自主学习智能体

关注

原创 2026-03-16 17:34:24 1.1k 阅读 AI 写同款· GEO 优化 ›

打造可自主作战的无人智能体：从 Python 到多智能体强化学习系统本文探讨了利用Python和多智能体强化学习(MARL)技术打造自主作战无人智能体的方法。文章首先介绍了无人智能体的概念及其在战场智能化中的重要性，随后分析了Python在研发中的优势，包括丰富的机器学习框架和仿真平台接口。重点阐述了多智能体强化学习的关键技术挑战，提出了包含战术决策层、感知层和执行层的系统架构，并列举了关键组件。通过一个基于Python的多无人机协同强化学习实例，展示了从环境搭建到模型训练的具体实现。最后展望了联邦学习、图神经网络等优化方向，指出无人智能体将向具备更高自主决策能力的&quo 阅读详情

一、前言

仅供参考，未经实验验证。

二、技术路线分类总结

1. Claw/OpenClaw生态（基于OpenClaw改进或者相关）

OpenClaw（原始）→ CoPaw（阿里/国内生态）→ PicoClaw（Sipeed/边缘）→ ZeroClaw（Rust/性能）→ NanoClaw（容器/安全）→ IronClaw（企业安全）→ OneClaw（AI伴侣）→ VisionClaw（穿戴设备）→ Kimi Claw（月之暗面/云托管）→ LobsterAI（网易/中文办公）

2. 独立Agent框架

pc-agent-loop（复旦/自进化数字生命）→ Open Cowork（办公虚拟同事）→ OpenAkita（自进化/多人格）

3. 大厂开源方案

Agent TARS（字节/多模态GUI）→ Fara-7B（微软/端侧小模型）→ Agent S2（Simular/学术SOTA）

4. 基础设施/工具类

Browser Use（浏览器自动化）→ Open-CUAK（大规模部署）→ Cua（跨平台SDK）→ AgentDesk（虚拟桌面）→ Claw Compactor（成本优化）→ Secure OpenClaw（安全沙盒）

5. 前沿研究方向

Tool-R0（零数据工具学习/自进化）代表了无监督Agent学习的新范式，与pc-agent-loop的"数字生命"和OpenAkita的"自进化"形成技术呼应，是未来AGI Agent的重要研究方向。

三、独立路线项目

1. pc-agent-loop (GenericAgent)

发表机构：A3实验室（Advantage AI Agent实验室，深圳夸夸菁领科技有限公司 × 复旦大学知识工场实验室联合成立）
GitHub：https://github.com/lsdefine/pc-agent-loop
核心定位：自组织、自学习、自进化的通用智能体，拥有"生命感"的数字生命。
技术突破：

自学习、自进化：能在环境的碰撞与探索中不断学习生长，理解并交互各种复杂环境（如社交平台），学习解决问题的有效策略，形成经验沉淀
社交能力：已学会操作微信，在朋友圈发消息并与其好友在评论区自主互动，达到"分不清真人与AI"的效果
发布时间：2026年1月11日开源。
应用场景：AGI探索、社交代理、数字生命研究。

2. Open Cowork

发表机构：OpenCoworkAI社区
GitHub：https://github.com/OpenCoworkAI/open-cowork
核心定位：开源版"桌面虚拟同事"，面向办公场景的Claude Cowork增强实现。
核心能力：

沙箱化工作区：模型被授权在指定Workspace内读写文件、调用工具
专业交付物：产出PPT/Word/Excel/PDF等专业成果
通用GUI操作：直接操作电脑完成跨应用流程，打通应用孤岛（网页、桌面应用、企业系统）
IM集成：通过飞书等工具进入团队协作流
部署方式：Windows与macOS一键安装包，无需写代码。
解决痛点：替代用户充当"搬运工"在不同窗口间复制粘贴，实现从"对话建议"到"任务闭环"的跨越。

3. OpenAkita

发表机构：开源社区（zacon365等）
GitHub：https://github.com/openakita/openakita
官网：https://openakita.ai
核心定位：自进化的开源AI助手框架，强调"睡觉时也在成长"。
技术特点：

