以我的親身體驗,談談如何正確理解"養蝦"
2026年1月，壹個叫Clawdbot的個人AI助理火了，是獨立開發者Peter Steinberger（彼得·施泰因伯格）2025年11月24日創建的。因為名字與Anthropic的Claude大模型接近，作者將其改名為Moltbot，並建立了非常活躍的開發者社區Moltbook。3月10日，收購愛好者扎克伯格將Moltbook社區納入旗下，而Steinberger早在2月就被OpenAI挖走。
筆者第壹時間就關注了事件，並寫文評論了Moltbot與“壹人公司”（發在2月6日的環球時報），介紹AI與中國制造業分別從軟硬兩方面提供便捷服務，對於個人創業很有意義。沒想到的是，3月時多家中國互聯網巨頭與大模型公司都參與進來了，壹些地方政府都出資激勵個人開發者，熱度與2023年初的ChatGPT、2025年初的DeepSeek可以相比。
Moltbot於2026年1月30日正式更名為OpenClaw，並於2月24日超過有30年歷史的LINUX、3月2日超過React，成為開源社區GitHub史上星標最多的軟件項目。近乎垂直的增長曲線成為開源軟件歷史上的奇觀。
OpenClaw作為開源項目，使用有壹定門檻，中國愛好者有能力自行下載安裝的不多。KimiClaw是中國大模型公司最早推出的OpenClaw雲服務，不是裝在個人電腦上，而是在雲上開LINUX虛擬機，安裝方便，春節前推出了試點。後面MaxClaw、DuClaw等各類雲Claw產品越來越多，阿裡雲、騰訊雲、華為(专题)雲、火山引擎、京東雲、移動雲、天翼雲都推出了“壹鍵部署”解決方案。還有AutoClaw、QClaw這些作為Windows、MacOS的程序安裝包，裝在用戶個人電腦上的。
這些“Claw”服務的推出，標志著中國AI廠商正在爭奪OpenClaw生態主導權，與2025年2-3月各廠商紛紛部署接入DeepSeek類似。
壹. 探索OpenClaw的多種方式
KimiClaw於2月18日正式上線，筆者立刻交了199月費，興沖沖地“壹鍵安裝”。幾天都連不上服務器，應該是春節沒上班。2月22日屬於筆者的KimiClaw終於活了，按套路設置連上飛書以後，可以順暢使用了。筆者的興趣是了解OpenClaw的架構與原理，這方面有壹些心得，對於其優勢與缺陷的根源也較為清楚。
本文對OpenClaw進行原理性技術解釋，會普及壹些基礎概念。更重要的是祛魅，正確認識這只熱度空前的“龍蝦”，不神化其功能，了解其巨大的潛力與本質缺陷。
中國已經接上OpenClaw的用戶，壹般和它有兩個交互渠道。壹個是飛書等手機即時通訊APP，上面加了Claw機器人，聊天下達指令、接收文件，相信微信不久也會大規模接入。其原理是，飛書會提供API接入辦法，OpenClaw有了API權限以後，就可以和飛書通信，接收指令、返回結果。這也是Steinberger開發OpenClaw的初衷，想用手機即時通訊APP連接自己的電腦，遠程查看結果、指揮幹活。目前這也是和OpenClaw最主要的溝通方式。
對於雲上部署的OpenClaw，另壹個常用渠道是大模型網頁或大模型手機APP上的聊天界面。如筆者網頁上了Kimi大模型，上面就有KimiClaw界面，也能聊天下達指令。壹開始只有PC網頁版可以，後來手機Kimi APP也可以了。
筆者體驗下來，發現贰者有重大區別。飛書是直連KimiClaw，接收的是OpenClaw的執行結果，能收文件。飛書上的聊天也經過大模型處理是智能的，但由於是非即時溝通，受限於飛書API的格式與字節限制，信息發送要壓縮，信息含量有限，例如看不到大模型的思考過程。而在Kimi網頁或者Kimi手機APP上，是直接與Kimi大模型聊天，主要內容是大模型輸出的，有思考過程，信息明顯更豐富；其中夾雜了壹些OpenClaw執行指令的結果，但文件收不了，需要發到飛書上。筆者選擇與大模型直接聊天的模式，以飛書收文件為輔助。這樣能學到很多東西，可以直接提問，出了問題大模型能給出多種解決方案選擇，嘗試過程可見，是學習探索OpenClaw不錯的方式。
個人電腦上安裝的OpenClaw，也有這種聊天界面。AutoClaw、QClaw封裝版的會有完整桌面客戶端，會提供對話框。這種模式，由於個人電腦運行狀態、大模型API都能直接查看控制，能提供更為豐富的運行細節信息。
筆者為了理解OpenClaw架構與原理，還有壹種最直接的“探索”辦法，就是進入KimiClaw“居住”的Linux虛擬機終端，是Ubuntu 24.04系統，KimiClaw網頁版提供了入口。如果對Linux操作系統與命令較為熟悉，就可以去仔細看看文件結構，執行多種底層命令，拆解OpenClaw執行任務的過程。如對於OpenClaw的Skills、Memory這些“技能”、“記憶”相關的重要部件，可以直接查看相關文件內容，從最底層揭秘。
但這種探索辦法需要相當的Linux知識，連圖形操作界面都沒有，鼠標完全無用，需要輸入許多命令。如無經驗會難以操作，即使寫文章列出操作細節，也不好理解。如果是個人電腦上裝的OpenClaw，也可以直接去電腦裡觀察目錄文件結構，同樣有難度。因此，筆者僅介紹原理，略過不好懂的探索過程細節。
筆者基於對OpenClaw的底層理解，給出的原理性解釋，希望能從另壹個角度，幫助讀者理解。下面以問答的形式，進行解釋。
贰．OpenClaw原理問答
（壹）從程序代碼角度看，OpenClaw還原到底層，到底是什麼東西？
OpenClaw首先是壹個開源程序，在GitHub上有公開的是源代碼倉庫，最原始的理解就是公開的代碼。它可以“部署”到各類個人PC上，也可以部署到雲上運行起來。與人交互，就是人們聽說的AI個人助理，能操縱個人PC或者雲上的虛擬主機幹活，這被戲稱為“養蝦”。
OpenClaw是開源工程，它能在Windows、MacOS、Linux等多個平台應用，甚至華為鴻蒙也支持部署。我們先需要明白，它的代碼有“跨平台”特性。原因是，它的開發語言是Typescript（編譯成Javascript），Java語言流行就是因為跨平台，最常見的是瀏覽器網頁程序。有相當長時間，Javascript是程序員用得最多的開發語言，積累了豐富的開發生態。OpenClaw涉及復雜的對象結構，Typescript語言能在寫代碼時就發現問題，而不是等運行時崩潰。大型開源項目開發者，往往喜歡這個語言的基於類型（Type）的“安全感”。
OpenClaw的開發環境叫Node.js，不熟悉這個詞的人也不難理解。在Windows、MacOS、Linux、鴻蒙中都有壹個程序名字叫“node”，各自不同，是系統事先開發好的。假設我們寫了壹個程序叫app.js，各類操作系統上都可以通過命令“node app.js”成功執行，壹套代碼多個平台都能跑。
OpenClaw要跑起來，還需要壹些別人開發的非常重要的依賴包。這就是開源的好處，別人開發的可以直接拿過來用，組合出更好的新功能。這些依賴包也都是Node.js開發環境裡能跑的。應用Node.js依賴包，有個重要分發工具npm，用“npm install”命令就能部署好。這和Linux Ubuntu操作系統裡的“apt install”類似，提供了方便的安裝方式。
可以說，OpenClaw有80%的功能都是“站在npm包肩膀上”實現的，只有20%的業務邏輯（調度、記憶、安全隔離等）是自己寫的。
另外，OpenClaw還建立了自己特有的開源功能擴展系統，就是不少人聽說過的Skill。Skill算是特殊的npm包（可以用npm安裝），但OpenClaw給它加了標准化接口、MCP協議適配層（讓大模型能調用）、Clawhub分發渠道。Clawhub類似npm壹樣分發Skill，但專為AI工具設計。可以把Skill理解成npm包，但加上了給AI的“使用說明書”，大模型能夠更順暢地規劃讓Skill幹活。
如果個人要在自己的電腦上部署OpenClaw，先要裝上Node.js開發環境、配置環境變量，這就勸退了絕大部分人。3月6日騰訊雲在深圳騰訊大廈樓下擺攤推出“龍蝦安裝站”，20位工程師免費幫路人在個人電腦上部署OpenClaw——就是從這壹步開始，確實需要技術人員出攤。
這壹節看得迷糊不要緊，知道有這些名詞就行了。以後估計會成為社會常識，聽多了慢慢能明白。
（贰）中國許多公司出手後，OpenClaw為何容易部署了？
