claw-code 个人 AI 助手路线图从终端 Agent 到 Life OS 的五层演进【免费下载链接】claw-codeAn agent-managed museum exhibit, built in Rust with Gajae-Code / LazyCodex — developed and maintained with no human intervention.项目地址: https://gitcode.com/gh_mirrors/claudeco/claw-codeclaw-code正在从一个面向开发者的 CLI 编码 Agent演化为一个可全天候使用的个人 AI 助手Life OS。本文基于仓库中的路线图文档 docs/personal-assistant-roadmap.md 展开逐层解析其五大方向——多通道接口、个人记忆RAG、工具执行MCP 插件、主动性定时循环与长生命周期身份会话 画像——并结合仓库中已落地的 Rust 源码RAG 服务、会话恢复、MCP 运行时、cron 注册表说明每一层的现状基础与演进路径。读完本文你既能理解 claw-code 的助手化蓝图也能掌握当前仓库中已实现的 RAG 检索、会话续接与定时任务等能力的实际用法。路线图定位务实的分层演进原路线图开篇即声明了其意图把当前开发者 CLI Agent的方向转化为一条通向个人 AI 助手的可行路径涵盖五个维度多通道接口聊天 / 语音让助手脱离终端个人记忆面向生活的 RAG而不只是面向代码仓库的 RAG工具与动作通过 MCP 插件接入外部系统主动性OmX 风格的循环检查 → 提炼 → 起草 → 推送长生命周期身份会话 用户画像让助手跨天、跨周保持连续性。文档刻意采用务实的组织方式每一节都给出 MVP 范围、Next step下一步与 Evolution远期演进。后文严格按这五节展开并在每节末尾补充仓库中对应模块的源码级现状。第一层接口——走出终端目标与 MVP路线图的第一个目标是让claw不依赖 IDE 或终端即可使用从手机、从聊天软件最终通过语音。其 MVP 定义为聊天桥Chat bridge一个小型服务把Discord首选或 Telegram 的消息中继到claw/claw-analog执行运行时。聊天线程被当作前端claw是执行运行时通道/线程 → 会话 id 的映射每个聊天线程映射到一个 session id支持 resume/append续接/追加基础 UX在聊天中支持类斜杠命令/prompt …、/resume latest、/status、/cost、/help默认安全模式只读除非显式提升权限。下一步与演进语音Whisper 级别的 STT 接入同一聊天桥作为输入TTS 输出用于免提反馈多模态附件图片/PDF路由进摄入/个人记忆管线在线感知与通知把摘要主动推回聊天。仓库现状佐证当前仓库中尚无独立的 Discord/Telegram 桥接服务搜索仓库源码未发现相关客户端实现这一层属于规划中的分发生成层。但它的两个关键依赖在仓库里已有基础会话映射的落点claw-analog已支持会话持久化与续接。从 claw-analog 配置结构 可以看到 session 路径相关配置——When set, load/save turn history (resume with the same path)即同一 session 路径可加载/保存多轮历史这正是聊天线程 → session id 映射所需的底层能力只读安全模式claw-analog的权限体系PermissionMode已区分只读与可写工具工具定义按模式装配retrieve_context等工具被标注为只读要求与路线图中默认只读、显式提升的安全模式设计一致。换言之聊天桥本身只需实现消息中继与会话路由执行侧的会话续接与权限边界能力已经就位。第二层记忆——从代码的 RAG到生活的 RAG目标与 MVP路线图认为助手要能基于你的长期上下文而非只有当前仓库来回答个人问题并做决策。MVP 包含两部分扩展摄入输入源超出 git 工作区Markdown 笔记、导出的聊天记录、简单文本日志PDF初期允许在 Rust 之外做文本抽取后期再内置管线保持清晰的分离Work RAG代码/工作区Personal RAG笔记、计划、历史下一步与演进把retrieve_context工具演进为多源检索工具在哪搜选择器work / personal / both元数据过滤来源、日期区间、标签演进增量摄入 事件驱动更新watch 文件夹、聊天事件当规模要求时换用更好的向量库ANN/Qdrant 等。仓库现状claw-rag-service已是可运行的 Work RAG这一层是五大方向中仓库落地程度最高的部分核心 crate 位于 rust/crates/claw-rag-service。摄入管线ingest摄入入口run_ingest接受多个工作区根目录逐个 WalkDir 遍历并写入 SQLite 向量。关键参数在 ingest.rs 中硬编码为常量常量值含义DEFAULT_MAX_FILE_BYTES2 MiB单文件最大摄入字节数CHUNK_CHARS900分块字符长度CHUNK_OVERLAP120相邻块重叠字符数EMBED_BATCH16每次 embedding API 批大小同时定义了跳过目录.git、target、node_modules、__pycache__、.claw-rag与 25 种文本扩展名白名单rs、md、toml、json、yaml、py、ts等。注意两点与路线图的对应关系白名单已包含md与txt——Markdown 笔记与纯文本日志按现有代码可直接摄入Personal RAG 输入源 #1笔记文件夹无需改动摄入器只需指向一个笔记目录PDF 不在白名单内印证了路线图初期在 Rust 之外做文本抽取的说法需先把 PDF 转为文本再摄入。