
from openclaw.agent import Agent

# 创建Agent实例时，传入工具列表
my_agent = Agent(
    name="MyAssistant",
    tools=[weather_tool, ...],  # 将weather_tool和其他工具一起传入
    llm_config={...},
    memory_config={...}
)

或者，更动态的方式是通过框架提供的装饰器或注册函数。

步骤3：测试工具

重启你的OpenClaw服务（ docker-compose restart ），然后通过API或Web界面与Agent对话：

  • 你 ：“上海现在的天气怎么样？”
  • Agent（思考） ：用户问的是天气，我需要使用 get_current_weather 工具。参数是 city=上海 ， country_code 使用默认值CN。
  • Agent（行动） ：调用 get_current_weather 工具函数。
  • Agent（回复） ：“The current weather in Shanghai is clear sky. Temperature is 22.5°C, humidity is 65%, wind speed is 3.1 m/s.”

看到这个结果，你就成功地为你的Agent装上了一只“获取天气”的手。这个过程清晰地展示了如何将一项外部能力（天气API）封装成Agent可理解、可调用的工具。

4.3 构建复杂技能（Skill）

工具是原子操作，而技能（Skill）是完成一个复杂目标的“剧本”或“工作流”。一个技能内部可以包含多个工具的调用、条件判断和循环。

例如，一个“每日简报”技能可能包含以下步骤：

  1. 调用 get_calendar_events 工具获取今日日程。
  2. 调用 fetch_news 工具获取头条新闻。
  3. 调用 get_weather 工具获取当地天气。
  4. 调用 generate_summary 工具（可能也是一个LLM调用），将以上信息整合成一段流畅的简报文本。
  5. 调用 send_email 或 send_team_message 工具将简报发送给用户。

在OpenClaw中，技能可以通过更高级的“规划器”（Planner）来自动编排，也可以由开发者通过代码显式定义流程。对于初学者，从一个明确的、多步骤的技能开始编码，是理解Agent工作流的绝佳方式。

5. 生产环境考量与高级话题

当你玩转了一个本地Demo后，可能会想把它用于更严肃的场景。这时，以下几个问题就必须面对。

5.1 会话隔离与多用户支持

正如热词中提到的“会话隔离”问题，这对于多用户服务至关重要。理想的Agent应该为每个用户或每个对话会话（session）维护独立的状态、记忆和工具执行上下文，避免信息混淆。

  • 问题 ：早期或配置不当的版本，可能所有用户共享同一个内存后端，导致用户A的数据泄露给用户B。
  • 解决方案 ：
    1. 确保配置正确 ：检查OpenClaw的配置，确保 memory 或 session 相关的配置项与每个 session_key 强绑定。通常，在API请求中需要传入唯一的 session_key 。
    2. 使用支持隔离的后端 ：使用如Redis、PostgreSQL等作为记忆存储后端，并利用其命名空间或数据库/表隔离特性，在代码层面确保数据按 session_key 分区。
    3. 无状态设计倾向 ：对于某些场景，可以设计让Agent尽可能“健忘”，每次任务都基于当次对话的上下文执行，减少长期记忆带来的隔离复杂度。但这会牺牲一些连续性体验。

5.2 性能、成本与模型选择

  • LLM API成本 ：频繁调用GPT-4等高级模型，成本会快速攀升。策略包括：

    • 模型分级 ：简单的工具调用和路由用便宜快速的模型（如GPT-3.5-Turbo），复杂的推理和生成再用大模型。
    • 本地模型 ：对于内部工具调用逻辑固定、对创造性要求不高的任务，可以考虑部署开源模型（如Qwen、Llama系列）。热词中提到的“Qwen3 VL 4B能驱动OpenClaw不？用Ollama?”就是这方面的探索。答案是肯定的，通过Ollama本地运行Qwen等模型，可以大幅降低成本和提升隐私性，但需要牺牲一些性能（响应速度、理解能力）并增加本地运维负担。
    • 缓存 ：对常见、结果不变的查询（如公司内部知识库问答）实施结果缓存。

  • 工具执行效率 ：网络调用、数据库查询等I/O操作是主要瓶颈。需要：

    • 异步执行 ：如果框架支持，将工具调用设计为异步（async），避免阻塞主循环。
    • 超时与重试 ：为工具设置合理的超时时间，并实现重试机制，提高鲁棒性。
    • 批量操作 ：设计工具时，考虑支持批量处理，减少频繁的API调用。

5.3 安全与权限控制

让AI拥有调用工具的能力，相当于给了它操作你系统的“手脚”。安全是重中之重。

  1. 工具权限沙箱（Sandbox） ：这是热词“set up agent sandbox to continue”的核心关切。对于执行代码、访问文件系统、执行系统命令的工具，必须运行在严格的沙箱环境中（如Docker容器、安全虚拟机），限制其网络、文件系统的访问权限。
  2. 用户授权 ：Agent在代表用户执行操作（如发邮件、修改数据）前，必须获得用户的明确授权。可以设计一个确认环节，或者为工具划分安全等级，低风险工具自动执行，高风险工具需用户二次确认。
  3. 输入验证与净化 ：对所有来自用户输入和工具返回的数据进行严格的验证和净化，防止注入攻击。
  4. 审计日志 ：详细记录每一个Agent的决策过程、调用的工具、传入的参数和执行结果。这对于问题排查、安全审计和责任追溯至关重要。

