BetaClaw：开源AI代理运行时，统一多模型调用与智能成本控制

1. 项目概述：一个为开发者打造的“瑞士军刀”级AI代理运行时

如果你和我一样，每天都在和不同的AI模型打交道，那你一定也经历过这种痛苦：想用Claude写点创意文案，得去Anthropic的API；想用GPT-4o分析代码，得切到OpenAI的控制台；本地跑个Llama模型，又得开个Ollama的终端。每个平台都有自己的SDK、计费方式和速率限制，切换起来不仅麻烦，成本也容易失控。更别提那些复杂的多智能体工作流了，光是协调不同模型之间的对话和状态管理，就够写一篇论文了。

这就是我花了大半年时间，从零开始构建BetaClaw的初衷。我不想再当“API搬运工”了。我需要一个统一的、智能的、而且极度节省Token的“大脑中枢”，它能理解我的意图，自动选择最合适的模型，还能协调多个AI代理一起干活，而我只用关心最终的结果。BetaClaw就是这个中枢。它是一个开源的、提供商无关的AI代理运行时，你可以把它理解为一个高度优化的“AI路由器”和“任务调度器”。它背后连接了12家主流的AI服务提供商（从云端巨头到本地模型），前面给你提供了一个干净的命令行（CLI）或者HTTP接口。你只需要告诉它你想做什么，它会自动拆解任务、选择模型、执行步骤，并把结果整理好交给你。

最让我得意的是它的“抠门”设计。AI API的计费核心是Token，而传统的JSON在传输结构化数据时非常“臃肿”。BetaClaw内置了一套我们自研的TOON格式，在保证人类可读的前提下，平均能为Agent间的通信节省28%到44%的Token开销。这意味着同样的预算，你能让AI干更多的活。对于需要频繁调用、数据量大的自动化工作流来说，这笔账算下来非常可观。

2. 核心设计哲学：为什么BetaClaw不是另一个LangChain

在AI代理框架这个赛道，已经有了一些知名的选手。那为什么还要造BetaClaw这个轮子？答案就藏在它的设计哲学里：极简、高效、可控。很多现有框架为了追求通用性和扩展性，引入了大量的抽象层和中间件，导致架构变得沉重，学习曲线陡峭，调试起来像在迷宫里找路。

BetaClaw走了另一条路。它采用“技能即文件”的理念。所有的功能扩展，比如集成Telegram、连接数据库、执行特定任务，都被封装在一个个独立的SKILL.md文件中。这个文件里用自然语言描述了技能的功能、输入输出和调用方式。系统启动时，会监控技能目录，任何改动都能在60毫秒内热重载生效。这意味着你不需要去理解复杂的类继承关系，只需要会写Markdown，就能为BetaClaw添加新能力。这种设计让整个系统的核心非常轻量，所有“重量级”的功能都作为可插拔的模块存在。

另一个核心是智能路由与成本控制。BetaClaw内置了一个四层复杂度评估器（Nano/Standard/Pro/Max）。当你输入一个请求，比如“帮我总结这篇长文章”，它会快速分析这个任务的预估Token消耗和逻辑复杂度，然后自动从你配置的提供商里，选择既能完成任务、又是最便宜的那个模型。例如，一个简单的打招呼（Nano级）可能会被路由到免费的本地Ollama模型，而一个复杂的代码生成任务（Pro级）则可能被分配给GPT-4o。这一切都是自动的，你无需手动指定模型，系统在保证效果的同时，为你精打细算。

最后是安全与隐私优先。所有API密钥等敏感信息，都被加密存储在本地的一个保险库中，使用AES-256-GCM算法和PBKDF2密钥派生，明文永远不会接触磁盘。同时，系统内置了多层防护：从模式匹配到语义分析，主动防御提示词注入攻击；并会自动检测和脱敏用户输入中的信用卡号、邮箱、手机号等个人身份信息，然后再发送给AI服务商。这让它在处理敏感业务数据时，多了一重保障。

