SemaClaw: обзор открытого мульти-агентного фреймворка для персональных агентов
SemaClaw — не ещё один чат-агент, а инженерная обвязка вокруг агентного рантайма: оркестрация через DAG, разрешения как примитив рантайма, трёхслойный контекст и вики-база знаний. Проект вырос из феномена OpenClaw и честно называет себя его идейным продолжением.
Мульти-агентныеMITSelf-hosted
Категория Персональные мульти-агентные системыЛицензия MIT (open-source)Обновлено 26.09.2026
Короткий вывод: SemaClaw интересен не количеством функций, а тем, как он решает три системные проблемы персональных агентов — надёжную оркестрацию, безопасность действий и долговременную память. Если вам нужен агент, который делает многошаговые задачи, спрашивает разрешение на рискованные действия и накапливает знания между сессиями, — это самый архитектурно продуманный открытый вариант в подборке. Минус очевиден: проект молодой (84 звезды на GitHub) и требует ручной настройки LLM-провайдера.
MIT
Лицензия
полностью открытый исходный код
5
Виртуальных субагентов
встроены в оркестратор DAG Teams
4
Слоёв плагинов
MCP, subagents, skills, hooks
TypeScript
Язык и стек
Web UI на React + WebSocket-шлюз
01Кратко: что это и для кого
SemaClaw — открытый фреймворк для персональных AI-агентов, построенный по двухслойной схеме: снизу переиспользуемый событийный рантайм (sema-code-core), сверху — прикладная обвязка с каналами связи, маршрутизацией сообщений, памятью, оркестрацией команд агентов и Web UI. Разработка — у Sema Team / AIRC (Midea AI), лицензия MIT, стек TypeScript.
Ключевая идея проекта сформулирована в техническом отчёте как «harness engineering»: когда возможности моделей сходятся, различия между агентами создаёт обвязка, а не модель. Отсюда и набор механизмов: детерминированный планировщик поверх LLM-декомпозиции, разрешения как примитив рантайма, трёхслойная работа с контекстом и автоматическое построение личной базы знаний. Авторы прямо указывают, что вдохновлялись OpenClaw и интегрируют его маркетплейс плагинов ClaWHub.
Карточка проекта
РазработчикSema Team / AIRC (Midea AI)
Репозиторийgithub.com/midea-ai/SemaClaw — 84 звезды, TypeScript, MIT
Установкаnpm install -g semaclaw, веб-интерфейс на 127.0.0.1:18788
МоделиСвоих моделей нет: подключается профиль OpenAI / Anthropic / DeepSeek / Qwen и любой OpenAI-совместимый эндпоинт
КаналыTelegram, Feishu (Lark), QQ, WeChat + WebSocket-шлюз и React Web UI
Главное про установку
SemaClaw стартует без встроенной модели и не заработает, пока вы не добавите хотя бы один активный профиль LLM в настройках. Это осознанное решение: вы платите своему провайдеру, а не вендору агента.
02Архитектура: что именно отличает SemaClaw
Механизм
Что делает
Почему это важно
DAG Teams
LLM строит граф задач с зависимостями, затем детерминированный планировщик (DispatchBridge) исполняет его; есть встроенные виртуальные субагенты
Компромисс между гибкостью «агент решает сам» и предсказуемостью жёсткого воркфлоу: сбои локализуются в узле графа, а не рушат всю задачу
PermissionBridge
Проверки разрешений встроены в рантайм: рискованные действия требуют явного подтверждения, агент умеет сам задавать уточняющие вопросы
Human-in-the-loop не как настройка поверх, а как примитив: удобно для агента, который работает с файлами, почтой и календарём
Трёхслойный контекст
Рабочая память с авто-компакцией (порог около 75% длины контекста), внешняя память (MEMORY.md + дневные логи) с гибридным поиском FTS5 + векторы, и отдельный слой персоны (SOUL.md)
Долгая жизнь агента: контекст не «портится», знания переживают сессию, а личность отделена от переменных окружения
Agentic Wiki
Результаты задач превращаются в структурированные вики-записи, которые потом находятся вместе с памятью
База знаний накапливается сама и остаётся у пользователя, а не растворяется в истории чата
Четыре механизма, которые авторы называют ответом на три проблемы персональных агентов: оркестрация, безопасность, память.