自进化能力：通过自我检查、生成器、安装器、日志分析器实现睡眠时自动成长
多人格系统：SOUL.md定义基础人格，AGENT.md定义行为，不只是简单角色扮演
Ralph永不放弃循环：确保任务完成的韧性执行机制
多平台支持：CLI、Telegram、飞书、钉钉、企业微信、QQ官方、OneBot
多LLM管理：支持多提供商配置，自动故障转移
技术栈：
桌面应用：Tauri + React跨平台框架
核心引擎：Brain(LLM)、Memory(Vector)、Ralph(执行循环)
语言：Python (78.5%)、TypeScript (12.6%)、Rust (3.6%)
快速安装：

pip install openakita[all]
openakita init
openakita

Stars：217（持续增长中，截至2026年2月16日）
适用场景：个人智能助理、多平台客服机器人、自动化办公、情感陪伴、开发测试工具、智能家居中枢。

4. Tool-R0

发表机构：研究团队（Emre Can Acikgoz, Cheng Qian, Jonas Hübotter等）
论文地址：https://arxiv.org/abs/2602.21320v1
核心定位：Self-Evolving LLM Agents for Tool-Learning from Zero Data（从零数据自进化的LLM工具学习Agent）
核心创新：

零数据启动：无需人工标注数据，Agent通过自我进化学习工具使用
自进化机制：Agent能够自主探索、学习并改进工具调用策略，实现"无师自通"
强化学习驱动：结合强化学习框架，让模型在与环境的交互中自主发现最优工具使用模式
技术路线：
不同于传统的监督学习工具调用（需要大量标注数据），Tool-R0采用纯强化学习范式
模型通过试错自主发现工具的功能和调用方式，类似人类"摸索学习"的过程
可能涉及课程学习（Curriculum Learning）和内在动机（Intrinsic Motivation）机制，让Agent从简单工具逐步掌握复杂工具链
与相关工作的区别：
vs ReTool：ReTool（arXiv:2504.11536）需要冷启动监督微调+强化学习两阶段，且依赖代码解释器；Tool-R0完全从零开始，无需任何预设数据
vs 传统Tool Learning：传统方法依赖人工编写的工具描述和示例，Tool-R0通过自主探索发现工具语义
潜在架构：
可能采用元学习（Meta-Learning）或世界模型（World Model）架构，让Agent建立对工具效果的内部预测模型
可能结合大模型自身的知识作为先验，加速工具学习过程
GitHub状态：目前未找到开源代码仓库，可能处于论文预印本阶段，代码尚未开源或将在后续发布。
学术价值：代表了无监督/自监督工具学习的前沿方向，对降低Agent部署成本（无需人工标注工具数据）具有重要意义。
适用场景：新工具快速适配（无需编写文档）、工具组合发现（自主发现工具链）、开放域工具学习（面对未知工具集）。

5.Mobile-Agent

这是MobileAgent系列所有版本（从v1到最新的v3.5）的统一开源地址：

GitHub: https://github.com/X-PLUG/MobileAgent

总的来说，Mobile-Agent系列的核心意义在于系统性地探索和构建了能真正理解并操作图形界面的AI。从早期的概念验证，到引入协作、记忆，再到打造统一的基础模型和强化学习能力，这个系列的演进清晰地展示了GUI自动化智能体从实验室走向实用化的技术路径。

由阿里巴巴通义实验室主导开发的 “Mobile-Agent”系列工作。这是一个关于多模态图形用户界面（GUI）智能体的系列研究，旨在让AI能够像人一样看懂并操作手机、电脑等设备的界面，自动完成复杂任务-8 -10。

该系列工作从2024年初的初始版本发展到2026年初的v3.5版本，经历了一个清晰的演进过程。核心脉络是：从一个简单的“视觉操作员”，进化为能自我反思、分工协作的“团队”，最终成长为一个统一、强大且能持续自我完善的“基础模型”。

下面是其核心版本的演进脉络：
Mobile-Agent (v1)【视觉感知的起点】：2024年初发布。核心特点是“视觉中心”，即像人一样只看屏幕截图来理解和操作手机，无需读取背后的XML文件，适应性更强-9。
Mobile-Agent-v2【多智能体协作】：2024年底发布。为解决长任务的“导航”难题，引入了三个智能体（规划、决策、反思）分工协作的架构，将任务完成率相对v1提升了30%以上。
Mobile-Agent-E【自我进化】：2025年初发布。引入了长期记忆（技巧和捷径），让AI能从过去的操作经验中自我学习和改进，在三个大模型上取得了22%的绝对性能提升。
Mobile-Agent-v3 & GUI-Owl【统一基础模型】：2025年9月发布。不再仅是框架，而是训练了统一的GUI基础模型 GUI-Owl。它能在单一模型内无缝扮演规划、执行、反思等四种角色，并在10多个GUI任务榜单上取得开源模型最佳成绩（SOTA）。
Mobile-Agent-v3.5【多平台与强化学习】：2026年2月发布。推出了GUI-Owl-1.5，支持2B到235B多种参数规模和桌面、网页等多平台；并引入强化学习算法（MRPO/TRPO），让AI能在真实交互中“越练越强”。

