openmozi

English | 中文

飞书 机器人	QQ 机器人	钉钉机器人

支持国产大模型和国产通讯软件的智能助手框架

OpenMozi 是一个轻量级的 AI 助手框架，专注于国产生态。基于 pi-coding-agent 构建 Agent 运行时（内置会话管理、上下文压缩、工具执行），使用 pi-ai 作为统一的多模型调用层（支持 25+ 提供商），原生支持 Function Calling，并支持 QQ、飞书、钉钉、企业微信等通讯平台。

核心特性

上下文压缩策略

基于 pi-coding-agent 内置的智能压缩系统：

1. 自动压缩 — 当上下文接近 Token 限制时自动触发
2. 摘要生成 — 将早期对话压缩为摘要，保留关键信息
3. 会话持久化 — 支持 JSONL 格式会话存储和恢复
4. 分支管理 — 支持会话分支和历史回溯

核心特性

• 多模型支持 — 基于 pi-ai 统一调用层，支持 DeepSeek、豆包、DashScope (Qwen)、智谱AI、Kimi、阶跃星辰、MiniMax，以及 OpenAI/Anthropic/OpenRouter/Groq 等 25+ 提供商
• 多平台通道 — QQ、飞书、钉钉、企业微信，统一的消息处理接口
• Function Calling — 基于 pi-coding-agent 的 Agent 运行时，原生支持工具调用循环
• 25 内置工具 — 文件读写、Bash 执行、代码搜索、网页获取、图像分析、浏览器自动化、记忆系统、定时任务等
• Skills 技能系统 — 通过 SKILL.md 文件扩展 Agent 能力，支持自定义行为和专业知识注入
• 记忆系统 — 跨会话长期记忆，自动记住用户偏好和重要信息
• 定时任务 (Cron) — 支持一次性、周期性、Cron 表达式三种调度方式，支持 Agent 执行和主动消息投递
• 插件系统 — 可扩展的插件架构，支持自动发现和加载
• 浏览器自动化 — 基于 Playwright 的浏览器控制，支持多配置文件和截图
• 会话管理 — 上下文压缩、会话持久化、多轮对话
• 可扩展 — 插件系统、Hook 事件、自定义工具、子 Agent

为什么选择 OpenMozi？

OpenMozi 的架构设计参考了 Moltbot，但专注于不同的使用场景：

OpenMozi 用 3% 的代码量实现了核心功能，专注简洁高效，易于理解和二次开发。 适合 学习 Agent 原理，深入了解 AI 助手的架构设计。

快速开始

环境要求

• Node.js >= 18
• npm / pnpm / yarn
• 跨平台支持：macOS、Linux、Windows

1. 安装

# 全局安装（推荐）
npm install -g mozi-bot

# 或者克隆项目开发
git clone https://github.com/King-Chau/mozi.git
cd mozi && npm install && npm run build

2. 配置

运行配置向导（推荐）：

mozi onboard

向导会引导你完成以下配置：

• 国产模型 — DeepSeek、豆包、智谱AI、DashScope、Kimi、阶跃星辰、MiniMax、ModelScope
• 自定义 OpenAI 兼容接口 — 支持任意 OpenAI API 格式的服务（如 vLLM、Ollama）
• 自定义 Anthropic 兼容接口 — 支持任意 Claude API 格式的服务
• 通讯平台 — QQ、飞书、钉钉、企业微信
• 记忆系统 — 启用/禁用长期记忆、自定义存储目录

配置文件将保存到 ~/.mozi/config.local.json5。

也可以直接使用环境变量（快速体验）：

export DEEPSEEK_API_KEY=sk-your-key

3. 启动

# 仅 WebChat（无需配置 QQ/飞书/钉钉）
mozi start --web-only

# 完整服务（WebChat + QQ + 飞书 + 钉钉）
mozi start

# 克隆项目方式
npm start -- start --web-only

打开浏览器访问 http://localhost:3000 即可开始对话。

支持的模型提供商

底层基于 pi-ai，支持 25+ 模型提供商。以下为预配置的提供商，也可通过自定义接口接入任意 OpenAI/Anthropic 兼容服务。

国产模型

海外模型

本地部署

自定义接口

支持配置任意 OpenAI 或 Anthropic 兼容的 API 接口。通过 mozi onboard 向导配置，或手动添加到配置文件：

{
  providers: {
    // 自定义 OpenAI 兼容接口（如 vLLM、LiteLLM 等）
    "custom-openai": {
      id: "my-provider",
      name: "My Provider",
      baseUrl: "https://api.example.com/v1",
      apiKey: "xxx",
      models: [
        {
          id: "model-id",
          name: "Model Name",
          contextWindow: 32768,
          maxTokens: 4096,
          supportsVision: false,
          supportsTools: true
        }
      ]
    },

