ClawWork：香港大学开源 AI 智能体经济模拟平台技术解析

核心组件与工作流解析

1. 财务调度中心（The Ledger & Dispatcher）：对应 Task Assignment。系统从庞大人才市场中随机抽取任务，初始本金锁定为$10。全局计费是核心机制，所有动作需经过财务校验。
2. 处处受限的执行引擎（The Metered Execution）：对应 Execution 与 Artifact Creation。调用 Tavily 搜索扣除$0.0008，使用 Jina Reader 每处理 1M Tokens 扣$0.05。若陷入死循环或滥用工具，余额清零触发 Bankruptcy 机制，进程被 kill。
3. 铁面无私的验收裁判（The Cold-blooded Judge）：对应 LLM Evaluation。高级裁判模型对交付物进行 0-1 分评估。表现完美可获$5004 利润，不及格则血本无归。

这种架构引入了现实世界中最致命的变量——"做出来划不划算"（Economic Viability）。网关负责实时算账，Agent 负责在破产边缘试探。

功能特性

极端的经济压力测试

在 ClawWork 中，每一次 API 调用都在燃烧真实法币。系统开局只给$10 启动资金，这是 AI 的"生命值"。

商业环境价目表：

真实经济大盘的可视化

ClawWork 提供直观的 React Dashboard，以上帝视角监控数字员工。

• 实时资金曲线 (Balance Tracker)：监控账户余额波动。
• 生死存活率 (Survival Rate)：显示成功交付、超时开除及资金耗尽的比例。
• 行业 ROI 分布：分析 AI 在不同经济领域的盈利情况。

无缝兼容与扩展

ClawWork 支持多模型接入，通过底层的 LangChain / LiteLLM 架构实现通用竞技场。

极简的任务扩展 (Task-as-Code)

用户无需重写复杂评测逻辑，只需在 livebench/work/task_manager.py 中注入配置即可定义新任务。

# 注册一个"自动审计公司报销单"的新任务
@TaskRegistry.register("finance_audit")
class ExpenseAuditTask(BaseTask):
    def __init__(self):
        self.starting_budget = 10.0  # 设定启动资金
        self.reward = 500.0          # 设定任务完成赏金

    def get_prompt(self):
        return "请读取 /data/receipts 目录下的所有发票，对比 policy.pdf，找出违规报销项并输出 JSON。"

    def evaluate(self, artifact):
        # 你的裁判逻辑：比对 AI 找出的违规项与标准答案
        return LLMJudge.score(artifact, gold_standard="audit_ground_truth.json")

未来路线图

ClawWork 旨在构建"赛博朋克版的达尔文生态圈"。

1. 任务自由市场 (Multi-task Days)：AI 学会做风险投资与收益评估，主动抢单而非被动派单。
2. 语义记忆检索 (Semantic Memory)：AI 拥有专属本地 RAG 记忆库，避免重复消费搜索费用。
3. 多智能体竞争 (Multi-agent Competition)：PVP 模式，多个不同厂商 AI 在同一封闭经济体中竞争有限资源。

技术实现细节

全局计费拦截器 (Global Billing Interceptor)

所有 API 调用和 Token 消耗被强制包裹在财务代理层中，采用"先扣款，后执行"的预决算机制。

# livebench/core/billing.py
def require_budget(tool_name: str, cost: float):
    """ 财务拦截器：任何工具调用前必须经过此装饰器 """
    def decorator(func):
        def wrapper(agent, *args, **kwargs):
            # 1. 检查账户余额
            if agent.balance < cost:
                raise BankruptcyException(f"Agent {agent.id} 余额不足以支付 {tool_name}，已被清算。")
            # 2. 预先冻结/扣除资金
            agent.balance -= cost
            agent.log_transaction(tool_name, -cost)
            # 3. 真正执行工具
            return func(agent, *args, **kwargs)
        return wrapper
    return decorator

@require_budget(tool_name="Tavily_Search", cost=0.0008)
def execute_web_search(agent, query):
    # 实际的搜索逻辑...
    pass

资源隔离与边缘侧生存

支持将 Agent 扔进独立的隔离环境中运行。可使用 RK3588 开发板部署参数量较小的开源模型，压缩脑力成本。

仪表盘二次开发

后端设计模块化，状态数据通过 RESTful API 实时广播。开发者可劫持数据库（SQLite/PostgreSQL）编写自定义监控面板。

对比分析

部署指南

快速启动：包工头模式

前置要求：Python 3.10+, API Keys。

# 1. 克隆仓库并进入目录
git clone https://github.com/HKUDS/ClawWork.git
cd ClawWork

# 2. 安装核心依赖
pip install -r requirements.txt

# 3. 注入"打工魂"（配置环境变量）
export OPENAI_API_KEY="sk-your-openai-key"
export TAVILY_API_KEY="tvly-your-search-key"

# 4. 启动裁判系统与打工节点
python -m livebench.run --agent gpt-4o --task finance_analysis

Docker 部署

生产环境建议使用 Docker 确保环境一致性。

version: '3.8'
services:
  clawwork-core:
    image: hkuds/clawwork:latest
    container_name: cyber_sweatshop_engine
    restart: unless-stopped
    volumes:
      - ./config.yaml:/app/config.yaml
      - ./workspace:/app/workspace
    environment:
      - OPENAI_API_KEY=${OPENAI_API_KEY}
      - TAVILY_API_KEY=${TAVILY_API_KEY}
  clawwork-dashboard:
    image: hkuds/clawwork-dashboard:latest
    container_name: capitalist_dashboard
    ports:
      - "3000:3000"
    depends_on:
      - clawwork-core

一键启动：

docker-compose up -d

访问 http://localhost:3000 查看仪表盘。

配置解密

在 config.yaml 中制定游戏规则。

system:
  max_concurrent_agents: 5  # 最多同时雇佣 5 个 AI 跑任务
agent_defaults:
  starting_balance: 10.0    # 初始资金锁死 10 刀
  max_steps: 25             # 严防死循环：最多允许执行 25 步
  tools:
    web_search:
      enabled: true
      provider: "tavily"
      cost_per_call: 0.0008
  evaluation:
    judge_model: "gpt-4-turbo"
    strict_mode: true       # 开启严苛打分

模型选型指南

注意事项

1. API 账单警告：ClawWork 会真实消耗 API 余额。建议先用小额度 Key 测试。
2. 并发限流：注意设置 max_concurrent_agents 防止触发 429 Too Many Requests。
3. 环境隔离：务必在 Docker 环境或严格限制权限的虚拟机中运行，防止 AI 破坏系统文件。

资源汇总

结语

ClawWork 的开源揭示了 AGI 时代的一个潜在法则：算力不是免费的，智能必须具有商业变现的能力。它让我们看到了 AI 的另一种面貌——不再是温柔回答问题的管家，而是被困在预算高压下精打细算的数字员工。在这个大模型能力逐渐逼近人类上限的时代，掌握这套沙箱法则，成为第一代"AI 资本家"或许是未来的趋势。