对小龙虾openclaw的关注、学习、使用和变化观察

最近在整理回顾对小龙虾openclaw的关注、学习和使用时，第一反应是让AI根据主题帮我写材料，再让AI针对这个主题提一些问题和回答。

这种借助AI来加速了解和学习一样东西的方案，据我观察，从企业CEO到中小学生都有在使用，使用的工具从NotebookLM到豆包千问都有。

我立马就让AI快速生成了一堆文档，形式上从md到html再到ppt都有，主题上从整体框架、模块拆解、分模块deep dive、业界对比、人机对比、常见问题挑战和解法思路等等。

但我转念一想，觉得人生重在体验，有意思的内容还是要在大脑里留痕，而不是被AI管道化。

所以我决定从自己的思考实践出发，记录下：

对小龙虾的关注变化
对小龙虾的了解学习和使用
对小龙虾带来的变化的个人理解和观察

#1 信息爆炸时代，如何关注信息？从clawdbot到openclaw，我对小龙虾的关注变化

春节前，在AI狂飙、人人FOMO、一天没上网就out、要离开电脑或者token没用完就想着多给AI布置任务的时代，我开始觉得人的注意力才是最宝贵的资源 ------ 全都跟等于全都没跟，需要选择注意哪些、不注意哪些。

比如春节前的某天，github trending第一的是名叫WiFi DensePose的项目，号称可以"用WiFi无线电波实时分析屋内人体姿势、监测生命体征和数据"，star曲线直线攀升。我思考了几秒，就选择不关注。后来这个项目也无声无息了。

图例：某天github trending第一的项目wifi-densepose，和github历史最快第一的openclaw。

那怎么选择注意哪些、不注意哪些呢？baoyu写了一篇四象限减法的文章可以作为参考：

• 越能帮助提升生产力的、知识保鲜期越久的，越值得投入注意力。

• 离生产力越远、知识保鲜期越短的可以过滤。

但不是绝对的，一样东西会在四象限中发生变化。比如🦞

春节期间，还处于左上象限"地图感"，我主要是关注傅盛的龙虾日记。印象最深刻的是他在医院病床上，让龙虾写脚本爬了全公司的组织架构和员工通讯录，并根据每个员工的聊天会话记录定制拜年短信。我当时的反应是，不愧是CEO，要是我这么搞了，当天我就提包走人了，因为违反了公司安全守则。安全意识深入我心😂
节后返工，移动到"试一试"、"多投入"的区间。

开始在个人电脑上安装尝试，但感觉没太多使用场景，大部分人用来查个天气、模拟炒股不是我需要的。也让小孩体验了下，创建了个黑板报、让AI整理了下学习资料。其它要远程操控电脑开个ssh或远程控制软件就能操作电脑上的AI工具。只要通道建立了，后面就是coding agent的事了。

工作电脑上，我选择了qoderwork作为第一批内测用户，体感还不错。安全，还是安全考虑，我觉得现有的安全规章和先进的AI模型生产力之间已经存在矛盾了。

和其他人交流🦞使用案例：①有公司开始让龙虾整理历史工单和产品文档，让AI自动答疑；②有多家创业公司让龙虾自动整理邮箱、判断并写回复草稿。

#2 对小龙虾的了解学习和使用

#2.1 为什么openclaw这么火？

细想一下，上面那些案例一定要用龙虾来完成吗？显然不是，用coding agent就能做到。

那为什么是龙虾带火起来的呢？我理解首先是产品概念：

产品理念符合大众/非技术圈对"智能体"的理解和期望 ------ 我吩咐你一件事，你去完成了，而且是可以免费搭建的、属于我的私人助手。据pete所说，他这个项目做了一年多，前期是非技术圈的朋友更感兴趣，技术圈的人可能会觉得这些技术组件/要素我都有解法、而且都在用了，反应比较淡。
时间节点因素，为什么现在你吩咐一件事，它就能完成了？之前吩咐AutoGPT它却完成不了？到了2026年初，coding agent能力跨过了临界点，遇到缺少的工具，它可以自己写代码添加工具，具备自主增强和进化的能力。
社会氛围因素，AI时代群体性FOMO，企业老板对7x24数字员工的期待，叠加国外铺很广的Agent广告宣传和国内千问豆包等AI功能宣传铺垫。

接着才是背后支撑的技术：

窗口：通过插件化的Channels设计，对接市面主流IM应用作为用户使用接口，让获客渠道最大化，让用户下任务零门槛化
大脑：经典的网关中枢型架构，和微服务的API网关一样，做归一化处理和分发，对外承接多IM设计，对内调度多Agents执行任务。
四肢：Agents模块负责做事：接收 Gateway 分发的请，调用 AI 模型生成回复，执行工具调用。
其它还有插件扩展模块、安全防护模块，但实际上默认是不安全的，所以政府部门、金融部门还有部分医疗机构都禁止安装openclaw。

