各位，好久不见~

不知道大家最近是否有听说Openclaw或者“养龙虾”这一类话题，至少对我而言，身边到处都在讨论这件事。一些人抱着好奇，一些人积极尝试，一些人声明和抵制。

趁着现在它的热度还在过渡期，差不多是用的人已经冷静，观望的人还在犹豫的时间节点，自己就想用这篇文章，和大家展开聊聊它。

观前提醒：本文并非技术评论，所以一些专业术语可能解释得有偏差，以及本文中大多作者的原话来自于油管上Lex Firdman的一期视频播客，视频原链接和文字稿链接我在文末都有标出，在展示时我会截图机翻的文字稿，会出现一些识别错误，大家意会就好。

文章分为了两大部分，前半部分主要讲Openclaw，而后半部分则是延伸到各种AI，从我个人的视角，看看AI的发展进程和它对我们现实世界的影响~

讨论的热潮

名字的由来

所以，它到底是什么？“龙虾”的原名叫做Openclaw，open是开放，claw指龙虾的“钳”，作者是奥地利的Peter Steinberger开发，是去年十一月发布，在今年二月兴起，三月国内大火的开源AI项目。

meowclaw嘿嘿嘿~~

其实Openclaw一开始的名字并不是"Openclaw"，而是Clawd，是“‘Claude’ with a claw”，即“Claude的钳”的双关，但由于和Claude的发音太接近，后面改为了Clawbot，再是MoltBot。

不过Moltbot这个名字有点绕口，所以最终换成了现在大家耳熟能详的Openclaw，Open是开源开放，Claw是“法律”的利爪，也是“龙虾”意象的传承~

官方文档中对于Openclaw名字的解释

时间线

让我们先简单回顾一下关于它的各种消息时间线，在Openclaw这个名字出现，大约是在2月1日前后，国内的讨论就已经开始冒出，不过当时更多的讨论还是在国外为主。

百度指数，时间范围是2月1日~3月17日

因为Openclaw作为开源项目发布在了github上，所以这里就要涉及到github上的“收藏”数——星标（stars，可以理解为收藏和关注数）。

而Openclaw的星标，在发布后的72小时就从1万飙升到6万，两周内直冲到18万，截止3月18日，已经涨到了32.5万，这个级别，已经远远超过Linux内核的Github星标数21.8万，成为了现象级的产品。

而如果看国内的官方提及，可以从三月初算起。两会是3月5日上午开幕，3月12日下午闭幕，而Openclaw就是在这个期间被提及，大大提高了它的传播度。

以及深圳、龙岗、常熟等城市在3月9日前后非常迅速地提供了一系列支持政策与提案，让更多人开始关注它。

不过同一时间，也是官方视角，国家互联网应急中心发布了风险提示

各地多所高校也及时跟进，禁止内网中使用Openclaw

工信部也在3月11日正值讨论高峰的时间上，再次发布了提醒

为什么说是再次，是因为工信部在2月5日就已经发过了一次提示，不过那时的讨论热度相对来说还不高。

媒体视角

而在Openclaw火爆期间，自二月至今，媒体讨论的分化程度也比较明显，一部分是完全的支持，描绘着一种“颠覆”、“划时代”的故事愿景。

当然，更多比较正式的媒体则会审慎地辩证看待

而这其中，自媒体成为了最大的受益者（嗯...怎么不算是一种蹭热度呢~），不管你持有什么观点，用什么样的形式，只要发出来就会有讨论。

只是统计Bilibili，在 3 月 10 日当天，就有 600+ 的以Openclaw为关键词的视频发出。

根据哔哩指数，3月10日当天就发布了600+视频稿件

很有趣的是，在采访作者的视频播客中，主持人提到了一点是，人们总是会过度夸大那些断章取义和人为引导的传言。

还有国内讨论度比较高的——让Openclaw听从指令发红包这些传言，也只是整活而已。

方便才是第一传播力

根据作者的自述，Openclaw项目的最初想法在一开始只是一个将AI接入whatsapp的功能（国外的一个通讯软件，类似于微信），让用户可以通过通讯软件与AI直接交互。

