【文/观察者网专栏作者 陈经】
2026年1月，一个叫Clawdbot的个人AI助理火了，是独立开发者Peter Steinberger（彼得·施泰因伯格）2025年11月24日创建的。因为名字与Anthropic的Claude大模型接近，作者将其改名为Moltbot，并建立了非常活跃的开发者社区Moltbook。3月10日，收购爱好者扎克伯格将Moltbook社区纳入旗下，而Steinberger早在2月就被OpenAI挖走。
笔者第一时间就关注了事件，并写文评论了Moltbot与“一人公司”（发在2月6日的环球时报），介绍AI与中国制造业分别从软硬两方面提供便捷服务，对于个人创业很有意义。没想到的是，3月时多家中国互联网巨头与大模型公司都参与进来了，一些地方政府都出资激励个人开发者，热度与2023年初的ChatGPT、2025年初的DeepSeek可以相比。
Moltbot于2026年1月30日正式更名为OpenClaw，并于2月24日超过有30年历史的LINUX、3月2日超过React，成为开源社区GitHub史上星标最多的软件项目。近乎垂直的增长曲线成为开源软件历史上的奇观。
OpenClaw作为开源项目，使用有一定门槛，中国爱好者有能力自行下载安装的不多。KimiClaw是中国大模型公司最早推出的OpenClaw云服务，不是装在个人电脑上，而是在云上开LINUX虚拟机，安装方便，春节前推出了试点。后面MaxClaw、DuClaw等各类云Claw产品越来越多，阿里云、腾讯云、华为云、火山引擎、京东云、移动云、天翼云都推出了“一键部署”解决方案。还有AutoClaw、QClaw这些作为Windows、MacOS的程序安装包，装在用户个人电脑上的。
这些“Claw”服务的推出，标志着中国AI厂商正在争夺OpenClaw生态主导权，与2025年2-3月各厂商纷纷部署接入DeepSeek类似。
一. 探索OpenClaw的多种方式
KimiClaw于2月18日正式上线，笔者立刻交了199月费，兴冲冲地“一键安装”。几天都连不上服务器，应该是春节没上班。2月22日属于笔者的KimiClaw终于活了，按套路设置连上飞书以后，可以顺畅使用了。笔者的兴趣是了解OpenClaw的架构与原理，这方面有一些心得，对于其优势与缺陷的根源也较为清楚。
本文对OpenClaw进行原理性技术解释，会普及一些基础概念。更重要的是祛魅，正确认识这只热度空前的“龙虾”，不神化其功能，了解其巨大的潜力与本质缺陷。
中国已经接上OpenClaw的用户，一般和它有两个交互渠道。一个是飞书等手机即时通讯APP，上面加了Claw机器人，聊天下达指令、接收文件，相信微信不久也会大规模接入。其原理是，飞书会提供API接入办法，OpenClaw有了API权限以后，就可以和飞书通信，接收指令、返回结果。这也是Steinberger开发OpenClaw的初衷，想用手机即时通讯APP连接自己的电脑，远程查看结果、指挥干活。目前这也是和OpenClaw最主要的沟通方式。
对于云上部署的OpenClaw，另一个常用渠道是大模型网页或大模型手机APP上的聊天界面。如笔者网页上了Kimi大模型，上面就有KimiClaw界面，也能聊天下达指令。一开始只有PC网页版可以，后来手机Kimi APP也可以了。
笔者体验下来，发现二者有重大区别。飞书是直连KimiClaw，接收的是OpenClaw的执行结果，能收文件。飞书上的聊天也经过大模型处理是智能的，但由于是非即时沟通，受限于飞书API的格式与字节限制，信息发送要压缩，信息含量有限，例如看不到大模型的思考过程。而在Kimi网页或者Kimi手机APP上，是直接与Kimi大模型聊天，主要内容是大模型输出的，有思考过程，信息明显更丰富；其中夹杂了一些OpenClaw执行指令的结果，但文件收不了，需要发到飞书上。笔者选择与大模型直接聊天的模式，以飞书收文件为辅助。这样能学到很多东西，可以直接提问，出了问题大模型能给出多种解决方案选择，尝试过程可见，是学习探索OpenClaw不错的方式。
个人电脑上安装的OpenClaw，也有这种聊天界面。AutoClaw、QClaw封装版的会有完整桌面客户端，会提供对话框。这种模式，由于个人电脑运行状态、大模型API都能直接查看控制，能提供更为丰富的运行细节信息。