3. 从零开始：十分钟快速上手与深度配置

理论说再多，不如动手跑起来。BetaClaw的安装和配置力求简单，无论你是Node.js生态的老手，还是拥抱Bun新潮流的开发者，都能快速上手。

3.1 环境准备与项目克隆

首先，确保你的系统上安装了Node.js (>= 20.0.0)或者Bun。我个人更推荐Bun，它的启动速度和包管理体验在开发这类工具时优势明显。

打开终端，克隆项目并进入目录：

git clone https://github.com/rawknee-69/Beta-Claw.git cd betaclaw

接下来安装依赖。你有两个选择：

• 经典路线（Node.js + npm）：直接运行npm install。
• 现代路线（纯Bun）：运行bun install。BetaClaw的构建脚本已经做了兼容处理，你可以完全脱离npm生态。

实操心得：如果你打算长期使用并希望在任何目录都能调用betaclaw命令，建议走“构建并全局链接”的路线。如果只是尝鲜或开发，直接用项目内的脚本即可。

3.2 核心配置：连接你的第一个AI提供商

安装完依赖后，第一件事就是给BetaClaw“接上电”——配置AI提供商的API密钥。我强烈推荐从OpenRouter开始。它不是一个模型提供商，而是一个聚合平台，通过一个API密钥就能访问包括Claude、GPT、Llama在内的上百个模型，并且有统一的计费方式，非常适合用来做多模型路由的测试和初期使用。

运行设置向导是最简单的方式：

• 使用 npm:npx betaclaw setup
• 使用 Bun:bun run setup

这个交互式向导会引导你选择提供商、输入API密钥，并完成基础配置。如果你想手动配置，也可以直接设置环境变量。例如，配置OpenRouter：

export OPENROUTER_API_KEY="sk-or-your-actual-key-here"

为了方便，我通常会把这类命令加到 shell 的配置文件（如~/.zshrc或~/.bashrc）里，或者使用像direnv这样的工具在项目目录内管理环境变量。

3.3 启动与初体验：你的第一次AI对话

配置完成后，就可以启动BetaClaw的核心服务了。它以后台守护进程（Daemon）的方式运行，管理着所有的连接、内存和技能状态。

启动守护进程（前台运行方便看日志）：

# 使用 npm npx betaclaw start --foreground # 使用 Bun bun run start

看到服务成功启动的日志后，另开一个终端窗口，开始聊天：

# 使用 npm npx betaclaw chat # 使用 Bun bun run chat

这时，你会进入一个交互式聊天界面。你可以直接输入问题，比如“用Python写一个快速排序函数”。BetaClaw会接管后续所有事情：评估任务复杂度、选择模型、调用代码执行技能（如果配置了）、并返回结果和解释。

在聊天界面中，你可以使用一些内置命令：

• /status: 查看当前使用的提供商、模型、会话信息。
• /quit或/exit: 退出聊天会话。

注意事项：第一次启动时，系统会初始化本地SQLite数据库和加密保险库，可能会稍有延迟。如果遇到端口占用（默认是某个特定端口，可在配置中修改），请检查是否有其他服务冲突。

4. 核心架构深度解析：请求是如何被处理的

要真正用好BetaClaw，理解它的内部工作流程至关重要。这能帮助你在出现问题时快速定位，也能让你明白如何针对自己的需求进行定制。下面这张简化的流程图描绘了一个用户请求的完整生命周期：

用户输入 ("写一份项目周报") │ ▼ [通道层] CLI/HTTP接收请求 │ ▼ [安全与清洗层] 防护栏处理 ├─ 提示词注入检测 (如“忽略之前指令”) └─ PII信息脱敏 (如邮件、电话) │ ▼ [智能路由层] 复杂度评估器 (判断为“Standard”级别任务) │ ▼ 模型选择器 (根据“Standard”级别选择性价比最高的已配置模型，如GPT-3.5-Turbo) │ ▼ [智能体编排层] 规划智能体 (Planner) 分析任务，拆解为有向无环图 (DAG) │ ▼ ┌─────────────────┬─────────────────┐ ▼ ▼ ▼ 研究智能体 执行智能体 记忆智能体 (如需搜索) (执行代码/命令) (检索相关记忆) │ │ │ └────────┬────────┴────────┬────────┘ ▼ ▼ 合成智能体 (Composer) ◀─────┘ 整合所有子任务结果 │ ▼ [记忆与优化层] 工作记忆系统 ├─ 上下文窗口管理 └─ 自动摘要 (当Token使用超过85%阈值时) │ ▼ 最终响应返回给用户

