快速摘要： CoPaw 是阿里云通义 AgentScope 团队推出的开源个人 AI 智能助理框架，采用 Apache 2.0 协议，支持本地部署与云端部署两种模式。它能接入钉钉、飞书、QQ、Discord、iMessage 等主流聊天平台，内置长期记忆系统和 Skills 扩展机制，支持 Ollama、llama.cpp、MLX 等本地大模型推理，也兼容通义千问等云端模型。 三条命令即可在本地跑通，数据完全自主可控，是目前部署门槛较低的开源 Agent 工具之一。如果你正在寻找一个真正属于自己的 AI 助手方案，往下看有更详细的原理拆解、部署教程和实操指南。
一、CoPaw 到底是什么？它解决了什么问题？
2026 年 2 月 28 日，阿里云通义实验室正式宣布将旗下个人 AI 助理项目 CoPaw 在 GitHub 上完全开源。这个项目由 AgentScope 团队打造，代码采用 Apache 2.0 协议发布，意味着个人和企业都可以免费使用，甚至进行商业化的二次开发。
CoPaw 的全称是 Co Personal Agent Workstation（协同个人智能体工作台），其中"Co-Paw"这个名字还有一层含义——"你的搭档小爪子"。官方对它的定位是："懂你所需，伴你左右。" 从命名到设计理念，CoPaw 都在强调它不是一个冷冰冰的工具，而是一个可以长期陪伴、持续学习用户习惯的数字搭档。
那 CoPaw 到底解决了什么问题？
在当前的 AI 助手领域，大部分产品要么是纯云端的（你的对话数据、个人偏好、工作文件等敏感信息全部存储在服务商的服务器上，用户对数据的去向没有控制权），要么是单一平台的（只能在某一个特定的 App 或网页里使用，无法跨平台协同），要么是配置复杂的（需要具备相当的技术背景才能完成安装和配置，普通用户望而却步）。CoPaw 试图同时解决这三个痛点——它可以完全跑在你自己的电脑上，数据不出本地，你拥有完整的控制权；它可以同时接入多个聊天平台，在你日常使用的 App 里直接对话，无需切换工具；它的安装门槛也做到了很低，三条命令就能启动，一键脚本甚至可以帮你自动管理 Python 环境。
莫潇羽@无忆研习社（www.wuyi.wiki）第一时间对这个项目进行了深入研究和测试，接下来将从技术原理到实际操作，给大家做一个全面的拆解。
二、CoPaw 的底层架构：基于 AgentScope 的智能体系统
要理解 CoPaw 的工作原理，首先需要了解它背后的技术底座——AgentScope。
2.1 AgentScope 是什么
AgentScope 是阿里通义实验室推出的一款开源多智能体开发框架，专门用于构建基于大语言模型（LLM）的智能体应用。它在 2024 年初首次开源，经过持续迭代，已经发展到 1.0 版本，形成了一套覆盖"开发、部署、监控"全生命周期的生产级解决方案。
AgentScope 的技术架构分为三个核心层次：
实用层（Utility Layer）： 这是最底层的能力层，提供了 Agent 运行所需的基础功能。它将 API 调用、数据检索、代码执行等底层操作进行了抽象封装，让上层的智能体可以专注于自己的任务逻辑，而不用关心底层实现细节。这一层还内置了自动重试机制，当遇到网络波动或 API 异常时，系统会自动进行容错处理。
管理器和包装器层（Manager and Wrapper Layer）： 这一层负责资源管理和 API 服务的调度。它确保各种模型资源的高可用性，同时提供了对大语言模型不稳定输出的防护能力。比如当模型返回了格式不正确的结果时，这一层会进行拦截和修正。
智能体层（Agent Layer）： 这是 AgentScope 的核心层，负责多智能体工作流的交互和通信。它通过管道（Pipeline）和消息中心（MsgHub）两种语法工具来简化复杂的消息交换逻辑，让开发者可以用非常简洁的代码来编排多个智能体之间的协作流程。
AgentScope 采用了 ReAct 范式（Reasoning + Acting）作为其主要的智能体架构。简单来说，ReAct 就是让 AI 在回答问题或执行任务时，先进行推理（Reasoning），分析当前情况和可用工具，然后采取行动（Acting），调用相应的工具或 API，再根据返回结果继续推理，如此循环直到完成任务。这种"思考—行动—观察"的循环模式，使得智能体能够灵活地应对各种复杂场景。
