duclaw 是什么？

简单说，它是一个 AI 智能体客户端。装好之后，你会在飞书上拥有一个 AI 助手。这个助手不是普通的聊天机器人，它能：

自动规划任务，拆解成子任务并跟踪进度
遇到复杂任务时，自动组建一个 Agent 团队来协作处理
团队成员各有分工，在各自的工作区里独立干活，互不干扰
全部完成后，结果自动汇总回你的飞书对话

你只需要在飞书上跟它聊天就行了，剩下的它自己搞定。

一句话让它组团队开发

有天我随手给它下了一个指令："帮我组建一个软件开发团队，开发一个 TypeScript 的基础框架。"

然后我就看着它在飞书上一边跟我汇报进展，一边在背后自动干这些事：

它先创建了一个三人团队——架构师、前端开发、后端开发。然后分别给每个人发了任务指令。架构师负责设计框架结构，前端开发负责实现 API 层，后端开发负责核心逻辑。

关键是这三个人在同时干活。每个人有自己的工作目录，文件互不干扰。哪个任务做完了就自动回信与其他团队成员沟通交流。

整个过程我就在飞书上等着，偶尔收到进度更新。最后三个人的产出被自动整合在一起，一个完整可运行的框架就出来了。

我不夸张，整个过程我除了发了那一句话，什么都没干。

这跟普通的 AI 助手有什么区别？

最核心的区别就是"协作"。

普通 AI 助手是单线程的——你给一个任务，它从头做到尾。中间如果任务很复杂，涉及不同领域的知识，它可能顾此失彼。

duclaw 的方式是拆分 + 并行。它像一个项目经理一样，把复杂任务拆成几个独立的部分，分配给不同的 Agent 同时处理。每个 Agent 专注于自己擅长的事，效率高很多，产出质量也明显更好。

而且它还有完整的任务管理能力——目标和子任务自动创建、进度实时跟踪。你随时可以问它"目前进展怎么样"，它会给你一个清晰的状态汇报。

说点真实的感受

说实话，第一次看到 AI 自动组建团队并行干活的时候，我有一种"未来已经来了"的感觉。

以前觉得多 Agent 协作是很远的事，得是大型 AI 公司才能搞出来的东西。但在 duclaw 里，它就是很自然地发生了——你说一句话，它就自己组建团队、分配任务、协调进度、汇总结果。整个过程流畅到你觉得它本来就该这样工作。

当然也有不完美的地方。目前只支持 Anthropic 接口标准的大模型，部署还是需要一些技术背景。但对于一个做技术和产品的团队来说，这些都不是障碍。

我现在每天工作都在用 duclaw。写方案、做调研、跑自动化任务，甚至让它帮我 review 代码。每次用那个"组团队"功能，还是觉得很神奇。

在 AI 工具越来越同质化的当下，能有一个真正在"协作"这件事上做出差异化体验的产品，挺让人兴奋的。

工具已发包，见链接⬇️
www.npmjs.com

朋友问我：豆包不是挺能聊的吗？为啥你老推荐能拉团队的智能体Dwclaw（这里有个背景故事…其实不太想取名叫claw，是我逆向claude code提示词大半年再接上飞书古法出来的，但短短半年内openclaw爆火且claude code被迫开源... 这个时代很难料的）？

豆包就是个陪你聊天的，聊久了忘事，回完就没影，还得自己复制粘贴、自己动手干。
龙虾 OpenClaw 是厉害，但太复杂，玩起来很折腾，拉团队操作不优雅，且复杂。
团队智能体就不一样，直接给你配了一整个干活的队伍，拆任务、盯进度、上手操作全包，你一句话交代，它自己搞定给结果。

说白了：
豆包是百度百科，你查它给你看；
龙虾太繁琐，控制起来一点不优雅；
团队智能体是你请的实习生，你说去干，它自己搞定拿回来。

用下来最大的感受：
以前是我在用AI，
现在是AI在给我干活。
差别真的太大了。

用 TypeScript 搭了一个能自己组队干活的多智能体框架，其中做了一个有意思的事情：让 AI Agent 学会了"组队协作"，没有用任何框架，包括Langchain等（实在需要一个自主可控的多智能体脚手架。）

过去一个 Agent 要包揽所有事情，现在它可以自己创建团队，把不同任务分给不同专业的 Agent 去做——比如需要组建一个软件开发团队一个负责写需求，一个负责写架构，一个负责写代码，一个负责写测试。每个人专注自己的事，通过多团队成员之间的沟通交流，将最终结果自动汇总回给用户。整个过程不需要人工调度（人工参与决策也行），Agent 自己规划任务、拆解目标、分配工作、追踪进度。

几个设计上比较满意的地方：

- 邮箱驱动的协作模型 — Agent 之间不直接调用，而是像收发邮件一样通信解耦。这意味着发送方不用等接收方处理完，天然支持并行，就好像上班的同事随时standby。
- Channel 可扩展 — 目前接了飞书，但 Channel 是插件化的，想接 Slack、微信、Telegram，实现一个接口就行，Agent 本身完全不用改。
- 三种运行模式共用一套引擎 — 正常对话、团队协作、定时任务，底层都是同一个 Agent 引擎，只是工具集和权限不同。
- 工具集按垂直领域可插拔 — Agent 引擎是通用的，具体能力由挂载的工具决定。做金融 Agent 就挂金融工具，做医疗 Agent 就挂医疗工具，底层引擎和协作机制完全复用，不用重新造轮子。
- 支持 Skill 扩展 — 类似工具集的可插拔机制，Skill 同样是插件化注册，Agent 按需加载。

底层用 TypeScript 实现，写了一份完整的开发者教程。感觉脚手架的潜力很大，但不知道如何变现。

想搭建自己 AI Agent 应用的同学参考我的设计，也欢迎交流多智能体协作的设计思路。

工作上经常要写一些报告文档，在JitHub发现了个对标openai deep research的开源项目。

目前存在几个明显短板：
1️⃣ 开源软件用英文的prompt，导致生成的研究报告都是英文的。
2️⃣ 基于互联网爬虫很难结合我私有的大量小众领域知识库。
3️⃣ 表现不如Perplexity等AI搜索引擎后总结。

但也有值得学习的地方：
1️⃣ （仅900+行代码量）实现了一个会自动研究、整理文档、会提供建议的智能体。

也许调一下代码，写报告不再成为我最痛苦的事情了。🙃

来到即刻的第一天。