1. Projektübersicht
QwenPaw ist eine quelloffene, erweiterbare Plattform für persönliche KI-Assistenten, die lokal oder in der Cloud läuft und Nutzern weltweit einen privaten, stets verfügbaren digitalen Begleiter bietet, der chatten, Aufgaben automatisieren, Code schreiben und sich mit den bereits genutzten Messaging-Apps verbinden kann.
2. Hintergrund & Positionierung
QwenPaw stammt vom AgentScope-Team und steht für „Qwen Personal Agent Workstation“. Die Kernmission ist es, KI-Assistenten von wegwerfbaren, zustandslosen Chat-Tools zu einem warmherzigen, kontinuierlichen Begleiter zu machen, der sich Kontext merkt, im Laufe der Zeit dazulernt und durch lokale Bereitstellung die Privatsphäre der Nutzer respektiert.
Was QwenPaw von typischen Chatbot-Hüllen unterscheidet:
- Persistenter, strukturierter Speicher statt eines Kontextfensters, das jede Sitzung zurückgesetzt wird — Gespräche werden in lesbaren, bearbeitbaren und durchsuchbaren Markdown-Speicher umgewandelt.
- Bereitstellungsflexibilität — es kann vollständig offline mit kleinen lokalen Modellen laufen (kein API-Schlüssel erforderlich) oder sich mit über 14 Cloud-LLM-Anbietern verbinden, was den Nutzern volle Kontrolle über Kosten, Privatsphäre und Leistungsabwägungen gibt.
- Sicherheitsorientierte Architektur — Sandboxing, Tool-Inspektion und Skill-Scanning sind integriert und nicht nachträglich aufgesetzt, was für einen Assistenten, der Shell-Befehle ausführen und auf das Dateisystem zugreifen kann, entscheidend ist.
- Omnichannel-Präsenz — eine einzelne Agenteninstanz kann über DingTalk, Lark, WeChat, Discord, Telegram, iMessage und QQ erreicht werden, statt an eine einzige Chat-Oberfläche gebunden zu sein.
3. Funktionskategorien
🧠 Speicher & Kontext
Dreischichtige Speicherarchitektur auf Basis des ReMe-Frameworks für persönliches Wissen.
- Aktiver Arbeitskontext für das aktuelle Gespräch
- Vollständiger, durchsuchbarer Gesprächsverlauf
- Eine sich selbst weiterentwickelnde persönliche Wissensbasis, gespeichert als verknüpftes Markdown
- Scroll-basiertes Kontextmanagement mit persistentem Turn-Speicher
- Zweck: dem Assistenten Kontinuität über Sitzungen hinweg geben, statt nach jedem Neustart Amnesie zu erleiden.
🔒 Sicherheit & Sandboxing
Ein mehrschichtiges Verteidigungssystem um jede Aktion, die der Agent ausführen kann.
- Kernel-Level-Sandboxing (Seatbelt unter macOS, Bubblewrap unter Linux, AppContainer unter Windows)
- Tool Guard mit Befehlsprüfung vor der Ausführung (ShellEvasionGuardian)
- File Guard, um den Zugriff auf sensible Verzeichnisse zu blockieren
- Skill Scanner, der Drittanbieter-Skills vor der Aktivierung auf Bedrohungen prüft
- Zweck: dem Agenten ermöglichen, sicher Befehle auszuführen, Dateien zu bearbeiten und Skills zu installieren, ohne eine Angriffsfläche zu werden.
💬 Multi-Channel-Konnektivität
Ein Agent, viele Eingangstüren.
- DingTalk, Lark (Feishu), WeChat, Discord, Telegram, iMessage, QQ
- Zweck: Nutzern ermöglichen, mit demselben Assistenten über die App zu sprechen, in der sie ohnehin leben, ohne doppelte Einrichtung.
🤖 Modell- & Bereitstellungsoptionen
Überall lauffähig, mit jedem Gehirn.
- Lokale QwenPaw-Flash-Modelle (2B / 4B / 9B) ohne API-Schlüssel
- Ollama- und LM-Studio-Integration für lokale Inferenz
- Über 14 Cloud-LLM-Anbieter (OpenAI, Anthropic, DeepSeek, Kimi und weitere)
- Docker, Alibaba Cloud ECS, AgentScope Platform, ModelScope Studio und eine Beta-Desktop-App
- Zweck: das Bereitstellungsmodell an die Privatsphäre-, Budget- und Hardware-Anforderungen des Nutzers anpassen.
🛠️ Produktivitäts- & Entwicklungswerkzeuge
Integrierte Fähigkeiten über den Chat hinaus.
