OpenHands 深度解析:开源界的 AI 软件工程师,能否改写编程未来?

OpenHands 深度解析：开源界的 AI 软件工程师，能否改写编程未来？

当 Devin 用封闭模型宣告”AI 程序员”时代的来临，OpenHands 选择用开源的方式，把这份能力交还给全世界。这不是简单的技术复刻，而是一场关于”AI 如何真正辅助人类编程”的深度探索。

引言：从 OpenDevin 到 OpenHands

2024 年 3 月，一款名为 Devin 的 AI 软件工程师产品横空出世，宣称能够独立完成编程任务、调试代码、甚至部署应用。它的出现引发了整个技术圈的震动——AI 真的可以替代程序员了吗？

就在 Devin 发布后不久，一个名为 OpenDevin 的开源项目迅速崛起，承诺提供与 Devin 同等能力的开源替代方案。仅仅几个月后，项目更名为 OpenHands，以全新的姿态继续演进。

为什么一个开源项目能在如此短的时间内获得如此高的关注度？它真的能实现”AI 软件工程师”的愿景吗？对于正在构建自己的 AI 代理系统的 OpenClaw 生态来说，OpenHands 又有哪些值得借鉴的地方？

这篇文章，我将带你深入 OpenHands 的每一个角落，从它的技术架构到核心能力，从安装部署到实际应用，从优势局限到未来展望。这不仅是一次技术剖析，更是一次对”AI 如何真正辅助人类编程”这一命题的深度思考。

一、项目背景与核心定位

1.1 起源与演进

OpenHands 的前身是 OpenDevin，由 MIT 的研究团队和社区开发者共同发起。项目的初衷很明确：打造一个开源的、可定制的、功能完整的 AI 软件工程师平台。

项目的演进历程可以概括为以下几个关键节点：

2024 年 3 月：Devin 发布，引发行业震动
2024 年 3 月底：OpenDevin 项目在 GitHub 上线，迅速获得数千星
2024 年年中：项目更名为 OpenHands，标志着从”Devin 复刻”到”独立创新”的转变
2024 年下半年：社区快速迭代，功能不断完善，形成完整的生态系统

1.2 核心定位与设计哲学

OpenHands 的核心定位非常清晰：一个开源的 AI 软件工程师平台，能够自主完成软件开发的全流程任务。

但它与 Devin 有一个本质的区别：OpenHands 不是要替代程序员，而是要成为程序员的超级助手。这种设计哲学体现在以下几个方面：

透明性：所有代码开源，用户可以理解每一个决策过程
可定制性：用户可以根据自己的需求修改和扩展功能
安全性：通过 Docker 沙箱隔离，确保代码执行的安全
协作性：强调人机协作，而非完全自动化

1.3 与 Devin 的关系与区别

维度	Devin	OpenHands
开源状态	封闭源码	完全开源（MIT 许可证）
模型依赖	自研模型	支持多种 LLM（Claude、GPT、本地模型等）
部署方式	SaaS 服务	本地部署 / Docker / 源码
成本	订阅制，费用较高	免费（仅需支付 LLM API 费用）
可定制性	有限	完全可定制
社区生态	封闭	活跃的开源社区
透明度	黑盒	白盒，可审查

关键区别：Devin 是一个商业产品，追求的是”开箱即用”的完整体验；而 OpenHands 是一个开源平台，追求的是”可塑性强”的灵活能力。

二、本地安装部署教程

2.1 环境依赖准备

OpenHands 支持多种部署方式，但都需要以下基础环境：

必需依赖：

Python 3.11+
Docker（推荐 20.10+）
Git
至少 4GB 可用内存
至少 10GB 磁盘空间

可选依赖：

Node.js 18+（用于前端开发）
某个 LLM 的 API Key（如 OpenAI、Anthropic 等）

2.2 Docker 部署方式（推荐）

Docker 部署是最简单、最稳定的方式，适合绝大多数用户。

步骤 1：拉取镜像

docker pull allhandsai/openshands:latest

步骤 2：启动容器

docker run -it \  --pull=always \  -e SANDBOX_RUNTIME_CONTAINER_IMAGE=allhandsai/sandbox:latest \  -e WORKSPACE_BASE=/path/to/your/workspace \  -p 3000:3000 \  -v /var/run/docker.sock:/var/run/docker.sock \  --add-host host.docker.internal:host-gateway \  allhandsai/openshands:latest

