通義實驗室推出CoPaw，更適合打工人的國產龍蝦來了

作者 | 姚戈

過去幾周，國內各大廠紛紛推出了自己的“龍蝦”，而阿里云在這條賽道上的動作尤其引人注目。2026 年，阿里云通義實驗室旗下 AgentScope 團隊開源了 CoPaw，一款本地 / 云端雙部署的個人 AI 助理，主打“全域接入、隱私可控、主動干活”。

與 OpenClaw 相比，CoPaw 在部署便捷性、中文語義優化、多智能體協作和數據隱私控制上都體現出優勢：云端十分鐘即可完成部署，本地數據無需外泄，非技術用戶也能通過控制臺輕松管理多智能體，同時檢索和記憶能力兼顧語義理解與精確匹配。

在深度體驗并拆解其底層邏輯后，我們發現 CoPaw 可能是目前最接近“正式員工”身份的國產龍蝦。

InfoQ 測評室也已推出 CoPaw 的測評視頻與云端部署教程，為讀者提供直觀操作和落地體驗的參考。

1 從“玩具”到“員工”：兩個真實場景的考驗

在為期兩周的測試中，我嘗試用 CoPaw 重構了我的工作流，重點驗證了兩個場景。

首先是自動化新聞搜集?？萍夹袠I信息噪音極大，過去我需要花費大量時間篩選信源。現在，利用“定時任務”，CoPaw 每天早上 8:45 會自動在"Daily Brief"群里輸出一份優先關注的新聞內容，幫助團隊回顧前夜的重要動態。它不僅能理解我的追蹤偏好、自動過濾噪聲，還能將關鍵數據標準化寫入飛書多維表格。

偶爾遇到日期偏差或重復條目，我只需在聊天框指出，它便能自我修正并將解決邏輯寫入記憶。這種"反饋 - 修正 - 記憶"的閉環，讓我將精力從信息整理轉移到分析判斷，整體效率提升約 30%。當然，協作過程并非一帆風順：它偶爾會格式錯亂、日期識別偏差，但通過持續對話引導，這些問題大多能被快速修復。這也正是"養 Agent"的樂趣所在——在與它的交互中共同進化。

其次是個人知識大腦。受 Matthew Berman 使用 OpenClaw 的啟發，我嘗試用 CoPaw 搭建云端知識庫。

這里有一個關鍵差異值得注意：Matthew Berman 是用 OpenClaw+Telegram 在本地搭建的個人大腦，而我則是用 CoPaw+ 飛書在云端搭建——Agent 框架、IM 軟件、部署方式全變了。這套個人大腦架構該如何調整？

我沒有手動設計，而是直接把這個問題丟給了 CoPaw：

它自主設計出了一套基于云端的記憶架構。所有結構都可以在 CoPaw 網頁 Console 的工作區中找到：在app/working/目錄下，CoPaw 專門建立了knowledge_base文件夾，并按以下邏輯組織內容：

• 原文內容存儲在knowledge_base/sources/articles/

• 論文摘要存儲在knowledge_base/summaries/

• 知識庫索引存儲在knowledge_base/

之后，我陸續投入了論文、微信文章、X 鏈接等不同來源的內容。在一周左右的持續使用中，CoPaw 對這些材料表現出非常穩定的記憶能力：它不僅能記住鏈接，還能把后來的問題與過往內容關聯起來，在提問時進行跨材料聯想。這種基于長期記憶的推理，讓 Agent 真正具備了"經驗"。

2 拆解 CoPaw 底層原理

CoPaw 之所以能落地，并非單點技術的突破，而是架構設計對本土場景的深度適配。其核心基于 AgentScope 框架，但在工程化上做了大量“隱形”優化。

作為 AgentScope 團隊基于 AgentScope 核心框架、Runtime 運行時與 ReMe 記憶引擎構建的應用產物，CoPaw 繼承了一套高度模塊化的智能體架構：模型層支持多模態與實時推理，智能體層通過 ReAct、Hooking Function 與 A2A 機制實現任務獨立執行與跨角色協作，工具層內置文檔處理、郵件管理與 MCP 協議支持，編排層負責消息調度與流水線管理，而 Runtime 與 Studio 層則分別提供安全沙箱、雙模部署能力與可視化調試界面。這一分層設計使 CoPaw 既能靈活接入多種大模型與存儲系統，又能與釘釘、飛書等國內辦公生態無縫兼容，為復雜任務的自動化執行奠定工程基礎。

