夜雨聆风
2026年，OpenClaw让AI第一次真正具备了“动手能力”——它不再停留在对话层面，而是能够自主调用工具、操作软件、执行任务。
这一跨越迅速引发技术圈的热议，短短数月间，围绕OpenClaw的讨论从装机教程延伸到监管边界，从应用场景拓展到路线之争，越来越多的人开始思考：当AI从“参谋”变成“员工”，它会带来哪些改变，又会暴露哪些问题？
在这个过程中，几个问题逐渐浮出水面：监管部门为何密集提示风险？用户“装完即吃灰”的困惑从何而来？Perplexity与OpenClaw两条技术路线孰优孰劣？阿里、字节、腾讯、百度为何摆出截然不同的布局姿态？
这些问题相互交织，共同指向智能体时代最核心的追问——当技术狂奔时，产业、监管与用户能否同步跟上。
基于此，手机中国推出“潮水退去，谁在‘养虾’？”深度专题，而本文将聚焦的话题是“OpenClaw为什么留不住用户”。
近段时间，这款能够自主操控电脑的AI智能体，迅速完成了破圈传播，不仅技术极客在连夜调试，而且还迎来许多普通用户的跟风安装。
甚至国内大厂也加入其中：百度办起“龙虾市集”，腾讯也在楼下排起长队，为普通人现场安装OpenClaw。甚至，市场上还催生出“上门安装龙虾”的付费服务——一时间，似乎人人都想“养”一只属于自己的“数字龙虾”。
然而，热度总有褪去的时候。当装机潮逐渐平息，一个略显尴尬的现象开始浮出水面：那些曾被热情安装的OpenClaw，在完成初体验后，悄然进入了“吃灰”状态。
技术尚未完全成熟
OpenClaw的核心卖点是“动手能力”——它能够像人类一样操作软件、调用工具。但在实际应用中，这种能力仍处于早期阶段，距离稳定可靠还有明显差距。
摩根士丹利在专项行业报告中指出，OpenClaw本质上仍处于实验性自主智能体框架阶段，尚未发展成为面向消费者及企业端的成熟应用产品。
其核心能力目前仍受限于三大关键短板：易用性不足、可靠性问题突出、安全性风险高。
具体来看，原版OpenClaw部署流程较为复杂，需使用者手动搭建Skill库、编写配置文件并完成各类API对接，行业内普遍将其部署体验定义为“高门槛操作”。
尽管国内企业已推出“一键部署”封装版本，在一定程度上降低了入门门槛，但在深度定制与复杂任务处理场景下，仍对使用者的专业技术能力有较高要求。
这意味着，对于大多数普通用户而言，仅仅让OpenClaw“跑起来”就已经是一道门槛。
更关键的是可靠性问题。AI幻觉、任务执行不稳定、自我修正逻辑不完善等问题频发，无法满足用户对系统稳定性的核心需求。
以网页操作为例，当网站出现弹窗广告、验证码识别、加载延迟等情况时，OpenClaw往往难以灵活应对。用户原本期望的是“交给AI就能完成”，实际体验却常常是“需要盯着AI不出错”。
对于追求效率的用户而言，与其花时间纠错，不如亲自动手来得干脆。
使用成本：隐形成本高于预期
OpenClaw以“开源免费”的标签吸引了大批用户，但实际使用中的成本结构远比想象中复杂。这种成本与预期的落差，成为用户流失的首要原因。
首先是Token消耗带来的持续性开支。 OpenClaw采用“永动模式”，能够7×24小时持续工作，与传统对话式AI“问了才答、答完结束”的响应模式有本质区别。
这种“长明灯”“常流水”似的算力消耗，使Token成本从相对可控的“脉冲式支出”，变成了源源不断的持续性开支。
Token消耗的爆炸式增长有其内在逻辑。据测算，OpenClaw重度用户日均Token消耗量在3000万至1亿之间。
若按国际顶尖模型的使用成本计算，单日费用可达900-3000美元；即便使用性价比更高的国产模型，也要40-140美元/天。
相比之下，传统对话式AI的订阅费简直微不足道，一个活跃的OpenClaw用户一天的消耗可达其数倍乃至数十倍。
其次是硬件配置的隐性门槛。 胡延平指出，Mac mini因适配性强成为养虾“标配”，随着需求暴增在二手市场溢价30%，更高配置的Mac Studio、DGX Spark也水涨船高。
为了运行一个免费的开源工具，不惜砸数万元买电脑，成为“养虾圈”的魔幻缩影。
再次是时间与调试成本。 AI破局俱乐部创始人易洋透露，想要养出贴合自身工作流的专属“龙虾”，单只训练就要一周时间。
对于普通用户而言，花数百元找人上门安装，结果因找不到使用场景弃用，这份沉没成本成了最常见的浪费。
用户隐私安全
如果说成本问题是用户“用不起”的障碍，那么安全风险则是用户“不敢用”的根本原因。
国家网络与信息安全信息通报中心的通报明确指出，OpenClaw在架构设计、默认配置、漏洞管理、插件生态、行为管控等方面存在较大安全风险。
首先是漏洞数量惊人且利用难度低。 通报显示，OpenClaw历史披露漏洞多达258个，其中近期暴露的82个漏洞中，超危漏洞12个、高危漏洞21个，以命令和代码注入、路径遍历和访问控制漏洞类型为主，利用难度普遍较低。
其次是默认配置风险极高。 OpenClaw默认绑定0.0.0.0:18789地址并允许所有外部IP地址访问，远程访问无需账号认证，API密钥和聊天记录等敏感信息明文存储，公网暴露比例高达85%。
再次是插件生态的“投毒”风险。 国家互联网应急中心正式发布预警，明确指出OpenClaw部分插件存在“投毒”风险。
通报显示，针对ClawHub的3016个技能插件分析发现，336个插件包含恶意代码，占比高达10.8%；17.7%的插件会获取不可信第三方内容，2.9%的插件可在运行时从外部端点动态获取执行内容。
此外，在成本和安全问题之外，更深层的障碍在于用户信任的缺失。当AI从“参谋”变成“员工”，责任归属问题变得前所未有的复杂。
中国互联网金融协会针对金融场景发布风险提示，指出OpenClaw自动化执行过程可能误操作资金转账和投资产品购买，导致实际损失。
当前人工智能技术尚不具备完全可解释性，自动化执行金融交易后的责任主体难以认定。
结语
OpenClaw的“吃灰”现象，反映的是AI智能体在走向大众应用过程中需要面对的多重现实问题。使用成本过高，让用户在尝鲜后缺乏持续投入的动力；隐私安全顾虑，让用户在权限让渡面前保持谨慎；用户信任尚未建立，从根本上影响了长期使用的可能性。
这些问题并非OpenClaw独有，而是所有从“信息提供”走向“任务执行”的AI产品都将面临的共性挑战。当AI的角色从参谋转向员工，人与AI的关系正在被重新定义。这一过程中，用户的接受不会一蹴而就，而是需要在一次次可靠的服务、一次次安全的交互、一次次可预期的表现中，逐步建立信任。
