PicoClaw：用不到 10 美元硬件跑起来的超轻量 AI 智能体，全流程部署拆解

莫潇羽@无忆研习社（www.wuyi.wiki）原创内容，转载请注明出处。

快速摘要

PicoClaw 是由矽速科技（Sipeed）开源的一款超轻量级 AI 智能体运行框架，使用 Go 语言从零重构，整个程序打包为单个二进制文件，内存占用不到 10MB，可以运行在 LicheeRV-Nano、树莓派、旧手机甚至路由器等极低成本硬件上。 它保留了 AI Agent 的核心三要素——感知、思考、行动，支持 Telegram、Discord、QQ、钉钉等多渠道接入，同时具备工具调用、语音识别和联网搜索能力。如果你一直想在家里部署一个 24 小时在线的 AI 助手，却苦于硬件成本和资源占用，那 PicoClaw 可能是目前门槛极低的方案之一。 往下看，莫潇羽将从项目原理、架构设计、硬件选型到完整部署流程，给你做一次详细拆解。

为什么需要一个"极致轻量"的 AI Agent

传统方案的痛点

在 AI Agent（智能体）领域，不少开源项目已经做到了相当完善的功能覆盖。但很多主流框架都面临一些共性问题：

• 依赖链条过长：以 TypeScript 和 Python 为主的技术栈，往往需要安装大量的运行时环境和依赖包。一个 node_modules 文件夹动辄几百兆，Python 的虚拟环境配置也让不少人头疼。
• 内存占用偏高：运行一个完整的 Agent 框架，通常需要数百兆甚至数 GB 的内存。对于想在低功耗设备上跑 Agent 的开发者来说，这是一个硬性门槛。
• 冷启动时间长：从执行命令到服务真正就绪，可能要等十几秒甚至更久。在嵌入式场景或者需要快速响应的场景下，这样的启动延迟是不可接受的。
• 跨平台部署繁琐：不同的 CPU 架构（x86、ARM、RISC-V）之间的迁移，往往需要重新处理依赖兼容性问题。

莫潇羽在无忆研习社也测试过几个主流的开源 Agent 框架，实际体验下来，想要在一台树莓派 3B 上流畅运行一个完整的 Agent，确实是一件相当困难的事情。

边缘 AI 的趋势

近年来，"边缘 AI（Edge AI）"的概念正在被越来越多地讨论。简单来说，边缘 AI 的核心思路是：把 AI 的推理计算放在云端大模型 API 上完成，把控制逻辑和运行框架放在本地轻量设备上执行。

这种架构有几个明显的好处：

• 本地设备只需要负责"调度"和"通信"，不需要真正跑大模型推理，硬件门槛大幅降低。
• 7×24 小时运行的功耗极低，一块 5V/1A 的电源适配器就够用了。
• 数据流转和控制权掌握在自己手中，隐私性相对更好。

PicoClaw 正是这一思路的典型实践。它不在本地做任何大模型推理，而是将推理请求通过 API 转发给云端大模型，自己只负责"接收指令 → 调用工具 → 返回结果"这条控制链路。

PicoClaw 是什么

PicoClaw 是矽速科技（Sipeed）开源的一款超轻量级 AI Agent 框架，项目托管在 GitHub 上：

项目地址：https://github.com/sipeed/picoclaw

从技术定位上看，PicoClaw 属于 AI Agent 的"运行时（Runtime）"层——它本身不包含大语言模型，而是作为一个高效的控制中枢，连接用户输入、大模型 API 和各类工具。

核心定位

用一句话概括：PicoClaw 是一个能跑在"电子垃圾"上的 AI Agent 微内核。

这里的"电子垃圾"并非贬义，而是指那些你可能已经闲置了的老旧硬件——几年前买的树莓派、刷了 Linux 的旧手机、几十块的开发板等等。PicoClaw 的设计目标就是让这些设备重新焕发生命力。

