ZeroClaw：基于 Rust 的低内存 AI Agent 框架解析与实战

Windows 用户可通过 PowerShell 运行 .ps1 脚本或下载 zeroclaw.exe。

4.2 初始化配置

初始化工作空间：

mkdir my-first-agent && cd my-first-agent
zeroclaw init

生成 zeroclaw.toml 配置文件：

[agent]
name = "MyTinyAssistant"
description = "一个仅占用 5MB 内存的私人助理"

[provider]
type = "openai"
api_key = "${YOUR_API_KEY}"
endpoint = "https://api.openai.com/v1"
model = "gpt-4o-mini"

[security]
workspace = "./data"
allow_network = ["api.github.com", "weather.com"]
allow_commands = ["echo", "ls"]

4.3 交互测试

启动交互模式：

zeroclaw chat

此时运行 htop 监控，zeroclaw 进程内存占用约 4.5M。

五、进阶玩法：对接本地大模型

结合 Ollama 实现完全本地化、断网可运行的隐私 AI。

修改 zeroclaw.toml：

[provider]
type = "ollama"
endpoint = "http://192.168.1.100:11434"
model = "qwen2.5:7b"

低配设备负责网关调度和工具执行，繁重的推理任务交给内网 Ollama 节点。

六、自定义 Tool 开发

通过 Rust Trait 接口扩展功能。

use zeroclaw_core::tool::{Tool, ToolResult, ToolContext};
use async_trait::async_trait;
use serde_json::json;

pub struct SystemTempTool;

#[async_trait]
impl Tool for SystemTempTool {
    fn name(&self) -> &'static str { "get_system_temperature" }
    fn description(&self) -> &'static str { "获取当前设备的 CPU 温度" }

    async fn execute(
        &self,
        _args: serde_json::Value,
        _ctx: &ToolContext
    ) -> ToolResult {
        let temp_raw = std::fs::read_to_string("/sys/class/thermal/thermal_zone0/temp")
            .unwrap_or_else(|_| "50000".to_string());
        let temp_celsius = temp_raw.trim().parse::<f64>().unwrap_or(0.0) / 1000.0;
        Ok(json!({
            "status": "success",
            "temperature_celsius": temp_celsius,
            "warning": if temp_celsius > 80.0 { "HIGH" } else { "NORMAL" }
        }))
    }
}

编译为 .wasm 或原生集成后，即可具备物理探针能力。

七、总结

OpenClaw 证明了 Agent 的可能性，但 ZeroClaw 抓住了核心痛点：成本、性能与安全。用不到 5MB 内存，在旧设备上跑起具备自主能力的 AI 基础设施，标志着边缘计算与智能时代的进一步融合。