OpenClaw——“��龙虾”季来啦!

龙虾：OpenClaw（原名 Moltbot（原名 ClawdBot））

2026年初，一个名为OpenClaw的开源项目在GitHub上迅速走红，短短数周内星标数突破20万，成为技术社区热议的焦点。这只"红色龙虾"标志的项目，不仅仅是一个普通的AI助手，而是代表着AI从"回答问题"到"执行任务"的范式转变。

2026年3月3号，开源软件OpenClaw，超越React，登顶GitHub第一名。

2026年3月6号，深圳腾讯云总部近千人排队体验OpenClaw安装。

2026年3月8号，深圳龙岗区AI（机器人）局发布了 OpenClaw使用支持措施的征求意见稿。一个开源项目能引发地方政府的政策关注，这在国内并不多见。甚至在某二手交易平台上，已经有人开始兜售几十元到几百元不等的OpenClaw线下部署服务，生意火爆异常。

OpenClaw的出现，在我看来不是偶然，而是完全必然。当AI的能力足够强、工具足够成熟，⼀个让AI真正自主执行任务的系统，只是时间问题。Peter Steinberger的那个周末项目，恰好踩在了这个临界点上。所以OpenClaw的爆火并非偶然，而是天时、地利、人和的共同结果。

从时机上看，大模型的能力恰好跨过了“可用”的临界点，已经具备了执行复杂任务的能力；从需求上看，人们开始对单纯的对话机器人逐渐缺乏新鲜感，渴望真正意义上的“助手”；从门槛上看，OpenClaw将高深的技术封装成了普通人可用的产品。

一直以来，AI 聊天工具存在两个根本缺陷：没有记忆、无法自主行动。OpenClaw 是一个免费开源的 AI 智能体（Agent）平台，专门解决这两个问题——它运行在你自己的设备上，持续记忆、主动行动，让任何人都能拥有一个真正的"AI 常驻助手"。

OpenClaw与传统AI助手的本质区别在于，它不仅仅是一个对话工具，而是一个能够直接操作系统、执行实际任务的"数字员工"。用户只需要通过自然语言下达指令，如"帮我整理文档"、"替我搜索热点"、"自动处理邮件"，这个7×24小时待命的智能体就会自行完成任务。

龙虾之父：Peter

接下来让我们认识一下，OpenClaw的缔造者Peter Steinberger，他并非传统意义上的AI科学家，而是一位充满传奇色彩的奥地利程序员，在iOS和macOS开发圈有很高的知名度。

Peter Steinberger：从周末项目到全球最火开源项目，入职OpenAI。

他的人生轨迹本身就是一部微缩的科技发展史：14岁时，当同龄人还在玩游戏时，他已经开始破解游戏软件并出售；在移动互联网爆发的前夜，他敏锐地抓住了iPhone带来的机遇，开发了一款售价5美元的应用，首月便获得1万美元收入；随后十年时间里，他创立了一家PDF技术公司，在没有任何外部融资的情况下，将服务覆盖了近10亿台设备，并在2021年接受了Insight Partners逾一亿欧元的战略投资，完成了人生第一次重大资本收获，然后以约1.19亿美元出售PSPDFKit股份后宣布退休。在接下来的三年里，他远离了代码，甚至很少碰电脑，转而沉浸在哲学书籍中，四处旅行，思考人与技术的关系。

2025年11月的一个周末，当Claude等大模型的编码能力出现质的飞跃时，这位老兵敏锐地嗅到了空气中变化的讯息。他重新打开了IDE（集成开发环境），决定在一个周末做一个“小玩具”，一个能连接即时通讯平台的AI助手小工具，并取名ClawdBot。

至此，命运的齿轮开始转动，没人预料到这个周末项目会在两个月后成为GitHub上增长最快的开源项目。

随后发生的事情充满了戏剧性。项目先是更名为Clawdbot，迅速在开发者社区引起轰动；随后Anthropic提出了商标异议，认为“Clawdbot”与其旗下模型“Claude”过于相似；在紧急更名为Moltbot的间隙，甚至遭到了加密货币黄牛的恶意抢注。最终，Peter在2026年1月29日将其正式定名为OpenClaw。

