夜雨聆风
当 OpenClaw 突然失效
当原来顺手的 AI Agent 工作流突然断掉之后，普通用户到底该怎么继续用 AI 干活？
这件事不是理论问题。
它不是“AI 会不会替代人”的宏大讨论，也不是“哪个模型参数更强”的技术评测，而是一个非常现实的问题：
我原来已经习惯让 AI Agent 替我处理资料、改稿、跑任务、管文件、远程操作设备。可有一天，它突然不能用了。那我怎么办？
这次折腾下来，我最大的感受是：
AI 时代，真正难的不是找到一个工具，而是建立一套不会轻易被单点故障打断的工作系统。
最开始，我是在 OpenClaw 上接 Claude 使用。
那段时间的体验确实很顺。
因为它不像普通聊天窗口，只是你问一句，它答一句。它更像一个能干活的 AI 工作手：
你给它一个目标，它可以去读文件、改文件、执行任务、调用工具，甚至远程处理一些设备上的问题。
对我这种非专业程序员来说，这种体验很重要。
我不是天天写代码的人，也不是为了炫技才用 Agent。我用它，是因为它真的能替我省时间：
-
整理资料； -
改写文稿； -
分析项目； -
维护本地工作区； -
处理一些技术配置； -
远程管理 Mac mini、VPS、软路由这些设备。
说白了，我已经把它当成了一个“半自动工作搭子”。
结果某一天，突然就卡住了。
提示大意是：Claude 不再支持第三方接入。
那一刻，我才意识到，过去我觉得理所当然的一套工作流，其实非常脆弱。
因为我之前走的是一种反向接入方式，消耗的是套餐额度。用起来很爽，成本也低，但它并不是一个稳定、长期、可控的正式方案。
平时没问题的时候，你会觉得：
“反正能用就行。”
但一旦接口变了、规则变了、平台收紧了，整个工作流就会立刻断掉。
这就是普通用户在 AI 时代最容易忽视的一件事：
你用的不是一个工具，而是一条依赖链。
只要其中一个环节变了，后面的东西都可能跟着失效。
OpenClaw 断掉之后，我面临两个选择。
第一条路，继续用 Claude，但走官方 API。
这条路最直接，也最干净。
问题是：贵。
如果只是偶尔问几个问题，API 成本还可以接受。但如果你像我一样，把 AI 当成长期工作流来用，让它读大量上下文、处理文件、反复调用工具、执行复杂任务，那成本就不是小数了。
尤其是 Agent 场景，它不是普通聊天。
它会不断读文件、写文件、调用工具、总结上下文、生成中间结果。一个任务跑下来，token 消耗会非常可观。
第二条路，就是换别的模型、别的平台、别的中转方案。
我也试过各种方案：
-
官方方案； -
自己搭； -
中转； -
OpenRouter； -
其他 Agent 框架； -
新版本的 OpenClaw 替代方案。
折腾一圈以后，我发现一个很现实的问题：
AI 工具不是换一个名字就能无缝替代的。
模型不同，工具调用方式不同，记忆方式不同，权限机制不同，运行环境不同。表面上看都是 Agent，真正用起来，体验差别很大。
有些工具很自由，但不稳定。
有些工具很安全，但权限卡得太死。
有些工具模型强，但成本高。
有些工具成本低，但上下文、记忆、执行链条又不够顺。
这时候我才真正明白：
AI 工具选择，不是看谁最强，而是看谁能稳定嵌入你的日常工作。
后来我开始尝试 Claude 的官方方案。
比如通过 Claude Code、终端、远程控制等方式，把它接入到我的 Mac mini 或其他设备里。
一开始，我是有点兴奋的。
因为模型还是 Claude，智力水平没有明显下降。它依然能理解复杂任务，也能帮我分析问题、写脚本、改文件。
但真正连续用几天后，问题就出来了。
最大的区别是：权限机制变了。
以前我用 OpenClaw 的时候，是单独放在一台 Mac mini 上，权限给得比较高。很多操作只要我下达指令，剩下就等结果。
但官方方案更谨慎。
稍微大一点的操作，就要确认。
涉及系统级文件、命令执行、敏感路径，经常需要人工授权。
从安全角度看，这当然合理。
但从 Agent 体验看，它就会变成另一种状态：
原来是我让 AI 干活，我去做别的事。现在是 AI 干活，我在旁边盯着它，随时准备点确认。
这就有点违背我用 Agent 的初衷。
我想要的是“托管式执行”，不是“陪伴式执行”。
当然，这不是说官方方案不好。
相反，它更安全、更规范、更适合长期发展。
只是普通用户在迁移的时候，要接受一个现实：
安全性和自动化程度，经常是互相牵制的。
你要高权限，就要承担风险。
你要强安全，就要接受更多人工确认。
这次迁移过程中，另一个让我感受很深的问题是：记忆。
很多人说 OpenClaw 的记忆系统粗暴，靠大量上下文和设定文件堆起来，很耗 token。
这个批评有道理。
但从实际使用体验看，有记忆和没记忆，差别非常大。
没有记忆的 AI，就像一张白纸。