CLI 用法见 main.rs 的 clap 定义docs/rag-web-ui.md 有完整示例cargo run -p claw-rag-service -- ingest -w workspace1 -w workspace2 --db index.sqlite--workspace可重复传入以实现跨仓库 RAG--db缺省为.claw-rag/index.sqlite也可用环境变量CLAW_RAG_DB覆盖。检索服务search / query检索核心 query_index 目前采用线性扫描 MVP加载 SQLite 中全部已索引向量对查询 embedding 计算余弦相似度排序后取 top-k上限 64。响应通过phase字段自描述状态1-sqlite、1-sqlite-empty、1-sqlite-no-db见 lib.rs。当规模增长时仓库已预留了Qdrant 后端编译开启qdrant-indexfeature 后qdrant_index.rs 从环境变量读取配置——CLAW_RAG_QDRANT_URL、CLAW_RAG_QDRANT_COLLECTION默认claw_rag_chunks、CLAW_RAG_QDRANT_API_KEY查询时若 Qdrant collection 已存在则优先走 Qdrant否则回退 SQLite 线性扫描。这正是路线图EvolutionBetter stores (ANN/Qdrant) when scale demands it的在库实现。关键环境变量实操速查整理自 docs/rag-web-ui.md 与 main.rs变量默认值作用OPENAI_API_KEY/CLAW_RAG_OPENAI_API_KEY—调用 embedding API 的密钥CLAW_RAG_EMBEDDING_BASE_URLhttps://api.openai.com/v1embedding 端点OpenAI 兼容CLAW_RAG_EMBEDDING_MODELtext-embedding-3-smallembedding 模型CLAW_RAG_DB.claw-rag/index.sqliteSQLite 索引路径CLAW_RAG_PORT/CLAW_RAG_HOST8787/127.0.0.1HTTP 服务监听CLAW_RAG_MOCK_PROVIDERS—置1时生成确定性假向量免网络CI 测试用HTTP 面包括GET /单页 UI、GET /health、GET /v1/stats、POST /v1/query请求体{query:..., top_k:8}top_k默认 8见 QueryRequest。lib.rs中的集成测试 ingest_and_query_roundtrip_mock 演示了完整闭环两个目录写入笔记 →run_ingest→query_index返回带path/snippet/score的命中。检索如何进入 Agentretrieve_context工具路线图Next stepevolveretrieve_contextinto a multi-source retrieval tool所指的正是claw-analog中的同名工具。从 lib.rs 的配置字段看rag_base_urlTOMLrag_base_url或环境变量RAG_BASE_URL非空时才暴露retrieve_context工具rag_top_k_max限制单次检索条数上限rag_timeout_secs限制 HTTP 超时。工具实现 会先经权限执行器校验enforce_tool再调用POST {base}/v1/query。当前实现只有单一base_url——work/personal/both 选择器尚未实现这正是路线图规划的演进点从现有单库设计推断最自然的做法是为 Personal RAG 另起一个索引库与 base URL在工具层增加来源选择参数。第三层双手——工具、MCP 与插件目标与 MVP助手之所以有价值是因为它能做事而不仅仅是会说。 MVP 要求通过MCP 服务器接入外部系统日历、笔记Notion、邮件、任务管理、智能家居视可用性建立个人技能约定专用目录如.claw/skills/存放用户自有的自动化小而可组合的工具日报摘要、预算、提醒而非单体。下一步与演进工具发现 UX直接在聊天里列出可用的 MCP/工具/技能按工具类别划权限边界读 vs 写破坏性操作需显式确认演进技能市场plugin marketplace流程复用技能动作的审计日志与回放。仓库现状佐证这一层的运行时基础已经比较完整MCP 与插件子系统分布在 rust/crates/runtime/src 与 rust/crates/pluginsmcp.rs/mcp_client.rs/mcp_stdio.rs覆盖 MCP 生命周期与 stdio 传输mcp_lifecycle_hardened.rs 针对生命周期做了加固配套验证文档 docs/g007-mcp-lifecycle-mapping.md 与 docs/g007-plugin-mcp-verification-map.md 描述了对应契约mcp_tool_bridge.rs负责把外部 MCP 工具桥接进内部工具面这与工具发现 UX是同一问题域rust/crates/plugins 提供捆绑插件与 hooks如bundled/sample-hooks/hooks/pre.sh、post.sh配套说明见 rust/crates/plugins/AGENTS.md权限边界方面permission_enforcer.rs 与 permissions.rs 实现按工具的工具级强制校验——retrieve_context的只读标注即走这条路径路线图中破坏性操作需显式确认可构建在此之上。因此MVP 中接一个日历/笔记类 MCP 服务器在运行时侧已无障碍缺的是个人技能目录约定与聊天侧的列出工具入口。