OpenClaw养虾笔记 系列 · 第一篇
OpenClaw是什么？从"AI只能聊天"到"AI帮你干活"
一个开源的本地AI Agent框架让大模型真正接管你的键盘和终端
📖 导读
你每天40分钟巡检服务器、3小时拉数据做周报、半小时逐行review代码------这些事AI两年前就会了，只是没人让它动手。OpenClaw就是这个让AI"动手"的开关：一句话指令，它替你SSH、替你跑SQL、替你查代码，结果直接发到你飞书群里。不是未来，是现在。
01 为什么需要AI Agent？
大模型火了两年多了。ChatGPT、DeepSeek、文心一言、通义千问、豆包......你大概已经用过不少。但这些云端对话产品有一个共同的局限------
你问它"怎么批量重命名文件"，它给你一段Python脚本。然后你得自己打开终端，自己粘贴代码，自己执行。
这就像你请了一个顾问，他很聪明、什么都懂，但他永远只会站在旁边给建议------从不动手。
AI Agent解决的就是这个问题。它不只是"聊天"，它能执行。
聊天机器人 vs AI Agent
图1：聊天机器人只能"说"，AI Agent可以"做"
这个区别看起来简单，但意义巨大。想象一下：
✅ 你说"帮我检查服务器磁盘空间"------它SSH上去查了，告诉你哪个分区快满了
✅ 你说"把这100张图片压缩到500KB以下"------它直接处理了，放到指定目录
✅ 你说"分析一下这个项目的代码质量"------它跑完静态分析，生成报告发给你
这不是未来，这是OpenClaw现在就能做的事。
02 OpenClaw到底是什么？
OpenClaw （曾用名Clawdbot、Moltbot）是一个开源、本地优先的AI Agent框架，基于MIT协议发布。
它不是一个"套壳聊天机器人"的产品。它是一个基础设施------你可以把各种大模型接进来，通过各种渠道与它交互，让它调用系统级能力帮你完成真实任务。
核心设计理念
|------|-------------------------------------------------|
| 理念 | 说明 |
| 本地优先 | 所有数据存储在你的机器上，不经过任何第三方服务器 |
| 模型无关 | 不绑定任何一家大模型。DeepSeek、智谱、豆包、Qwen、OpenAI、Claude都能接 |
| 渠道无关 | 飞书、QQ、微信、钉钉、Web、CLI、Telegram------你在哪里办公，就在哪里用 |
| 可扩展 | 通过"技能"（Skill）系统，你可以给它增加任意能力 |
和同类产品的区别
市面上的AI工具大致分两类：云端对话产品 和本地Agent框架。OpenClaw属于后者。
|------|-------------|---------------------------|
| 对比维度 | 云端对话产品 | OpenClaw |
| 执行能力 | 无，只能输出文本 | 有，可操作文件系统、执行命令、调用API |
| 数据位置 | 云端 | 本地 |
| 通讯集成 | 固定（网页/App） | 多渠道（飞书/QQ/微信/钉钉/Web/CLI等） |
| 模型选择 | 绑定单一厂商 | 自由切换任意大模型 |
| 定制能力 | 有限（GPTs/插件） | 完全可控（Skill技能系统） |
| 开源 | 否 | 是（MIT协议） |
| 费用 | 订阅制 | 免费框架 + 按模型API调用付费 |
03 架构概览
OpenClaw的架构遵循三层解耦设计。这意味着你可以独立更换任何一层，而不影响其他部分。
图2：OpenClaw三层解耦架构
第一层：LLM大模型层
这是OpenClaw的"大脑"。它负责理解你的自然语言指令，将其分解为可执行的步骤。
OpenClaw不绑定任何模型，你可以自由选择：
|-----------|-------------------|----------------------------|------------|
| 模型厂商 | 代表模型 | 特点 | 适合场景 |
| DeepSeek | DeepSeek-V4 | 1M超长上下文，混合注意力，Agent优化，中文顶尖 | 全场景 |
| 智谱AI | GLM-5.1 | 200K上下文，SWE-bench Pro全球第一 | 企业/编程 |
| MiniMax | MiniMax-M2.7 | 204K上下文，Agent工作流优化 | Agent/编程 |
| 豆包 | Doubao-2.0-pro | 多模态拉满，智能体规划全球前五 | 高频调用/办公 |
| 通义千问 | Qwen3.6-Plus | 编程能力全球第二，256K上下文 | 编程/阿里云 |
| Ollama本地 | Qwen3/DeepSeek-R1 | 完全离线，零成本 | 隐私敏感 |
