OpenClaw 入门到放弃：私人 AI 的初代原型机

背景

技术是个高壁垒且相对封闭的圈子，但这两年借着 AI 的关注度，已经从技术社区蔓延到各大娱乐平台，这么多年也没见这么红火过，你们算是赶上啦！

AI 这个当下全世界最顶级、最宏大的叙事，已经和人类未来的命运捆绑到一起，可预见未来几乎所有行业、所有工种、所有人的生活方式都将被重构，除了对未来的恐慌和期待，很多人也在争先恐后的追赶，害怕在其中慢人一步。

在民用普适型强 AI 应用出现前，围绕大模型发展而诞生的各种应用层的概念，互联网与软件技术将是迈不过去的一道坎。

通俗讲就是通用大模型的发展已经远领先于现实世界和互联网世界，好比人类在石器时代突然发明了宇宙飞船引擎，即使引擎动力再强也无法飞上太空，因为基础设施断代严重，那为什么会出现如此违背客观规律的发展？因为模型能力并非技术的日益进步而逐渐提升，基于 Transformer 架构的概率预测模型在某个节点，出现了智能的涌现，极短时间完成了从弱智能到强智能的跨越。

过去我们常说「计算机的世界没有魔法 ，一切能力都来自严谨的代码逻辑」，概率预测模型的出现打破了这条铁律，对于程序而言模型是真正意义上的 「魔法」，逻辑的边界正在消融。

阅读大纲

1. OpenClaw 为什么会火？
2. OpenClaw 并不适合技术人员
3. OpenClaw 对于互联网从业者帮助有限
4. OpenClaw 可让普通人感受 AI 与编程的魅力
5. OpenClaw 的价值在哪里
6. 关于大模型本地部署的弊端
7. 总结

一、 OpenClaw为什么会火？

如果只看演示，OpenClaw 几乎满足了所有人对「私人 AI 助手」的想象：能接聊天软件，能跑定时任务，能调用工具，能在你离开电脑后继续执行动作......

要有一台常开设备，再接上模型和消息入口，我就能拥有自己的数字分身，代替自己 7×24 小时的高效工作......

只要买一台 Mac mini，再接几个模型，就能拥有自己的数字管家......

很多解释将 OpenClaw 的火爆归功于其强大的能力，但事实上这些能力并不新奇，在 AI 编程领域很早就推行本地 Agent 这一概念，也早已诞生 Claude Code、Codex、Cursor 这类非常成熟而强大的本地 Agent 产品，早已不局限于生码，可保证稳定的交付、可控的成本、充分的本地化能力。

而 OpenClaw 是现象级的火爆：网络上铺天盖地的信息、各家企业相继推出各自的 OpenClaw 版本、线上线下付费安装、甚至 Mac mini 二手价格都大涨，一个半成的产品能引起如此大的热潮，是非常离谱和夸张的，而原因并非 OpenClaw 产品本身或者带来哪些技术突破，因为：

1. 人们根本不关心技术
2. OpenClaw 也远达不到一个成熟产品的标准，顶多算一个半技术半产品的开源项目

所以除了聊技术，也要先剖析当下人们的心理：

在当下人工智能的宏大叙事下，人类世界的各行各业都会有巨大的变革，人们面对未知的未来，恐惧、狂热、困惑和迷茫，会让每一个相关的概念和产品都拥有巨大的关注度和更广泛的影响

OpenClaw 描绘的场景和发布的时机，切中了当下人群的心理，能让大多数人，可以真正的开始「做点什么」，来实现「我已经在 AI 时代开始做事了」的幻觉。

那下面我们就来逐一看，它到底适不适合你

二、OpenClaw 并不适合技术人员

在当下 AI 时期，如果非要划分下技术人员，我觉得可以以 AI 为节点，区分成三类：

1. 纯古法编程的技术手艺人
2. 将 AI 作为工具简单使用的技术人
3. AI 接受和融入度较高的新工种： AI 技术工程师

如果你处在前两个阶段，那你现在的首要任务是尽快升级到第三阶段，解放生产力。

如果你是一个 AI 接受和融入度较高的新 AI 技术人员，那么 OpenClaw 几乎不会给你带来任何生产力的提升：

因为 OpenClaw 作为全通用性 Agent 的产品在专业领域实在过于粗糙和低效了

编程作为 AI 目前商业化最成功的领域之一，在从产品设计到上线的整个链路，都有非常精细垂直的 AI 工具和产品，无论是面向产品、UI、生码、测试、运维，你都应该有更好的选择而不是使用 OpenClaw。

