夜雨聆风▼ 关注摩尔线程开发者公众号，及时获取摩尔线程开发者各类服务信息 ▼
近日，摩尔线程正式开源AI智能体框架MTClaw，一款面向桌面控制场景的AI智能体加速方案。实测表明，MTClaw可将智能体单次任务执行速度提升约7倍、成功率可达100%。目前，MTClaw的完整代码、评测数据与配套插件已开放至摩尔线程GitHub官方仓库与OpenClaw官方插件市场ClawHub。基于该框架，摩尔线程已构建了全域智能体“小麦”，并在桌面控制场景中投入实际应用。
为什么AI智能体的桌面执行
总是“慢一步”？
在自动整理文件、批量截图、浏览器操作、自动化测试等日常场景中，AI智能体（AI Agent）正逐步成为开发者的得力助手。然而，许多开发者在实际部署和使用桌面控制智能体时，常面临一个核心痛点——慢。
当前主流智能体架构的工作模式是：将每一帧截图、每一次点击、每一个文件操作请求，均完整发往远端大模型进行推理决策。即便任务本身极为简单，也要经历完整的模型推理链路。这就好比让一位首席科学家去处理“打开抽屉、拿一支笔”的琐事，每个微小动作都要排队等待决策，不仅造成大量算力浪费在低价值操作上，更拉长了整体系统响应延迟。
业界现有解决方案主要分为两类：
• 对大模型进行专项重训：以提升特定场景下的轻量化操作效率，但研发及计算成本高昂，且模型版本迭代后效果难以持续。
• 直接替换为轻量模型：虽能勉强应对简单任务，但在面对复杂业务逻辑和推理时，成功率易显著下降。
由此可见，以上两种方案均不理想。
MTClaw让AI智能体又快又准
面对上述困境，摩尔线程选择了一条不同的技术路径。MTClaw不改变后端大模型本身，而是在其前端增加一层“前台助理”角色，搭配轻量模型并引入路由机制（Function Router），通过明确的分工协调实现业务层整体加速。
▼ 高频轻量动作即时处理：
截图、点击、打开文件、读取内容等常规重复性操作，由“前台助理”即时判断并执行，实现毫秒级响应。
▼ 复杂场景自动流转：
对真正需要复杂推理和深层思考的场景，“前台助理”会自动转交给用户配置的后端大模型（如ChatGPT、豆包、Qwen等），确保执行质量。
▼ 无侵入式设计：
支持配置接入地址的AI客户端、智能体框架或评测系统，仅需修改一行API Base地址即可直接调用，无需调整底层业务代码。
图1：摩尔线程MTClaw的“前台助理”工作流
一次请求进入MTClaw后，“前台助理”经历“判断→执行→检查”三个步骤，先决定该任务由“轻量模型直办”还是“交给大模型”，执行完成后确认是否需要大模型补充完善。基于此流程，用户可明显感受到AI智能体任务执行效率的显著提升。这一“快”与“准”的平衡，主要得益于以下两项关键技术：
▼ 精挑细选的轻量模型
MTClaw内部“前台助理”所搭载的轻量模型并非越小越好。摩尔线程技术团队在尝试多种不同规模的候选模型后，最终选定了一款300亿参数级的轻量模型。测试表明：低于此规模，小模型成功率会明显下滑；进一步扩大规模，速度优势则被逐渐稀释。该模型是在“快”与“准”之间取得的当前最优平衡点。
▼ 严格的对话隔离机制
在多用户、多并发会话的真实生产场景中，若不区分历史记录归属，“前台助理”易混淆不同用户的动作，导致误判。MTClaw引入严格的对话隔离机制，为每个会话单独维护一份独立的工具调用历史、上下文状态和路由记录，所有判断仅基于当前对话的历史，跨会话互不干扰。该机制则是MTClaw兼顾“快”与“准”的关键技术。
图2：摩尔线程MTClaw的“前台助理”对话隔离机制
实测：速度更快，成功率更高
摩尔线程技术团队在50个真实桌面控制任务上对MTClaw进行了端到端评测（每项任务重复执行4次，后端大模型选用豆包Pro），性能表现如下：
以上实测数据显示：
▼ MTClaw极速模式专注于低延迟响应，适用于对交互速度敏感的实时场景。该模式下，单次任务平均完成时间仅需5.54秒，相较传统方式的37.97秒，带来约7倍的速度提升。
▼ MTClaw稳健模式下，当“前台助理”遇到自身判断不确定的请求时，会自动向后端大模型求助。该模式下，单次任务成功率达100%，平均完成时间为7.61秒，相较传统方式，不仅成功率更高（100% vs 99%），还实现约5倍的速度提升。
快速部署指南
MTClaw采用MIT开源协议，代码、评测数据、训练与评测脚本全量开放，无遥测组件，不依赖强制云端服务，支持用户自由本地部署。