数据对比

为了让大家直观地理解 PicoClaw 的轻量程度，莫潇羽@无忆研习社 整理了一组核心指标的对比：

内存占用减少了约 99%，启动速度提升了约 400 倍。这不是简单的"优化"，而是技术栈层面的彻底重构。

技术架构深度解析

为什么选择 Go 语言

PicoClaw 从零开始使用 Go 语言重构，这个技术决策本身就值得深入分析。莫潇羽认为，Go 语言在这个场景下有几个不可替代的优势：

第一，单二进制文件编译。 Go 的编译器默认会将所有依赖静态链接到一个二进制文件中。这意味着部署时不需要安装任何运行时环境——没有 Node.js，没有 Python 解释器，没有 pip install，没有 npm install。把编译好的文件通过 scp 拷贝到目标设备上，给个执行权限，直接运行。这在嵌入式场景下的价值是巨大的。

第二，卓越的内存效率。 Go 的运行时（goroutine 调度器 + GC）本身非常轻量。一个 goroutine 的初始栈大小只有几 KB，相比之下，一个系统线程通常需要几 MB 的栈空间。这使得 Go 程序可以在极低的内存环境下高效运行并发任务。

第三，原生跨平台交叉编译。 Go 的工具链原生支持交叉编译，只需要设置 GOOS 和 GOARCH 两个环境变量，就可以在一台 x86 的开发机上编译出 ARM 或 RISC-V 架构的二进制文件。例如：

# 在 x86 机器上编译 ARM 架构的二进制文件
GOOS=linux GOARCH=arm GOARM=7 go build -o picoclaw-arm

# 编译 RISC-V 架构的二进制文件
GOOS=linux GOARCH=riscv64 go build -o picoclaw-riscv64

# 编译 x86_64 架构的二进制文件
GOOS=linux GOARCH=amd64 go build -o picoclaw-amd64

这些命令可以在几秒钟内完成，不需要安装额外的交叉编译工具链。

第四，高效的并发模型。 AI Agent 的工作流程天然适合并发处理：同时监听多个消息渠道、并行调用多个工具、异步等待 API 响应。Go 的 goroutine + channel 模型让这些并发逻辑的实现既简洁又高效。

Agent 的三要素架构

PicoClaw 虽然轻量，但严格遵循了 AI Agent 的经典三要素架构——感知（Perception）、思考（Reasoning）、行动（Action）。下面莫潇羽分别拆解每个模块的实现原理。

感知层：多渠道接入

感知层负责"接收信息"。PicoClaw 采用了统一的消息抽象接口，将来自不同平台的消息格式统一化处理。目前支持的渠道包括：

• Telegram：通过 Telegram Bot API 接入，适合海外用户和开发者。
• Discord：通过 Discord Bot API 接入，适合社区场景。
• QQ：通过 QQ 开放平台接入，适合国内用户的日常沟通。
• 钉钉：通过钉钉机器人接口接入，适合团队协作场景。

每个渠道的接入逻辑被封装为独立的 Gateway 模块，遵循统一的接口规范。这意味着如果你需要接入一个新的平台（比如飞书或者企业微信），只需要实现对应的 Gateway 适配器即可，核心逻辑不需要改动。

这种设计模式在软件工程中叫做"适配器模式（Adapter Pattern）"，它的好处是让系统具备良好的可扩展性。

在语音感知方面，PicoClaw 接入了 Groq 的 Whisper 语音识别服务。当用户发送语音消息时，PicoClaw 会将音频文件转发给 Groq API，获取转写后的文本，然后再交给大模型处理。这让你可以直接对着手机说话来操控你的 AI Agent。

思考层：大模型 API 调用

思考层是 Agent 的"大脑"。PicoClaw 本身不运行任何大语言模型——它的策略是将推理任务完全委托给云端大模型 API。

从配置文件中可以看到，PicoClaw 支持通过 OpenRouter 等聚合平台接入多种大模型。默认配置中使用的模型标识为 glm-4.7，当然你也可以替换为其他兼容 OpenAI API 格式的模型服务。

{
  "agents": {
    "defaults": {
      "model": "glm-4.7",
      "max_tokens": 8192,
      "temperature": 0.7,
      "max_tool_iterations": 20
    }
  }
}

这里几个关键参数的含义：

• model：指定使用的大语言模型标识。你可以根据自己的需求和预算选择不同的模型。
• max_tokens：单次对话中模型生成的最大 token 数量。8192 是一个比较合理的默认值，足以应对大多数对话场景。
• temperature：生成随机性参数。0.7 表示适度的创造性，你可以调低到 0.1-0.3 来获得更确定性的回答，或者调高到 0.9 以上来获得更发散的回答。
• max_tool_iterations：工具调用的最大迭代次数。设为 20 意味着 Agent 在一次对话中最多可以连续调用 20 次工具。这是一个安全限制，防止 Agent 陷入无限循环。