2.2 CoPaw 在 AgentScope 之上做了什么
CoPaw 是基于 AgentScope 生态构建的一个具体应用，可以理解为 AgentScope 框架在"个人 AI 助理"这个场景下的最佳实践。它在 AgentScope 的基础上，增加了以下几个关键能力：
多频道接入层： CoPaw 封装了一套统一的消息适配器，可以将来自钉钉、飞书、QQ、Discord、iMessage 等不同聊天平台的消息，统一转换为 AgentScope 能理解的标准消息格式。这样，无论用户从哪个平台发来消息，CoPaw 的核心处理逻辑都是一样的。
长期记忆系统： CoPaw 内置了向量检索功能，能够记录用户的偏好、习惯、重要决策和待办事项等信息。这些记忆存储在本地，随着对话的深入，CoPaw 会越来越"了解"用户。而且在 local 模式下，不需要额外安装第三方向量数据库。
Skills 技能系统： CoPaw 设计了一套灵活的技能扩展机制，内置了文档处理（PDF、Word、Excel、PPT）、新闻阅读、文件管理等常用能力，同时支持用户自定义技能，并且可以从社区导入他人分享的技能。
定时任务引擎： 基于 cron 表达式的定时任务系统，可以让 CoPaw 在指定时间自动执行特定任务。
Web 控制台： 一个内置的浏览器管理界面，用于配置模型、管理技能、查看记忆、设置频道等。
这里莫潇羽@无忆研习社要特别说明一点：CoPaw 的核心智能来自大语言模型。它本身并不"生成"智能，而是作为一个中间层（或者叫"编排层"），将用户的需求、可用的工具和模型的推理能力串联起来。你可以把它想象成一个非常聪明的调度中心——用户说一句话，CoPaw 分析意图，然后决定调用哪些工具、以什么顺序执行、如何把结果返回给用户。
2.3 消息通信机制：Agent 之间如何协作
AgentScope 框架定义了一套 "Agent—Environment—Agent" 的通信模型。在这个模型中，Environment（环境）充当了"通信中枢"的角色，所有 Agent 之间的消息都通过 Environment 进行中转，而不是直接点对点通信。
这种设计带来了几个好处：
统一的消息格式： 无论是什么类型的消息，都被统一封装为标准格式（包含发送者 ID、接收者 ID、消息类型、内容、时间戳等字段）。这让不同类型的 Agent 可以无障碍地交互。
全局状态透明： Environment 维护着全局任务状态，所有 Agent 都可以实时查询当前任务的进度。这避免了多个 Agent "重复处理同一任务"的问题。
支持同步和异步通信： 需要实时交互的场景（比如用户提问等待回答）使用同步通信；非紧急的任务（比如日志上报、记忆写入）使用异步通信。这种灵活的通信模式确保了系统的响应速度和整体效率。
在 CoPaw 的实际运行中，这个通信机制体现为：当你在钉钉上给 CoPaw 发送一条消息时，消息首先被钉钉频道适配器接收，然后转换为标准消息格式传入 Environment；核心 Agent 从 Environment 获取消息，进行推理和工具调用；处理完成后，回复消息再通过 Environment 回到钉钉频道适配器，最终发送回你的钉钉。整个过程是高度解耦和模块化的。
2.4 MCP 客户端架构：如何管理外部工具
CoPaw 继承了 AgentScope 对 MCP 协议的深度支持。AgentScope 提供了一套高级 MCP 客户端架构，核心是一个双客户端设计，提供有状态和无状态两种客户端以适应不同的交互模式。
有状态客户端（Stateful Client）： 通过显式的连接和关闭接口，与 MCP 服务器建立持久连接。在连接存续期间，所有工具调用都发生在同一个会话内。这种模式适用于需要跨多个操作维护上下文的场景，比如需要在多个步骤中保持浏览器 cookie 和页面状态的远程浏览器操作。
无状态客户端（Stateless Client）： 采用临时连接模式，在每次工具调用前自动建立连接，调用完成后立即断开。这种模式资源占用更小，适用于不依赖会话状态的轻量级事务性服务，比如天气查询、汇率转换等一次性调用。
