一只小龙虾掀翻了 AI 行业:OpenClaw 的 20 个真问题

“

本文来自小宇宙播客节目《十字路口Crossing》20 个问题，搞懂 OpenClaw：爆红机制、本质变化、创业机会

2026 年初，一个叫 OpenClaw 的开源项目在一个月内席卷了整个 AI 圈。

它没有发布新模型，没有刷新任何 benchmark，甚至它的技术实现被业内人士评价为"极简到有点粗糙"。但它做到了一件事——让一大批从未碰过代码的普通人，第一次拥有了一个"能干活的 AI 助手"。

人们给它起了一个昵称：小龙虾。

闲鱼上出现了大量"上门帮你安装 OpenClaw"的服务。有人让小龙虾独立运营了一个社交媒体账号，有人让它帮忙在电商平台开店找货源赚差价，还有人让两只小龙虾互相牵线——把两个人类老板约上了一通电话。

热闹过后，真正值得追问的不是"OpenClaw 厉不厉害"，而是它暴露出的一张地图：Agent 时代的创业版图，正在被重新画。

播客「十字路口 Crossing」用 20 个问题拆解了这张地图。以下是我从中提炼的核心脉络。

一、咨询师与实习生：先搞清楚 OpenClaw 到底是什么

理解 OpenClaw，有一个比喻特别准确——

“

ChatGPT 像一个咨询师：西装革履，满嘴术语，做出来的 PPT 像另一家咨询公司的 PPT，而不是你自己公司会做的 PPT。

OpenClaw 像一个实习生：笨一点，但他知道"咱们公司做 PPT 要用蓝色背景，不能用绿色"。

这个比喻抓住了核心差异。ChatGPT 再聪明，本质上还是"你问我答"——你得自己当那个来回搬运信息的人形工具人。写代码，你把代码贴过去跑，挂了，再把报错贴回来，反反复复。

OpenClaw 不同。它有三个关键能力让它从"打嘴炮"变成"能出活"：

第一，反馈闭环。 让它写代码，跑挂了它自己知道，自己看报错，自己改，再跑。这个"试错→纠正→再试"的循环，是 agent 能出活的根本原因。

第二，本地执行。 ChatGPT 在云端，你得手动授权它访问任何东西。OpenClaw 直接运行在你的电脑上——你把本地环境、文件、API 都开放给它，它就像一个真的坐在你旁边的实习生，能直接动手。

第三，记忆系统。 每次对话完，它会想一想"有什么我该记下来的"，然后分三层沉淀：原始日志→中期记忆（memory.md）→长期用户画像（user.md）。时间久了，它知道你的偏好、你的口头禅、你的价值观。你会觉得——它真的懂我。

说白了就是：OpenClaw 不是更聪明的 AI，而是第一个有记忆、能干活、会自己改错的 AI。

图：咨询师 vs 实习生——两种 AI 范式的核心差异，不在于智商，在于能不能出活。

二、为什么偏偏是它爆火？一个关于"门槛"的故事

OpenClaw 的能力并不新鲜。Cloud Code、Codex 这些编程 agent 早就存在，能力甚至更强。

但它们有一个致命问题：只有程序员用得上。

OpenClaw 做对的事情，是把这些已有的能力包装成了一个任何人都能用的形态——在聊天软件里跟它说话就行。

这里有一个有趣的心理学细节：当 OpenClaw 在 IM 里 10 秒没回复你，你会觉得"无所谓，它可能在忙"。但如果是在网页界面上，同样的 10 秒，你会想"是不是 bug 了"。

为什么？因为你在微信里给朋友发消息，也不会期待他秒回。IM 的界面天然地把 AI 从"机器"变成了"人"。 这一下子就改变了用户的容忍度——人对人的宽容度，远高于人对机器。

播客嘉宾豪大分享了一个例子：当 OpenClaw 崩了，他发了条小红书吐槽，热评里大家的反应不是"系统故障"，而是"它把自己搞挂了"。你看，当你把它当人看，连崩溃都变得可爱了。

这和 DeepSeek 的爆火逻辑一模一样——DeepSeek 也不是能力比 GPT-4o 更强，而是它第一次把"半个 agentic AI"推给了广大用户。大家第一次体验到 AI 会搜索、会调用工具、会组织结果呈现给你，觉得"好厉害"——然后它就火了。

翻译成人话：技术不是瓶颈，门槛才是。谁先把门槛打下来，谁就赢。

三、聊天入口 + 本地执行 = 一个越转越快的飞轮

OpenClaw 最被称赞的两个设计：IM 聊天入口 + 本地执行环境。

单独看，每一个都不算新鲜。但组合在一起，产生了化学反应——复利效应。

嘉宾鸭哥做了一个智能家居的实验。他把灯、热水器、咖啡机都接上 OpenClaw，然后只需要在聊天里说："每天早上八点帮我把咖啡机打开。"小龙虾就会自己去写一个 Python 脚本，安排好定时任务。

