openclaw-mission-control
OpenClaw Mission Control 是一款专为 AI 智能体(Agent)打造的集中式运营与治理仪表盘。它旨在解决多智能体协作中常见的管理分散、流程不透明及缺乏统一管控等痛点,让团队无需在多个工具间切换,即可在一个界面内完成从任务规划、执行监控到审计复盘的全流程管理。
该平台特别适合需要在内部环境部署 OpenClaw 的平台团队、运维工程师以及重视审批流程与安全合规的企业组织。无论是管理跨团队的复杂任务板,还是协调分布在不同网关上的远程执行环境,OpenClaw Mission Control 都能提供强有力的支持。
其核心亮点在于“治理优先”的设计理念:内置了严格的审批流机制,确保敏感操作必须经过人工确认,从而保障决策可追溯;同时具备“网关感知”能力,能无缝连接本地与分布式运行环境。此外,它采用统一的 UI 与 API 模型,既提供了直观友好的网页操作界面,也支持通过 API 进行自动化集成,真正实现了人机协作的高效统一。对于希望以低成本快速搭建标准化 AI 运营体系的团队来说,这是一个务实且强大的选择。
使用场景
某金融科技公司的气象分析团队需要协调多个 AI 代理,并行处理全球各地的极端天气预警数据,并生成合规报告。
没有 openclaw-mission-control 时
- 协作混乱:不同团队各自为战,缺乏统一视图,难以追踪哪个代理正在处理哪块区域的数据,任务分配靠人工拉群沟通。
- 风控缺失:涉及敏感数据的发布操作缺乏审批流程,一旦代理误判发出错误预警,无法在事前拦截,事后也难以追溯责任人。
- 环境割裂:本地开发环境与云端生产环境脱节,运维人员需切换多套工具管理网关,导致远程执行任务时配置频繁出错。
- 审计困难:当出现数据异常时,由于缺乏完整的系统行动时间线,排查问题如同“大海捞针”,无法快速还原事故现场。
使用 openclaw-mission-control 后
- 统一指挥:通过单一仪表盘即可可视化所有组织、看板及任务状态,管理员能直接指派任务并实时监控多代理协作进度。
- 内置治理:敏感操作自动触发审批流,只有经授权人员确认后代理才能执行发布,所有决策留痕,确保合规可控。
- 网关感知:无缝连接分布式网关,运维人员在同一界面即可调度本地或远程运行环境,无需改变原有工作流即可实现跨域协同。
- 全程可溯:系统自动记录完整的活动历史,任何异常均可通过时间线快速定位发起人、时间及具体操作,大幅缩短故障复盘时间。
openclaw-mission-control 将分散的代理操作转化为可视、可控、可审计的企业级标准化流程,让多智能体协作真正安全落地。
运行环境要求
- Linux
- macOS
未说明
未说明

快速开始
OpenClaw 任务控制中心
OpenClaw 任务控制中心是用于跨团队和组织运行 OpenClaw 的集中式运营与治理平台,提供统一的可见性、审批控制以及网关感知编排功能。它为运维人员提供了一个单一界面,用于工作编排、代理和网关管理、基于审批的治理以及基于 API 的自动化。
平台概述
任务控制中心旨在成为 OpenClaw 的日常运营界面。团队无需将工作分散到多个工具中,而可以在一个系统中完成活动的计划、执行、审查和审计。
核心运营领域:
- 工作编排:管理组织、看板组、看板、任务和标签。
- 代理运营:从统一的控制界面创建、检查并管理代理生命周期。
- 治理与审批:通过明确的审批流程路由敏感操作。
- 网关管理:连接并操作分布式环境中的网关集成。
- 活动可见性:查看系统操作的时间线,以加快调试和问责。
- API 首选模型:支持来自同一平台的 Web 工作流和自动化客户端。
使用场景
- 多团队代理运营:从单个控制平面运行跨组织的多个看板和看板组。
- 人工参与的执行:在执行敏感操作前需要审批,并将决策轨迹附加到工作中。
- 分布式运行时控制:连接网关并操作远程执行环境,而无需更改运维人员的工作流程。
- 审计和事件回顾:使用活动历史重建发生了什么、何时发生以及由谁发起。
- 基于 API 的流程集成:将内部工作流和自动化客户端连接到与 UI 相同的运营模式。
任务控制中心的独特之处
- 运营优先设计:专为可靠地运行代理工作而构建,而不仅仅是创建任务。
- 内置治理:审批、认证模式和清晰的控制边界均为一等公民。
- 网关感知编排:专为同时运行本地和连接的运行时环境而设计。
- 统一的 UI 和 API 模型:运维人员和自动化以相同的方式操作对象和生命周期。
- 团队规模结构:组织、看板组、看板、任务、标签和用户在一个记录系统中。
适用人群
- 在自托管或内部环境中运行 OpenClaw 的平台团队。
- 需要明确审批和可审计性控制的运营和工程团队。
- 希望在不丢失可用 Web UI 的情况下实现 API 可访问运营的组织。
几分钟内开始使用
方案 A:一键式生产级初始化
如果您尚未克隆仓库,可以使用以下命令行运行安装程序:
curl -fsSL https://raw.githubusercontent.com/abhi1693/openclaw-mission-control/master/install.sh | bash