- Coding-Modus: eine dreiteilige Web-IDE mit Dateinavigation, Diff-Vorschau und struktureller Codesuche
- Dokumentverarbeitung für PDF-, Word-, Excel- und PowerPoint-Dateien
- Websuche und Video-Zusammenfassungen
- Geplante Aufgabenautomatisierung und Workflow-Komposition
- Zweck: den Assistenten zu einem Arbeitswerkzeug für Programmierung, Recherche und alltägliche Büroaufgaben machen, nicht nur für Gespräche.
4. Hauptmerkmale
- Lokale, API-Schlüssel-freie Nutzung — QwenPaw-Flash-Modelle ermöglichen den Einstieg ohne Registrierung bei einem Cloud-Anbieter.
- Strukturierter, sich entwickelnder Speicher — das ReMe-basierte Speichersystem macht vergangene Gespräche wirklich wiederverwendbar, statt sie nach der Sitzung zu verlieren.
- Mehrschichtige Sicherheit — Kernel-Sandboxing plus Tool Guard, File Guard und Skill Scanner reduzieren das Risiko, dass ein Agent mit Shell-Zugriff Schaden anrichtet.
- Echte Omnichannel-Reichweite — sieben Messaging-Plattformen werden ab Werk von einer einzigen laufenden Instanz unterstützt.
- Multi-Agenten-Erzeugung — der Assistent kann Unter-Agenten mit unabhängigem Speicher für parallele oder spezialisierte Aufgaben starten.
- Mehrere Bereitstellungspfade — pip, Installationsskript, Docker, Cloud-Plattformen und eine Desktop-App decken fast jedes Nutzer-Komfortniveau ab, von CLI-orientierten Entwicklern bis zu nicht-technischen Nutzern.
5. Anwendungsfälle nach Rolle
Allgemeine Entwickler — Nutzen Sie den Coding-Modus als leichtgewichtigen, chatgesteuerten IDE-Begleiter für Codesuche, Diffs und schnelle Automatisierungsskripte.
DevOps/SRE — Bereitstellung über Docker oder Alibaba Cloud ECS und Nutzung der geplanten Aufgabenautomatisierung für wiederkehrende Betriebsaufgaben; Sandboxing begrenzt den Schadensradius von agentenausgeführten Befehlen.
Sicherheitsingenieure — Überprüfen und erweitern Sie die Module Tool Guard, File Guard und Skill Scanner oder bewerten Sie das Sandboxing-Modell von QwenPaw (Seatbelt/Bubblewrap/AppContainer) für die Agentensicherheitsforschung.
Daten-/Forschungswissenschaftler — Nutzen Sie Dokumentverarbeitung und Websuche, um Paper, Tabellenkalkulationen und Berichte zusammenzufassen, wobei der persistente Speicher den Forschungskontext über Sitzungen hinweg erhält.
Projektmanager — Erreichen Sie den Assistenten über vorhandene Team-Chat-Tools (DingTalk, Lark, WeChat, Discord, Telegram), um Erinnerungen, Dokumentzusammenfassungen und geplante Nachfassaktionen zu delegieren, ohne eine neue App einzuführen.
6. Erste Schritte
Das Richtige finden — Durchsuchen Sie die Dokumentationsseite nach Anleitungen zu Modellen, Kanälen, Skills, Sicherheit und der API/CLI:
https://qwenpaw.agentscope.io
Installieren und ausführen — Der schnellste Weg führt über pip (Python 3.11–3.13):
pip install qwenpaw
qwenpaw init
qwenpaw start
Docker, ein automatisiertes Installationsskript und eine Beta-Desktop-App sind ebenfalls verfügbar für Nutzer, die Python-Umgebungen nicht direkt verwalten möchten.
Mitwirken — Richten Sie die Entwicklungsumgebung ein und führen Sie die erforderlichen Prüfungen aus, bevor Sie einen Pull-Request eröffnen:
pip install -e ".[dev,test,full]"
pre-commit install
pre-commit run --all-files
pytest
Folgen Sie Conventional Commits (z. B. feat(models): add custom provider for Azure OpenAI) und prüfen Sie GitHub Discussions auf Bereiche, die derzeit Mitwirkende suchen, wie neue Kanäle, Modelle und Skills.