    // 自定义 Anthropic 兼容接口
    "custom-anthropic": {
      id: "my-anthropic",
      name: "My Anthropic",
      baseUrl: "https://api.example.com",
      apiKey: "xxx",
      apiVersion: "2023-06-01",
      models: [
        {
          id: "claude-3-5-sonnet",
          name: "Claude 3.5 Sonnet",
          contextWindow: 200000,
          maxTokens: 8192
        }
      ]
    }
  }
}

通讯平台接入

QQ、飞书和钉钉都支持长连接模式，企业微信使用 Webhook 回调模式：

长连接模式：无需公网 IP，无需配置回调地址，启动即可接收消息。

配置参考

配置文件支持 config.local.json5、config.json5、config.yaml 等格式，优先级从高到低。存放在 ~/.mozi/ 目录下。

{
  // 模型提供商
  providers: {
    deepseek: {
      apiKey: "sk-xxx"
    },
    dashscope: {
      apiKey: "sk-xxx",
      // 可选：自定义模型列表（覆盖预设）
      models: [
        {
          id: "qwen-max-latest",
          name: "通义千问 Max",
          contextWindow: 32768,
          maxTokens: 8192
        }
      ]
    },
    zhipu: {
      apiKey: "xxx"
    },
    modelscope: {
      apiKey: "ms-xxx"
    }
  },

  // 通讯平台（长连接模式，无需公网）
  channels: {
    feishu: {
      appId: "cli_xxx",
      appSecret: "xxx"
    },
    dingtalk: {
      appKey: "xxx",
      appSecret: "xxx"
    },
    qq: {
      appId: "xxx",
      clientSecret: "xxx",
      sandbox: false  // 沙箱环境设为 true
    },
    wecom: {
      corpId: "xxx",
      corpSecret: "xxx",
      agentId: "xxx",
      token: "xxx",
      encodingAESKey: "xxx"
    }
  },

  // Agent 配置
  agent: {
    defaultProvider: "deepseek",
    defaultModel: "deepseek-chat",
    temperature: 0.7,
    maxTokens: 4096,
    systemPrompt: "你是墨子，一个智能助手。"
  },

  // 服务器配置
  server: {
    port: 3000,
    host: "0.0.0.0"
  },

  // 日志级别
  logging: {
    level: "info"  // debug | info | warn | error
  },

  // Skills 配置（可选）
  skills: {
    enabled: true,           // 是否启用技能系统（默认 true）
    userDir: "~/.mozi/skills",     // 用户级技能目录
    workspaceDir: "./.mozi/skills", // 工作区级技能目录
    disabled: ["skill-name"],      // 禁用指定技能
    only: ["skill-name"]           // 仅启用指定技能
  },

  // 记忆系统配置（可选）
  memory: {
    enabled: true,                  // 是否启用（默认 true）
    storageDir: "~/.mozi/memory"   // 存储目录（默认 ~/.mozi/memory）
  }
}

Skills 技能系统

Skills 是 OpenMozi 的可扩展知识注入系统，通过编写 SKILL.md 文件，可以为 Agent 添加专业知识、自定义行为规则或领域能力，无需修改代码。

工作原理

Skills 通过 YAML frontmatter + Markdown 内容的方式定义，启动时自动加载并注入到 Agent 的系统提示词中。

技能加载顺序

同名技能按优先级覆盖，工作区级 > 用户级 > 内置。

编写 Skill

每个技能是一个目录，包含一个 SKILL.md 文件：

skills/
└── greeting/
    └── SKILL.md

SKILL.md 格式：

---
name: greeting
title: 智能问候
description: 根据时间和场景提供个性化问候
version: "1.0"
tags:
  - greeting
  - chat
priority: 10
---

当用户向你打招呼或问候时，请遵循以下规则：

1. **根据时间问候**: 根据当前时间使用合适的问候语
   - 早上 (6:00-11:00): 早上好
   - 下午 (13:00-18:00): 下午好
   - 晚上 (18:00-22:00): 晚上好

2. **友好热情**: 保持友好和积极的态度

3. **简洁明了**: 问候语简短有力

Frontmatter 字段

Skills 配置

{
  skills: {
    enabled: true,             // 是否启用（默认 true）
    userDir: "~/.mozi/skills", // 用户级技能目录
    workspaceDir: "./.mozi/skills", // 工作区级技能目录
    disabled: ["greeting"],    // 禁用指定技能
    only: ["coding"]           // 仅启用指定技能（白名单模式）
  }
}

