OpenClaw 发展至今:从“会做事”到“能进化”,还差多远?

arxiv：http://arxiv.org/abs/2604.17308

          http://arxiv.org/abs/2604.08523

benchmark：ClawBench — 真实浏览器代理基准测试

随着 Claude Code、OpenClaw、Gemini CLI 等命令行与浏览器智能体的兴起，AI 不再只是“对话工具”，而是开始真正代替人类操作电脑、填写表单、完成任务。

但问题来了：OpenClaw 真的能像人一样，在日常网页中完成复杂任务，并从中持续进化吗？

两篇最新论文《SkillFlow》与《ClawBench》给出了目前为止最系统的回答。

✅ 优点：OpenClaw 已具备的能力

1. 真实的网页操作能力

• 在《ClawBench》中，OpenClaw 类智能体可以：

• 操作144个真实网站

• 完成购买、预约、填表、申请工作等写操作

• 处理动态内容、弹窗、登录流程

这比传统只能在静态页面中导航的智能体进了一大步。

2. 支持技能发现与复用

• 在《SkillFlow》框架下，智能体可以：

• 从一次任务中总结出可复用的技能

• 将技能保存为 SKILL.md + 脚本

• 在后续任务中调用、修正、丢弃技能

这意味着 OpenClaw 不再是“一次性执行器”，而是一个可进化的程序系统。

3. 与真实环境的可控交互

• 通过 Chrome 扩展 + CDP 拦截机制：

• 智能体可以访问真实网站

• 但最终提交请求被拦截（不真正下单、不提交申请）

• 保证安全性的同时不牺牲真实性

❌ 局限性：离“可靠助理”还有明显差距

1. 真实任务成功率仍然很低

• 在《ClawBench》153个真实任务中：

• 最强模型 Claude Sonnet 4.6 仅完成 33.3%

• GPT-5.4 仅 6.5%

• 两个模型甚至低于 5%

换句话说：70% 以上的日常网页任务，当前最强智能体也完成不了。

clawbench中的部分任务如下：

2. 技能进化不稳定，甚至倒退

• 在《SkillFlow》中：

• Claude Opus 4.6 从 62.65% → 71.08%（✅ 正向进化）

• Qwen-Coder 反而从 45.18% → 44.58%（❌ 退化）

技能不是越多越好，错误的技能会污染整个任务族。

3. 技能膨胀，而非真正的抽象与压缩

• 弱模型（如 Qwen、MiniMax）：

• 几乎为每个任务都生成一个“新技能”

• 最终技能库膨胀，但无正向收益

它们更擅长“记录经验”，而不是“提炼原则”。

4. 缺乏真正的任务间迁移能力

• 大多数模型：

• 在同一任务族内表现尚可

• 一旦跨任务族（如从财务 → 医疗），技能几乎无法迁移

说明当前技能更多是任务特定的“脚本片段”，而不是真正的可迁移知识。

🧠 核心结论：OpenClaw 的下一步是什么？

OpenClaw 已经走出了“能做”的第一步，但离“可靠、可进化、可迁移”的通用助理，还有很长的路。

📌 写在最后

这两篇论文（SkillFlow & ClawBench）是目前最系统地揭示 OpenClaw 类智能体真实能力边界的工作：

• 开发智能体工具链 → 必须关注技能膨胀与修复机制

• 评估智能体能力 → 不要只看静态 benchmark，要上真实网页 + 写操作

• 研究智能体进化 → 请记住：写出技能 ≠ 写出好技能

真正的智能体，不是会做事，而是能从做错的事中学会更好。