在 CoPaw 的控制台中，你可以方便地管理 MCP 客户端，添加新的 MCP 服务端点，选择有状态或无状态模式，配置连接参数等。这使得 CoPaw 可以像"万能插座"一样，灵活地接入各种外部工具和数据服务。
三、CoPaw 的三大核心能力详解
官方将 CoPaw 的核心能力总结为三个方面，下面我们逐一拆解其技术实现和实际意义。
3.1 全域触达：一个 AI 助手，连通所有聊天平台
CoPaw 支持接入以下聊天频道：
- 钉钉 —— 适用于企业内部办公和团队协作
- 飞书 —— 适用于项目管理和跨部门协同
- QQ —— 适用于个人社交和日常沟通
- Discord —— 适用于开发者社区和兴趣群组
- iMessage —— 适用于苹果生态用户
- Web 控制台 —— 基于浏览器的统一管理界面
这意味着什么呢？你可以在钉钉群里 @CoPaw 让它帮你整理会议纪要，也可以在 QQ 上给它发消息让它帮你查资料，还可以在飞书上让它推送每天的新闻摘要。同一个 AI 助手实例，多个平台同步可用。
从技术实现上看，CoPaw 在内部维护了一个统一的消息总线。每个频道都有对应的适配器（Adapter），负责将平台特有的消息格式（比如钉钉的回调消息、QQ 的 OneBot 协议消息）转换为 CoPaw 内部统一的消息对象。当 CoPaw 处理完请求生成回复后，再通过对应频道的适配器将回复发送回去。这种设计确保了核心处理逻辑的一致性，同时又能灵活适配不同平台的差异。
3.2 由你掌控：记忆与隐私完全自主
这是 CoPaw 区别于大多数云端 AI 助手的关键特性。
当你选择本地部署 CoPaw 时，所有数据——对话记录、个人偏好、知识库、向量索引——全部存储在你自己的电脑上。不需要把任何敏感信息上传到云端服务器。对于关注数据隐私的个人用户和企业来说，这一点非常重要。
CoPaw 的记忆系统有几个值得关注的设计：
主动记忆更新： CoPaw 不只是被动地记录对话内容，它会主动从对话中提取有价值的信息，比如用户的工作习惯、偏好设置、重要决策等，并将这些信息写入长期记忆。
心跳记忆维护： CoPaw 会在后台定期对记忆进行整理和维护，类似于人的"记忆巩固"过程。这确保了记忆库不会无限膨胀，同时重要的信息不会被遗忘。
PROFILE.md 机制： CoPaw 使用一个 PROFILE.md 文件来存储用户的基础设定，包括 CoPaw 的名字、性格、与用户的关系等。这个文件在首次对话时会引导用户填写，后续也可以随时修改。这意味着你可以把 CoPaw 设定成一个严肃的工作助手，也可以把它设定成一个活泼的日常伙伴。
本地向量搜索： CoPaw 内置了向量检索功能，可以对存储的记忆进行语义搜索。比如你之前跟 CoPaw 讨论过某个项目的技术方案，过了几天你再提起这个项目，CoPaw 能够通过向量检索找到之前的讨论内容，延续上下文。
3.3 Skills 扩展：能力可以无限延伸
Skills 是 CoPaw 的能力扩展机制，也是它最具灵活性的部分。
内置 Skills： CoPaw 开箱即用的内置技能包括：
- cron（定时任务） —— 支持基于 cron 表达式的定时执行
- file_reader（文件阅读） —— 读取和理解本地文件
- pdf（PDF 处理） —— 解析、提取 PDF 文档内容
- docx（Word 处理） —— 创建和编辑 Word 文档
- pptx（PPT 处理） —— 创建和编辑演示文稿
- xlsx（Excel 处理） —— 创建和编辑电子表格
- news（新闻阅读） —— 获取和摘要新闻资讯
自定义 Skills： 用户可以在 CoPaw 的工作目录下创建 skills/ 文件夹，按照规定的格式编写 Skill 脚本（Markdown 格式的 SKILL.md + Python 代码），CoPaw 会自动检测并加载新的技能。编写完成后，技能会自动同步到控制台 UI 中。
社区 Skills 导入： CoPaw 支持从 Skills Hub 一条命令导入他人分享的技能：
copaw skill install <skill-name>运行中热加载： 得益于 MCP（模型上下文协议）的热插拔架构，CoPaw 可以在运行过程中动态添加新的工具，无需重启服务。这对于需要频繁调整能力的场景非常实用。