▼ MTClaw GitHub仓库：
https://github.com/MooreThreads/MTClaw
▼ ClawHub插件页：
https://clawhub.ai/packages/openclaw-session-bridge-plugin
开发者可根据自身业务场景选择以下两种方式部署：
方式一：与开源智能体OpenClaw生态兼容
MTClaw已与开源智能体OpenClaw完成生态兼容，并上架至其官方插件市场ClawHub。OpenClaw用户只需在终端执行以下命令，即可开箱体验：
Bashopenclaw plugins install clawhub:openclaw-session-bridge-plugin
方式二：独立Python运行环境部署
如需在自定义AI自动化流程中独立调用MTClaw的路由能力，可通过以下步骤快速完成本地构建：
1. 克隆仓库并安装依赖
git clone https://github.com/MooreThreads/MTClaw.gitcd MTClawpip install ../scripts/install.sh
2. 配置服务接入（示例）
上述安装脚本会自动检查OpenClaw目前使用模型，并加载到function router，不需要修改任何OpenClaw的代码和配置。
如果需要手动指定服务，仅需将智能体客户端或自动化脚本中的openai.base_url指向MTClaw的本地或服务器代理地址，即可完成无侵入式替换：
import openai# 仅需修改 Base URL，即可享受 MTClaw 的高频动作本地加速client = openai.OpenAI(base_url="http://<your-mtclaw-server>:8000/v1",api_key="your-key")# 像往常一样发送桌面操作序列或函数调用请求response = client.chat.completions.create(model="openclaw-function-router-0308",messages=[{"role": "user", "content": "帮我截取当前屏幕，并检查浏览器里是否有报错提示"}])
3. 自动加速Skill
我们提供了两种方法，便于用户快速对需要的领域进行加速，并不局限于系统控制、桌面操作等场景。
方法一：提供skill-to-fc的技能
只需要告诉您的OpenClaw，让它基于skill-to-fc对某个Skill进行加速，即可快速将这个领域适配到function router。
https://github.com/MooreThreads/MTClaw/blob/main/docs/skill-to-fc.md
方法二：我们提供了详细的工具定义的教程
只需要实现一个相关脚本并注册，即可使用function router进行快速工具调用。
https://github.com/MooreThreads/MTClaw/blob/main/docs/adding-tools.md
开源生态共建
MTClaw不仅适用于桌面控制场景，也有望延伸至代码辅助、自动化测试、多模态任务编排等更广泛的AI智能体应用领域，为国产GPU算力在智能体加速方向上的规模化落地提供可复用的技术基座。
MTClaw并非一次性的开源发布，而是摩尔线程在AI智能体效率优化方向上的持续投入起点。团队将持续推进：
▼开放MTClaw的智能体训练工具链，支持企业基于自有工具体系与业务场景，快速训练并定制专属策略；
▼ 适配更多主流大模型作为推理后端；
▼ 推出整合套件，进一步降低部署门槛，升级“开箱即用”体验。
摩尔线程诚邀广大开发者共同参与MTClaw建设，协同推进AI智能体在真实生产场景中“更快、更准、更省”的持续进化。获取更多MTClaw信息，请访问摩尔线程GitHub官方仓库：
https://github.com/MooreThreads/MTClaw
*以上测试数据均来自摩尔线程实验室。
▼ 关于摩尔线程开发者
摩尔线程开发者是国产 GPU 创新企业摩尔线程专为技术爱好者和开发者打造的一站式服务平台。摩尔线程致力于构建一个技术共享和创新驱动的开发者生态服务体系，助力开发者实现技术突破，推动创新应用落地。
更多信息，请长按二维码关注了解
