ZeroClaw怎么用？

ZeroClaw 的使用门槛极低：你只需在终端里执行一条 pip install 命令，然后按照项目 README 里的一个示例代码，用不到 5 行 Python 代码就能跑起第一个 Agent。它不是为了炫技，而是为了让你在 10 分钟内就能把一个 AI 任务自动化流程跑通。

ZeroClaw 是什么？为什么值得关注？

ZeroClaw 是一个 极致轻量的 AI Agent 框架，由独立开发者 EvanZhouDev 在 GitHub 上开源维护。它的核心理念是“极简”：相比 LangChain、AutoGPT 这些重量级框架动辄几百 MB 的依赖和复杂的抽象层，ZeroClaw 的代码量极少，核心依赖只有 openai 或类似的大模型 API 客户端。它不强行绑定任何向量数据库、记忆模块或复杂的工具链，而是让你用最少的代码量，快速定义 Agent 的行为和可用工具。

它不是一个面向普通用户的“傻瓜式”应用（比如 ChatGPT 那种），而是一个 面向开发者的轻量级开发工具包。如果你会一点 Python，想快速给自己的脚本或服务加上“智能体”能力，ZeroClaw 是非常合适的起点。

核心功能：它到底能做什么？

• 极简 Agent 定义：你只需要一个系统提示词（System Prompt），然后告诉它可以用哪些函数（工具），ZeroClaw 就会自动处理大模型的“思考-调用-返回”循环。
• 灵活的工具注册：任何 Python 函数，只要加上一个简单的装饰器，就能变成 Agent 可以调用的“工具”。比如查天气、计算数学题、调用内部 API。
• 多模型支持：默认支持 OpenAI 的 GPT 系列，但通过简单的配置就能切换到 Anthropic Claude、Google Gemini，或者任何兼容 OpenAI API 格式的本地模型（比如 Ollama 运行的模型）。
• 流式输出：支持实时流式输出 Agent 的思考过程和最终结果，适合做聊天机器人或实时日志展示。
• 无状态设计：默认不强制管理对话历史，你可以自己决定是否要保存上下文，给了你最大的控制权。

所属团队与收费情况

ZeroClaw 是 个人开源项目，由 EvanZhouDev 在 GitHub 上维护（仓库地址：https://github.com/evanzhoudev/ZeroClaw）。它是 完全免费且开源的（MIT 协议），你可以随意使用、修改甚至商用。没有云服务，没有付费版本，你只需要支付调用大模型 API 的费用（如果用 OpenAI 等商业模型的话），或者完全免费如果使用本地模型。

怎么用？详细步骤与示例

第一步：安装

打开你的终端（命令行），运行：

pip install zeroclaw

如果你在中国大陆，可能需要使用清华镜像源加速：

pip install zeroclaw -i https://pypi.tuna.tsinghua.edu.cn/simple

第二步：写一个最简单的 Agent

创建一个 Python 文件，比如 my_agent.py，输入以下代码：

from zeroclaw import Agent

# 1. 创建一个 Agent 实例，给它一个系统角色
agent = Agent(
    system_prompt="你是一个友好的助手，擅长用工具解决问题。",
    model="gpt-4o-mini",  # 你可以换成 "gpt-4o" 或 "claude-3-haiku"
    api_key="你的OpenAI API密钥"  # 建议从环境变量读取，不要硬编码
)

# 2. 定义一个工具函数（Agent 可以调用的能力）
def get_weather(city: str) -> str:
    """获取指定城市的天气情况（模拟数据）"""
    # 实际项目中可以调用真实天气 API
    weather_data = {
        "北京": "晴天，25度",
        "上海": "多云，28度",
        "广州": "阵雨，30度"
    }
    return weather_data.get(city, "暂无该城市天气数据")

# 3. 将工具注册到 Agent
agent.register_tool(get_weather)

# 4. 运行一次对话
response = agent.run("北京今天天气怎么样？")
print(response)

第三步：运行

在终端执行：

python my_agent.py

你会看到 Agent 先“思考”（内部调用大模型），然后决定调用 get_weather 函数，最后根据函数返回结果生成自然语言回答。整个过程自动完成。

进阶用法：多工具与复杂逻辑

你可以注册多个工具，Agent 会自动选择调用哪个。例如再加一个计算器工具：

def calculator(expression: str) -> float:
    """计算数学表达式，例如 '1+2*3'"""
    return eval(expression)  # 生产环境请用更安全的方式

agent.register_tool(calculator)

response = agent.run("帮我算一下 23 乘以 17 等于多少？")
print(response)

与其他框架的对比

实用技巧与避坑指南

• API Key 安全：永远不要将 API Key 硬编码在代码里。使用环境变量（os.getenv("OPENAI_API_KEY")）或 .env 文件。
• 工具函数文档：给工具函数写清晰的 docstring（文档字符串），因为 ZeroClaw 会把这些文档发给大模型，帮助它理解何时调用该工具。好的文档能大幅提升 Agent 的准确性。
• 错误处理：如果你的工具函数可能抛出异常，记得在函数内部 try-except 并返回友好的错误信息，否则 Agent 可能会卡住。
• 模型选择：对于简单任务，使用 gpt-4o-mini 或 claude-3-haiku 性价比最高。复杂推理任务才需要 gpt-4o 或 claude-3.5-sonnet。
• 本地模型：如果你有本地显卡，可以用 Ollama 运行 qwen2.5:7b 或 llama3.1:8b，然后配置 ZeroClaw 连接本地端点，完全免费且保护隐私。

相关问题

• ZeroClaw 和 LangChain 哪个更适合新手？ 如果你只是想快速实现一个“调用工具”的智能体，ZeroClaw 更简单直接。LangChain 适合需要复杂链式调用、记忆管理、多模型切换的企业级项目。
• ZeroClaw 支持多轮对话吗？ 它本身不强制管理对话历史，但你可以手动将之前的对话记录作为上下文传给 agent.run() 方法，实现多轮对话。
• 可以用 ZeroClaw 做自动化脚本吗？ 完全可以。比如写一个脚本，让 Agent 每天定时读取邮件内容，根据规则自动回复或创建待办事项。
• ZeroClaw 的“极致轻量”体现在哪里？ 它的核心代码只有几百行，没有任何外部依赖（除了大模型客户端库）。安装后占用磁盘空间极小，启动速度极快。
• 如何调试 Agent 的“思考”过程？ 设置 agent = Agent(..., verbose=True)，这样控制台会打印出 Agent 每一步的思考日志和工具调用细节，非常便于调试。