步骤 3：访问应用 打开浏览器访问 http://localhost:3000，即可看到 OpenHands 的 Web 界面。

环境变量说明：

WORKSPACE_BASE：指定工作目录，OpenHands 将在此目录下创建和管理项目
SANDBOX_RUNTIME_CONTAINER_IMAGE：沙箱运行时镜像，用于隔离代码执行环境
LLM_API_KEY：LLM API 密钥（可选，可在 Web 界面配置）

2.3 源码手动搭建步骤

如果你希望深度定制或贡献代码，可以选择源码部署。

步骤 1：克隆仓库

git clone https://github.com/All-Hands-AI/OpenHands.gitcd OpenHands

步骤 2：安装 Python 依赖

# 创建虚拟环境python -m venv venvsource venv/bin/activate  # Windows: venv\Scripts\activate# 安装依赖pip install -e .

步骤 3：配置环境变量 创建 .env 文件：

LLM_API_KEY=your_api_key_hereLLM_MODEL=gpt-4o  # 或 claude-3-5-sonnet-20241022 等WORKSPACE_BASE=./workspace

步骤 4：启动服务

# 后端服务python -m opendevin.server# 前端服务（另开终端）cd frontendnpm installnpm run dev

步骤 5：访问应用 前端默认运行在 http://localhost:3001，后端运行在 http://localhost:3000。

2.4 启动配置与基础初始化

首次启动后，需要进行基础配置：

1. LLM 配置 在 Web 界面或 .env 文件中配置 LLM 参数：

# 支持多种模型LLM_MODEL=gpt-4o              # OpenAILLM_MODEL=claude-3-5-sonnet    # AnthropicLLM_MODEL=llama3:70b           # 本地 Ollama 模型# API 配置LLM_API_KEY=sk-xxxLLM_BASE_URL=https://api.openai.com/v1  # 可选，用于代理

2. 工作空间配置

WORKSPACE_BASE=/path/to/workspaceWORKSPACE_MOUNT_PATH=/path/to/workspace  # Docker 挂载路径

3. 沙箱配置

SANDBOX_RUNTIME_CONTAINER_IMAGE=allhandsai/sandbox:latestSANDBOX_USER_ID=1000  # 匹配宿主机用户 ID，避免权限问题

2.5 基础使用流程

第一步：创建新会话 在 Web 界面点击”New Conversation”，输入你的需求，例如：

“帮我创建一个 Python Flask 应用，包含用户注册和登录功能”

第二步：观察执行过程 OpenHands 会逐步执行以下操作：

分析需求，制定计划
创建项目结构
编写代码文件
安装依赖
运行测试
调试错误

第三步：交互与反馈 在过程中，你可以：

查看实时日志
提出修改意见
查看生成的代码
终止或继续执行

第四步：完成任务 任务完成后，你可以：

查看完整的项目文件
复制代码到本地
导出项目到 Git 仓库

三、整体架构与技术原理

3.1 系统架构概览

OpenHands 的架构采用分层设计，主要包括以下几个核心组件：

┌─────────────────────────────────────────────────────────┐│                    Web Interface                         ││              (React + TypeScript Frontend)               │└─────────────────────────────────────────────────────────┘                            │                            ▼┌─────────────────────────────────────────────────────────┐│                   Server Layer                           ││            (FastAPI + WebSocket + Event Bus)            │└─────────────────────────────────────────────────────────┘                            │            ┌───────────────┼───────────────┐            ▼               ▼               ▼    ┌─────────────┐ ┌─────────────┐ ┌─────────────┐    │  Agent Core │ │  Tool System│ │ Sandbox Env │    │  (LLM Loop) │ │ (Commands)  │ │ (Docker)    │    └─────────────┘ └─────────────┘ └─────────────┘

3.2 Agent 内核：LLM 驱动的智能循环

OpenHands 的核心是一个基于 LLM 的 Agent 循环，其工作流程如下：

1. 观察（Observation） Agent 首先观察当前状态：

文件系统状态
终端输出
浏览器内容
之前的执行历史

2. 思考（Thought） 基于观察，LLM 进行推理：

分析当前进度
识别下一步行动
制定执行计划

3. 行动（Action） Agent 执行具体操作：

运行终端命令
编辑文件
调用 API
打开浏览器

4. 循环（Loop） 重复上述过程，直到任务完成或达到最大迭代次数。

关键设计：

# 伪代码示例classAgent:defstep(self, event_source):# 观察当前状态        observations = self.get_observations()# LLM 思考下一步        thought = self.llm.generate(observations)# 执行行动        action = self.parse_action(thought)        result = self.execute_action(action)# 返回结果return Observation(result)

