OpenClaw 的精简替代品。
单一 binary。22 个工具。三层记忆。Telegram + Discord + MCP。
7.5 MB binary · 14 MB 内存 · 5,296 行 · 98.9% BFCL · 95.5% T-Eval · 4.3× MoE 加速
起点很单纯:有人把 OpenClaw 用 Go 重写,把内存从 1GB+ 砍到 35MB。很厉害。但我们想——能不能再进一步?
大多数人不需要 43 万行 TypeScript。他们需要的是一个能讲 Telegram、读文件、跑程序、出包的时候开 GitHub PR 的 agent。就这样。
RustClaw 是 OpenClaw 的 80/20 版本——把真正重要的功能装进一个 cargo build。
| RustClaw | OpenClaw | |
| 📦 Binary | 7.5 MB 静态 | 需要 Node.js 24 + npm |
| 💾 空闲内存 | 14 MB | 1 GB+ |
| ⚡ 启动 | < 100 ms | 5–10 秒 |
| 📝 代码 | 5,296 行 | ~430,000 行 |
| 🧠 记忆 | 三层(向量 + 图谱 + 历史) | 基本 session |
| 🔧 工具 | 22 个内置 + MCP | 插件系统 |
| 🤖 LLM | Anthropic、OpenAI、Ollama、Gemini | OpenAI |
| 📱 通道 | Telegram、Discord、WebSocket | Web UI |
Note
RustClaw 不是要取代 OpenClaw。它证明的是——AI agent 真正有用的核心,不需要一 GB 的内存。需要的是好的架构、对的语言,以及愿意用更清晰的约束重新开始的决心。
完全使用 Claude Code 由 Ad Huang 构建。零人工撰写代码。
🪶 任何地方都能跑 — 7.5 MB binary、14 MB 内存。树莓派、5 美元 VPS、你的笔记本。不需要 Node.js、Python、Docker。
🧠 什么都记得 — 三层记忆(向量 + 图谱 + 历史),混合范围 scoping。你在 Telegram 告诉 bot 你的名字,它在 Discord 会记得。事实自动抽取、矛盾自动解决。
🛡️ 安全为先 — 14 种危险指令模式拦截。工具输出截断。Patch 文件修改前先验证。错误自动重试恢复。120 秒 timeout 带优雅 fallback。
🔧 真的会做事 — 业界标准 BFCL benchmark 1,000 题达 98.9%。Bot 真的会读你的文件、跑你的命令、开 PR——不是只描述它「会」做什么。
🔌 支持 MCP — 连接任何 MCP server。工具自动发现、透明路由。LLM 看到的是统一的工具列表——本地跟远程没差别。
📈 经过 benchmark 验证 — 1,000 题 BFCL + 2,146 题 T-Eval + 500 题内部 benchmark。双模型策略：MoE 快速（2.6s/题）、Dense 精确（99.7%）。
⚙️ 受 Claude Code 启发 — 理解优先的工具排序、历史压缩、workspace context 加载、错误重试提示。让 Claude Code 有效的同样模式,套用到开源 agent 上。
macOS / Linux：
curl -sSL https://raw.githubusercontent.com/Adaimade/RustClaw/main/install.sh | shWindows（PowerShell）：
irm https://raw.githubusercontent.com/Adaimade/RustClaw/main/install.ps1 | iex自动下载 pre-built binary、加入 PATH、创建默认 config。支持 macOS（Intel / Apple Silicon）、Linux（x86 / ARM）、Windows。
| 需求 | 安装 |
|---|---|
| Rust 1.85+ | curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh |
| LLM 后端 | Ollama、OpenAI、Anthropic 或 Gemini |
git clone https://github.com/Adaimade/RustClaw.git && cd RustClaw
cargo build --release && strip target/release/rustclaw
# → target/release/rustclaw (7.5 MB)mkdir -p ~/.rustclaw
cp config.example.toml ~/.rustclaw/config.toml| Ollama(本地) | Anthropic | Gemini |
[agent]
provider = "openai"
api_key = "ollama"
base_url = "http://127.0.0.1:11434"
model = "qwen2.5:32b" |
[agent]
provider = "anthropic"
api_key = "sk-ant-..."
