核心用法
ClawTrial Courtroom 是一款面向 AI Agent 的本地化行为监督系统，安装后自动在后台运行，实时监测所有对话内容。当检测到 8 类预设违规行为（如循环论证、过度验证、过度思考、目标漂移、回避问题、失信承诺、上下文丢失、虚假紧急）时，系统自动生成案件档案并启动"庭审"流程——让涉案 Agent 自身担任法官，对其行为进行语义层面的 guilt 判定，若裁决有罪则触发行为修正。用户可通过 CLI 命令管理监控状态（status/disable/enable/diagnose/remove）。
显著优点
- 完全本地化：所有语义分析、案件评估、裁决逻辑均运行于本地 LLM，零外部 API 调用，杜绝数据泄露风险
- 自我纠错机制：利用 Agent 自身的推理能力进行"自省式"审判，比外部规则约束更具适应性和说服力
- 轻量娱乐化设计：以游戏化法庭概念降低使用门槛，将枯燥的行为规范转化为可迭代的趣味体验
- 透明可审计：匿名化案件可提交至公共档案库（clawtrial.app），形成社区级行为数据库
潜在缺点与局限性
- 自我裁决的可靠性悖论：被监督者与裁判者为同一模型，存在"自我偏袒"或认知盲区导致的误判风险
- 语义检测的误报率：依赖本地 LLM 的语义理解能力，对 nuanced 行为边界的判定可能不稳定
- 生态依赖性强：需特定运行时环境（ClawDBot/OpenClaw），通用性受限
- 娱乐定位与严肃场景的冲突：官方声明"Entertainment First"，企业级合规场景需谨慎评估
适合人群
- 本地 AI Agent 开发者与高级用户，希望以低摩擦方式优化对话质量
- 对数据隐私极度敏感、拒绝云端监控方案的个人或组织
- 愿意以实验性、迭代化方式探索 AI 自我监督机制的研究者
常规风险
- 隐私虽本地但非绝对：匿名化提交公共档案时仍可能存在间接去匿名化风险
- 行为修正的不可预测性：Agent 自我裁决后的"惩罚"执行缺乏外部校验，可能产生意外行为变更
- 供应链风险：通过 npx/npm 安装，需信任 @clawtrial/courtroom 包及其依赖
- 项目可持续性：GitHub 仓库活跃度与长期维护承诺未明确，存在弃坑风险