小龙虾OpenClaw四十问

之前提到“OpenClaw架构粗解”，有些人还是觉得不贴切。直接上问答吧！

1. Q: OpenClaw到底有哪些创新？

A: 1) 生产力上，小龙虾从“只说不做”到“说到做到”，打通执行力的最后一公里。并且再次用“群体智能”替代“单兵作战”。动手能力体现相关技术上体现包括重用命令行CLI和文件系统控制，对接信息通道接活。群体智能体现在更自主的多智能体协同和全球贡献的Skills知识库。

2）生产关系上，小龙虾从SOP到AOP（Agentic Operating Procedure，智能体协作规程）变化。从预定义的服务协作，到人机交互式协同的协同进化。实现“人驱动流程”转向“目标驱动”。重复性脑力劳动被替代，人力解放到更高价值创造中去。

3）生产效率上，通过端到端闭环 + 7×24 主动执行 + 技能的即插即用实现高效响应和规模化能力。

2. Q: OpenClaw到底有哪些技术创新？

A: OpenClaw没有发明Skills，Gateway, Memory, Agent Protocol, HeartBeat, ReAct Agent这些技术。但是在架构上创新式的把这些技术融合了。

1）通过Gateway as a Service + 插件机制Plugin实现通道，智能体，大模型，工具的联动，实现端到端的执行解决方案。

2）通过心跳(HeartBeat)机制和多智能题协同，实现主动响应机制。

3）通过惰性加载Skills技能、三层记忆，实现了超宽上下文管理机制。

3. Q: OpenClaw如何实现执行力的？

A: 1）闭环执行机制，目标 → 分解 → 执行 → 反馈 → 再执行，不仅是"能调用工具"，而是"调用失败了还能继续朝目标改进"。

2）海量的技巧与进化机制，通过ClawHub上海量的Skills探查，以及错误学习改进Skills的能力实现基于反馈探索和改进的能力。

3）强有力的工具机制，对浏览器的控制，对命令行CLI的控制，对文件系统的控制把调度能力做到极致。

4）记忆和宽上下文处理能力，在任务重启和试错过程中避免陷入错误陷阱。

4. Q: OpenClaw对大模型公司有什么影响？

A: 1）正面影响：海量的Token消耗，让大模型公司走向盈利，市值猛涨。

2）负面影响：用户入口被OpenClaw应用截流。

3）挑战机遇：对低价高质量Token，对超宽上下文窗口，对代码命令行分析能力，Skills适配进化能力都提出了新的要求。

5. Q: OpenClaw对云服务公司有什么影响？

A: 1）正面影响：小龙虾的本地化个性化需求对轻量云服务器需求激增。对开源廉价Token的海量需求也提供云大模型API的流量。

2）负面影响：对传统SaaS服务的冲击，可能造成传统收益的下降。

3）挑战机遇：对类OpenClaw带来的各种安全和网络流量的异常管理提出挑战。

7. Q: OpenClaw对SaaS应用服务公司有什么影响？

A: 1）负面影响：模式冲击，对于席位订阅到使用量/结果付费的模式冲击。传统应用服务的核心技能外泄，开放的ClawHub让一些专业技能被更容易更廉价获得。体验变化，描述目标的交互体验比按流程管理的交互更容易和直接。核心能力接口化，随着端到端任务集成，很多SaaS服务成为可取代的一环而被迫接口化。

2）正面影响：数据壁垒被越来越高定价，随着技能被共享，数据的壁垒的价值得到进一步稀缺和凸显。而数据规范和数据标准成为核心壁垒。

8. Q: OpenClaw对AGI路径有什么影响？

A: 1）正面影响：对系统2的慢思考和逻辑推理一种工程化具象，让大众看到规模化、自主化和进化一起实现三化协同的强大能力。个性化数字分身，一人公司概念得到更广泛的接受和信任。

2）负面影响：OpenClaw对Skills的依赖，让智能再一次陷入了多少人工多少智能的经验路径。为了完成特定任务，在Skills的迭代和管理上花了海量的时间和精力，算是一种通用方向的倒退。

9. Q: OpenClaw对币圈有什么影响？

A: 1）正面影响：加速了币圈向“Agent 驱动自动化”转型，催生“AI+ Crypto”新赛道AI-Fi / Agentic Finance 概念与估值重构。自动机（Automaton）+ Conway基础设施+ ERC-8004 & x402支付协议等概念与OpenClaw的叠加，带来币圈的新基建动力。