四、OpenClaw相关项目

1. OpenClaw

发表机构：社区开源项目
GitHub：https://github.com/OpenClaw/OpenClaw
核心定位：Claw生态的原始参考实现，功能最全面的个人AI助手框架。
架构特点：52+模块，5,700+技能市场，支持15+通信渠道（Discord、Telegram、Slack等），社交化Bot网络。应用层安全（白名单、配对码）。
主要问题：资源占用高（>1GB内存），架构复杂（45+依赖，8个配置文件），曾出现CVE-2026-25253远程代码执行漏洞。

2. CoPaw

发表机构：阿里云通义实验室
GitHub：https://github.com/agentscope-ai/CoPaw
核心定位：面向中国用户的企业级桌面Agent，强调"主动服务"而非被动响应。
架构创新：

主动心跳机制：内置定时任务调度，可自主完成查邮件、整理待办等周期性任务，无需用户主动触发
ReMe长期记忆系统：自动记录用户决策、偏好、待办，实现"越用越懂"
模块化设计：Prompt/Hooks/Tools/Memory完全解耦，可按需组装Agent
生态适配：原生支持钉钉、飞书、QQ、Discord、iMessage，支持云端API、Ollama、llama.cpp、MLX（Apple芯片本地）
未来规划：大小模型协同（本地模型处理隐私数据，云端处理复杂任务），多模态语音/视频通话。

3. PicoClaw

发表机构：Sipeed（矽速科技）
GitHub：https://github.com/sipeed/picoclaw
核心定位：极致轻量化的边缘设备Agent，可在$10硬件上运行。
技术突破：

AI自举开发：95%核心代码由AI生成，人类仅审核测试，开创"AI自举"范式
性能指标：<10MB内存（比OpenClaw减少99%），0.8GHz核心上启动时间<1秒（OpenClaw需500秒+）
架构特点：Go语言单二进制文件，跨平台（RISC-V/ARM/x86），支持Docker Compose和嵌入式部署（LicheeRV-Nano/NanoKVM/MaixCAM），子代理（spawn）异步任务机制。
适用场景：家庭智能中枢、服务器运维、旧手机改造、边缘计算。

4. Nanobot

发表机构：Marcus Webb（前Google SRE）
GitHub：未明确
核心定位：极简可审计的安全Agent，强调"如果你无法在一个下午读完所有能访问你邮件、日历和shell的代码，就不应该运行它"。
架构特点：仅4,011行Python，单目录结构，一个YAML配置文件，一个主进程，纯Python模块插件。无技能市场、无GUI、无热重载、无浏览器控制界面，通信方式仅限Telegram、Discord或REST API。
安全优势：代码完全可审计，安全性显著优于OpenClaw。

5. NanoClaw

发表机构：qwibitai
GitHub：https://github.com/qwibitai/nanoclaw
核心定位：安全容器化的轻量Agent，首个支持Agent Swarms（代理团队协作）的实现。
架构特点：单进程，少量文件，8分钟可读完代码。Agent在真实Linux容器中运行，具备文件系统隔离（容器级隔离vs OpenClaw的应用层权限检查）。
部署方式：Claude Code一键处理依赖、认证、容器设置。

6. ZeroClaw

发表机构：ZeroClaw Labs
GitHub：https://github.com/zeroclaw-labs/zeroclaw
核心定位：极致性能，资源受限环境专用。
技术选型：Rust重构OpenClaw。
性能指标：内存占用7.8MB，秒级启动，资源占用和响应速度优于OpenClaw。
适用场景：树莓派、低配云服务器、批量部署、边缘节点。
与OpenClaw关系：功能等价但资源效率更高，两者可并存（OpenClaw做大中枢，ZeroClaw覆盖边缘）。