这里莫潇羽@无忆研习社再补充说明一下 Skills 和 MCP 的关系。MCP（Model Context Protocol，模型上下文协议）是 Anthropic 在 2024 年底提出的一个开放协议标准，目的是统一 AI 模型与外部工具之间的通信方式。你可以把 MCP 理解为 AI 世界的"USB-C 接口"——有了这个统一标准，任何遵循 MCP 协议的工具都可以即插即用地接入 AI 系统。
在 CoPaw 的架构中，MCP 扮演的是"协议层"的角色，它规定了工具如何被发现、描述和调用；而 Skills 则是"能力层"，它定义了具体能做什么事情。打个比方：MCP 是插座的标准（三孔还是两孔、电压多少），Skills 是你插上去的电器（台灯、电扇、电脑）。两者各司其职，又紧密配合。
四、环境准备：部署 CoPaw 之前你需要知道的事
在动手部署之前，我们先梳理一下 CoPaw 对运行环境的基本要求，以及一些需要提前准备的东西。
4.1 系统要求
CoPaw 支持以下操作系统：
- Linux —— Ubuntu 20.04 及以上版本，其他主流发行版也可以
- macOS —— 支持 Intel 和 Apple Silicon（M1/M2/M3/M4）芯片
- Windows —— Windows 10/11，CoPaw 专门针对 Windows 做了优化
Python 版本要求在 3.10 到 3.13 之间。如果你使用一键安装脚本，系统会自动管理 Python 环境，不需要你手动安装。
4.2 硬件要求
硬件要求取决于你选择使用云端模型还是本地模型：
使用云端模型（如通义千问 DashScope）： 对本地硬件没有特殊要求，普通的办公电脑就可以运行。CoPaw 本身占用的资源很少，主要的计算在云端完成。
使用本地模型（如 Ollama、llama.cpp）： 建议至少 8GB 内存。如果要运行较大的模型（比如 7B 参数以上的模型），建议 16GB 以上内存。如果你有 NVIDIA 独立显卡，可以利用 GPU 加速推理。Apple Silicon 用户可以使用 MLX 框架，充分利用统一内存架构的优势。
4.3 模型选择
CoPaw 支持多种模型接入方式，这是它非常灵活的一个设计：
云端模型：
- DashScope（通义千问系列） —— 阿里云的模型服务，是 CoPaw 的默认推荐选项
- OpenAI 兼容接口 —— 支持任何兼容 OpenAI API 格式的服务
- 其他自定义接口 —— 可以对接任何提供 API 的模型服务商
本地模型：
- Ollama —— 最流行的本地模型管理工具，支持一键下载和运行各种开源模型
- llama.cpp —— 跨平台的本地推理引擎，支持 Windows、macOS、Linux
- MLX —— Apple 专门为 Apple Silicon 芯片优化的推理框架，M 系列芯片用户可以获得最佳性能
如果你选择使用本地模型，完全不需要任何 API Key，也不需要联网。这是真正意义上的"数据不出本地"。
4.4 API Key 准备（使用云端模型时）
如果你计划使用云端模型，需要提前准备好对应服务商的 API Key：
DashScope API Key 获取方式：
- 访问阿里云官网，注册或登录你的阿里云账号
- 进入 DashScope 控制台（dashscope.aliyuncs.com）
- 在 API Key 管理页面创建新的 Key
- 记录下这个 Key，后续配置时会用到
此外，如果你需要使用网页搜索等工具功能，可能还需要准备 TAVILY_API_KEY 等第三方服务的密钥，这些可以在 CoPaw 运行起来后再在控制台中配置。
五、三种部署方式全流程详解
CoPaw 提供了三种安装部署方式，适合不同技术背景的用户。下面逐一讲解。
5.1 方式一：pip 安装（推荐给有 Python 环境的用户）
如果你的电脑上已经安装了 Python 3.10 及以上版本，这是最简单直接的方式。
第一步：安装 CoPaw
打开终端（macOS/Linux）或命令提示符（Windows），执行：
pip install copaw这条命令会从 Python 包管理器（PyPI）下载 CoPaw 及其所有依赖。安装过程通常需要几分钟，取决于你的网络速度。
如果你需要使用本地模型，可以在安装时指定额外依赖：