model = "claude-sonnet-4-20250514" |
[agent]
provider = "openai"
api_key = "your-key"
base_url = "https://generativelanguage.googleapis.com/v1beta/openai"
model = "gemini-2.5-flash" |
安全提醒: RustClaw 默认绑定
0.0.0.0方便云端部署。永远不要把 API key 写在代码里——用~/.rustclaw/config.toml(已 gitignored)或环境变量(RUSTCLAW__AGENT__API_KEY)。
# 启动全部(gateway + 通道 + cron + 记忆)
rustclaw gateway
# 单次 agent 调用,含工具访问
rustclaw agent "列出所有 .rs 文件并计算总行数"
# GitHub 操作
rustclaw github scan
rustclaw github fix 12322 个内置工具自主执行。支持 Anthropic 与 OpenAI function calling。每个请求最多 10 轮迭代。
分层工具加载——先理解、再动手、再检查:
👁️ 理解 ⚡ 动手 🔍 检查
├── read_file ├── run_command ├── process_check
├── list_dir ├── write_file ├── docker_status
└── search_code └── patch_file ├── system_stats
├── http_ping
💬 Discord(按需) 📧 Email(按需) ├── pm2_status
├── 创建/删除频道 ├── fetch_inbox └── process_list
├── 创建角色/设置主题 ├── read_email
└── 踢人/封禁 └── send_email
安全: 14 种危险模式拦截 · 输出截断 4000 字 · patch 验证 · 错误重试提示 · 120 秒优雅 timeout
记忆系统委托给 R-Mem——一个独立的 Rust crate,负责向量召回、事实抽取、矛盾解决、实体关系图谱。RustClaw 只是上层的轻量包装,加上混合范围 scoping。
混合范围召回 — 每次查询合并三种范围:
| 范围 | 示例 | 共享于 |
|---|---|---|
| Local | telegram:-100xxx |
单一群组 |
| User | user:12345 |
一个人在所有通道 |
| Global | global:system |
所有人 |
| 通道 | 功能 |
|---|---|
| Telegram | 长轮询 · streaming 编辑 · ACL · session 历史 |
| Discord | @mention · 服务器管理 · scan / fix issue #N / pr status |
| Gateway | OpenClaw 兼容 WebSocket,位于 :18789/ws |
[mcp]
servers = [
{ name = "fs", command = "npx @modelcontextprotocol/server-filesystem /tmp" },
]自动扫描 repo · 从 issue 自动 PR · 系统监控告警 · email 分类——全部通过 cron 排程,通知到 Discord。
在官方 Gorilla BFCL benchmark 上测试——业界 function calling 评估的标杆。双模型比较（Mac Mini 2024, M4 Pro, 64 GB）：
| 测试 | qwen3-coder:30b (MoE) | qwen2.5:32b (dense) | 加速 |
|---|---|---|---|
| simple_python (400) | 100% · 1.5s/题 | 99.75% · 7.3s/题 | 4.9× |
| multiple (200) | 97% · 2.4s/题 | 99.5% · 8.4s/题 | 3.5× |
| parallel (200) | 99.5% · 2.9s/题 | 100% · 12.0s/题 | 4.1× |
| parallel_multiple (200) | 98% · 3.4s/题 | 100% · 15.7s/题 | 4.6× |
| Overall (1,000) | 98.9% · 2.6s/题 | 99.7% · 10.8s/题 | 4.3× |
MoE 模型以 -0.8% 准确度换取 4.3× 加速。两个模型在所有类别均超过 98%。
在 T-Eval 上测试——上海 AI Lab 的工具使用评估套件,涵盖规划、检索、检查与指令跟随:
| 测试 | 分数 | 题数 | 速度 |
|---|---|---|---|
| T-Eval retrieve | 98% (542/553) | 553 | 14.5s/题 |
| T-Eval plan | 96% (535/553) | 553 | 25.6s/题 |
| T-Eval review | 96% (472/487) | 487 | 3.5s/题 |
| T-Eval instruct | 92% (514/553) | 553 | 8.2s/题 |
四个核心类别共 2,146 题。平均 95.5% —— 工具选择、多步规划、自我检查皆强。
500 题工具调用 benchmark(qwen2.5:32b、本地 Ollama):
| 版本 | 总分 | Timeout | 速度 |
|---|---|---|---|
| v3 baseline | 81% | 74 | 44s/题 |
| v4 timeout fix | 85% | 3 | 36s/题 |
| v5 optimized | 97% | 0 | 38s/题 |
| 类别 | v5 分数 |
|---|---|
| 核心操作 | 92% |
| 基本工具 | 95% |
| 中等任务 | 100% |
| 进阶推理 | 98% |
| 幻觉陷阱 | 100% |
| 多步骤连锁 | 99% |
Benchmark 题目于 AI-Bench。
src/
├── main.rs CLI dispatch + 启动
├── cli/mod.rs clap subcommands
├── config.rs TOML + env 配置
├── gateway/ WebSocket server + 协议 + handshake
├── agent/runner.rs LLM streaming + agentic loop + 历史压缩
├── channels/ Telegram (teloxide) + Discord (serenity)
├── tools/ 22 个工具:fs、shell、search、discord、email、system、github、mcp
├── session/ SessionStore(历史) + MemoryManager(R-Mem 包装)
└── cron/ 排程任务(system、email、GitHub)
27 个文件 · 5,296 行 · 7.5 MB binary · 零外部服务
| 状态 | 功能 |
|---|---|
| ✅ | 工具调用(22 个工具 + agentic loop) |
| ✅ | 三层记忆(向量 + 图谱 + 混合范围) |
| ✅ | Telegram + Discord 通道 |
| ✅ | MCP client(透明工具路由) |
| ✅ | GitHub 集成(扫描 + 自动 PR) |
| ✅ | 系统监控 + cron 告警 |
| ✅ | Email(IMAP + SMTP) |
| ✅ | SQLite 持久化 |
| ✅ | 跨平台安装（macOS / Linux / Windows） |
| ✅ | 多模型路由（per-channel config 驱动） |
| 🔲 | Slack / LINE 通道 |
| 🔲 | Prometheus metrics |
欢迎社区贡献——开 issue 或 PR。