这种"本地控制 + 云端推理"的架构，正是 PicoClaw 能够将内存占用压缩到 10MB 以下的根本原因。大模型推理是 AI 系统中最耗资源的环节，把它交给云端处理后，本地只需要维护一个轻量的 HTTP 客户端和消息队列即可。

行动层：工具调用系统

行动层负责"执行操作"。一个只会聊天的 Bot 并不是真正的 Agent——Agent 的核心价值在于它能够"做事"。

PicoClaw 内置了以下核心工具能力：

• Shell 命令执行：Agent 可以在宿主设备上执行 Shell 命令。这意味着你可以通过聊天指令让 Agent 查看系统状态、管理文件、执行脚本等等。
• 文件读写：Agent 可以读取和写入文件系统中的文件。结合 Shell 命令，你可以让 Agent 帮你编辑配置文件、生成报告、整理数据。
• 联网搜索：通过接入 Brave Search API，Agent 可以实时搜索互联网上的信息。这让它不再局限于大模型的训练数据，而是能够获取最新的信息。
• 语音转文字：通过 Groq 的 Whisper 服务，Agent 可以处理语音输入。
• Skills 技能系统：PicoClaw 还支持技能（Skills）的安装和扩展，你可以为它添加自定义的工具和能力。

值得注意的是，Shell 命令执行这个能力需要谨慎对待。莫潇羽@无忆研习社提醒大家，在生产环境中部署时，一定要做好权限隔离，建议使用非 root 用户运行 PicoClaw，并通过 Linux 的权限机制限制它能够访问的目录和命令范围。

"AI 自引导"的开发模式

PicoClaw 的 README 中提到了一个有趣的细节：项目核心代码的 95% 是由 AI Agent 自主生成的，人类开发者主要负责架构设计和代码审查。

这是一种被称为"AI 自引导（AI-Bootstrapped）"的开发模式。具体来说，开发团队先用 AI Agent 分析了现有 Agent 框架的架构和代码，然后让 Agent 按照 Go 语言的最佳实践重新生成核心逻辑代码。人类开发者在这个过程中扮演"架构师 + 审查者"的角色，负责把控方向、审查代码质量、处理边界情况。

这种开发模式在开源社区中正变得越来越普遍。它的优势在于可以快速完成大量重复性的编码工作，让人类开发者把精力集中在更高层次的设计决策上。

硬件选型指南

PicoClaw 最吸引人的特性之一就是它对硬件要求极低。莫潇羽为大家整理了几种典型的硬件方案，帮助不同需求的读者找到适合自己的选择。

极致性价比方案：LicheeRV-Nano

LicheeRV-Nano 是矽速科技自家出品的一款超小型 RISC-V 开发板，售价约 9.9 美元（折合人民币约 70 元左右）。

它的核心参数：

• CPU：RISC-V 架构，主频 1GHz
• 内存：64MB DDR
• 存储：支持 MicroSD 卡
• 网络：板载以太网或可选 WiFi
• 尺寸：约 25mm × 21mm，比一枚硬币大不了多少

64MB 的内存对于 PicoClaw 来说绰绰有余——PicoClaw 只需要不到 10MB。这意味着你还有超过 50MB 的内存空间来运行其他服务。

这个方案适合追求极致性价比、有一定嵌入式开发基础的开发者。

入门友好方案：树莓派

树莓派（Raspberry Pi）是嵌入式社区最知名的开发板之一，社区生态完善，文档丰富，非常适合小白入门。

即使是最老的树莓派 3B，也有 1GB 的内存和四核 ARM 处理器，运行 PicoClaw 完全不在话下。如果你手头已经有一块闲置的树莓派，那直接拿来用就好。

树莓派的优势在于生态成熟——你遇到的绝大多数问题，都能在社区论坛上找到答案。对于第一次接触嵌入式设备的读者，莫潇羽推荐从树莓派开始。

零成本方案：旧手机刷 Linux

如果你有一台已经淘汰的安卓手机，可以考虑用它来运行 PicoClaw。通过 Termux 或者刷入 Linux 发行版，旧手机可以变成一台迷你 Linux 服务器。