#2.2 对记忆系统的了解学习

大模型天然是"无状态"的------每次对话都是一张白纸。记忆系统要解决的核心问题是：如何让 AI 在多轮交互中保持连贯性，同时不被历史噪音污染。这个问题在 AI 编码助手、个人助理、客服等场景下尤为关键。

我之前会为Agent划分不同的工作目录（比如开多个cursor/qoder），在目录下设置 AGENTS.md、业界资料references、个人想法记录和工作进展，相当于把我的记忆上下文导出，让AI更理解我来帮我做事。

所以当我看到龙虾的SOUL.md、USER.md、MEMORY.md等设计时，眼前一亮。

龙虾会成为越来越理解用户的私人助手，主要来源于它的记忆系统：

以.md文件为持久真相源，引入拟人化设计，包括长短期记忆和记忆衰减机制。
秉承本地优先原则，基于sqlite设计了语义+关键词混合召回方案。
配套了双阶段记忆召回工具：memory_search和memory_get，用来降低幻觉和控制召回上下文大小。

每次Agent启动或开新会话时，加载固定上下文；

当用户提问、Agent推理、工具执行需要时，会按照以下业界常见的混合搜索流程做进一步召回：

用户查询

→ Embedding（多提供商）

→ 向量搜索（sqlite-vec）+ BM25 全文搜索（FTS5）

→ 混合得分（0.7 × vector + 0.3 × text）

→ 时间衰减（30 天半衰期，常青记忆豁免）

→ MMR 重排序（λ=0.7 平衡相关性与多样性）

→ Top-K 结果返回

在召回时，会基于配套工具和提示词，做双阶段特色优化：

memory_search：做语义检索（hybrid：向量 + 关键词），快速找候选片段，返回文件和行号信息。
memory_get：在 memory_search 之后使用，仅拉取需要的lines，保持上下文精简。
要求在回答关于过往工作、决策、日期、人员、偏好或待办事项的问题之前，必须先对 MEMORY.md + memory/*.md（以及可选的会话记录）进行语义搜索，通过基于用户实际历史而非模型知识来降低幻觉。

当上下文过长需要压缩时，触发写入。由模型判断长期、重要或日常任务事件，分别写到MEMORY.md或者daily log。

压缩条件是openclaw套壳的pi-coding-agent来决定的，通常有两种条件触发：

溢出恢复：模型返回上下文溢出错误 → 压缩 → 重试。
阈值维护：在成功的回合后，当： contextTokens > contextWindow - reserveTokens

其中： contextWindow 是模型的上下文窗口， reserveTokens 是为提示 + 下一个模型输出保留的空间。

大致的压缩指令如下：

#2.3 对记忆系统的思考疑惑

上面的记忆系统方案看起来好像很完善，但为什么要设置 7:3 的语义和关键字权重比例，有没有对这套记忆系统的质量评测呢？

7:3 相对好回答，因为这是常见的通用RAG经验值。在不同的应用场景可能权重比例就不同，或者要叠加其它检索方案。

既然不同场景的权重不同，那么就应该有对应的质量评测，才好说明这个配置是有效果的。

我关注并遇到过一些AI记忆系统的问题，觉得是可以作为评测基线的：

• ChatGPT案例：2025年初，OpenAI 默认开启了 "Reference Chat History" 功能，大量用户报告 ChatGPT 严重幻觉和记忆混乱，具体表现为串用户记忆、把用户聊天记录作为回复。

• OpenClaw案例：2026年初，OpenClaw把Meta AI安全总监的几百封邮件删除了。原因是记忆压缩时，把"不要删除邮件"压缩成"删除邮件"。peter也对此做了回复，表示会进行安全优化。

• Cursor案例：用户反馈在不同会话中规则遵循度不一致，原因是用户级rules和项目级rules合并后超长被截断。

• AutoGPT案例：记住了之前的失败尝试，但没有正确标记"这是失败"，每次循环都重复执行相同的失败方案，又缺少合适的中止机制，陷入烧token循环。

• Minimax M2.7案例：前一晚看到官方宣称通过模型的自我进化追平GPT-5.3-Codex、几乎追评Opus 4.6，第二天早上实测下来和Opus 4.6差距很大，写出来的代码有bug，改了几版都不对，最后删掉让Opus 4.6重写一次就好。猜测在评测时，应该是有持续沉淀了一些正确代码的记忆，所以导致在benchmark下表现比较好，但在冷启动时表现不佳。但如果是记住失败案例呢？

• AI Coding IDE案例：在使用有记忆系统的AI IDE打磨代码模板时，多个旧版本被记录到记忆系统中，按照新的要求生成时仍然会被这些旧版本污染。

• XxClaw案例：串会话。失败案例污染：在会话1 发现缺少 xx skill 无法完成任务，安装skill后在会话2让执行任务，还是说刚才已经发现缺少skill无法执行了，直接结束任务。