7. OneClaw

发表机构：社区
GitHub：https://github.com/oneclaw/oneclaw
核心定位：基于OpenClaw的AI伴侣/虚拟人格项目。
核心功能：结合xAI Grok Imagine模型生成情境化自拍（锁定人物参考图保证一致性），SOUL.md文件定义数字人格的性格、记忆和行为逻辑。
适用场景：虚拟伴侣、角色扮演、情感陪伴。

8. IronClaw

发表机构：Llion Jones（"Attention Is All You Need"论文合著者，Sakana AI联合创始人）
GitHub：https://github.com/nearai/ironclaw
核心定位：企业级安全Agent，零信任架构。
安全架构：

零信任默认：技能默认零访问，需通过形式化权限系统授予特定能力
WASM沙盒：技能在WASM沙盒中运行
仅追加审计日志：所有操作可追溯
形式化验证：仅890个经过验证的技能（远少于OpenClaw的5,700+）
适用场景：企业安全运维、敏感数据处理（HIPAA合规）、代码安全审查。

9. VisionClaw

发表机构：Xiaoan (Sean Liu)
GitHub：https://github.com/sseanliu/VisionClaw
核心定位：多模态穿戴设备Agent，开源iOS应用。
架构特点：

硬件连接：Meta Ray-Ban智能眼镜（摄像头+麦克风）
AI处理：Google Gemini Live API实时处理语音和视觉（WebSocket）
任务执行：OpenClaw执行实际操作（支持56+应用）
直播功能：支持WebRTC实时直播，他人可通过房间码观看POV流
工作流程：语音指令→Gemini理解→路由到OpenClaw执行，实现"所见即所得"的免提操作。
发布时间：2026年2月7日开源，正值智能眼镜、实时多模态AI和自主Agent三大技术趋势交汇点。
适用场景：穿戴式AI助手、实时视觉问答、免提任务执行、POV直播。

10. Claw Compactor

发表机构：aeromomo
GitHub：https://github.com/aeromomo/claw-compactor
核心定位：OpenClaw的Token成本优化层，通过分层工作区压缩降低AI Agent运行成本。
技术特点：

分层工作区压缩：管理高上下文Token成本，采用基于规则的确定性压缩策略
成本削减：显著降低长上下文会话的Token消耗
架构价值：在不牺牲功能的前提下，通过智能压缩算法减少与LLM API的通信开销，适合高频、长会话的Agent部署场景。
适用场景：高并发Agent服务、长上下文对话、成本敏感的商业部署。

11. Secure OpenClaw

发表机构：ComposioHQ
GitHub：https://github.com/ComposioHQ/secure-openclaw
核心定位：基于JavaScript的Claude Skill，专注于安全执行和管理AI工作流。
技术特点：

JavaScript实现：不同于OpenClaw的TypeScript，专为Claude Skill生态优化
安全执行环境：提供受控的AI工作流执行沙盒
即时通讯集成：支持WhatsApp、Telegram、Signal、iMessage，提供500+应用集成
持久记忆：跨会话保持上下文和用户信息
定时提醒：内置任务调度功能
Stars：1,533（截至2026年2月）
适用场景：需要与Claude.ai紧密集成的安全Agent工作流、跨平台消息自动化。

12. Kimi Claw

发表机构：月之暗面 (Moonshot AI)
GitHub：基于OpenClaw构建，无独立仓库（云服务）
官网：https://kimi.com
核心定位：OpenClaw的云托管版本，浏览器原生AI Agent平台，主打"一键部署、24/7在线" 。
技术特点：

零门槛部署：无需服务器、Docker或VPS，浏览器内一键启动，将原本需要数小时的OpenClaw配置简化为点击操作
Kimi K2.5驱动：基于1万亿参数MoE模型，支持文本、图像、视频原生多模态处理
ClawHub技能市场：5,000+社区贡献技能（远超自托管版OpenClaw的700个），涵盖GitHub集成、日历管理、网页抓取、数据分析、家庭自动化等
40GB云存储：持久化文件、数据、对话历史，跨设备访问
Pro-Grade搜索：实时数据获取（如Yahoo Finance金融数据）
BYOC (Bring Your Own Claw)：支持连接现有自托管OpenClaw实例，混合使用本地配置与云界面
定价：$39/月（内测阶段限Allegretto会员及以上）
争议点：数据隐私担忧（服务器位于国内），Hacker News上有用户评论"assume CCP has full access"
适用场景：非技术用户寻求零配置AI Agent、需要24/7在线的自动化任务、金融数据监控。

