「龙虾老师」刷屏:教育版 OpenClaw 与 OpenMAIC 联姻,带火了什么

原创2026-10-09 18:15:291,407 阅读
文章标签:人工智能AI Agent多智能体Agent 编排教育前端后端RAG视频处理本地部署

「龙虾老师」刷屏:教育版 OpenClaw 与 OpenMAIC 联姻,带火了什么

当"龙虾老师"四个字出现在微博热搜与科技媒体的标题里时,多数人第一反应是某个表情包,而不是一套开源教学系统。但这一次的"老师"确实来自开源社区:清华大学团队开源的 OpenMAIC(Open Multi-Agent Interactive Classroom)——一个把任何主题或文档一键变成互动课堂的多智能体平台,因为与个人 AI 助手 OpenClaw 的深度集成,被社区亲切地称为"教育龙虾""龙虾老师"。2026 年 9 月 8 日,清华大学教育学院团队带着它在巴黎联合国教科文组织总部做了 90 分钟的现场演示,从零生成一门课程;同月,其 GitHub 星数突破 3.3 万。本文梳理"龙虾老师"的传播路径,拆解 OpenClaw 与 OpenMAIC 的"导师 + 课堂"分工,并从仓库源码出发,看看这场刷屏背后,教育 Agent 的公众认知究竟被重塑成了什么样。

一、"龙虾老师"从哪来:一个昵称背后的传播链条

"龙虾老师"并非官方命名。OpenMAIC 今年 3 月开源后,30 天内即在 GitHub 获得超过 1.6 万颗星;8 月 28 日 v1.0 发布、新一代 Agent 工作台上线时,星数突破 3.3 万。财经媒体在报道时直接称其为"外界熟悉的'教育龙虾'"——而真正让昵称出圈的,是它与 OpenClaw 的"联姻"。OpenClaw 是一个连接飞书、Slack、Telegram、Discord 等 20+ 聊天应用的个人 AI 助手,名字里的 claw(爪、钳)自带龙虾意象;当"教育版 OpenClaw"与 OpenMAIC 组合成"随时随地问一句就能上课"的形态时,"龙虾老师"这个称呼便顺理成章地在社区扩散开来。

传播链条中有三个关键节点值得注意:

  • 教科书式的开源冷启动:3 月开源即上榜 GitHub Trending,30 天 1.6 万星,靠的是"一句话生成一堂多智能体课"的强演示性;
  • 学术背书:2026 年 9 月 8 日,清华大学教育学院教授张羽、助理教授于济凡在巴黎联合国教科文组织总部,面向全球教师、校长和政策制定者现场演示——中国 AI 教育智能体团队首次登上联合国讲台;
  • 产品级里程碑:v1.0 将"生成完就结束"的单次生成,升级为"规划—生成—检查—修改—迭代"的 Agent 工作台,被媒体称为"教育界的 Codex"。

多智能体课堂中 AI 老师与 AI 同学围绕话题展开讨论的演示画面

一个昵称能刷屏,本质上是因为它对应了一个公众能秒懂的场景:一个随时在线的、会备课、会讲课、会出题、还会陪聊的 AI 老师。剩下的问题在于——它到底是怎么被"养"出来的?

二、导师与课堂:OpenClaw 与 OpenMAIC 的分工

如果把 OpenClaw 看作"导师",OpenMAIC 就是它的"课堂":前者负责与用户交互、理解意图、调度工具,后者负责把意图变成一节结构完整的互动课。

2.1 集成方式:一个 SKILL.md 就够了

两者的结合点不是繁琐的 API 对接,而是一个标准的 Agent Skill。仓库中的 skills/openmaic/SKILL.md 是一份引导式 SOP:覆盖模式选择、克隆部署、Provider 配置、课堂生成和基于 @openmaic/* SDK 的二次开发。在 OpenClaw 中安装只需一行命令:

clawhub install openmaic

装好后有三种使用路径:托管模式(在 open.maic.chat 获取访问码,零部署);本地部署(Skill 引导用户完成 clone、配置、启动);二次开发(fork 仓库或直接消费 @openmaic/* SDK)。可选配置写入 ~/.openclaw/openclaw.json:

{
  "skills": {
    "entries": {
      "openmaic": {
        "config": {
          "accessCode": "sk-xxx",
          "repoDir": "/path/to/OpenMAIC",
          "url": "http://localhost:3000"
        }
      }
    }
  }
}

值得注意的是 SKILL.md 里的工程纪律:每进入一个阶段先征求确认、不替用户把 API Key 写进配置文件、生成任务一旦明确提交就不再二次确认——这套"确认前置、状态变更谨慎"的交互设计,正是 Agent 工作台集成能被普通用户接受的关键。在飞书等聊天应用里,用户只需要说一句"教我量子物理",OpenClaw 便会加载 Skill,提交生成任务并轮询进度,最后把课堂链接发回对话。

在飞书聊天应用中通过 OpenClaw 生成并查看 OpenMAIC 互动课堂的演示

2.2 课堂生成:一个 requirement 换一门课

打开 Skill 的生成流程文档 skills/openmaic/references/generate-flow.md,可以看到课堂生成被设计为标准的异步任务:提交 POST /api/generate-classroom,请求体只需一个必填字段 requirement,外加可选的 pdfContent、语言、联网搜索、图像/视频生成、TTS 等开关;服务端返回 jobId 和 pollUrl,Skill 按 pollIntervalMs 轮询直到完成。一个值得留意的设计是:Agent 工作台侧不能通过请求参数覆盖模型与 Provider——模型选择完全由 OpenMAIC 服务端配置控制(skills/openmaic/SKILL.md),这避免了"对话里塞 Key、换模型"这类不可审计的操作,也保证了课堂生成的可复现性。

