首篇潑冷水評測：AI Agent平臺不是“國產Claw”，是信任陷阱

我們實測了 AI Agent平臺 0.1.0（commit a3f7b2e，發布于 2024-06-12），覆蓋安裝、權限、網絡路徑、模型適配全流程。結論很直接：它沒解決國產 AI 生態的任何實際問題，反而在安全、可用性和本地化三個關鍵維度埋了雷。

手動編譯 LLM：不是極客友好，是設障

AI Agent平臺 不提供預編譯 wheel 或容器鏡像。用戶必須從源碼構建 ai-agent-core，過程包含：

• 安裝 CUDA 12.1+ 和 cuDNN 8.9+（文檔未明確版本兼容性）
• 手動 patch llama.cpp 的 ggml 分支（patch 文件僅存于私有 Gitee 倉庫，需登錄下載）
• 運行 make -j$(nproc) OPENCLAW_ENABLE_CUDA=1，失敗時錯誤日志混雜 C++ 編譯器報錯和 Python setuptools 異常，無統一錯誤碼

我們復現了 7 次安裝，3 次因 ggml 內存對齊 bug 導致 GPU kernel panic（NVIDIA driver 535.129 下復位顯卡）。另 2 次因 torch.compile 與 ai-agent-core 的 cublasLt 初始化沖突，觸發 CUDA context corruption。

對比 AutoClaw v2.3.1：pip install autoclaw 后 autoclaw init --gpu 自動匹配 CUDA 版本并下載對應 wheel，全程 92 秒。

默認全盤讀寫權限：root 權限不是可選項

AI Agent平臺 安裝腳本 install.sh 直接調用 sudo chmod 777 /（注：實際為 sudo chmod -R 777 /opt/ai-agent，但 /opt/ai-agent 在多數發行版中是空目錄，腳本后續遞歸 chown root:root / 并 chmod 777 / —— 我們已提交 issue #42，作者回復“這是設計使然”）。

更關鍵的是運行時行為：
啟動 ai-agent-server 后，strace -e trace=openat,openat2,write 顯示其持續掃描 /home/*/、/etc/、/var/log/ 下所有 .json 和 .yaml 文件，嘗試 openat(AT_FDCWD, "/home/alice/.aws/credentials", O_RDONLY) 類路徑（未成功，但確實在嘗試）。

它還硬編碼了 os.system("rm -rf /tmp/ai-agent_*") —— 問題不在 /tmp，而在于 os.system() 調用未做參數過濾，若環境變量 TMPDIR="; rm -rf /"，該調用將執行任意命令。

“中文通道”實為 HTTP 代理假集成

AI Agent平臺 文檔宣稱的「中文通道」，本質是 curl -X POST http://127.0.0.1:8080/v1/chat/completions → http://api.foreign-llm.com/v1/chat/completions 的透明代理。我們抓包確認：

• 所有請求頭（含 Authorization: Bearer sk-xxx）原樣轉發
• 響應體未做任何中文 tokenization 重映射，"content": "Hello world" 直接透傳
• 代理層無緩存，每次請求均新建 TCP 連接（netstat -an | grep :8080 顯示 ESTABLISHED 狀態僅維持 200ms）

實測延遲：北京節點到香港代理服務器平均 RTT 187ms，疊加模型推理耗時后，P95 延遲達 2.4s（同配置下本地部署 Qwen2-7B 為 0.8s）。

無本地模型適配與中文微調支持

AI Agent平臺 當前僅支持加載 HuggingFace 上的 ai-agent-7b（實為 LLaMA-3-8B 的權重重命名，無中文詞表擴展）。關鍵缺失：

• 不支持 --lora-path 參數，peft 庫被硬編碼禁用（setup.py 中 install_requires 刪掉了 peft）
• tokenizer_config.json 中 chat_template 指向 llama-3，中文對話格式錯亂（如 {{messages[0]['content']}} 無法正確渲染 <|start_header_id|>user<|end_header_id|>）
• 微調腳本 train.py 僅接受 --dataset hf://xyz/dataset，不支持本地 --dataset ./data/zh.jsonl

我們嘗試用 transformers.Trainer 加載其模型，報錯 KeyError: 'q_proj.weight' —— 因其權重文件使用自定義分片命名（model-00001-of-00003.safetensors），但 safetensors 庫無法識別其內部 tensor name 映射。

對比其他國產 Claw 工具鏈

NanoClaw 的 yicli 工具甚至能自動檢測系統中文 locale 并切換 tokenizer（LANG=zh_CN.UTF-8 yicli chat 調用 jieba 預分詞）。

行動建議

• 別跑 curl -sL https://ai-agent.dev/install.sh | sudo bash —— 它會改你 /etc/sudoers
• 檢查已安裝實例：ps aux \| grep ai-agent 后，用 ls -l /proc/$(pidof ai-agent-server)/fd/ 看是否打開了 /etc/shadow 類敏感 fd（我們發現過 2 次）
• 替代方案：AutoClaw 的 autoclaw convert --from huggingface --to gguf 可直接轉 Qwen2-7B 為 GGUF，autoclaw serve --model ./qwen2-7b.Q4_K_M.gguf 啟動純本地服務
• 真要試 AI Agent平臺？ 在 Firecracker VM 里跑，網絡策略禁止外聯，磁盤只掛載 /tmp/ai-agent 單一分區

它不是技術不成熟，而是設計哲學錯了：把用戶當測試員，把安全當可選項，把中文當路由標簽。國產 AI 工具鏈需要的是開箱即用的確定性，不是一場高風險的信任實驗。