2025年初爆火的滿血版的DeepSeek-R1，個人不可能部署成功。但中國多家公司都接入了，還進行了引流，即使DeepSeek公司本身的服務擠爆了，人們也用上別家部署的DeepSeek。這次OpenClaw熱潮，中國想在AI生態裡占位的公司，都會來參與，讓用戶在自己的平台中用OpenClaw。這是中國公司擅長的，面向大眾的界面必須友好易用，不然沒法推廣。
常見的辦法是雲端給用戶開壹個虛擬Linux主機，就是KimiClaw這樣。許多公司都推出了，好處是用戶不需要有個人電腦，避免了個人電腦被玩壞、信息泄露等麻煩。這種模式可以壹鍵安裝，用戶直接使用安裝好的OpenClaw雲服務，但壹開始裡面什麼個人的文件都沒有。
另壹個辦法，是智譜的AutoClaw那樣，把OpenClaw打包成傳統桌面軟件，隱藏掉Node.js的存在，在用戶個人電腦上安裝。它就像傳統Windows程序壹樣傻瓜式安裝，不壹樣的是，它會自己操縱電腦用1分鍾設置好飛書機器人。這種模式，用戶的個人電腦直接就有OpenClaw了，幹活更為方便，但出事了也更為危險。
技術性地說，虛擬Linux主機裡的OpenClaw能力會比真正個人電腦裡的差壹些。筆者確實發現KimiClaw有很多麻煩難用之處，原理上就不是可視化的，也沒有聲音。再如雲上給個人的空間只有40G，個人電腦硬盤要大得多。還有日常的發郵件之類的工作流程，個人電腦天然就有，OpenClaw能自然接觸，在虛擬Linux主機從頭建立工作流程很不容易。但無論如何，有實力的公司提供的雲上服務是個好事，讓人能較為方便地接觸OpenClaw，能建立新的流程，也是讓人興奮的。
需要注意，這是中國特有的現象，大量普通人也有辦法試試OpenClaw。在歐美，基本只是技術從業者和愛好者很狂熱，普通人因為昂貴費用、隱私保護等問題用不上。這是我們在中國特有的“技術福利”。
（叁）OpenClaw靠什麼幹活的？
OpenClaw並不是壹般的軟件，需要幹成壹些有點技術含量的活，才會讓技術社區產生濃厚興趣，引爆全球。筆者在觀察者網風聞社區自動發帖測試成功，可以用這個案例來舉例說明。
OpenClaw 自動化測試發帖_風聞 (guancha.cn)
先讓OpenClaw自動發了個測試貼。這壹步其實很不容易，因為我是用KimiClaw雲服務，沒有可視化的屏幕。需要好幾步，動用了壹些工具，才能完成發貼。
【2026年3月13日星期伍】美以與伊朗(专题)戰爭最新動態_風聞 (guancha.cn)
再讓KimiClaw發壹個美以與伊朗戰爭動態貼，自行收集內容。可以看出內容很糟糕，是OpenClaw搜各大媒體的標題拼湊，有的和戰爭毫無關系，內容沒什麼智能可言。
【2026年3月13日星期伍】美以與伊朗戰爭最新動態分析_風聞 (guancha.cn)
讓KimiClaw改用Kimi 2.5大模型生成深度總結，能看出內容好多了，有相當的智能了。讓它每天早上8點在風聞發布，就建立了壹個算是過得去的自動發貼任務。這確實是全自動的，建立任務後，人不用管了。當然文章質量不算太好，只是舉例。
【2026年3月13日星期伍】美以與伊朗戰爭最新動態分析_風聞 (guancha.cn)
繼續優化，讓KimiClaw調用Kimi 2.5模仿我的文風來寫作內容，測試發貼。讓它參考我在觀網的文章專欄。
這個內容看上去自然多了，文風有點像。但感覺Kimi大模型並未抓住我的思維，我不會這樣寫，但這就深入大模型深層次的“靈魂”問題了，扯遠了。
看到這，可以相信OpenClaw能幹成些有點技術含量的事。自動發貼、模仿文風是壹類事，還有很多復雜任務也可以完成。其實後面幾次改進不難，自然語言告訴KimiClaw要幹什麼就行了，讓它生成什麼內容，讓它模仿文風，讓它定時發布。但要實現第壹步，“在觀網風聞論壇自動發貼”，這不簡單。沒有OpenClaw，如果對大模型應用開發、AI智能體開發很精通，應該也有辦法，但我不知道怎麼做。有了OpenClaw，雖然也不簡單，但摸索著能實現。
第壹個成功的測試發貼已經說了些技術細節：
“發布方式：Playwright + xvfb-run 自動化”
“這是KimiClaw在服務器環境中使用Playwright瀏覽器自動化工具完成的操作。”
OpenClaw威力最大的工具之壹，幾乎可以算是最核心的功能，就是這個Playwright。它是OpenClaw的手（網頁操作）和眼（網頁截屏），讓AI能實際控制瀏覽器，點擊、輸入、截圖、滾動、下載都行。但是，Playwright的神奇極為依賴與基座大模型的頻繁互動，才知道往下怎麼動作，壹次操作可能要50-100次截圖-決策循環。大模型要有多模態視覺理解能力，能理解截屏內容。
如上面的風聞發貼界面，Playwright會截屏給Kimi 2.5大模型看。Kimi 2.5有原生的視覺理解能力，能看懂“標題”、“正文”框什麼意思，告訴Playwright去填內容。如果是網絡購物之類的任務，要在網頁裡不斷點擊深入，如果不對需要反復試。所以Playwright非常耗token，有些人發現幹壹個事幾塊錢就沒了，因為要截屏100次去調用大模型理解，壹個截屏就要許多Token。
雖然Playwright很耗token，但它確實能自動操作網頁操作辦成不少事。Playwright是微軟開發的，代碼開源了，OpenClaw拿來作為最重要的功能組件之壹。
傳統爬蟲是訪問固定網址，只調用1次API就能獲取數據，成本幾乎為零。這也是許多“天氣查詢”之類的OpenClaw簡單skill的套路。但我在KimiClaw裡用這些簡單skill，感覺不是太強。這類簡單API訪問，無法完成復雜操作。互聯網公司提供官方API服務是有，如股票信息API，飛書機器人也是壹種API服務，要做得很完善並不容易。很有價值的，往往要付費，這就復雜了。Playwright能模范人完成復雜網頁操作，比爬蟲或者API調用從機制上就要強得多。
OpenClaw不是對觀網服務器發出壹堆字符串，然後壹瞬間在風聞發貼成功，觀網沒這個API服務。它是在Linux虛擬機裡，運行了瀏覽器，訪問風聞發貼頁面，然後往框子裡填了內容，點擊發送，完全和人壹樣操作，是壹個緩慢的過程。加上寫貼，5分鍾都做不完。
許多網站有反爬蟲、反機器人機制，發現“用戶不是人”就拒絕。據說90%的網站都有Cloudflare等反爬機制。Playwright是真的會拿屏幕去分析，慢慢操作，能繞開限制。但是對KimiClaw這類雲上虛擬LINUX服務器裡的OpenClaw，它沒有實體屏幕存在，所以構成有點困難。解決辦法是用xvfb-run工具，生成虛擬屏幕，讓Playwright去截屏。剛開始連趁手的瀏覽器都沒有，要去下載安裝Linux裡的Chromium瀏覽器。
再壹個問題是觀察者網風聞賬號登陸，解決辦法是人工在個人電腦上登陸成功，再從瀏覽器上下載Cookie，貼給KimiClaw，它知道如何去用。
雖然過程不簡單，但好處是大模型很強大，探索過程中會主動幫忙，給出各種方案。人不用說得很精確，讓KimiClaw去執行就好了。但人也需要理解大模型與OpenClaw給出的機制與反饋，配合行動。這需要壹些耐心與探索精神，OpenClaw可以算是功能強大的開放性開發平台，不是手機APP這類傻瓜化易用工具。
OpenClaw的強大，壹個是基座大模型的能力很強了，越過了實用的門檻；再壹個是有Playwright這類很實用的功能強大的工具。有了這些強大的武器，再配上傳統的互聯網API、程序算法，才開發出了OpenClaw。它的運作方式也是可以解釋的。
可以看出，OpenClaw自己其實沒啥智能，比如它自己拼湊發貼內容就不太對。但它顯得智能，來源是調用大模型，以及壹些強大的組件。它更像壹個組織者，對接用戶需求，讓大模型決策，調用各種功能解決問題。
（肆）OpenClaw具體的運行流程是什麼？
上面是OpenClaw功能性的介紹。OpenClaw本質上是壹個軟件，它有壹個可以壹步步精確理解的運行過程，了解具體的運行流程能更好的理解原理。
壹個傳統軟件或者算法運行，其流程是“接收輸入、調用工具、返回響應”。互聯網服務或者手機APP等程序就是這樣做的，人們用得很熟。OpenClaw也是壹個軟件，也有同樣的流程。
但是，OpenClaw與傳統軟件最大的不同，是運行時有智能。它的流程是“接收輸入、檢索記憶、推理決策、調用工具、更新記憶、返回響應”，加了壹些智能相關環節。這個過程是寫在OpenClaw的Node.js程序代碼裡的，是開源的，並不神秘。
