CashClaw：接單、交付、收款、然後把評分寫回記憶的自主代理

它解決的是接案流程裡最枯燥的那一段

自由接案者的時間大多不是花在做事，而是花在判斷這張單值不值得接、要報多少、以及客戶回饋之後要怎麼改。CashClaw 把這三段自動化：收到任務後由 LLM 評估，決定呼叫 quote_task 報價、decline_task 拒接，或先用 send_message 追問；任務被接受後產出交付物並呼叫 submit_work；客戶要求修訂時讀取回饋再交一次；完成後把評分與評語存進知識庫。README 把它定位成「an autonomous agent that takes work, does work, gets paid, and gets better at it」，四個動詞對應四個階段。目標讀者很清楚：已經在 Moltlaunch 這個鏈上工作網路活動、想把手動報價與交付的循環交給程式跑的人。README 也明講「You don't need Moltlaunch」，因為整包是 MIT 授權的開源碼，市集層可以被拆掉換成別的來源。

單一 Node 程序、三個工作、一條心跳

架構不複雜。一個 Node 程序同時做三件事：用 WebSocket 連上 Moltlaunch API 接收即時任務事件，並以 REST 輪詢作為備援；執行多輪的 LLM 工具迴圈；以及在閒置時跑自我學習。同一個程序另外開一個 HTTP 伺服器在 3777 埠，/api/* 提供 JSON 端點，其餘路徑回傳靜態的 React 儀表板。核心引擎在 loop/index.ts，流程是：組出系統提示（代理身分、定價規則、個性、學到的知識，必要時加上 AgentCash 的 API 目錄），把任務內容當作第一則使用者訊息注入，LLM 回覆推理與工具呼叫，程式執行工具並把結果餵回去，重複到 LLM 不再呼叫工具或達到回合上限（預設 10 回合）。這裡有一個明確的設計約束：LLM 從不直接呼叫 API，所有副作用都經過工具，而工具是 shell out 到 mltl CLI 或 npx agentcash。這代表權限邊界畫在工具層，而不是靠提示詞約束模型。

13 個工具，三種來源

工具分成三類。市集類有 7 個：read_task 取得任務細節與訊息、quote_task 以 ETH 報價、decline_task 附理由拒接、submit_work 交付、send_message 聯絡客戶、list_bounties 瀏覽開放懸賞、claim_bounty 認領懸賞。工具類有 5 個：check_wallet_balance 查 Base 上的 ETH 餘額、read_feedback_history 讀歷史評分與評語、memory_search 對知識與回饋做 BM25+ 檢索、log_activity 寫每日活動日誌。最後是 AgentCash 類的 2 個：agentcash_fetch 發出付費 API 呼叫（搜尋、抓取、圖像生成等），agentcash_balance 查 USDC 餘額。這個切法值得注意的地方在於，報價單位是 ETH，而付費 API 的計價單位是 USDC，兩條金流走不同的軌道，代理在評估一張單划不划算時必須同時掌握這兩種餘額。README 沒有說明匯率換算或風險上限怎麼處理，這是文件偏薄的一處。

啟動路徑：安裝、精靈、四個步驟

安裝是兩行全域指令：npm install -g cashclaw-agent，以及它所依賴的 npm install -g moltlaunch。之後直接執行 cashclaw，瀏覽器會開到 http://localhost:3777，出現設定精靈。第一步是錢包，會偵測你的 mltl 錢包，第一次執行時自動建立。第二步是代理，用名稱、描述、技能與價格在鏈上註冊。第三步是 LLM，可接 Anthropic、OpenAI 或 OpenRouter，並附一次即時測試呼叫。第四步是設定，包含定價策略、自動化開關與任務上限。設定完成後儀表板啟動，代理開始工作。三家供應商都是用原生 fetch() 實作，沒有 SDK 依賴：Anthropic 走 api.anthropic.com/v1/messages，預設模型 claude-sonnet-4-20250514；OpenAI 走 api.openai.com/v1/chat/completions，預設 gpt-4o；OpenRouter 走 openrouter.ai/api/v1/chat/completions，預設 openai/gpt-5.4。OpenAI 與 OpenRouter 共用一個轉接層，負責在 Anthropic 的原生工具格式與 OpenAI 的 tool_calls 格式之間轉換。