2）负面影响：OpenClaw的安全性问题进一步加剧了币圈的风险。

10. Q: 应用OpenClaw最大的挑战是什么？

A: 1）安全问题：OpenClaw 默认配置不安全，大量用户因误配置或缺乏经验而暴露风险，甚至出现真实泄露和被接管案例。而且，这种安全问题是设计权衡（“要执行力就必须给权限”）带来的系统性挑战。除了权限问题，来自ClawHub 与恶意插件的外部投毒也风险极高。常见风险如下：

- “提示词注入”风险

- “误操作”风险

- 插件（Skills）投毒风险

- 安全漏洞风险

- 隐私外泄风险

2）长期维护难题：Memory 压缩、Skill 更新、日志审计、sandbox 调试都需要一定技术门槛。需要长期使用，让非开发者用户常感到“配置挑战远超使用收益”。记忆污染与“长程任务”的逻辑崩溃更是系统性维护难题。

3）可靠性风险：Agent 自主性强，但仍会出现幻觉、错误决策、部分完成任务却自报“完成”的情况。高风险决策上可靠性依然不够。

4）经济性挑战：AOP（智能体协作规程）依赖大量的反思和多智能体对齐，需要闭环测试海量的任务和技巧。可能很简单的计划外任务都需要海量的Token消耗，想要更经济的规划，又会带来恐怖的维护改造难题。

11. Q: 企业应用OpenClaw要注意什么？或者如何选择类OpenClaw平台？

A: 1）需要认知问题与挑战：参考10.

2）尽量采用SOP+AOP融合的道路，避免纯AOP带来的成本开销和不确定风险。对于高频问题让AOP调度SOP来高效解决，对于长尾问题依赖AOP自身能力来试错。

3）在选择类OpenClaw平台时，要看多智能体协同能力是否容易配置，看Skills支持的力度（例如是否支持Scripts, Reference）, 要看平台内置的审计能力是否足够强大。

12. Q: 如何让OpenClaw省Token？

A: 1）减少必要的上下文调用：系统提示词，工具定义上下文，历史记忆会话，心跳和定时任务，工具返回结果等都会消耗大量的Token，都非常值得精简。

2）模型路由：对于常规简单任务，例如心跳，接口调用等，使用便宜高速Token，最好使用本地超小模型的免费Token。对于推理规划使用贵的Token。

3）Skills精选：通过限定Skills范围，使用高质量Skills，让ReAct Agent高效完成任务，可以节省大量的Token，提前完成任务。

4）调低多模态数据分辨率：通过适当降低多模态数据的分辨率可以节省大量的多模态Token开销。

5）配置增强的摘要和本地RAG能力：通过RAG和精准摘要的增强预处理，把历史数据的重复处理变得省Token。

13. Q: 如何让OpenClaw更安全？

A: 1)遵循环境隔离、权限最小化、数据脱敏、网络隐身、供应链审核和持续监控原则。

2）沙箱隔离：通过容器隔离，网络沙箱，文件系统沙箱等限定可访问区域和范围。

3）限定Skills：通过Skills审计和限定，减少注入病毒等风险。

4）使用审计：安装Shield等操作审计产品，对非法操作进行限定，并自动对数据进行脱敏上传。

5）提升监控：通过行为监控，高风险操作人工确认监控等提升监控预警能力。

14. Q: 行业内比较成功的OpenClaw应用案例？

A: 1) 自动化信息挖掘：在资管基金行业，通过OpenClaw来实现深度信息挖掘。

2）NateEliason 的 SaaS 创业闭环：Nate 仅为自己的 OpenClaw 智能体 “Felix” 注入了 1000 美金的启动资金，并赋予了它从市场调研、网站搭建、产品设计、社媒运营到客户转化的全链路权限。3 周内实现 14,718 美元营收。

3）客户支持与在线运营：通过OpenClaw盯着邮箱和互联网社区，自动化创建复杂工单，并盯着产品状态更新。

要注意大部分成功案例都是已有方向的加速，并非全新方向的新发现！

15. Q: OpenClaw与传统Agent(Manus)有啥不一样？

A: 1) OpenClaw是强试错的AOP能力，Manus是强调规划的任务托管能力。对于容易出错失败的任务， OpenClaw的自主修复能力要远远强于Manus。

2）OpenClaw适合本地数据的处理， Manus需要上传大量本地数据，OpenClaw的个性化工作方式更适合日常工作的加速， Manus则更适合专项任务的深度思考和调研。