讓OpenClaw火遍全球的，是它與傳統算法的區別：
傳統軟件，接收的輸入是明確的指令，由輸入與交互界面確定，不是模糊的自然語言；OpenClaw可以理解用戶的自然語言，指令壹下泛化了。先不說能不能做好，傳統算法能“被要求”做的事，極為有限，接收輸入死板；而OpenClaw是完全開放的，想象力完全打開，可以接收無數種輸入，用戶可以提出各種合理或者不合理的要求。
傳統算法，調用的工具極為有限，是事先確定的，算法都是寫死的。即使復雜到微信這麼大的程序，功能也是有限的；OpenClaw能夠調用的工具數量無上限，它有許多整理好的skills套路可用，還可以搜索到可用的互聯網服務，還能自己寫程序開發工具，理論上的能力無上限。
傳統算法的記憶功能非常有限，只是定死的數據庫、更新數據庫，或者壹些選項設置。OpenClaw的記憶是開放的，它可以按日期記下與用戶的互動，作為後面交互的參考，框架是開放的。
傳統算法只能執行固定套路，少數程序有定時執行功能，意義不大。OpenClaw可以記下極多用戶交待的事，定期執行。框架是開放的，每天可以做許多事，是能力強大的“AI助理”，等於許多軟件功能可以壹起跑。
從上面的分析可知，OpenClaw是壹個徹底打開想象力的開放性軟件，與傳統算法完全不是壹回事，最大的特點就是開放性。人們通過宣傳、實際跑樣例，很快就能發現OpenClaw的強大與創新。黃仁勳說OpenClaw是“有史以來最重要的軟件發布”，就是這個意思。
但是，這麼好的事，必須有大模型幫助才能實現。許多人都有和大模型聊天的經驗，能明白大模型的能力：
大模型會去看對話框裡的上下文，對話是有關聯的，這就是有“檢索記憶”。
大模型會去網絡搜索收集信息，增加信息，不只用訓練時截止日期之前的信息。
大模型會有思考地分許多步去完成任務，這就是在“推理決策”。
大模型會寫程序，能開發工具。
OpenClaw不是大模型，但通過API來調用大模型。接收輸入後，OpenClaw檢索記憶，將它作為上下文，調用大模型進壹步明白用戶的意圖，不用重復交待；大模型接著進行“推理決策”，根據用戶意圖生成“工作計劃”，這是2025年大模型Agent開發的典形任務；OpenClaw調用工具後，看返回的結果，根據成敗推進工作計劃，調用更多工具；工作計劃完成後（失敗也是壹種完成結果），OpenClaw調用大模型生成總結更新記憶，將最終結果組織成用戶能接受的形式輸出，返回響應。
從上面的描述可知，大模型對OpenClaw等AI智能體類軟件非常重要，這大家都知道。但還有壹個叫“記憶”的東西，有點迷糊。這就涉及OpenClaw核心框架的叁大組件：Skill system、Agent Runtime、Memory。
Skill system可以模糊理解為壹大堆“AI技能包”，可以擴展的。這其實不難理解，就當是有壹堆子程序可供調用，傳統編程裡就有許多庫函數。Skill system可以當作是AI類庫函數，每個有SKILL.md這樣的給AI看的“使用說明書”。
但讓OpenClaw跑起來，還需要其它兩個重要組件：Agent Runtime、Memory。
Memory系統相對容易理解，就是“記憶”，它是OpenClaw需要的會話上下文、短期與長期日志、用戶偏好人格等等，會分門別類放在相關文件裡。“記憶”並不玄虛，直觀理解就是壹些文件把用戶交待的話、用戶與OpenClaw的互動，用文件記下來。我用的KimiClaw是在Linux虛擬機的“/root/.openclaw/workspace/”目錄裡，用肆個關鍵的.md文件，把用戶相關的事記下來。還有每天的工作日志，KimiClaw是存在/root/.openclaw/workspace/memory目錄裡，每天有壹個日志文件。這不少常規軟件也有，不難理解。
需要注意的是，這些記憶相關文件的內容，是AI整理的。不是事無巨細都記，也不是原樣記，而是理解了以後摘要、匯總記憶，是智能記憶。如果壹堆事太長，就匯總壹下。其實人也不是什麼都記，重要的事記住，細節放文件裡。OpenClaw的記憶也是如此，重要的事放用戶核心記憶文件裡，細節放在日志裡，出事了鬧不清就去查日志。所以Memory也是和大模型有關的。
Memory相關的文件非常重要。我的KimiClaw出了壹次大問題，不知道為何memory目錄都沒了，MEMORY.md也變成空的了，就發現任務執行胡編亂造，傻子壹樣，根本沒法用了。我讓它修復，才又好起來。
Agent Runtime看名詞不太好理解，但它是OpenClaw真正的核心，需要仔細解釋。Agent就是AI業界流行了壹段時間的“智能體”，這是說OpenClaw是壹個有智能的軟件，能“代理”壹樣替人做事。Runtime是程序員熟悉的專用名字，可以類比理解成Windows、手機操作系統開機時的運行狀態、運行環境，是個動態的概念。關機了就沒有Runtime，跑起來了就有壹堆東西活躍起來，配合做事，整個氛圍叫Runtime。
OpenClaw跑起來以後，整個相關運行環境，就是Agent Runtime，負責管理AI代理的完整生命周期，有多種相關功能。如“會話管理”，維護與用戶的對話上下文，處理多輪對話狀態；再如“消息路由”，接收來自不同渠道的消息，路由到對應會話，飛書還是網頁聊天框來的分清楚；“工具編排”，解析用戶意圖，調用適當的工具並管理執行流程；“安全沙盒”，控制工具訪問權限，區分內部操作和外部調用。這些都是OpenClaw的代碼實現的，是其代碼真正對應的功能。
可以用“運動員比賽追蹤”的案例，來具體說明OpenClaw運行壹個任務的過程。我在飛書上（或者KimiClaw網頁上聊天也可以），要求“更新下六個運動員的跟蹤信息”。這六個運動員是鄭欽文、王欣瑜、趙心童、王曼昱、孫穎莎、王楚欽，是之前交待的，放在Memory文件裡了。
1.接收輸入（系統層）
用戶消息："更新下六個運動員的跟蹤信息"
這步不涉及大模型，OpenClaw Gateway 接收並路由到Agent Runtime。
2.檢索記憶（工具調用）
Action: memory_search(query="運動員追蹤 鄭欽文 王欣瑜...")
這步也不涉及大模型，直接讀取文件系統返回記憶片段。
3.推理決策（大模型介入 - 第1次大模型API調用）
輸入給模型的上下文：
User: "更新下六個運動員的跟蹤信息"
Memory: [陳經關注投資、體育、媒體內容創作]
Available tools: [kimi_search, web_fetch, sports-tracker Skill]
模型推理輸出：
意圖分析：用戶要求更新運動員追蹤信息
記憶匹配：USER.md 顯示關注6位運動員（鄭欽文、王欣瑜...）
工具選擇：
優先使用 sports-tracker Skill（已配置，准確性高）
輔助使用 kimi_search 驗證實時比分
執行計劃：
- 先執行 /root/.openclaw/workspace/skills/sports-tracker/scripts/tracker.py
- 然後針對有比賽的選手使用 kimi_search 獲取具體比分
- 最後整理報告
4.調用工具（執行層）
子步驟4a：執行 tracker.py
cd /root/.openclaw/workspace
python3 skills/sports-tracker/scripts/tracker.py
子步驟4b：kimi_search（根據模型決策）
Action: kimi_search(query="孫穎莎 朱芊曦 WTT重慶冠軍賽 3月12日 結果 比分")
搜索引擎API直接返回結果
子步驟 4c：讀取結果並整理
讀取 tracker.py 輸出 + kimi_search 結果
這步不涉及大模型，是工具調用、網絡搜索、數據整合
5.更新記憶（大模型介入 - 第2次 API 調用）
輸入：原始追蹤結果（長文本）
模型任務：提煉關鍵信息，生成簡潔記憶
輸出："孫穎莎3-0勝朱芊曦，王楚欽待比賽19:40"
結果寫入memory目錄裡的日志文件2026-03-12.md，上圖是我在終端裡直接查看到的日志內容，是有用大模型總結的。
6.返回響應（大模型介入 - 第3次API調用）
輸入給模型：
工具執行結果：
- tracker.py: "6位運動員中，孫穎莎、王楚欽今日有比賽..."
