AI制造的垃圾，就该由AI亲自清理。

就在近日，OpenClaw创始人兼OpenAI工程师Peter Steinberger完成了一项惊人创举——

他仅用2天时间打造了一款名为ClawSweeper的工具，启动50个Codex实例，实现7×24小时不间断并行扫描。

在一天之内，该工具直接关闭了openclaw/openclaw仓库中超过5000个无效Issue，还有数千个正在排队等待处理。

这个拥有36万Star的开源巨兽，此前积压了上万个Issue和PRs。

重复的、过时的、早已在main分支修复却无人关闭的、以及AI灌水产生的slop——这些内容如同数字坟场般堆积。

任何人类维护者看到这一幕都会感到头皮发麻。

按照人工处理速度，清理完这些积压大约需要整整一年。

而Steinberger借助AI，仅用一天就完成了半数工作。

当被问及本轮扫描的耗费时，他的回答轻描淡写：不到1000美元。

这意味着，5000多个Issue的深度审查与关闭，平均每个成本不足0.2美元。

而让整套系统减速的唯一因素，并非模型不够智能，而是GitHub的API速率限制——服务器跟不上AI的处理速度。

「冷面判官」的处决逻辑

别以为ClawSweeper是一个无脑的杀手。

恰恰相反，Steinberger为其设计哲学归纳为四个字——极致保守。

这套系统的核心运行在gpt-5.5上，采用high reasoning effort和fast service tier配置；每个待审条目的Codex审查超时设置为10分钟。

它仅在以下7种情况下才会关闭一个Issue：已在main实现、当前main无法复现、应归属ClawHub的 skill/plugin 而非 core、重复或已被更权威条目取代、在该仓库内具体但不可执行、内容过于混乱不可执行、以及超过60天且缺少足够数据验证bug。

除此之外，一律保持open状态。

还有一层保障机制：ClawSweeper不会触碰维护者自己发布的条目。

它会先检查GitHub中的身份标记，只要是项目主人、成员或协作者发布的issue，就直接跳过，不会自动关闭。

更谨慎的是，Codex在审查时根本没有写权限。

它只能在只读环境中查看代码、分析上下文、做出判断，然后将结果整理成一份结构化的markdown报告，存储到items/<编号>.md。

真正的评论和关闭动作，并不会在审查阶段直接执行。

系统要等到进入apply_existing=true模式后，重新抓取最新上下文，再对快照哈希进行重新计算，确认这条issue在提案生成之后没有发生变化，才会真正动手。

Steinberger亲自人工抽检了数百条关闭记录，结果：准确率几乎无误。

README就是仪表盘

ClawSweeper最令人拍案叫绝的设计，或许不是它的关闭逻辑，而是其「监控系统」。

传统做法是什么？

搭建Grafana，配置Prometheus，制作一套精美的后台Dashboard。

Steinberger表示：不需要。README就是我的仪表盘。

ClawSweeper在运行过程中，会实时更新仓库的README.md文件。

当前有多少open issue、本轮审查了多少条、提议关闭多少条、已执行关闭多少条、GitHub限流到了哪一步——全部以表格形式清晰地展示在README中。

任何人打开GitHub仓库主页，就能看到这个AI判官此刻正在做什么。

它让整个清理过程变得完全透明、完全公开、完全可审计。

任何对「AI擅自关闭我的Issue」有疑虑的贡献者，都可以直接点击对应的items/71514.md，查看Codex给出的完整审查理由。

当AI开始「自愈」

你可能会想，这不就是一个自动化脚本吗？

格局放大一些。

GitHub上有超过4亿个仓库，其中活跃的大型开源项目几乎都面临同一个噩梦——Issue坟场。

Kubernetes有4万多个已关闭Issue，Linux内核的邮件列表积压更是天文数字。

维护者的时间是世界上最稀缺的资源之一，而大量时间被浪费在「判断这个Issue到底还需不需要存在」这种机械劳动上。

ClawSweeper的意义在于，它首次在一个真实的、百万Star级别的仓库中证明：使用AI agent进行大规模的、保守的、可审计的Issue分诊，是完全可行的。

5000多个Issue的深度审查加关闭，总花费不到1000美元。按单个Issue计算，成本大约0.2美元。

而且它7×24小时不休息、不抱怨、不带情绪。

唯一让它慢下来的，只有GitHub API的速率限制。

从某种意义上说，这标志着开源项目从「人工维护」迈向「自愈」的起点。

未来，每一个大型开源仓库可能都会运行一个类似ClawSweeper的bot，持续监控Issue质量，自动过滤噪音，让人类维护者只需关注那些真正需要人类判断的高价值问题。

Rate Limit是最后的防线

有个细节特别值得关注。

ClawSweeper的Dashboard上赫然写着：「State: Apply throttled」——GitHub的API限流把它卡住了。

50个Codex并行扫描的速度太快，快到GitHub的服务器开始说「你慢点，我跟不上了」。

在传统软件开发中，速率限制是为了防止攻击。

但现在，它成了AI工作效率的唯一瓶颈。

不是模型不够聪明，不是判断不够准确，纯粹是基础设施跟不上AI的速度。

这大概就是2026年最真实的写照：管道追不上AI。