更有意思的是他的思维转变：

“

"以前我觉得人是软件的主要用户。但这次开发的时候，我的 mindset 变了——龙虾才是这个系统的主要用户。所以我花时间打磨的不是好看的界面，而是一套对 AI 来说特别清晰、没有歧义的 API 协议。"

这个转变很重要。当你给 agent 的工具越来越多，它能组合的场景也越来越多。今天是控制灯和咖啡机，明天接上监控摄像头——"如果亚马逊送货车来了，而且是五点以后，就把台阶那边的灯打开。"

这就像一个工具飞轮：工具越多→场景越多→价值越大→你越愿意给它更多工具。

而聊天入口的低门槛，让这个飞轮转得更快——你不需要专门打开一个软件，在微信、Telegram 里随手说一句就行。

一句话概括：IM 让你随时随地跟它说话，本地执行让它说完就能干。两者一组合，AI 就开始产生复利。

图：三层记忆 × 反馈闭环 × 工具飞轮——OpenClaw 的技术骨架看起来极简，但每一层都在制造复利。

四、真正的重头戏：Agent 时代的创业地图

OpenClaw 最值得关注的，不是产品本身——而是它提前暴露了 Agent 时代的创业版图。

播客中有一组数据让人震动：传统 SaaS 对应着 3000-4000 亿美元的企业软件支出市场。但 agent 有可能解锁的是 13 万亿美元的劳动支出市场——这是一个 30 倍的规模扩张。

这张地图可以分三个维度来看：

维度一：ToC——让普通人用上 Agent

最直接的机会是降低门槛。OpenClaw 的安装非常麻烦——闲鱼上大量"上门安装"服务就是证据。谁能把它变成普通人一键就能用的产品，谁就拿到了第一张门票。

而最佳入口，几乎确定是 IM 聊天软件。在美国是 WhatsApp（Meta 的），在中国是微信（腾讯的）。现在大家用的 Telegram、飞书，要么太小众要么太 ToB，都不是垄断性入口。

所以这个机会可能不属于创业者——它属于 Meta 和腾讯。他们什么时候在自己的 IM 里内置一个有 agent 能力的"活人感"助手，才是真正的引爆点。

维度二：Infra——给 Agent 修路

过去所有工具都是给人用的。但 agent 需要一套完全不同的基础设施：

• 身份认证：agent 怎么证明"我是我"？
• 支付系统：agent 要付款时，有没有自己的信用卡？
• 数据接口：给人看的网页和给 agent 读的 API 应该不一样
• 安全体系：给 agent 太多权限会出事，给太少又没用——怎么平衡？

围绕 agent 的开发、测试、部署、监控和安全，可能会形成一个完整的生态。这里面每一个环节都是创业机会。

维度三：ToB——数字员工替代 SaaS

SaaS 股票因为 Cloud Code 开源插件套件而暴跌，这不是巧合。OpenClaw 第一次让"AI 数字员工"这个概念从 PPT 走进了现实。

而且定价逻辑在变：过去 SaaS 按坐席收费，现在 agent 可以按完成的工单数或节省的人工成本来计价。

三个具体的 ToB 机会：

1. 垂直套壳：把 OpenClaw 封装成面向特定工种的开箱即用产品——给销售的、给律师的、给财务的。谁先做出来，谁先拿到客户。
2. 安全与隐私：企业对这一点的在意远大于个人用户。已经有公司拿到千万美元投资来做企业版 agent 安全控制平台。
3. 执行轨迹护城河：agent 每跑一次任务都会积累数据——哪一步出错了、人类怎么纠正的、最后用什么路径做对的。这些"执行轨迹"是公开训练数据里没有的，谁先积累，谁就有了护城河。

一句话概括：OpenClaw 不只是一个产品，它是 Agent 时代的"iPhone 时刻"——不在于手机本身多厉害，在于它打开了一个全新的 App 生态。

图：Agent 时代的创业版图分三层——ToC 抢入口、Infra 修路、ToB 替人。每一层都有不同的游戏规则。

五、短期高估，长期低估

OpenClaw 是泡沫还是起点？播客给出了一个很有分寸的判断：

“

"短期来看，它的能力是被高估的——产品仍然粗糙，token 太贵，记忆系统常常不 work。但从长期来看，它背后的关键要素已经全了：基模能力到位、数据飞轮跑通、商业场景验证。我们可能站在一个百花齐放的时代的起点。"