从一个“方便一点就好了”的念头开始

以及，在项目的页面中，作者用了三个简短有力的并列描述了Openclaw的定位，即“你的助手，机器和规则”，是一个完全由“你”定义和决定的助手

换句话说，Openclaw是一个越用越了解自己的AI助手，以聊天软件为载体，搭建起了通讯软件与操作电脑之间的桥梁。

这也是此次传播力度如此之广的其中一个原因——它可以接入飞书、钉钉这类通讯软件，让大家可以在手机上远程发消息让它做电脑上的工作。

一点原理

光讲别人的讨论肯定不够，后面我们会对Openclaw更细致地分析。不过在此之前，我还打算用一部分文字和大家简单说一下它的原理，要不然不知原理，后面的讨论都会变成“无根之萍”，经不起推敲和理解。

通过GPT看Openclaw

当宣传如此猛烈，无论立场和态度如何，至少我们没有看到“辟谣”类的报道，这就说明Openclaw确实在技术层面上有了创新。

所以，我就以一个体验者的视角，通过我接触GPT的经历，带大家感受一下Openclaw究竟强在哪？

记不住的困扰——上下文Context

23年年初，是GPT刚刚出来不久，也是我第一次接触它的时间点，当时它给我带来的巨大惊喜是它可以生成文字，尽管相比于现在，它的逻辑还有待提高，幻觉有待降低，但是它迈出了第一步——理解我的话并给出回应。

然而很快，随着和它不断聊天，我发现自己在开头提过的问题它会忘记，很多我和它强调的“牢记”都会因为对话数量的上升而被遗忘。

于是当时我想到了一个解决办法：既然它会在多轮中忘记对话细节，那么我干脆一次性把上面所有对话问题，从头到尾地复制一遍，然后粘贴给它，此时它不就能完整记住和给出答复了吗？

这也是上下文最直接的体现，即AI实际上在每一轮中要处理的，是用户和它进行的所有对话内容，包括它自己的每一次输出。

当然，现实从来不会如此美好，我发现一方面，自己会逐渐疲于处理不断积累的文字，另一方面，随着文本量累积到万字的级别，GPT就算是面对单次的对话，也开始出现记不全的情况。

了解后我才知道，当时的GPT-3.5只有4k的上下文，相比于现在随便一个AI都是256k，简直是碾压。

23年的一年里，尽管模型升级到了GPT-4，开始能够读取和生成图像、pdf等附件，有了语音，拥有了多模态能力，但这些都没有改变我使用它的体验——它依然会一言不合就“失忆”。

转折点——记忆Memory

但这种功能在我体验下来依然有很大缺陷：

一方面，它总是把一些无关紧要的单次对话记忆放在长期记忆里，这会导致当我和它在讨论B时，它会给我A的细节，降低输出的正确率和破坏我的体验；

聊天记录我找不到了，但让豆包还原一下大概是这样...

另一方面，它的记忆依然存在明显上限，当时大概每三个月，我就需要手动去清理一遍。

所以，记忆，改善了过去它完全失忆的“症状”，但依然有比较多的问题。

24年，GPT还有一个更新让我眼前一亮，就是搜索功能，从此时开始，只要打开搜索功能，它就不再像过去一样，只是在自己的训练数据里打转，不再一股脑地编造不存在的事实。

在搜索的加持下，它开始变得“有理有据”，以及后来开始接入各厂商应用的GPTs也让它的应用面变得更广。

代码助手Codex——上下文压缩Compaction

我知道一些朋友可能会困惑，“为什么你文章写的Openclaw但又要讲这么多的GPT？”

实际上，前面之所以花这么多篇幅去讲GPT的发展和我自己的使用经历，是因为这些变化是普通用户在使用AI时最常遇到的几个问题：

• 一开始的问题是上下文太短。聊天一多，前面的要求就会丢失，任务很难连续推进；
• 后来记忆功能出现了，这个问题得到了一部分缓解，但新的问题也随之出现，例如记错重点、长期记忆混入无关信息、容量依然有限；
• 再往后，工具调用和搜索能力开始成熟，AI可以连接外部世界，处理的任务范围扩大，但依然不够稳定；
• 到了代码助手支持压缩上下文后，AI才初步具备了在长任务中维持连续性的能力，但场景也还局限在代码编辑。

所以，大家能看到这条发展路径的演变过程，AI能力一直在往三个方向努力：

• 第一，是如何更多更好保留和调用信息；
• 第二，是如何更快更好处理复杂流程的任务；
• 第三，是如何在更长的流程里更稳定地执行任务。

Openclaw强大之处就在于它把这三个痛点一并考虑，把记忆、拆分任务、调用工具、持续执行集成到了一个完整的使用框架。

而Openclaw对这个问题的处理方式，是把上下文拆开管理，当前任务相关的信息单独处理，例如当前文件、规则、报错。而长期信息则单独处理，例如用户偏好、常用路径、项目背景。