7. Projektstruktur
QwenPaw/
├── src/qwenpaw/ # Zentrales Python-Paket (Agenten-Laufzeit, Speicher, Sicherheit)
├── console/ # Web-Frontend (Node.js) für Konfiguration und Chat-Oberfläche
├── plugins/ # Plugin-System zur Erweiterung von Kanälen, Skills und Anbietern
├── deploy/ # Docker- und Bereitstellungskonfigurationen
├── tests/ # Unit-Test-Suite
├── e2e/ # End-to-End-Tests
└── website/ # Quellcode der Dokumentationsseite
Wichtige Einstiegspunkte: src/qwenpaw/ enthält die Agentenlogik, Modellintegrationen und Sicherheitswächter; console/ ist die lokale Web-Oberfläche, die nach dem Start unter http://127.0.0.1:8088/ erreichbar ist; agents/skills/ (in den Mitwirkungsdokumenten referenziert) ist der Ort, an dem neue Skills hinzugefügt werden, jeweils mit einer SKILL.md, die beschreibt, wann der Agent sie auslösen soll.
8. Verwandtes Ökosystem
- Upstream-Abhängigkeiten: Qwen-Modellfamilie (für QwenPaw-Flash-Lokalmodelle), das Model Context Protocol (MCP) für Tool-Integration und das ReMe-Framework für persönlichen Speicher.
- Bereitstellungsplattformen: Alibaba Cloud ECS, AgentScope Platform, ModelScope Studio und Docker Hub / Alibaba Cloud Container Registry für Images.
- Komplementäre Werkzeuge: Ollama und LM Studio für lokale Modellbereitstellung; OpenAI-, Anthropic-, DeepSeek- und Kimi-kompatible APIs für Cloud-Inferenz.
9. Lizenz
QwenPaw wird unter der Apache-Lizenz 2.0 veröffentlicht.
- ✅ Nutzung, Modifikation und Verbreitung der Software für persönliche oder kommerzielle Zwecke
- ✅ Erstellung und Verbreitung abgeleiteter Werke, einschließlich proprietärer Produkte
- ✅ Nutzung in der Produktion ohne Lizenzgebühren
- ❌ Nutzung des Namens oder der Marken von QwenPaw zur Andeutung offizieller Unterstützung ohne Erlaubnis
- ❌ Haftbarmachung der Mitwirkenden für Schäden, die aus der Nutzung der Software entstehen
- ℹ️ Beibehaltung des ursprünglichen Urheberrechtshinweises und des Lizenztexts in weiterverteilten Kopien
- ℹ️ Alle eingebrachten Änderungen werden unter denselben Apache-2.0-Bedingungen akzeptiert
10. FAQ
F: Benötige ich einen API-Schlüssel, um QwenPaw auszuprobieren?
A: Nein. Die lokalen QwenPaw-Flash-Modelle (2B/4B/9B) laufen ohne Cloud-API-Schlüssel; Cloud-Anbieter sind optional für Antworten mit höherer Leistungsfähigkeit.
F: Kann ich QwenPaw mit der Messaging-App verbinden, die mein Team bereits nutzt?
A: Ja. Die integrierte Kanalunterstützung deckt DingTalk, Lark, WeChat, Discord, Telegram, iMessage und QQ von einer einzigen laufenden Instanz ab.
F: Ist es sicher, dem Agenten zu erlauben, Shell-Befehle auszuführen und Dateien zu bearbeiten?
A: QwenPaw wendet Kernel-Level-Sandboxing sowie Tool Guard, File Guard und Skill Scanner an, um einzuschränken, worauf eine Agentenaktion vor der Ausführung zugreifen kann.
F: Wie ist der schnellste Weg zur Installation?
A: pip install qwenpaw gefolgt von qwenpaw init und qwenpaw start (Python 3.11–3.13); Docker und ein geführtes Installationsskript sind Alternativen für diejenigen, die Python nicht direkt verwalten möchten.
F: Wie kann ich einen neuen Skill oder Messaging-Kanal hinzufügen?
A: Skills liegen unter agents/skills/ mit einem SKILL.md-Manifest; neue Kanäle unterklassen BaseChannel und registrieren sich in registry.py. Einzelheiten finden Sie im Mitwirkungsleitfaden.
11. Schnellzugriff
- Repository: https://github.com/agentscope-ai/QwenPaw
- Offizielle Dokumentation / Homepage: https://qwenpaw.agentscope.io
- Mitwirkungsleitfaden: https://github.com/agentscope-ai/QwenPaw/blob/main/CONTRIBUTING.md
- Community: GitHub Discussions im Repository sowie Discord- und X- (Twitter-) Links im README
12. Zusammenfassung
QwenPaw bündelt persistenten Speicher, Multi-Channel-Messaging und integrierte Sicherheit in einem einzigen quelloffenen persönlichen KI-Assistenten, der vollständig offline betrieben oder in die Cloud skaliert werden kann. Er eignet sich am besten für Entwickler, die eine hackbare, selbst hostbare Agentenplattform möchten, und für Teams, die einen Assistenten in ihre bereits genutzten Chat-Tools integrieren möchten — alles unter einer freizügigen Apache-2.0-Lizenz.