总结下就是：会话和用户隔离问题、上下文窗口大小限制导致的指令截断和压缩后否定翻转、未能识别标记badcase而作为记忆召回导致上下文污染。

针对这些问题，一方面是AI应用本身要进一步加强对记忆系统的安全校验机制，另一方面对用户来说：如果我们不了解背后的上下文压缩机制，可以尽量写正面提示词，避免压缩后被否定翻转，或者在结尾处重复多讲几次。

#3 对小龙虾带来的变化的个人理解

#3.1 一开源就超越，百虾大战的核心竞争力是什么

小龙虾带来的第一个变化就是百虾大战，让token更普及到千家万户。

那这么多龙虾，个人和企业会怎么选，它们有什么区别和核心竞争力？我认为是：

记忆系统，不同场景是有差异的，要做好也有挑战。
安全和品牌信任度 ------ 才能让客户愿意开放数据做深度结合，让产品越来越好用。
客户获取/销售能力，能够帮客户定制解决方案完成实施，快速把企业流程和经验skill/cli化，最终给客户带来收益。

当类龙虾的AI解决方案成功卖给企业或客户后，在ToB 场景需要和企业数据做深度结合，在To大C场景能用好的记忆系统成为越懂用户的数字助手。这就要求企业内生产关系做调整、生产资料向AI开放（cli化），也就是组织AI化。

比如现在业界不少创业新公司CTO的AI助手和他一样都具备了访问全公司资料的权限，比CTO还了解公司全局和细节。

但也有一些偏传统企业应用AI后效果不符合预期，仍然存在着AI化改造的挑战：

• 某保险公司开发的 AI 理赔系统上线后准确率仅 60%，因数据格式混乱、内容过时，需额外花 2 个月清洗数据，项目严重延期；

• 某制造企业 AI 质检系统误判率 15%（而人工仅 3%），因产线数据无法实时接入，三套老旧系统打通需半年且预算超支，系统上线三个月后"休眠"；

• 某连锁超市巨头引入 AI 动态补货系统，覆盖 1200 家门店，上线后，华东区门店缺货率飙升 40%，而华南区却库存积压。

#3.2 为什么要等开源才超越，为什么是peter写出了openclaw

I don't need money. I want to have fun and impact.

Peter，一个财务自由躺平3年觉得无聊的人，要寻求乐趣和价值。

我首先是思考自己在什么样的条件下，有可能会做出openclaw。后面觉得也不用对自己太苛求，年薪1亿美元的AI人才也没写出openclaw，硅谷那么多顶尖AI企业和人才也没人写出来。而且peter也是无压力、凭乐趣地持续做了一年多才火出圈。

为什么是peter做出了 openclaw，我个人理解：

越有公司和业务全局观，越有big picture上下文的，越有机会触发去做openclaw这类全景AI数字员工。越做具体工作的，概率越小。
未来更多是被构建出来的，而不是预测出来的。国外很多CEO都是下场开发，除了peter，还有扎克伯格也在开发CEO Agent，YC的CEO也在构建AI虚拟工程团队。国内有傅盛这个CEO例子，他能无压力、有时间、拿整个公司资料来构建。
peter个人的特质和经验能力，从底层架构到上层产品需求定位和开发经验，财务自由后个人痛点和兴趣驱动的持续创新底气。

#3.3 更多变化观察

AI的发展从 chatbot 到 workflow 到 agent 再到 coding agent，中间有套壳大模型的manus，现在是套壳coding agent的 openclaw。

openclaw回答了之前有人提出的一个问题：在2026年，你预测AI领域会出现哪些像coding agent这样现象级的产品？

现在大家都比较明确地感受到了，新的现象级产品，从编程领域的千亿美元市场，扩展到万亿美元的劳动力市场。

目前AI应用还处于human in the loop的阶段，因为人机转速比不匹配，创业公司的CTO都被AI评价为瓶颈，所以人类觉得更累。

接下来比较明确的发展方向就是从人管AI 向 AI管AI发展（openclaw就是），打造7x24 小时数字员工。

那么，AI越发展，如果越导致人类失业，消费力下降，那AI公司赚什么钱呢？

我问了AI这个问题，得到的回复是：

短期，AI先赚ToB的钱。因为一开始人类失业，是伴随着企业利润的短期增加。
中期，政府可能被迫介入。
长期，不知道。

业界AI创业公司也需要面对这个问题，他们有的回答是：我们也不知道，所以他们也不再做5年规划，只看未来3-6个月，而且策略改成"预判为辅、跟随为主"、"提高胜率而不是赔率"、"优先把确定性的事实做好"。

这不只是发生在小创业公司，而是从创业公司到OpenAI这样的领头羊。比如Anthropic只做coding agent这个确定性的事情，做到世界最好，现在倒逼OpenAI关停Sora、重新聚焦回到主线。

而我们普通个人，面对这个极大概率是和历史上其它科技革命都不一样的巨浪，也只能享受冲浪了🏄🏻 去拥抱和适应。