大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



一、JiuwenClaw是什么？

JiuwenClaw 是基于 openJiuwen 生态的轻量化智能体运行时，核心差异化优势在于动态自适应能力与资源优化机制。

通过 Skill 自演进框架实现能力迭代自动化，依托上下文压缩卸载技术降低长会话资源开销，同时支持私有化部署与多平台集成，适用于开发测试、企业内部工具、垂直场景智能体等场景。

JiuwenClaw 的核心竞争力在于其技术创新性与工程实用性的平衡——Skill 自演进框架打破了智能体“静态能力”的局限，上下文压缩卸载技术解决了长会话场景的资源瓶颈，同时保持了部署简单、扩展灵活的特性。

对于开发者而言，无论是快速搭建个人智能助理，还是定制企业级智能体解决方案，JiuwenClaw 都提供了成熟的技术底座。后续可进一步探索其 Skill 扩展、多智能体协同等高级功能，解锁更多应用场景。

若需深入了解某一技术细节（如 Skill 自定义开发、上下文压缩算法调优），可留言讨论。

1. 环境依赖校验

JiuwenClaw 对运行环境有明确约束，需提前校验：

• Python 版本：3.11 ≤ Python 4（依赖 typing_extensions、asyncio 等模块的版本特性，建议使用 3.12 稳定版）
• Node.js 版本：≥18.0.0（仅前端构建或 browser-use 功能依赖，推荐 20.10.0 LTS，需配置 npm 镜像加速依赖安装）
• 依赖管理工具：uv ≥ 0.1.30 或 pip ≥ 23.0（uv 可显著提升依赖安装速度，推荐优先使用）
• 系统资源：内存 ≥ 8GB（长会话场景建议 16GB+，避免上下文压缩时的内存峰值溢出）

2. 两种部署方式的技术选型建议

方式一：pip 安装（生产环境/快速验证）

适用于无需二次开发的场景，通过预编译包快速部署，核心命令如下：

# 1. 创建隔离虚拟环境（避免系统依赖冲突） python -m venv jiuwenclaw-venv –copies # –copies 确保依赖文件完整复制

# 2. 激活虚拟环境（环境变量注入） # Windows (CMD) jiuwenclaw-venvScriptsactivate.bat # Windows (PowerShell) .jiuwenclaw-venvScriptsActivate.ps1 # Mac/Linux source jiuwenclaw-venv/bin/activate

# 3. 安装核心包（指定版本避免兼容性问题） pip install jiuwenclaw==0.1.7 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 4. 初始化配置（生成 workspace、默认配置文件） jiuwenclaw-init –log-level info # 输出初始化日志，便于排查配置问题

# 5. 启动服务（默认绑定 127.0.0.1:5173，仅本地访问） jiuwenclaw-start –config ~/.jiuwenclaw/config.yaml

远程访问配置（企业内网共享场景）：

# 启动 Web 服务（绑定所有网卡，自定义端口） jiuwenclaw-web –host 0.0.0.0 –port 8080 –cors-allow-origin “*” # 允许跨域访问 # 独立启动后端服务（解耦部署，便于水平扩展） jiuwenclaw-app –workers 4 # 启动 4 个工作进程，提升并发处理能力 

方式二：源码部署（二次开发/定制化场景）

适用于需要修改 Skill 机制、扩展算子的开发场景，核心流程如下：

# 1. 克隆源码仓库（指定分支避免开发版不稳定） git clone -b v0.1.7 https://gitcode.com/openjiuwen/jiuwenclaw.git cd jiuwenclaw

# 2. 同步依赖（uv 自动解析 pyproject.toml 中的依赖约束） uv sync –frozen # 冻结依赖版本，确保构建一致性

# 3. 前端构建（仅生产环境需要，开发环境可跳过） cd jiuwenclaw/web npm install –registry=https://registry.npmmirror.com # 镜像加速 npm run build # 生成 dist 静态文件，体积约 20MB cd ../../

# 4. 启动服务（开发模式支持热重载） # 生产模式（使用已构建的静态文件） uv run jiuwenclaw-start –env prod # 开发模式（前端热更新+后端自动重载） uv run jiuwenclaw-start dev –reload

3. 部署验证与问题排查

• 基础验证：访问 http:// : ，检查页面加载正常且无控制台报错
• 依赖冲突排查：使用 pip list | grep jiuwenclaw 校验版本，冲突时执行 pip uninstall -y jiuwenclaw && pip install jiuwenclaw==0.1.7
• 端口占用处理：Windows 执行 netstat -ano | findstr 5173 查找进程，Linux/Mac 执行 lsof -i:5173，终止占用进程后重启