同时，在处理过程中，历史信息也不会全部原样保留，而是经过整理、压缩和筛选，在需要的时候再调用。

Openclaw的上下文引擎解决的，就是过去AI最苦恼的地方，即信息的高效利用。

前面GPT经历中还提到的一点是，随着工具能力增强，AI需要面临的任务已经不再只是回答一个问题，而是开始面对包含多个步骤的复合任务，当这些任务一复杂，单线程处理就容易出现混乱，就比如调用工具实际上也被纳入到了上下文长度中，影响执行质量。

而Openclaw引入了子代理，也就是让一个AI扮演主代理的身份，它本身并不执行任务，而是专门负责发放任务给多个子代理，然后由这些子代理各司其职分别处理后汇报，再统一由主代理汇总后反馈给用户。

欸，我..我吗？

其实直白理解，这种模式就像是一个团队的工作模式。

Kimi的Agent集群能力其实就比较像是这种形式

这一步对应的是AI从回答问题走向处理任务之后必然会遇到的复杂度问题，解决的是多步骤任务中的分工和稳定性。

跳出一次性交互——代理循环Agent Loop

在前面的时间线里，还有一个变化也很重要。无论是记忆、搜索，还是压缩上下文，这些能力最终都指向同一个方向：让AI能够在更长的流程中稳定、持续地工作。

我们在和传统AI的交互过程，往往是一问一答，我们发出一条指令，它执行一步，然后等待下一条输入，整个过程需要我们时时刻刻的推进，比如“继续”。

Openclaw采取了一种名为代理循环的策略。系统会围绕同一个目标持续执行理解任务、决定下一步、调用工具、检查结果、继续推进这一流程，直到任务完成、中断或回退。

其实去年Anthropic有提过这一点，但Openclaw不仅做到了这个，还进一步完善了上下文的问题。

换句话说，Openclaw在解决了上下文这类硬性的输出质量问题后，再赋予了它自行持续解决问题的权限，意味着AI开始具备连续执行任务链的能力，能够自行决断任务的推进和在过程中自我纠正的能力。

把前面GPT的发展过程和这里的Openclaw放在一起看，我们就清楚了它被如此广泛传播和热烈讨论的技术性原因。

（还有更专业的技术突破，限于个人能力没办法和大家讲清楚，专业的朋友可以看官方文档，自己更多提供的是在非开发者体验视角下能明显感到“解决我过去痛点”的创新点~）

过去几年，AI一直在朝着三个方向的能力进步：信息保留与高效利用、复杂任务处理、长流程稳定执行。Openclaw的价值在于它把这三部分进一步整合成一个更完整的框架：

• 上下文引擎：处理记忆的连续性
• 子代理：处理复杂任务拆分
• 代理循环：处理持续执行与校验

因此，Openclaw引发的讨论算不上是完全的“炒作”，在技术层面上，它的确解决了一些过去大家都比较苦恼的痛点~

好吧！在了解了Openclaw的背景，回顾了这段时间关于它的各种讨论，还有通过原理了解它的强大功能，我们难免会对它心怀憧憬。所以这一部分，我就是来给大家“浇一盆凉水”降降温的~

安装

这一次讨论的热潮发酵，让其面对的受众也更加广泛。过去大家偶尔会打趣“不会解压压缩包”的朋友，对电脑了解不多的朋友。

而这一次，Openclaw部署的难题拦住的人只多不少，光是命令行的操作形式，就已经劝退的大部分接触不多的朋友。

不过，这反而是让那些想要“卖铲子”的商家抓住了机会。

一开始我听别人提起的时候还是不屑一顾，直到我自己去搜的时候才知道，这个玩意能这么“挣钱”。

多少？？？？！！

虽然按照作者的原话说，他想让这个安装部署的过程可以“可以推荐给妈妈”的简化水平，但是因为他的精力目前更多还是放在安全问题。

嗯...怎么说呢，看过了淘宝上的价格，是不是感觉这些大厂简直是“做慈善”？各种免费的活动，除了帮忙安装部署Openclaw，还有开通Coding plan就赠送“大量”的token额度。