3）OpenClaw在多智能体协同的广度、深度两方面都比Manus要更自主，并且适应Skills会自动调整。而Manus更偏固化为规划（Planner）、执行（Execution）、验证（Verification）三个思维逻辑的协同。

16. Q: OpenClaw的多智能体如何协同的？

A: OpenClaw除了单一智能体之外，至少有三种智能体协作模式。 1）子Agent（SubAgent）模式，一个Agent在Session运行过程中，可以产卵(Spawn)行为生成下一代子Agent来分活干。可以通过配置来限定子Agent的深度和广度。

2）ACP (Agent Client Protocol) 协议智能体模式，通过标准的 ACP 协议实现的连接方式，一般需要外部专业Agent能力的时候，可以通过标准协议进行跨服务器跨部门协作对接完成。因此， ACP协作需要持久化支持，来保存外部结果。

3）多Agent团队模式，通过多对多、点对点、及层次化通信来建立的智能体协作。甚至可以为每个Agent提供一个沙箱来独立运作。团队模式，又分为三种通信机制。

- Orchestrator（编排者）：“星型”结构， Orchestrator 拆解任务 → 分发给 Worker A → 结果回传 Orchestrator → 分发给 Worker B

- Peer-to-Peer（点对点/P2P） ： P2P 模式，智能体 A 完成任务后，将结果发布到总线；智能体 B 订阅了该类消息，自动触发下一步动作，无需中心节点介入。

- Hierarchical（层级化）：树状结构，顶层 Manager 负责大方向，中间层 Lead 负责特定领域，底层执行具体操作。每一层级只与其直接上下级通信。

其中用得最普遍的是层级化树状模式。

另外，也正是因为多Agent的存在，使得不同的通道可以配置不同的Agent，形成Agent路由机制。

并且路由机制也支持让Agent动态绑定大模型，实现大模型动态选择。

17. Q: OpenClaw如何调度Skills的？

A: 一）Skill的调度 1）Skills是提示词（上下文）的重要组成部分：在Agent的核心pi-embeded-runner里面，在生成提示词的时候被调用的。因此，所有的Skills和相关内存，都会变成大模型的上下文信息。 2）Skills加载有独立的Skills进行管理。

二）Skill的加载，包括内置的Skills，工作区的动态安装Skills，包括其他补充的Skills，通过优先级调度。 1）然后通过Skill发现相关的工具和内容是否已经开放使用，如果开放使用了，才能被过滤进入系统提示词。 2）再有大模型来跟进Skills的名称描述等路由信息，由大模型来决定是否调度Skill.md细节内容。 3）进入Agent执行循环，大模型决定是否读取Skill，是否执行Skill相关工具, 收集执行结果。 4）反馈回复。

需要注意的是， OpenClaw里面Skill的加载细节和其他的平台并非完全一致的，因此使用相关平台的时候， Skills是否能被完全加载使用，需要注意的。

三）Skill的配置，Skill可以包含负责的路由信息，也可以包含复杂的拓展信息，例如Scripts, References, 只有各个平台是否支持加载相应的内容，也是需要注意的。

例如nanobot里面就不支持Scripts的扩展读取。

18. Q: OpenClaw如何创建子Agent (SubAgent)的？

A: 子Agent可以是两种理解，一种是派生的儿子Agent，一种是拓扑树结构下的儿子节点的Agent。

一）派生subagent, 通过 sessions_spawn 工具启动的一个独立子会话, 然后动态创建子 Agent。具体的执行方式来自两个信息源。 1）来自直接任务命令：请为这个任务派生3 个子 Agent。 2）来自Skills的技巧信息：遇到复杂任务时，优先使用 sessions_spawn 分解成子任务，再使用专用子 Agent。

二）预定义的树的子节点对于Agent，需要在主 Agent 配置中加入 allowAgents配置好预定义的Agent。通过多Agent的预定义分工逻辑进行调度启动。

要注意对于派生Agent的能力，有些平台是不支持的，录入CoPaw就没有派生子Agent的能力。这样，对大任务自动化拆解成小任务执行的能力就会有很大限制。

19. Q: OpenClaw的记忆如何实现的？

A: 一）三层记忆机制：提供会话记忆，历史记忆，长期记忆三层记忆机制：

二）采用 “文件优先（File-First） + 混合检索（Hybrid Retrieval）” 的架构，解决了传统 Agent “每次重启就失忆”的问题。并且支持各种插件方案Cognee，Mem0，QMD 等