6. 常见问题与故障排查实录

在实际操作中，你一定会遇到各种问题。这里记录一些典型场景和解决思路。

6.1 部署与启动问题

问题现象 可能原因 排查步骤与解决方案
docker-compose up 失败，提示端口冲突。 端口被占用。 sudo lsof -i :8000 查看哪个进程占用了8000端口， kill 掉该进程或修改 docker-compose.yml 中的端口映射（如 "8001:8000" ）。
服务启动后，API访问返回 500 Internal Server Error 或连接失败。 1. 环境变量（如API_KEY）未正确设置。
2. 依赖服务（如数据库）未启动。
3. 代码或配置错误。		 1. 检查 docker-compose logs -f 输出的错误日志，通常会有明确提示。
2. 确认 .env 文件已加载且变量名正确。
3. 运行 docker-compose ps 确认所有容器都处于 Up 状态。
使用Ollama本地模型时，Agent响应慢或报错。 1. 本地模型未成功加载或内存不足。
2. OpenClaw配置的模型名称与Ollama服务的不匹配。
3. 网络连接问题。		 1. 在Ollama中运行 ollama list 确认模型存在， ollama run <model-name> 测试模型是否能正常对话。
2. 检查OpenClaw配置中 LLM_MODEL 是否与Ollama中的模型名一致。
3. 确认OpenClaw服务能访问到Ollama的API地址（默认 http://host.docker.internal:11434 用于Docker容器内访问宿主机）。

6.2 Agent逻辑与工具调用问题

问题现象 可能原因 排查步骤与解决方案
Agent“拒绝”使用工具，总是用文字回答而不是执行操作。 1. 工具描述不够清晰，LLM无法理解何时使用。
2. LLM自身“保守”倾向，倾向于对话而非行动。
3. 提示词（Prompt）未明确鼓励使用工具。		 1. 优化工具描述 ：确保描述精准，包含典型用例。例如，“获取天气”工具的描述应强调“当用户询问当前、今天或未来的天气状况时使用此工具”。
2. 调整系统提示词 ：在给Agent的系统指令中，明确告知“你是一个助手，拥有以下工具：[列出工具]。当用户请求涉及这些能力时，你应该优先考虑使用工具来完成任务。”
3. 示例微调 ：在对话历史中提供几个正确使用工具的示例（Few-shot Learning）。
工具被调用，但执行失败或返回错误结果。 1. 工具函数内部代码有bug（如API调用格式错误）。
2. 网络或权限问题。
3. 输入参数格式不符合工具预期。		 1. 查看日志 ：OpenClaw和工具函数内部的日志会记录详细错误。
2. 独立测试工具 ：写一个简单的Python脚本，直接调用工具函数，传入固定参数，看是否能正常工作。这是定位问题最快的方法。
3. 验证参数传递 ：检查Agent传递给工具的参数字典是否与 args_schema 定义的结构完全匹配。
Agent陷入循环，不断重复调用同一个工具。 1. 工具返回的结果未能让LLM识别为任务完成。
2. 任务规划逻辑有缺陷，缺少终止条件。		 1. 优化工具输出 ：确保工具返回的结果是清晰、结构化的。对于最终步骤，可以在返回信息中加入“任务已完成”等明确标识。
2. 设置最大步数 ：在Agent配置中限制单轮对话的最大推理/行动步骤数，防止无限循环。
3. 增强任务终止判断 ：在系统提示词中明确告知Agent，在获得某个特定信息或状态后应结束任务并给出总结。

6.3 性能与成本问题

问题现象 可能原因 排查步骤与解决方案
响应速度非常慢，每个回复都要等十几秒。 1. LLM API响应慢（特别是大模型）。
2. 工具执行慢（如调用的外部API慢）。
3. 网络延迟高。		 1. 为工具设置超时 ：在工具函数中使用 timeout 参数，避免被慢接口拖死。
2. 使用更快的模型/节点 ：对于简单任务切换到更快的模型，或选择地理上更近的API节点。
3. 异步化 ：如果框架支持，将可并行执行的工具调用改为异步。
API调用费用增长过快。 1. 任务规划步骤过多，每次思考都消耗Token。
2. 重复执行相同或类似查询。		 1. 优化提示词 ：让Agent的思考更简洁、直接。
2. 引入缓存层 ：对LLM的常见回复（如固定的知识问答）和工具的结果（如一段时间内不变的天气数据）进行缓存。
3. 使用本地小模型 ：将工具路由、简单分类等任务交给本地运行的轻量级模型处理。

踩过这些坑之后，我的一个深刻体会是：构建一个稳定的Agent，30%在于框架和模型的选择，70%在于对工具的设计、调试和整个系统的运维观察。日志是你的眼睛，为每个关键步骤打上清晰的日志，能让你在出现问题时快速定位。另外，从一个极其简单的工具开始，验证通整个“用户指令 -> Agent思考 -> 工具调用 -> 结果返回”的闭环，然后再逐步增加复杂度，这个迭代过程远比一开始就设计一个庞大复杂的技能要高效和可靠得多。OpenClaw这类框架给了我们强大的武器，但如何用好它，真正创造出价值，还需要我们像打磨产品一样，持续地测试、观察和优化。

Logo
亚马逊云科技技术品牌专区

更多推荐

open-code-review Codex 插件教程：对话式调用评审技能指南

本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一

avatar 亚马逊云科技技术品牌专区

OBS Studio 完整指南：免费开源录屏与直播软件从零上手

想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、

avatar 亚马逊云科技技术品牌专区

如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南

MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责

avatar 亚马逊云科技技术品牌专区