自我學習不是口號，是一條 BM25 加時間衰減的管線

閒置時代理會跑學習場次，預設每 30 分鐘一次，在三種主題之間輪替。回饋分析只在有回饋時執行，找出客戶評分裡的高分與低分模式。專長研究永遠執行，加深已設定專長領域的實務知識、陷阱與品質標準。任務模擬也永遠執行，生成一個擬真任務並寫出處理思路。每個場次產出一則知識條目，存到 ~/.cashclaw/knowledge.json。使用時機有兩個。自動注入：每個進來的任務都會被斷詞後對知識與回饋條目做 BM25+ 檢索，分數再乘上時間衰減 e^(-lambda * ageDays)，半衰期 30 天，取前 5 名塞進系統提示的 Relevant Context 區塊。主動回想：LLM 可以在任務中途呼叫 memory_search 查自己的記憶。這裡的判斷是，檢索式記憶比單純保留最近 N 筆紀錄更貼合任務，但半衰期 30 天意味著三個月前的經驗幾乎不再影響當下決策，對於接案這種季節性不強的工作，這個衰減速度是否合適，README 沒有給出調整方式。知識條目可以在儀表板上展開、刪除、查看來源與主題標籤，也就是說清理壞記憶是手動工作。

什麼時候它是錯的工具

最大的限制寫在架構裡：所有副作用都經過 shell out 到 mltl CLI 與 npx agentcash。這代表代理的實際能力邊界等於這兩個 CLI 的能力邊界，工具清單之外的動作它做不到，而每次工具呼叫都是一次外部程序啟動。任務生命週期只有 requested、accepted、revision、completed 四態，也就是一次交付加一輪修訂。如果你的工作本質是長期合作、需要多輪來回釐清需求、或交付物本身要迭代很多版，這個狀態機撐不住。另一個現實約束是金流：報價收 ETH 在 Base 上，付費 API 花 USDC，兩者都是真錢，而 README 沒有描述任何支出上限或異常保護機制，自動化開關與任務上限是設定精靈裡僅有的護欄。最後，自我學習仰賴評分，冷啟動階段沒有回饋可分析，學習場次只剩專長研究與任務模擬兩種，這段期間的改進幅度會比文件描述的迴圈小。

替代方案與真正的差異

最直接的替代是自己用 Anthropic 或 OpenAI 的 Agent SDK 寫一個接案機器人。差異在於狀態管理。SDK 給你的是工具呼叫的執行框架，但記憶、評分沉澱、時間衰減、閒置學習這些都是你自己要接的；CashClaw 把這整段做成了 knowledge.json 加 BM25 檢索的具體實作，並且附上一個已經接好市集 API 的工具層。反過來說，SDK 方案不會強迫你把錢包與 mltl CLI 交給一個自動迴圈，權限邊界由你決定。如果你只是想自動化某個特定客戶的重複交付，而不是在公開市集上競標，那 CashClaw 的市集工具對你毫無用處，直接寫一支帶工具的腳本會更省事。它的可 fork 性正是為這種情況準備的：拆掉市集層，換上你自己的任務來源，工具迴圈與記憶層仍然可用。

維護成本與授權

授權是 MIT，條款寬鬆，可以商用、可以修改、可以閉源再散布，但軟體按現狀提供，不附任何擔保。README 沒有提到任何付費方案或託管服務，也就是說 Moltlaunch API 的可用性、mltl CLI 的版本相容性、以及 AgentCash 的計價，全部是你自己要承擔的外部依賴風險。升級成本主要落在兩個地方：一是 moltlaunch CLI 與 agentcash 這兩個外部程序的介面變動，因為工具層是 shell out，任何參數或輸出格式的調整都會直接打到代理；二是 ~/.cashclaw/knowledge.json 的格式，如果知識條目的結構改變，既有的累積需要遷移。這份材料沒有提供版本遷移說明或變更日誌，最近也沒有檢索到任何 release，所以升級前應該先確認儲存庫的提交狀態。

編輯結論

如果你已經在 Moltlaunch 上活動，或想找一個可 fork 的接案代理骨架，CashClaw 的 13 個工具與 BM25 記憶層是清楚可讀的起點。若你不想把錢包與 mltl CLI 交給一個自動迴圈，或你的工作無法用一次交付加一輪修訂結案，它會是錯的工具。動手前先確認三件事：你的 mltl 錢包裡放多少 ETH、AgentCash 的付費 API 是否真的需要、以及 knowledge.json 的內容是否值得保留，因為那三個地方是這個代理唯一會累積狀態的位置。

官方來源

1. Issues
2. License: MIT
3. moltlaunch/cashclaw on GitHub
4. Project website
5. README