在這一架構之下，有幾個維度的設計值得一提：

混合檢索與長期記憶

很多 Agent 死于“遺忘”。CoPaw 采用 Markdown 文件結合 ReMe 引擎管理長期記憶，檢索機制上采用了向量語義搜索（0.7 權重）+ BM25 全文搜索（0.3 權重）的混合模式。這意味著它既能理解“幫我找上次那個關于大模型的文檔”（語義），也能精準定位“查找 2024 年 10 月的財報”（關鍵詞）。這種設計平衡了模糊意圖與精確查找，是中文語境下的高效解法。

多智能體協作

它支持在同一實例中運行多個智能體，每個智能體擁有獨立的人設、技能和對話歷史，并可連接不同渠道（釘釘、飛書、Discord 等），按用途分工，例如工作助手、代碼助手、寫作助手等。啟用 Multi-Agent Collaboration 后，智能體之間可以自動調用彼此的專業能力，訪問其他智能體的數據，甚至在復雜任務中進行復核。這讓 CoPaw 能夠處理復雜任務，而不依賴單一智能體超負荷工作。

Skills 與自動化任務

CoPaw 內置 20 多項辦公技能，包括定時任務、文檔處理、郵件管理和 Excel 操作。用戶可以通過文件或 URL 導入自定義 Skill，社區技能可直接同步。定時任務是核心功能之一，可按時間表執行任務并發送至指定頻道，并結合多智能體協作實現跨智能體任務分配。相比 OpenClaw，CoPaw 對國內辦公軟件的原生支持，使部署更加便捷，只需十分鐘即可完成。

安全保障

CoPaw 的安全機制主要通過 Tool Guard 模塊實現，該模塊在智能體調用工具前對執行參數進行掃描，以識別并攔截潛在的危險操作。當智能體發起如 execute_shell_command 或 write_file 等工具調用請求時，工具守衛會依據內置的正則規則庫對輸入參數進行匹配檢測，覆蓋命令注入（如 rm -rf）、SQL 注入語句、路徑遍歷符號等典型風險模式。若檢測到嚴重級別為 CRITICAL 或 HIGH 的匹配項，系統將中止該次工具調用，并向智能體返回拒絕執行的反饋信息，從而避免惡意輸入或不安全操作對系統環境造成影響。

Tool Guard 支持通過配置文件或圖形化控制臺進行管理，用戶可靈活設定防護范圍、添加工自定義規則或禁用特定策略。

除工具調用防護外，CoPaw 還在文件訪問與數據存儲層面設置權限邊界，限制非授權工具或技能對敏感文件的讀取與修改。結合多智能體架構與沙箱執行環境，系統能夠在任務執行過程中隔離操作權限，降低因智能體行為異常導致的數據泄露或系統破壞風險。上述機制共同構成 CoPaw 的分層安全體系，為智能體在復雜任務場景下的穩定運行提供基礎保障。

3 結語

回顧整個使用過程，CoPaw 通過模塊化架構將復雜的技術能力封裝為可調用的技能，適配打通了釘釘、飛書等日常辦公場景，又以分層安全機制打消了數據隱私的顧慮。

當然，沒有任何 Agent 能一勞永逸地解決所有問題，CoPaw 亦然。"養"的過程本身，就是人與 AI 共同進化的縮影：用戶需要學會更清晰地表達需求，系統則需要持續迭代對復雜場景的理解。

在測試中，我們既體驗過它主動完成任務的驚喜，也經歷過反復調試的波折。但值得肯定的是，CoPaw 降低了對技術背景的門檻，讓普通打工人也能通過快速部署、零代碼搭建，定制化屬于自己的工作流。

當 AI 工具不再僅是極客的玩具，而是普通人觸手可及的效率助手，這又何嘗不是一種"龍蝦普惠”？