Test de QwenPaw (CoPaw) : l'agent personnel open source d'Alibaba

QwenPaw est un assistant personnel open source de l’équipe AgentScope d’Alibaba. Si vous le connaissiez sous le nom de CoPaw, c’est le même projet : il a été lancé sous le nom de CoPaw en février 2026 et renommé QwenPaw en avril 2026, comme l’expliquent les notes de version de la v1.1.0. Vous verrez encore l’ancien nom dans des guides plus anciens et sur le paquet copaw de PyPI. Le dépôt comptait 37 495 étoiles GitHub lors de notre vérification du 8 novembre 2026.

Ce que c’est

QwenPaw appartient à la même famille qu’OpenClaw et nanobot : un agent sur votre machine que vous joignez depuis une console web, une interface en terminal ou des applications de messagerie, qui se souvient de vous, exécute des tâches planifiées et peut agir via un navigateur, un shell, des outils MCP, des compétences et des plugins. Deux choses le distinguent : il est conçu pour tourner entièrement sur des modèles locaux, et il peut faire tourner plusieurs agents indépendants côte à côte.

L’installer

Vous pouvez l’installer avec pip (Python 3.11 à 3.13), un script d’installation ou Docker. Le script est la voie la plus simple : il configure Python, Node.js et la console web sur macOS, Linux ou Windows. Alibaba propose aussi un déploiement cloud gratuit en un clic sur sa plateforme AgentScope, mais ce n’est alors plus de l’auto-hébergement. Des applications de bureau pour Windows et macOS existent mais sont en bêta.

La console web couvre les canaux, les tâches cron, le heartbeat, les compétences, MCP et les fichiers, et la documentation les détaille un par un. Les versions sont fréquentes, avec de nombreuses bêtas : attendez-vous à mettre à jour souvent et à lire les notes à chaque fois.

Télémétrie : lisez la commande d’initialisation

QwenPaw envoie des données d’installation anonymes une fois par version pendant qwenpaw init : version, méthode d’installation, système d’exploitation, version de Python, architecture du CPU et présence ou non d’un GPU. L’équipe affirme ne collecter aucune donnée personnelle, aucun fichier, aucun identifiant ni aucune adresse IP (README).

Le hic tient à la façon dont le consentement fonctionne. La configuration interactive vous demande votre accord, mais la commande de démarrage rapide recommandée par la documentation, qwenpaw init --defaults, l’accepte automatiquement. Si vous ne voulez rien envoyer, lancez qwenpaw init en mode interactif et refusez. C’est une petite quantité de données, mais elle est envoyée par défaut si vous suivez le démarrage rapide.

Sandboxing : désactivé, et plus faible dans Docker

QwenPaw a plus de couches de sécurité que la plupart des agents de cette catégorie. La documentation de sécurité décrit Tool Guard, File Guard, l’analyse des compétences, des politiques d’accès et un sandbox optionnel au niveau du noyau pour les commandes.

Ce sandbox est désactivé par défaut (source), et dans Docker il se rabat sur une absence totale d’isolation. Ce second point est contre-intuitif : faire tourner QwenPaw dans Docker ne vous donne pas le sandbox des commandes, seulement la séparation que fournit le conteneur lui-même. Si vous l’installez sur votre machine principale, activez le sandbox avant de connecter un canal de messagerie.

Les modèles locaux sont son point fort

QwenPaw fonctionne avec plus de 20 fournisseurs cloud, dont DashScope (Qwen), OpenAI, Anthropic, Gemini, DeepSeek, Kimi et OpenRouter. Il peut aussi tourner entièrement hors ligne sans clé d’API : il intègre un runtime llama.cpp, prend en charge Ollama et LM Studio, et l’équipe publie ses propres petits modèles QwenPaw-Flash entraînés pour les tâches d’agent (documentation des modèles).

Cette combinaison, un runtime et un modèle optimisé pour lui venant de la même équipe, demande moins de configuration que de relier vous-même un agent à un serveur de modèles local séparé. Ce qu’un modèle local peut gérer dépend toujours de votre matériel : essayez vos vraies tâches avant d’abandonner un fournisseur cloud.

Agents multiples et mémoire

Chaque agent a sa propre mémoire, ses compétences et son heartbeat, et les agents peuvent travailler ensemble (documentation multi-agents). La mémoire est un stockage Markdown à trois niveaux que vous pouvez lire et modifier. Les points de contrôle heartbeat et les tâches cron font travailler les agents en votre absence. La génération d’images passe par des plugins officiels pour Qwen-Image ou GPT Image 2.

Canaux

La couverture est la plus forte pour les plateformes chinoises : DingTalk, Feishu, WeChat et QQ, aux côtés de Telegram, Discord et Slack. iMessage ne fonctionne que sur un Mac avec un utilitaire tiers et l’accès complet au disque, ce qui est un accès étendu à accorder. Il n’y a pas de canal WhatsApp (documentation des canaux).

Pour qui

QwenPaw convient à ceux qui veulent un agent auto-hébergé fonctionnant entièrement sur des modèles locaux, aux utilisateurs de DingTalk, Feishu, WeChat ou QQ, et à quiconque veut une petite équipe d’agents spécialisés sur une seule machine. C’est un choix moins pertinent si vous avez besoin de WhatsApp, ou voulez un sandbox activé sans toucher aux réglages.

Comment il se compare

• nanobot est l’équivalent le plus proche : Python, MIT, une WebUI soignée, des modèles locaux et aucune télémétrie par défaut, même si son sandbox shell est lui aussi désactivé par défaut.
• ZeroClaw active son sandbox de l’OS dans le profil recommandé et n’envoie aucune télémétrie, mais sa configuration est un fichier TOML.
• OpenClaw a l’écosystème le plus large et prend en charge WhatsApp, avec le sandboxing désactivé par défaut.

Consultez le meilleur agent IA local et les alternatives à OpenClaw pour en savoir plus.