三）压缩机制：上下文即将满时（或自动触发），Agent 会先运行一个“flush turn”，把重要信息显式写入 MEMORY.md 或 daily log，再进行总结压缩（/compact 命令）。要注意，记忆不会“自动记住一切”，只有重要内容需要 Agent主动决定写入磁盘。这是有意设计，避免噪声积累，但也意味着需要良好 prompt 引导 Agent “什么该记”。

20. Q: OpenClaw的上下文能力是如何增强的？

A: 1) 宽上下文设计：包括记忆，技巧Skills, Tools的结果等大大提升了上下文里能够包括的内容。

2）按需筛选核心内容：通过混合检索(向量+BM25关键词， SQLite + SQLite-Vec)和MMR 重排（Maximal Marginal Relevance，最大边际相关性）实现精准过滤。甚至可以通过插件增强替换更强的RAG支持。

3）主动压缩：历史内容可以按内容（决策、事实、工具输出）重要性显式压缩写入（Pre-compaction Flush）。也可以通过压缩主动替换冗长上下文（Compaction）。

4）拥抱长上下文大模型特性：对于1M token大模型， Prompt Caching等特性可以配置支持。

21. Q: OpenClaw环境下CLI比MCP好在哪里？

A: 1. 上下文简短：用命令行CLI替换MCP，大幅度减少Schema的上下文，方便人类阅读改进Skills。

2. 管道组合：通过Shell的管道组合能力，大幅度提升命令行CLI的修正增强能力。

3. 避免占用服务资源：很多MCP依赖本地服务器提供统一服务注册能力，命令行CLI，即插即用，随用随丢，灵活便利。

22. Q: OpenClaw与传统ReAct Agent有什么差异？

A: OpenClaw在主动性，异步高可用性，超宽精选上下文，有记忆状态，原生子Agent细化任务， Skills拓展和进化能力上都比传统的ReAct Agent有更强的环境反馈再适应的能力。

23. Q: OpenClaw如何做到自主性提升的？

A: 1）最重要的是心跳机制，有了心跳， Agent在你不在线时也能自主监控（邮箱、服务器、新闻、日历、文件变更等），并决定是否干预。但因此，心跳也要消耗很多的Token。

2）心跳非常灵活，可以绑定通道，绑定账号，甚至定制Skills。

3）长期记忆，支持长久存储和任务重启后重新试错，也让本地特定问题得到针对性的响应。

24. Q: OpenClaw的进化能力如何实现？

A: 1）能力升级： Skills 创建，版本更新，自主进化。形成“经验 → 反思 → 新 Skill → 复用提升”的进化循环。内置 skill-creator 或聊天指令（如“帮我创建一个新 Skill 来自动处理 XX”），自主生成新Skill迭代。

2）记忆学习：通过MEMORY.md + daily logs 的“永生记忆”，可以模拟生命周期学习lifetime-learning的机制。

3）心跳复盘：可以基于Heartbeat.md 中加入“每晚复盘 + 进化”。

4）多智能体协同：可以利用灵活的多Agent协同，通过多模型多智能体之间的反馈增强达到能力进化。

5）强化学习：通过Skill + RL，甚至OpenClaw + RL来实现基于强化算法的进化。

《SKILLRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning》

《OpenClaw-RL: Train Any Agent Simply by Talking》

25. Q: OpenClaw使用Skills与传统的Prompts服务有啥区别？

A: 1）惰性动态加载： Skills 与 Prompts服务最大的差异就是，是否按需动态加载。一旦可以按需加载，就可以更自主的实现版本迭代和自主新建进化。

2） Skills拓展了Prompts的路由能力和上下文能力。更适合面向任务的经验描述，尤其其中的工具关联，让本地任务执行能力大幅度提升。

3）强大的社区支持：OpenClaw的爆火，催生了Skills社区的快速发展， ClawHub等社区的快速发展带来了比提示词更高可用性。

26. Q: OpenClaw中Skills配置方式有哪些？

A: 1）多个Skills的优先级配置，工作目录，共享目录和定制共享的优先级差异很大。

2）单个Skills里面配置metadata, 单个skill.md里面需要安装vibe coding相关的经验来提升Skill的执行力。 “Vibe Coding最重要的是什么？”

