树莓派上的自托管 AI 代理：35 提供商 72 工具

140MB 的 Pico 模式与 BullMQ 任务队列

大多数 AI 编程工具都运行在别人的云端。Cursor、Devin、GitHub Copilot：它们确实好用，但你的上下文和对话都会流经第三方服务器。对一些团队来说，这没什么问题；但对另一些团队而言，这一点完全无法接受。

我想要一个能够部署在自己硬件上的 AI Agent 引擎，可以连接任意模型，也可以自由扩展功能，而不必等待供应商发布更新。于是，我构建了 profClaw。

profClaw——AI Agent 引擎｜35 个 provider，72 个工具

自托管 AI Agent 引擎，支持 35 个 provider、72 个工具和 22 个聊天渠道。运行在你自己的硬件上。免费、开源、local-first。

当前生态存在的问题

目前的 AI 开发工具大致可以分成两类：

仅限云端的 Agent（Cursor、Devin、Claude Code web、Copilot Chat）：产品成熟、上手简单，但你会被锁定在它们的基础设施、模型选择和定价体系中。无法离线使用，也无法控制哪些内容会被记录。

单一用途的 CLI（Aider、封装 OpenAI 的 shell 工具）：更加简单，也支持自托管，但能力范围狭窄。它们通常只做一件事——大多是代码编辑——而且很难与工作流中的其他环节组合使用。

profClaw 的定位有所不同：它是一款自托管、多 provider 的 Agent 引擎，拥有完善的 TUI、任务队列、多 Agent 编排能力，并集成了 22 个聊天平台。

profClaw 究竟是什么

profClaw 是一个需要自行安装和运行的 Node.js Agent runtime。下面是它所提供能力的简要介绍：

35 个 AI provider：Anthropic、OpenAI、Google、Ollama、Groq、DeepSeek、Bedrock、Azure、xAI、OpenRouter、Together、Fireworks、Mistral、LM Studio，以及另外 21 个 provider。你可以针对每项任务切换 provider，而不是只能按账户切换。

72 个内置工具：文件操作、git、浏览器自动化、cron 调度、网页搜索、canvas、语音输入与输出——Agent 无需编写胶水代码即可使用所有这些工具。

50 个 skill（slash command）：/commit、/review-pr、/deploy、/summarize、/web-research、/analyze-code、/ticket、/image 等。这些都是可组合、可重复执行的 Agent 工作流，只需一条命令即可运行。

22 个聊天渠道：Slack、Discord、Telegram、WhatsApp、iMessage、Matrix、Teams、Google Chat、Signal，以及另外 13 个平台。无论你的团队平时在哪里工作，Agent 都可以从那里接收任务。

MCP server：将 profClaw 作为工具 provider 连接到 Claude Desktop、Cursor 或任何兼容 MCP 的客户端。

语音输入与输出：使用 Whisper 进行 speech-to-text，通过 ElevenLabs 或 OpenAI TTS 生成回复，另外还提供了可以免手操作的 Talk Mode。

REST API + headless mode：可用于 CI/CD pipeline 和脚本。

Plugin SDK：可以通过 npm 使用第三方 plugin 进行扩展。

任务队列由 BullMQ 提供支持，具备 dead-letter queue、重试逻辑和优先级调度能力——它并不是那种进程一旦重启就会丢失任务的内存队列。

成本追踪也是内置功能。你可以针对每个 provider 设置按 token 计算的预算，并在即将达到上限时收到提醒。

交互式终端 UI 是我日常使用最多的地方。它支持带语法高亮的流式 Markdown、slash command 选择器、实时模型选择器，以及实时展示 Agent 当前操作的工具执行面板。