你每次都要告诉它：
-
我是谁； -
我的工作区结构是什么； -
哪些文件是文稿； -
哪些文件是脚本； -
哪些文件是素材； -
哪些规则必须遵守； -
哪些表达风格不能用； -
哪些项目正在推进。
如果只是聊天，这些可以忍。
但如果你真的把它当工作助手，每次都重新解释一遍，会非常低效。
所以我后来做了一个折中方案。
我把之前积累的规则、设定、角色、工作区说明、项目结构，全部导出成 Markdown 文档，然后专门建了一个本地资料库。
里面包括：
-
我的身份与工作方式； -
AI 助手应该遵守的基本规则； -
本地目录结构说明； -
常用脚本位置； -
文稿库位置； -
选题库位置； -
工作流说明； -
不同平台的写作风格要求。
然后我给 Claude 一个明确规则：
遇到不确定的问题，不要先猜，先去查这个核心文档。
这套方案不算完美。
它不是严格意义上的长期记忆系统，也不是那种自动更新、自动检索、自动沉淀的高级方案。
但它确实让 AI 变聪明了不少。
至少它不再像一个完全陌生的工具，而是开始有一点“熟悉我的工作区”的感觉。
这也是我现在越来越确定的一件事：
真正好用的 AI Agent，不只是模型强。它必须知道你是谁，知道你的资料在哪里，知道你的工作规则是什么。
没有记忆，Agent 只是工具。
有了记忆，Agent 才开始像助手。
以前我对 Claude Code 的理解比较浅。
我一直觉得它主要是程序员工具。
会写代码的人用它，可以开发项目、修 bug、生成脚本。至于普通用户，最多也就是偶尔让它帮忙改改文件。
但这次迁移以后，我发现自己低估了它。
Claude Code 真正强的地方，不只是写代码，而是它可以变成一个远程运维指挥官。
比如我用笔记本 SSH 到 Mac mini 上，让它帮我处理本地工作区、配置文件、服务重启、脚本排查。
过去这些事，我自己做起来很费劲。
命令要查，路径要找，报错要看，服务要重启，一不小心还可能改错地方。
现在变成了：
我描述问题。
它判断路径。
它给出命令。
它执行检查。
它读取日志。
它再修正方案。
这就不是单纯的“AI 写代码”了，而是“AI 辅助运维”。
还有软路由。
以前我对软路由、OpenClash 那一套东西，已经不太熟悉了。遇到配置问题，自己查资料很痛苦。
但如果设备能通过 SSH 连上，就可以让 AI 帮你检查配置、分析日志、定位问题。
VPS 也是一样。
过去我甚至花钱买过宝塔面板会员，因为觉得服务器维护太复杂。
现在回头看，其实很多事情可以直接通过 SSH 加 Claude Code 完成。
不是说面板没用，而是当 AI 能理解命令行、文件结构、服务状态之后，很多“看起来很专业”的事情，普通用户也能借助 AI 完成。
这对我冲击很大。
因为它意味着，AI 降低的不是某一个软件的使用门槛，而是整套技术环境的进入门槛。
继续深入使用以后，我又发现一件事：
以前我在 OpenClaw 上做的很多任务，其实不一定非要用重型 Agent。
有些任务，用 Claude Connectors、MCP、Skill 就可以解决。
比如邮箱。
绑定 邮箱 以后，它可以帮我：
-
读取邮件； -
判断哪些是广告； -
哪些是钓鱼风险； -
哪些可能是合作邮件； -
哪些需要优先处理； -
甚至帮我起草回复。
当然，真正发出去之前，还是需要我审核。
这点很重要。
AI 可以帮你筛选、整理、起草，但涉及对外发送，最好还是保留人工确认。
再比如 Notion。
如果你的文稿库、选题库、项目库都在 Notion 里，AI 就可以直接调用这些内容，然后帮你改成不同平台风格：
-
小红书； -
视频号； -
短视频口播； -
产品介绍页。
这时候，AI 不只是生成内容，而是在调用你已有的资料资产。
它不是凭空写，而是基于你的旧内容重新加工。
这就是知识库的价值。
再比如 GitHub。
如果项目文件能被 AI 读取和修改，那么一些轻量级的网站更新、文档调整、小工具开发，就不一定非要打开一堆后台手动操作。
你可以直接对话式修改。
这就是我现在越来越清楚的一条路线：
不是所有事情都要交给一个超级 Agent。有些任务，拆成 Connectors、MCP、Skill、脚本，反而更稳定。
OpenClaw 这类 Agent 更像一个综合调度器。
Claude Code 更像底层执行者。
Connectors 更像外部数据接口。
MCP 更像工具协议层。
Skill 更像任务能力包。
这几个东西组合起来，才是未来真正可用的 AI 工作系统。
这次最大教训，其实很简单：
AI 时代，不能把所有工作流押在一个平台上。
以前我觉得，只要一个工具好用，就可以一直围绕它搭系统。
现在看，这个想法太理想化。
因为 AI 工具变化太快了：
-
