摩尔线程开源AI智能体框架MTClaw，突破执行效率

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

  ClawHub插件页

  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：

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

   ./scripts/install.sh
   

2. 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。

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，请访问摩尔线程GitHub官方仓库：

  https://github.com/MooreThreads/MTClaw