ClawdHub 技能市场

OpenMozi 支持从 ClawdHub 搜索和安装社区共享的技能。安装 clawhub CLI 后，Agent 会自动获得搜索和安装技能的能力。

# 安装 clawhub CLI
npm i -g clawhub

# 搜索技能
clawhub search <query>

# 安装技能到 mozi 工作区目录
clawhub install <slug> --workdir ./.mozi/skills

ClawdHub 安装的技能使用 moltbot 的 frontmatter 格式（metadata.openclaw.requires），OpenMozi 会自动兼容解析。

记忆系统

记忆系统让 Agent 能够跨会话记住重要信息，如用户偏好、关键事实、任务上下文等。记忆默认启用，存储在 ~/.mozi/memory/ 目录。

工作原理

Agent 通过三个内置工具管理记忆：

Agent 会在对话中自动判断何时需要存储或查询记忆，无需用户手动触发。例如：

• 用户说 "我喜欢简洁的代码风格" → Agent 自动调用 memory_store 存储偏好
• 用户问 "我之前说过喜欢什么风格？" → Agent 自动调用 memory_query 查询

配置

{
  memory: {
    enabled: true,                  // 是否启用（默认 true）
    storageDir: "~/.mozi/memory"   // 存储目录（默认 ~/.mozi/memory）
  }
}

也可以通过 mozi onboard 向导配置记忆系统（步骤 5/5）。

存储结构

记忆以 JSON 文件存储，每条记忆包含内容、标签和时间戳，支持按关键词检索。

定时任务 (Cron)

定时任务系统让 Agent 能够按计划执行任务，支持三种调度方式和两种任务类型：

调度类型

任务类型

agentTurn 任务支持以下参数：

• message — Agent 执行的消息内容
• model — 指定使用的模型（可选）
• timeoutSeconds — 执行超时时间，1-600 秒（可选）
• deliver — 是否投递结果到通讯通道
• channel — 投递目标通道（dingtalk/feishu/qq/wecom）
• to — 投递目标 ID（用户/群组 ID）

使用方式

Agent 可以通过内置工具管理定时任务：

• cron_list — 列出所有任务
• cron_add — 添加新任务
• cron_remove — 删除任务
• cron_run — 立即执行任务
• cron_update — 更新任务状态

示例对话：

• "创建一个每天早上 9 点提醒我喝水的任务"
• "创建一个每天下午 6 点自动生成工作日报并发送到钉钉的任务"
• "10 分钟后给飞书群发送一首情诗"
• "列出所有定时任务"
• "删除名为'喝水提醒'的任务"

主动消息投递

定时任务支持将 Agent 执行结果主动投递到指定通讯通道，无需用户主动发起对话。

支持的通道：

使用示例：

// 通过 cron_add 工具创建 agentTurn 任务
{
  name: "每日工作日报",
  scheduleType: "cron",
  cronExpr: "0 18 * * 1-5",  // 周一到周五下午 6 点
  message: "请根据今天的工作内容生成一份简洁的工作日报",
  payloadType: "agentTurn",
  deliver: true,
  channel: "dingtalk",
  to: "群组ID或用户ID",
  model: "deepseek-chat"
}

存储

任务数据存储在 ~/.mozi/cron/jobs.json，支持持久化。

插件系统

插件系统允许扩展 OpenMozi 的功能，支持自动发现和加载。

插件目录

编写插件

import { definePlugin } from "mozi-bot";

export default definePlugin(
  {
    id: "my-plugin",
    name: "My Plugin",
    version: "1.0.0",
  },
  (api) => {
    // 注册工具
    api.registerTool({
      name: "my_tool",
      description: "My custom tool",
      parameters: { type: "object", properties: {} },
      execute: async () => ({ content: [{ type: "text", text: "Hello!" }] }),
    });

    // 注册 Hook
    api.registerHook("message_received", (ctx) => {
      console.log("Message received:", ctx.content);
    });
  }
);

PluginApi

内置工具

CLI 命令

# 配置
mozi onboard            # 配置向导（模型/平台/服务器/Agent/记忆系统）
mozi check              # 检查配置
mozi models             # 列出可用模型

# 启动服务
mozi start              # 完整服务（含 QQ/飞书/钉钉）
mozi start --web-only   # 仅 WebChat
mozi start --port 8080  # 指定端口

# 服务管理
mozi status             # 查看服务状态（进程数、CPU/内存、健康检查）
mozi restart            # 重启服务（支持 --web-only 等选项）
mozi kill               # 停止服务（别名：mozi stop）

