用 Rust 重写，内存压到 5MB，启动速度媲美系统命令，直接把 OpenClaw 那 394MB 内存占用按到地上去。
文章发出去之后，大家都在评论区纷纷探讨：
虽然 ZeroClaw 够快，但功能层面还差点意思，不少人表示再等一个更完整的 Agent 框架。
这刚过完春节，OpenFang 它就来了，用 Rust 构建生产级的 Agent 操作系统，刚开源就暴涨 2700+ Star。
如果说 ZeroClaw 解决了运行慢的问题，那 OpenFang 解决的是另一件事，把碎片化的 AI 能力，串联成一套可以持续自动运转的工作流。
简单举个例子：每天早上打开电脑，当天热门的前沿 AI 资讯已经整理好了，昨天拍的视频也剪好发出去。
这些事情不用我们主动触发，而是 OpenFang 按照预设的流程，自己一步步跑完的。
实现这套流程的核心，正是 OpenFang 这次带来的 Hands 预构建自主能力包。
通俗来讲，普通 Agent 就像一个接单的外包，你说一件事它做一件事，流程断了就要人来接。
但 Hands 更像一个有完整 SOP 的员工。交代好目标，它自己按流程跑，出了结果再来汇报，中间不需要人工介入。
每个 Hand 内部自带四样东西：运行计划、专家知识库、工具调用权限、Dashboard 指标。
激活之后，它知道自己该干什么、什么时候干、干完把结果送到哪，整条流程实现了闭环。
这也是 Hands 和普通 Agent 最根本的区别，不是功能多少的问题，而是工作方式上就有本质差异。
目前 OpenFang 为我们内置了 7 个 Hands，全天候自主运行，下面挑 5 个有代表性的聊一下。
Collector：帮我们盯着指定目标持续监控，竞对动态、舆情变化，一有异动就推送告警，同时在后台搭建知识图谱。
Lead：每天自动跑一轮，发现潜在客户、网络调研、0-100 打分、去重，最后以 CSV 或 Markdown 格式打包送来。
Researcher：深度调研员，用事实核查标准交叉验证多方来源，生成带引用的研究报告，支持多语言输出。
Clip：上传一条视频，8 阶段处理流水线自动跑完。识别高光片段、剪成竖屏短视频、加字幕、生成封面，最后自动发到平台。
Browser：帮我们在网页上自动点按填表，但只要涉及金额交易，就会立刻停下来等待我们人工点头。
除了内置 Hands，我们也可以自己动手构建，极大地扩展它的自主运行能力。
只需要写一个 HAND.toml 文件，定义好工具、参数和提示词，就能封装成一个专属的 Hand。
Agent 权限越大，安全就越重要
Hands 能帮我们操控浏览器、自动发帖、处理数据，所需要的权限明显比普通 Agent 大得多。
权限越大，安全就越关键，OpenFang 为此设计了 16 层独立安全机制，每一层单独运作。
工具代码跑在 WASM 沙箱里，出了问题不会影响到主系统运行。
同时每一个操作都有哈希链加密记录，即使出现了报错也能精准快速定位，不需要我们靠猜翻日志。
除此之外，如果 Agent 涉及到消费步骤，还会强制需要人工确认，AI 没有权限自己进一步操作。
总的来说，OpenFang 在自主性和安全性之间做了较好的平衡，把约束体系直接建进架构里，而不是事后打补丁。
与 ZeroClaw、OpenClaw 对比
我们再来看一下，官方给出的 OpenFang 与 ZeroClaw 和 OpenClaw 详细对比。
在功能层面，自主调度能力只有 OpenFang 有，其他五个框架全部为空，这是目前最核心的差异。
此外，安全层数是同类最高，覆盖的消息平台是竞品的 2-3 倍，支持的 LLM 供应商数量也处于第一梯队。
而在冷启动时间、内存占用、安装大小等性能测试数据上，OpenFang 夹在两者中间。
比 OpenClaw 轻很多，一般配置的电脑跑起来没什么负担，但是又比 ZeroClaw 功能丰富得多。
从对比来看，ZeroClaw 够轻但功能简，OpenClaw 功能丰富但太重，而 OpenFang 在两边之间取得了较好的平衡。
一键安装，轻松部署
只需要运行下面三条命令，即可运行起来。
curl-fsSL https://openfang.sh/install | shopenfang initopenfang start
对于已经在用 OpenClaw 的朋友，项目也提供了一键迁移命令：
openfang migrate --from openclaw执行完命令，所有 Agent 配置、对话历史、Skills、配置文件全部一键迁移。
不过也提醒一下，项目刚开源，还在快速迭代，建议做好数据备份再安装体验。
写在最后
从 OpenClaw 到 ZeroClaw，再到 OpenFang，Agent 框架的演化脉络越来越清晰了。
第一阶段打功能，第二阶段打性能，现在开始打的是自动化流程的完整度。
但往深处想，OpenFang 真正预示的，不只是让 Agent 能够自主干更多活。
就如当年 Docker 出现，不是为了让一个容器跑得更好，而是让整套部署流程变得可复制、可管理。
这里 Hands 的设计逻辑，本质上也是在给 Agent 的工作流程做标准化封装，让 AI 具备生产级能力，并且可管理、可复制、可规模化。
当这套标准逐渐成熟，一个人能同时管理多少条自主运行的 Agent 流程，产出就相当于多少个人的团队。
未来的竞争，拼的可能不再是谁的模型更聪明，而是谁搭的 Agent 流程跑得更稳、更安全、成本更低。
GitHub 项目地址：https://github.com/RightNow-AI/openfang
评论 (0)