大多数几年前的手机都有至少 2-4GB 的内存和多核处理器，硬件性能远超 PicoClaw 的最低要求。而且手机自带电池，在断电情况下还能继续运行一段时间，算是一个天然的 UPS。

不过这个方案有一些注意事项：

• 手机的散热不如专门的开发板，长时间满负荷运行可能会有温度问题。
• 不同手机型号的 Linux 适配程度不同，可能需要额外的折腾。
• 建议使用 Termux 方案，兼容性相对最好。

其他可选硬件

PicoClaw 还可以运行在以下设备上：

• NanoKVM：矽速科技的另一款产品，主打远程 KVM 控制。
• MaixCAM：带摄像头的 AI 开发板，适合需要视觉感知的场景。
• 安卓电视盒：刷入 Armbian 后，几十块的电视盒也能变成 Agent 服务器。
• 路由器：理论上，刷了 OpenWrt 的路由器也可以运行 PicoClaw，但这取决于路由器的 CPU 架构和可用内存。

完整部署教程

下面莫潇羽@无忆研习社 给大家做一个从零开始的完整部署流程讲解。我会尽量把每个步骤都说清楚，让没有服务器运维经验的读者也能跟着操作。

方式一：使用预编译二进制文件（推荐新手）

这是最简单的部署方式，适合大多数用户。

第一步：下载二进制文件。

到 PicoClaw 的 GitHub Release 页面，根据你的设备 CPU 架构下载对应的二进制文件。

下载地址：https://github.com/sipeed/picoclaw/releases

常见的架构对照：

• x86_64 电脑（包括大多数台式机和笔记本）：选择 amd64 版本
• 树莓派 3B/4B：选择 arm 或 arm64 版本
• RISC-V 开发板（如 LicheeRV-Nano）：选择 riscv64 版本

如果你不确定自己设备的架构，可以在终端中执行以下命令查看：

uname -m

输出结果的对照关系：

• x86_64 → 下载 amd64 版本
• aarch64 或 armv7l → 下载 arm64 或 arm 版本
• riscv64 → 下载 riscv64 版本