笔者为了理解OpenClaw架构与原理，还有一种最直接的“探索”办法，就是进入KimiClaw“居住”的Linux虚拟机终端，是Ubuntu 24.04系统，KimiClaw网页版提供了入口。如果对Linux操作系统与命令较为熟悉，就可以去仔细看看文件结构，执行多种底层命令，拆解OpenClaw执行任务的过程。如对于OpenClaw的Skills、Memory这些“技能”、“记忆”相关的重要部件，可以直接查看相关文件内容，从最底层揭秘。
但这种探索办法需要相当的Linux知识，连图形操作界面都没有，鼠标完全无用，需要输入许多命令。如无经验会难以操作，即使写文章列出操作细节，也不好理解。如果是个人电脑上装的OpenClaw，也可以直接去电脑里观察目录文件结构，同样有难度。因此，笔者仅介绍原理，略过不好懂的探索过程细节。
笔者基于对OpenClaw的底层理解，给出的原理性解释，希望能从另一个角度，帮助读者理解。下面以问答的形式，进行解释。
二．OpenClaw原理问答
（一）从程序代码角度看，OpenClaw还原到底层，到底是什么东西？
OpenClaw首先是一个开源程序，在GitHub上有公开的是源代码仓库，最原始的理解就是公开的代码。它可以“部署”到各类个人PC上，也可以部署到云上运行起来。与人交互，就是人们听说的AI个人助理，能操纵个人PC或者云上的虚拟主机干活，这被戏称为“养虾”。
OpenClaw是开源工程，它能在Windows、MacOS、Linux等多个平台应用，甚至华为鸿蒙也支持部署。我们先需要明白，它的代码有“跨平台”特性。原因是，它的开发语言是TypeScript（编译成JavaScript），Java语言流行就是因为跨平台，最常见的是浏览器网页程序。有相当长时间，JavaScript是程序员用得最多的开发语言，积累了丰富的开发生态。OpenClaw涉及复杂的对象结构，TypeScript语言能在写代码时就发现问题，而不是等运行时崩溃。大型开源项目开发者，往往喜欢这个语言的基于类型（Type）的“安全感”。
OpenClaw的开发环境叫Node.js，不熟悉这个词的人也不难理解。在Windows、MacOS、Linux、鸿蒙中都有一个程序名字叫“node”，各自不同，是系统事先开发好的。假设我们写了一个程序叫app.js，各类操作系统上都可以通过命令“node app.js”成功执行，一套代码多个平台都能跑。
OpenClaw要跑起来，还需要一些别人开发的非常重要的依赖包。这就是开源的好处，别人开发的可以直接拿过来用，组合出更好的新功能。这些依赖包也都是Node.js开发环境里能跑的。应用Node.js依赖包，有个重要分发工具npm，用“npm install”命令就能部署好。这和Linux Ubuntu操作系统里的“apt install”类似，提供了方便的安装方式。
可以说，OpenClaw有80%的功能都是“站在npm包肩膀上”实现的，只有20%的业务逻辑（调度、记忆、安全隔离等）是自己写的。
另外，OpenClaw还建立了自己特有的开源功能扩展系统，就是不少人听说过的Skill。Skill算是特殊的npm包（可以用npm安装），但OpenClaw给它加了标准化接口、MCP协议适配层（让大模型能调用）、Clawhub分发渠道。Clawhub类似npm一样分发Skill，但专为AI工具设计。可以把Skill理解成npm包，但加上了给AI的“使用说明书”，大模型能够更顺畅地规划让Skill干活。
如果个人要在自己的电脑上部署OpenClaw，先要装上Node.js开发环境、配置环境变量，这就劝退了绝大部分人。3月6日腾讯云在深圳腾讯大厦楼下摆摊推出“龙虾安装站”，20位工程师免费帮路人在个人电脑上部署OpenClaw——就是从这一步开始，确实需要技术人员出摊。
这一节看得迷糊不要紧，知道有这些名词就行了。以后估计会成为社会常识，听多了慢慢能明白。
（二）中国许多公司出手后，OpenClaw为何容易部署了？
