ClawWork 将 AI 助手转变为能完成 220 个专业任务的 AI 同事，通过经济基准测试衡量工作质量、成本效率和生存能力。支持多模型竞技场对比，提供实时仪表板查看收入、成本和质量指标。本文详解项目定位、安装步骤、使用方法及技术实现。
ClawWork 是一个将 AI 助手转变为能完成真实专业任务的 AI 同事系统，基于 GDPVal 经济基准测试衡量工作质量、成本效率与长期生存能力，支持多模型竞技场对比。
ClawWork 是一个将 AI 助手转变为能完成真实工作任务的 AI 同事的系统。其核心定位是提供一个经济基准测试框架，通过让 AI 代理完成来自 GDPVal 数据集的 220 个专业任务（涵盖 44 种经济部门，如技术、金融、医疗、法律等），衡量其在生产环境中创造的真实经济价值。用途包括：作为 AI 代理性能评估与竞赛平台，对比不同模型的实际工作表现；作为 AI coworker 能力验证工具，测试 AI 在多种职业中的实用技能；以及作为经济生存基准，评估 AI 在预算约束下的长期可行性。项目提供实时仪表板展示代理的收入、成本、支付率和质量评分，并支持多模型竞技场排名。
ClawWork 解决了传统 AI 基准测试无法客观评估生产环境经济价值的问题。现有基准通常关注技术指标（如准确率、推理速度），但忽略了工作质量、成本效率和长期生存能力这三个生产关键维度。本系统通过模拟真实经济环境：要求 AI 代理完成专业任务赚取收入、自动扣除 API 调用 token 成本、并维持账户余额不为负，从而全面衡量 AI 作为‘同事’的实际价值。此外，它解决了跨模型公平对比的难题，通过统一任务集和经济规则，让不同 AI 模型在相同条件下竞争，确定‘AI 工人冠军’。
ClawWork 主要适用于三类场景：1) AI 代理性能评估与竞赛：研究者和开发者可对比不同基础模型（如 GPT、Claude、Qwen、Kimi、GLM）在相同专业任务上的产出质量、成本效率和收入能力；2) AI coworker 能力验证：企业或团队可测试 AI 在具体职业（如会计师、工程师、律师、客服代表）中的实际工作能力，评估其自动化潜力；3) 经济生存基准测试：学术研究可用于分析 AI 代理在资源约束下的长期经济可行性，探索自主 AI 系统的可持续性。项目还支持通过 nanobot 集成将 AI coworker 部署到 Telegram/Discord 等聊天平台，提供按需付费任务服务。
根据仓库信息，安装步骤如下：1) 克隆仓库到本地：git clone https://github.com/HKUDS/ClawWork.git；2) 配置环境变量：复制 .env.example 为 .env，并填写所需 API 密钥，至少包括 OPENAI_API_KEY（代理模型）、EVALUATION_API_KEY（评估模型，推荐 OpenAI）、TAVILY_API_KEY（网页搜索）等；3) 安装 Python 依赖：pip install -r requirements.txt，依赖包括 FastAPI、LangChain、pandas、tavily-python、e2b-code-interpreter 等；4) 启动本地仪表板：运行 ./start_dashboard.sh 脚本（或手动启动前后端），默认访问 http://localhost:3000。注意：项目要求 Python 3.10+，并需确保各 API 服务可用。
安装完成后，主要使用方式包括：1) 查看实时仪表板：启动后访问前端（默认 localhost:3000），可查看各 AI 代理的经济表现排行榜，包括余额、总收入、成本、每小时支付率和平均质量评分，数据实时更新；2) 运行自定义代理：使用命令 python -m clawmode_integration.cli agent 启动代理循环，支持集成 Telegram、Discord 或 CLI 接口；3) 触发按需付费任务：若集成 nanobot 网关，可通过 /clawwork <指令> 命令分配任务，系统自动使用 TaskClassifier 识别职业类别并基于 BLS 工资数据估算最大支付额；4) 本地数据同步：代理运行产生的数据（如 task_completions.jsonl）会定期同步至仓库，仪表板直接读取本地文件以即时更新。
项目实现上具有以下关键特点：经济跟踪机制采用 TrackedProvider 包装器，监控每次 LLM 调用的输入/输出 token 数量，并从代理余额中实时扣费，支持 OpenRouter 报告的成本；任务价值估算由 TaskClassifier 完成，基于 40+ 职业类别和 BLS 工资数据自动分类任务并计算最大支付额；多模型支持允许代理和评估器使用不同 API 提供商（如 OpenAI、SiliconFlow），评估器默认使用 gpt-4o 以保证评分一致性；实时数据流通过 WebSocket 连接实现仪表板对余额、收入、质量指标的即时更新；评估系统基于 LLM 为 44 个任务类别生成 0-10 分的元提示，自动对代理工作成果进行评分。注意：具体代理运行配置和详细集成步骤需参考 clawmode_integration/README.md 等子模块文档。
通过 GDPVal 数据集的 220 个专业任务，让代理赚取收入、自动扣除 API 调用 token 成本，并维持账户偿付能力，综合衡量工作质量、成本效率和长期生存能力。
支持 GLM、Kimi、Qwen、Gemini、Claude 等多种模型，通过多模型竞技场在相同任务和 economic 规则下对比实际工作表现，排行榜实时更新。
克隆仓库后复制 .env.example 为 .env 并配置 API 密钥（OpenAI、Tavily 等），pip 安装 requirements.txt 依赖，最后运行 ./start_dashboard.sh 启动本地仪表板。
/clawwork 是集成 nanobot 网关的按需付费任务命令，用户发送指令后，系统自动使用 TaskClassifier 识别职业类别、基于 BLS 工资估算最大支付额，并分配给 AI 代理执行。
代理运行产生的数据（如 task_completions.jsonl）会定期同步至仓库；仪表板直接读取本地数据文件，通过 WebSocket 实现余额、收入、质量指标的实时更新，无需手动刷新。