# 安装 llama.cpp 支持（跨平台）
pip install 'copaw[llamacpp]'
# 安装 MLX 支持（仅 Apple Silicon）
pip install 'copaw[mlx]'
# 同时安装两者
pip install 'copaw[llamacpp,mlx]'第二步：初始化配置
安装完成后，运行初始化命令：
# 使用默认配置（快速启动）
copaw init --defaults
# 或者使用交互式初始化（会引导你一步步配置）
copaw init选择 copaw init（不带 --defaults）会进入交互式配置流程，依次引导你设置：LLM 提供商选择、API Key 填写、频道配置、Skills 启用等。对于第一次使用的用户，建议先用 --defaults 快速跑通，之后再通过控制台慢慢调整。
第三步：启动服务
copaw app服务启动后，你会在终端看到类似这样的输出：
CoPaw is running at http://127.0.0.1:8088/打开浏览器，访问 http://127.0.0.1:8088/ 就能看到 CoPaw 的 Web 控制台了。
5.2 方式二：一键安装脚本（推荐给不想折腾 Python 的用户）
如果你不想手动安装和管理 Python 环境，CoPaw 提供了一键安装脚本，它会自动帮你处理 Python 环境的安装和配置。
macOS / Linux 用户：
curl -fsSL https://copaw.agentscope.io/install.sh | bash这条命令做了什么？它从 CoPaw 的官方服务器下载安装脚本，然后自动执行。脚本会检测你的系统环境，如果没有合适版本的 Python，会自动安装；然后创建一个独立的虚拟环境，在其中安装 CoPaw。
Windows 用户（需要在 PowerShell 中运行）：
irm https://copaw.agentscope.io/install.ps1 | iex安装完成后，新开一个终端窗口（这很重要，因为环境变量需要在新终端中生效），然后执行：
copaw init --defaults
copaw app一键安装脚本还支持一些高级选项：
# 安装指定版本
curl -fsSL https://copaw.agentscope.io/install.sh | bash -s -- --version 0.0.2
# 从源码安装（适合开发者和测试人员）
curl -fsSL https://copaw.agentscope.io/install.sh | bash -s -- --from-source
# 安装本地模型支持
bash install.sh --extras llamacpp # llama.cpp（跨平台）
bash install.sh --extras mlx # MLX（Apple Silicon 专属）
bash install.sh --extras llamacpp,mlx # 两者都装卸载 CoPaw：
copaw uninstall # 保留配置和数据
copaw uninstall --purge # 删除所有内容（包括配置和数据）5.3 方式三：Docker 部署（推荐给熟悉容器化的用户）
如果你习惯使用 Docker，可以用容器方式运行 CoPaw。这种方式的好处是环境完全隔离，不会影响宿主机的其他软件。
# 拉取最新镜像
docker pull agentscope/copaw:latest
# 启动容器
docker run -p 8088:8088 -v copaw-data:/app/working agentscope/copaw:latest参数解释：
-p 8088:8088—— 将容器内的 8088 端口映射到宿主机的 8088 端口-v copaw-data:/app/working—— 将数据持久化到名为copaw-data的 Docker 卷中，这样即使容器重启，你的配置、记忆和 Skills 都不会丢失
如果需要传入 API Key，可以通过环境变量方式：
docker run -p 8088:8088 \
-v copaw-data:/app/working \
-e DASHSCOPE_API_KEY="your-api-key" \
