OpenClaw龙虾管理系统?我们组部署的第一个AI科研小秘

给龙虾们（OpenClaw）装上缰绳，排好队，一个个等着接任务。专门解决科研项目大量的重复劳动问题。项目组10个研究人员都能独立在本地处理数据和开发应用了。

我们组承载着大科学装置的运维与科学数据处理工作。科学设备每天会产生大量的数据（几十TB），每天都有大量的重复任务：仪器状态的监控、科学流程的监控、各级科学数据（L0、L1、LX）的完整性检查、展示、发布，科学目标的证认……

以前，这些任务需要专业的开发人员来处理。现在，有了"科研小秘"，项目组10个研究人员都能独立在本地处理数据和开发应用了。

举个实战案例：我们需要开发一个科学图像的查询系统，可以按目标名称，时间或类型查询，可以下载图像。全程写需求用了5分钟，AI开发秘书从开发到部署用了10分钟。科学家只需点击AI开发秘书部署好的链接，即可直接查看效果。下图为实现效果，点击目标的名称，可以下载该目标的图像。

从"养龙虾"到"管龙虾"的核心需求

在上一篇《从"养龙虾"到"管龙虾"》中，我们介绍了科研团队的"AI之痛"：

OpenClaw像养宠物——上手容易，但行为不可控
DeerFlow2像开飞机——功能强大，但门槛太高

科研团队真正需要的，是一个既听得懂人话，又知道实验室规矩，还能按流程办事的科研小秘。

今天，我们来详细介绍这位"科研小秘"到底能做什么，以及我们团队是如何用它来解决实际科研问题的。

一、AI开发秘书：专为科学数据而生

这次的"科研小秘"主要面向科学数据的管理与展示，我们称之为AI开发秘书，一个定制的智能体Agent工作流。用户提出需要后，后台会自动完成程序的开发、镜像打包，到部署。任务完成后，可以直接在页面上查看效果。

1.1 核心能力

AI开发秘书后台直接对接科学数据，科学家在页面上提出需求，后台会自动结合科学数据进行：

需求分析
代码编写
测试上线

任务完成后，科学家可直接在页面上查看处理结果。

1.2 并行处理能力

可以同时启动多个AI开发秘书，也就是多个Agent工作流：

1台服务器可以启动5到10个秘书Agent，相当于同时开启了5到10个Openclaw客户端
多个任务可以并行执行
大幅提升团队效率

这意味着，我们组的10个研究人员，每个人都可以独立在本地科研环境里处理数据和开发应用，不再需要排队等开发人员帮忙。

二、前端：一眼就懂的科研管理平台

"AI开发秘书"的前端，不是简单的聊天界面，而是一个完整的科研项目管理平台。避免了OpenClaw等基于聊天的开发（养龙虾）的过程，这个过程黑盒且随机，很难把控任务的过程和结果。

2.1 项目管理

科研工作往往围绕"项目"展开，比如一个课题、一个实验、一个合作数据处理流程。

每个项目都有独立的代码目录，支持多次迭代，历史任务可追溯。详细UI界面如下图所示。

2.2 任务管理

任务是"AI开发秘书"的核心执行单元。

任务管理模块提供：

功能	说明
状态查看	pending（等待）、running（运行中）、success（成功）、failed（失败）、pending\_deployment（待部署）
实时进度	每个任务的执行进度百分比
继续执行	失败或中断的任务可以继续
查看详情	进入任务时间线，查看每一步的执行日志

任务管理的UI界面如下图所示。

2.3 用户与权限管理

科研团队往往需要协作。

用户管理模块提供：

用户登录：安全的身份认证

权限控制：关键操作（如删除、部署）需要登录权限

操作审计：所有操作都有记录

2.4 秘书工作团队（Runner）管理

"秘书工作团队"是真正干活的AI Agent。

Runner管理模块提供：

在线状态：哪些Runner正在工作

当前任务：每个Runner正在执行什么任务

心跳监控：实时检测Runner是否在线

Runner可以部署在多台服务器上，实现分布式执行和负载均衡。

三、后端：一支专业的"秘书团队"

"AI开发秘书"的核心，是一支由AI Agent组成的"秘书团队"。

3.1 秘书团队的五位成员

每位"秘书"都有明确的职责分工：

秘书	职责	输出
TaskPlanner（规划师）	分析需求，制定开发计划	spec/plan.md
Coder（程序员）	根据计划编写代码	项目代码
Tester（测试员）	运行测试，本地部署验证	测试报告 + 开发环境链接
DevOps（运维师）	生产环境部署	生产环境链接
Reporter（报告员）	汇总结果，生成最终报告	final_report.md

详细执行细节及流程如下所示。

3.2 自动重试机制

测试失败时，系统不会直接报错停止，而是：

自动回退到Coder节点
携带失败信息重新生成代码
再次测试
最多重试3次

这大大减少了人工干预的频率。

3.3 三种控制策略

"AI开发秘书"提供三种运行模式，满足不同场景的控制需求：

模式	说明	适用场景
auto（自动）	全自动执行，无需人工干预	简单任务、快速验证、实验原型
semi（半自动）	关键节点暂停，等待人工确认	复杂任务、需要质量把控
manual（手动）	全流程审批，每一步都需要人工确认	生产环境、安全第一

在semi和manual模式下，系统会在关键节点暂停。这样，AI不再是"会自己乱跑的龙虾"，而是一支始终在指挥下工作的队伍。

五、总结

"AI开发秘书"不是要取代科研人员，而是要成为科研人员的AI助手团队。

它做到了：

开箱即用：打开浏览器就能开始工作

工程化可控：关键节点可暂停、可回滚、可人工确认

全流程覆盖：从需求分析到部署上线，一站式完成

可视化监控：每一步都看得见、可追踪

私有部署：数据不出实验室，直接对接本地环境

并行处理：一台服务器可以启动5到10个秘书，多人同时使用

我们组的10个研究人员，现在都能独立在本地处理数据和开发应用了。这就是"AI开发秘书"带来的改变。

六、如何获取代码？

"AI开发秘书"项目面向科研人员开源。

我们希望，它不仅是一个演示里的Agent，而是真正能被每个实验室拿去使用、部署、改造、接入自己科研流程的工具。

后续我们会陆续开放：

核心代码
一键部署脚本
常见科研任务模板
Docker / SSH / GPU / Kubernetes 等集成能力
私有部署与实验室环境接入示例

后续的开源地址、体验方式和更新内容，我们都会第一时间在公众号发布。

本文首发于微信公众号，转载请注明出处。