# 聊天
mozi chat               # 命令行聊天

# 日志
mozi logs               # 查看最新日志（默认 50 行）
mozi logs -n 100        # 查看最新 100 行
mozi logs -f            # 实时跟踪日志（类似 tail -f）
mozi logs --level error # 只显示错误日志

日志文件存储在 ~/.mozi/logs/ 目录下，按日期自动轮转。

项目结构

src/
├── agents/        # Agent 核心（基于 pi-coding-agent，消息循环、会话管理）
├── channels/      # 通道适配器（QQ、飞书、钉钉、企业微信）
├── providers/     # 模型解析（基于 pi-ai，将配置映射为统一 Model 对象）
├── tools/         # 内置工具（文件、Bash、网络、定时任务等）
├── skills/        # 技能系统（SKILL.md 加载、注册）
├── sessions/      # 会话存储（内存、文件）
├── memory/        # 记忆系统
├── cron/          # 定时任务系统（调度、存储、执行器）
├── outbound/      # 主动消息投递（统一出站接口）
├── plugins/       # 插件系统（发现、加载、注册）
├── browser/       # 浏览器自动化（配置、会话、截图）
├── web/           # WebChat 前端
├── config/        # 配置加载
├── gateway/       # HTTP/WebSocket 网关
├── cli/           # CLI 命令行工具
├── hooks/         # Hook 事件系统
├── utils/         # 工具函数
└── types/         # TypeScript 类型定义

skills/            # 内置技能
├── greeting/      # 智能问候技能示例
│   └── SKILL.md
└── clawhub/       # ClawdHub 技能市场集成
    └── SKILL.md

API 使用

import { loadConfig, initializeProviders, resolveModel, getApiKeyForProvider } from "mozi-bot";
import { completeSimple } from "@mariozechner/pi-ai";

const config = loadConfig();
initializeProviders(config);

const model = resolveModel("deepseek", "deepseek-chat");
const apiKey = getApiKeyForProvider("deepseek");

const response = await completeSimple(model, {
  messages: [{ role: "user", content: "你好！", timestamp: Date.now() }],
  tools: [],
}, { apiKey });

const text = response.content
  .filter(c => c.type === "text")
  .map(c => c.text)
  .join("");
console.log(text);

学习 Agent 原理

如果你想了解 AI Agent 的工作原理，OpenMozi 是一个很好的学习项目。相比动辄几十万行代码的大型框架，OpenMozi 只有约 16,000 行代码，但实现了完整的 Agent 核心功能。

架构图

flowchart TB
    subgraph Input["📥 输入层"]
        Feishu["🔵 飞书\nWebSocket 长连接"]
        Dingtalk["🟢 钉钉\nStream 长连接"]
        QQ["🟣 QQ\nWebSocket 长连接"]
        WeCom["🔴 企业微信\nHTTP 回调"]
        WebChat["🟡 WebChat\nHTTP + WebSocket"]
    end

    subgraph Server["🚀 服务层"]
        Gateway["Gateway 网关\nHTTP/WebSocket 路由"]
    end

    subgraph Core["⚙️ 核心层"]
        Agent["Agent 引擎"]

        subgraph AgentInner[" "]
            MsgLoop["📨 消息循环\nUser → LLM → Tool → Result"]
            CtxMgr["📚 上下文管理\n历史压缩 / Token 控制"]
            Session["💾 会话存储\nMemory / File"]
            Skills["🎯 Skills 技能\nSKILL.md 知识注入"]
        end
    end

    subgraph External["🔗 外部依赖"]
        subgraph Providers["模型提供商"]
            P1["DeepSeek"]
            P2["豆包"]
            P3["DashScope"]
            P4["智谱AI"]
            P5["Kimi"]
            P6["OpenAI"]
            P7["Anthropic"]
        end

        subgraph Tools["工具系统"]
            T1["📁 文件操作\nread/write/edit/glob/grep"]
            T2["⌨️ Bash 执行\n命令行 / 进程管理"]
            T3["🌐 网络请求\nsearch/fetch"]
            T4["🖼️ 多媒体\n图像分析 / 浏览器"]
            T5["🧠 记忆系统\n长期记忆存储 / 查询"]
            T6["🤖 子 Agent\n复杂任务分解"]
            T7["⏰ 定时任务\nCron 调度 / 周期执行"]
        end
    end