以我当下个人经验举例，主要使用模型是 Gemini、GPT、Claude ，当下使用的 AI 产品：

• ChatGPT、Google Gemini 主攻问答、讨论和调研；

• Claude Code、Windsurf 主攻生码编程；

• Codex IDE 主攻本地执行类任务（生码、测试、运维）；

• 产品的原型设计、UI设计也有各自的 AI 工具

这些工具与我个人能力和习惯深度耦合，近两年以来，所有能提高生产力的环节，都以更高效更精细的 AI 产品填充。

我同样也期望拥有一个私人 Agent 来进一步提高效率，但我需要的是深度定制化的个人 Agent 工作流，而不是 OpenClaw。

专业链路上有更精细的垂类工具，OpenClaw 在专业场景下必然粗糙，低效，有学习和研究价值但实在没必要用于日常的使用。

三、OpenClaw 对于互联网从业者帮助有限

我这里指的是一些从事互联网相关工作的人员，例如产品、设计、运营、编辑、剪辑等。这类人往往比普通人更容易接受 AI，也更愿意把新工具接进自己的工作流里。

OpenClaw 同样帮助有限，因为他们刚好处在一个很尴尬的位置：

• 比普通人更能理解 OpenClaw 描绘出来的未来
• 比技术人员更缺少把这套东西稳定跑起来的工程能力
• 比普通人更有生产力焦虑，害怕被替代，也更容易被"自动化"叙事打动

1. 结果交付是第一需求

产品、设计、运营、编辑、剪辑这些岗位，真正想要的从来不是"我有一个 Agent 系统"，而是：

• 我能更快写完方案、周报、PRD
• 我能更快做出视觉稿、海报、封面、脚本
• 我能更快分析数据、整理资料、产出内容
• 我能更快完成协作和交付

这些需求，本质上都是结果导向的。而 OpenClaw 提供的不是结果工具，它提供的是一套通用能力底座：消息入口、模型路由、工具调用、任务编排、状态存储、定时执行。

这套东西当然很"高级"，但对于非技术人员来说，它离最终结果太远了。

他们不是想拥有一套基础设施，他们只是想把工作更快做完。而在这件事上，专用 AI 产品、成熟 SaaS 插件、垂类工作流工具，通常都比 OpenClaw 更直接、更省心、更稳定。

2. 自由开放反而是负担

OpenClaw 看起来很强，什么都能接，什么都能编排，什么都能自动执行。意味着你要自己定义边界；自由，意味着你要自己承担复杂度。

你想让它真的帮你做事，就要先想清楚很多问题：

• 任务从哪里触发
• 需要调用哪些工具
• 哪些步骤允许自动执行，哪些步骤必须人工确认
• 模型选哪个，成本怎么控
• 出错了谁来兜底，日志怎么看

这些问题一旦展开，本质上就已经不是"用工具"了，而是在搭一套小型系统。

当然不乏有些动手能力强的人，希望搭建自己的 Agent 能力，但这有着极高的技术壁垒，一个专业且好用的产品势必是多个专业工种结合的产物，非专业人员往往忽视其难度只能看到表象。

3. 质量结果无从判断

非技术岗位的很多工作，看起来都很适合交给 Agent：

• 帮我整理竞品信息
• 帮我写一版活动文案
• 帮我出一个选题方向
• 帮我整理舆情、汇总日报
• 帮我把零散资料拼成一份初稿

但这些任务难点往往不在"做"，而在"做得对不对、合不合适、能不能直接交付"。

Claude Code 和 Codex 同样作为可处理复杂事物的本地 Agent（专精与编程生码方向），质量一定更优，因为它们有远超当下的工程设计能力、各自顶级模型的一手资源和世界顶级模型厂商的背书

作为行业领头的本地化 Agent ，经过长时间的迭代打磨，已完全能保证稳定的交付结果。

4. 我离个人自动化只差一台机器？

这类用户对效率工具本来就敏感，更容易被下面这种叙事打动：

我只要配一台常开设备，把 OpenClaw 跑起来，再接上模型和消息入口，它就能帮我盯数据、整理资料、生成内容、定时提醒，甚至替我执行一部分工作。

它确实踩中了很多个岗位真实的痛点：事情碎、流程多、协作重、重复劳动多。

但现实是，OpenClaw 能连接很多东西，不代表它能稳定承担你的工作责任。

一旦真的进入日常工作，你很快就会碰到这些问题：

• 它能不能稳定拿到正确的数据源
• 它生成的内容能不能直接进入团队协作链路
• 它调用外部工具时，权限和安全边界怎么控制
• 它一旦出错，谁来发现，谁来修，谁来负责

这些问题，对技术人员来说是工程调优问题；对非技术人员来说，很多是无法解决的壁垒。

所以 OpenClaw 对非技术人员最大的吸引力，是它激发一种幻觉：我好像马上就能拥有自己的 AI 工作流了。

但大多数情况下，你真正拥有的不是一套稳定工作流，而是一套需要你不断解释、不断确认、不断兜底的半成品系统。

四、OpenClaw 可让普通人感受 AI 与编程的魅力

普通人和 OpenClaw 之间的距离，像隔着银河系一样遥远。

对绝大多数非技术、非互联网背景的人来说，他们缺的不是某项具体技能，而是整个认知体系。API、token、产品、交互、数据分析、APP、网站......这些东西在技术和互联网圈里是默认前提。但对普通人来说，理解起来比外语还陌生。他们的起点不是零，是负无穷大。让他们去驾驭一套这样的系统，可行性非常低。

但这批人，也往往对 AI 最震撼、最兴奋。

从没看过足球的人，第一次看世界杯决赛，会觉得球员踢得像神。然后出去买了双专业钉鞋，觉得自己离梅西只差一双鞋。越不懂，越容易被表象震撼，也越容易低估自己和目标之间真实的距离。