2.3 多智能体编排:LangGraph 驱动的"导演图"

课堂不是静态课件,而是一场由多个 AI 角色实时推进的演出。仓库的编排核心位于 lib/orchestration/director-graph.ts,它用 LangGraph 的 StateGraph 实现了一个"导演图":

START → director ──(end)──→ END
              │
              └─(next)→ agent_generate ──→ END

directorNode 是这场演出的调度中枢:单智能体场景走纯代码逻辑(首轮派发唯一 Agent,后续轮转给用户);多智能体场景则在首轮用代码快速路径派发触发 Agent,之后交给 LLM 决策"下一个谁发言 / 是否让用户说话 / 是否结束"。每一次请求只跑一个 director→agent 回合,客户端通过序列化多个请求驱动完整讨论,拓扑本身就是对轮次上限的约束——这种"无 maxTurns 上限、靠拓扑兜底"的设计,避免了多智能体常见的长对话失控。加上 whiteboardLedger(白板动作账本)与 agentResponses(回合摘要)的 reducer 设计,整场讨论的状态演进是可观察、可审计的。

再往外看,README-zh.md 勾勒了完整架构:两阶段生成流水线(@openmaic/generation)、基于 LangGraph 的多智能体编排、回放状态机(idle → playing → live)、执行 21 种动作类型的动作引擎(语音、白板绘图/文字/形状/图表、聚光灯、激光笔),以及可插拔的存储层(Runtime/Document/资产存储抽象,附 Postgres 参考实现)。

2.4 v1.0 的跃迁:从"生成器"到"课程工厂"

如果说 0.x 版本回答的是"如何把一句话变成一堂课",v1.0 回答的则是"如何把一份材料变成一门课"。团队内部把产品逻辑概括为 Agent = Model + Harness:Model 决定 AI 承担什么任务,Harness 决定任务能推进到哪一步——后者像发动机,能把交付完整做完,而不是做完一步就停下。媒体报道的案例很有说服力:把《2001:太空漫游》交给 OpenMAIC 并要求设计一周课程时,Agent 会先拆解学习目标、提取书的目录结构,规划出数学、社会学、政治博弈、文学创作等模块;在明确授课对象是初中生后,再给出具体授课内容,最终从一本书衍生出 14 节课,每节课沿同一条学习主线展开,并配齐 PPT、Quiz、交互式网页和项目式学习任务——"按照原有方式,达到这种系统性往往需要一个教研组磨上一两周"。v1.0 还内置数十种"教学法 Skill",可一键加载并切换课程设计范式;这套能力沉淀在 skills/openmaic/references/extend-cookbook.md 等文档中,作为 Skill 生态供 Agent 工作台调用。

OpenMAIC 生成的交互式模拟场景,支持 3D 可视化、模拟实验与在线编程等动手学习

三、刷屏背后:教育 Agent 的公众认知正在被重塑

"龙虾老师"刷屏,不只是又一次开源项目的星数胜利。把它放到教育技术的时间轴上,能看到三个认知层面的变化。

从 MOOC 到 MAIC:教学对象从"视频"变成"系统"。 论文《From MOOC to MAIC: Reimagine Online Teaching and Learning through LLM-driven Agents》(发表于 JCST'26,引用方式见 README-zh.md)点出了这种范式转换:传统在线教育的根本局限是"你看视频,视频播放,你暂停或倍速,但课程本身是固定的";而 MAIC 把课程变成由 AI 教师、AI 同学实时驱动的互动系统——学生会遇到追问、会被点名、可以随时打断提问。公众第一次直观感受到:AI 教育产品不再只是"更聪明的课件",而是"会发生的课堂"。

从"生成内容"到"治理过程":可观察、可干预成为卖点。 社区文章反复提到"立场漂移、死循环、上下文爆炸"等多智能体落地痛点,而 OpenMAIC 给出的回应是工程化的:导演图把发言权收敛到单一决策节点;白板动作与回合摘要以账本形式留存;生成任务异步化、可轮询、可中断;v1.1 起课堂对话升级为 Agent loop,教师可以读取讲义、检查交互组件实时状态、联网搜索后再作答。与此同时,安全发布节奏也保持密集(v1.0.1–v1.1.2 多个安全版本修复 SSRF、DNS 重绑定等面),表明一个面向真实课堂的系统正在认真对待"可信"这件事。

从"免费玩具"到"可商用基建":开源协议与生态策略。 v0.3.0 将协议从 AGPL-3.0 调整为 MIT,配合 @openmaic/* SDK 系列发布到 npm,OpenMAIC 明确表达了对商业化的友好姿态;而 Skill 同时支持 Codex、DeepSeek、WorkBuddy 等多家工作台,而非绑定单一 Agent 生态——"教师"可以是任何 Agent,OpenMAIC 只专注做好"课堂"。有媒体测算其课堂运行成本仅为传统方式的千分之一,虽属媒体口径,但"低成本 + 可商用 + 可二次开发"的组合,确实解释了它为何能同时打动教师、开发者与创业者。

当然,认知重塑不等于认知完成。生成式课堂的学科准确性与价值观风险仍需人工审核,"生成"与"教学"之间隔着教学法、评价与情感支持,这是社区讨论中反复出现的清醒声音。但至少有一点已经变了:公众不再问"AI 能不能当老师",而是开始讨论"我的 AI 老师应该由谁来教"。这个问题本身,就是"龙虾老师"带火的最大价值。

登录后查看全文
OpenMAIC