2026年2月14日，Peter宣布加入OpenAI。Sam Altman亲自发推欢迎，称他为「genius」。

认识OpenClaw

OpenClaw并非凭空而来的黑科技，而是将现有AI能力：大模型理解力、记忆机制、工具调用与自主规划，高度整合后封装成的实用型个人AI代理框架。

OpenClaw作为一个开源的个人AI智能体框架，其核心定位是基于大语言模型的自动化执行器。本质是运行在用户自有设备上的自主式智能体助手，主打 “本地优先、隐私可控” 的设计理念，通过自然语言指令实现终端全功能自动化，真正做到替用户做事而非仅回答问题。

OpenClaw以“本地常驻、模块化扩展、闭环执行”为核心特征，从消息接入、决策规划、工具执行到记忆沉淀形成完整链路。

OpenClaw采用经典的三层架构设计：Gateway（网关）+ Agent（智能体） + Tools（工具集）。这一架构直接扎根本地硬件，赋予AI代理接近root级的系统权限。

1.Gateway 层（网关）

负责与外部通信平台建立连接
管理用户认证和会话状态
接收和转发用户指令
默认监听18789端口

2.Agent 层（智能体）

负责指令理解和任务规划

管理记忆系统和上下文

协调工具调用流程

执行技能包逻辑

3.Tools 层（工具集）

文件系统工具（read、write、delete等）
Shell命令执行工具
浏览器自动化工具
网络请求工具
SSH/SFTP远程连接工具

OpenClaw核心运行机制

身份 + 记忆 + Skills + 子Agent + 定时任务（从"能用"到"好用"）

1、身份系统（System Prompt）

身份系统是OpenClaw理解自身角色和行为边界的基础。其工作原理如下： OpenClaw启动时，会读取本地配置目录中的多个文件，这些文件共同构成了AI的“人格”和行为准则：

系统将这些文件内容拼接为一大段文字，附加在用户消息之前，一同发送给大语言模型。这种设计类似于给新员工发放入职手册——手册内容越详细，AI犯错的概率越低。

OpenClaw 的 workspace 目录下有三个"身份文件"：

一句话总结：SOUL.md 定义性格，IDENTITY.md 定义自我认知，USER.md 定义对你的了解。

2、记忆系统（Memory）

OpenClaw的记忆系统分为三个层次：

长期记忆（Memory.md）

存储位置：工作目录下的memory/子目录

存储方式：Markdown格式文件

调用时机：每次启动时自动加载

典型内容：用户身份、偏好设置、历史重要事件

日志记忆

存储位置：memory/YYYY-MM-DD.md（按日期命名）
存储方式：每日新建日记文件
调用时机：可通过语义搜索匹配
典型内容：每日工作记录、任务执行日志

对话记忆

存储位置：会话上下文窗口

存储方式：实时保留在内存中

调用时机：每次对话时嵌入上下文

限制：受限于上下文窗口大小（通常为数万token）

记忆压缩机制：

当对话历史超过上下文窗口容量时，系统会启动压缩机制——将旧对话发送给大模型生成摘要，用摘要替代原文。这一机制导致了”问题：早期对话中的安全指令（如“删除前需确认”）可能在压缩中被忽略，导致 AI 执行原本被禁止著名的“失忆的操作。

一句话总结：记忆就是 Markdown 文件。写进去的才算记住，没写的下次全忘。

OpenClaw 的记忆不是"模型内部的上下文"，而是工作空间中的纯 Markdown 文件。模型只"记住"写入磁盘的内容。

3、AI Skills

“Skills” 这个概念最早由 Anthropic 公司提出，作为其大模型 Claude 的一种能力扩展机制。简单来说，它允许用户为 Claude 添加自定义的功能和工具。随着这套做法越来越成熟，并被社区广泛接受，Skills 如今已成为大多数 Agent 开发工具和 IDE 都支持的一种标准扩展规范。