3.3 工具调用系统

OpenHands 提供了一套丰富的内置工具，Agent 可以根据需要调用：

文件操作工具：

read：读取文件内容
write：写入文件
edit：编辑文件（支持 diff 模式）
ls：列出目录内容
find：搜索文件

终端工具：

run：执行 Shell 命令
kill：终止进程
background：后台运行命令

浏览器工具：

browse：打开网页
browse_interactive：交互式浏览

其他工具：

think：记录思考过程
finish：完成任务
reject：拒绝执行

工具调用机制：

# 工具定义示例@Tool('run')defrun_command(command: str) -> str:"""执行 Shell 命令"""    result = subprocess.run(command, shell=True, capture_output=True)return result.stdout + result.stderr

3.4 沙箱执行环境

为了安全地执行代码，OpenHands 使用 Docker 作为沙箱环境：

沙箱架构：

┌─────────────────────────────────────┐│         Host Machine                ││  ┌─────────────────────────────┐   ││  │    OpenHands Server         │   ││  └─────────────────────────────┘   ││              │                      ││              ▼                      ││  ┌─────────────────────────────┐   ││  │    Docker Sandbox Container │   ││  │  - Isolated file system     │   ││  │  - Network access control   │   ││  │  - Resource limits          │   ││  └─────────────────────────────┘   │└─────────────────────────────────────┘

安全机制：

文件系统隔离：沙箱内的文件操作不会直接影响宿主机
网络隔离：可控制沙箱的网络访问权限
资源限制：CPU、内存使用限制
用户权限：以非 root 用户运行

配置示例：

docker run \  --memory=4g \  --cpus=2 \  --network=bridge \  --read-only \  --tmpfs /tmp \  sandbox-image

3.5 多模型适配机制

OpenHands 支持多种 LLM 后端，通过统一的接口层实现模型无关性：

支持的模型：

OpenAI 系列（gpt-4o, gpt-4-turbo, gpt-3.5-turbo）
Anthropic 系列（claude-3.5-sonnet, claude-3-opus）
本地模型（Ollama, LM Studio）
其他兼容 OpenAI API 的模型

统一接口：

classLLM:def__init__(self, model: str, api_key: str):self.model = modelself.client = self._create_client(model, api_key)defcomplete(self, messages: list) -> str:"""统一的补全接口"""        response = self.client.chat.completions.create(            model=self.model,            messages=messages        )return response.choices[0].message.content

模型选择策略：

复杂任务：使用更强的模型（如 gpt-4o, claude-3.5-sonnet）
简单任务：使用成本更低的模型（如 gpt-3.5-turbo）
隐私敏感：使用本地模型（如 llama3）

四、核心能力详解

4.1 自主软件开发

OpenHands 最核心的能力是自主完成软件开发任务。具体包括：

项目初始化：

创建项目目录结构
初始化版本控制（Git）
生成配置文件（package.json, requirements.txt 等）

代码生成：

根据需求生成完整代码
遵循最佳实践和设计模式
自动生成文档和注释

依赖管理：

自动识别和安装依赖
解决依赖冲突
处理版本兼容性问题

实际案例：

用户输入："创建一个 React + TypeScript 的待办事项应用，包含增删改查功能"OpenHands 执行流程：1. 分析需求，制定开发计划2. 使用 create-react-app 初始化项目3. 安装必要依赖（react-router, axios 等）4. 创建组件结构（TodoList, TodoItem, TodoForm）5. 实现 CRUD 逻辑6. 添加样式7. 运行测试8. 修复发现的 bug9. 输出完整的项目代码

4.2 全链路代码生成/审查/调试

代码生成：

支持多种编程语言（Python, JavaScript, TypeScript, Go, Rust 等）
能够理解复杂的需求并分解为可执行的步骤
生成符合代码规范的代码

代码审查：

用户输入："审查这个函数的代码质量"OpenHands 会：1. 分析代码结构和逻辑2. 检查潜在 bug 和安全漏洞3. 评估性能和可维护性4. 提供具体的改进建议5. 生成修复后的代码版本