OpenClaw 对普通人来说大概就是这个处境。它确实能让人体会到"AI 帮我做事"的感觉，感受到技术世界的一点边角，这种体验是真实的，也是有意义的。

但那是观众席的体验，不是球场上的体验。

能把豆包、ChatGPT 这些成熟产品用顺手，和能驾驭一套需要自己配环境、管权限、读日志的 agent 系统，是两件完全不同量级的事。这中间有一道鸿沟，不是靠热情和几个教程能填的。

五、OpenClaw 的价值在哪里

当然有，但不是今天被反复渲染的那种价值。

"人人都有一个私人 AI 管家"这个叙事，短期内不会成立。原因不是 OpenClaw 不够努力，而是支撑这个叙事需要的东西------稳定的模型成本、成熟的工具生态、普通人可以接受的维护门槛------现在都还没到位。

它真正可能留下来的，是另一层价值：

作为这个时代最早探索"模型 + 工具 + 消息 + 状态"该怎么整合在一起的开源项目，OpenClaw 积累的产品形态和工程经验，大概率会成为下一代真正面向大众的 AI 助手产品的参考基础。

类比历史上的 Linux：同样开源、同样不是大众产品，但它率先定义了操作系统该有的样子，如今几乎所有的服务器、安卓手机、云基础设施底层都跑着 Linux。OpenClaw 正在做类似的事------定义本地 Agent 该有的样子，它不会成为 iPhone，但它的基因很可能出现在未来某个真正的 iPhone 里。

• 如果你把它当成基础设施来折腾，值得投入时间。

• 如果你把它当成开箱即用的大众产品，它的问题只会被时间放大。

六、关于大模型本地部署的弊端

这里我顺便提一下，另一个分支，就是关于本地部署大模型，接入本地 Agent 实现 token 自由和数据安全的方向，这也是很多人抱有很高期望的方向，也符合人的直觉，但对个人电脑来说确实不适合，存在以下无法解决的问题：

1. 本地部署的模型推理需要的硬件资源巨大，原生满血根本不现实
2. 阉割版的小模型可以在个人电脑上部署，但效果不会太好，且通常只有 1-2 个并发

如果你想本地部署个小模型接上 OpenClaw 在本地跑，根本没必要，远不如使用一些稳定的小模型 API ，例如 DeepSeek 、Qwen 的小模型都很便宜也非常快

本地部署模型，这个方向只适合学习、研究、模型微调和测试，很难用于生产

我的 Mac Studio 是 32G 运行内存 、400 GB/s 内存带宽，已经超过大多数个人用户的办公电脑，部署了 qwen:14b 和 Gemma4:26b，跑的还算流畅但是并发太少，而且模型推理要常驻内存，除非这台电脑只用来做模型推理，否则内存仍然会有不够用的情况，而多数个人电脑 8-16G 已经很不错了，内存带宽也很低，更无法做到 7×24 小时稳定运行，只能部署一些极小的模型测试，基本没什么太大的用处

总结

OpenClaw 存在诸多无法解决的共性问题。

1. 大量的 Token 浪费。

   它真正的亮点------长上下文、多步推理、工具调用、持续运行------天然放大 token 消耗。想用好它，token 耗费巨大；想省钱，效果和稳定性就会随之缩水。这个矛盾是这类产品的结构性成本，是物理成本，当下无法优化和解决。

2. 依赖众多三方平台，链路复杂。

   本地 Agent 并不能解决安全问题，模型调用依赖外部 API，消息通道依赖聊天平台，工具能力依赖第三方插件和宿主机环境。

3. 过度自由的本地化有严重的安全风险。

   吃进不受信任的外部内容、调用外部模型 API、执行有副作用的工具调用、长期持有账号凭证和状态记忆。用它自动发内容，账号有被封的风险；接入外部技能，供应链有被投毒的风险。一个需要用户自己兼任运维和安全管理员的产品，本来就不是为普通人设计的。

4. 真正有价值的场景，都有更成熟的垂类产品。

   它的真实价值区间很窄：比纯聊天强，比成熟垂类产品弱；比脚本灵活，比生产系统脆弱。

当你真正开始使用 OpenClaw，会发现它远不符合当下所描绘的那些能力，它只是拔高了本地 Agent 的能力上限，但远不是一个成熟的产品，具有一定的研究和学习价值，真正要通过 AI 提升个人生产力，肯定会有更合适的垂类 AI 产品适合你。

现在市面上很多自媒体吹嘘 OpenClaw 都是纯纯蹭流量，包括各大企业也推出各自的企业版 OpenClaw 也只是增加一些噱头，给自己的产品增加一些 「AI 属性」，企业内更加不会存在 OpenClaw 这种价值场景，各大企业也害怕在这场 AI 浪潮中落后，怕别人看出自己没有 AI 的基因，刷刷存在感，也能理解。

原创声明

原创文章，转载请注明作者和文章原链接，插图来源 AI 生成，关注公众号看更多文章哦！

作者：阿祖（了解作者）

向我提问

内容创作 AI 自律声明