一个 Skills 通常以一个文件夹的形式存在，里面主要装着三样东西：一份说明书（SKILL.md）、一堆操作脚本（Script）、以及一些参考资料（Reference）。

“Skills”（智能体技能）是连接大模型推理能力与实际执行能力的关键核心。不同于大模型本身的思考能力，也区别于外部工具的基础功能，Skills是一套标准化、可复用、可组合的能力单元，让AI Agent从“只会思考”升级为“能落地执行”。

Skills为智能体注入专属行业经验与标准工作流（SOP），能大幅降低沟通成本并实现复杂任务的自动化运转。通过编写结构化的Skills文件，可以把人类的专业知识与系统的工具调用能力无缝结合。

从技术层面定义，AI Agent的Skills是挂载在智能体上，可被自主调用、自由组合、重复复用的标准化能力单元，本质是“场景最佳实践 + 所需工具”的封装，核心作用是将大模型的抽象推理规划，转化为可落地、可验证的具体操作，保障输出的稳定性与一致性。

Skills需遵循“可调用、可组合、可复用”的统一结构，本质是一个标准化文件夹，是一个可复用的工作流程说明文件（SKILL.md），核心由1个必需文件和3个可选子文件夹构成，简洁且实用。它负责教导智能体如何处理特定的任务或工作流。定制Skills是满足特定业务需求最有效的方法，通过专业知识和工作流程扩展OpenClaw的能力。你可以通过一次性的Skills教导让智能体长久受益。我个人认为它更像是一个脚本。

SKILL.md，是AI识别和使用Skill的唯一入口，需包含两部分：

一是YAML前置元数据，明确技能名称（小写字母+数字+连字符，作为手动调用命令）和功能描述（明确用途与边界，避免误用）；

二是Markdown正文指令，明确执行流程、输入输出要求、注意事项与示例，确保AI精准执行。

3个可选子文件夹按需搭配：

references/存放参考文档，提升输出准确性；

scripts/存放可执行脚本，实现复杂自动化；

assets/存放静态资源，保障输出规范。

整体而言，Skill = 元数据 + 执行指令 + 辅助资源，如同“插件”可自由复用。

3类Skills 覆盖全场景需求

根据能力层级与适用场景，Skills可分为三大类，层层递进、协同互补，覆盖从基础执行到复杂业务的全部需求。

1 基础通用技能

所有AI Agent的底层必备能力，无需复杂工具，聚焦基础逻辑处理，如任务规划拆解、上下文管理、反思纠错、格式转换，是复杂技能调用的基础，轻量化且可自主触发。

2 工具调用技能

连接AI Agent与外部工具的核心，也是目前应用最广泛的类型，集成工具调用逻辑与异常处理，可自主选择工具、传递参数，如文件处理、搜索检索、代码执行、API调用等，实现“动手做事”的核心需求。

3 业务垂直技能

面向特定行业的高阶复合技能，由基础技能、工具技能与行业知识封装而成，行业属性强，可沉淀专家经验，如法律类案检索、营销物料生成、预算审批校验等，助力新手快速复用专业能力。

kills的核心价值在于降低门槛、提升效率、沉淀经验，从个人、团队、企业三个维度实现价值落地：

对个人，一键调用技能即可完成专业任务，降低专业门槛；

对团队，沉淀最佳实践，实现标准化复用，提升协同效率；

对企业，复用现有技能、组合新技能，降低研发成本，推动AI规模化落地。

另外，需明确3个认知边界，避免混淆：

一是与Prompt不同，Skills可模块化管理、集成资源，支持AI自主触发，无需人工手动输入；

二是与大模型能力不同，大模型提供“思考力”，Skills提供“执行力”；

三是与外部工具不同，工具是执行载体，Skills是整合工具调用逻辑、实现多工具协同的“使用能力”。

Skill ≠ Tool（但 Skill 往往基于 Tool），Skill 是对 Tool / Function 的“任务级封装”。

Skills 不是工具本身，而是“如何组合使用工具”的知识。它告诉 Agent:

什么时候调用哪个工具
按什么顺序执行操作
传什么参数给工具
遵循什么规则做判断

一句话总结：技能是一个包含SKILL.md的文件夹，用来教🦞做特定任务。

最后，一个完整的 AI Agent 能力栈。

标准化工具层（MCP）+ 结构化知识层（Skills）+ 智能编排层（Agent）= 真正有生产力的 AI 助手。

4、Sub-agent

Sub-agent 是 Agent 可以召唤的"子实例"，以精简 System Prompt 专注单一任务，主 Agent 只接收摘要结果，Context Window 中不保留子任务的完整执行过程

Context Engineering 核心价值：通过层层外包+只传结果的机制，将大任务分解后的中间过程"隔离"在子agent内，主agent Context始终保持精简。

Sub-agent 的递归风险：既然 Sub-agent 也是工具，Sub-agent 也可以再召唤 Sub-agent → 无限层级外包 → 最终没有任何层级真正做事。需通过 config 直接禁用 Spawn 工具来防止失控。

另外，Agent 不仅使用预定义工具，还能自行编写新工具（JS脚本），并通过"执行-验证-重试"的循环保证质量。TTS+ASR 质量验证循环。

这意味着 Agent 的工具库是动态扩展的，不依赖开发者预先定义所有工具。

5、定时任务（心跳机制）

心跳机制使OpenClaw能够主动执行任务而非被动响应，这是其“7×24小时不间断运行”的技术基础。

工作原理：

系统内置定时器，每30分钟（可配置）触发一次
自动向大模型发送检查消息：「检查一下有没有待办任务」
大模型解析用户设定的习惯清单和排程任务
如发现定时任务，主动执行
执行完成后记录结果到日志记忆

定时任务是 Gateway 内置的调度器，持久化存储在~/.openclaw/cron/，重启不丢失。

◈两种执行模式

◈三种调度方式

6、上下文工程（Context Engineering）

上下文工程解决的是“如何在有限视野内做出正确判断”的问题。由于大模型可处理的信息量有上限，上下文管理成为AI Agent的核心竞争力。 OpenClaw的上下文管理策略：

1.技能按需加载：

数十个Skill不会全部塞入上下文
只加载当前任务需要的技能
其他技能在需要时动态加载

2.工具输出压缩：

命令执行可能返回数千行结果

系统只保留开头和结尾的关键部分

中间部分可能包含敏感信息被意外丢弃

3.对话摘要替换：

冗长的历史对话替换为精炼摘要
摘要过程可能丢失安全相关的上下文细节

拆解OpenClaw完整运作机制（摘自李宏毅教授课程）：

核心逻辑链为：LLM文字接龙本质 → System Prompt驱动的身份认知构建 → Tool Call工具链执行（Read/Write/exec/TTS/ASR递归调用）→ Sub-agent层级外包与Context Engineering → SKILL按需读取SOP → Markdown文件双层记忆体系（Daily Log + MEMORY.md + RAG召回）→ HEARTBEAT定时心跳触发自主运行 → Context Compression压缩策略（Pruning/Soft Trim/Hard Clear）。

LLM 的文字接龙本质决定了所有交互以 Token 序列为载体；
System Prompt 中的 Markdown 文件集合构建了 Agent 的身份认知；Tool Call 机制将 LLM 的文字输出能力转化为对本地计算机的实际操控；Sub-agent + Context Engineering 通过层级外包解决单一 Context Window 的容量局限；
SKILL 的按需读取实现了能力的轻量化动态扩展；
双层 Markdown 记忆体系（Daily Log + MEMORY.md）配合 RAG 召回解决了跨 session 失忆问题；
HEARTBEAT 心跳机制使 Agent 从被动响应跃升至主动自主运行；
Context Compression 三档策略（Pruning/Soft Trim/Hard Clear）延续了长期运行的可行性。

核心局限在于：

Agent 智能上限完全受制于底层 LLM 能力；
exec 工具赋予的无限执行权与安全防御机制的不成熟之间存在严重张力；ClawHub 约 12% 恶意 SKILL 的安全生态问题尚未系统性解决；
LLM"光说不练"（声称记忆但未实际写入文件）是记忆体系的内在脆弱点；
Sub-agent 无限递归外包的失控风险需硬性 config 约束。