1. 通道与安全层（坚不可摧的城门）你的输入无论来自命令行还是HTTP API，首先会进入“防护栏”。这里进行了多轮过滤：第一层是正则表达式和关键词模式匹配，用于拦截常见的注入攻击模板；第二层进行结构分析，比如剔除零宽字符、规范化同形异义字（防止Unicode欺骗）、解码潜在的Base64载荷；第三层是语义检查，对长文本进行更深度的意图分析。同时，所有流经的文本都会被扫描，信用卡号（经过Luhn算法校验）、社会安全号、邮箱、手机号等会被即时替换为占位符，如[EMAIL_REDACTED]，确保敏感信息不出本地。

2. 路由与调度层（精明的成本管家）安全清洗后的请求会进入“复杂度评估器”。这是一个轻量级但关键的模块，它通过一套启发式规则（如查询长度、特定关键词、任务类型标记）快速将任务归入四个档位：Nano（问候/简单QA）、Standard（中等复杂度任务）、Pro（需要多步推理或创意）、Max（极其复杂或专业）。这个分类直接关联到config.toon文件中为每个级别预设的模型列表。模型选择器会从对应级别的列表中，选取一个当前可用且输入输出单价总和最低的模型。这意味着，即使你配置了GPT-4，一个简单的“你好”也绝不会用它来回复，从而实现了智能成本控制。

3. 多智能体协作层（高效的项目团队）选定模型后，请求被交给“规划智能体”。它就像项目经理，负责将你的宏观指令拆解成具体的、可并行或串行执行的子任务，并组织成一个有向无环图。例如，“写周报并邮件发送”可能被拆解为“检索本周工作记忆”、“生成周报文本”、“登录邮箱”、“发送邮件”四个节点。随后，不同的“执行智能体”（研究员、代码执行器、文件操作器等）根据DAG被调用。它们之间的通信大量使用了我们自研的TOON格式而非JSON。TOON通过移除引号、冒号等冗余符号，并使用更紧凑的类型标记，显著减少了序列化后的Token数量，这对于需要频繁在智能体间传递中间结果的复杂工作流来说，节省的效果是叠加的。

4. 记忆与优化层（持久的上下文管家）所有交互的上下文由“工作记忆系统”管理。它不仅仅是一个聊天历史记录器。它内置了一个基于SQLite FTS5的全文检索索引，可以将长对话切片存储并建立索引。当后续查询需要相关历史信息时，它不是把整个历史记录都塞进上下文，而是通过检索只召回最相关的几个片段，这通常能减少90%以上的不必要Token消耗。同时，系统会实时监控上下文窗口的Token使用率。当利用率超过预设阈值（默认85%）时，“记忆压缩器”会自动启动，将较早的、不那么重要的对话内容总结成一段简练的摘要，从而为新的对话腾出空间，实现超长对话的维持。

5. 技能系统：如何用Markdown文件扩展AI的能力边界

BetaClaw最强大的特性之一，就是其基于文件的技能系统。它让功能扩展变得像写文档一样简单。

5.1 技能是什么？

一个技能本质上是一个SKILL.md文件，存放在项目根目录下的.claude/skills/文件夹中。这个文件用特定的格式描述了：

1. 技能名称与描述：告诉系统这个技能是干什么的。
2. 输入/输出规范：定义技能需要什么参数，返回什么结果。
3. 执行逻辑：可以是内联的JavaScript/TypeScript代码片段，也可以是一个指向外部脚本的路径。
4. 元数据：如技能类别、是否需网络权限、是否危险操作等。

系统启动时会加载所有技能，并通过文件系统监听器（watcher）实现热重载。你修改并保存一个SKILL.md文件，不到60毫秒，新的技能逻辑就已经被加载，无需重启服务。

5.2 内置技能实战：以“网页搜索”为例

让我们看一个内置技能web_search的简化版示例，来理解其结构：

# web_search **Description**: Searches the web using the Brave Search API and returns summarized results. **Author**: BetaClaw Team **Version**: 1.0 ## Input - `query` (string, required): The search query string. - `num_results` (number, optional, default=5): Number of search results to return. ## Output Returns an array of search result objects, each containing `title`, `url`, and `snippet`. ## Implementation ```javascript module.exports = async ({ query, num_results = 5 }, context) => { const { brave } = context.providers; // 注入的Brave API客户端 if (!brave) { throw new Error('Brave Search provider is not configured.'); } const response = await brave.search({ q: query, count: num_results }); // 处理并格式化结果 return response.web.results.map(r => ({ title: r.title, url: r.url, snippet: r.description })); };

