夜雨聆风“ 数据不上传、记忆不丢失、模型自己选——这是超级个体对"个人 AI 助理"最朴素的三个要求，QwenPaw 2.0 基本都做到了。
痛点场景：SaaS 助理用得越久，越不敢换
做个人产品这几年，我陆续订阅过至少五六款"AI 助理"类 SaaS：客服自动回复、会议纪要整理、内容灵感收集、日程提醒。每一款单独看都便宜，20 一个月，可加起来就是一笔不小的开销，更麻烦的是数据分散在五六个平台里——客户聊天记录在 A 家，内容素材在 B 家，长期记忆几乎为零，换一个工具就等于重新"训练"一遍助理对我业务的理解。
更让人不安的是隐私。独立开发者、自由职业者手里往往握着客户合同、财务数据、未公开的产品计划，这些内容被动上传到第三方云端 SaaS，一旦对方数据泄露或者调整隐私条款，风险全部由自己承担。我一直在找一个能"装在自己电脑或自己服务器上、模型自己选、记忆自己攒"的方案，直到 7 月 10 日 AgentScope 团队正式发布了 QwenPaw 2.0。
Agent 解决方案：把"个人助理"做成一个可控的 Agent OS
QwenPaw 是阿里 AgentScope 团队开源的个人 AI 助理项目（GitHub：agentscope-ai/QwenPaw，Apache 2.0 协议，目前 star 数约 2.18 万、fork 约 2800），2.0 版本基于 AgentScope 2.0 框架从零重写，核心思路不再是"一个聊天机器人"，而是一套"Agent OS"：每个 Agent 拥有透明落盘的 Resources（资源）、可配置 allow/deny/ask/sandbox 规则的 Governance（治理）、以及 macOS/Linux/Windows 三端隔离的 Sandbox（沙箱）。换句话说，你能清楚看到助理读了哪些文件、执行了哪条命令、每一步操作是自动放行还是需要你手动批准。
图1：QwenPaw 网页控制台，一个界面管理渠道、记忆、技能和定时任务
选择 QwenPaw 而不是重新写一套 LangChain/n8n 工作流，对超级个体来说有三个现实理由。第一，它是"交付级"产品而不是框架半成品——装完就能跑，不需要自己拼装 RAG、记忆库、审批逻辑。第二，本地模型选项比较完整：内置 QwenPaw-Flash 系列小模型（2B/4B/9B，支持 Q4/Q8 量化），也原生支持 Ollama、LM Studio、llama.cpp，敏感数据可以完全不出本地机器。第三，渠道打通了钉钉、飞书、企业微信、Discord、Telegram、iMessage、QQ，2.0 还新增了 Slack，一个助理可以同时守着你所有的对话入口，不用来回切换应用。
这次重写还带来三项关键能力。Loop Engineering 提供 Normal / Mission / Goal 三种循环模板，配合可组合的审批闸门，你可以让助理在写代码时自动放行读文件、但改动生产环境配置前必须等你确认。Scroll Context 用 SQLite（history.db + FTS5 全文索引）持久化每一轮对话，默认保留 30 天，被移出上下文窗口的内容不会被"摘要冲淡"，而是可以按需重新检索。ReMe v0.4.0 长期记忆则把关键词匹配、语义向量、关系图谱三种检索方式做了混合，官方数据显示搭载 ReMe 的 8B 小模型在某些任务上能反超没有记忆能力的 14B 模型——这对想用小模型省成本的个人开发者是个好消息。
完整实现：从零到能用，十分钟内跑通
不需要提前装 Python、Node.js，官方脚本会自动处理依赖。macOS / Linux 下一条命令：
curl -fsSL https://qwenpaw.agentscope.io/install.sh | bash
Windows 用户，CMD 下执行：
curl -fsSL https://qwenpaw.agentscope.io/install.bat -o install.bat && install.bat
PowerShell 用户：
irm https://qwenpaw.agentscope.io/install.ps1 | iex
