阿里钉钉＂悟空＂App拆解:一个AI Agent桌面应用是怎么造出来的-夜雨聆风

阿里钉钉＂悟空＂App拆解:一个AI Agent桌面应用是怎么造出来的

最近有人用逆向分析的方式，把阿里钉钉团队开发的一款名叫”悟空（Wukong）”的 AI Agent 桌面客户端拆开看了个透。

所谓逆向分析，就是不看源代码，只拿到最终的软件包，通过分析它的目录结构、可执行文件里的符号信息、依赖的动态库、以及打包进去的资源文件，来推断这个应用到底是怎么构建的。这个方法在工程师圈子里很常见，尤其是研究竞品技术架构时经常用到。

这篇文章把逆向分析得到的所有信息整理出来，带你系统看看这个产品在技术层面做了什么。

这是什么产品，从哪里来

先说基本信息。

这款应用的正式名称是 Wukong（悟空），Bundle ID 是 com.dingtalk.real，主可执行文件叫 DingTalkReal，目前版本是 0.9.0，还处于早期阶段。从内部代号来看，开发团队把这个项目叫做”Real”，构建系统使用的是 Jenkins CI，流水线名称是 real-wukong-release，构建用户名是 yuanzhan。

它只支持 macOS 14 及以上系统，并且仅支持 Apple Silicon（也就是 M 系列芯片），不支持老的 Intel Mac。

开发团队是钉钉，背靠阿里巴巴。

应用注册了一个自定义 URL Scheme：wukong://，这意味着其他应用或网页可以直接唤起它。

技术选型：为什么不用 Electron

说到桌面 App 的开发框架，大多数人第一个想到的是 Electron——VS Code、Slack、Discord 都用它。Electron 的原理是把 Node.js 和 Chromium 浏览器一起打包进应用，前端写什么网页就显示什么，开发效率极高，但代价是内存占用大、启动慢、包体积臃肿。

悟空选择了 Tauri 2.x + Rust，这是一个完全不同的路线。

Tauri 的思路是：主程序用 Rust 写（性能好、内存安全），前端界面用系统自带的 WebKit 渲染（不像 Electron 那样自己打包一个 Chromium），两者之间通过 IPC（进程间通信）机制交互。这样的好处是包体积小得多，性能也更好。

从分析结果来看，悟空的主可执行文件 DingTalkReal 只有 122MB，而且包含了大量业务逻辑。相比之下，一个中等规模的 Electron 应用光框架本身就要占 200MB 以上。

前端 UI 跑在 WebView 里，Tauri 生态里通常配合 React、Vue 或 Svelte 这类前端框架使用。IPC 通信走的是 Tauri 自定义协议 tauriipc://，并且启用了 Isolation Pattern 安全隔离模式——这个机制的作用是防止前端代码直接调用敏感的系统接口，所有操作都要经过 Rust 主进程的审查和代理。

除了核心框架之外，悟空还链接了大量 macOS 系统原生框架：

WebKit + JavaScriptCore：负责 WebView 渲染和 JavaScript 执行
AVFoundation + AVFAudio + CoreMedia：音视频处理
ScreenCaptureKit：屏幕截图和录制
CoreLocation：地理定位
UserNotifications：系统通知
OSAKit：AppleScript 自动化（可以控制系统上其他应用）
Metal + QuartzCore：GPU 渲染加速
CloudKit：iCloud 数据同步
CoreData：本地数据持久化
Security：密钥链和加密
IOKit：硬件交互
SystemConfiguration：网络配置

这个依赖列表说明悟空对 macOS 系统能力的调用相当全面，已经不是一个普通的聊天 App，而是深度集成了操作系统的工具平台。

包内目录结构：应用里藏了什么

从 App Bundle 的目录结构可以看出这个应用打包了哪些东西：

主程序目录（MacOS/）里除了主执行文件，还有一个独立的命令行工具 real-cli（2.8MB），供脚本或终端调用。

资源目录（Resources/）里有几个值得注意的子目录：

browser-runtime/：一个用 TypeScript 写的浏览器自动化微服务，后面会详细介绍。

bundled-skills/：内置技能包，以 zip 格式打包进去的功能模块。

dws/：DWS 内部服务目录，DWS 是一个版本号为 0.2.19 的服务守护进程。

environment/：运行环境管理相关文件，控制各种运行时组件的安装和版本。

mbb-skills/：针对特定网站的浏览器增强技能，比如 12306 查票、携程订机票、大众点评查信息等。

real_networking/：网络层，包含了一个叫做 GaeaMac.framework 的阿里内部网络框架。这个框架包含 AI、Aladdin、Base、Bridge 等子模块，并且有 Wukong 专用的头文件，说明是针对这个产品定制的。