agentscope/copaw:latest或者使用 .env 文件：
docker run -p 8088:8088 \
-v copaw-data:/app/working \
--env-file .env \
agentscope/copaw:latest5.4 方式四：云端一键部署（零本地环境要求）
除了本地部署，CoPaw 还支持两种云端部署方式：
魔搭创空间一键部署： 无需安装任何本地环境，直接在浏览器中使用。在魔搭社区找到 CoPaw 的创空间页面，按照提示操作即可。需要特别注意的是，一定要将创空间设为非公开，否则其他人可能会控制你的 CoPaw 实例。
阿里云 ECS 一键部署： 如果你需要一个长期稳定运行的云端实例，可以使用阿里云计算巢提供的一键部署功能。这种方式会在阿里云 ECS 服务器上部署 CoPaw，适合需要 7×24 小时运行的场景。
六、配置模型：让 CoPaw 拥有"大脑"
CoPaw 安装完成后，首要任务是配置大语言模型——这是 CoPaw 的"大脑"，没有它，CoPaw 就无法进行任何智能交互。
6.1 配置云端模型
以使用通义千问（DashScope）为例，配置步骤如下：
方式一：通过控制台配置（推荐）
- 启动 CoPaw 后，在浏览器中打开
http://127.0.0.1:8088/ - 在左侧导航栏中点击 "设置" → "模型"
- 在提供商下拉菜单中选择 DashScope
- 在 API Key 字段中填入你的 DashScope API Key
- 点击 "激活" 启用该提供商
- 在模型列表中选择你想使用的模型（如 qwen-max、qwen-plus 等）
方式二：通过环境变量配置
在终端中设置环境变量后再启动 CoPaw：
export DASHSCOPE_API_KEY="your-api-key"
copaw init --defaults
copaw app或者在 CoPaw 的工作目录下创建 .env 文件：
DASHSCOPE_API_KEY=your-api-key6.2 配置本地模型
如果你选择使用本地模型，CoPaw 支持以下几种方式：
使用 Ollama：
Ollama 是目前最流行的本地模型管理工具，使用它来配置本地模型是最简单的方式。
首先确保你已经安装了 Ollama（访问 ollama.com 下载安装），然后：
# 下载一个模型，比如 Qwen3-4B
ollama pull qwen3:4b
# 启动 Ollama 服务
ollama serve然后在 CoPaw 控制台的模型设置中，选择 Ollama 作为提供商，CoPaw 会自动检测到你本地已下载的模型。
你也可以通过 CoPaw 的命令行工具来管理 Ollama 模型：
copaw models ollama-pull qwen3:4b # 下载模型
copaw models ollama-list # 列出已下载的模型
copaw models ollama-remove qwen3:4b # 删除模型使用 llama.cpp（跨平台方案）：
如果你想要更轻量的本地推理方案，可以使用 llama.cpp。首先确保安装 CoPaw 时包含了 llamacpp 依赖，然后下载 GGUF 格式的模型文件：
# 通过 CoPaw CLI 下载模型
copaw models download Qwen/Qwen3-4B-GGUF
# 查看已下载的模型
copaw models
# 选择要使用的模型，然后启动
copaw app使用 MLX（Apple Silicon 专属）：
如果你使用的是 M1/M2/M3/M4 芯片的 Mac，MLX 是最佳选择。它由 Apple 开发，专门针对 Apple Silicon 的统一内存架构进行了优化，可以获得最佳的本地推理性能。
安装时需要包含 MLX 依赖：
pip install 'copaw[mlx]'
# 或者通过一键脚本
bash install.sh --extras mlx使用本地模型的一个重要优势是：完全不需要 API Key，不需要联网，所有计算都在本地完成。 这意味着你的对话内容、文件数据、个人偏好等信息绝对不会离开你的电脑。对于处理敏感信息的场景，这一点尤为重要。
