夜雨聆风一直在关注AI的应用，主要还是结合碳管理来进行，准确的来说是应该是碳核算领域，毕竟碳管理的范畴比较宽泛，碳核算虽然是最基础但也是最为繁琐的部分，而这也正是AI从应用的最佳切入点。
Openclaw的简要介绍
Openclaw在3月初爆火，但早在2月初就关注到这个产品，那时候还是因为一天从ClawdBot改名到Motbot上了热搜，最后叫openclaw，也就是大家熟悉的龙虾。
当时看到说能接入基础大模型并操作电脑执行任务，顿时感觉这就是从对话AI转变为Agent的质变信号，但碍于当时复杂安装步骤和极度夸张的token消耗量就放弃了。反正当时想的，这种现象级产品不出半个月国内各大头部立马会接入并推出各自的适配产品，果然，现在各种版本龙虾就出来了，入门门槛很快被抹平。
随着铺天盖地的宣传，让大部分人简单的认为它就是一个全新的更加高级的AI产品，能帮你操作电脑做任何事，甚至就是把它看作一个独立的产品，于是就觉得不需要Gpt、deepseek这类需要对话进行交互的AI了。
OpenClaw的官方介绍是一个开源的智能体（Agent）平台，可以运行在用户的机器上，并通过聊天应用为用户服务。所谓智能体就是一个能够自主理解目标、规划步骤、调用工具，最终独立完成任务的AI系统，也就是根据指令自动干活。
但实际上，OpenClaw需要一个大脑（大模型）来接受、分析并执行动作，如果不接入基础大模型，那它本质上是一个自动化脚本执行器。OpenClaw官方定义是Agent框架，所以它更像是一具躯体，当接入大模型后就可以自主执行任务，这里的大模型就可以是deepseek、kimi、Gemini和chat gpt等。
Openclaw在碳核算中的应用
回到碳核算领域，核心问题就是数据庞杂、工作重复性强，但在核算标准框架下运行，这是程序化和产品化的绝佳样品，但早期AI的应用受限于没有肢体，也就只能对话咨询、半辅助。
虽然国内外也有不少碳管理公司推出所谓的Agent产品，但本质上来说更像是在智能体进化之路上的半成品。它们拥有AI推理能力，能在自己的围墙内高效计算，但始终没有长出手脚，无法真正踏入用户的系统去获取数据、操控软件。
碳核算的Saas产品中虽然提供AI辅助，但还是基于用户前端数据的分类整理后再才能进行分析。但Openclaw的出现，则是将其更推进一步，让碳核算有了真正的、可执行任务的、闭环操作的能力，让AI从咨询工具进化为一个没有实体的专业助理。像一些杂乱的凭证文件，也可以自动分析，进而提升处理这类重复性较高的基础任务的效率。
下面是我实测的案例，在提供项目数据时做了一些处理，用截图、文档、pdf形式将这些数据拆分，并放置在不同的文件夹中，模拟数据收集但尚未进行人为整理前的状态，并提供了一堆排放因子，目的是测试openclaw是否能够操作本地文件提取，完成数据分类处理的机械任务，并实现自动匹配排放因子计算。
要求：按照ISO 14064-1标准，梳理分类排放源，并自动匹配排放因子，因子选择原则（实测优先＞地理匹配度＞时间匹配度＞技术匹配度）。提交成果为：符合ISO 14064标准的碳排放报告和碳核算数据清册，清册分为三部分,排放数据总览页、计算页和因子来源页三个工作表，并要求核算清册的计算结果保持数据计算关联。
大概一个半小时后龙虾提交了成果，并出现在我的桌面：
核算报告只提供了一个目录大纲，这是输出内容：
Excel也基本符合要求：分3个工作表，计算数据保持关联。
以上只是简单的小测试，别看结果略显粗糙，但目的是实现了，真正实现了从规划到落地的完整闭环，这其实已经实现了质的飞跃。据了解，嗅觉灵敏的公司也已经尝试开始植入openclaw到其产品中了。
关于这次测试，花费的成本
1.完成时间，从准备好完整案例和相应因子库，丢给openclaw之后，大约花费一个半小时左右就交付了报告和清册。
2.Token消耗，这次测试使用的是deepseek v3.2的API，token消耗达到了惊人的630万，但写入token占据大部分，输出token较少，故而消费不到1元。毕竟数据量比较小，覆盖范围3的完整项目那token消耗可能会是指数级增加。
可能有人会问，这和Saas软件的输出结果有何区别？
首先结果上来看肯定是不会有太大区别，因为核算工作本身是在特定框架下运行的过程，高度统一的标准就会让产出不会有多少区别，交付的核心都是一份框架报告和排放数据，区别可能就是模板的结构和美观度了。
但从我个人的理解来看，由agent驱动的碳核算与传统SaaS产品的区别，就像是“工具赋能”到“智能体替代”的本质跨越。SaaS产品你需要学习它的界面和操作逻辑，而OpenClaw则是你用最自然的方式告诉它你要什么，它来想办法完成。
当交付“同样结果”，用户会选择哪个？
当两种方案（如传统SaaS与AI Agent驱动方案）都能产出最终的数字报告时，企业的决策将基于达成这一结果的过程差异所带来的影响进行抉择。
例如数据从哪里来？需要多少人工去收集、整理、清洗和录入？当核算需求微调，如新增一种物料、变更一个报告模板，或需要对接新的数据源时，调整有多麻烦？系统是只能被动响应，还是能主动监控和预警？出错时如何追溯？
基于OpenClaw这类agent平台的自动化方案，优势在于有潜力在这些“过程”上实现颠覆性改进，而不仅仅是优化计算这一个环节。更重要的一点，都进入AI时代了，大家都在喊Agent，你不喊就落后了。
更值得警惕的是，数据安全问题尤为重要，龙虾爆火后又被提示安全问题，从安装潮变成了卸载潮。
个人玩龙虾是探索，而企业用就是责任。碳管理本质上就是数据管理，一份碳足迹的BOM表，摊开的是原材料、是工艺路线、是成本结构，这是企业的底牌，不是可以随便交给AI翻看的剧本。