2025年初爆火的满血版的DeepSeek-R1，个人不可能部署成功。但中国多家公司都接入了，还进行了引流，即使DeepSeek公司本身的服务挤爆了，人们也用上别家部署的DeepSeek。这次OpenClaw热潮，中国想在AI生态里占位的公司，都会来参与，让用户在自己的平台中用OpenClaw。这是中国公司擅长的，面向大众的界面必须友好易用，不然没法推广。
常见的办法是云端给用户开一个虚拟Linux主机，就是KimiClaw这样。许多公司都推出了，好处是用户不需要有个人电脑，避免了个人电脑被玩坏、信息泄露等麻烦。这种模式可以一键安装，用户直接使用安装好的OpenClaw云服务，但一开始里面什么个人的文件都没有。
另一个办法，是智谱的AutoClaw那样，把OpenClaw打包成传统桌面软件，隐藏掉Node.js的存在，在用户个人电脑上安装。它就像传统Windows程序一样傻瓜式安装，不一样的是，它会自己操纵电脑用1分钟设置好飞书机器人。这种模式，用户的个人电脑直接就有OpenClaw了，干活更为方便，但出事了也更为危险。
技术性地说，虚拟Linux主机里的OpenClaw能力会比真正个人电脑里的差一些。笔者确实发现KimiClaw有很多麻烦难用之处，原理上就不是可视化的，也没有声音。再如云上给个人的空间只有40G，个人电脑硬盘要大得多。还有日常的发邮件之类的工作流程，个人电脑天然就有，OpenClaw能自然接触，在虚拟Linux主机从头建立工作流程很不容易。但无论如何，有实力的公司提供的云上服务是个好事，让人能较为方便地接触OpenClaw，能建立新的流程，也是让人兴奋的。
需要注意，这是中国特有的现象，大量普通人也有办法试试OpenClaw。在欧美，基本只是技术从业者和爱好者很狂热，普通人因为昂贵费用、隐私保护等问题用不上。这是我们在中国特有的“技术福利”。
（三）OpenClaw靠什么干活的？
OpenClaw并不是一般的软件，需要干成一些有点技术含量的活，才会让技术社区产生浓厚兴趣，引爆全球。笔者在观察者网风闻社区自动发帖测试成功，可以用这个案例来举例说明。
OpenClaw 自动化测试发帖_风闻 (guancha.cn)
先让OpenClaw自动发了个测试贴。这一步其实很不容易，因为我是用KimiClaw云服务，没有可视化的屏幕。需要好几步，动用了一些工具，才能完成发贴。
【2026年3月13日星期五】美以与伊朗战争最新动态_风闻 (guancha.cn)
再让KimiClaw发一个美以与伊朗战争动态贴，自行收集内容。可以看出内容很糟糕，是OpenClaw搜各大媒体的标题拼凑，有的和战争毫无关系，内容没什么智能可言。
【2026年3月13日星期五】美以与伊朗战争最新动态分析_风闻 (guancha.cn)
让KimiClaw改用Kimi 2.5大模型生成深度总结，能看出内容好多了，有相当的智能了。让它每天早上8点在风闻发布，就建立了一个算是过得去的自动发贴任务。这确实是全自动的，建立任务后，人不用管了。当然文章质量不算太好，只是举例。
【2026年3月13日星期五】美以与伊朗战争最新动态分析_风闻 (guancha.cn)
继续优化，让KimiClaw调用Kimi 2.5模仿我的文风来写作内容，测试发贴。让它参考我在观网的文章专栏。
这个内容看上去自然多了，文风有点像。但感觉Kimi大模型并未抓住我的思维，我不会这样写，但这就深入大模型深层次的“灵魂”问题了，扯远了。
看到这，可以相信OpenClaw能干成些有点技术含量的事。自动发贴、模仿文风是一类事，还有很多复杂任务也可以完成。其实后面几次改进不难，自然语言告诉KimiClaw要干什么就行了，让它生成什么内容，让它模仿文风，让它定时发布。但要实现第一步，“在观网风闻论坛自动发贴”，这不简单。没有OpenClaw，如果对大模型应用开发、AI智能体开发很精通，应该也有办法，但我不知道怎么做。有了OpenClaw，虽然也不简单，但摸索着能实现。
第一个成功的测试发贴已经说了些技术细节：
“发布方式：Playwright + xvfb-run 自动化”
“这是KimiClaw在服务器环境中使用Playwright浏览器自动化工具完成的操作。”