关于OpenClaw的安全问题

养“虾”千万条，安全第一条。正如普罗米修斯盗火既带来了光明也带来了危险，OpenClaw赋予了AI直接操作电脑的“双手”，也同时为安全风险埋下了隐患。

知名程序员Simon Willison曾就AI带来的安全隐患，提出了著名的“致命三要素”（Lethal Trifecta）理论：当一个AI系统同时具备（1）访问私人数据、（2）暴露于不受信任的内容、（3）能与外界通讯这三个条件时，灾难往往一触即发。不幸的是，OpenClaw完美地集齐了这三要素。

Moltbook（一款由社区开发者基于 OpenClaw 搭建的AI社交网络应用）的数据库一度因配置错误而对公众敞开；更有研究发现，市场上近300个技能包存在凭证泄漏风险，一个名为“buy-anything”的技能甚至可能直接把用户的信用卡信息明文发给攻击者。最讽刺的是，就连OpenAI负责安全的高管，也因为使用OpenClaw而导致自己的邮箱内容被全部清空。

针对开源AI智能体OpenClaw（俗称“龙虾”），近期国内确实有多个核心监管部门密集发布了安全风险提示，覆盖了从国家级应急响应中心到行业自律协会的多个层面。

根据国家信息安全漏洞库（CNNVD）2026年1月至3月9日的统计数据， OpenClaw项目共存在82个安全漏洞，漏洞分布如下：

综合各部门的提示，结合公开资料，OpenClaw的风险主要集中在以下几个方面：

为了防范上述风险，多个部门联合提出了“六要六不要”等具体安全建议：

使用官方最新版本：务必从官方渠道下载，不要使用第三方修改版或旧版本。

严格控制互联网暴露面：绝对不要将OpenClaw的管理端口直接暴露在公共互联网上。如需远程访问，应通过VPN或SSH加密通道，并启用强密码或证书认证。

坚持最小权限原则：切勿使用管理员权限账号来运行OpenClaw。应为它创建一个权限受限的专用账户，并对删除文件、修改配置等敏感操作设置人工二次确认。

谨慎使用技能市场：审慎下载社区“技能包”，安装前务必审查其源代码。不要使用那些要求执行Shell脚本、下载ZIP文件或输入密码的技能包。

建立长效防护机制：开启详细的操作日志审计功能，定期检查并修补漏洞。党政机关、企事业单位应结合使用网络安全防护工具进行实时监测。

另外，随着OpenClaw的爆火，各大安全厂商也纷纷推出了自己的“龙虾卫士”，简单做了如下总结：

厂商	产品名称	产品描述/功能亮点	官方链接/平台
360	360 安全龙虾(含核心组件：360 龙虾卫士)	国内首个以“安全模式”为核心设计的 OpenClaw 客户端。一键安装（10分钟），内置双引擎防护（技能主动防御+安全云鉴定），采用“以模治模、沙箱隔离”理念，抵御模型投毒与提示词注入。	客户端下载：https://claw.360.cn龙虾卫士详情：https://clawsafe.360.cn
奇安信	龙虾安全伴侣(依托平台：SAFESKILL)	专为政企打造的全维度安全方案，包含《OpenClaw 生态威胁分析报告》及安全使用指南。依托 SAFESKILL 平台进行多源实时监测与深度扫描，确保 Agent 在生产环境稳健运行，解决“想用不敢用”难题。	SAFESKILL 平台：https://safeskill.qianxin.com/
安恒信息	龙虾卫士(代号：ClawdSecbot)	央视报道推荐的专业级安全防护工具。主打“不改变习惯、不影响效率”，在关键操作前增加智能安全校验。基于语义的实时决策能力，构建可感知、可拦截、可追溯的安全边界，已上线国家超算互联网。	官方平台：https://bot.secnova.ai
亚信安全	ClawSwiftScan(龙虾体检专家)	专属本地安全扫描工具。提供 10 项安全检查（含未知技能后门、配置权限、漏洞补丁、端口暴露等），30 秒生成完整报告，帮助用户快速溯源风险，实现“科学养虾”。	暂无独立域名，需联系亚信安全获取或关注官方通告