3. 在安全白名单(allowBundled), entries为特定 Skill 设置 API Key、启用状态等。

27. Q: OpenClaw中哪些Skills是必须的？

A: Skills的必要性完全取决于你的需求：

1）安全需求： skill-vetter 安全审计

2）进化技能：Capability Evolver，Self-Improving Agent， skill_maker，memory_vault，

Find Skills / ClawHub

3）网页执行：Agent Browser，arxiv-browser，Tavily Search

4）信息处理：Summarize

一般可以按照安全类 → 生产力类 → 进化类 → 场景特定类进行思考必须性。

28. Q: OpenClaw中工具结果如何反馈到智能体里面的？

A: 1）反馈阶段：工具结果是在大模型推理决定工具调用之后才被加入流程的。

用户消息 → 网关（WebSocket 路由） → 代理会话（PI-Agent π 运行时）→ 上下文组装 → LLM 推理（决策：回答或调用工具） → 工具执行 → 工具结果注入 → LLM 继续推理 → 最终响应流式输出

2）具体步骤：具体在runEmbeddedPiAgent函数里面，在agents/pi-tools.ts里面进行调用，然后把执行结果保存agents/session-tool-result-guard.ts，进而触发压缩compaction.tool-result-details.ts

3）扩展能力：通过各种hook的绑定， before_tool_call，after_tool_call，tool_result_persist 可以进一步实现对特定工具结果的处理能力。

29. Q: OpenClaw的架构灵活性体现在哪里？

A: 1）强大的插件系统（Plugin System），除了Gateway之外，几乎所有的其他能力都可以是插件。

2. 强大的Markdown应用能力：技巧Skills，记忆Memory，配置 SOUL.md / AGENTS.md等，都是markdown，把markdown的能力用到了极致。

3. 轻量异步Agent内核应用：核心的Pi Agent为OpenClaw提供了一个轻量闭环逻辑，并且Pi Agent是一个编程Agent，对命令行工具支持能力天生就是非常适合的。

OpenClaw还有很多设计，例如兼容各种主流大模型，钩子hooks暴露，等也很灵活。

30. Q：OpenClaw的安全沙箱是怎么实现的？

A: 1）安全沙箱（Sandbox）是内嵌机制，主要针对工具执行，浏览器操作。 OpenClaw的网关自身不在沙箱运作的。

2）三种沙箱机制：沙箱默认是Docker方式，支持SSH的远程主机，支持OpenShell的镜像（https://github.com/NVIDIA/OpenShell）

3）三种域控制：每个Session都是一个容器，每个Agent一个容器，所有沙箱Session共享一个容器。

31. Q: OpenClaw如何保证不会死锁，重复劳动的？

A: OpenClaw无法保证不会死锁，但是通过“限制循环成本 + 提升每一步信息增量”来控制死锁和避免重复劳动。

其中，避免重复劳动主要是通过上下文压缩，记忆系统，工具循环检测。

而控制死锁主要通过，限制+检查+恢复三方面来约束：

一）限制约束层面

1）限制并发：同一个会话中，运行的并发Agent数量有控制，通过maxConcurrent来限制并Agent和子Agent的数量。

2）加锁机制：网关加锁，保障只有一个网关跑在一个端口上工作。工作目录加锁：保障存储区域的冲突死锁。

3）预算机制：对于内存，硬盘等资源建立预算模式，超过预算就会中断。4）超时机制：对于工具调用设置异步超时机制，一旦超时强行杀死进程。

5）排队机制：对于消息设置排队和中断机制。

6）备用机制：对于大模型等核心能力，建立备用机制保障基础能力。

二）检测机制层面

1）循环检测机制 (Loop Detection)：

- 不产生进展的重复序列

- 高频无结果循环（相同的工具、相同的输入、重复的错误）

- 已知轮询工具的特定重复调用模式

2）心跳状态回顾分析，通过心跳机制可以实现对出问题的任务进行中断处理。

三）快速恢复机制：有快速恢复机制，重新批准设备配对。重新在前台打开节点应用。重新授予操作系统权限。重新创建或调整执行审批策略。等。

但是即便如此，异常存在工具震荡，上下文污染等问题导致浪费Token等问题发生。

32. Q: OpenClaw如何实现执行过程中，应对新的消息而不混乱的？

A: 1) Session隔离：通过Session隔离生成一个串行的通道，通过Direct Message（DM）来建立一个域管理，实现不同用户不同来源的消息不会相互污染上下文。 DM域里面在一定连续性和长度限制下，可以自动映射到Session。