七、接入聊天频道：让 CoPaw 无处不在
配置好模型之后，接下来就是将 CoPaw 接入你常用的聊天平台。不接入频道的话，你也可以直接通过浏览器的 Web 控制台与 CoPaw 对话，但接入聊天频道后体验会更加自然和便捷。
7.1 接入钉钉
钉钉是国内企业办公场景中使用最广泛的通讯工具之一，将 CoPaw 接入钉钉后，你可以在钉钉群里或私聊中直接与 CoPaw 交互。
基本步骤：
- 登录钉钉开放平台（open.dingtalk.com），创建一个企业内部应用
- 在应用中开启"机器人"能力，配置机器人的基本信息
- 获取机器人的 AppKey、AppSecret 和 Webhook 地址
- 在 CoPaw 控制台的频道设置中，添加钉钉频道，填入上述凭证
- 在钉钉中配置回调地址，指向你的 CoPaw 服务地址
配置完成后，你就可以在钉钉中 @CoPaw 或给它发私聊消息了。
7.2 接入飞书
飞书的接入流程与钉钉类似：
- 在飞书开放平台（open.feishu.cn）创建应用
- 开启机器人能力
- 获取 App ID 和 App Secret
- 在 CoPaw 控制台中添加飞书频道
- 配置事件订阅地址
7.3 接入 QQ
QQ 的接入采用 OneBot 协议，这是一个开放的聊天机器人接口标准。你需要先搭建一个 OneBot 协议的实现（如 go-cqhttp 等），然后将其与 CoPaw 对接。
7.4 接入 Discord
- 在 Discord Developer Portal 创建应用和 Bot
- 获取 Bot Token
- 在 CoPaw 控制台中添加 Discord 频道
- 将 Bot 邀请到你的 Discord 服务器
具体的频道配置步骤，建议参考 CoPaw 的官方文档：https://copaw.agentscope.io/docs/channels/ ，文档中有每个频道的详细图文教程。
八、Skills 技能系统详解：CoPaw 的能力扩展中心
Skills 是 CoPaw 最具可玩性的部分，理解它的工作方式，才能真正发挥 CoPaw 的潜力。
8.1 Skills 的运行原理
在 CoPaw 的架构中，一个 Skill 本质上是一组"指令 + 代码"的集合。每个 Skill 由一个 SKILL.md 文件定义，这个文件采用 Markdown 格式，其中必须包含：
- name —— 技能的名称
- description —— 技能的功能描述（这很重要，CoPaw 通过这个描述来判断何时调用该技能）
- 具体的执行逻辑 —— 通常是嵌入的 Python 代码或 SOP（标准操作流程）
当用户发送一条消息时，CoPaw 的处理流程大致如下：
- CoPaw 接收到用户消息
- 将消息连同所有已启用 Skills 的描述一起发送给大语言模型
- 模型根据用户意图和 Skills 的描述，判断是否需要调用某个 Skill
- 如果需要，模型生成调用指令，CoPaw 执行对应的 Skill 代码
- 将执行结果返回给模型
- 模型根据结果生成最终回复
这个流程就是前面提到的 ReAct 范式 的具体体现——模型先"推理"（分析意图、选择工具），再"行动"（调用 Skill），然后"观察"（查看结果），如此循环。
8.2 管理内置 Skills
在 CoPaw 的 Web 控制台中，你可以方便地管理所有 Skills：
启用技能： 点击技能卡片底部的"启用"链接，技能立即生效，不需要重启服务。
查看技能详情： 点击技能卡片可以查看完整的技能说明和使用方法。
禁用技能： 点击"禁用"链接即可关闭某个技能。如果你发现某个技能影响了 CoPaw 的响应效率（因为每个启用的技能描述都会占用模型的上下文窗口），可以暂时禁用不需要的技能。
8.3 编写自定义 Skill
自定义 Skill 是 CoPaw 的精髓所在。下面以一个"天气查询"技能为例，展示如何编写自定义 Skill。
第一步：创建技能目录和文件
在 CoPaw 的工作目录下，创建 skills/weather_query/ 目录，然后在其中创建 SKILL.md 文件：
---
name: weather_query
description: 查询指定城市的天气信息，当用户询问天气时调用此技能
---