┌─────────────────────────────────────────────────────────────────┐
│  profClaw  [claude-sonnet]  [tools: 72]  [$0.0023 / $5.00]     │
├─────────────────────────────────────────────────────────────────┤
│                                                                   │
│  > /review-pr 142                                                 │
│                                                                   │
│  Fetching PR #142...                                              │
│  ✓ git fetch origin pull/142/head                                 │
│  ✓ git diff main...FETCH_HEAD (847 lines)                        │
│  Running analysis...                                              │
│                                                                   │
│  ## PR Review: feat/user-auth                                     │
│                                                                   │
│  **Risk: Medium**                                                 │
│                                                                   │
│  The JWT signing key is read from `process.env.SECRET` without   │
│  a fallback check. If the env var is missing in production...     │
│                                                                   │
├─────────────────────────────────────────────────────────────────┤
│  [/] commands  [tab] models  [ctrl+t] tools  [ctrl+v] voice      │
└─────────────────────────────────────────────────────────────────┘

你可以在对话过程中切换模型，而不会丢失上下文。右侧的工具面板会在工具调用执行时实时展示其状态，让你可以准确看到 Agent 正在做什么。

Raspberry Pi 这一亮点

这是最让人感到意外的部分。profClaw 提供三种部署模式：

Pico 模式运行核心 Agent loop、工具执行和 API，只是不包含部分较为重量级的集成。它可以运行在 Raspberry Pi Zero 2W 上，而且还能留出充足的性能余量。我在一台 Pi 4 上运行了个人实例，用来处理团队发来的 Slack 消息，并在夜间执行定时 git 任务。

如果你愿意采用这些方式，它同样可以运行在旧笔记本电脑、Docker，以及通过 Termux 运行的 Android 手机上。

具体使用示例

安装并开始聊天：

npm install -g profclaw
profclaw init
profclaw chat --tui

curl -fsSL https://raw.githubusercontent.com/profclaw/profclaw/main/install.sh | bash

docker run -it --rm \
  -v ~/.profclaw:/root/.profclaw \
  ghcr.io/profclaw/profclaw:latest chat --tui

通过 CLI 运行 skill：

profclaw run /review-pr 142
profclaw run /web-research "best practices for database connection pooling in 2025"
profclaw run /summarize --file ./meeting-notes.txt

profclaw exec --prompt "Analyze test failures in the last run and open issues for regressions" \
  --provider anthropic --model claude-sonnet-4-5 --no-tty

多 Agent 路由——profClaw 可以根据能力评分，将子任务路由给不同模型。让便宜、快速的模型处理文件读取，再让能力更强的模型负责推理：

profclaw chat --tui --orchestrate

Aider 是与它最接近的对比对象——开源、支持多个 provider，也可以自托管。两者的区别在于：profClaw 拥有完整的 TUI、聊天渠道集成、任务队列、语音输入与输出、Plugin SDK 和 MCP server。Aider 专注于代码编辑，而 profClaw 试图成为一个通用的 Agent runtime。

Claude Code 是我使用过的单次会话能力最强的编程 Agent。但它依赖 Anthropic API，无法作为持久化服务器运行，也不能与 Slack 或你的其他工具集成。profClaw 并不是要在结对编程方面击败它，而是希望成为把所有东西连接起来的 Agent 基础设施层。

Runtime：Node.js、TypeScript

任务队列：BullMQ（由 Redis 提供支持）

MCP：Model Context Protocol server，用于向外部客户端开放工具

Plugin 系统：采用具有明确 SDK 的 npm package——安装一个 plugin 后，它会自动注册自己的工具和 skill

存储：local-first，除非另行配置，否则你的数据始终保存在本地磁盘上

多 Agent 编排层会根据任务所需的能力进行评分，包括推理深度、工具使用和上下文长度，并将任务路由到已配置模型中最合适的那个。模型池由你定义，路由则由 profClaw 处理。

这是一个早期的开源版本。核心 loop 已经稳定——我每天都在使用。部分集成的完成度高于其他集成。Plugin SDK 已经可以正常使用，但文档目前仍然比较薄弱。

如果遇到问题，GitHub issues tracker 是最适合反馈的地方。项目也有一个 Discord，你可以在那里提问，或者分享自己使用它构建的项目。

npm install -g profclaw && profclaw init && profclaw chat --tui

GitHub：github.com/profclaw/profclaw

文档：docs.profclaw.ai

如果你正在使用它构建项目，或者有任何问题，可以在评论区留言或提交 issue。

部分评论可能只有登录用户才能看到。登录后即可查看全部评论。

如需采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。