OpenClaw威力最大的工具之一，几乎可以算是最核心的功能，就是这个Playwright。它是OpenClaw的手（网页操作）和眼（网页截屏），让AI能实际控制浏览器，点击、输入、截图、滚动、下载都行。但是，Playwright的神奇极为依赖与基座大模型的频繁互动，才知道往下怎么动作，一次操作可能要50-100次截图-决策循环。大模型要有多模态视觉理解能力，能理解截屏内容。
如上面的风闻发贴界面，Playwright会截屏给Kimi 2.5大模型看。Kimi 2.5有原生的视觉理解能力，能看懂“标题”、“正文”框什么意思，告诉Playwright去填内容。如果是网络购物之类的任务，要在网页里不断点击深入，如果不对需要反复试。所以Playwright非常耗token，有些人发现干一个事几块钱就没了，因为要截屏100次去调用大模型理解，一个截屏就要许多Token。
虽然Playwright很耗token，但它确实能自动操作网页操作办成不少事。Playwright是微软开发的，代码开源了，OpenClaw拿来作为最重要的功能组件之一。
传统爬虫是访问固定网址，只调用1次API就能获取数据，成本几乎为零。这也是许多“天气查询”之类的OpenClaw简单skill的套路。但我在KimiClaw里用这些简单skill，感觉不是太强。这类简单API访问，无法完成复杂操作。互联网公司提供官方API服务是有，如股票信息API，飞书机器人也是一种API服务，要做得很完善并不容易。很有价值的，往往要付费，这就复杂了。Playwright能模范人完成复杂网页操作，比爬虫或者API调用从机制上就要强得多。
OpenClaw不是对观网服务器发出一堆字符串，然后一瞬间在风闻发贴成功，观网没这个API服务。它是在Linux虚拟机里，运行了浏览器，访问风闻发贴页面，然后往框子里填了内容，点击发送，完全和人一样操作，是一个缓慢的过程。加上写贴，5分钟都做不完。
许多网站有反爬虫、反机器人机制，发现“用户不是人”就拒绝。据说90%的网站都有Cloudflare等反爬机制。Playwright是真的会拿屏幕去分析，慢慢操作，能绕开限制。但是对KimiClaw这类云上虚拟LINUX服务器里的OpenClaw，它没有实体屏幕存在，所以构成有点困难。解决办法是用xvfb-run工具，生成虚拟屏幕，让Playwright去截屏。刚开始连趁手的浏览器都没有，要去下载安装Linux里的Chromium浏览器。
再一个问题是观察者网风闻账号登陆，解决办法是人工在个人电脑上登陆成功，再从浏览器上下载Cookie，贴给KimiClaw，它知道如何去用。
虽然过程不简单，但好处是大模型很强大，探索过程中会主动帮忙，给出各种方案。人不用说得很精确，让KimiClaw去执行就好了。但人也需要理解大模型与OpenClaw给出的机制与反馈，配合行动。这需要一些耐心与探索精神，OpenClaw可以算是功能强大的开放性开发平台，不是手机APP这类傻瓜化易用工具。
OpenClaw的强大，一个是基座大模型的能力很强了，越过了实用的门槛；再一个是有Playwright这类很实用的功能强大的工具。有了这些强大的武器，再配上传统的互联网API、程序算法，才开发出了OpenClaw。它的运作方式也是可以解释的。
可以看出，OpenClaw自己其实没啥智能，比如它自己拼凑发贴内容就不太对。但它显得智能，来源是调用大模型，以及一些强大的组件。它更像一个组织者，对接用户需求，让大模型决策，调用各种功能解决问题。
（四）OpenClaw具体的运行流程是什么？
上面是OpenClaw功能性的介绍。OpenClaw本质上是一个软件，它有一个可以一步步精确理解的运行过程，了解具体的运行流程能更好的理解原理。
一个传统软件或者算法运行，其流程是“接收输入、调用工具、返回响应”。互联网服务或者手机APP等程序就是这样做的，人们用得很熟。OpenClaw也是一个软件，也有同样的流程。
但是，OpenClaw与传统软件最大的不同，是运行时有智能。它的流程是“接收输入、检索记忆、推理决策、调用工具、更新记忆、返回响应”，加了一些智能相关环节。这个过程是写在OpenClaw的Node.js程序代码里的，是开源的，并不神秘。