Permissions

• network: true
• sandboxed: false

当你在聊天中说：“搜索一下今天AI领域的最新新闻”，规划智能体会识别出“搜索”意图，将任务分派给 `web_search` 技能，并自动将你的自然语言转换为 `{ query: “今天AI领域的最新新闻”, num_results: 5 }` 这样的输入对象。技能执行后，返回结构化的搜索结果，再由合成智能体整理成自然语言回复给你。 ### 5.3 创建你的第一个自定义技能 假设我们想添加一个技能，用于获取当前天气。我们可以在 `.claude/skills/` 目录下创建 `get_weather.md`： ```markdown # get_weather **Description**: Fetches current weather information for a given city. **Author**: [Your Name] **Version**: 1.0 ## Input - `city` (string, required): The name of the city (e.g., "Beijing"). - `country_code` (string, optional): ISO country code (e.g., "CN"). ## Output Returns an object with `temperature` (in Celsius), `condition` (e.g., "Sunny"), and `humidity` (percentage). ## Implementation ```javascript module.exports = async ({ city, country_code }, context) => { // 这里假设你集成了某个天气API，例如 OpenWeatherMap const { http } = context.tools; // 使用内置的http工具 const apiKey = process.env.OPENWEATHER_API_KEY; if (!apiKey) { throw new Error('OPENWEATHER_API_KEY environment variable is not set.'); } const location = country_code ? `${city},${country_code}` : city; const url = `https://api.openweathermap.org/data/2.5/weather?q=${encodeURIComponent(location)}&appid=${apiKey}&units=metric`; const response = await http.fetch(url); const data = response.json(); if (data.cod !== 200) { throw new Error(`Weather API error: ${data.message}`); } return { temperature: data.main.temp, condition: data.weather[0].description, humidity: data.main.humidity }; };

Permissions

• network: true
• sandboxed: true // 建议在沙箱中运行网络请求

保存文件后，几乎立刻，你就可以在聊天中使用了：“今天纽约的天气怎么样？”。BetaClaw会自动调用这个新技能。 > **避坑指南**： > 1. **权限声明要准确**：`network: true` 和 `sandboxed: true/false` 是关键。危险的技能（如执行shell命令）应设置为 `sandboxed: true`，使其在隔离的Docker容器中运行。 > 2. **错误处理要完善**：技能代码中一定要有健壮的错误处理，并抛出有意义的错误信息，这样在聊天界面中用户才能理解发生了什么。 > 3. **善用上下文**：`context` 参数提供了对已配置的工具（http, file, exec等）、提供商、内存系统的访问，是技能强大的关键。 ## 6. 高级配置与运维：让BetaClaw更贴合你的需求 当基础功能满足后，你会需要更精细的控制。BetaClaw的配置核心是一个名为 `config.toon` 的文件（通常位于 `.beta/` 目录下），它使用TOON格式。 ### 6.1 解读核心配置项 一个典型的配置片段如下：

@config{ provider:openrouter model:auto profile:standard maxTokens:8192 summarizeThreshold:0.85 vault: @vault{ dir:.beta algorithm:aes-256-gcm } skills: @skills{ dir:.claude/skills reloadMs:50 } routing: @routing{ nano:[ ollama:llama3.2, openrouter:gpt-3.5-turbo ] standard:[ openrouter:gpt-4o-mini, anthropic:claude-3-haiku ] pro:[ openrouter:gpt-4o, anthropic:claude-3-opus ] max:[ openrouter:claude-3-5-sonnet-20241022 ] } }

- **`provider` / `model`**: 默认提供商和模型。`model: auto` 启用智能路由。 - **`profile`**: 定义工作记忆的上下文窗口大小。`standard` 对应8192 tokens。 - **`summarizeThreshold`**: 工作记忆压缩的触发阈值。0.85表示当上下文使用率达到85%时，系统会自动尝试总结旧内容。 - **`routing`**: **这是成本控制的核心**。你可以为四个复杂度级别分别指定一个模型优先级列表。系统会按顺序检查列表中的模型是否可用（已配置且有余量），并选择第一个可用的。你可以把最便宜的模型放在前面。 ### 6.2 多提供商负载均衡与故障转移 BetaClaw支持同时配置多个同类型提供商。例如，你可以在OpenRouter之外，还配置一个直接的OpenAI API密钥。在路由配置中，你可以这样设置：

standard:[ openrouter:gpt-4o-mini, openai:gpt-3.5-turbo, anthropic:claude-3-haiku ]