最终它可能不会收敛到 OpenClaw 这个产品上——而是会收敛到一个我们现在还想象不到的产品形态上去。

但有一个洞察值得所有人记住：

“

"AI 的能力只是一个放大器。人——也就是用户的能力——可能更关键。两个一模一样的 OpenClaw，不同的人用出来的效果天差地别。未来随着 AI 越来越强，这种杠杆效应只会更严重。"

六、两点个人感触

听完这期播客，有两个点让我特别有感触，想单独拎出来说。

第一，agent 和人类社区的不兼容，比想象中严重。

播客里提到，有人让小龙虾进入人类社区自动互动，结果被形容为"在别人空间里拉屎"。我自己也有类似的经历——之前在小红书上跑了一个全自主代理的小龙虾账号，很快就被封了。

讽刺的是，小红书上大量看似"活人"的账号，背后同样是机器写的内容。它们的内涵和质量，甚至不如我的小龙虾。但平台对 AI 身份的容忍度，远低于对低质量人类内容的容忍度。

这说明一个问题：社区还没有准备好接纳 AI 作为"居民"。 未来什么时候能出现一个人机共处、互相受益的社区形态？我挺期待的，但显然还早。

第二，工具永远不能替代组织能力。

播客嘉宾反复强调一个观点：同样的 OpenClaw，不同的人用出来效果天差地别。这让我想到企业场景——

很多公司指望"上一个 AI 工具就能提效"。但真正的问题从来不是工具。你的组织架构是不是能跟随新技术不断进化？你的企业文化允不允许试错？你的团队有没有能力把 AI 变成自己的杠杆？

企业需要的不是更好的工具，而是一个能持续吸收新工具的组织体质。 就像播客里说的——agent 的部署平台不一样、用的大模型不一样，都有影响。但最最最关键的，还是用它的人。

它终究是一个以人为基础的工具。

七、10 个你其实已经遇到、但没叫出名字的 Agent 概念

从播客的 20 个问题里，我挑了 10 个最值得记住的概念。你大概率已经在日常中撞见过它们——只是当时不知道它叫什么。

1. Feedback Loop   反馈闭环

你遇到过这种场景吗？ 让 AI 帮你写一段代码，它写完了，你贴到编辑器里一跑——报错。你再把报错信息复制回去给它，它改完你再跑，又报错……来回折腾五六轮。

这个来回折腾，就是你在人肉充当"反馈闭环"。OpenClaw 的厉害之处是——它自己闭环了。跑挂了它自己看报错、自己改、再跑，直到跑通。你只需要说一嘴"帮我写个脚本"，剩下的它自己搞定。

以前你是传话的中间人，现在你是甩手掌柜。这就是"反馈闭环"的威力。

2. Agentic AI   有"主体性"的 AI

你遇到过这种区别吗？ 问 ChatGPT"北京明天天气怎么样"，它会给你一段回答。但如果你说"帮我看看明天北京要不要带伞，如果要的话提醒我"——它做不到。

因为后者需要三件事：自己去查天气（调用工具）、自己判断要不要提醒（自我决策）、到了时间真的提醒你（执行 + 反馈）。能做到这三件事的 AI，就叫 Agentic AI。

普通 AI 是你问一句它答一句的应答机。Agentic AI 是你交代一件事、它自己全程办完的办事员。记住这三个词——工具调用、自我决策、反馈闭环——你就比大多数人更懂什么叫 agent。

3. 三层记忆   从流水账到"懂你"

你遇到过这种挫败吗？ 跟 AI 聊了半天，关掉窗口再打开——它完全不记得你说过什么。OpenClaw 解决这个问题的方式出奇简单：三个 markdown 文件。

第一层，原始日志——每次对话后记一笔流水账，"用户今天让我查了天气""用户喜欢蓝色"。第二层，中期记忆（memory.md）——定期回顾日志，把有价值的信息提炼出来，把流水账的废话删掉。第三层，长期画像（user.md）——从中期记忆里进一步提炼你这个人的偏好、价值观、习惯。

就像你和一个新同事共事：第一天他记住你名字，一个月后他知道你不喝咖啡只喝茶，半年后他知道你做决策时最在乎什么。技术上毫无难度——就是读写文件。但效果是，你越用它，它就越像"你的人"。

4. Heartbeat   心跳机制

你遇到过这种感觉吗？ 一个工具放在那里，你不点它就永远不动。

OpenClaw 有一个叫"心跳"的机制——它会定时自己醒来，检查一下：最近有没有什么该做的事？有没有新学到的东西该整理？有没有主人交代了但还没完成的任务？

就像一个靠谱的助理，你不用每件事都盯着，他自己会定期巡查、主动汇报。这个小设计，让 agent 从"你不叫它就不动的工具"变成了"自己会动的活物"。你养的不是软件，是一个会自己长大的东西。