Схема: двухслойная архитектура
Как проходит сложная задача
Workflows — повторяемые рутины описываются декларативно (Markdown + YAML) как DAG из агентных шагов и скриптов; запуск из CLI (semaclaw workflow run) или из Web UI с живым графом выполнения.
Четыре режима расписания — чистое уведомление, чистый скрипт, чистая агентная задача и гибрид «скрипт + агент»: токены тратятся пропорционально объёму рассуждений.
Plugin Marketplace — плагины ставятся из git-репозитория или локальной папки и могут включать скиллы, субагентов, хуки и MCP-серверы сразу; есть приоритеты источников.
Workbench (HTML-as-UI) — агент может не описывать результат, а показать его: интерактивный HTML, markdown, встроенный сервис или карточка API.
03Что встроено: считаем по документации
Готовые блоки в SemaClawштук, по официальному README проекта на 26.09.2026
Все значения взяты из README и технического отчёта: 5 built-in виртуальных субагентов, 4 уровня плагинов (MCP, subagents, skills, hooks), 4 режима задач по расписанию, 3 слоя контекста, 2 слоя архитектуры.
Профиль возможностей SemaClaw
Оркестрация, память и разрешения — сильнейшие стороны проекта по описанию его авторов. Зрелость низкая: проект публично молодой, экосистема и документация только формируются.
Проверяемость архитектуры
В техническом отчёте авторы приводят замер на Terminal Bench 2.0: изменение только обвязки при той же модели подняло выполнение задач с 52,8% до 66,5% (+13,7 п.п.). Это заявленный результат самих авторов, а не независимый бенчмарк — цифра полезна как индикатор, что ставка на harness-инженерию осмысленна, но проверять её стоит на своих задачах.
04Цена: фреймворк бесплатный, платите за модель
оптимально
SemaClaw
$0MIT
Полный исходный код и Web UI
Плагины, workflows, расписания, каналы
Никаких лимитов задач
Профиль LLM
по тарифу провайдераза токены
OpenAI, Anthropic, DeepSeek, Qwen и любые OpenAI-совместимые эндпоинты
Несколько профилей одновременно
Настройка в Web UI: baseURL, ключ, имя модели
Расписания
пропорциональноза режим
«Уведомление» и «скрипт» — без обращения к модели
«Агент» — полная стоимость рассуждений
«Гибрид» — скрипт собирает данные, модель их интерпретирует
Задача
Режим SemaClaw
Стоимость
Ежедневное напоминание в Telegram
Чистое уведомление
0 токенов
Сбор метрик из API по расписанию
Чистый скрипт
0 токенов
Еженедельный дайджест по базе знаний
Гибрид: скрипт + агент
только на рассуждения
Разбор сложного запроса с оркестрацией воркеров
Чистая агентная задача
максимум токенов
Гибридный режим — самая практичная находка проекта: дорогой сбор данных отделяется от дорогого рассуждения.
05Установка на VPS
От npm до рабочего агента
1
Установить пакет
Рекомендованный способ — глобальная установка из npm. В репозитории есть отдельный документ про известные сбои установки.
terminalcopy
npm install -g semaclaw
2
Запустить
Агент поднимает Web UI; каналы связи включаются переменными окружения в .env, без них работает режим «только веб-интерфейс».
terminalcopy
semaclaw
3
Открыть интерфейс
По умолчанию UI слушает локальный порт. На сервере закрывайте его обратным прокси с авторизацией, а не открывайте в интернет.
браузерcopy
# http://127.0.0.1:18788/
4
Добавить профиль LLM
Без активного профиля агент не работает: в Settings → LLM укажите baseURL, ключ и имя модели. Профиль сохраняется в ~/.semaclaw/config.json.
Web UIcopy
# Web UI → Settings → LLM → Add profile
5
Собрать из исходников (опционально)
Если нужна своя сборка или правки в коде — клонируйте репозиторий и соберите проект и веб-часть.
terminalcopy
git clone https://github.com/midea-ai/SemaClaw.git
cd SemaClaw && npm install && npm run build && npm run build:web && npm start
Не выставляйте Web UI в интернет напрямую
Агент видит вашу файловую систему и умеет выполнять действия. Документация проекта описывает доступ через обратный прокси (Nginx/Caddy) — при развёртывании на VPS это не рекомендация, а необходимость: минимум авторизация и HTTPS, лучше — доступ через VPN или SSH-туннель.
