过去几周，国内各大厂纷纷推出了自己的“龙虾”，而阿里云在这条赛道上的动作尤其引人注目。2026 年，阿里云通义实验室旗下 AgentScope 团队开源了 CoPaw，一款本地 / 云端双部署的个人 AI 助理，主打“全域接入、隐私可控、主动干活”。

与 OpenClaw 相比，CoPaw 在部署便捷性、中文语义优化、多智能体协作和数据隐私控制上都体现出优势：云端十分钟即可完成部署，本地数据无需外泄，非技术用户也能通过控制台轻松管理多智能体，同时检索和记忆能力兼顾语义理解与精确匹配。

在深度体验并拆解其底层逻辑后，我们发现 CoPaw 可能是目前最接近“正式员工”身份的国产龙虾。

InfoQ 测评室也已推出 CoPaw 的测评视频与云端部署教程，为读者提供直观操作和落地体验的参考。

从“玩具”到“员工”：两个真实场景的考验

在为期两周的测试中，我尝试用 CoPaw 重构了我的工作流，重点验证了两个场景。

首先是自动化新闻搜集。科技行业信息噪音极大，过去我需要花费大量时间筛选信源。现在，利用“定时任务”，CoPaw 每天早上 8:45 会自动在"Daily Brief"群里输出一份优先关注的新闻内容，帮助团队回顾前夜的重要动态。它不仅能理解我的追踪偏好、自动过滤噪声，还能将关键数据标准化写入飞书多维表格。

偶尔遇到日期偏差或重复条目，我只需在聊天框指出，它便能自我修正并将解决逻辑写入记忆。这种"反馈 - 修正 - 记忆"的闭环，让我将精力从信息整理转移到分析判断，整体效率提升约 30%。当然，协作过程并非一帆风顺：它偶尔会格式错乱、日期识别偏差，但通过持续对话引导，这些问题大多能被快速修复。这也正是"养 Agent"的乐趣所在——在与它的交互中共同进化。

其次是个人知识大脑。受 Matthew Berman 使用 OpenClaw 的启发，我尝试用 CoPaw 搭建云端知识库。

这里有一个关键差异值得注意：Matthew Berman 是用 OpenClaw+Telegram 在本地搭建的个人大脑，而我则是用 CoPaw+ 飞书在云端搭建——Agent 框架、IM 软件、部署方式全变了。这套个人大脑架构该如何调整？

我没有手动设计，而是直接把这个问题丢给了 CoPaw：

它自主设计出了一套基于云端的记忆架构。所有结构都可以在 CoPaw 网页 Console 的工作区中找到。

在 app/working/ 目录下，CoPaw 专门建立了 knowledge_base 文件夹，并按以下逻辑组织内容：

• 原文内容存储在 knowledge_base/sources/articles/

• 论文摘要存储在 knowledge_base/summaries/

• 知识库索引存储在 knowledge_base/

之后，我陆续投入了论文、微信文章、X 链接等不同来源的内容。在一周左右的持续使用中，CoPaw 对这些材料表现出非常稳定的记忆能力：它不仅能记住链接，还能把后来的问题与过往内容关联起来，在提问时进行跨材料联想。这种基于长期记忆的推理，让 Agent 真正具备了"经验"。

拆解 CoPaw 底层原理

CoPaw 之所以能落地，并非单点技术的突破，而是架构设计对本土场景的深度适配。其核心基于 AgentScope 框架，但在工程化上做了大量“隐形”优化。

作为 AgentScope 团队基于 AgentScope 核心框架、Runtime 运行时与 ReMe 记忆引擎构建的应用产物，CoPaw 继承了一套高度模块化的智能体架构：模型层支持多模态与实时推理，智能体层通过 ReAct、Hooking Function 与 A2A 机制实现任务独立执行与跨角色协作，工具层内置文档处理、邮件管理与 MCP 协议支持，编排层负责消息调度与流水线管理，而 Runtime 与 Studio 层则分别提供安全沙箱、双模部署能力与可视化调试界面。这一分层设计使 CoPaw 既能灵活接入多种大模型与存储系统，又能与钉钉、飞书等国内办公生态无缝兼容，为复杂任务的自动化执行奠定工程基础。