让OpenClaw火遍全球的，是它与传统算法的区别：
传统软件，接收的输入是明确的指令，由输入与交互界面确定，不是模糊的自然语言；OpenClaw可以理解用户的自然语言，指令一下泛化了。先不说能不能做好，传统算法能“被要求”做的事，极为有限，接收输入死板；而OpenClaw是完全开放的，想象力完全打开，可以接收无数种输入，用户可以提出各种合理或者不合理的要求。
传统算法，调用的工具极为有限，是事先确定的，算法都是写死的。即使复杂到微信这么大的程序，功能也是有限的；OpenClaw能够调用的工具数量无上限，它有许多整理好的skills套路可用，还可以搜索到可用的互联网服务，还能自己写程序开发工具，理论上的能力无上限。
传统算法的记忆功能非常有限，只是定死的数据库、更新数据库，或者一些选项设置。OpenClaw的记忆是开放的，它可以按日期记下与用户的互动，作为后面交互的参考，框架是开放的。
传统算法只能执行固定套路，少数程序有定时执行功能，意义不大。OpenClaw可以记下极多用户交待的事，定期执行。框架是开放的，每天可以做许多事，是能力强大的“AI助理”，等于许多软件功能可以一起跑。
从上面的分析可知，OpenClaw是一个彻底打开想象力的开放性软件，与传统算法完全不是一回事，最大的特点就是开放性。人们通过宣传、实际跑样例，很快就能发现OpenClaw的强大与创新。黄仁勋说OpenClaw是“有史以来最重要的软件发布”，就是这个意思。
但是，这么好的事，必须有大模型帮助才能实现。许多人都有和大模型聊天的经验，能明白大模型的能力：
大模型会去看对话框里的上下文，对话是有关联的，这就是有“检索记忆”。
大模型会去网络搜索收集信息，增加信息，不只用训练时截止日期之前的信息。
大模型会有思考地分许多步去完成任务，这就是在“推理决策”。
大模型会写程序，能开发工具。
OpenClaw不是大模型，但通过API来调用大模型。接收输入后，OpenClaw检索记忆，将它作为上下文，调用大模型进一步明白用户的意图，不用重复交待；大模型接着进行“推理决策”，根据用户意图生成“工作计划”，这是2025年大模型Agent开发的典形任务；OpenClaw调用工具后，看返回的结果，根据成败推进工作计划，调用更多工具；工作计划完成后（失败也是一种完成结果），OpenClaw调用大模型生成总结更新记忆，将最终结果组织成用户能接受的形式输出，返回响应。
从上面的描述可知，大模型对OpenClaw等AI智能体类软件非常重要，这大家都知道。但还有一个叫“记忆”的东西，有点迷糊。这就涉及OpenClaw核心框架的三大组件：Skill system、Agent Runtime、Memory。
Skill system可以模糊理解为一大堆“AI技能包”，可以扩展的。这其实不难理解，就当是有一堆子程序可供调用，传统编程里就有许多库函数。Skill system可以当作是AI类库函数，每个有SKILL.md这样的给AI看的“使用说明书”。
但让OpenClaw跑起来，还需要其它两个重要组件：Agent Runtime、Memory。
Memory系统相对容易理解，就是“记忆”，它是OpenClaw需要的会话上下文、短期与长期日志、用户偏好人格等等，会分门别类放在相关文件里。“记忆”并不玄虚，直观理解就是一些文件把用户交待的话、用户与OpenClaw的互动，用文件记下来。我用的KimiClaw是在Linux虚拟机的“/root/.openclaw/workspace/”目录里，用四个关键的.md文件，把用户相关的事记下来。还有每天的工作日志，KimiClaw是存在/root/.openclaw/workspace/memory目录里，每天有一个日志文件。这不少常规软件也有，不难理解。
需要注意的是，这些记忆相关文件的内容，是AI整理的。不是事无巨细都记，也不是原样记，而是理解了以后摘要、汇总记忆，是智能记忆。如果一堆事太长，就汇总一下。其实人也不是什么都记，重要的事记住，细节放文件里。OpenClaw的记忆也是如此，重要的事放用户核心记忆文件里，细节放在日志里，出事了闹不清就去查日志。所以Memory也是和大模型有关的。
