DClaw가 하는 일
DClaw는 개인 에이전트를 프로토타입 단계의 개념에서 사용 가능한 프로덕션 지향 서비스로 전환하도록 설계되었습니다. 배포된 DClaw 에이전트는 다음을 수행할 수 있습니다.- 상호작용 전반에 걸쳐 지속적인 컨텍스트를 유지
- 하나의 에이전트 ID로 여러 채널을 통해 소통
- 실제 워크플로에서 사용자를 대신해 작업을 실행
- 메모리, 스킬, 플러그인 기반 확장을 통해 시간이 지남에 따라 진화
DClaw가 중요한 이유
기존의 오픈소스 에이전트 프레임워크는 에이전트가 사용 가능해지기까지 환경 설정, 서비스 오케스트레이션, 수동 구성, 지속적인 유지 관리를 요구하는 경우가 많습니다. DClaw는 핵심 에이전트 인프라를 더 간단한 배포 레이어로 패키징하여 이러한 부담을 줄입니다. OpenClaw와 같은 프레임워크 우선 접근 방식과 비교할 때, DClaw는 다음을 강조합니다.- 다단계 환경 설정 대신 원클릭 배포
- 여러 외부 서비스를 조합하는 대신 통합된 DGrid API 접근
- 단일 워크플로 내의 내장된 모델, 채널, 메모리, 스킬
- 기술 사용자와 비기술 사용자 모두를 위한 실제 사용까지의 더 빠른 전달
핵심 기능
멀티 채널 에이전트 프레즌스
DClaw는 Telegram, iMessage, Matrix, DingTalk, WeCom, WeChat, MQTT, Twilio 기반 API를 포함하여 점점 늘어나는 통신 채널 및 프로토콜을 지원합니다. 이를 통해 하나의 에이전트가 반복적인 설정이나 파편화된 ID 없이 업무, 소셜, 개발자 환경 전반에서 상호작용할 수 있습니다.사용자 소유의 지속적인 메모리
DClaw에는 이전 대화, 사용자 선호도, 반복되는 워크플로, 작업 기록과 같은 유용한 컨텍스트를 저장하는 지속적인 메모리 시스템이 포함되어 있습니다. 설계 원칙은 사용자 소유 메모리입니다. 즉, 개인화는 불투명한 데이터 보존에 의존하는 것이 아니라 사용자의 통제 하에 있어야 합니다.스킬 및 플러그인 확장성
DClaw 에이전트는 모듈형 스킬과 플러그인을 통해 확장할 수 있습니다. 사용자는 커뮤니티 스킬을 채택하거나, 커스텀 기능을 개발하거나, 에이전트를 다시 빌드하지 않고 스킬을 교체하거나, 시간이 지남에 따라 점점 더 전문화된 워크플로를 지원할 수 있습니다.내장된 모델 접근
DClaw에는 초기 단계에서 별도의 API 설정 없이도 주요 AI 모델에 대한 접근이 포함되어 있습니다. 사용자는 DClaw의 라우팅 로직을 사용하여 역량, 지연, 비용에 따라 적절한 모델이 선택되도록 할 수 있으며, 필요한 경우 직접 모델을 선택하는 옵션도 유지됩니다.일반적인 사용 방법
일반적인 DClaw 워크플로는 다음과 같이 간단합니다.- DClaw 레이어를 통해 에이전트를 배포합니다.
- 에이전트가 작동해야 하는 채널을 연결합니다.
- 에이전트의 역할, 메모리 설정, 필요한 스킬을 정의합니다.
- 에이전트가 반복적인 조정, 정보 제공 또는 작업 중심 워크플로를 처리하도록 합니다.
- 개인 생산성 어시스턴트
- 팀 협업 및 보고 에이전트
- 생태계 모니터링 또는 연구 어시스턴트
- 배포, 디버깅, 운영 지원을 위한 개발자 에이전트