第二步：赋予执行权限并移动到系统路径。

# 假设下载的文件名为 picoclaw-linux-amd64
chmod +x picoclaw-linux-amd64

# 重命名为更简洁的名称
mv picoclaw-linux-amd64 picoclaw

# 移动到系统路径（可选，方便全局调用）
sudo mv picoclaw /usr/local/bin/

第三步：初始化配置。

picoclaw onboard

这个命令会在 ~/.picoclaw/ 目录下生成默认的配置文件。初始化完成后，你需要编辑配置文件来填入你的 API 密钥。

方式二：从源码编译

如果你想从源码编译，或者需要对代码做一些自定义修改，可以按照以下步骤操作。

前置要求： 确保你的开发机上安装了 Go 语言环境。Go 的版本建议使用 1.21 或更高版本。

检查 Go 是否已安装：

go version

如果没有安装，可以参考 Go 官方文档进行安装：https://go.dev/doc/install

编译步骤：

# 第一步：克隆项目代码
git clone https://github.com/sipeed/picoclaw.git

# 第二步：进入项目目录
cd picoclaw

# 第三步：安装依赖
make deps

# 第四步：编译
# 只编译当前平台
make build

# 或者编译所有平台（会同时生成 x86、ARM、RISC-V 等多个版本）
make build-all

# 第五步：安装到系统路径（可选）
make install

编译完成后，生成的二进制文件会出现在项目的 build 或 bin 目录下。

如果你需要为不同于当前机器架构的平台编译（交叉编译），Go 的工具链让这件事变得非常简单：

# 示例：在你的开发机上为树莓派编译
GOOS=linux GOARCH=arm64 make build

# 然后通过 scp 把编译好的文件传到树莓派
scp build/picoclaw-linux-arm64 pi@raspberrypi.local:~/picoclaw

方式三：Docker 部署

如果你的设备支持 Docker（比如 x86 服务器或者较新的树莓派 4B），Docker 部署是最省心的方式。

# 第一步：克隆项目代码
git clone https://github.com/sipeed/picoclaw.git
cd picoclaw

# 第二步：配置 API 密钥
cp config/config.example.json config/config.json
vim config/config.json    # 用你喜欢的编辑器打开，填入 API 密钥

# 第三步：构建并启动服务
docker compose --profile gateway up -d

# 第四步：查看运行日志
docker compose logs -f picoclaw-gateway

# 如果需要停止服务
docker compose --profile gateway down

Docker 方式还支持"一次性对话模式"，适合快速测试：

# 直接提问
docker compose run --rm picoclaw-agent -m "今天天气怎么样？"

# 交互式对话模式
docker compose run --rm picoclaw-agent

如果你修改了代码或配置，需要重新构建镜像：

docker compose --profile gateway build --no-cache
docker compose --profile gateway up -d

配置文件详解

配置文件是 PicoClaw 运行的核心，位于 ~/.picoclaw/config.json。下面莫潇羽@无忆研习社 逐个字段为大家解释每个配置项的含义和最佳实践。

完整配置文件模板

{
  "agents": {
    "defaults": {
      "workspace": "~/.picoclaw/workspace",
      "model": "glm-4.7",
      "max_tokens": 8192,
      "temperature": 0.7,
      "max_tool_iterations": 20
    }
  },
  "providers": {
    "openrouter": {
      "api_key": "你的 API 密钥",
      "api_base": "https://openrouter.ai/api/v1"
    }
  },
  "tools": {
    "web": {
      "search": {
        "api_key": "你的 Brave Search API 密钥",
        "max_results": 5
      }
    }
  },
  "channels": {
    "qq": {
      "enabled": true,
      "app_id": "你的 QQ 机器人 App ID",
      "app_secret": "你的 QQ 机器人 App Secret",
      "allow_from": []
    }
  }
}

agents 配置段

这个部分定义了 Agent 的核心行为参数。

workspace：Agent 的工作目录。Agent 在执行文件操作时，会以这个目录为基准。默认值 ~/.picoclaw/workspace 是一个合理的选择，如果你想把工作目录放到其他位置（比如一个外挂的 U 盘或 NAS 挂载点），可以修改这个路径。

model：指定调用的大语言模型。这里的模型标识取决于你使用的 API 提供商。例如：

• 如果通过 OpenRouter，可以使用 google/gemma-2-9b-it、meta-llama/llama-3-8b-instruct 等标识。
• 如果直接对接智谱 AI，可以使用 glm-4 系列模型标识。
• 如果使用兼容 OpenAI API 格式的国内大模型服务（如通义千问、百川等），填入对应的模型标识即可。

max_tokens：限制模型单次回复的最大 token 数。建议根据使用场景调整：

• 日常聊天：4096 就够了
• 需要生成长文本或代码：8192 - 16384
• 简短问答场景：2048

temperature：控制输出的随机性和创造性。

• 0.0 - 0.3：输出非常确定，适合需要精确答案的场景（代码生成、数据分析）
• 0.4 - 0.7：平衡模式，大多数场景推荐
• 0.8 - 1.0：高创造性，适合头脑风暴、创意写作

max_tool_iterations：Agent 在单次对话中连续调用工具的最大次数。这是一个安全阀门，防止 Agent 因为逻辑错误而无限循环地调用工具。20 次在大多数场景下足够，如果你的使用场景涉及复杂的多步操作，可以适当调高。

providers 配置段

这个部分定义了大模型 API 的连接信息。

PicoClaw 默认支持 OpenRouter 作为 API 聚合层。OpenRouter 的好处是它聚合了多家大模型服务商，你可以用一个 API 密钥访问上百种不同的模型。

如果你更倾向于直接对接某一家大模型服务商，可以将 api_base 修改为对应的 API 地址。只要服务商的 API 格式兼容 OpenAI 的 Chat Completions 接口，PicoClaw 都可以无缝对接。

例如，如果要对接国产的大模型 API 服务：

{
  "providers": {
    "custom": {
      "api_key": "你的 API 密钥",
      "api_base": "https://你的API服务地址/v1"
    }
  }
}

tools 配置段

这个部分定义了 Agent 可以使用的外部工具。

目前配置文件中主要涉及的是联网搜索功能。PicoClaw 使用 Brave Search 作为搜索引