接口可能变； -
价格可能变； -
权限可能变； -
KYC 可能变； -
模型可能调整； -
功能可能下线； -
第三方接入可能被封； -
国内用户还要面对额外的网络、支付、验证问题。
很多时候，不是你不会用，而是环境本身在变。
一个普通用户，最怕的不是工具贵一点，也不是学习成本高一点，而是：
你花了很久搭起来的工作流，突然不能用了。
所以现在我更倾向于把 AI 系统分层。
第一层：模型层
不要只依赖一个模型。
Claude 强，就用 Claude。
GPT 强，就用 GPT。
Gemini、Kimi、DeepSeek、Qwen，该备就备。
不同模型适合不同任务，不要幻想一个模型包打天下。
第二层：工具层
不要只依赖一个 Agent 框架。
OpenClaw 可以用。
Claude Code 可以用。
Codex 可以用。
本地脚本也要保留。
工具之间要能替换，而不是绑死。
第三层：资料层
资料必须尽量留在自己手里。
本地文件、Markdown、Notion、GitHub、网盘，都可以用，但核心资料最好有可导出的结构。
不能让自己的知识库完全困在某个封闭平台里。
第四层：记忆层
AI 的长期记忆不能只靠聊天记录。
要有可迁移的核心文档：
-
个人设定； -
工作规则； -
项目结构； -
常用路径； -
输出风格； -
禁用表达； -
业务流程。
这样换平台的时候，不至于一夜回到原点。
第五层：执行层
高风险操作必须保留人工确认。
尤其是：
-
发邮件； -
改服务器； -
删除文件； -
修改数据库； -
部署项目； -
公开发布内容。
AI 可以执行，但人必须掌握最终闸门。
这次折腾之前，我更关注某个工具好不好用。
哪个 Agent 强？
哪个模型聪明？
哪个插件厉害？
哪个方案便宜？
但现在我更关心另一件事：
我的整个 AI 工作系统是否可持续。
一个好用的 AI 系统，至少要满足几个条件：
- 成本可控
不能每跑一个任务都心疼账单。 - 资料可迁移
换工具时，核心资料不能丢。 - 记忆可重建
换模型后，AI 能快速理解我的工作方式。 - 执行可审计
AI 做了什么、改了什么、调用了什么，要能回看。 - 权限可分级
小事自动做，大事必须确认。 - 工具可替换
一个工具断了，不能整个系统瘫痪。 - 本地有底盘
哪怕云端服务变化，本地工作区仍然能继续运行。
这也是我现在越来越想做“本地 AI 工作区”的原因。
不是为了显得高级，也不是为了堆概念。
而是因为 AI 变化太快，普通用户必须给自己留一个稳定底座。
这个底座不一定复杂，但必须存在。
如果你问我，这次折腾以后，我给普通用户的建议是什么？
我会说，别一上来就追最炫的 Agent。
先做三件事。
第一，整理自己的资料结构
把你的资料分清楚：
-
文稿； -
项目； -
图片； -
脚本； -
账号； -
SOP； -
选题； -
案例； -
知识库。
AI 再强，如果你的资料是一团乱，它也只能在混乱里猜。
第二，写一份自己的 AI 使用说明书
这份文档非常重要。
里面写清楚：
-
你是谁； -
你做什么； -
你有哪些项目； -
你喜欢什么表达； -
你禁止哪些表达； -
你的文件放在哪里； -
你希望 AI 怎么工作； -
遇到不确定问题时先查哪里。
这份文档，就是你的“个人系统提示词”。
它比单纯收藏一堆提示词更有用。
第三，不要只会聊天，要学会让 AI 调工具
未来的 AI 使用分两类人。
一类人，只会在聊天框里问问题。
另一类人，会让 AI 读资料、查文件、调接口、写脚本、改项目、跑流程。
差距会越来越大。
真正的效率提升，不在于让 AI 写几段漂亮文字，而在于让 AI 进入你的真实工作流程。
这半个月折腾下来，我并没有得到一个完美答案。
OpenClaw 有它的爽点，也有它的风险。
Claude Code 很强，但权限和使用方式需要适应。
Connectors 和 MCP 很有潜力，但需要继续搭建。
记忆系统很关键，但目前仍然没有一个对普通用户足够简单、足够稳定的方案。
但我至少想明白了一件事：
不要再把 AI 当成一个单独工具看。
它正在变成一种工作基础设施。
工具会更新，平台会变动，接口会收紧，价格会调整，模型会迭代。
这些都不是我们能完全控制的。
我们真正能控制的，是自己的系统结构：
-
资料怎么放； -
流程怎么跑； -
记忆怎么迁移； -
成本怎么控制； -
权限怎么管理； -
工具怎么备份。
过去我们用软件，是安装一个软件，然后学习它。
现在我们用 AI，是围绕自己的工作，搭一套可变形、可迁移、可持续的系统。
这就是这次 OpenClaw 突然失效之后，给我最大的提醒：
AI 时代最重要的能力，不是追着每一个新工具跑。而是当一个工具突然不能用的时候，你还有第二条路、第三条路，以及自己的底盘。