中心化 Agent 管理系统 — WebSocket 架构的智能对话平台
市面上的 Agent 框架看起来很美，用起来却处处掣肘：
- 又慢又烧钱：主流 Agent 框架（OpenClaw, Hermes 等）在每次推理时都夹带大量冗余上下文，token 消耗居高不下，执行过程如同黑盒，出了问题根本无从追溯。
- 任务堆积，互相阻塞：SKILL 机制只能占用主 Agent 的执行循环，复杂任务必须排队串行，多任务并发？想都别想。
- 经验沉淀难，Routing 开销大：垂直领域的专业背景只能靠人工整理、塞进提示词，技能一旦叠加，还要额外承担路由决策的开销，越用越臃肿。
我们重新定义了 Agent 系统应有的样子：
- 执行过程 100% 可视化：每一步推理、每一条工具调用，实时以消息流的形式推送到看板。Agent 在做什么，你比它自己更清楚。
- ToolAgent：超越 SKILL 的能力单元：将完整工序蒸馏为独立的 ToolAgent，多个 ToolAgent 可以同时并行运行，彻底消除串行瓶颈，复杂任务不再等待。
- 日志系统，让每一个细节都有迹可查：详尽的执行日志完整记录推理链路，任何时刻都可回溯，复现问题、优化流程从此有据可依。
不只是一个 Agent 框架——PyClaego 是让 AI 真正为你所用的控制中心。
运行安装脚本，自动完成环境搭建、依赖安装与配置文件初始化：
bash scripts/install.sh脚本执行内容：
- 检测并安装 uv（若未安装）
- 创建
.venv虚拟环境并安装依赖 - 建立
~/.pyclaego运行时目录树 - 复制配置模板与内置资源到
~/.pyclaego
编辑 ~/.pyclaego/config.yaml，填写必要的 API Key：
# LLM API Key 示例（在 .config.d/llm.yaml 中配置）
providers:
kimi_code:
api_key: "sk-your-api-key-here"也可以通过环境变量传入，例如
export KIMI_CODE_API_KEY=sk-xxx
启动 Core 后端服务（WebSocket + Web API）：
bash scripts/start_core.sh
# 或直接运行
uv run pyclaego-core服务默认监听：
- WebSocket：
ws://127.0.0.1:18765 - Web API / Dashboard：
http://0.0.0.0:18888
启动 Dashboard 前端（开发模式）：
bash scripts/start_dashboard.sh首次运行会自动安装 npm 依赖，启动后访问终端输出的本地地址（通常为 http://localhost:5173）。
.
├── scripts/
│ ├── install.sh # 一键安装脚本
│ ├── start_core.sh # 启动 Core 后端
│ └── start_dashboard.sh # 启动 Dashboard 前端
├── pyclaego/
│ ├── src/pyclaego/ # Python 包源码
│ ├── dashboard/ # React 前端（Vite）
│ ├── skills/ # 内置技能
│ ├── tool_agents/ # 内置工具 Agent
│ ├── .config.d/ # 默认配置模板
│ └── config.example.yaml # 主配置模板
└── tests/ # 测试用例
运行时目录 ~/.pyclaego/（由安装脚本创建）：
~/.pyclaego/
├── config.yaml # 主配置（从模板复制，可自定义）
├── .config.d/ # 细分配置（llm、tools、security 等）
├── .logs/ # 日志文件
├── .memory/ # 长期记忆存储
├── .cache/ # 缓存（WebFetch、任务工件等）
├── personal_spaces/ # PersonalSpace 数据
├── skills/ # 技能目录
└── tool_agents/ # 工具 Agent 目录
- pyclaego/README.md — 架构设计、核心特性、模块说明
- pyclaego/dashboard/README.md — 前端开发指南