1. 技术架构设计

Skill 自演进是 JiuwenClaw 的核心差异化技术，基于 openJiuwen 框架的 Operator-Optimizer 架构实现，核心组件构成闭环：

SignalDetector（信号检测）→ SkillEvolutionManager（演进管理）→ SkillOptimizer（优化生成）→ SkillCallOperator（执行与存储） 

各组件的技术职责与交互逻辑如下：

2. 关键技术特性

（1）信号检测机制

• 执行异常检测：监听工具调用返回结果，匹配 error、timeout、connection refused 等关键词，精准关联当前执行 Skill
• 用户纠错检测：识别对话中的否定性反馈（如“不对”“应该是”“that’s wrong”），通过语义相似度算法（余弦相似度 ≥ 0.7）过滤无效反馈
• 信号归因：基于调用栈追踪当前活跃 Skill，确保信号与 Skill 一一对应，归因准确率 ≥ 95%

（2）演进生成逻辑

• 异常案例处理：将执行失败上下文转化为 Troubleshooting 章节内容，包含问题描述、排查步骤、解决方案三要素
• 纠错反馈处理：提取用户纠错对话，生成 Examples 章节示例，补充参数约束、意图识别规则等关键信息
• 版本控制：evolutions.json 中记录 version、updated_at、applied 状态，支持演进记录回滚与增量合并

（3）存储与加载机制

• 存储格式：采用 JSON 结构化存储演进记录，每条记录包含 id、source、context、change、applied 字段，便于解析与编辑
• 加载策略：Skill 调用时优先加载 SKILL.md 基础定义，再合并 evolutions.json 中 applied: false 的待固化记录，运行时生效无需重启

3. 技术实操：自演进功能使用

（1）自动演进（默认启用）

无需手动干预，系统在每次工具执行或对话结束后自动触发信号检测与演进生成，演进记录存储路径：

~/.jiuwenclaw/workspace/agent/skills/>/evolutions.json 

示例记录格式：

{ “skill_id”: “weather-check”, “version”: “1.0.0”, “updated_at”: “2026-03-09T09:33:08Z”, “entries”: [

{ "id": "ev_1cdbc3a5", "source": "execution_failure", "timestamp": "2026-03-09T09:33:08Z", "context": "API timeout after 30s", "change": { "section": "Troubleshooting", "action": "append", "content": "遇到 API 超时错误时，优先检查网络连接，可添加重试机制（最大重试次数 3，间隔 2s）" }, "applied": false } 

] }

（2）手动触发与管理

• 手动演进指定 Skill：

  /evolve # 如 /evolve xlsx，扫描最近记录生成改进 

• 查看待固化演进记录：

  /evolve list # 列出所有包含未固化记录的 Skill 及摘要 

• 手动固化演进记录：编辑 evolutions.json，将 applied 改为 true，下次 Skill 调用时自动合并到 SKILL.md

1. 技术痛点与解决方案

长会话场景下，传统智能体存在两大问题：① 上下文窗口溢出（尤其是 4k/8k 上下文模型）；② 内存占用过高导致响应延迟。JiuwenClaw 的上下文压缩卸载技术通过“智能压缩+分级存储”解决该问题。

2. 技术实现原理

（1）压缩策略

• 内容筛选：基于 TF-IDF 算法提取对话关键词，保留核心意图、关键参数、执行结果等信息，过滤冗余寒暄、重复表述
• 结构化压缩：将非结构化对话转化为结构化摘要（如“用户需求：处理 Excel 数据，筛选 2024 年订单；执行结果：生成 CSV 文件路径 /data/2024_orders.csv”），压缩率可达 60%80%
• 增量压缩：仅对新增对话片段进行压缩，避免重复处理历史内容，降低计算开销

（2）卸载机制

• 阈值触发：当上下文 tokens 数达到模型最大窗口的 70% 时，自动触发卸载
• 分级存储：
  • 一级存储（内存）：保留最近 5 轮对话及压缩后的核心摘要，确保当前交互流畅
  • 二级存储（本地文件）：卸载的完整上下文存储在 /.jiuwenclaw/workspace/contexts/ 目录下，以会话 ID 命名的 JSON 文件
• 按需加载：当后续对话需要引用历史信息时，通过关键词匹配从二级存储中提取相关片段，动态补充到上下文窗口

3. 技术特点

• 兼容性：支持所有主流模型（GPT-4、Claude、DeepSeek 等），无需修改模型调用逻辑
• 透明性：压缩卸载过程对用户完全透明，无需手动干预，且不会丢失关键信息
• 资源优化：长会话（100+ 轮）场景下，内存占用降低 40%~50%，响应延迟减少 30% 以上