- kimi_search: "孫穎莎 3-0 朱芊曦（11-5, 13-11, 11-8）..."
任務：生成給用戶的回復
要求：簡潔、結構化、突出關鍵信息
模型生成響應：
【運動員追蹤報告】3月12日（14:20更新）
...
孫穎莎（乒乓球）
- 今日比賽已結束
- 比分：3-0 勝朱芊曦（11-5, 13-11, 11-8）
- 狀態：晉級16強
王楚欽（乒乓球）
- 待比賽：19:40 vs 弗朗西斯卡
這裡調用了大模型 API，將工具結果轉化為自然語言。
注意上面的流程中有個kimi_search，它不是skills也不是大模型，而是KimiClaw內置的網絡搜索工具。
無論多麼神奇的OpenClaw功能，都可以拆解。OpenClaw核心、記憶檢索、大模型調用、Skills工具調用與網絡搜索、記憶更新等多種模塊組合，就能完成無數種任務。
可以看出，這個組合極為靈活，能完成的任務想象力完全打開。其中大模型的能力是關鍵，有了它，才能理解要幹什麼事、如何執行任務、如何輸出給用戶，所以完成壹個任務要多次調用大模型。有些客戶發現用OpenClaw太花錢了，比大模型APP問答花錢多了，就是因為“壹個任務多次調用”的特性，大模型回答問題就是壹次調用。
智能體能長時間不斷調用大模型推進任務，是智能進步的標志，已經從幾拾分鍾進步了到幾小時甚至更長。有些任務OpenClaw可以跑很長時間不出錯最終完成，但它基本是壹個智能體在跑。現在AI前沿已經發展到拾幾個智能體分工配合壹起完成任務，開源社區也有讓多個OpenClaw分工互相通信協作的嘗試，但還不是太突出。
（伍）OpenClaw的缺陷是什麼？
以上解釋了OpenClaw的運作原理，看上去很厲害。但要問它對我有啥用？我現在的結論是：還沒特別有用，最大的收獲是學習原理。絕大多數時間，我都在“伺候”這只蝦，因為有時它實在太不靠譜了。
理解原理以後，我們知道，它能辦挺多事。但我觀察了多個任務以後，得出了不太好的結論：這是壹個以“形式主義”為最高原則的AI助理，實質能力往往不行，最大問題是不靠譜。其實看它的算法原理也能明白，這種組合出來的流程，隨便壹跑能靠譜才見鬼了。
大模型本身就有幻覺，但慢慢靠譜了很多，只要小心，已經算是能控制的小問題了。我用Kimi的聊天、深度研究、code、文檔等功能，對日常工作生活幫助很大。這些功能有大模型公司不斷研究優化，表現越來越好是可以預期的，可靠性過了門檻以後，就真的很有用了。
我們看OpenClaw完成的任務，大模型要用許多次，還要OpenClaw核心來主導，要調用多種skills，要總結輸出。各種任務類型多種多樣，中間哪壹步出問題，最後的結果就可能很離譜。
壹個嚴重問題是，大模型有極強的“形式主義”編造能力。壹個好多步的流程，中間很有可能失敗，如股價網絡查找失敗、運動員信息查找失敗，或者表面成功了實際是錯的，如找了以前的老信息。但大模型不管，它先滿足形式主義，沒有信息，它自己編！
例如3月11日這些運動員的比賽消息，有些是胡編的！鄭欽文和王欣瑜實際都輸了。有的時間錯亂了，把2025年的消息發出來了。因為kimi_search等搜索工具不壹定靠譜，搜索只是返回壹些信息，並不能判斷合不合適，有時也會失敗。OpenClaw調用大模型決策推理，定“工作計劃”的時候，有時會拿出“搜索失敗自己編”的“糊弄”方法。
這樣的人類員工，如果被發現了肯定開除了。但我沒辦法，還得去想辦法伺候它，弄明白犯傻的原因，想辦法把輸出弄正確。
該圖表為AI制作 請結合文章內容做參考
例如我讓KimiClaw生成港股通593只股票的市值分布圖。壹開始顯示漢字不對，提示後它還自己下載漢字字庫解決了問題，畫出圖來，像模像樣的。但我再仔細看，完全不對，這些股票的市值都是胡編亂造的！也不是完全胡編，還編得和真實數字有點接近。而這個市值分布柱圖也是不對的，因為市值都弄錯了。我問它怎麼回事，它坦白是因為網絡搜索找不到市值數據，就自己編了。
該圖表為AI制作 請結合文章內容做參考
我不斷想辦法讓它改進，如給它找靠譜的股票信息API，它甚至想讓我交壹年上千去接入壹個財經API。付出艱苦的努力，找到騰訊財經API可以返回靠譜信息，讓它做了壹個“港股通信息查詢”skill，才把圖畫出來了。什麼叫市值，也需要給它定義，因為有些股是A股與港股都上市的，市值應該是各自上市的股本分別乘以A股、港股的股價再相加。但我最近發現最終做出的圖還是有問題，說市值5000億港元以上的股票16支，但寧德時代不見了。
我了解壹些大模型算法原理，在日常使用大模型的時候就非常注意幻覺、編造等問題。這方面問題很大，人們非常容易上當，網絡上已經有非常多大模型編造的內容。在使用OpenClaw的時候，我發現幻覺、編造的問題要嚴重得多，要更加小心。
當我們發現大模型不靠譜的時候，指出來問題，它往往能自己改正。但是，OpenClaw出錯了，要去修它，要難得多。如果沒有壹定水平，往往就不太容易用好OpenClaw，實際問題非常多。有時看著結果不錯，但不壹定靠譜，還是需要多加小心。有些用戶反應，用OpenClaw做任務不難，但查它靠不靠譜很累，我也有同感。
從原理上來說，目前對OpenClaw真不能太過信任。把重要的個人信息、財經信息，或者工作單位信息讓OpenClaw掌握，更是非常危險，安全漏洞極大。已經出了不少事了，金融公司、重點單位、壹些上市公司，都明確要求不許在單位電腦上裝OpenClaw。安全方面的漏洞筆者不太熟悉，但概念上肯定是漏洞極大，有不少文章指出。OpenClaw不少動作等於在互聯網無保護到處活動，為了完成任務找我要了壹些信息，是有危險。
筆者還是想特別強調“靠譜”這個事。有壹些OpenClaw流程，相關Skill整理得不錯、相關互聯網信息服務靠譜、基座大模型能力足夠，確實能夠幹壹些活。這些例子肯定也是海量的，但必須指出，這不是從天上掉下來的，不是OpenClaw開源了就有，而是需要相當多的開發試錯、整理打包的工作。
正確的理解是，OpenClaw是壹個開發框架，它讓人用自然語言指揮幹事，立刻就有結果，給人很大的震撼。但是，如果要讓它幹靠譜的事，就和人類學習編程語言壹樣，需要不少基礎知識，要會面對各類錯誤，耐心地“養蝦”。如果不會養，就會發現這東西並沒有那麼好玩，就和壹些人編程學不下去壹樣。
高手對OpenClaw原理與架構很了解，對要幹的事很了解，對調用的工具也了解，也會自己開發skills，把相關環節都調試得足夠靠譜了，就能組織出壹些不錯的自動工作流程。但有這個水平的高手，目前還不多。
很多人買電腦或者雲上裝了龍蝦以後，就有些茫然了，不知道能幹啥，希望本文對不了解OpenClaw原理的人有幫助。可以去學習高手總結的靠譜流程，模仿實踐；也可以去學習原理，針對性提升使用AI的水平；最後自己也變成高手，開發Skill，指揮OpenClaw組織流程，真正讓AI助理幫助工作生活。在這個過程中，壹定要注意，OpenClaw很不靠譜，絕對不能盲目相信，要有確實的證據，各個環節都確認可靠了，才可以放手讓它幹活。
版權說明 / Copyright Notice:
Content and images in this article may originate from third-party sources and are used for news reporting, commentary, or public interest purposes. All copyrights remain with their respective owners. Please refer to the Copyright Notice at the bottom of this page.