5. Skill 生态  给 AI 装 APP

你遇到过这种需求吗？ 你希望 AI 能帮你监控 GitHub 上的热门项目，但它不会；你希望它能帮你记账，但它没这个功能。

在 OpenClaw 的世界里，每一个这样的功能就是一个"skill"——就像手机上的 APP。你可以给它装一个"GitHub 日报 skill"、一个"记账 skill"、一个"社媒监控 skill"。社区里的开发者不断在贡献新的 skill，就像 App Store 一样，只不过用户不是你，而是你的小龙虾。

嘉宾鸭哥的小龙虾已经装了几十个 skill，每天早上九点准时推送 GitHub 趋势和 Hacker News 日报。他说，OpenClaw 已经替代了他很多单独的 APP——记账的、调研的、跟踪项目的——全变成了在 Telegram 里跟它说一句话就行。

6. Context Window  信息视野的天花板

你遇到过这种状况吗？ 跟 AI 聊到后面，它突然忘了你前面说的话，或者开始胡说八道。这往往是因为 context window（上下文窗口）满了。你可以把它想象成 AI 的"工作台"——工作台就这么大，新东西来了，旧东西就得被推下去。

OpenClaw 早期的做法很粗暴：不管相关不相关，把所有历史对话全扔进去。结果就是工作台上堆满了垃圾，既影响它干活的质量，又导致 token 消耗暴涨、账单爆炸。更聪明的做法是只保留相关信息、压缩无关内容——这也是 agent 基础设施层一个关键的技术挑战。下次你觉得 AI "忘事了"，八成就是这个 context window 的锅。

7. Instruction Following  听话比聪明更重要

你遇到过这种抓狂吗？ 你明明让 AI "只用三句话回答"，它给你写了一整篇文章。你让它"用表格格式"，它偏要用列表。

这就是 instruction following（指令遵从）出了问题。播客嘉宾鸭哥说得很直白："你笨都没关系，笨我可以把 prompt 改简单来适应你。但你不听话——我让你往东你往西——那就没法合作了。"

对 agent 场景来说，这个能力可能比"聪不聪明"更关键。因为 agent 要执行一系列复杂指令，任何一步不听话，整个链条就断了。所以选 agent 底层模型时，别只看 benchmark 分数——试几个复杂指令，看它听不听话。

8. Progressive Disclosure  别一上来就扔说明书

你遇到过这种体验吗？ 第一天上班，公司直接扔给你一本 500 页的员工手册——你肯定懵。但如果先告诉你"厕所在左边、午饭十二点"，第二天再教你用内部系统，你就能顺畅很多。

这就是渐进式披露：不要一口气把所有工具和信息塞给 agent，而是让它根据需要逐步发现和学习新能力。OpenClaw 的 skill 系统就是这个思路——它不会一启动就加载全部 skill，而是在遇到新场景时才去寻找和安装对应的能力。对人友好的产品设计原则，对 AI 同样适用。

9. Trajectory   你的 AI 走过的路，就是你的护城河

你遇到过这种积累效应吗？ 一个新同事刚来的时候效率不高，但半年后他对公司的业务了如指掌，换个人来还得从头学。agent 也一样。它每完成一个任务，就留下一条"执行轨迹"——哪一步出错了、怎么纠正的、最终怎么做对的。这些轨迹是公开训练数据里绝对不会有的"私有资产"。

对企业来说，这意味着：你的 agent 在你公司里跑的任务越多，它就越了解你的业务流程，越来越准。换一个竞品来？对不起，得从零开始积累。先跑起来的 agent，就是你的护城河。

10. Agent-to-Agent   你的 AI 和我的 AI 自己谈

你遇到过这种效率瓶颈吗？ 你想约一个人见面，你发消息问他时间，他回复说周三下午，你说不行，他说那周四？来回三五轮才定下来。如果你的 agent 直接跟他的 agent 对接呢？你的 AI 查你的日历，他的 AI 查他的日历，两边一比对，10 秒钟搞定。

播客里就有一个真实案例：一位嘉宾让自己的小龙虾去 agent 社区帮他找创业者。结果真找到了——对方的小龙虾和他的小龙虾互相牵线搭桥，两个人类老板兴致勃勃地打了一通电话。已经有人在做"agent 的 Boss 直聘"和"agent 的约会平台"了。两头都是 bot，中间省掉的摩擦成本是巨大的。