这样，当任务被判定为Standard级别时，系统会首先尝试使用OpenRouter上的 `gpt-4o-mini`（因为它可能更便宜）。如果OpenRouter服务暂时不可用或超时，系统会自动故障转移到下一个选项 `openai:gpt-3.5-turbo`，从而实现高可用性。 ### 6.3 守护进程管理与状态监控 对于长期运行的服务，管理其生命周期很重要。 - **启动与停止**： ```bash betaclaw start # 后台启动守护进程 betaclaw start --foreground --verbose # 前台启动并显示详细日志，用于调试 betaclaw stop # 停止守护进程 betaclaw restart # 重启

• 状态检查：

  betaclaw status

  这个命令会输出一个丰富的状态面板，包括：

  • 系统健康（PID、内存占用、运行时间）
  • 已加载的技能列表及其状态
  • 已配置的提供商及其连接状态
  • 当前活跃的会话组（Group）信息

• 诊断工具：

  betaclaw doctor

  这是一个强大的诊断命令，它会检查：环境变量配置、网络连通性（到各API端点）、依赖包版本、磁盘权限、加密保险库状态等，并给出修复建议。在遇到问题时，首先运行doctor是个好习惯。

7. 性能调优与基准测试：量化你的收益

BetaClaw内置了一个基准测试套件，可以帮助你量化其性能表现，并作为调优的参考。运行它很简单：

betaclaw benchmark # 或 bun run benchmark

测试报告会涵盖十几个核心模块。我们重点关注几个与效率和成本直接相关的部分：

1. TOON格式的Token节省报告会展示一系列测试用例中，TOON相比JSON节省的Token百分比。例如，一个典型的Agent执行结果载荷，JSON需要29个Token，而TOON仅需26个，节省约10%。对于频繁的智能体间通信，日积月累的节省非常可观。

2. 复杂度评估器的速度这个模块需要在毫秒级内对用户输入进行分类。报告会显示其吞吐量，通常能达到每秒数万次评估，这意味着路由决策带来的开销几乎可以忽略不计。

3. 工作记忆检索优化这部分测试会对比两种记忆检索方式：返回完整的MEMORY.md文件 vs 使用FTS5全文检索只返回相关片段。在我的测试中，对于包含50条事实的记忆库，完整返回需要677个Token，而FTS5选择性检索平均只需65个Token，节省了超过90%的上下文窗口。这对于需要长期记忆的复杂对话至关重要。

4. 端到端流水线延迟测试会模拟一个真实任务（如“构建一个咖啡店网站”）的完整处理流程，但不实际调用AI模型（干跑）。它会展示从输入到输出，每个环节（规划、执行、防护栏等）的时间消耗。这有助于你识别性能瓶颈。通常，整个规划与调度流程应在10毫秒内完成，主要耗时将在后续真实的模型调用和工具执行上。

基于基准测试的调优建议：

• 如果TOON节省不明显：检查你的技能间传递的数据结构是否过于复杂嵌套。尽量扁平化数据结构。
• 如果复杂度评估不准确：你可以微调prompts/complexity-estimator.md中的提示词，让它更贴合你的任务类型。
• 如果记忆检索慢：确保你的SQLite数据库文件在SSD上，并且没有其他进程锁死数据库。对于超大记忆库，可以考虑定期归档旧记忆。