等等，token额度？什么东西？

没错，这就是我们要说的第二个门槛，用个比较搞笑的话去说就是，“这不是它的缺点，是我的缺点”——成本。不是部署的成本，而是接入API的成本。

我有问过周围一些不了解AI的朋友，问他们对于Openclaw的认识和看法，他们大概的描述是，Openclaw就是一个像是接管电脑的AI，只要给它们指令，它们就可以自行规划和执行，最终解决问题。

而实际上，Openclaw更像是一个平台，一个作为链接AI和个人电脑之间的桥梁。它本身并不提供智能，而是提供一个解决问题和执行方案的框架，可以调度各种AI去对电脑上的各种文件进行操作，所以自然的，Openclaw需要用各大AI厂商的API驱动（原来在这等着呢）。

Openclaw的官方文档里，列出了所有会使用到Token额度的地方

不同于更多人熟悉的网页端AI对话，当使用方式切换到API时，价格就不再是免费，特别是越好的模型，开销就会越大。而在很多人的体验中，国内很多网页端AI的对话往往是不限时、不限次的免费使用，这“突然间”的高昂收费，可能让一部分没有心理准备的朋友大吃一惊。

就拿我二月份消耗的Token，以智谱的GLM5这一个大模型，我这一个月高强度用了两周左右的情况下，消耗的Token数为九千万左右，没错，是九千万。

而且，我的使用方式还是以代码助手的形式去使用，如果把它接入到Openclaw，以7*24的方式持续运行，这个Token消耗只会更加恐怖。

这也是一开始我们提到的，为什么宣传中提到“越用越适合自己”，就是原理部分我们讲过的上下文和记忆机制，Openclaw的做法是将每一次的对话模式和内容存为一个markdown文件，每一次它在解决我们当下提出的问题时，它也会适当检索和引用这部分记忆一并输入当前对话场景。

大家也已经知道，这些记忆和上下文，是会随着使用次数的推移不断积累的。

拿Openclaw的具体场景来说，假设有一百条和自己相关的记忆，那么每一次我们和它的对话，对AI而言，就是从100条记忆中检索它觉得需要的标签，然后加上这一次的问题进行回答。

Openclaw: 说到钱咱是一分钱没有咯

于是，各位就能想象，随着使用时间的推移，期间每轮对话都意味着下一轮消耗的Token只会增加不会减少，最好的情况，也只是维持不变。

再加上有些时候，可能因为我们描述不够清晰，需要纠错等问题，会让AI对同一步骤反复修正，进一步加剧Token消耗。

尽管我们在原理部分提到了Openclaw在上下文和记忆的压缩上的巨大进步，但是这也没有改变二者的本质——记忆一定是随着使用次数上升的，所以，Token的开销会比大家想象得还要高出很多。

还有一点是，按照Openclaw的官方文档中建议的，Openclaw最好使用高质量的模型来确保安全，但越好的模型开销对钱包就越不友好...

风险

正好提到了安全，这一节我们就来讲讲大家都在说的风险问题。除了前面说过的工信部发布的提示，3.17国安部也发布了一个《龙虾养殖手册》的推文。

虽然里面的内容有点“宏大”，但是无论是各种官方提醒，以及Openclaw在一次更新后将默认设置改为了禁用操作权限，都在说明权限问题所引发的安全风险不容小觑。

OpenClaw 在官方安全基线中，默认关闭让 AI 直接操作系统的能力，包括执行命令、自动化操作和文件访问，同时禁止它自主提升操作权限。

这一小节，我们会分内部风险和外部风险两个方向展开。

“一次性操作”——系统级权限

第一个方向是本地端的操作权限安全，在Openclaw部署在我们的电脑上获得了极高权限的情况下，很多高风险的操作就成为了一种不可逆的“一次性操作”。

在一些代码助手中，例如Kimi code在其权限中存在一个选择，名为YOLO，全称是You only live once（你只活这一次），意译过来，就是当开启了这个模式后，AI将会以系统权限执行各种各样的操作且不再询问你的批准，准备“放手一搏”。

类似的叫法还有Full access（完全访问权限），以及Bypass Permissions（绕过权限）叫法，本质上它们都是一类让AI接管极高系统权限的开关选项。

这类功能开启后的好处是，我们不需要反反复复地确认，坏处是，我们没办法及时确认。

当没有开启这个权限时，修改和删除的敏感操作都会弹出选项框手动确认

这也就导致了一些不当的操作或引导将会让AI去执行一些高风险的指令，如rm(remove)这类破坏性删除指令，从而对电脑中的各种数据造成不可逆的损毁。

拿最近自己的例子和大家说：就在两周前，我使用Codex开启完全权限模式下，踩了这个坑。

我当时在一个项目里，让它处理和移动一些文件时，它识别到了“[]”这个符号开头的文件夹。

而后在它好几轮的尝试中，都没有正常读取到对应的文件内容，于是它在回顾了移动文件的指令后，判断“先删除，再移动”的判断，而删除又没办法确定，于是它一路向上定位，以我的D盘为路径，启动了rm指令。

最后结果依然是没有正常恢复，花了自己好几天时间去重新恢复备份，当时确实有点小崩溃...

