摩尔线程开源AI智能体框架MTClaw ，突破执行效率

近日摩尔线程正式开源AI智能体框架MTClaw一款面向桌面控制场景的AI智能体加速方案。实测表明MTClaw可将智能体单次任务执行速度提升约7倍、成功率可达100%。目前MTClaw的完整代码、评测数据与配套插件已开放至摩尔线程GitHub官方仓库与OpenClaw官方插件市场ClawHub。为什么AI智能体的桌面执行总是“慢一步”在自动整理文件、批量截图、浏览器操作、自动化测试等日常场景中AI智能体AI Agent正逐步成为开发者的得力助手。然而许多开发者在实际部署和使用桌面控制智能体时常面临一个核心痛点——慢。当前主流智能体架构的工作模式是将每一帧截图、每一次点击、每一个文件操作请求均完整发往远端大模型进行推理决策。即便任务本身极为简单也要经历完整的模型推理链路。这就好比让一位首席科学家去处理“打开抽屉、拿一支笔”的琐事每个微小动作都要排队等待决策不仅造成大量算力浪费在低价值操作上更拉长了整体系统响应延迟。业界现有解决方案主要分为两类• 对大模型进行专项重训以提升特定场景下的轻量化操作效率但研发及计算成本高昂且模型版本迭代后效果难以持续。• 直接替换为轻量模型虽能勉强应对简单任务但在面对复杂业务逻辑和推理时成功率易显著下降。由此可见以上两种方案均不理想。MTClaw让AI智能体又快又准面对上述困境摩尔线程选择了一条不同的技术路径。MTClaw不改变后端大模型本身而是在其前端增加一层“前台助理”角色搭配轻量模型并引入路由机制Function Router通过明确的分工协调实现业务层整体加速。▼ 高频轻量动作即时处理截图、点击、打开文件、读取内容等常规重复性操作由“前台助理”即时判断并执行实现毫秒级响应。▼ 复杂场景自动流转对真正需要复杂推理和深层思考的场景“前台助理”会自动转交给用户配置的后端大模型如ChatGPT、豆包、Qwen等确保执行质量。▼ 无侵入式设计支持配置接入地址的AI客户端、智能体框架或评测系统仅需修改一行API Base地址即可直接调用无需调整底层业务代码。图1摩尔线程MTClaw的“前台助理”工作流一次请求进入MTClaw后“前台助理”经历“判断→执行→检查”三个步骤先决定该任务由“轻量模型直办”还是“交给大模型”执行完成后确认是否需要大模型补充完善。基于此流程用户可明显感受到AI智能体任务执行效率的显著提升。这一“快”与“准”的平衡主要得益于以下两项关键技术▼ 精挑细选的轻量模型MTClaw内部“前台助理”所搭载的轻量模型并非越小越好。摩尔线程技术团队在尝试多种不同规模的候选模型后最终选定了一款300亿参数级的轻量模型。测试表明低于此规模小模型成功率会明显下滑进一步扩大规模速度优势则被逐渐稀释。该模型是在“快”与“准”之间取得的当前最优平衡点。▼ 严格的对话隔离机制在多用户、多并发会话的真实生产场景中若不区分历史记录归属“前台助理”易混淆不同用户的动作导致误判。MTClaw引入严格的对话隔离机制为每个会话单独维护一份独立的工具调用历史、上下文状态和路由记录所有判断仅基于当前对话的历史跨会话互不干扰。该机制则是MTClaw兼顾“快”与“准”的关键技术。图2摩尔线程MTClaw的“前台助理”对话隔离机制实测速度更快成功率更高摩尔线程技术团队在50个真实桌面控制任务上对MTClaw进行了端到端评测每项任务重复执行4次后端大模型选用豆包Pro性能表现如下以上实测数据显示▼ MTClaw极速模式专注于低延迟响应适用于对交互速度敏感的实时场景。该模式下单次任务平均完成时间仅需5.54秒相较传统方式的37.97秒带来约7倍的速度提升。▼ MTClaw稳健模式下当“前台助理”遇到自身判断不确定的请求时会自动向后端大模型求助。该模式下单次任务成功率达100%平均完成时间为7.61秒相较传统方式不仅成功率更高100% vs 99%还实现约5倍的速度提升。快速部署指南MTClaw采用MIT开源协议代码、评测数据、训练与评测脚本全量开放无遥测组件不依赖强制云端服务支持用户自由本地部署。▼ MTClaw GitHub仓库https://github.com/MooreThreads/MTClaw▼ ClawHub插件页https://clawhub.ai/packages/openclaw-session-bridge-plugin开发者可根据自身业务场景选择以下两种方式部署方式一与开源智能体OpenClaw生态兼容MTClaw已与开源智能体OpenClaw完成生态兼容并上架至其官方插件市场ClawHub。OpenClaw用户只需在终端执行以下命令即可开箱体验Bash openclaw plugins install clawhub:openclaw-session-bridge-plugin方式二独立Python运行环境部署如需在自定义AI自动化流程中独立调用MTClaw的路由能力可通过以下步骤快速完成本地构建1. 克隆仓库并安装依赖git clone https://github.com/MooreThreads/MTClaw.git cd MTClaw pip install . ./scripts/install.sh2. 配置服务接入示例上述安装脚本会自动检查OpenClaw目前使用模型并加载到function router不需要修改任何OpenClaw的代码和配置。如果需要手动指定服务仅需将智能体客户端或自动化脚本中的openai.base_url指向MTClaw的本地或服务器代理地址即可完成无侵入式替换import openai # 仅需修改 Base URL即可享受 MTClaw 的高频动作本地加速 client openai.OpenAI( base_urlhttp://your-mtclaw-server:8000/v1, api_keyyour-key ) # 像往常一样发送桌面操作序列或函数调用请求 response client.chat.completions.create( modelopenclaw-function-router-0308, messages[{role: user, content: 帮我截取当前屏幕并检查浏览器里是否有报错提示}] )3. 自动加速Skill我们提供了两种方法便于用户快速对需要的领域进行加速并不局限于系统控制、桌面操作等场景。方法一提供skill-to-fc的技能只需要告诉您的OpenClaw让它基于skill-to-fc对某个Skill进行加速即可快速将这个领域适配到function router。https://github.com/MooreThreads/MTClaw/blob/main/docs/skill-to-fc.md方法二我们提供了详细的工具定义的教程只需要实现一个相关脚本并注册即可使用function router进行快速工具调用。https://github.com/MooreThreads/MTClaw/blob/main/docs/adding-tools.md开源生态共建MTClaw不仅适用于桌面控制场景也有望延伸至代码辅助、自动化测试、多模态任务编排等更广泛的AI智能体应用领域为国产GPU算力在智能体加速方向上的规模化落地提供可复用的技术基座。MTClaw并非一次性的开源发布而是摩尔线程在AI智能体效率优化方向上的持续投入起点。团队将持续推进▼ 开放MTClaw的智能体训练工具链支持企业基于自有工具体系与业务场景快速训练并定制专属策略▼ 适配更多主流大模型作为推理后端▼ 推出整合套件进一步降低部署门槛升级“开箱即用”体验。摩尔线程诚邀广大开发者共同参与MTClaw建设协同推进AI智能体在真实生产场景中“更快、更准、更省”的持续进化。获取更多MTClaw信息可访问摩尔线程GitHub官方仓库https://github.com/MooreThreads/MTClaw*以上测试数据均来自摩尔线程实验室。