-----------------------写在最后----------------------

敲重点,如何利用openClaw挣大钱！！！

听说养龙虾能赚钱，出于好奇本人也自己安装了一个，通过两周的使用总结，主要有以下几点体会：

1.直接通过即时聊天产品（IM）交互：可以说，OpenClaw打通了AI落地的“最后一公里”，因为在移动互联网普及的今天，聊天工具是人们最常用的生活和工作交流界面。用户只需要在自己的企业微信、飞书里面，向机器人吩咐一句命令，它就会完成后续的记录、分析、建议、提醒等一系列的任务。“简于形、奢于心”，OpenClaw在这方面做到了极致。

2.能够操作本地电脑中的文件、软件：OpenClaw安装在用户本地的电脑上，可以根据用户的授权（注意，选择权在用户手里），对电脑中的文件和软件进行操作，譬如记录会议记录、生成分析报告、每天自动生成日记等等（以Markdown格式存储）。当然，这无疑也造成了极大的安全隐患，后文会详细分析。

3.保持永久记忆：在和大模型对话时，用户的一个痛点就是一旦对话结束，大模型就会遗忘所有之前的知识。但是对于OpenClaw，因为既往文件都保存在本地电脑中，它可以永久性地调用和访问过去的记忆，提供更加有针对性的回答。

4.不断自我进化：过去，一个软件产品开发完成之后，它的功能就固定了。但是对于OpenClaw这样的智能体，它可以通过自行开发更新程序（“脚本”）、获取互联网上的各种Skill（技能包），甚至修改自身代码，来不断“革自己的命”。某种意义上，它是一个可以24小时不断成长的“人”。

总结一下，OpenClaw的核心优势在于：开源、免费、支持私有化部署、高度可定制。你可将其部署在自有服务器上，实现数据完全自主可控；同时，通过社区插件平台ClawHub，自由扩展各类Skill（如Google Workspace集成、语音交互等），按需构建专属工作流。

OpenClaw的核心价值，在于将重复性劳动交由AI承担，从而为你释放宝贵时间。它并非替代你的思考，而是显著增强你决策后的执行力。

总而言之，它代表了智能体的一个新阶段：个人智能体（Personal 智能体，这也是OpenClaw Github主页上的标题）。

至于挣钱嘛，嘛钱不钱的，乐呵乐呵得了/

OpenClaw赚钱案例：

ClawWork是OpenClaw社区最⼴为流传的成功案例。开发者让OpenClaw作为AI协作者，在11⼩时内完成了⼀个企业数据清洗和报告
⽣成项⽬，客⼾⽀付$15,000。Agent⾃动读取Excel数据、调⽤Python脚本处理、⽣成可视化报告、通过⻜书与客⼾同步进度。全程⼈⼯介⼊不超过30分钟。
创业者⽤OpenClaw搭建全⾃动内容营销系统。Agent每天研究趋势话题、撰写SEO⽂章、分发到多个博客平台，⾃动追踪联盟链接转化。系统运⾏3个⽉后⽉稳定收⼊$3,200，90%来⾃联盟营销，每⽉API成本不超过$30（DeepSeek-V3.2为主⼒）。
开发者发布「企业报告⾃动化」Skill，定价$29/次，三个⽉被下载320次，总收⼊$9,280。另⼀款「多平台内容同步」Skill以$49/⽉订阅模式运营，⽉稳定收⼊$2,000+。
分析师⽤OpenClaw搭建专业研究报告⾃动⽣成系统。Agent每天监控⾏业新闻、论⽂、财报，⾃动汇总成结构化报告，通过Telegram推送给付费订阅⽤⼾。150个付费⽤⼾，⽉费$30/⼈，⽉收⼊$4,500。模型成本约$200/⽉（Kimi K2.5处理⻓⽂档）。