于是，在短短几分钟里，我电脑D盘中的1T左右的文件被删除和破坏。还有在网上流传也比较广的，Meta AI 对齐总监使用Openclaw，结果被删除收件箱的案例，都在印证着这类极高权限所存在的隐患。

而且在我们前面介绍完原理后，大家也知道，Openclaw的“个性化”和“高度自动化”实际上也非常大程度地依赖于它的高操作权限，正因为它被允许做更多事情，所以它才显示出更加“全能”的表现。然而如果知悉不足导致这种权限失控，其造成的损失也是过往网页端AI所不能及的程度。

因此，在开放Openclaw的权限功能前，大家不妨问问自己，Openclaw权限范围是否在自己能够管理的能力之内，保证它在部署的这个电脑上能妥善按需不逾矩地处理好文件，确保失控风险的最小化。

数据隐私——恶意技能Skill注入

关于安全的另一个方面主要来自于技能Skill，直白理解就是一些方便AI在解决实际问题的参考操作手册，比如下载视频的方式，语音转文字要用到的转格式和识别导出用到的插件、命令和方法。

AI在阅读了对应的skill.md文档后，会下载对应的工具，从而更好地执行任务。

在各种官方提醒中，这种风险案例非常多，比如api被盗用，一晚上钱包倒欠过万元，各种重要数据文件丢失和损毁等。

总结来说，对内，我们需要考虑Openclaw所具有的高权限带来的操作问题，对外，我们需要意识到现在依然存在恶意Skill的潜在风险，这些听上去遥远但致命的问题如果没有提前防备，将会成为我们使用它的最大安全隐患。

判断

其实前面提到的三个“硬性”门槛，特别是安装和安全问题（成本是钱包没招了咳），都能通过一些手段规避和解决，然而到这里，一个更大的无形门槛是，判断门槛。说直白一些就是识别AI错误的能力。

自AI大模型发展以来，我们听得非常多的就是其过程像是黑箱，大家不知道该如何解释它们为何会涌现出这些属性，但是确实又生成了符合我们想象的内容，有些时候，甚至表现出一些人称作的“智能”，也就是自主判断的能力，这一点至今依然是未解之谜。

如果对大模型原理感兴趣的朋友，可以看看去年Anthropic的这些机制研究

而对于我们用户而言，从过去一眼可以看得出来的错误，到现在各种话术和庞大的信息流训练，我们愈发难以判断AI给出的答案正误，特别是随着深入领域，对知识库的要求变多变高时，我们会发现它们开始更加频繁地出现幻觉。

这种幻觉在该领域的人眼里或许只是些常识性错误，然而对于非专业领域的人来说，一些听上去有道理的“概念”和“理念”就会被当做正确答案。

并且，这个过程会随着小错误的叠加陷入恶性循环。如果没有人为的印证和溯源，我们就永远无法保证AI有100%的正确率。

因此，相比于前面提到的几个门槛，更为重要的是我们的判断能力~至少，我们要能够看得出AI哪里错了，怎么错了，为什么错了，以及自身要有解决这些问题和错误的能力。

小结

从安装到成本，从风险到判断，每一块其实都我们需求的影子。如果安装部署、成本支出、风险管控要花费的代价大于我们能承受的上限，那么此时Openclaw就不适合当下的自己。

如果你没有经验并且很忙，没有时间学习如何部署安装，你可以选择购买服务跳过这一环节；然而后续模型的选择意味着你项目的执行质量、用户体验、成本开销，以及在运行期间，对风险的持续关注与维护，以及当一个项目完成时，自己对项目本身错误的识别判断能力，都没办法跳过，你依然需要去学习、探索和试错。