    Feishu --> Gateway
    Dingtalk --> Gateway
    QQ --> Gateway
    WeCom --> Gateway
    WebChat --> Gateway
    Gateway --> Agent
    Agent --> MsgLoop
    MsgLoop <--> CtxMgr
    MsgLoop <--> Session
    MsgLoop <--> Skills
    MsgLoop <-->|"调用模型"| Providers
    MsgLoop <-->|"执行工具"| Tools

消息处理流程

flowchart TD
    Start([用户发送消息]) --> Channel[Channel 接收]
    Channel --> Gateway[Gateway 路由]
    Gateway --> LoadCtx[加载会话上下文]

    LoadCtx --> LoadSkills[加载 Skills 技能]
    LoadSkills --> BuildCtx[构建 LLM 请求]
    BuildCtx --> |系统提示词 + Skills<br/>历史消息<br/>工具列表| CallLLM[调用 LLM]

    CallLLM --> Check{返回类型?}

    Check --> |纯文本| Response[返回响应]
    Check --> |工具调用| ExecTool[执行工具]

    ExecTool --> ToolResult[工具返回结果]
    ToolResult --> |加入上下文| CallLLM

    Response --> SaveCtx[保存会话]
    SaveCtx --> Send[Channel 发送]
    Send --> End([用户收到回复])

    style Start fill:#e1f5fe
    style End fill:#e8f5e9
    style CallLLM fill:#fff3e0
    style ExecTool fill:#fce4ec
    style LoadSkills fill:#f3e5f5

核心模块

上下文压缩策略

基于 pi-coding-agent 内置的智能压缩系统：

1. 自动压缩 — 当上下文接近 Token 限制时自动触发
2. 摘要生成 — 将早期对话压缩为摘要，保留关键信息
3. 会话持久化 — 支持 JSONL 格式会话存储和恢复
4. 分支管理 — 支持会话分支和历史回溯

代码结构清晰，注释完善，适合阅读源码学习 Agent 架构设计。

核心功能概览

• 消息循环 — 用户输入 → LLM 推理 → 工具调用 → 结果反馈（基于 pi-coding-agent）
• 上下文管理 — 会话历史、Token 压缩、多轮对话
• 工具系统 — 函数定义、参数校验、结果处理
• 记忆系统 — 跨会话长期记忆、存储与检索
• 技能系统 — SKILL.md 加载、知识注入、系统提示词扩展
• 流式输出 — SSE/WebSocket 实时响应

开发

# 开发模式（自动重启）
npm run dev -- start --web-only

# 构建
npm run build

# 测试
npm test

Docker 部署

OpenMozi 提供完整的 Docker 部署支持，包含 Dockerfile 和 Docker Compose 配置。

方式一：Docker Compose（推荐）

# 构建并启动
docker compose up -d --build

# 查看日志
docker compose logs -f

# 停止服务
docker compose down

方式二：直接运行 Docker

# 构建镜像
docker build -t mozi-bot:latest .

# 运行容器（仅 WebChat）
docker run -d -p 3000:3000 mozi-bot:latest start --web-only

# 运行容器（完整模式，需配置环境变量）
docker run -d -p 3000:3000 \
  -e DEEPSEEK_API_KEY=sk-xxx \
  -e FEISHU_APP_ID=xxx \
  -e FEISHU_APP_SECRET=xxx \
  -v mozi-data:/home/mozi/.mozi \
  mozi-bot:latest

配置方式

Docker 支持两种配置方式：

1. 环境变量 — 直接在 docker-compose.yml 中配置（推荐快速体验）
2. 配置文件挂载 — 挂载 config.local.json5 到容器

# docker-compose.yml 示例
services:
  mozi:
    image: mozi-bot:latest
    command: ["start", "--web-only"]  # 移除 --web-only 使用完整模式
    ports:
      - "3000:3000"
    volumes:
      - mozi-data:/home/mozi/.mozi
      # 挂载自定义配置
      - ./config.local.json5:/app/config.local.json5:ro
    environment:
      - PORT=3000
      - LOG_LEVEL=info
      # 配置模型 API Key
      - DEEPSEEK_API_KEY=sk-xxx
      # 配置通讯平台（需移除 --web-only）
      - FEISHU_APP_ID=xxx
      - FEISHU_APP_SECRET=xxx

数据持久化

数据通过 Docker volume mozi-data 持久化，包含：

• 日志 (logs/)
• 会话 (sessions/)
• 记忆 (memory/)
• 定时任务 (cron/)
• Skills (skills/)

健康检查

容器内置健康检查，访问 http://localhost:3000/health：

{"status":"ok","timestamp":"2026-02-03T13:00:00.000Z"}

访问服务

启动后可通过以下地址访问：

License

Apache 2.0