核心用法
Teamclaw 是一款面向复杂多智能体场景的开源 Agent 服务框架，通过统一的 Shell 入口脚本实现非交互式部署与运维。用户执行 bash selfskill/scripts/run.sh setup 完成依赖安装后，使用 configure 子命令批量注入 LLM 密钥与服务端口，再通过 add-user 创建系统账户即可启动服务。系统暴露 51200（Agent 主服务）、51201（定时调度）、51202（OASIS 论坛）、51209（Web UI）四个核心端口，支持 OpenAI 兼容格式的流式/非流式对话 API。OASIS 模块是其差异化能力——允许多个专家 Agent 围绕同一议题并行讨论并输出执行计划，适用于需要集体决策的复杂任务场景。
显著优点
1. 架构完整度高：在单一项目中整合了对话 Agent、多智能体论坛、任务调度、移动端推送与前端界面，降低多组件集成的技术债。
2. 运维友好：所有操作通过 run.sh 脚本封装，支持幂等启动、状态查询与平滑停止，适合自动化 CI/CD 场景。
3. 安全基础扎实：实现 SHA256 密码哈希、自动生成 INTERNAL_TOKEN 用于服务间鉴权、路径穿越防护（_safe_path 函数）以及用户目录隔离存储。
4. 生态兼容：支持 DeepSeek、OpenAI、Anthropic、Google 等多家 LLM 提供商，API 格式兼容 OpenAI 标准，便于现有应用迁移。
潜在缺点与局限性
1. 网络配置风险：CORS 中间件默认配置为 allow_origins=["*""，存在 CSRF 与未授权访问隐患，需手动收紧。
2. 依赖管理待优化：28 个 Python 依赖包中存在 typosquatting 误报警告，且版本未严格锁定，可能引入供应链风险。
3. 命令执行沙箱不足：虽实现白名单与超时保护，但仍依赖字符串拼接传参，容器级隔离缺失。
4. 数据存储明文化：用户上传文件与生成内容以明文落盘，依赖操作系统权限保护，敏感场景需额外加密。
适合的目标群体
- AI 应用开发者：需要快速搭建具备多智能体协作能力的原型系统。
- 自动化运维工程师：寻求可脚本化部署、支持定时任务与推送通知的 Agent 基础设施。
- 技术研究者：探索 LangGraph 编排、多 Agent 讨论机制（OASIS）的学术或实验场景。
常规风险
- 性能风险：多 Agent 并行讨论可能产生大量 LLM 调用，需关注 Token 消耗与响应延迟。
- 依赖稳定性：外部 LLM API 可用性与速率限制直接影响服务稳定性。
- 密钥泄露：LLM_API_KEY 与 INTERNAL_TOKEN 通过环境变量与配置文件管理，需确保文件系统权限（建议 600）。
- 升级兼容性：当前版本 1.0.0 处于早期阶段，API 与配置项可能随迭代变更。