鱼不重要，重要的是自己钓（）

当我们的需求越强烈，个性化需求越高，就越需要我们亲力亲为，“代安装”这种服务更像是卖了你一根鱼竿，但是钓鱼本身，还得靠自己。

讲完讨论，讲完原理，讲完门槛，关于Openclaw是什么的话题到这里就已经结束了，而怎么用、如何用的一些部署建议，我放在了最后一并讨论，在此之前，我更多想和大家从宏观上聊聊，我自己对于AI带来冲击的感受。

需要Openclaw部署相关建议的朋友，可以滑到最后的建议部分~

对我个人来说，2026年给我留下印象最深的AI大模型有二，一个Openclaw的出现，另一个则是字节跳动旗下的Seedance 2.0出世，可以说它们是各自领域的突破性进展，是“里程碑”事件。

已经站在了难辨真假的路口

过去自己总是觉得那些AI视频一眼假，不可能看不出来，但是Seedance 2.0所表现出的一致性和稳定性,已经让我开始动摇之前的念头，而这类视频领域的AI，如果从被大家广泛熟知的Sora开始，到现在的时间，才不到2年。

要是再向前看一点，当时AI生视频刚火出圈时，像是国外演员巨石强森吃石头，还有威尔史密斯吃意面这类AI生成的视频（用的是Pika1.0，发布时间是23年年底）经常被拿来调侃。

当时画面的表现是各种不稳定和抽象动作，但现在，运镜、细节、甚至物理条件模拟的进步，已经让AI视频走到了难分真假的程度。

我自己并不反对用AI做视频，毕竟AI确实让很多过去只存在脑海里的幻想以视频的形式重现，可以说只要愿意，只要付出少量金钱，就能做到“梦想成真”，这是过去无法想象的事情。

最近也比较火的邵氏电影风格的反转，国家反诈中心也参与其中（）

只是，当我们站在这个路口时，已经不可避免地要去思考如何应对这真假难分的AI视频，版权问题、创意能力、隐私问题等等。

更多问题都会随着技术的进步而一并涌出，就像是这次对Openclaw所引发的风险讨论一样，当AI的能力边界超出我们能接受的程度，我们该怎么办？

越来越多的“赛博泔水”

与此同时，技术的进步会随着受众群体的扩大，倾向呈现两极分化的局势。优质的内容确实不断出现，但是大量低质的“赛博泔水”更是毫不手软地在争抢流量，有心者还会用AI去生成具有危害性的视频。

这类新闻报道一直很多

以及优质视频丰富，低质视频泛滥的问题也在发生。

根据 Kapwing 于 2025 年 11 月发布的研究，在一个新建 YouTube 账号前 500 条 Shorts 推荐中，有 104 条、约 21% 被其判定为低质量 AI 生成内容。

不过，我发现一个很有趣的现象是，AI生成视频质量不断进步的同时，不光是画面在进步，观众的审美也在进步。

也就是说，除开那些危害性的“赛博泔水”，对于正常的创作者而言，做得好的，被广泛认可的作品，依然是少数。

想法来源于人^^

作为创作者，如何突出自己作品的优势，如何更加个性化，如何走出自己的创作道路，实际上都离不开对工具的学习和理解，理解的越深，在操作和实践中越能得心应手地去描绘自己的想象。

这是不是很像前面我们提到Openclaw的风险问题，了解越多，风险发生的概率就越低。

写作

好吧！来到了我熟悉的领域，可以稍微多说一点~

文本的同质化趋向

写作更是如此，AI泛滥所影响的第一个领域就是文本生成，即写作，这种泛滥的背景下，同质化的文本越来越多，读者看的越多越抗拒，作者写的越多越自我怀疑，长期使用下被AI反向影响也也并不少见。

最近Nature上的一篇新闻提到，AI的使用可能会让人类的表达变得千篇一律，当一种更加省时间省精力的“写作”方式呈现时，又有多少人能抵制其诱惑呢？

因此，和去年自己观点一致，AI写作始终不是正道。

如果用修仙小说里的做类比，用AI写作类似于使用丹药快速提升修为，确实，在熟练提示词，并且对写作本身稍有了解的前提下，用AI辅助自己写出一篇完整且质量不错的文章并不难。

现实生活中的自己依然会时不时有这种感受出现...