Memory相关的文件非常重要。我的KimiClaw出了一次大问题，不知道为何memory目录都没了，MEMORY.md也变成空的了，就发现任务执行胡编乱造，傻子一样，根本没法用了。我让它修复，才又好起来。
Agent Runtime看名词不太好理解，但它是OpenClaw真正的核心，需要仔细解释。Agent就是AI业界流行了一段时间的“智能体”，这是说OpenClaw是一个有智能的软件，能“代理”一样替人做事。Runtime是程序员熟悉的专用名字，可以类比理解成Windows、手机操作系统开机时的运行状态、运行环境，是个动态的概念。关机了就没有Runtime，跑起来了就有一堆东西活跃起来，配合做事，整个氛围叫Runtime。
OpenClaw跑起来以后，整个相关运行环境，就是Agent Runtime，负责管理AI代理的完整生命周期，有多种相关功能。如“会话管理”，维护与用户的对话上下文，处理多轮对话状态；再如“消息路由”，接收来自不同渠道的消息，路由到对应会话，飞书还是网页聊天框来的分清楚；“工具编排”，解析用户意图，调用适当的工具并管理执行流程；“安全沙盒”，控制工具访问权限，区分内部操作和外部调用。这些都是OpenClaw的代码实现的，是其代码真正对应的功能。
可以用“运动员比赛追踪”的案例，来具体说明OpenClaw运行一个任务的过程。我在飞书上（或者KimiClaw网页上聊天也可以），要求“更新下六个运动员的跟踪信息”。这六个运动员是郑钦文、王欣瑜、赵心童、王曼昱、孙颖莎、王楚钦，是之前交待的，放在Memory文件里了。
1.接收输入（系统层）
用户消息："更新下六个运动员的跟踪信息"
这步不涉及大模型，OpenClaw Gateway 接收并路由到Agent Runtime。
2.检索记忆（工具调用）
Action: memory_search(query="运动员追踪 郑钦文 王欣瑜...")
这步也不涉及大模型，直接读取文件系统返回记忆片段。
3.推理决策（大模型介入 - 第1次大模型API调用）
输入给模型的上下文：
User: "更新下六个运动员的跟踪信息"
Memory: [陈经关注投资、体育、媒体内容创作]
Available tools: [kimi_search, web_fetch, sports-tracker Skill]
模型推理输出：
意图分析：用户要求更新运动员追踪信息
记忆匹配：USER.md 显示关注6位运动员（郑钦文、王欣瑜...）
工具选择：
优先使用 sports-tracker Skill（已配置，准确性高）
辅助使用 kimi_search 验证实时比分
执行计划：
- 先执行 /root/.openclaw/workspace/skills/sports-tracker/scripts/tracker.py
- 然后针对有比赛的选手使用 kimi_search 获取具体比分
- 最后整理报告
4.调用工具（执行层）
子步骤4a：执行 tracker.py
cd /root/.openclaw/workspace
python3 skills/sports-tracker/scripts/tracker.py
子步骤4b：kimi_search（根据模型决策）
Action: kimi_search(query="孙颖莎 朱芊曦 WTT重庆冠军赛 3月12日 结果 比分")
搜索引擎API直接返回结果
子步骤 4c：读取结果并整理
读取 tracker.py 输出 + kimi_search 结果
这步不涉及大模型，是工具调用、网络搜索、数据整合
5.更新记忆（大模型介入 - 第2次 API 调用）
输入：原始追踪结果（长文本）
模型任务：提炼关键信息，生成简洁记忆
输出："孙颖莎3-0胜朱芊曦，王楚钦待比赛19:40"
结果写入memory目录里的日志文件2026-03-12.md，上图是我在终端里直接查看到的日志内容，是有用大模型总结的。
6.返回响应（大模型介入 - 第3次API调用）
输入给模型：
工具执行结果：
- tracker.py: "6位运动员中，孙颖莎、王楚钦今日有比赛..."