本文內容僅供信息參考，不代表倍可親立場或觀點。
[加西網正招聘多名全職sales 待遇優]
這條新聞還沒有人評論喔，等著您的高見呢
筆者第壹時間就關注了事件，並寫文評論了Moltbot與“壹人公司”（發在2月6日的環球時報），介紹AI與中國制造業分別從軟硬兩方面提供便捷服務，對於個人創業很有意義。沒想到的是，3月時多家中國互聯網巨頭與大模型公司都參與進來了，壹些地方政府都出資激勵個人開發者，熱度與2023年初的ChatGPT、2025年初的DeepSeek可以相比。
Moltbot於2026年1月30日正式更名為OpenClaw，並於2月24日超過有30年歷史的LINUX、3月2日超過React，成為開源社區GitHub史上星標最多的軟件項目。近乎垂直的增長曲線成為開源軟件歷史上的奇觀。
OpenClaw作為開源項目，使用有壹定門檻，中國愛好者有能力自行下載安裝的不多。KimiClaw是中國大模型公司最早推出的OpenClaw雲服務，不是裝在個人電腦上，而是在雲上開LINUX虛擬機，安裝方便，春節前推出了試點。後面MaxClaw、DuClaw等各類雲Claw產品越來越多，阿裡雲、騰訊雲、華為(专题)雲、火山引擎、京東雲、移動雲、天翼雲都推出了“壹鍵部署”解決方案。還有AutoClaw、QClaw這些作為Windows、MacOS的程序安裝包，裝在用戶個人電腦上的。
這些“Claw”服務的推出，標志著中國AI廠商正在爭奪OpenClaw生態主導權，與2025年2-3月各廠商紛紛部署接入DeepSeek類似。
壹. 探索OpenClaw的多種方式
KimiClaw於2月18日正式上線，筆者立刻交了199月費，興沖沖地“壹鍵安裝”。幾天都連不上服務器，應該是春節沒上班。2月22日屬於筆者的KimiClaw終於活了，按套路設置連上飛書以後，可以順暢使用了。筆者的興趣是了解OpenClaw的架構與原理，這方面有壹些心得，對於其優勢與缺陷的根源也較為清楚。
本文對OpenClaw進行原理性技術解釋，會普及壹些基礎概念。更重要的是祛魅，正確認識這只熱度空前的“龍蝦”，不神化其功能，了解其巨大的潛力與本質缺陷。
中國已經接上OpenClaw的用戶，壹般和它有兩個交互渠道。壹個是飛書等手機即時通訊APP，上面加了Claw機器人，聊天下達指令、接收文件，相信微信不久也會大規模接入。其原理是，飛書會提供API接入辦法，OpenClaw有了API權限以後，就可以和飛書通信，接收指令、返回結果。這也是Steinberger開發OpenClaw的初衷，想用手機即時通訊APP連接自己的電腦，遠程查看結果、指揮幹活。目前這也是和OpenClaw最主要的溝通方式。
對於雲上部署的OpenClaw，另壹個常用渠道是大模型網頁或大模型手機APP上的聊天界面。如筆者網頁上了Kimi大模型，上面就有KimiClaw界面，也能聊天下達指令。壹開始只有PC網頁版可以，後來手機Kimi APP也可以了。
筆者體驗下來，發現贰者有重大區別。飛書是直連KimiClaw，接收的是OpenClaw的執行結果，能收文件。飛書上的聊天也經過大模型處理是智能的，但由於是非即時溝通，受限於飛書API的格式與字節限制，信息發送要壓縮，信息含量有限，例如看不到大模型的思考過程。而在Kimi網頁或者Kimi手機APP上，是直接與Kimi大模型聊天，主要內容是大模型輸出的，有思考過程，信息明顯更豐富；其中夾雜了壹些OpenClaw執行指令的結果，但文件收不了，需要發到飛書上。筆者選擇與大模型直接聊天的模式，以飛書收文件為輔助。這樣能學到很多東西，可以直接提問，出了問題大模型能給出多種解決方案選擇，嘗試過程可見，是學習探索OpenClaw不錯的方式。
個人電腦上安裝的OpenClaw，也有這種聊天界面。AutoClaw、QClaw封裝版的會有完整桌面客戶端，會提供對話框。這種模式，由於個人電腦運行狀態、大模型API都能直接查看控制，能提供更為豐富的運行細節信息。
筆者為了理解OpenClaw架構與原理，還有壹種最直接的“探索”辦法，就是進入KimiClaw“居住”的Linux虛擬機終端，是Ubuntu 24.04系統，KimiClaw網頁版提供了入口。如果對Linux操作系統與命令較為熟悉，就可以去仔細看看文件結構，執行多種底層命令，拆解OpenClaw執行任務的過程。如對於OpenClaw的Skills、Memory這些“技能”、“記憶”相關的重要部件，可以直接查看相關文件內容，從最底層揭秘。
但這種探索辦法需要相當的Linux知識，連圖形操作界面都沒有，鼠標完全無用，需要輸入許多命令。如無經驗會難以操作，即使寫文章列出操作細節，也不好理解。如果是個人電腦上裝的OpenClaw，也可以直接去電腦裡觀察目錄文件結構，同樣有難度。因此，筆者僅介紹原理，略過不好懂的探索過程細節。
筆者基於對OpenClaw的底層理解，給出的原理性解釋，希望能從另壹個角度，幫助讀者理解。下面以問答的形式，進行解釋。
贰．OpenClaw原理問答
（壹）從程序代碼角度看，OpenClaw還原到底層，到底是什麼東西？
OpenClaw首先是壹個開源程序，在GitHub上有公開的是源代碼倉庫，最原始的理解就是公開的代碼。它可以“部署”到各類個人PC上，也可以部署到雲上運行起來。與人交互，就是人們聽說的AI個人助理，能操縱個人PC或者雲上的虛擬主機幹活，這被戲稱為“養蝦”。
OpenClaw是開源工程，它能在Windows、MacOS、Linux等多個平台應用，甚至華為鴻蒙也支持部署。我們先需要明白，它的代碼有“跨平台”特性。原因是，它的開發語言是Typescript（編譯成Javascript），Java語言流行就是因為跨平台，最常見的是瀏覽器網頁程序。有相當長時間，Javascript是程序員用得最多的開發語言，積累了豐富的開發生態。OpenClaw涉及復雜的對象結構，Typescript語言能在寫代碼時就發現問題，而不是等運行時崩潰。大型開源項目開發者，往往喜歡這個語言的基於類型（Type）的“安全感”。
OpenClaw的開發環境叫Node.js，不熟悉這個詞的人也不難理解。在Windows、MacOS、Linux、鴻蒙中都有壹個程序名字叫“node”，各自不同，是系統事先開發好的。假設我們寫了壹個程序叫app.js，各類操作系統上都可以通過命令“node app.js”成功執行，壹套代碼多個平台都能跑。
OpenClaw要跑起來，還需要壹些別人開發的非常重要的依賴包。這就是開源的好處，別人開發的可以直接拿過來用，組合出更好的新功能。這些依賴包也都是Node.js開發環境裡能跑的。應用Node.js依賴包，有個重要分發工具npm，用“npm install”命令就能部署好。這和Linux Ubuntu操作系統裡的“apt install”類似，提供了方便的安裝方式。
可以說，OpenClaw有80%的功能都是“站在npm包肩膀上”實現的，只有20%的業務邏輯（調度、記憶、安全隔離等）是自己寫的。
另外，OpenClaw還建立了自己特有的開源功能擴展系統，就是不少人聽說過的Skill。Skill算是特殊的npm包（可以用npm安裝），但OpenClaw給它加了標准化接口、MCP協議適配層（讓大模型能調用）、Clawhub分發渠道。Clawhub類似npm壹樣分發Skill，但專為AI工具設計。可以把Skill理解成npm包，但加上了給AI的“使用說明書”，大模型能夠更順暢地規劃讓Skill幹活。
如果個人要在自己的電腦上部署OpenClaw，先要裝上Node.js開發環境、配置環境變量，這就勸退了絕大部分人。3月6日騰訊雲在深圳騰訊大廈樓下擺攤推出“龍蝦安裝站”，20位工程師免費幫路人在個人電腦上部署OpenClaw——就是從這壹步開始，確實需要技術人員出攤。
這壹節看得迷糊不要緊，知道有這些名詞就行了。以後估計會成為社會常識，聽多了慢慢能明白。
（贰）中國許多公司出手後，OpenClaw為何容易部署了？
2025年初爆火的滿血版的DeepSeek-R1，個人不可能部署成功。但中國多家公司都接入了，還進行了引流，即使DeepSeek公司本身的服務擠爆了，人們也用上別家部署的DeepSeek。這次OpenClaw熱潮，中國想在AI生態裡占位的公司，都會來參與，讓用戶在自己的平台中用OpenClaw。這是中國公司擅長的，面向大眾的界面必須友好易用，不然沒法推廣。