代码调试：

自动识别错误信息
分析错误堆栈
定位问题根源
提出修复方案
验证修复效果

调试案例：

错误信息：TypeError: Cannot read property 'map' of undefinedOpenHands 调试流程：1. 分析错误堆栈，定位出错行2. 检查相关变量的值3. 发现数据源可能为空4. 添加空值检查5. 添加默认值处理6. 重新运行验证

4.3 终端操作

OpenHands 可以完全控制终端，执行各种命令：

文件操作：

# 创建目录结构mkdir -p src/components src/utils src/api# 复制/移动文件cp template.py src/main.py# 查找文件find . -name "*.py" -type f

版本控制：

# Git 操作git initgit add .git commit -m "Initial commit"git branch -M main

构建与部署：

# 安装依赖npm installpip install -r requirements.txt# 构建项目npm run buildpython setup.py build# 运行服务npm run devpython app.py

4.4 浏览器交互

OpenHands 可以打开浏览器，进行网页交互：

网页浏览：

访问文档网站
查找 API 信息
阅读 Stack Overflow 答案

表单填写：

自动填写注册表单
提交反馈表
完成在线测试

数据抓取：

抓取网页内容
提取关键信息
解析 JSON/API 响应

使用场景：

用户输入："查找 Python requests 库的最新文档"OpenHands 会：1. 打开浏览器2. 访问 requests.readthedocs.io3. 浏览文档结构4. 提取关键 API 信息5. 总结常用方法6. 返回给用户

4.5 API 调用

OpenHands 可以调用各种 API，实现自动化集成：

HTTP 请求：

import requests# 调用外部 APIresponse = requests.get('https://api.github.com/repos/All-Hands-AI/OpenHands')data = response.json()

API 集成：

集成第三方服务（GitHub、Slack、Discord 等）
调用云服务 API（AWS、GCP、Azure）
使用 AI 服务（图像生成、语音合成等）

自动化工作流：

用户输入："在 GitHub 上创建一个新仓库并推送代码"OpenHands 执行：1. 调用 GitHub API 创建仓库2. 配置 Git 远程地址3. 提交代码4. 推送到远程仓库5. 返回仓库链接

4.6 自动化测试

OpenHands 可以编写和运行测试：

测试框架支持：

pytest（Python）
Jest（JavaScript）
unittest（Python）
Mocha（JavaScript）

测试生成：

用户输入："为这个函数编写单元测试"OpenHands 会：1. 分析函数逻辑和边界条件2. 生成测试用例3. 编写测试代码4. 运行测试5. 修复失败的测试6. 输出测试覆盖率报告

持续集成：

自动生成 CI/CD 配置
设置 GitHub Actions
配置自动化测试流水线

五、关键特性

5.1 多智能体协作

OpenHands 支持多智能体协作模式，可以分配不同的任务给不同的 Agent：

角色分工：

规划者（Planner）：负责任务分解和进度管理
编码者（Coder）：负责具体代码实现
审查者（Reviewer）：负责代码质量检查
测试者（Tester）：负责测试用例编写和执行

协作机制：

任务：开发一个电商网站多 Agent 协作流程：1. Planner 分析需求，拆分为：前端、后端、数据库2. Coder-Frontend 负责 React 页面开发3. Coder-Backend 负责 API 开发4. Tester 编写测试用例5. Reviewer 审查代码质量6. Planner 汇总进度，协调问题

5.2 模型无关（支持 Claude/GPT/本地模型）

OpenHands 的最大优势之一是模型无关性：

模型切换：

# 使用 OpenAILLM_MODEL=gpt-4oLLM_API_KEY=sk-xxx# 使用 AnthropicLLM_MODEL=claude-3-5-sonnet-20241022LLM_API_KEY=anthropic_xxx# 使用本地 OllamaLLM_MODEL=llama3:70bLLM_BASE_URL=http://localhost:11434

优势：

灵活性：根据任务复杂度选择合适的模型
成本控制：简单任务用便宜模型，复杂任务用强模型
隐私保护：敏感数据用本地模型
避免厂商锁定：随时切换模型提供商

5.3 Docker 沙箱安全

Docker 沙箱是 OpenHands 的核心安全机制：

安全特性：

文件系统隔离：沙箱内的操作不会影响宿主机
网络控制：可限制或允许网络访问
资源限制：CPU、内存、磁盘使用限制
进程隔离：沙箱内的进程独立运行

配置示例：

# docker-compose.ymlservices:sandbox:image:allhandsai/sandbox:latestsecurity_opt:-no-new-privileges:trueread_only:truetmpfs:-/tmpmem_limit:4gcpus:2

