crabwalk

GitHub
882 99 中等 1 次阅读 昨天MIT开发框架图像Agent
AI 解读 由 AI 自动生成,仅供参考

Crabwalk 是一款专为 OpenClaw 智能体设计的实时可视化监控助手。它就像一位贴心的“副驾驶”,让你能直观地看到 AI 代理在 WhatsApp、Telegram、Discord 和 Slack 等多个社交平台上的工作全过程。

对于开发者而言,调试黑盒般的 AI 决策过程往往是个难题。Crabwalk 通过动态节点图谱,将抽象的思维状态、工具调用参数及响应链条以图形化方式实时呈现,彻底解决了“看不见、摸不着”的监控痛点。用户不仅能追踪每一次交互细节,还能按平台或联系人筛选会话,快速定位问题所在。

这款工具特别适合正在构建或维护多平台 AI 机器人的开发者与技术研究人员。其核心亮点在于基于 WebSocket 的低延迟数据流传输,以及支持一键扫码在手机端查看监控画面的便捷特性。此外,Crabwalk 提供了灵活的部署方案,既支持命令行快速启动,也完美适配 Docker 容器化环境,并能自动检测本地配置,极大降低了使用门槛。无论是本地开发调试还是远程服务器部署,Crabwalk 都能帮助你轻松掌控智能体的运行状态。

使用场景

某电商团队部署了基于 OpenClaw 的 AI 客服集群,需同时监控其在 WhatsApp、Telegram 和 Discord 上处理数千条用户咨询的实时状态。

没有 crabwalk 时

  • 黑盒运行难追踪:开发者只能查看静态日志文件,无法直观看到 AI 在多个平台间的思维链(Thinking States)和工具调用顺序,排查问题如同“盲人摸象”。
  • 故障响应滞后:当某个会话出现死循环或错误调用时,团队往往等到用户投诉才发现,缺乏实时的异常感知机制。
  • 多平台数据割裂:不同聊天平台的会话记录分散在各处,难以在一个视图中对比分析跨平台的代理行为模式。
  • 调试效率低下:复现特定用户的复杂交互场景需要手动拼接大量日志片段,耗时且容易遗漏关键上下文。

使用 crabwalk 后

  • 全景可视化监控:通过 ReactFlow 动态节点图,团队能实时看到每个代理的思考路径、工具参数及回复链条,系统内部逻辑一目了然。
  • 即时异常捕获:借助 WebSocket 实时流,一旦检测到异常的工具调用或停滞状态,监控大屏立即高亮预警,实现秒级响应。
  • 跨平台统一视图:在单一界面中即可过滤和搜索来自 WhatsApp、Telegram 等所有渠道的会话,轻松对比不同场景下的代理表现。
  • 深度下钻调试:点击任意节点即可展开查看详细的 Payload 和参数,快速定位逻辑偏差,将复杂问题的排查时间从小时级缩短至分钟级。

crabwalk 将原本不可见的 AI 代理决策过程转化为透明的实时数据流,让多平台智能体运维从“事后救火”转变为“事前洞察”。

运行环境要求

操作系统
  • Linux
  • macOS
GPU

未说明

内存

未说明

依赖
notes该工具是基于 Node.js 的前端监控应用,非 AI 模型推理工具,因此无 GPU 和特定 Python 版本需求。运行前需确保本地已安装并运行 OpenClaw 网关服务(默认端口 18789)。CLI 安装脚本会自动安装 qrencode 用于生成二维码。若使用 Docker 部署且 OpenClaw 网关仅绑定本地回环地址,需配置 Docker 使用 host 网络模式以便容器连接网关。
python未说明
Node.js/npm
qrencode
Docker (可选)
crabwalk hero image

快速开始

🦀 Crabwalk

@luccasveg 开发的 OpenClaw (Clawdbot) 代理实时伴侣监控工具。

在实时节点图中查看您的 AI 代理如何在 WhatsApp、Telegram、Discord 和 Slack 上协同工作。即时了解思维状态、工具调用和响应链。

Crabwalk 首页

Crabwalk 监控界面

功能

  • 实时活动图:使用 ReactFlow 可视化代理会话和动作链
  • 多平台支持:同时监控跨所有消息平台的代理
  • 实时流式传输:通过 WebSocket 连接到 OpenClaw 网关
  • 动作追踪:展开节点以检查工具参数和负载
  • 会话筛选:按平台筛选,按接收者搜索

安装

通过 OpenClaw 代理

将此链接粘贴到您的 OpenClaw 代理,并让其安装或更新 Crabwalk:

https://raw.githubusercontent.com/luccast/crabwalk/master/public/skill.md

CLI 安装

VERSION=$(curl -s https://api.github.com/repos/luccast/crabwalk/releases/latest | grep '"tag_name"' | cut -d'"' -f4)
mkdir -p ~/.crabwalk ~/.local/bin
curl -sL "https://github.com/luccast/crabwalk/releases/download/${VERSION}/crabwalk-${VERSION}.tar.gz" | tar -xz -C ~/.crabwalk
cp ~/.crabwalk/bin/crabwalk ~/.local/bin/
chmod +x ~/.local/bin/crabwalk

