WinClaw CLI 工具开发指南

news2026/3/16 8:32:12
你可以给 AI 一个工具。但更好的做法是告诉它怎么发现工具、怎么理解工具、怎么组合工具。WinClaw 的 CLI 工具体系就是为此而设计的。一、AI 时代工具开发的逻辑变了过去做 CLI 工具用户是人。帮助文档写给人看参数设计按人的习惯来输出格式怎么好看怎么来。但在 WinClaw 的世界里工具的第一用户是 AI Agent。AI 不看 README不逛 Stack Overflow不读博客教程。它拿到一个工具做三件事读--help知道这个工具能干什么、有哪些参数读--skill理解在什么场景下、按什么流程使用这个工具解析 JSON 输出把结果传给下一个工具或直接呈现给用户如果你的工具不支持这三步AI 就用不好它——不是 AI 笨是你的工具没为它设计过。WinClaw 的 CLI 工具开发体系把这个问题彻底标准化了。二、先搞清楚你要写哪种工具不是所有工具都一样。根据运行方式和状态需求WinClaw 把 CLI 工具分成三种类型类型一句话描述典型场景代表工具普通 CLI跑一下就退出无状态发消息、转格式、导数据agent_feishu, agent_excel, markdown2wordDaemon CLI后台常驻维持连接微信代理、定时调度wechat_agent, agent_cronSession CLI跨调用记住上下文多轮对话、增量操作agent_cursor怎么选一个简单的决策树你的工具需要后台持续运行吗 ├── 是 → Daemon CLI └── 否 → 多次调用之间需要记住上下文吗 ├── 是 → Session CLI └── 否 → 普通 CLI ✓80% 的情况选这个优先选普通 CLI。它最简单、最好测、最容易和别的工具组合。只有当普通 CLI 明确搞不定时才升级到 Daemon 或 Session。三、所有工具的共同基因渐进式披露 统一输出不管你选了哪种类型有两件事是必须做的。这是 WinClaw 工具生态的基石。渐进式披露让 AI 按需获取信息WinClaw 设计了一套三层信息架构AI 可以从浅到深逐层理解你的工具第一层: tool --help → 功能概览、命令列表、快速入门 第二层: tool cmd --help → 某个子命令的参数详情 第三层: tool --skill → 完整最佳实践、工作流、场景指南--help回答「能做什么」--skill回答「该怎么用」。这个区分至关重要。拿agent_feishu举例。AI 第一次碰到这个工具时先看--helpagent_feishu is a command-line tool that provides Feishu (Lark) bot operations through a set of composable commands, designed for AI agent workflows. Quick Start: agent_feishu initapi --app-id cli_xxx --app-secret xxx agent_feishu send-text --receive-id ou_xxx --text Hello! Use agent_feishu --skill for detailed command specifications.够了。AI 知道这是个飞书工具能发消息需要先 initapi。但如果任务更复杂——比如查找张三的飞书 ID 然后给他发条消息——AI 会进一步看--skill里面写着完整的用户查找流程User Management Workflow: 1. Search local cache first (fast): agent_feishu search-users --query name 2. If not found, sync from Feishu: agent_feishu sync-users --force 3. Retry search after sync--skill不是给人看的文档是给 AI 看的操作手册。它告诉 AI 在什么场景下、按什么顺序、调什么命令。统一 JSON 输出工具之间的通用语言所有工具的输出都遵循同一个格式// 成功 { success:true, data:{ message:Text message sent successfully, message_id:om_xxx } } // 失败 { success:false, error:API credentials not configured. Run agent_feishu initapi first }三个字段success、data、error。没了。这意味着 AI 可以把任意两个工具串起来用。查到的飞书用户 ID直接传给发消息命令导出的 Excel 数据直接交给下一个工具处理。工具之间不需要互相 import一个 JSON 管道就串通了。而且注意看失败时的 error 信息Run agent_feishu initapi first——直接告诉 AI 下一步该执行什么命令。AI 不需要查文档就知道怎么修复。四、普通 CLI最常见的 80%大多数工具是普通 CLI——接收参数执行操作返回结果退出。没有后台进程没有状态文件干干净净。