5.4 可扩展插件体系

OpenHands 支持插件扩展，用户可以添加自定义功能：

插件开发：

from opendevin.core.plugin import PluginclassMyCustomPlugin(Plugin):    name = "my_custom_plugin"defon_event(self, event):if event.type == "command":self.handle_command(event.command)defhandle_command(self, command):# 自定义逻辑pass

插件市场：

社区贡献的插件
官方维护的插件
自定义私有插件

典型插件：

Git 操作插件
数据库操作插件
云服务集成插件
代码分析插件

六、与 OpenClaw 的异同对比

6.1 定位对比

维度	OpenHands	OpenClaw
核心定位	AI 软件工程师	AI 代理框架
主要场景	自主编程任务	通用自动化任务
目标用户	开发者、技术团队	个人用户、企业
完成度	端到端完整系统	框架 + 技能生态
自主性	高度自主	半自主（需用户指导）

本质区别：

OpenHands 是一个完整的 AI 软件工程师产品，目标是”替代程序员完成编程任务”
OpenClaw 是一个 AI 代理框架，目标是”帮助用户自动化各种任务”

6.2 能力边界

OpenHands 的优势领域：

完整的软件开发流程
代码生成和调试
终端操作和部署
技术文档阅读

OpenClaw 的优势领域：

通用任务自动化（邮件、日历、文件管理）
多平台集成（微信、Discord、Slack）
技能生态扩展
个性化工作流

重叠领域：

代码编写
终端命令执行
文件操作

6.3 运行环境

OpenHands：

依赖 Docker 沙箱
需要较强的计算资源
适合服务器/工作站部署

OpenClaw：

轻量级，无需 Docker
可在普通笔记本运行
支持多种部署方式（本地、云、边缘）

6.4 技能系统

OpenHands 的工具系统：

内置固定工具集
扩展需要修改核心代码
工具与 Agent 深度耦合

OpenClaw 的技能系统：

插件化技能架构
用户可自由安装/更新技能
技能与框架解耦
支持技能市场

6.5 适用场景

OpenHands 更适合：

完整的软件开发项目
需要高度自主的任务
技术团队内部工具
代码质量要求高的场景

OpenClaw 更适合：

个人效率提升
跨平台自动化
定制化工作流
非编程类任务

七、适用场景与典型工作流

7.1 适用场景

1. 快速原型开发

场景：需要在 1 小时内验证一个想法工作流：1. 描述需求："创建一个 Flask API，包含用户注册和登录"2. OpenHands 自动生成完整代码3. 运行测试验证4. 修改细节（如字段名、验证规则）5. 输出可运行的原型

2. 遗留代码维护

场景：需要理解并修改一段古老的代码工作流：1. 上传代码库2. 要求 OpenHands 分析代码结构3. 询问具体功能实现原理4. 提出修改需求5. OpenHands 生成修改方案6. 审查并应用修改

3. 学习新技术

场景：想学习 Rust 但不确定如何开始工作流：1. 要求 OpenHands 创建一个 Rust 学习项目2. 生成包含注释的示例代码3. 逐步解释每个概念4. 提供练习题和答案5. 根据反馈调整难度

4. 代码审查与优化

场景：需要审查团队提交的代码工作流：1. 上传代码 diff2. 要求 OpenHands 审查代码质量3. 获取详细的改进建议4. 生成修复后的代码5. 对比原代码和修复版本

7.2 优势与局限性

优势：

高度自主：可以独立完成复杂任务
多语言支持：支持多种编程语言
开源免费：无使用成本（除 API 费用）
可定制：可根据需求修改
透明可审查：所有决策过程可见

局限性：

依赖 LLM 质量：效果受模型能力限制
可能产生幻觉：可能生成错误的代码
需要人工审查：不能完全信任自动生成的代码
成本问题：复杂任务消耗大量 API token
学习曲线：需要理解如何有效引导 Agent