06Кому подходит, а кому нет
Плюсы
Открытый исходный код под MIT, вся обвязка — у вас на машине
Разрешения как примитив рантайма: рискованные действия требуют подтверждения
Трёхслойная память и авто-вики: знания накапливаются между сессиями
DAG-оркестрация предсказуемее свободного «агентной самодеятельности»
Четыре режима задач по расписанию экономят токены
Минусы
Проект молодой: 84 звезды, сообщество и экосистема плагинов только формируются
Нужен свой профиль LLM — «из коробки» она не работает
Документация частично на китайском, часть руководств только в репозитории
English-first продуктовый опыт: интерфейс и материалы не локализованы на русский
Подойдёт тем, кто строит собственного персонального агента и готов разбираться в архитектуре: граф задач, слои памяти и разрешений лежат открыто.
Подойдёт тем, кому нужно подключить агента к мессенджерам (Telegram, Feishu, QQ) и работать с ним из чата, а не из терминала.
Подойдёт тем, кто хочет накапливать личную базу знаний автоматически — Agentic Wiki делает это без ручного ведения заметок.
Не подойдёт тем, кто ищет готовый продукт «скачал и работает»: настройка провайдера, каналов и прокси обязательна.
Не подойдёт корпоративным командам, которым нужен SLA, поддержка и аудит от вендора.
Частые вопросы
SemaClaw бесплатный?
Да, исходный код открыт под лицензией MIT, лицензионных платежей нет. Расходы — только оплата выбранного вами LLM-провайдера: у проекта нет собственной модели, профиль нужно добавить в настройках.
Чем SemaClaw отличается от OpenClaw?
SemaClaw во многом вырос из идей OpenClaw и прямо указывает его как источник вдохновения и интегрирует маркетплейс ClaWHub. Отличие в инженерных акцентах: оркестрация через явный граф задач, разрешения как примитив рантайма, строгая трёхслойная модель контекста и отдельная вики-инфраструктура знаний. Обзор OpenClaw — здесь.
Нужен ли мощный сервер?
Самому фреймворку — нет: это Node.js-приложение, а тяжёлая часть — вызовы модели. Если хотите полностью локальный контур, понадобится машина под локальную LLM: сравнение вариантов — в обзоре локальных LLM-инструментов.
Можно ли подключать свои инструменты?
Да, четыре уровня плагинов: MCP-серверы, субагенты, скиллы и хуки. Плагин-бандл ставится из git-репозитория или локальной папки и может включать все четыре типа сразу; по умолчанию плагины выключены и включаются по одному.
Что с приватностью данных?
Всё, что не уходит в модель, остаётся на вашей машине: память, вики, логи. Но обращения к LLM идут к выбранному провайдеру — если это критично, используйте локальный эндпоинт, совместимый с OpenAI API.
В сравнительном гайде Agent Arena 2026 восемь агентов оценены по одной методике с фиксированными весами (кодинг 25%, автономность 20%, research/MCP/восстановление по 15%, память 10%). Итог SemaClaw — 7,6 из 10: сильнее всего Память (9,0), слабее всего Кодинг (6,8). Ниже — полный зачёт арены; щёлкните по агенту, чтобы открыть его обзор.
SemaClaw — самый содержательный архитектурный проект в подборке: он не соревнуется моделями, а решает проблемы, которые в персональных агентах обычно остаются нерешёнными — управляемую оркестрацию, разрешения на рискованные действия и долговременную память со знаниями в виде вики. Оценка снижена за молодость: 84 звезды, частично китайская документация и обязательная настройка LLM-профиля и каналов. Для тех, кто строит своего агента и готов читать код, это отличная отправная точка; для тех, кому нужен готовый продукт, — пока сыровато.
Сравнить агентов 2026 года
Единая методика, цены входа и ключевые отличия — в одном рейтинге обзоров.