常見的辦法是雲端給用戶開壹個虛擬Linux主機，就是KimiClaw這樣。許多公司都推出了，好處是用戶不需要有個人電腦，避免了個人電腦被玩壞、信息泄露等麻煩。這種模式可以壹鍵安裝，用戶直接使用安裝好的OpenClaw雲服務，但壹開始裡面什麼個人的文件都沒有。
另壹個辦法，是智譜的AutoClaw那樣，把OpenClaw打包成傳統桌面軟件，隱藏掉Node.js的存在，在用戶個人電腦上安裝。它就像傳統Windows程序壹樣傻瓜式安裝，不壹樣的是，它會自己操縱電腦用1分鍾設置好飛書機器人。這種模式，用戶的個人電腦直接就有OpenClaw了，幹活更為方便，但出事了也更為危險。
技術性地說，虛擬Linux主機裡的OpenClaw能力會比真正個人電腦裡的差壹些。筆者確實發現KimiClaw有很多麻煩難用之處，原理上就不是可視化的，也沒有聲音。再如雲上給個人的空間只有40G，個人電腦硬盤要大得多。還有日常的發郵件之類的工作流程，個人電腦天然就有，OpenClaw能自然接觸，在虛擬Linux主機從頭建立工作流程很不容易。但無論如何，有實力的公司提供的雲上服務是個好事，讓人能較為方便地接觸OpenClaw，能建立新的流程，也是讓人興奮的。
需要注意，這是中國特有的現象，大量普通人也有辦法試試OpenClaw。在歐美，基本只是技術從業者和愛好者很狂熱，普通人因為昂貴費用、隱私保護等問題用不上。這是我們在中國特有的“技術福利”。
（叁）OpenClaw靠什麼幹活的？
OpenClaw並不是壹般的軟件，需要幹成壹些有點技術含量的活，才會讓技術社區產生濃厚興趣，引爆全球。筆者在觀察者網風聞社區自動發帖測試成功，可以用這個案例來舉例說明。
OpenClaw 自動化測試發帖_風聞 (guancha.cn)
先讓OpenClaw自動發了個測試貼。這壹步其實很不容易，因為我是用KimiClaw雲服務，沒有可視化的屏幕。需要好幾步，動用了壹些工具，才能完成發貼。
【2026年3月13日星期伍】美以與伊朗(专题)戰爭最新動態_風聞 (guancha.cn)
再讓KimiClaw發壹個美以與伊朗戰爭動態貼，自行收集內容。可以看出內容很糟糕，是OpenClaw搜各大媒體的標題拼湊，有的和戰爭毫無關系，內容沒什麼智能可言。
【2026年3月13日星期伍】美以與伊朗戰爭最新動態分析_風聞 (guancha.cn)
讓KimiClaw改用Kimi 2.5大模型生成深度總結，能看出內容好多了，有相當的智能了。讓它每天早上8點在風聞發布，就建立了壹個算是過得去的自動發貼任務。這確實是全自動的，建立任務後，人不用管了。當然文章質量不算太好，只是舉例。
【2026年3月13日星期伍】美以與伊朗戰爭最新動態分析_風聞 (guancha.cn)
繼續優化，讓KimiClaw調用Kimi 2.5模仿我的文風來寫作內容，測試發貼。讓它參考我在觀網的文章專欄。
這個內容看上去自然多了，文風有點像。但感覺Kimi大模型並未抓住我的思維，我不會這樣寫，但這就深入大模型深層次的“靈魂”問題了，扯遠了。
看到這，可以相信OpenClaw能幹成些有點技術含量的事。自動發貼、模仿文風是壹類事，還有很多復雜任務也可以完成。其實後面幾次改進不難，自然語言告訴KimiClaw要幹什麼就行了，讓它生成什麼內容，讓它模仿文風，讓它定時發布。但要實現第壹步，“在觀網風聞論壇自動發貼”，這不簡單。沒有OpenClaw，如果對大模型應用開發、AI智能體開發很精通，應該也有辦法，但我不知道怎麼做。有了OpenClaw，雖然也不簡單，但摸索著能實現。
第壹個成功的測試發貼已經說了些技術細節：
“發布方式：Playwright + xvfb-run 自動化”
“這是KimiClaw在服務器環境中使用Playwright瀏覽器自動化工具完成的操作。”
OpenClaw威力最大的工具之壹，幾乎可以算是最核心的功能，就是這個Playwright。它是OpenClaw的手（網頁操作）和眼（網頁截屏），讓AI能實際控制瀏覽器，點擊、輸入、截圖、滾動、下載都行。但是，Playwright的神奇極為依賴與基座大模型的頻繁互動，才知道往下怎麼動作，壹次操作可能要50-100次截圖-決策循環。大模型要有多模態視覺理解能力，能理解截屏內容。
如上面的風聞發貼界面，Playwright會截屏給Kimi 2.5大模型看。Kimi 2.5有原生的視覺理解能力，能看懂“標題”、“正文”框什麼意思，告訴Playwright去填內容。如果是網絡購物之類的任務，要在網頁裡不斷點擊深入，如果不對需要反復試。所以Playwright非常耗token，有些人發現幹壹個事幾塊錢就沒了，因為要截屏100次去調用大模型理解，壹個截屏就要許多Token。
雖然Playwright很耗token，但它確實能自動操作網頁操作辦成不少事。Playwright是微軟開發的，代碼開源了，OpenClaw拿來作為最重要的功能組件之壹。
傳統爬蟲是訪問固定網址，只調用1次API就能獲取數據，成本幾乎為零。這也是許多“天氣查詢”之類的OpenClaw簡單skill的套路。但我在KimiClaw裡用這些簡單skill，感覺不是太強。這類簡單API訪問，無法完成復雜操作。互聯網公司提供官方API服務是有，如股票信息API，飛書機器人也是壹種API服務，要做得很完善並不容易。很有價值的，往往要付費，這就復雜了。Playwright能模范人完成復雜網頁操作，比爬蟲或者API調用從機制上就要強得多。
OpenClaw不是對觀網服務器發出壹堆字符串，然後壹瞬間在風聞發貼成功，觀網沒這個API服務。它是在Linux虛擬機裡，運行了瀏覽器，訪問風聞發貼頁面，然後往框子裡填了內容，點擊發送，完全和人壹樣操作，是壹個緩慢的過程。加上寫貼，5分鍾都做不完。
許多網站有反爬蟲、反機器人機制，發現“用戶不是人”就拒絕。據說90%的網站都有Cloudflare等反爬機制。Playwright是真的會拿屏幕去分析，慢慢操作，能繞開限制。但是對KimiClaw這類雲上虛擬LINUX服務器裡的OpenClaw，它沒有實體屏幕存在，所以構成有點困難。解決辦法是用xvfb-run工具，生成虛擬屏幕，讓Playwright去截屏。剛開始連趁手的瀏覽器都沒有，要去下載安裝Linux裡的Chromium瀏覽器。
再壹個問題是觀察者網風聞賬號登陸，解決辦法是人工在個人電腦上登陸成功，再從瀏覽器上下載Cookie，貼給KimiClaw，它知道如何去用。
雖然過程不簡單，但好處是大模型很強大，探索過程中會主動幫忙，給出各種方案。人不用說得很精確，讓KimiClaw去執行就好了。但人也需要理解大模型與OpenClaw給出的機制與反饋，配合行動。這需要壹些耐心與探索精神，OpenClaw可以算是功能強大的開放性開發平台，不是手機APP這類傻瓜化易用工具。
OpenClaw的強大，壹個是基座大模型的能力很強了，越過了實用的門檻；再壹個是有Playwright這類很實用的功能強大的工具。有了這些強大的武器，再配上傳統的互聯網API、程序算法，才開發出了OpenClaw。它的運作方式也是可以解釋的。
可以看出，OpenClaw自己其實沒啥智能，比如它自己拼湊發貼內容就不太對。但它顯得智能，來源是調用大模型，以及壹些強大的組件。它更像壹個組織者，對接用戶需求，讓大模型決策，調用各種功能解決問題。
（肆）OpenClaw具體的運行流程是什麼？
上面是OpenClaw功能性的介紹。OpenClaw本質上是壹個軟件，它有壹個可以壹步步精確理解的運行過程，了解具體的運行流程能更好的理解原理。
壹個傳統軟件或者算法運行，其流程是“接收輸入、調用工具、返回響應”。互聯網服務或者手機APP等程序就是這樣做的，人們用得很熟。OpenClaw也是壹個軟件，也有同樣的流程。
但是，OpenClaw與傳統軟件最大的不同，是運行時有智能。它的流程是“接收輸入、檢索記憶、推理決策、調用工具、更新記憶、返回響應”，加了壹些智能相關環節。這個過程是寫在OpenClaw的Node.js程序代碼裡的，是開源的，並不神秘。
讓OpenClaw火遍全球的，是它與傳統算法的區別：