CLI 使用

命令

crabwalk                    # 启动服务器(默认:0.0.0.0:3000)
crabwalk start --daemon     # 在后台运行
crabwalk stop               # 停止后台服务器
crabwalk status             # 检查是否正在运行
crabwalk update             # 更新到最新版本

选项

-p, --port <port>      服务器端口(默认:3000)
-H, --host <host>      绑定地址(默认:0.0.0.0)
-g, --gateway <url>    网关 WebSocket URL(默认:ws://127.0.0.1:18789)
-t, --token <token>    网关认证令牌
-d, --daemon           在后台运行
-v, --version          显示版本

示例

crabwalk -p 8080                           # 自定义端口
crabwalk -t mytoken123                     # 显式指定令牌
crabwalk -g ws://192.168.1.50:18789        # 远程网关
crabwalk start -d -p 8080                  # 在 8080 端口以守护进程模式运行

自动检测

CLI 会自动从 ~/.openclaw/openclaw.json 中检测您的网关令牌——如果您在本地运行 OpenClaw,则无需任何配置。

QR 代码

启动时,Crabwalk 会显示一个二维码,您可以用手机扫描以打开监控界面。需要安装 qrencode(安装程序会自动添加)。

Docker(推荐)

docker run -d \
  -p 3000:3000 \
  -e CLAWDBOT_API_TOKEN=your-token \
  -e CLAWDBOT_URL=ws://host.docker.internal:18789 \
  -v ~/.openclaw/workspace:/root/.openclaw/workspace \
  ghcr.io/luccast/crabwalk:latest

注意:当在 Docker 中运行 Crabwalk 时,OpenClaw 网关通常运行在 主机 上。 使用 CLAWDBOT_URL=ws://host.docker.internal:18789 以便容器能够连接。 如果您使用 bind: loopbacktailscale serve 来实现仅限尾网的安全访问,则需要以主机网络模式运行 Crabwalk 容器——将 -p:3000:3000 替换为 --network host。 这样可以在保持仅回环绑定的安全优势的同时,使容器能够访问 127.0.0.1:18789。

工作区访问

工作区资源管理器需要访问您的本地文件。默认情况下,它会在 ~/.openclaw/workspace 查找文件。在 Docker 中,请将主机的工作区挂载到容器中的相同路径:

# 默认工作区路径(推荐)
docker run -d \
  -p 3000:3000 \
  -e CLAWDBOT_API_TOKEN=your-token \
  -v ~/.openclaw/workspace:/root/.openclaw/workspace \
  ghcr.io/luccast/crabwalk:latest

# 主机上的自定义工作区路径
docker run -d \
  -p 3000:3000 \
  -e CLAWDBOT_API_TOKEN=your-token \
  -v /path/to/your/workspace:/root/.openclaw/workspace \
  ghcr.io/luccast/crabwalk:latest

或者使用 docker-compose:

curl -O https://raw.githubusercontent.com/luccast/crabwalk/master/docker-compose.yml
CLAWDBOT_API_TOKEN=your-token docker-compose up -d

如果要使用自定义工作区路径与 docker-compose,设置 WORKSPACE_HOST_PATH 环境变量:

WORKSPACE_HOST_PATH=/path/to/your/workspace CLAWDBOT_API_TOKEN=your-token docker-compose up -d

如果网关仅 bind: loopback,则需要编辑 docker-compose.yml 以添加 network_mode: host

从源码编译

git clone https://github.com/luccast/crabwalk.git
cd crabwalk
npm install
CLAWDBOT_API_TOKEN=your-token npm run dev

打开 http://localhost:3000/monitor

配置

需要在同一台机器上运行 OpenClaw 网关。

网关令牌

CLI 会自动从 ~/.openclaw/openclaw.json(位于 gateway.auth.token)中检测您的令牌。本地部署无需手动配置。

如需手动查找令牌:

jq '.gateway.auth.token' ~/.openclaw/openclaw.json

或者显式设置:

crabwalk -t your-token
# 或者
export CLAWDBOT_API_TOKEN=your-token

技术栈

TanStack Start、ReactFlow、Framer Motion、tRPC、TanStack DB

版本历史

v1.0.112026/02/05
v1.0.102026/02/03
v1.0.92026/02/02
v1.0.82026/02/02
v1.0.72026/01/31
v1.0.62026/01/30
v1.0.52026/01/28
v1.0.42026/01/27
v1.0.32026/01/27
v1.0.22026/01/27
v1.0.12026/01/26

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|2天前
Agent开发框架图像

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。

162.1k|★★★☆☆|3天前
开发框架图像Agent

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

144.7k|★★☆☆☆|今天
开发框架Agent语言模型

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。

107.9k|★★☆☆☆|2天前
开发框架图像Agent

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器

93.4k|★★☆☆☆|昨天
插件开发框架

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|2天前
语言模型图像Agent