| OpenAI | GPT-5.5 | 1M上下文，原生电脑操控 | 复杂Agent/科研 |
| Anthropic | Claude Opus 4.7 | 1M上下文，低幻觉，企业级安全 | 法律/合规 |
第二层：Gateway网关层
这是OpenClaw的"神经中枢"。它运行在你的本地机器上（默认端口18789），负责：
🔹 会话管理：维护多轮对话上下文
🔹 任务编排：将大模型返回的执行计划拆分为具体步骤
🔹 消息路由：将不同渠道的消息统一处理
🔹 技能调度：根据任务类型调用对应的Skill
Gateway是常驻进程，OpenClaw自带启动命令，无需额外安装PM2或注册系统服务。
第三层：Channels渠道层
这是用户与OpenClaw交互的入口。你在哪里办公，就把OpenClaw接到哪里：
|--------|------------------|-----------|
| 渠道 | 说明 | 适合场景 |
| 飞书 | 内置插件，扫码自动创建机器人 | 字节系/新兴企业 |
| QQ机器人 | 内置插件，QQ开放平台创建Bot | 年轻用户/社区 |
| 微信 | 外部插件，QR扫码登录，仅私聊 | 国内日常沟通 |
| 钉钉 | 社区插件，Stream模式接入 | 阿里系企业 |
| Web界面 | 内置Web UI，浏览器直接用 | 个人用户/快速体验 |
| CLI命令行 | 终端直接输入指令 | 开发者日常 |
04 它能做什么？三个真实场景
1场景一：运维工程师的日常巡检
传统方式每天早上SSH到5台服务器，逐台检查CPU/内存/磁盘/日志，手动汇总晨报发微信群。耗时40分钟。
OpenClaw方式在飞书群里发一句"执行早间巡检"。OpenClaw自动SSH到所有服务器，采集指标，发现异常标红警示，生成Markdown报告直接发到群里。耗时0分钟（自动执行）。
2场景二：数据分析师的周报
传统方式从数据库导出数据，用Excel处理，做透视表和图表，写分析结论，排版成文档。耗时3-4小时。
OpenClaw方式"帮我从生产库拉上周的用户活跃数据，按渠道维度分析DAU/WAU趋势，生成图表和分析结论，输出为PDF。" OpenClaw连接数据库、执行SQL、调用Python做分析和可视化、生成报告。你只需要审核最终结果。
3场景三：开发者的代码审查
传统方式逐个PR看diff，跑测试，检查规范，写review comment。每个PR 20-30分钟。
OpenClaw方式"审查src目录下最近3天的改动，检查未处理的异常、潜在的性能问题和安全漏洞，生成审查报告。" OpenClaw分析代码变更，运行静态检查，交叉对照历史bug模式，给出具体的改进建议和代码位置。
图3：从一句话指令到任务执行的完整流程
05 为什么选择OpenClaw？
|-------|----------|-----------|---------|------------|
| 对比维度 | OpenClaw | LangChain | AutoGPT | Dify |
| 部署方式 | 本地/私有化 | 需自行编排 | 本地 | 云端/私有化 |
| 通讯集成 | 内置飞书/QQ等 | 无 | 无 | 有限 |
| 国产模型 | 原生支持 | 需适配 | 有限 | 原生支持 |
| 上手难度 | 低（CLI向导） | 高（需编程） | 中 | 低（可视化） |
| 系统级操作 | 完整支持 | 需自行封装 | 部分支持 | 有限 |
| 开源协议 | MIT | MIT | MIT | Apache 2.0 |
06 适合谁用？
|--------|-----------------|--------------|
| 角色 | 怎么用 | 价值 |
| 运维/SRE | 自动巡检、故障排查、日志分析 | 减少80%的重复操作 |
| 后端开发 | 代码审查、文档生成、自动化测试 | 将碎片时间释放出来 |
| 数据分析师 | 自动取数、报表生成、趋势分析 | 从"拉数据"到"看结论" |
| 技术管理者 | 团队日报汇总、项目进度追踪 | 信息自动流转 |
| 创业团队 | 一个人顶半个运维 | 降低初期人力成本 |
OpenClaw代表了一种趋势
AI从"对话助手"进化为"执行助手"
如果你觉得"每天有太多机械性的工作在消耗时间"------这正是OpenClaw要解决的问题。
💡 总结与思考
AI Agent不是概念，是正在发生的变化。当大模型从"只会说"进化到"真正会做"，你和AI的关系就不再是"问与答"，而是"指挥与执行"。
🤔 值得思考的问题
你每天有多少时间花在了"机械重复"上？如果有一个不知疲倦的执行者替你干活，你会把省下来的时间用在哪里？
如果这篇文章让你有所触动，不妨动手试试------
体验从"问AI"到"用AI"的转变
欢迎分享你的看法 · 也欢迎转发给同样被重复劳动困扰的朋友