如果当前目录中没有本地检出,此命令会将仓库克隆到 ./openclaw-mission-control。
如果您已经克隆了仓库:
./install.sh
安装程序是交互式的,将执行以下操作:
- 询问部署模式(
docker或local)。 - 在可能的情况下安装缺失的系统依赖项。
- 生成并配置环境文件。
- 初始化并启动所选的部署模式。
安装程序支持矩阵:docs/installer-support.md
方案 B:手动设置
先决条件
- 支持的平台:Linux 和 macOS。在 macOS 上,Docker 模式需要 Docker Desktop;本地模式需要 Homebrew 和 Node.js 22+。
- Docker 引擎
- Docker Compose v2 (
docker compose)
1. 配置环境
cp .env.example .env
在启动之前:
- 当
AUTH_MODE=local时,将LOCAL_AUTH_TOKEN设置为非占位符值(至少 50 个字符)。 - 如果您未使用
http://localhost:8000,请确保BASE_URL与公共后端源匹配。 NEXT_PUBLIC_API_URL=auto(默认)解析为http(s)://<current-host>:8000。- 当您的 API 位于反向代理或非默认端口之后时,请设置显式 URL。
2. 启动任务控制中心
docker compose -f compose.yml --env-file .env up -d --build
如果您正在 Docker 中迭代 UI,并希望在源代码更改时自动重新构建前端,请运行:
docker compose -f compose.yml --env-file .env up --build --watch
注意事项:
- Compose Watch 需要 Docker Compose 2.22.0+。
- 您也可以在启动后单独运行监视:
docker compose -f compose.yml --env-file .env up -d --build
docker compose -f compose.yml --env-file .env watch
拉取新更改后,重新构建并重新创建所有服务:
docker compose -f compose.yml --env-file .env up -d --build --force-recreate
对于完全干净的重新构建(无缓存构建层):
docker compose -f compose.yml --env-file .env build --no-cache --pull
docker compose -f compose.yml --env-file .env up -d --force-recreate
3. 打开应用程序
- 任务控制中心 UI:http://localhost:3000
- 后端健康状态:http://localhost:8000/healthz
4. 停止堆栈
docker compose -f compose.yml --env-file .env down
身份验证
任务控制中心支持两种身份验证模式:
local:共享 Bearer Token 模式(自托管使用的默认模式)clerk:Clerk JWT 模式
环境模板:
文档
完整的部署、生产、故障排除和测试指南位于 /docs。
项目状态
任务控制中心目前处于积极开发中。
- 功能和 API 可能在不同版本之间发生变化。
- 在投入生产使用前,请务必验证并加固您的配置。
贡献
欢迎提交问题和拉取请求。
许可证
本项目采用 MIT 许可证。详情请参阅 LICENSE。
星标历史
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台,旨在让智能体(Agent)像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点,通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员,还是需要快速原型验证的技术团队,都能从中受益。OpenHands 提供了灵活多样的使用方式:既可以通过命令行(CLI)或本地图形界面在个人电脑上轻松上手,体验类似 Devin 的流畅交互;也能利用其强大的 Python SDK 自定义智能体逻辑,甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK,这不仅构成了平台的引擎,还支持高度可组合的开发模式。此外,OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩,证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能,支持与 Slack、Jira 等工具集成,并提供细粒度的权限管理,适合从个人开发者到大型企业的各类用户场景。