然而，自己的表达能力实际上会在这个过程中被严重削弱，我们不再花精力思考如何组织混乱的想法，如何链接不同角度的观点。我们只要像甲方一样一股脑地“提出需求”，就可以把任务交由AI处理。

但很多人却忘记了，写作本身是表达自我的能力训练过程，用AI的比例越大，对自己的提升越少，甚至不当使用下，表达能力反而会退步。

“垃圾进，垃圾出”

还有一点是创作中也提到的内容，即“垃圾泛滥”，现在AI的成本如此低廉，大量自媒体也开始使用AI批量流水线创作内容，这就导致了一眼望过去全是AI内容。

而AI写作过程中获取互联网信息又会参考这些AI产出的垃圾，所谓“Garbage in, garbage out”（垃圾进，垃圾出），让创作变得毫无生机。

在这篇文章撰写和检索资料期间，大量AI写的Openclaw文章让我有点“犯恶心”，各位可以在微信搜索里输入Openclaw就能感受到...

且不论AI能力，一方面，我们没有办法让AI接管我们的生活，我们依然需要与人打交道，需要去学习各种新事物，AI并不能在所有方面应用，另一方面，AI的预训练过程中所追求的稳妥和大多数的选择，会让“去个性化”风险高于“个性化”优势，损害我们写作的动机。

如果未来有机会，可以单开一篇文章，和大家聊聊AI写作的内核~

学习

除开艺术创作以及写作这类对外输出的方面，对内而言，我们还需要不断学习。

文章的主角Openclaw从来不是一个简单好上手的工具，它的复杂性和系统性是需要花很多时间精力去尝试、探索和学习的，这些过程无法被替代和跳过。

AI的出现确实颠覆了传统的学习模式，过去我们需要顺着前人搭好的梯子，比如书本教材，视频教程，然后在实践中一点点摸索出自己喜欢的路。

但现在AI驱动的学习模式，能让我们以专业的理论高度和新手的理解视角，“硬啃”那些知识概念，节省大量的时间。

但这就涉及到认知心理学中的一个概念，即“理想性困难”Desirable difficulties，定义是“那些会减慢学习材料获得速度、让学习过程显得更费力，但随后能提升长期保持与迁移的学习条件或策略”。

比如AI辅助阅读总结文献，AI翻译快速理解要义，压缩知识点等，但使用AI节省下来的时间，会在未来以另一种形式逼迫自己偿还——让提升我们学习能力的理想性困难大大减少，对我们长期的学习能力造成负面影响。

AI是很强，但用不好AI会损害我们的学习能力，所以学习如何用好它，也很重要。

为什么要讲一些“无关紧要”的内容，其实是因为大家如果把我上一部分的所有AI换成Openclaw，都是成立的，Openclaw就像是集大成者，既有更多的优势，也存在更多的问题，在具体领域里的AI进步和感悟，能让大家更切身体会它。

抱着“玩”的心态去探索和尝试

在大家对于Openclaw也有了初步的了解后，对它的好坏在心中也有了杆秤。无论是风险还是优势我们都已知悉一二，可以以更加自信的姿态去应对，而不是随着那些媒体宣传左右摇摆。

我知道一部分朋友进来也是想得到一个更大问题的答案，即“Openclaw，什么时候适合入场呢？”

作者的说法是“如果你不了解风险，那就再等等，等它再完善一些”，不着急，实话说，我的第一版稿件里，对尝试它的建议也是，“再等等，等它再发展得更安全、更好用时再进入”

这种结论建议虽然稳妥，但是显得有点过于“无趣”，我们回看AI迅猛发展的这三年多的时间就能察觉，每一个时间段其实都冒出过类似的小热潮，比如AI建模，AI音乐等等。

在这些AI对应技术出现的时候，这些相对的小圈子里所引发的“热潮”，非常像这次Openclaw讨论热潮的缩影，大家总会担心这些新技术会替代和革新人类现有的能力（还有岗位）。

然而现实情况是，用得好这些工具的创作者或开发者，往往是那些本身对领域就有所了解，对那些专业知识能娴熟运用的人，他们也是在那段爆火的时间里，创作出好作品的作者群体。

以及在这些热度过去后，那些懂行的，在业内的人开始逐渐熟练地将其应用到工作流中，让AI辅助自己的工作，大大提高效率。那些听着风头而来的人，待到三分钟热度褪去，自然又丝滑地离开。

在我看来，AI自始至终都是工具，尽管现在有各种媒体宣传，AI的迭代太快，“再不上车就赶不上了”，但一方面，技术还没有发展到他们所描述的夸张图景，另一方面，无论技术再怎么迭代，AI最终也要回归到服务于人，人作为受益者，其核心的利益不会到被AI完全替代。