最佳实践：

将 OpenHands 视为”高级实习生”，而非”完全替代”
重要代码必须人工审查
小步迭代，频繁验证
明确需求，减少歧义
保存工作进度，便于回滚

八、对 OpenClaw 生态的启发

8.1 可借鉴点

1. 工具系统的统一设计 OpenHands 的工具系统设计非常优雅：

统一的工具接口
清晰的工具分类
完善的错误处理

OpenClaw 可以借鉴：

标准化技能接口定义
工具调用的一致性体验
错误恢复机制

2. 沙箱安全理念 虽然 OpenClaw 不一定需要 Docker 沙箱，但可以学习：

危险操作的确认机制
文件操作的备份策略
网络请求的权限控制

3. 多模型适配策略 OpenHands 的模型无关设计值得学习：

统一的 LLM 接口层
灵活的模型切换
成本优化策略

4. 社区驱动的发展模式 OpenHands 的快速迭代得益于：

活跃的开源社区
清晰的贡献指南
透明的开发流程

8.2 潜在集成方向

方向 1：OpenHands 作为 OpenClaw 的技能

设想：将 OpenHands 的核心能力封装为 OpenClaw 的一个技能实现方式：1. 通过 Docker 容器运行 OpenHands 服务2. OpenClaw 通过 API 调用 OpenHands3. 作为"编程专家"技能提供给用户价值：- 扩展 OpenClaw 的编程能力- 利用 OpenHands 的成熟技术- 保持 OpenClaw 的轻量级特性

方向 2：混合 Agent 架构

设想：OpenClaw 的通用 Agent + OpenHands 的专业 Agent工作流：1. 用户提出任务2. OpenClaw 判断任务类型3. 编程任务 → 调用 OpenHands Agent4. 其他任务 → 使用 OpenClaw 技能5. 汇总结果，返回给用户

方向 3：共享工具生态

设想：OpenHands 和 OpenClaw 共享工具/技能实现：1. 统一工具定义标准2. 工具/技能双向兼容3. 共建工具市场价值：- 减少重复开发- 扩大生态规模- 提升用户体验

8.3 差异化发展建议

OpenClaw 的定位强化：

通用性：继续深耕非编程类任务自动化
易用性：保持低门槛，无需 Docker 等复杂依赖
生态性：发展技能市场，鼓励社区贡献
个性化：支持用户自定义工作流

避免正面竞争：

不追求”完全自主”，而是”智能辅助”
不替代 OpenHands，而是互补
聚焦个人用户和小团队场景

结语：AI 软件工程师的未来

OpenHands 的出现，标志着 AI 在编程领域的突破已经从一个商业产品扩展到了开源社区。它证明了：

AI 确实可以完成编程任务：不是简单的代码补全，而是完整的开发流程
开源模式可以加速创新：社区的力量让项目快速迭代
透明度是信任的基础：开源让用户可以审查和信任 AI 的决策

但对于 OpenClaw 这样的通用 AI 代理框架来说，OpenHands 更像是一个专业领域的标杆，而非直接的竞争对手。OpenClaw 的优势在于：

通用性：不限于编程，可以处理各种任务
灵活性：通过技能系统无限扩展
易用性：无需复杂部署，开箱即用
个性化：根据用户需求定制工作流

未来，我们可能会看到：

OpenHands 继续深耕编程领域，成为”AI 程序员”的标杆
OpenClaw 拓展通用自动化，成为”AI 个人助理”的首选
两者可能融合：通过 API 调用或技能集成，实现能力互补

无论哪种路径，AI 辅助编程的时代已经到来。关键不是”AI 是否会替代程序员”，而是”如何与 AI 协作，成为更好的开发者”。

OpenHands 给出了它的答案：开源、透明、可定制。 OpenClaw 也在探索它的答案：通用、灵活、易用。

而最终的答案，需要每一个用户在实践中找到。

附录：资源链接

OpenHands GitHub: https://github.com/All-Hands-AI/OpenHands^[1]
OpenHands 官方文档: https://docs.all-hands.dev^[2]
OpenHands Docker Hub: https://hub.docker.com/r/allhandsai/openshands^[3]
OpenClaw GitHub: https://github.com/openclaw^[4]
OpenClaw 技能市场: https://clawhub.com^[5]

引用链接

[1]https://github.com/All-Hands-AI/OpenHands

[2]https://docs.all-hands.dev

[3]https://hub.docker.com/r/allhandsai/openshands

[4]https://github.com/openclaw

[5]https://clawhub.com