脚本会自动下载 uv（Python 包管理器）、创建虚拟环境、安装全部依赖（包括前端资源），装完之后打开新终端窗口执行：
qwenpaw init --defaults
qwenpaw app
qwenpaw app 默认会拉起本地网页控制台（localhost:8088），你也可以直接用内置的全屏 Terminal UI（如文首封面图所示），支持流式输出、/help、/resume、/theme 等斜杠命令，长文本或文件可以直接粘贴附件进去。
想更贴近实际开发场景，可以开启 Coding 模式：在网页控制台里点击 "Clone Repository"，直接把一个 GitHub 仓库拉到本地工作区，QwenPaw 会切到三栏式 Web IDE 布局，边聊边改代码、跑脚本、管理服务器进程。
图2：Coding 模式支持直接克隆仓库进入三栏 IDE 布局
如果你想用云端模型，QwenPaw 支持 OpenAI、Anthropic、Google Gemini、DeepSeek 等 10 多家供应商，也兼容 OpenAI 的 Response API；想接入自己已有的工具，MCP 客户端配置就是一段标准 JSON：
{
"mcpServers": {
"example-client": {
"command": "npx",
"args": ["-y", "@example/mcp-server"],
"env": { "API_KEY": "<YOUR_API_KEY>" }
}
}
}
图3：MCP 协议兼容，已有的 MCP 工具可以直接接进来
日常运营场景里，定时任务是我用得最多的功能：官方内置了"工作日科技新闻早报""休息提醒""周末推荐"等模板，Cron 表达式可视化编辑，不用记语法。
图4：内置定时任务模板，Cron 语法对普通用户是隐藏的
进阶配置里，记忆后端（ReMe / adbpg）、上下文长度、Shell 命令超时、Agent 语言和时区都能单独调，适合把助理按不同项目拆分成多个 Agent 分别管理。
图5：记忆后端、上下文管理等参数均可独立配置
对比 Node.js 技术栈的 OpenClaw（375k+ star，24 个消息平台、500+ 社区插件），它的渠道生态目前明显更成熟；但 QwenPaw 在本地模型运行时（内置 llama.cpp、专门优化的 Flash 小模型）和长期记忆（ReMe）上更有优势，更适合看重数据自主权的个人开发者。老实说，QwenPaw 的插件市场还在追赶阶段，文档和 issue 讨论也以中文社区为主，这是选择前要有的心理准备。
成本效益分析：省下的不只是订阅费
时间成本上，跑通安装脚本加初始化配置，实测在 M 系列 Mac 上大约 10-15 分钟；如果要接入企业微信、钉钉这类需要申请应用凭证的渠道，再加 20-30 分钟申请流程。
费用上分两种情况。用内置的 QwenPaw-Flash 本地小模型或者 Ollama 跑开源模型，除了电费基本零成本，适合处理日常提醒、文档整理这类对模型能力要求不高的任务。如果日常需要更强的推理能力，接入 Qwen3-Plus 或者其他云端 API，个人开发者一个月一两百万 token 的调用量，成本普遍在 30-80 元人民币区间，远低于同时订阅客服工具、笔记 AI、定时任务 SaaS 三四款产品每月 300-500 元的总支出。
把它替换掉的不只是订阅费，还有此前分散在多个平台、无法沉淀的记忆——现在客户对话历史、项目上下文、你自己的操作偏好都保存在自己的机器或服务器上，换渠道、换客户端不用重新"教"一遍。对一个人打理多条业务线的超级个体来说，这笔投入产出比是清楚划算的，唯一的代价是你要自己承担部署、更新和安全维护的责任——这也是"数据自己掌握"必然要接受的另一面。
本文由 AI 辅助生成，核心信息来自 QwenPaw 官方 GitHub 仓库、AgentScope 官方博客与文档、阿里云开发者社区公开资料，发布前已尽量核实，具体安装步骤和参数请以官方文档 qwenpaw.agentscope.io 为准。