python/：预留的 Python 目录（目前是空的，但方向已经定了）。

Agent 运行时：程序的大脑是怎么工作的

这是悟空最核心的部分。从 Rust 源码的路径信息中，可以推断出整个 Agent 运行时的设计思路。

两套 Agent 引擎并行运行

悟空内部有两套 Agent 循环引擎：

Real Loop（主 Agent 循环引擎）负责处理整体流程：命令处理、消息格式转换、对话记忆压缩、工具定义、沙箱安全策略加载，以及一个叫做 session_approval_memory 的模块——这个模块记录用户对各种操作的授权决策，是”人在环（HITL，Human-in-the-Loop）”机制的核心，确保 AI 在执行敏感操作前需要获得用户许可。

Spark Loop（自研 Agent 引擎，代号 AllSpark）是钉钉自己造的 Agent 内核，采用了 DDD（领域驱动设计）架构，分为三层：

应用层（Application）：流式服务实现、会话记忆刷新
领域层（Domain）：Agent 状态压缩、LLM 交互抽象、会话实体
基础设施层（Infrastructure）：LLM 适配器、沙箱网关、”Soul”模块（Agent 的人格和记忆）、系统提示词模板

这种分层架构的意义在于，领域逻辑不依赖具体实现，换一个 LLM 或者换一套存储方案，核心逻辑不需要改。

支持的 Agent 类型

悟空是一个多 Agent 宿主平台，可以同时运行不同类型的 Agent 引擎：

Agent 类型	说明
Spark	钉钉自研 Agent 引擎
Native	原生驱动
Claude	集成 Claude Code
Gemini	集成 Gemini CLI
Codex	集成 Codex CLI
iFlow	工作流引擎
Builtin	内置 Agent
Local	本地模型 Agent
Discovered	自动发现的 Agent

这意味着悟空不绑死在某一个 AI 模型上，用户可以选择用哪个引擎来执行任务。

LLM 多后端：接了哪些大模型

在大模型接入层面，从 AllSpark 的基础设施代码中可以推断出三个适配器：

MaaS（阿里云模型服务）：请求结构支持 model、max_tokens、tools、stream、enable_thinking、tool_choice、parallel_tool_calls、temperature、top_p、top_k、min_p、extra_body、cache_control 等参数。其中 enable_thinking 是思考模式开关，prompt_cache_hit_tokens 用来统计提示词缓存命中情况（有助于降低成本）。

Qwen（通义千问）：使用 OpenAI 兼容格式，同样支持 enable_thinking。

OpenAI：标准的 Chat Completions 格式。

三个适配器全部支持：流式输出（streaming）、工具选择（tool_choice）、并行工具调用（parallel_tool_calls）、用量统计（usage tracking）。

内嵌运行时：自带了一整套开发环境

这里是悟空比较有意思的地方——它把执行代码所需的运行时环境全部打包进去了，用户不需要自己安装任何东西：

组件	版本	用途
Bun	1.2.17	主 JS/TS 运行时，运行 browser-runtime
Node.js	22.19.0	备用 JS 运行时
Python	3.12 (CPython)	Python 脚本执行
uv	0.7.13	Python 包管理器
Chromium	145.0.7632.160	内嵌浏览器（用于自动化）
Qwen	0.10.0	本地通义千问模型（支持离线推理）
DWS	0.2.19	内部服务守护进程

这些运行时通过 resource_manifest.json 统一管理，支持按平台和使用场景差异化分发。

内置本地 Qwen 模型这一点值得关注：这意味着部分推理任务可以完全在本地完成，不需要联网，也不会把数据发到云端。

浏览器自动化：Agent 是怎么操控浏览器的

browser-runtime 是一个独立的 TypeScript 微服务，专门处理浏览器自动化任务。它的技术栈是：

Playwright（playwright-core 1.58.2）：浏览器自动化引擎，可以控制 Chrome 执行点击、输入、截图等操作
Express 5：提供 HTTP API，让主程序可以发指令给浏览器
WebSocket（ws 8.19.0）：处理实时通信
Bun：运行时