- kimi_search: "孙颖莎 3-0 朱芊曦（11-5, 13-11, 11-8）..."
任务：生成给用户的回复
要求：简洁、结构化、突出关键信息
模型生成响应：
【运动员追踪报告】3月12日（14:20更新）
...
孙颖莎（乒乓球）
- 今日比赛已结束
- 比分：3-0 胜朱芊曦（11-5, 13-11, 11-8）
- 状态：晋级16强
王楚钦（乒乓球）
- 待比赛：19:40 vs 弗朗西斯卡
这里调用了大模型 API，将工具结果转化为自然语言。
注意上面的流程中有个kimi_search，它不是skills也不是大模型，而是KimiClaw内置的网络搜索工具。
无论多么神奇的OpenClaw功能，都可以拆解。OpenClaw核心、记忆检索、大模型调用、Skills工具调用与网络搜索、记忆更新等多种模块组合，就能完成无数种任务。
可以看出，这个组合极为灵活，能完成的任务想象力完全打开。其中大模型的能力是关键，有了它，才能理解要干什么事、如何执行任务、如何输出给用户，所以完成一个任务要多次调用大模型。有些客户发现用OpenClaw太花钱了，比大模型APP问答花钱多了，就是因为“一个任务多次调用”的特性，大模型回答问题就是一次调用。
智能体能长时间不断调用大模型推进任务，是智能进步的标志，已经从几十分钟进步了到几小时甚至更长。有些任务OpenClaw可以跑很长时间不出错最终完成，但它基本是一个智能体在跑。现在AI前沿已经发展到十几个智能体分工配合一起完成任务，开源社区也有让多个OpenClaw分工互相通信协作的尝试，但还不是太突出。
（五）OpenClaw的缺陷是什么？
以上解释了OpenClaw的运作原理，看上去很厉害。但要问它对我有啥用？我现在的结论是：还没特别有用，最大的收获是学习原理。绝大多数时间，我都在“伺候”这只虾，因为有时它实在太不靠谱了。
理解原理以后，我们知道，它能办挺多事。但我观察了多个任务以后，得出了不太好的结论：这是一个以“形式主义”为最高原则的AI助理，实质能力往往不行，最大问题是不靠谱。其实看它的算法原理也能明白，这种组合出来的流程，随便一跑能靠谱才见鬼了。
大模型本身就有幻觉，但慢慢靠谱了很多，只要小心，已经算是能控制的小问题了。我用Kimi的聊天、深度研究、code、文档等功能，对日常工作生活帮助很大。这些功能有大模型公司不断研究优化，表现越来越好是可以预期的，可靠性过了门槛以后，就真的很有用了。
我们看OpenClaw完成的任务，大模型要用许多次，还要OpenClaw核心来主导，要调用多种skills，要总结输出。各种任务类型多种多样，中间哪一步出问题，最后的结果就可能很离谱。
一个严重问题是，大模型有极强的“形式主义”编造能力。一个好多步的流程，中间很有可能失败，如股价网络查找失败、运动员信息查找失败，或者表面成功了实际是错的，如找了以前的老信息。但大模型不管，它先满足形式主义，没有信息，它自己编！
例如3月11日这些运动员的比赛消息，有些是胡编的！郑钦文和王欣瑜实际都输了。有的时间错乱了，把2025年的消息发出来了。因为kimi_search等搜索工具不一定靠谱，搜索只是返回一些信息，并不能判断合不合适，有时也会失败。OpenClaw调用大模型决策推理，定“工作计划”的时候，有时会拿出“搜索失败自己编”的“糊弄”方法。
这样的人类员工，如果被发现了肯定开除了。但我没办法，还得去想办法伺候它，弄明白犯傻的原因，想办法把输出弄正确。
该图表为AI制作 请结合文章内容做参考