傳統軟件，接收的輸入是明確的指令，由輸入與交互界面確定，不是模糊的自然語言；OpenClaw可以理解用戶的自然語言，指令壹下泛化了。先不說能不能做好，傳統算法能“被要求”做的事，極為有限，接收輸入死板；而OpenClaw是完全開放的，想象力完全打開，可以接收無數種輸入，用戶可以提出各種合理或者不合理的要求。
傳統算法，調用的工具極為有限，是事先確定的，算法都是寫死的。即使復雜到微信這麼大的程序，功能也是有限的；OpenClaw能夠調用的工具數量無上限，它有許多整理好的skills套路可用，還可以搜索到可用的互聯網服務，還能自己寫程序開發工具，理論上的能力無上限。
傳統算法的記憶功能非常有限，只是定死的數據庫、更新數據庫，或者壹些選項設置。OpenClaw的記憶是開放的，它可以按日期記下與用戶的互動，作為後面交互的參考，框架是開放的。
傳統算法只能執行固定套路，少數程序有定時執行功能，意義不大。OpenClaw可以記下極多用戶交待的事，定期執行。框架是開放的，每天可以做許多事，是能力強大的“AI助理”，等於許多軟件功能可以壹起跑。
從上面的分析可知，OpenClaw是壹個徹底打開想象力的開放性軟件，與傳統算法完全不是壹回事，最大的特點就是開放性。人們通過宣傳、實際跑樣例，很快就能發現OpenClaw的強大與創新。黃仁勳說OpenClaw是“有史以來最重要的軟件發布”，就是這個意思。
但是，這麼好的事，必須有大模型幫助才能實現。許多人都有和大模型聊天的經驗，能明白大模型的能力：
大模型會去看對話框裡的上下文，對話是有關聯的，這就是有“檢索記憶”。
大模型會去網絡搜索收集信息，增加信息，不只用訓練時截止日期之前的信息。
大模型會有思考地分許多步去完成任務，這就是在“推理決策”。
大模型會寫程序，能開發工具。
OpenClaw不是大模型，但通過API來調用大模型。接收輸入後，OpenClaw檢索記憶，將它作為上下文，調用大模型進壹步明白用戶的意圖，不用重復交待；大模型接著進行“推理決策”，根據用戶意圖生成“工作計劃”，這是2025年大模型Agent開發的典形任務；OpenClaw調用工具後，看返回的結果，根據成敗推進工作計劃，調用更多工具；工作計劃完成後（失敗也是壹種完成結果），OpenClaw調用大模型生成總結更新記憶，將最終結果組織成用戶能接受的形式輸出，返回響應。
從上面的描述可知，大模型對OpenClaw等AI智能體類軟件非常重要，這大家都知道。但還有壹個叫“記憶”的東西，有點迷糊。這就涉及OpenClaw核心框架的叁大組件：Skill system、Agent Runtime、Memory。
Skill system可以模糊理解為壹大堆“AI技能包”，可以擴展的。這其實不難理解，就當是有壹堆子程序可供調用，傳統編程裡就有許多庫函數。Skill system可以當作是AI類庫函數，每個有SKILL.md這樣的給AI看的“使用說明書”。
但讓OpenClaw跑起來，還需要其它兩個重要組件：Agent Runtime、Memory。
Memory系統相對容易理解，就是“記憶”，它是OpenClaw需要的會話上下文、短期與長期日志、用戶偏好人格等等，會分門別類放在相關文件裡。“記憶”並不玄虛，直觀理解就是壹些文件把用戶交待的話、用戶與OpenClaw的互動，用文件記下來。我用的KimiClaw是在Linux虛擬機的“/root/.openclaw/workspace/”目錄裡，用肆個關鍵的.md文件，把用戶相關的事記下來。還有每天的工作日志，KimiClaw是存在/root/.openclaw/workspace/memory目錄裡，每天有壹個日志文件。這不少常規軟件也有，不難理解。
需要注意的是，這些記憶相關文件的內容，是AI整理的。不是事無巨細都記，也不是原樣記，而是理解了以後摘要、匯總記憶，是智能記憶。如果壹堆事太長，就匯總壹下。其實人也不是什麼都記，重要的事記住，細節放文件裡。OpenClaw的記憶也是如此，重要的事放用戶核心記憶文件裡，細節放在日志裡，出事了鬧不清就去查日志。所以Memory也是和大模型有關的。
Memory相關的文件非常重要。我的KimiClaw出了壹次大問題，不知道為何memory目錄都沒了，MEMORY.md也變成空的了，就發現任務執行胡編亂造，傻子壹樣，根本沒法用了。我讓它修復，才又好起來。
Agent Runtime看名詞不太好理解，但它是OpenClaw真正的核心，需要仔細解釋。Agent就是AI業界流行了壹段時間的“智能體”，這是說OpenClaw是壹個有智能的軟件，能“代理”壹樣替人做事。Runtime是程序員熟悉的專用名字，可以類比理解成Windows、手機操作系統開機時的運行狀態、運行環境，是個動態的概念。關機了就沒有Runtime，跑起來了就有壹堆東西活躍起來，配合做事，整個氛圍叫Runtime。
OpenClaw跑起來以後，整個相關運行環境，就是Agent Runtime，負責管理AI代理的完整生命周期，有多種相關功能。如“會話管理”，維護與用戶的對話上下文，處理多輪對話狀態；再如“消息路由”，接收來自不同渠道的消息，路由到對應會話，飛書還是網頁聊天框來的分清楚；“工具編排”，解析用戶意圖，調用適當的工具並管理執行流程；“安全沙盒”，控制工具訪問權限，區分內部操作和外部調用。這些都是OpenClaw的代碼實現的，是其代碼真正對應的功能。
可以用“運動員比賽追蹤”的案例，來具體說明OpenClaw運行壹個任務的過程。我在飛書上（或者KimiClaw網頁上聊天也可以），要求“更新下六個運動員的跟蹤信息”。這六個運動員是鄭欽文、王欣瑜、趙心童、王曼昱、孫穎莎、王楚欽，是之前交待的，放在Memory文件裡了。
1.接收輸入（系統層）
用戶消息："更新下六個運動員的跟蹤信息"
這步不涉及大模型，OpenClaw Gateway 接收並路由到Agent Runtime。
2.檢索記憶（工具調用）
Action: memory_search(query="運動員追蹤 鄭欽文 王欣瑜...")
這步也不涉及大模型，直接讀取文件系統返回記憶片段。
3.推理決策（大模型介入 - 第1次大模型API調用）
輸入給模型的上下文：
User: "更新下六個運動員的跟蹤信息"
Memory: [陳經關注投資、體育、媒體內容創作]
Available tools: [kimi_search, web_fetch, sports-tracker Skill]
模型推理輸出：
意圖分析：用戶要求更新運動員追蹤信息
記憶匹配：USER.md 顯示關注6位運動員（鄭欽文、王欣瑜...）
工具選擇：
優先使用 sports-tracker Skill（已配置，准確性高）
輔助使用 kimi_search 驗證實時比分
執行計劃：
- 先執行 /root/.openclaw/workspace/skills/sports-tracker/scripts/tracker.py
- 然後針對有比賽的選手使用 kimi_search 獲取具體比分
- 最後整理報告
4.調用工具（執行層）
子步驟4a：執行 tracker.py
cd /root/.openclaw/workspace
python3 skills/sports-tracker/scripts/tracker.py
子步驟4b：kimi_search（根據模型決策）
Action: kimi_search(query="孫穎莎 朱芊曦 WTT重慶冠軍賽 3月12日 結果 比分")
搜索引擎API直接返回結果
子步驟 4c：讀取結果並整理
讀取 tracker.py 輸出 + kimi_search 結果
這步不涉及大模型，是工具調用、網絡搜索、數據整合
5.更新記憶（大模型介入 - 第2次 API 調用）
輸入：原始追蹤結果（長文本）
模型任務：提煉關鍵信息，生成簡潔記憶
輸出："孫穎莎3-0勝朱芊曦，王楚欽待比賽19:40"
結果寫入memory目錄裡的日志文件2026-03-12.md，上圖是我在終端裡直接查看到的日志內容，是有用大模型總結的。
6.返回響應（大模型介入 - 第3次API調用）
輸入給模型：
工具執行結果：
- tracker.py: "6位運動員中，孫穎莎、王楚欽今日有比賽..."