从源码路径可以看出，这个模块的功能相当完整：

cdp.ts：Chrome DevTools Protocol 客户端（这是控制 Chrome 的底层协议）
chrome.ts：Chrome 启动和管理
client-actions.ts：页面操作，包括点击、输入、内容观察等
navigation-guard.ts：导航守卫（防止 Agent 误操作跳转到危险网址）
profiles.ts：浏览器 Profile 管理（可以保存不同用户的登录状态）
form-fields.ts：表单字段处理
pw-ai-module.ts：Playwright 的 AI 增强模块
extension-relay.ts：Chrome 扩展中继（可与浏览器扩展交互）

安全方面，这个微服务实现了多层认证：Bridge 认证注册、CSRF 防护、控制认证（含自动 Token）、HTTP 认证、扩展中继认证。防止外部程序或恶意网页通过这个微服务控制用户的浏览器。

技能系统：功能如何扩展

悟空的功能扩展通过”技能（Skills）”系统来实现，分三类：

内置技能包（Bundled Skills）：打包在应用内的基础技能，目前包括：钉钉工作台、Word 文档处理、PPT 演示文稿处理、Excel 电子表格处理、PDF 文档处理、PDF 转 Word，以及一个”技能创建器”——这是一个元技能，让用户可以在 AI 的帮助下创建新技能。

浏览器增强技能（MBB Skills）：针对具体网站定制的自动化操作，已知的有：

12306-train-query：12306 火车票查询
ctrip-flight-search：携程航班查询
dianping-info-query：大众点评信息查询

用户自装技能：支持从本地路径或远程 URL 安装技能包。

技能管理的核心 API 包括：

search_skills：搜索可用技能
use_skill(skill_name, level="preview"|"full")：激活技能，支持预览和完整两种加载级别
cli_skills_install_local / cli_skills_install_url：安装技能
cli_skills_toggle_enabled：启用或禁用技能
cli_skills_delete：删除技能

技能发现机制采用”渐进式披露”设计——先展示常用技能，用户有需要时再搜索更多，避免一次性暴露太多选项让用户不知所措。技能注入策略（skill_injection_policy）支持显式和自动两种模式，可以控制技能在什么时机被加载进 Agent 的上下文。

内置工具集：Agent 能做哪些具体操作

从 real_loop/types.rs 中可以提取出 Agent 默认携带的工具清单：

工具名	功能
`understand_image_content`	图像内容分析（优先本地 Vision 模型，云端作为备选）
`parse_file`	文件解析（PDF 本地处理，其他格式走云端）
`text2image`	文字描述生成图像
`image2image`	基于已有图像进行变换
`text2video`	文字描述生成视频
`read_url_v2`	读取网页内容
`reader_html_content`	解析 HTML 内容
`internet-search`	互联网搜索
`browser_start`	启动内置浏览器
`browser_stop`	停止浏览器
`browser_screenshot`	浏览器截图
`browser_wait_for_download`	等待文件下载完成
`browser_status`	查询浏览器当前状态
`execute_shell`	在沙箱内执行 Shell 命令
`cron_*`	定时任务管理（创建/查看/删除定时执行的任务）

这套工具让 Agent 具备了一套完整的”手脚”：能看（截图、读网页）、能写（文件处理）、能操作（浏览器、Shell）、能生成（图像、视频）、能定时执行任务。

多渠道分发：一个 Agent，多个入口

同一个 Agent 可以通过不同的渠道与用户交互：

钉钉：通过 AI Card（流式卡片）和 Stream 长连接，支持 IM 机器人和群聊两种场景
Slack：通过 OAuth API，支持线程回复
WhatsApp：独立集成模块
Agent Device：通过 RPC 接口支持设备注册、更新、列表和删除

消息事件的流转顺序是：任务开始（TaskStart）→ 工具使用前（PreToolUse）→ 工具使用后（PostToolUse）→ 权限请求（PermissionRequest）→ 任务完成或任务出错（TaskComplete/TaskError）。

这个设计意味着同一个 Agent 逻辑可以复用在多个平台，不需要为每个渠道单独实现一套 AI 逻辑。

MCP 协议支持：连接外部工具的标准接口

悟空原生支持 **MCP（Model Context Protocol）**协议。这是一个由 Anthropic 提出的开放协议，让 AI 应用可以通过标准化的方式连接外部工具和数据源。

实现上包括：

mcp/runtime.rs：MCP 服务器运行时
mcp/config.rs：通过 mcpServerConfig.json 配置文件管理 MCP 服务器连接

有了 MCP 支持，悟空可以接入社区里已有的大量 MCP 工具，比如数据库查询、文件系统操作、邮件收发等，而不需要为每个工具都自己写适配代码。

安全架构：Agent 权限怎么管

当一个 AI 能控制浏览器、执行命令、读写文件的时候，安全就是必须认真对待的问题。悟空在安全上做了多层设计：

沙箱系统：使用 SandboxV2Config 配置沙箱，支持沙箱级别、Profile 和授权根路径，并且支持沙箱状态的保存和恢复。execute_shell 工具执行的命令都运行在沙箱内，不能随意访问系统文件。

人在环（HITL）权限审批：session_approval_memory 模块记录用户的授权决策，支持”永远允许”和”永远拒绝”两种持久化策略。评估模式下可以设置 EvalAutoAllow 自动通过，方便批量测试。

敏感路径过滤：sensitive_paths.rs 负责屏蔽 ~/.real/.acp 等内部目录，防止 Agent 访问自身的配置和凭证文件。

Prompt 安全护栏：PromptGuardrailsConfig 对输入到 LLM 的提示词进行安全检查，防止提示词注入攻击。

Tauri 安全机制：Isolation Pattern 隔离前端 WebView 的 IPC 调用，加上 CSP（内容安全策略）保护，防止前端代码越权操作。

凭证加密：LLM API Key 和登录凭证通过 PreferenceCrypto 加密存储，支持从历史明文格式自动迁移到加密存储，还有 LLM 凭证的过期和刷新机制。

数据存储：信息保存在哪里

存储方式	用途
SQLite	Agent 对话记忆、消息持久化、定时任务数据
CoreData	本地数据管理
CloudKit	云端数据同步（通过 iCloud）
JSON 配置文件	MCP 服务器配置、运行时环境清单
加密偏好设置	LLM API Key、登录凭证

对话记忆存在本地 SQLite 里，涉及 memory_summarizer.rs 模块——长对话会被自动压缩成摘要，防止上下文窗口超出限制。

系统权限：申请了哪些敏感权限

应用在安装后会申请以下系统权限：

权限	声明的用途
AppleEvents	控制 Terminal 和其他应用执行任务
摄像头	拍照和视频录制
位置（始终）	天气、导航等任务
麦克风	语音输入和音频捕获
屏幕录制	分析界面内容和执行自动化操作
通知	提醒任务执行状态和重要事件

其中 AppleEvents 权限比较特殊——它允许应用通过 AppleScript 控制系统上其他应用（比如发送 Terminal 命令、操作 Safari 等），权限范围相当大。

技术总结

把以上所有信息汇总起来，悟空的技术架构可以归纳为以下几个特点：

架构选型务实：选 Tauri + Rust 而不是 Electron，主二进制 122MB 包含所有逻辑，兼顾了性能和可维护性。

多 Agent 引擎共存：不依赖单一 AI 模型，自研的 Spark 引擎和 Claude Code、Gemini CLI、Codex CLI 并列支持，降低了对单一供应商的依赖。

工具能力全面：代码执行、浏览器自动化、屏幕截图、UI 自动化、文件处理、文生图/视频，覆盖了 Agent 在桌面端完成任务所需的主要能力。

自包含运行时：内嵌 Bun、Node.js、Python、Chromium、本地 Qwen 模型，用户不需要手动配置开发环境。

标准协议优先：原生支持 MCP 协议，LLM 接口兼容 OpenAI 格式，降低了生态接入的成本。

安全设计分层：沙箱、HITL 权限审批、Prompt 护栏、凭证加密，每一层都有对应的实现，而不是依赖单一的安全机制。

DDD 内核架构：AllSpark 内核采用领域驱动设计，应用层/领域层/基础设施层分离，方便长期维护和迭代。

这不是一个普通的 AI 聊天窗口，而是一个能控制电脑、操作浏览器、执行代码、管理定时任务、跨平台分发消息的 AI Agent 操作平台。它目前仍然是 0.9.0 版本，但从技术架构的完整程度来看，核心框架已经基本成型。

本文所有信息均来源于对 Wukong App Bundle 的逆向分析结果，分析方法包括：App Bundle 目录结构分析、二进制符号表提取、动态库依赖分析（otool -L）、资源文件读取。