Let's Insight | OpenClaw详解,一起解剖一只龙虾

OpenClaw与龙虾

2026年Q1最火的一组词

深入剖析

破圈

OpenClaw和龙虾应该是2026年Q1最火的一组词了，甚至已经从“AI圈”破圈到“菜市场”。龙虾到底为什么这么“出圈”？是因为强大吗？到底龙虾背后做了什么不一样的事情，欢迎来到Let's TrAI米其林餐厅，我们一起解剖这只龙虾。

一、项目概览

OpenClaw 是一个运行在个人设备上的 AI 助手平台。它的核心定位是一个多渠道 AI 网关——通过一个本地 Gateway 服务，把 WhatsApp、Telegram、Slack、Discord、Signal、iMessage 等 13+ 即时通讯平台统一接入，让 AI Agent 能够在任意渠道上接收和回复消息。项目为一只叫 Molty 的太空龙虾 AI 助手而生，由 Peter Steinberger 及社区共同维护，采用 MIT 协议开源。

一句话：一个接了多个模型的、基于agent运行时Pi（背后接了一大堆skills）的、接了一大堆IM的缝合怪

8个模型

57 个预置技能

md完整目录

40+ 聊天IM平台的适配器

整体架构

特点：端到端全链路让AI帮你干活

假设你在 Telegram 给 AI 发了一句"帮我查下天气"，这条消息经历了什么？以下是完整的 16 步链路，从你按下发送到收到回复的全过程。

用户消息 → 平台 Webhook → 渠道归一化 → Gateway RPC → 安全检查 → 加载上下文 → 组装 Prompt → 模型选择 → 队列调度 → Agent 执行 → LLM 流式调用 → 工具循环 → 流式推送 → 渠道投递 → 持久化 → 完成广播 → 用户收到回复。

具体：Step 1-4: 消息进入系统　Step 5-9: 准备 AI 输入　Step 10-12: AI 思考与执行

Step 13-16: 回复投递与收尾

二、OpenClaw这个架构下的几个核心能力

消息

消息的路由，一句话总结：路由 = "谁处理"（Agent 绑定匹配）+ "放哪里"（Session Key 生成）。Agent 之间还能互发消息（A2A），像同事之间递纸条协作

把 OpenClaw 想象成一家公司的前台。来了一封信（消息），前台要做两个决定：

1.这封信给哪个部门？（选 Agent）——根据人工预先配置的绑定规则自动匹配

2.怎么选Agent

3.这封信放到哪个文件夹里？（选 Session）——由系统自动生成，规则取决于消息来源群聊/频道：每个群/频道一个 Session，格式 agent:{agentId}:{channel}:{kind}:{peerId}私聊：看 dmScope 配置——可以所有人共享一个 Session，也可以每人一个独立 Session

消息的执行：例如在 Discord 发了一句"帮我写个爬虫"

消息并发和打断，一句话总结：collect = 攒一起说，steer = 插嘴，interrupt = 打断重来，followup = 排队等策略是人工配置的，不是"智能选择"。系统不会根据聊天场景自动判断该用哪种策略。如果你什么都不配，所有消息一律走 collect（攒一起说）。想要不同的行为必须自己配：可以按渠道配（Discord 用 collect、WhatsApp 用 steer）、按会话配、甚至在单条消息里用 /queue interrupt 临时切换。

默认配置：AI 单次处理超时 — 默认 10 分钟（agents.defaults.timeoutSeconds = 600）。超时后 AI 被强制终止，排队消息开始处理。队列容量上限 — 默认最多排 20 条。超出后触发溢出策略（默认 "summarize"：丢掉最旧的，但给 AI 留个摘要）。Gateway 兜底 — 每 60 秒扫描一次，自动终止超时的 Run。最短 2 分钟、最长 24 小时。

AI能力

多模型与智能切换OpenClaw 不绑定任何一家 LLM。你可以同时配置多个模型提供商，系统在出错时自动切换，甚至按能力选择最合适的模型。

Memory 机制AI 的对话是"短记忆"的——每次上下文窗口有限，老对话会被遗忘。Memory 系统就是给 AI 装了一个长期记忆。简单理解：五个关键点

1.记什么？你往 MEMORY.md 文件或 memory/ 目录里放的任何东西，以及对话积累到一定量后的自动摘录。

2.怎么记？文件被切成 400 token 的小块，每块通过嵌入模型（默认 OpenAI text-embedding-3-small）转成数学向量，存进 SQLite 数据库。

3.怎么找？ AI 想找相关记忆时，用混合搜索：70% 靠向量语义相似度（"意思相近"的都能找到），30% 靠关键词匹配（精确词命中）。两者合并取 Top 6。

4.什么时候更新？五种触发方式——文件变了自动同步、定时检查、对话积累够了、搜索前先同步、新会话开始时预热。不需要手动触发。

5.谁来调用？ AI 自己决定。系统给了 AI 两个工具：memory_search（搜记忆）和 memory_get（读具体内容）。AI 在觉得需要回忆时会主动调用。

会话管理会话（Session）是 OpenClaw 中消息上下文的基本单位。每个会话有独立的对话历史、模型配置、工具权限和 token 计量。理解会话管理是理解整个系统的关键。

三、抽象来看的典型任务能力

浏览器操作与自动化

多媒体多模态理解

用插件与Skills的能力

结论

22年底ChatGPT因“AI能如此逼真的像人”而出圈、24年Sora因“AI能生成如此真实的视频影像”而出圈、25年Manus因“AI首次可以端到端完成一些任务，如订票、画PPT”而出圈。

那么时间来到26年，Let's TrAI认为龙虾核心是做了3件事，这套组合拳让龙虾破圈：

1、缝合多个模型和agent skills，形成一个“操作系统”基座；

2、接入多个常用的IM（通信软件）；

3、以“操作本地设备”为case show off。

从Agent角度，龙虾的本质和cc可能差异也不大，that's why cc的拥护者很多反而还是认为cc好用。

但是，这套123组合拳，真正出圈的是“人群的圈”。

要知道现在大多数人最常用的设备是手机而非电脑，甚至工作中能用手机解决就不用电脑解决。而龙虾的核心show case让人们在习惯使用的IM应用（如飞书、telegram）上“命令龙虾”，操作“不喜欢”使用的电脑环境做任务，这种【人驾驭AI Agent】的感觉引爆了市场。

但是龙虾是否没什么“本质上的革新”？答案肯定不是的！如果把互联网和移动互联网看做是两个时代的话，agent理论上也应该能同时适配复杂的工作台环境-电脑，以及灵活的日常的环境-手机。龙虾让AI agent像泛人群又走进了一步，这是龙虾的一小步，也是Agent的一大步