第四层主动性——OmX 风格的循环目标与 MVP从被动的回答我转向主动的注意到 → 准备 → 提议 → 执行。MVP 是一个定时 runner周期性执行检查收件箱/通知提炼可执行任务起草回复向聊天推送一条简短摘要。下一步与演进多 Agent 模式Architect/Executor/Reviewer提升可靠性executor 提议动作reviewer 校验安全性与正确性之后才由桥接层执行写/动作类工具演进以事件驱动webhooks替代纯 cron 触发带边界时间、工具、花费限额的Autopilot模式。仓库现状佐证定时任务的基础设施已存在于 runtime crateteam_cron_registry.rs 实现了 cron 注册表——CronEntry携带cron_id形如cron_{:08x}_{ts}与schedule字段create(schedule, prompt, description)可登记定时 提示词的条目并支持get/delete。这与 MVP 中周期性检查、提炼、起草、推送的调度骨架吻合把digest 提示词作为 prompt 入册即可。需要指出的是仓库中尚未看到 webhooks/事件触发实现事件驱动触发仍停留在 Evolution 阶段同样Executor/Reviewer 多 Agent 校验在仓库中暂无对应独立模块属于待建能力。第五层长生命周期身份——会话 画像目标与 MVP让助手跨天、跨周显得连续且个性化。MVP 两点默认续接最近会话--resume latest风格的行为使用一段简短的、用户自有的 profile/系统提示词来固定语气与偏好。下一步与演进三者分离personality风格、偏好memory事实、历史policies权限、安全规则演进多人格工作/个人显式切换透明的记忆控制忘掉这个、记住这个。仓库现状佐证会话持久化已在claw-analog落地lib.rs 的 session 路径配置说明设置后按同一路径 load/save 多轮历史并配有会话保存与续接的测试如session_save_and_resume_appends_prompt、mock_session_save_export_without_resume_path。CLI 侧的会话/斜杠命令行为另有测试文件 resume_slash_commands.rs 覆盖。personality / memory / policies 三分与多人格切换目前在仓库中没有对应数据结构属于规划项但从现有配置体系TOML 文件配置 系统提示词推断画像文件最可能以独立 profile 文件 按人格选择的形式实现。建议的里程碑顺序路线图最后给出了五步落地顺序这也是判断各层优先级的官方依据Discord 桥 会话映射——不引入新 AI 能力纯分发层个人摄入源 #1笔记文件夹 检索选择器personal/work一个 MCP 集成日历或笔记 一个每日摘要技能定时 digest 循环cron权限受边界约束在同一桥之上加语音输入/输出。值得注意的是顺序设计刻意把分发放在新能力之前先让现有能力触手可及再逐层叠加记忆、动作与主动性——这与仓库现状完全一致RAG、MCP、cron 等被调用方能力已就绪缺的主要是调用入口。读者动手的最小验证路径如果你想在当前仓库上亲手走通路线图的第 2 步笔记摄入 检索最短路径是# 1. 摄入一个个人笔记目录md/txt 已支持 $env:OPENAI_API_KEY sk-... cargo run -p claw-rag-service -- ingest -w path/to/notes --db .claw-rag/personal.sqlite # 2. 起检索服务默认 127.0.0.1:8787 cargo run -p claw-rag-service -- serve --db .claw-rag/personal.sqlite # 3. 在 claw-analog 配置中指向该服务启用 retrieve_context # .claw-analog.toml: rag_base_url http://127.0.0.1:8787Work RAG 与 Personal RAG 各持一个 SQLite 索引不同--db即可先用两个独立端点近似路线图中work/personal 选择器的效果——这是从源码现状看最贴合 MVP 的过渡方案。小结docs/personal-assistant-roadmap.md 给出的不是一份空想清单而是一张与仓库代码高度咬合的路线图RAG 记忆层已有可运行的服务与retrieve_context工具rust/crates/claw-rag-service、MCP 与插件运行时已具备rust/crates/runtime、rust/crates/plugins、cron 注册表与会话续接也已就位rust/crates/runtime/src/team_cron_registry.rs、rust/crates/claw-analog。路线图真正的增量工作集中在入口聊天/语音桥、多源检索选择器、个人技能目录与主动摘要循环。理解了这五层的 MVP/下一步/演进划分及其在仓库中的落点你就能准确判断 claw-code 距离个人 AI 助手还差哪些具体模块以及每个模块应当从哪里动工。【免费下载链接】claw-codeAn agent-managed museum exhibit, built in Rust with Gajae-Code / LazyCodex — developed and maintained with no human intervention.项目地址: https://gitcode.com/gh_mirrors/claudeco/claw-code创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考