在这一架构之下，有几个维度的设计值得一提：

混合检索与长期记忆

很多 Agent 死于“遗忘”。CoPaw 采用 Markdown 文件结合 ReMe 引擎管理长期记忆，检索机制上采用了向量语义搜索（0.7 权重）+ BM25 全文搜索（0.3 权重）的混合模式。这意味着它既能理解“帮我找上次那个关于大模型的文档”（语义），也能精准定位“查找 2024 年 10 月的财报”（关键词）。这种设计平衡了模糊意图与精确查找，是中文语境下的高效解法。

多智能体协作

它支持在同一实例中运行多个智能体，每个智能体拥有独立的人设、技能和对话历史，并可连接不同渠道（钉钉、飞书、Discord 等），按用途分工，例如工作助手、代码助手、写作助手等。启用 Multi-Agent Collaboration 后，智能体之间可以自动调用彼此的专业能力，访问其他智能体的数据，甚至在复杂任务中进行复核。这让 CoPaw 能够处理复杂任务，而不依赖单一智能体超负荷工作。

Skills 与自动化任务 

CoPaw 内置 20 多项办公技能，包括定时任务、文档处理、邮件管理和 Excel 操作。用户可以通过文件或 URL 导入自定义 Skill，社区技能可直接同步。定时任务是核心功能之一，可按时间表执行任务并发送至指定频道，并结合多智能体协作实现跨智能体任务分配。相比 OpenClaw，CoPaw 对国内办公软件的原生支持，使部署更加便捷，只需十分钟即可完成。

安全保障

CoPaw 的安全机制主要通过 Tool Guard 模块实现，该模块在智能体调用工具前对执行参数进行扫描，以识别并拦截潜在的危险操作。当智能体发起如 execute_shell_command 或 write_file 等工具调用请求时，工具守卫会依据内置的正则规则库对输入参数进行匹配检测，覆盖命令注入（如 rm -rf）、SQL 注入语句、路径遍历符号等典型风险模式。若检测到严重级别为 CRITICAL 或 HIGH 的匹配项，系统将中止该次工具调用，并向智能体返回拒绝执行的反馈信息，从而避免恶意输入或不安全操作对系统环境造成影响。

Tool Guard 支持通过配置文件或图形化控制台进行管理，用户可灵活设定防护范围、添加工自定义规则或禁用特定策略。

除工具调用防护外，CoPaw 还在文件访问与数据存储层面设置权限边界，限制非授权工具或技能对敏感文件的读取与修改。结合多智能体架构与沙箱执行环境，系统能够在任务执行过程中隔离操作权限，降低因智能体行为异常导致的数据泄露或系统破坏风险。上述机制共同构成 CoPaw 的分层安全体系，为智能体在复杂任务场景下的稳定运行提供基础保障。

结语

回顾整个使用过程，CoPaw 通过模块化架构将复杂的技术能力封装为可调用的技能，适配打通了钉钉、飞书等日常办公场景，又以分层安全机制打消了数据隐私的顾虑。

当然，没有任何 Agent 能一劳永逸地解决所有问题，CoPaw 亦然。"养"的过程本身，就是人与 AI 共同进化的缩影：用户需要学会更清晰地表达需求，系统则需要持续迭代对复杂场景的理解。

在测试中，我们既体验过它主动完成任务的惊喜，也经历过反复调试的波折。但值得肯定的是，CoPaw 降低了对技术背景的门槛，让普通打工人也能通过快速部署、零代码搭建，定制化属于自己的工作流。

当 AI 工具不再仅是极客的玩具，而是普通人触手可及的效率助手，这又何尝不是一种"龙虾普惠”？