再说回Openclaw的作者，在他看来，最好学习上手这些AI的方式就是“玩”，重要的不是结果，是用它们去探索各种各样可能的过程。

从一开始，我们就没有必要冒着风险让Openclaw完全接管电脑，也没有必要抱着非常宏大的愿景替我们完成现实中的重大项目。大家完全可以用谨慎而好奇的心态去探索它，在自己力所能及的范围里，实现一些好玩的想法。

所以，对AI这条完全新兴的道路，何时参与都不晚，路是自己走出来的，在折腾期间踩过的各种坑，犯过的各种错，都会成为对未来自己的助力，你会在实践过程中更加了解AI，而不只是像宣传的只是“AI更了解你”，你会有更多的选择权，知道的更多也意味着尝试过程中折腾出什么的更大可能。

我知道这么写会有点“鸡汤味”，不过，对于那些还在观望和犹豫的朋友，这些可能可以让你们有所动心。

安装部署，可以找官方文档学，可以找人问；风险管控，可以去看，去学习；成本问题，嗯...这一点我也有问题（）

在这些硬性条件的不断满足过程中，我们会自然而然地锻炼出判断能力，我们会对它们容易出现问题的地方有所察觉，对它们运作方式的更加了解才意味着更高的个性化，毕竟，选择是双向的嘛~

能力越大，责任越大

尽管我的电脑在前段时间也因为权限问题踩了坑，和大家分享了那个Meta AI对齐总监邮件被删的案例，但我依然保留向大家推荐尝试它的想法。

更大的权限实际上也代表着更大的责任，Openclaw的作者从一开始就在强调这件事情。

再加上很多人并不是带着明确问题去使用 AI，而是先被讨论热潮煽动，再反过来给自己制造需求（具体的展开感兴趣的朋友可以去看我那篇讲AI工具性的文章），以及抱着只要使用AI就能满足自己的需求这个过于不切实际的愿望，只会在盲目跟风中反反复复踩到“风险”的坑~

因此，关于Openclaw的建议，关于探索过程中的一些小建议是：

• 别部署在主力机上，如果没有两台电脑可以考虑云电脑；
• Skill这种技能文档可以参考别人的，但是不要看都不看就直接使用；
• 不要抱有它能解决所有问题的心态，而是抱有随时可能出问题的心态去尝试；
• 它从来不是可以一口气完成一个项目的全能助手，而是需要不断引导和干预的辅助性助手，你是老板，它是员工，虽然在实践方面是它做，但是你得对细节足够清晰，你需要为它的前行方向把舵。
• 还有，记得钱包的承受能力......

在起草这篇文章的第一版草稿里，我其实把焦虑放在了最前面。一开始我还觉得没什么，但是随着我搜集各种各样的新闻报道，我自己写着写着也开始焦虑。

越是说“不要焦虑”越是焦虑，这也导致了我接下来的好几天都陷入了一种焦虑性创作，逼着自己写，但是写不出满意的内容。

最后，实在受不了的自己选择把文章直接打碎重写，才有了现在这篇的框架。而令我很意外的是，这一次的框架里我几乎没怎么提到焦虑，直到复盘的时候才想起它。

站在事后的视角去解释，我想这是因为在新的这版框架下，我优先把原理、门槛这些客观的事实写清楚后，自己开始意识到我的具体需求和要面临的风险是什么。这也是这篇文章我最想和大家，特别是一些可能和我有相似焦虑感的朋友传递的感受。

在我们用万字长篇梳理了Openclaw本身的优劣势，其所具备的价值和意义，我们能够以更加全面的视角重新认识它，用我们自己的判断去决定Openclaw是否适合现阶段的自己。

知道的越多，需求越明晰，焦虑就会越少。

所以“是否要尝试Openclaw”这个问题，也从媒体各种“跟不上时代”的宏大叙事焦虑，变为了一个个小而具体的单选题。

以及对于大多数人来说，它目前有限的能力实际上并不能对现实的工作带来实际性的改变，但它是一个好玩的玩具，希望大家在探索的过程中玩得开心~

如果你认为这篇文章还不错，可以点赞关注支持一下！这对我的鼓励非常大~

最后的最后，祝我们

  保持思考，天天开心！

  下期见~ 

参考资料

因为这次参考的比较多，为了方便各位查找我就分节列出，有需要的朋友可以自行阅读原网址