开发一个普通 CLI 工具核心就是做好以下几件事根命令--help功能概述 Quick Start 命令列表--skill标志和skill子命令完整的场景操作指南子命令--help每个子命令的参数描述和示例全局--json标志统一 JSON 输出version命令版本信息项目结构清晰明了agent_feishu/ ├── main.go ├── go.mod ├── cmd/ │ ├── root.go # 根命令 │ ├── skill.go # --skill 输出 │ ├── send_text.go # 发送文本 │ ├── send_image.go # 发送图片 │ └── initapi.go # 初始化凭证 └── internal/ └── output/ └── output.go # 统一输出如果你是第一次给 WinClaw 写工具从普通 CLI 开始。一个下午就能搞定。五、Daemon CLI当工具需要一直活着有些事情调用即退出搞不定。微信消息代理需要维持一个长连接才能收发消息——每次都重新登录扫码都来不及。定时调度需要在后台按计划执行任务——终端一关就没了那还定什么时。这些场景需要 Daemon CLI后台常驻一个进程CLI 命令通过本地 HTTP API 和它通信。┌──────────────────┐ HTTP API ┌───────────────────┐ │ CLI 命令 │ ─────────────────────► │ Daemon 进程 │ │ │ │ │ │ tool start │ 启动 daemon │ 常驻后台运行 │ │ tool status │ 查询状态 │ 提供 HTTP API │ │ tool stop │ 停止 daemon │ 管理会话/心跳 │ │ tool send │ 业务操作 ──────────────► │ │ └──────────────────┘ ◄──────────────── └───────────────────┘ JSON 响应用户和 AI 感知到的还是 CLI 命令体验和普通工具一样。区别在于命令不再直接执行业务逻辑而是把请求转发给后台 Daemon。Daemon CLI 有几个关键设计自启动tool start启动自身的一个子进程并分离用户终端不会被阻塞状态文件通过 PID 文件和端口文件让 CLI 找到正在运行的 Daemon仅监听 127.0.0.1HTTP API 只在本地可访问不暴露到网络心跳保活连接断了自动重连异常不终止进程优雅停止清理资源、删除状态文件什么时候用 Daemon记住四个条件满足任一即可需要维持长连接微信、WebSocket初始化成本高需要复用大型 SDK、连接池需要后台持续执行定时任务多次调用共享状态登录会话、联系人缓存六、Session CLI记住上一次聊到哪了Session CLI 解决的问题很直观多轮操作之间保持上下文。agent_cursor是典型例子。你让 AI 分析代码架构然后基于分析结果重构某个模块——这是两次调用但第二次必须知道第一次的结果。# 第一轮分析 agent_cursor run 分析这个项目的架构 --session main # 第二轮基于分析继续 agent_cursor run 基于刚才的分析重构 auth 模块 --session main # AI 自动恢复上下文知道刚才的分析是什么Session 和 Daemon 的区别是Session 不需要后台常驻进程。工具还是调用即退出的只是在调用之间通过文件保存上下文标识比如一个 session_id。实现上也很简单全局--session标志指定会话别名自动恢复执行前检查是否有同名 Session有就自动 resume自动保存执行后把新的 session_id 写入文件管理子命令session ls/session show/session rmSession 数据存在~/.agent_cursor/sessions/main.json这样的文件里结构很轻量{ name:main, sessionId:abc123, cwd:/Users/me/project, createdAt:2026-03-14T10:00:00Z, updatedAt:2026-03-14T10:30:00Z }七、三种类型的对比维度普通 CLIDaemon CLISession CLI运行模式执行即退出后台常驻执行即退出状态管理无Daemon 进程内文件持久化进程数0用完即走1常驻0用完即走复杂度★★★★★★适用比例~80%~10%~10%核心要求--help, --skill, --json start/stop/status, HTTP API --session, 自动 resume八、写在最后给 AI 写工具和给人写工具是两件完全不同的事。人可以看文档、搜社区、试错纠正。AI 需要的是结构化的自描述——--help让它快速了解能力边界--skill让它掌握操作流程统一 JSON 让它无缝串联多个工具。WinClaw 的 CLI 工具体系本质上做了一件事定义了 AI 和工具之间的沟通协议。你不需要写一个聪明的工具——你需要写一个说得清楚的工具。AI 自己够聪明它只需要你把话说明白。三种类型、三层披露、一套 JSON 格式。掌握这些你就能给 WinClaw 的工具商店贡献工具让全世界的 AI Agent 用上你写的能力。WinClaw CLI 工具开发文档已上线。 完整文档https://docs.winclaw.cc/docs/cli-tool-development好的工具不需要解释自己——但它必须能解释给 AI 听。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2413153.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…