Een lokale AI-assistent met geheugen en messenger-integratie uitvoeren via QwenPaw
Gisteren stuitte ik op het QwenPaw-project van het AgentScope-team. Het lijkt erop dat de auteurs besloten om in één tool alles te combineren wat je normaal gesproken uit een dozijn verschillende bibliotheken moet samenstellen: lokale neurale netwerkuitvoering, Telegram- en Discord-integratie, langetermijn-contextbeheer en zelfs een web-IDE voor het werken met code.
Waarom zou je zo'n all-in-one oplossing nodig hebben? Als je ooit hebt geprobeerd om je eigen bot te bouwen voor routinetaken, ben je waarschijnlijk tegen geheugen- en beveiligingsproblemen aangelopen. Gewone agenten vergeten snel het begin van een gesprek wanneer het contextvenster vol raakt, of ze vereisen volledige machtigingen om bash-scripts rechtstreeks in je besturingssysteem uit te voeren. QwenPaw pakt beide problemen fundamenteel aan.
Hoe QwenPaw is Gestructureerd en Wat Er Onder de Motorkap Zit
Het project is geschreven in Python en gedistribueerd onder de Apache 2.0-licentie. Je kunt het uitvoeren via pip, deployen in Docker, of een kant-en-klare desktopapplicatie build op Tauri pakken.
Hier is wat erin zit:
- Driedelig ReMe-geheugen. Het houdt de werkcontext actief terwijl het oude berichten on-the-fly indexeert. In tegenstelling tot standaard samenvatting gaat de dialoog niet verloren wanneer het contextvenster wordt gereset. Wanneer nodig haalt het systeem oude feiten selectief op.
- Sandbox-isolatie. Opdrachtuitvoeringstools draaien in een geïsoleerde omgeving met behulp van Seatbelt op macOS, Bubblewrap op Linux, of AppContainer op Windows. De Tool Guard-analysator controleert opdrachten op injectiepogingen en omzeiling van restricties voordat ze daadwerkelijk worden uitgevoerd.
- Kant-en-klare Terminal UI en webconsole. Voor degenen die van interfaces in de stijl van htop of btop houden, hebben ze een volwaardige TUI ontwikkeld rechtstreeks in de console. Voor iedereen anders is er een webpaneel op poort 80.
- Variatie aan communicatiekanalen. Eén agent kan tegelijkertijd verbonden zijn met Telegram, Discord, Lark, DingTalk, WeChat en iMessage.
Zo ziet de webconsole voor het beheren van de agent eruit:
Snel Aan de slag op Je Lokale Machine
De gemakkelijkste manier om het systeem uit te proberen is om het te installeren via pip. Vereist Python-versie 3.11 tot 3.13.
Daarna opent de webinterface op http://127.0.0.1:8088/. Daar stel je API-sleutels in voor cloudproviders zoals OpenAI, Anthropic of DeepSeek.
Als je niet wilt betalen voor API, kun je lokale modellen gebruiken. QwenPaw ondersteunt Ollama, LM Studio en zijn eigen engine gebaseerd op llama.cpp. De auteurs hebben geoptimaliseerde gekwantiseerde QwenPaw-Flash-modellen uitgebracht met 2B, 4B en 9B parameters, afgestemd op agent-taken.
Als je een terminal-liefhebber bent, kun je zonder browser werken:
Dit commando start een volledig scherm terminalchat met ondersteuning voor interactieve tool-aanroep en response streaming.
Werkmodus voor Ontwikkelaars
De Coding Mode was bijzonder indrukwekkend. Het is een driedelig Web IDE dat activeert als je qwenpaw . in je repository uitvoert. Het heeft een ingebouwde bestandsstructuur, diff-viewer, spring naar functiedefinitie en contextuele zoekfunctie door codestructuur.
De agent leest bestanden in het project, suggereert bewerkingen en toont onmiddellijk het verschil tussen versies. Tegelijkertijd blokkeert het File Guard-beveiligingsbeleid de toegang tot gevoelige directories zoals ~/.ssh of omgevingsvariabelen.
Praktische Gebruiksscenario's
Waar kan dit nu al nuttig voor zijn?
- On-call en alert-automatisering. Je configureert Cron binnen QwenPaw, verbindt web scraping-plugins en stuurt dagelijkse samenvattingen naar het teamkanaal op Telegram of Discord.
- Veilige lokale documentverwerking. Door de afwezigheid van verplicht verzenden van gegevens naar de cloud, kun je de agent loslaten op een batch PDF's of tekstrapporten zonder het risico van lekken.
- Achtergrond ontwikkelaarsassistent. In TUI-modus ziet de agent je huidige repository, kan tests uitvoeren in een sandbox en helpen met refactoring.
Voor Wie Is Het de Moeite Waard om Te Proberen
Als je een autonome AI-assistent nodig hebt die geplande taken kan uitvoeren, context van een week geleden onthoudt en geen zware infrastructuur nodig heeft om te deployen, is QwenPaw een uitstekende keuze. Het project wordt actief bijgewerkt, heeft bijna 30.000 sterren op GitHub en een levendige community.
Om te beginnen is vijf minuten genoeg: installeer het pakket via pip, start de console en verbind de modelbron die je nodig hebt.
Gerelateerde projecten