54KB 的 Agent Runtime：SubZeroClaw 如何用 C 改寫 Edge AI 遊戲規則

每年咁多場 AI conference，你總會見到同一張 slide：一個複雜到離晒譜嘅架構圖，箭嘴由 Orchestrator 射出嚟插去 Memory Layer、Tool Registry、Plugin System、Vector Store，仲有啲虛線代表啲乜嘢 event bus 同 lifecycle hook。成件事好似規劃緊一個新機場咁宏大。但你有冇諗過，如果你只係想喺 Raspberry Pi 上面行一個 agent，每日幫你 check disk usage、睇住隻 sensor 溫度、或者自動 backup 某個 folder——你真係需要咁多嘢？

SubZeroClaw 俾嘅答案係：唔需要。一份 380 行嘅 C 程式，編譯出嚟 54KB 嘅 binary，行起上嚟食 2MB RAM，零 plugin、零 middleware、零 dependency injection、零 vector DB。得一個 loop：讀一個 Markdown 檔做 skill → call LLM → popen() 執行 shell command → loop back。就係咁簡單。而呢種毫不妥協嘅極簡設計，正正就係 edge AI 長久以嚟需要但一直冇人肯俾嘅嘢。

問題唔係 optimisation，而係 over-engineering

過去兩年 agent framework 嘅競爭，某程度上已經變咗一場「睇邊個包裝得更大件」嘅軍備競賽。我唔係針對某個 project——但當你見到一個做 agent loop 嘅 framework 要用 43 萬行 TypeScript、800 個 npm dependencies，你不得不問：呢 43 萬行入面，有幾多係為咗解決你嘅問題，有幾多係為咗解決 framework 自己制造出嚟嘅問題？

ZeroClaw 用 Rust 重寫成個 concept，縮到 15,000 行、100 個 crates，進步咗一個數量級，但本質上仍然係同一套思維——假設你最終需要一個 platform。呢個假設喺 SaaS 場景完全合理：你要 multi-tenancy、要 channel routing、要 identity portability，呢啲嘢的確需要用 abstraction 去管理。但 edge 場景係 completely different game：一部 device、一個 agent、一個 skill。冇 multi-tenancy，因為得一個 user。冇 channel routing，因為得一個 shell。冇 plugin registry，因為你要用嘅 tool——git、curl、ffmpeg、jq——已經裝咗喺你部機度。

SubZeroClaw 嘅作者做咗一個好 radical 但好聰明嘅決定：佢哋冇嘗試寫一個更 efficient 嘅 framework，而係退一步問：「如果個問題由始至終都唔需要 framework 嚟解決呢？」結果就係 380 行 C 嘅 runtime，你可以由頭到尾讀晒、理解晒、有信心改得郁。呢個唔係 black box，而係一件你可以完全掌握嘅工具。對比起 OpenClaw 嘅 43 萬行，SubZeroClaw 得 0.09% 嘅 codebase size——呢個唔係 incremental improvement，而係 paradigm shift。

Shell 就係最強嘅 integration layer

SubZeroClaw 嘅核心 insight 好簡單但好 deep：對於 edge agent 嚟講，shell 唔單止係 command execution environment，佢本身就係最強大而且最成熟嘅 integration layer。你部機裝咗 git？agent 即刻用得。有 curl？即係有 HTTP client。有 ffmpeg？即係有多媒體處理能力。有 himalaya 或者 mutt？即係有 email 功能。有 signal-cli？即係有 messaging。每一樣都唔需要寫 adapter、唔需要食 API SDK、唔需要處理 OAuth redirect flow。

模型直接 call git log --oneline -5、curl -s https://api.xyz.com/data、ffmpeg -i input.mp4 -vf scale=320:240 output.mp4——同你喺 terminal 打 command 一模一樣。SubZeroClaw 嘅唯一 tool 就係 shell，佢將 stdout 同 stderr merge 埋一齊返俾 LLM，然後 loop。冇 JSON schema validation、冇 tool definition registry、冇 retry logic——呢啲全部由 LLM 自己判斷。

呢個哲學嘅力量在於佢完全消除了「integration tax」。每一層 framework 擺喺 model 同 shell 之間，都係對 latency、memory、同 reliability 嘅直接損耗。對一部可能得 1GB RAM 嘅 Raspberry Pi 嚟講，2MB vs 80MB 嘅差距唔係數字遊戲，而係「用得」同「用唔到」嘅分別。SubZeroClaw 嘅 design 令你可以將更多 resource 留俾模型本身做 inference，而唔係嘥喺 runtime 嘅 overhead 上面。

冇 guardrails 係誠實，唔係不負責任

SubZeroClaw 嘅 README 第一句就係：「呢個 software 會執行任意 shell command，冇 safety check、冇 confirmation prompt、冇 sandbox、冇 guardrail。LLM 決定執行咩，runtime 就執行咩——rm -rf / 都照行。如果你唔明呢句嘢咩意思，唔好 use it。」呢種態度喺 enterprise 世界係自殺，但喺 edge 場景係對用戶嘅尊重。

你行 agent 嘅 device 係你自己嘅 Raspberry Pi、你自己嘅 VPS、你自己嘅 homelab——你信得過自己行嘅 model 同寫嘅 skill。SubZeroClaw 嘅 target audience 由始至終都係 developer，唔係俾你 embed 喺 product 度俾 end user 用嘅。佢哋需要嘅唔係 guardrails，而係效率同 transparency。Sandbox 呢件事——seccomp、bubblewrap、network namespace——全部係 OS-level 嘅 concern，夾硬塞入 runtime 只會制造虛假安全感。Config 入面有 sandbox_bwrap 同 sandbox_net 嘅 flag，俾你開，但 default 係 off。決定權俾返你，而唔係扮好人幫你決定。

對香港開發者嘅啓示

香港嘅開發者有一個共同命題：我哋人數少、資源有限，點樣喺呢場 AI 競賽入面搵到自己嘅位置？SubZeroClaw 嘅 story 俾到一個好具體嘅答案——唔好同大廠玩同一條賽道。OpenAI、Google、Meta 需要造 platform，因為佢哋嘅 business model 係 serve 幾千萬人。你只需要解決一個具體問題，而一個具體問題嘅答案通常好短。

如果你係獨立開發者或者細團隊，有幾點值得記住。第一，唔好假設你需要架構圖上面嘅全部 component。你嘅 agent runtime 可能真係只需要一個 loop。你嘅所謂「AI product」可能只係一個 shell script 加一個 API call。第二，用盡你系統已經有嘅嘢。SubZeroClaw 用 curl、用 popen()、用你部機裝好嘅 tool——佢完全冇 reinvent 任何 wheel。第三，edge computing 仲係好早期，呢個市場嘅 winner 通常唔係最 feature-rich 嗰個，而係喺 constraint 入面做到最多嘢嗰個。一個 54KB 嘅 agent runtime 就係最好嘅示範。

下次你見到一張複雜到嚇親人嘅 AI 架構圖，問自己一個問題：我真係需要咁多嘢？定係我只係需要一條 pipe，將 LLM 駁去 shell，然後收工？