13. LobsterAI (有道龙虾)

发表机构：网易有道 (NetEase Youdao)
GitHub：https://github.com/netease-youdao/lobsterai
核心定位："国版OpenClaw"，面向中文办公场景的全场景个人助理Agent。
开源时间：2026年2月19日正式开源，上线5天获得1,800+ Stars，Fork数突破200
核心理念：

一键安装开箱即用：无需复杂配置，图形界面操作，告别命令行
本地化落地：深度适配钉钉、飞书等国内IM平台，真正懂中文办公场景
本地优先安全策略：所有数据存储在本地SQLite数据库，敏感操作可运行在隔离Linux虚拟机中
技术特点：
双引擎驱动：预置主流大模型API + 支持Ollama本地模型（如DeepSeek）
持久记忆系统：自动提取对话中的偏好，跨会话记住使用风格
安全沙盒：默认在沙盒环境指定文件夹运行，防止误操作系统文件
定时任务：自然语言创建周期性任务（如"每天早上9点收集科技新闻"）
7×24小时运行：电脑端持续后台运行，支持手机远程触发
平台支持：macOS、Windows（已全面支持），飞书远程控制
适用场景：国内打工人日常办公自动化、中文场景深度适配、隐私敏感用户（本地数据处理）。

14. Agent TARS (UI-TARS)

发表机构：字节跳动 (ByteDance)
GitHub：https://github.com/bytedance/UI-TARS-desktop
核心定位：开源多模态AI Agent栈，支持GUI自动化和浏览器控制。
技术演进：从Electron桌面应用演进为轻量级CLI+Web UI，去除捆绑Chromium，减少安装体积，提升迭代速度。
架构特点：

视觉理解：使用视觉语言模型(VLM)像人类一样查看和解释屏幕截图
浏览器控制：通过视觉定位、DOM操作或混合策略自动化网页浏览
代码执行：在沙盒环境中运行shell命令、Jupyter notebooks和文件编辑
MCP集成：连接模型上下文协议(MCP)服务器实现可扩展工具访问
分层记忆系统：
- L0永久记忆：核心系统指令，始终保留
- L1运行记忆：会话级上下文，跨循环持久化
- L2循环记忆：当前任务迭代，可被总结
- L3临时记忆：临时数据，使用后丢弃
  性能优势：在OSWorld基准测试中表现优异，支持128k token上下文窗口的复杂多步任务处理。
  适用场景：浏览器自动化、GUI测试、复杂工作流处理、多模态任务执行。

15. Agent S2 / Agent S2.5

发表机构：Simular AI (初创公司)
GitHub：未明确（需通过Simular官网获取）
核心定位：开源GUI自动化框架，代表开源社区在桌面自动化领域的最前沿水平。
性能突破：

OSWorld基准测试：34.5%成功率，超越OpenAI Operator (32.6%)和Anthropic Claude-based agent (26%)
步数效率：在WebVoyager等测试中，用更少的步骤完成任务
架构特点：
多模型协作：采用"管理者-执行者"架构，一个模型负责高层规划，另一个负责逐步执行和验证
模块化设计：可替换底层模型和组件，支持自托管
错误恢复：具备任务中错误检测和调整能力
技术局限：需要较强的ML部署知识，非技术用户难以直接使用；在50步复杂任务上仍有约65%失败率。
适用场景：学术研究、企业定制化自动化、UI测试、需要数据隐私保护的内部部署。

16. Fara-7B

发表机构：微软研究院 (Microsoft Research)
GitHub：开源可下载（具体地址需通过Microsoft渠道获取）
核心定位：7B参数的端侧视觉语言模型，专为计算机使用自动化设计。
技术特点：

轻量级：7B参数可在消费级PC本地运行，无需云端依赖
视觉驱动：通过感知屏幕像素和UI元素进行决策，模拟鼠标键盘输入
性能表现：WebVoyager测试73.5%成功率，在同类小模型中达到SOTA，甚至超过部分大模型
优势：快速、轻量、本地运行保护隐私，可离线工作。
局限：作为7B模型，复杂逻辑推理能力有限，在陌生界面或复杂序列上容易出错或产生幻觉。
适用场景：隐私敏感的企业内部部署、离线环境自动化、资源受限设备、定制化内部助手开发。