- kimi_search: "孫穎莎 3-0 朱芊曦（11-5, 13-11, 11-8）..."
任務：生成給用戶的回復
要求：簡潔、結構化、突出關鍵信息
模型生成響應：
【運動員追蹤報告】3月12日（14:20更新）
...
孫穎莎（乒乓球）
- 今日比賽已結束
- 比分：3-0 勝朱芊曦（11-5, 13-11, 11-8）
- 狀態：晉級16強
王楚欽（乒乓球）
- 待比賽：19:40 vs 弗朗西斯卡
這裡調用了大模型 API，將工具結果轉化為自然語言。
注意上面的流程中有個kimi_search，它不是skills也不是大模型，而是KimiClaw內置的網絡搜索工具。
無論多麼神奇的OpenClaw功能，都可以拆解。OpenClaw核心、記憶檢索、大模型調用、Skills工具調用與網絡搜索、記憶更新等多種模塊組合，就能完成無數種任務。
可以看出，這個組合極為靈活，能完成的任務想象力完全打開。其中大模型的能力是關鍵，有了它，才能理解要幹什麼事、如何執行任務、如何輸出給用戶，所以完成壹個任務要多次調用大模型。有些客戶發現用OpenClaw太花錢了，比大模型APP問答花錢多了，就是因為“壹個任務多次調用”的特性，大模型回答問題就是壹次調用。
智能體能長時間不斷調用大模型推進任務，是智能進步的標志，已經從幾拾分鍾進步了到幾小時甚至更長。有些任務OpenClaw可以跑很長時間不出錯最終完成，但它基本是壹個智能體在跑。現在AI前沿已經發展到拾幾個智能體分工配合壹起完成任務，開源社區也有讓多個OpenClaw分工互相通信協作的嘗試，但還不是太突出。
（伍）OpenClaw的缺陷是什麼？
以上解釋了OpenClaw的運作原理，看上去很厲害。但要問它對我有啥用？我現在的結論是：還沒特別有用，最大的收獲是學習原理。絕大多數時間，我都在“伺候”這只蝦，因為有時它實在太不靠譜了。
理解原理以後，我們知道，它能辦挺多事。但我觀察了多個任務以後，得出了不太好的結論：這是壹個以“形式主義”為最高原則的AI助理，實質能力往往不行，最大問題是不靠譜。其實看它的算法原理也能明白，這種組合出來的流程，隨便壹跑能靠譜才見鬼了。
大模型本身就有幻覺，但慢慢靠譜了很多，只要小心，已經算是能控制的小問題了。我用Kimi的聊天、深度研究、code、文檔等功能，對日常工作生活幫助很大。這些功能有大模型公司不斷研究優化，表現越來越好是可以預期的，可靠性過了門檻以後，就真的很有用了。
我們看OpenClaw完成的任務，大模型要用許多次，還要OpenClaw核心來主導，要調用多種skills，要總結輸出。各種任務類型多種多樣，中間哪壹步出問題，最後的結果就可能很離譜。
壹個嚴重問題是，大模型有極強的“形式主義”編造能力。壹個好多步的流程，中間很有可能失敗，如股價網絡查找失敗、運動員信息查找失敗，或者表面成功了實際是錯的，如找了以前的老信息。但大模型不管，它先滿足形式主義，沒有信息，它自己編！
例如3月11日這些運動員的比賽消息，有些是胡編的！鄭欽文和王欣瑜實際都輸了。有的時間錯亂了，把2025年的消息發出來了。因為kimi_search等搜索工具不壹定靠譜，搜索只是返回壹些信息，並不能判斷合不合適，有時也會失敗。OpenClaw調用大模型決策推理，定“工作計劃”的時候，有時會拿出“搜索失敗自己編”的“糊弄”方法。
這樣的人類員工，如果被發現了肯定開除了。但我沒辦法，還得去想辦法伺候它，弄明白犯傻的原因，想辦法把輸出弄正確。
該圖表為AI制作 請結合文章內容做參考
例如我讓KimiClaw生成港股通593只股票的市值分布圖。壹開始顯示漢字不對，提示後它還自己下載漢字字庫解決了問題，畫出圖來，像模像樣的。但我再仔細看，完全不對，這些股票的市值都是胡編亂造的！也不是完全胡編，還編得和真實數字有點接近。而這個市值分布柱圖也是不對的，因為市值都弄錯了。我問它怎麼回事，它坦白是因為網絡搜索找不到市值數據，就自己編了。
該圖表為AI制作 請結合文章內容做參考
我不斷想辦法讓它改進，如給它找靠譜的股票信息API，它甚至想讓我交壹年上千去接入壹個財經API。付出艱苦的努力，找到騰訊財經API可以返回靠譜信息，讓它做了壹個“港股通信息查詢”skill，才把圖畫出來了。什麼叫市值，也需要給它定義，因為有些股是A股與港股都上市的，市值應該是各自上市的股本分別乘以A股、港股的股價再相加。但我最近發現最終做出的圖還是有問題，說市值5000億港元以上的股票16支，但寧德時代不見了。
我了解壹些大模型算法原理，在日常使用大模型的時候就非常注意幻覺、編造等問題。這方面問題很大，人們非常容易上當，網絡上已經有非常多大模型編造的內容。在使用OpenClaw的時候，我發現幻覺、編造的問題要嚴重得多，要更加小心。
當我們發現大模型不靠譜的時候，指出來問題，它往往能自己改正。但是，OpenClaw出錯了，要去修它，要難得多。如果沒有壹定水平，往往就不太容易用好OpenClaw，實際問題非常多。有時看著結果不錯，但不壹定靠譜，還是需要多加小心。有些用戶反應，用OpenClaw做任務不難，但查它靠不靠譜很累，我也有同感。
從原理上來說，目前對OpenClaw真不能太過信任。把重要的個人信息、財經信息，或者工作單位信息讓OpenClaw掌握，更是非常危險，安全漏洞極大。已經出了不少事了，金融公司、重點單位、壹些上市公司，都明確要求不許在單位電腦上裝OpenClaw。安全方面的漏洞筆者不太熟悉，但概念上肯定是漏洞極大，有不少文章指出。OpenClaw不少動作等於在互聯網無保護到處活動，為了完成任務找我要了壹些信息，是有危險。
筆者還是想特別強調“靠譜”這個事。有壹些OpenClaw流程，相關Skill整理得不錯、相關互聯網信息服務靠譜、基座大模型能力足夠，確實能夠幹壹些活。這些例子肯定也是海量的，但必須指出，這不是從天上掉下來的，不是OpenClaw開源了就有，而是需要相當多的開發試錯、整理打包的工作。
正確的理解是，OpenClaw是壹個開發框架，它讓人用自然語言指揮幹事，立刻就有結果，給人很大的震撼。但是，如果要讓它幹靠譜的事，就和人類學習編程語言壹樣，需要不少基礎知識，要會面對各類錯誤，耐心地“養蝦”。如果不會養，就會發現這東西並沒有那麼好玩，就和壹些人編程學不下去壹樣。
高手對OpenClaw原理與架構很了解，對要幹的事很了解，對調用的工具也了解，也會自己開發skills，把相關環節都調試得足夠靠譜了，就能組織出壹些不錯的自動工作流程。但有這個水平的高手，目前還不多。
很多人買電腦或者雲上裝了龍蝦以後，就有些茫然了，不知道能幹啥，希望本文對不了解OpenClaw原理的人有幫助。可以去學習高手總結的靠譜流程，模仿實踐；也可以去學習原理，針對性提升使用AI的水平；最後自己也變成高手，開發Skill，指揮OpenClaw組織流程，真正讓AI助理幫助工作生活。在這個過程中，壹定要注意，OpenClaw很不靠譜，絕對不能盲目相信，要有確實的證據，各個環節都確認可靠了，才可以放手讓它幹活。
版權說明 / Copyright Notice:
Content and images in this article may originate from third-party sources and are used for news reporting, commentary, or public interest purposes. All copyrights remain with their respective owners. Please refer to the Copyright Notice at the bottom of this page.
本文內容僅供信息參考，不代表倍可親立場或觀點。
[加西網正招聘多名全職sales 待遇優]
| 分享: |
| 注： |
推薦: