OpenClaw 的精簡替代品。
單一 binary。22 個工具。三層記憶。Telegram + Discord + MCP。
7.5 MB binary · 14 MB 記憶體 · 5,296 行 · 98.9% BFCL · 95.5% T-Eval · 4.3× MoE 加速
起點很單純：有人把 OpenClaw 用 Go 重寫，把記憶體從 1GB+ 砍到 35MB。很厲害。但我們想——能不能再進一步？
大多數人不需要 43 萬行 TypeScript。他們需要的是一個能講 Telegram、讀檔案、跑程式、出包的時候開 GitHub PR 的 agent。就這樣。
RustClaw 是 OpenClaw 的 80/20 版本——把真正重要的功能裝進一個 cargo build。
| RustClaw | OpenClaw | |
| 📦 Binary | 7.5 MB 靜態 | 需要 Node.js 24 + npm |
| 💾 閒置記憶體 | 14 MB | 1 GB+ |
| ⚡ 啟動 | < 100 ms | 5–10 秒 |
| 📝 程式碼 | 5,296 行 | ~430,000 行 |
| 🧠 記憶 | 三層（向量 + 圖譜 + 歷史） | 基本 session |
| 🔧 工具 | 22 個內建 + MCP | 外掛系統 |
| 🤖 LLM | Anthropic、OpenAI、Ollama、Gemini | OpenAI |
| 📱 通道 | Telegram、Discord、WebSocket | Web UI |
Note
RustClaw 不是要取代 OpenClaw。它證明的是——AI agent 真正有用的核心，不需要一 GB 的記憶體。需要的是好的架構、對的語言、以及願意用更清楚的限制重新開始的決心。
完全使用 Claude Code 由 Ad Huang 構建。零人工撰寫程式碼。
🪶 任何地方都能跑 — 7.5 MB binary、14 MB 記憶體。樹莓派、5 美元 VPS、你的筆電。不需要 Node.js、Python、Docker。
🧠 什麼都記得 — 三層記憶（向量 + 圖譜 + 歷史），混合範圍 scoping。你在 Telegram 告訴 bot 你的名字，它在 Discord 會記得。事實自動萃取、矛盾自動解決。
🛡️ 安全為先 — 14 種危險指令模式封鎖。工具輸出截斷。Patch 檔修改前先驗證。錯誤自動重試恢復。120 秒 timeout 帶優雅 fallback。
🔧 真的會做事 — 業界標準 BFCL benchmark 1,000 題達 98.9%。Bot 真的會讀你的檔案、跑你的指令、開 PR——不是只描述它「會」做什麼。
🔌 支援 MCP — 連接任何 MCP server。工具自動發現、透明路由。LLM 看到的是統一的工具列表——本地跟遠端沒差別。
📈 經過 benchmark 驗證 — 1,000 題 BFCL + 2,146 題 T-Eval + 500 題內部 benchmark。雙模型策略：MoE 快速（2.6s/題）、Dense 精確（99.7%）。
⚙️ 受 Claude Code 啟發 — 理解優先的工具排序、歷史壓縮、workspace context 載入、錯誤重試提示。讓 Claude Code 有效的同樣模式，套用到開源 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自動下載 pre-built binary、加入 PATH、建立預設 config。支援 macOS（Intel / Apple Silicon）、Linux（x86 / ARM）、Windows。
| 需求 | 安裝 |
|---|---|
| Rust 1.85+ | curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh |
| LLM 後端 | 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 預設綁定
0.0.0.0方便雲端部署。永遠不要把 API key 寫在程式碼裡——用~/.rustclaw/config.toml（已 gitignored）或環境變數（RUSTCLAW__AGENT__API_KEY）。
# 啟動全部（gateway + 通道 + cron + 記憶）
rustclaw gateway
# 單次 agent 呼叫，含工具存取
rustclaw agent "列出所有 .rs 檔案並計算總行數"
# GitHub 操作
rustclaw github scan
rustclaw github fix 12322 個內建工具自主執行。支援 Anthropic 與 OpenAI function calling。每個請求最多 10 輪迭代。
分層工具載入——先理解、再動手、再檢查：
👁️ 理解 ⚡ 動手 🔍 檢查
├── 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
├── 建立/刪除頻道 ├── fetch_inbox └── process_list
├── 建立角色/設定主題 ├── read_email
└── 踢人/封鎖 └── send_email
安全： 14 種危險模式封鎖 · 輸出截斷 4000 字 · patch 驗證 · 錯誤重試提示 · 120 秒優雅 timeout
記憶系統委託給 R-Mem——獨立的 Rust crate，負責向量召回、事實萃取、矛盾解決、實體關係圖譜。RustClaw 只是上層的薄包裝，加上混合範圍 scoping。
混合範圍取回 — 每次查詢合併三種範圍：
| 範圍 | 範例 | 共享於 |
|---|---|---|
