BeeWare 是一个有前景的项目，它的"原生 UI"理念很吸引人。打包复杂：需要配置各平台 SDK库兼容性：不是所有 Python 库都能用文档不足：遇到问题可能要翻源码如果你只是想快速验证想法，BeeWare 值得一试。但如果是生产级应用，我建议还是考虑 Server + Client 架构——把 AI 逻辑放在服务器，客户端只做展示。下一篇预告：服务器+移动端：AI助手的最佳架构？我们将探讨

太简单：功能受限，不够灵活太复杂：学习成本高，用户不愿意用nanobot 目前的方案是"约定优于配置"：技能目录结构固定，SKILL.md格式固定，用户只要按规矩写就行。如果你也在做 AI 助手，强烈建议早点把技能系统搞起来。一开始可能觉得多余，等功能多了就知道香了。有问题欢迎评论区交流，下一篇聊聊定时任务系统。

LLM 可能返回{"age": "25"} # 字符串# 但你的函数期望...# 解决：类型转换工具系统是 AI Agent 的核心能力之一。注册机制：让 LLM 知道能做什么参数解析：把文本转成函数调用安全边界：防止 AI 搞事情这三点缺一不可。尤其是安全边界，宁可保守，不要激进。毕竟，你不想让 AI 帮你"清理"硬盘。下一篇文章，我们聊聊消息总线设计——怎么用 asyncio.Queue 实现

消息总线设计：asyncio.Queue实战搞了两天，终于把 nanobot 的消息总线重构完了。说实话，一开始觉得这玩意儿挺简单的，不就是个队列吗？结果踩了一堆坑，记录一下。为什么需要消息总线？nanobot 是一个多渠道 AI 助手，要同时支持 Telegram、Discord、飞书、WhatsApp 等 20 多个平台。每个平台发来的消息都要：1. 解析格式 2.

多模型调用的碎片化。如果你只用一个模型，那确实不需要。想做成本优化需要容错和 fallback在多个模型之间做对比测试不想维护一堆 SDK那 LiteLLM 真的值得一试。官方文档写得也不错，遇到问题直接搜就行。一句话总结：早用早享受，别像我一样踩了坑才后悔。本文基于 LiteLLM v1.x 版本，API 可能有变化，请以官方文档为准。

这篇文章只是个入门，帮你搭建起AI助手的基本骨架。更复杂的功能——比如记忆系统、多渠道接入、定时任务——可以在这个基础上慢慢加。如果你也想动手做一个，建议从最简单的开始：先跑通消息循环，再加LLM调用，最后加工具。一步一步来，别一上来就想搞个大而全的。有问题欢迎评论区交流。下一篇打算聊聊LiteLLM的进阶用法，感兴趣的可以关注一下。开源项目推荐- 香港大学开源的AI助手框架，支持20+平台，功能

OpenClaw 是一个开放式个人 AI 助手平台，它可以将大语言模型（LLM）连接到你日常使用的消息应用——WhatsApp、Telegram、Discord、Slack、iMessage 等。与其他闭源方案不同，OpenClaw 完全开源，你可以在自己的服务器上运行，完全掌控自己的数据和隐私。中心化网关：单一 Gateway 管理所有渠道，避免连接碎片化工作区驱动：通过文件系统定义智能体的行为

OpenClaw 是一个强大的多渠道 AI Agent 网关，让你的 AI 助手能够跨 WhatsApp、Telegram、Discord、iMessage 等多个聊天平台运行。通过单一的 Gateway 进程，实现消息收发、媒体处理、多 Agent 路由等功能。

OpenClaw 是一个强大的多渠道 AI Agent 网关，让你的 AI 助手能够跨 WhatsApp、Telegram、Discord、iMessage 等多个聊天平台运行。通过单一的 Gateway 进程，实现消息收发、媒体处理、多 Agent 路由等功能。

在 Linux 和 Windows 系统中，都可以将 socket 设置为非阻塞模式。