8. 常见问题与故障排查实录

在实际部署和使用中，你可能会遇到一些典型问题。以下是我在开发和测试中积累的一些排查经验。

8.1 问题速查表

问题现象	可能原因	排查步骤与解决方案
运行betaclaw chat提示“无法连接到守护进程”	1. 守护进程未启动。 2. 守护进程崩溃。 3. 端口或Socket文件冲突。	1. 运行betaclaw status检查状态。 2. 运行betaclaw start --foreground在前台启动，观察错误日志。 3. 检查默认的IPC socket或HTTP端口是否被占用，可在配置中修改。
AI响应慢或超时	1. 网络问题。 2. 目标AI提供商API限速或故障。 3. 任务被路由到了速度慢的模型（如本地大模型）。	1. 使用betaclaw doctor检查网络连通性。 2. 查看守护进程日志，确认使用的是哪个提供商和模型。尝试在聊天中用/status命令查看。 3. 调整路由配置routing，将响应速度快的模型优先级提高。
技能执行失败，报权限错误	1. 技能文件权限不正确。 2. 技能声明的sandboxed与实际需求不符。 3. Docker沙箱环境未就绪。	1. 确保.claude/skills/目录及内部文件有读取权限。 2. 检查技能MD文件中的Permissions部分。需要执行Shell命令的技能必须sandboxed: true。 3. 确保Docker服务正在运行。对于文件操作等简单技能，可设为sandboxed: false。
提示“API密钥无效”或“未配置提供商”	1. 环境变量未正确设置或未加载。 2. 加密保险库损坏或密码错误。 3. 配置的提供商不在支持列表中。	1. 运行betaclaw setup重新运行向导，或检查echo $OPENROUTER_API_KEY等变量。 2. 检查.beta/vault.enc文件是否存在。严重情况下可备份后删除该文件，重新运行setup。 3. 运行betaclaw status查看已成功加载的提供商列表。
自定义技能不生效	1. 技能文件格式错误。 2. 技能未热重载。 3. 技能代码存在语法错误。	1. 仔细检查SKILL.md的格式，确保标题、输入输出定义、代码块正确。 2. 查看守护进程日志，是否有加载新技能或报错的记录。可以重启守护进程强制加载。 3. 尝试在技能代码块外用Node.js直接执行，排查语法或逻辑错误。

8.2 深度故障排查案例：技能热重载失败

场景：你修改了一个自定义技能文件并保存，但聊天中调用时发现行为没有改变。

排查思路：

1. 检查日志：首先在前台运行守护进程 (betaclaw start --foreground)，然后修改并保存技能文件。观察终端是否有类似[skill-watcher] reloaded skill: your_skill的日志输出。如果没有，说明文件监听器可能没工作。
2. 验证文件系统事件：某些虚拟机或网络文件系统（如NFS）可能不支持高效的文件监听。可以尝试在项目根目录执行touch .claude/skills/your_skill.md，看是否能触发重载。如果手动触发可以，但编辑器保存不行，可能是编辑器写文件的方式问题。
3. 检查技能注册表：在聊天中输入/status，查看输出的技能列表里是否包含你修改的技能，以及版本号是否更新。
4. 重启大法：如果以上都不行，执行betaclaw restart。重启后技能一定会被重新加载。

根本原因与修复：在我的实践中，最常见的原因是技能文件在保存时产生了临时文件（如your_skill.md~），监听器可能监听了错误的事件。确保你的编辑器不会在技能目录内创建大量临时文件。另一个原因是技能代码中存在运行时错误，导致加载失败但日志被忽略。可以尝试暂时将技能代码简化成一个return “test”的语句，来隔离是否是业务逻辑的问题。

8.3 安全与隐私相关注意事项

1. 保险库备份：.beta/vault.enc文件是你的加密密钥库。务必定期备份。丢失它且忘记密码意味着所有存储的密钥无法恢复。
2. 沙箱执行：对于任何执行外部命令或下载网络资源的技能，强烈建议设置sandboxed: true。这会将技能运行在一个干净的Docker容器中，防止其对宿主机造成破坏。
3. PII脱敏并非绝对安全：内置的PII检测是基于正则表达式的，虽然能覆盖常见格式，但并非万无一失。在处理高度敏感信息时，最安全的做法是不要将其输入到任何AI辅助工具中。
4. 审计日志：BetaClaw的日志默认会输出到控制台和文件。在生产环境中，建议将日志接入你的集中日志管理系统（如ELK），并定期审计，尤其是关注防护栏拦截的提示词注入尝试和PII脱敏记录。

经过几个月的迭代和实际项目打磨，BetaClaw已经从一个实验性的想法，变成了我日常开发工作中不可或缺的效率工具。它最大的价值在于把复杂、分散的AI能力整合成了一个连贯、可控且经济的工作流。从自动生成代码片段、整理会议纪要，到监控日志和生成周报，这些重复性的脑力劳动现在都可以交给它来协调处理。