| Local | telegram:-100xxx |
單一群組 |
| User | user:12345 |
一個人在所有通道 |
| Global | global:system |
所有人 |
| 通道 | 功能 |
|---|---|
| Telegram | 長輪詢 · streaming 編輯 · ACL · session 歷史 |
| Discord | @mention · 伺服器管理 · scan / fix issue #N / pr status |
| Gateway | OpenClaw 相容 WebSocket，位於 :18789/ws |
[mcp]
servers = [
{ name = "fs", command = "npx @modelcontextprotocol/server-filesystem /tmp" },
]自動掃描 repo · 從 issue 自動 PR · 系統監控告警 · email 分類——全部透過 cron 排程，通知到 Discord。
在官方 Gorilla BFCL benchmark 上測試——業界 function calling 評估的標竿。雙模型比較（Mac Mini 2024, M4 Pro, 64 GB）：
| 測試 | qwen3-coder:30b (MoE) | qwen2.5:32b (dense) | 加速 |
|---|---|---|---|
| simple_python (400) | 100% · 1.5s/題 | 99.75% · 7.3s/題 | 4.9× |
| multiple (200) | 97% · 2.4s/題 | 99.5% · 8.4s/題 | 3.5× |
| parallel (200) | 99.5% · 2.9s/題 | 100% · 12.0s/題 | 4.1× |
| parallel_multiple (200) | 98% · 3.4s/題 | 100% · 15.7s/題 | 4.6× |
| Overall (1,000) | 98.9% · 2.6s/題 | 99.7% · 10.8s/題 | 4.3× |
MoE 模型以 -0.8% 準確度換取 4.3× 加速。兩個模型在所有類別均超過 98%。
在 T-Eval 上測試——上海 AI Lab 的工具使用評估套件，涵蓋規劃、檢索、檢查與指令跟隨：
| 測試 | 分數 | 題數 | 速度 |
|---|---|---|---|
| T-Eval retrieve | 98% (542/553) | 553 | 14.5s/題 |
| T-Eval plan | 96% (535/553) | 553 | 25.6s/題 |
| T-Eval review | 96% (472/487) | 487 | 3.5s/題 |
| T-Eval instruct | 92% (514/553) | 553 | 8.2s/題 |
四個核心類別共 2,146 題。平均 95.5% —— 工具選擇、多步規劃、自我檢查皆強。
500 題工具呼叫 benchmark（qwen2.5:32b、本地 Ollama）：
| 版本 | 總分 | Timeout | 速度 |
|---|---|---|---|
| v3 baseline | 81% | 74 | 44s/題 |
| v4 timeout fix | 85% | 3 | 36s/題 |
| v5 optimized | 97% | 0 | 38s/題 |
| 類別 | v5 分數 |
|---|---|
| 核心操作 | 92% |
| 基本工具 | 95% |
| 中等任務 | 100% |
| 進階推理 | 98% |
| 幻覺陷阱 | 100% |
| 多步驟連鎖 | 99% |
Benchmark 題目於 AI-Bench。
src/
├── main.rs CLI dispatch + 啟動
├── cli/mod.rs clap subcommands
├── config.rs TOML + env 設定
├── gateway/ WebSocket server + 協定 + handshake
├── agent/runner.rs LLM streaming + agentic loop + 歷史壓縮
├── channels/ Telegram (teloxide) + Discord (serenity)
├── tools/ 22 個工具：fs、shell、search、discord、email、system、github、mcp
├── session/ SessionStore（歷史） + MemoryManager（R-Mem 包裝）
└── cron/ 排程任務（system、email、GitHub）
27 個檔案 · 5,296 行 · 7.5 MB binary · 零外部服務
| 狀態 | 功能 |
|---|---|
| ✅ | 工具呼叫（22 個工具 + agentic loop） |
| ✅ | 三層記憶（向量 + 圖譜 + 混合範圍） |
| ✅ | Telegram + Discord 通道 |
| ✅ | MCP client（透明工具路由） |
| ✅ | GitHub 整合（掃描 + 自動 PR） |
| ✅ | 系統監控 + cron 告警 |
| ✅ | Email（IMAP + SMTP） |
| ✅ | SQLite 持久化 |
| ✅ | 跨平台安裝（macOS / Linux / Windows） |
| ✅ | 多模型路由（per-channel config 驅動） |
| 🔲 | Slack / LINE 通道 |
| 🔲 | Prometheus metrics |
歡迎社群貢獻——開 issue 或 PR。