2）通过Lane Queue来实现串行：通过Session的Lane保障一个Session里面只有一个线程在串行工作。对于必需的并行，可以通过Global Lane进行并行通道控制。

通过两层限制，即使你在 DM 里连续发 3 条消息，第 2、3 条也会乖乖排在 queue 里，等第 1 条彻底跑完（包括所有 tool call 和文件落地）才继续。

因此，在Agent Loop里面完成智能体执行前，从网关到Agent Loop的步骤中，通过Direct Message 和 Session建立是要通过Lane Queue排队和适配并调度Agent的。从而保障了新的消息不混乱。

33. Q: OpenClaw如何保证把最关键的内容记忆下来的？

A: 主要通过压缩Compaction和截断Pruning两种机制来记忆关键内容的。 1）压缩，对于重要的上下文信息，通过大模型的Summarize的能力进行压缩。并且具体的压缩能力还可以通过Skills进行配置。

2）截断，对于历史中工具的结果，过长的内容就直接进行截断处理。

34. Q: OpenClaw如何处理多模态的？

A: OpenClaw 对于视频，图片，音频都有专门的支持。

1）对多模态内容进行大小限制： image: 10MB， audio: 20MB， video: 50MB。同时，需要配置多模态大模型进行支持。

2）格式大小转化：对于通道里面的多模态进行进行统一管理，之后通过媒体理解步骤转成大模型可接受的多媒体格式。为了适配多模态大模型的限制，还需要对分辨率进行处理，减少多模态的大小。

3）对于上下文RAG，需要配置多模态的embedding能力。

4）对于记忆内容，倾向于记录多模态的描述内容。

35. Q: OpenClaw的心跳机制是否可以定制化改造？

A: 心跳机制支持配置，包括间隔时间，对应大模型，提示词，技巧

HEARTBEAT.md, 除此之后。还支持添加心跳处理钩子和外部唤醒机制。

1）心跳处理钩子: PluginHookAgentContext

2）外部唤醒机制：暴露 requestHeartbeatNow()、setHeartbeatWakeHandler() 等给外部唤醒。

36. Q: OpenClaw的Agent实现有哪些核心步骤？

A: 一个OpenClaw的Agent的核心步骤：

1）单个循环（Loop）：消息输入 → 上下文组装 → 模型推理 → 工具执行 → 流式回复 → 持久化。

2）循环能力：包括循环，重做，压缩，轮询大模型等能力。

37. Q: OpenClaw的权限管理如何实现的？

A: 权限限制包括安全原则的权限限制和用户权限的管理两个大的方向。

1）安全原则：主要是安全沙箱的实现机制， Sandbox 隔离（运行时边界）。其次，就是审计执行，类似安装Shield之类的审计隔离工具。

2）用户权限： DM Policy 与通道访问控制 + Session/Channel 隔离 +

Tool 访问控制 + 执行时策略（Policy）。尤其对工具的访问，支持到用户级别的详细配置来控制。

38. Q: OpenClaw自身如何配置的？

A: 最主要的配置在openclaw.json的配置文件里面。它的调度过程如下：

具体包括Agents, 浏览器，通道，网关，消息，大模型，插件，技巧等主要的配置内容。更具体可以参考： https://docs.openclaw.ai/cli/config

39. Q: OpenClaw的悖论和痛点是什么？

A: OpenClaw有三大悖论：1）通用智能悖论：你感受到的能力大部分是来自设计师的经验，但它却被称为通用智能的代表。 2）全权代理悖论： OpenClaw的权限给大了就不安全，权限给小了就没啥用。 3）日常助手悖论：OpenClaw干的是日常助手的活，但是把OpenClaw折腾明白却是非常专业的活。

OpenClaw常见的痛点：

1. 智能体的行为不稳定，例如能力“突然消失”，幻觉问题，工具调用失败等，记忆不可靠。

2. 安全问题很明显。Shodan 扫描发现 42,000+ 个 OpenClaw 实例暴露在公网，230个恶意脚本插件被发布到 ClawHub。

3. 配置复杂：各种配置和技巧配置需要平衡的问题太多，细项选择过多。OpenClaw 的一位维护者 Shadow 在 Discord 公开警告："如果你不懂如何运行命令行，这个项目对你来说太危险了，根本不适合安全使用。"

40. Q: OpenClaw的常见竞品有哪些？

A: OpenClaw在编程语言，供应商，系统平台，安全性，架构设计，通道关联等各个方向上都在定制化，出现各种竞品。