17. Browser Use

发表机构：Browser Use社区（开源项目）
GitHub：https://github.com/browser-use/browser-use
核心定位：领先的AI浏览器自动化开源框架，支持任何LLM。
性能指标：WebVoyager基准测试89.1%成功率（586个多样化网页任务）。
技术特点：

模型无关：支持OpenAI、Anthropic、本地模型等任意LLM
浏览器支持：Puppeteer/Playwright双支持
主动社区：完全开源，社区活跃
局限：需要编码能力，LLM API成本需自理，CAPTCHA需手动配置。
适用场景：开发者构建自定义AI Agent、研究人员、成本敏感团队。

18. Open-CUAK

发表机构：AIdent.ai
GitHub：https://github.com/aident-ai/open-cuak
核心定位：OpenAI Operator的开源替代方案，"Computer Use Agent的Kubernetes"。
核心能力：

本地运行：避免$200/月的Operator订阅费，完全隐私保护
视觉自动化：基于视觉的自动化，像人类一样操作
浏览器扩展：将任何浏览器变为Operator伴侣
模型无关：支持Claude、Gemini、LLaVA等任意视觉兼容模型
反检测：内置绕过机器人检测机制
未来规划：
基于SOP的工作流教学
集中式账户权限管理
大规模并行Agent部署（数百个Agent）
开源RL训练的CUA模型
适用场景：企业级自动化部署、大规模Agent管理、成本敏感的Operator替代方案。

19. Cua (Computer-Use Agents)

发表机构：TryCua社区
GitHub：https://github.com/trycua/cua
核心定位：Computer-Use Agent的开源基础设施，提供沙盒、SDK和基准测试。
技术特点：

跨平台：支持macOS、Linux、Windows全桌面环境
沙盒环境：提供安全的Agent运行沙盒
训练评估：内置基准测试和训练框架
基础设施定位：不仅是一个Agent，更是构建Agent的平台
适用场景：Agent研究、安全测试、跨平台自动化基础设施构建。

20. AgentDesk

发表机构：AgentSea
GitHub：https://github.com/agentsea/agentdesk
核心定位：为AI Agent提供的虚拟桌面环境。
技术特点：

REST API：通过clean REST API控制虚拟桌面
DeviceBay协议：标准化设备交互协议
云端/本地：支持本地和云端部署
程序化控制：适合自主工作流、测试和AI驱动自动化
适用场景：云端Agent部署、虚拟化自动化测试、远程桌面控制。

21. WorkAny

发表机构：开源社区
GitHub：未明确（可通过官网获取）
核心定位：Claude Cowork的免费开源替代方案，本地任务自动化。
核心能力：

自然语言交互： plain English描述任务即可执行
实时代码生成：实时流式输出生成代码过程
即时预览：HTML、React、代码文件即时渲染预览
沙盒执行：基于Codex CLI的隔离执行环境
MCP支持：通过MCP集成数据库、API、文件系统
跨平台：原生支持macOS (Apple Silicon/Intel)、Windows (x64/MSI)、Linux (deb/rpm)
使用场景：文件整理、网站开发、文档创建、电子表格构建、演示文稿设计。
优势：真正本地执行（文件不发送到外部服务器）、无订阅费、透明沙盒权限、可扩展架构。
局限：需自备API Key (Anthropic/OpenAI/OpenRouter)，无移动端支持。

22. OpenWork

发表机构：开源社区
GitHub：未明确
核心定位：macOS上的Claude Cowork免费开源替代方案。
技术特点：

本地处理：文件保留在本地，除非明确授权否则不传输到外部服务器
双模式：Host模式（本地启动OpenCode服务器）和Client模式（连接远程服务器）
实时会话管理：Server-Sent Events实时流式显示执行进度
可视化时间线：将OpenCode计划的操作渲染为可视化时间线，执行前可审查
权限系统：特权操作权限请求，支持一次性允许、始终允许或拒绝
模板库：保存成功工作流为可复用模板
技能管理：从OpenPackage仓库安装新技能
模型支持：通过OpenCode的Models.dev集成支持75+ AI模型。
适用场景：macOS用户寻求Claude Cowork的免费本地替代方案。