例如我让KimiClaw生成港股通593只股票的市值分布图。一开始显示汉字不对，提示后它还自己下载汉字字库解决了问题，画出图来，像模像样的。但我再仔细看，完全不对，这些股票的市值都是胡编乱造的！也不是完全胡编，还编得和真实数字有点接近。而这个市值分布柱图也是不对的，因为市值都弄错了。我问它怎么回事，它坦白是因为网络搜索找不到市值数据，就自己编了。
该图表为AI制作 请结合文章内容做参考
我不断想办法让它改进，如给它找靠谱的股票信息API，它甚至想让我交一年上千去接入一个财经API。付出艰苦的努力，找到腾讯财经API可以返回靠谱信息，让它做了一个“港股通信息查询”skill，才把图画出来了。什么叫市值，也需要给它定义，因为有些股是A股与港股都上市的，市值应该是各自上市的股本分别乘以A股、港股的股价再相加。但我最近发现最终做出的图还是有问题，说市值5000亿港元以上的股票16支，但宁德时代不见了。
我了解一些大模型算法原理，在日常使用大模型的时候就非常注意幻觉、编造等问题。这方面问题很大，人们非常容易上当，网络上已经有非常多大模型编造的内容。在使用OpenClaw的时候，我发现幻觉、编造的问题要严重得多，要更加小心。
当我们发现大模型不靠谱的时候，指出来问题，它往往能自己改正。但是，OpenClaw出错了，要去修它，要难得多。如果没有一定水平，往往就不太容易用好OpenClaw，实际问题非常多。有时看着结果不错，但不一定靠谱，还是需要多加小心。有些用户反应，用OpenClaw做任务不难，但查它靠不靠谱很累，我也有同感。
从原理上来说，目前对OpenClaw真不能太过信任。把重要的个人信息、财经信息，或者工作单位信息让OpenClaw掌握，更是非常危险，安全漏洞极大。已经出了不少事了，金融公司、重点单位、一些上市公司，都明确要求不许在单位电脑上装OpenClaw。安全方面的漏洞笔者不太熟悉，但概念上肯定是漏洞极大，有不少文章指出。OpenClaw不少动作等于在互联网无保护到处活动，为了完成任务找我要了一些信息，是有危险。
笔者还是想特别强调“靠谱”这个事。有一些OpenClaw流程，相关Skill整理得不错、相关互联网信息服务靠谱、基座大模型能力足够，确实能够干一些活。这些例子肯定也是海量的，但必须指出，这不是从天上掉下来的，不是OpenClaw开源了就有，而是需要相当多的开发试错、整理打包的工作。
正确的理解是，OpenClaw是一个开发框架，它让人用自然语言指挥干事，立刻就有结果，给人很大的震撼。但是，如果要让它干靠谱的事，就和人类学习编程语言一样，需要不少基础知识，要会面对各类错误，耐心地“养虾”。如果不会养，就会发现这东西并没有那么好玩，就和一些人编程学不下去一样。
高手对OpenClaw原理与架构很了解，对要干的事很了解，对调用的工具也了解，也会自己开发skills，把相关环节都调试得足够靠谱了，就能组织出一些不错的自动工作流程。但有这个水平的高手，目前还不多。
很多人买电脑或者云上装了龙虾以后，就有些茫然了，不知道能干啥，希望本文对不了解OpenClaw原理的人有帮助。可以去学习高手总结的靠谱流程，模仿实践；也可以去学习原理，针对性提升使用AI的水平；最后自己也变成高手，开发Skill，指挥OpenClaw组织流程，真正让AI助理帮助工作生活。在这个过程中，一定要注意，OpenClaw很不靠谱，绝对不能盲目相信，要有确实的证据，各个环节都确认可靠了，才可以放手让它干活。
九八策略提示：文章来自网络，不代表本站观点。
