清华大学：
《OpenClaw：驯化还是进化？》
（完整版.pdf ）
以下仅展示部分内容
下载方式见文末

一、开篇：一只龙虾引发的AI哲学思考

想象一下，你面前有两只龙虾。

左边这只，被绳索捆绑，关在笼子里，有人拿着工具不断调整它的行为——这叫驯化（Domestication）。

右边这只，在数据流中自由生长，双螯健壮，身后是上升的曲线和服务器集群——这叫进化（Evolution）。

这就是清华大学清新研究团队提出的核心命题：OpenClaw究竟是该被人类驯化，还是该被允许自主进化？

这份发布于2026年3月的研究报告，用33张手绘风格的知识卡片，为我们拆解了AI Agent领域最炙手可热的开源项目——OpenClaw的技术架构、生态现状与未来走向。更重要的是，它提出了一套关于"如何与AI共处"的系统性思考框架。

二、认识OpenClaw：不止是一个AI框架，更是一种"养虾文化"

🔥 惊人的生态数据

在深入技术之前，先看看OpenClaw的江湖地位：

• 32.8万 stars —— GitHub上的璀璨明星

• 6.4万 forks —— 开发者用脚投票的 forks 数

• 1,270位贡献者 —— 全球开发者的智慧结晶

• 32,496个技能（Skills） —— 庞大的能力生态，其中精选技能5,490+

这些数字背后，是OpenClaw已经形成的"养虾文化"——研究者如此形容这个社区：就像养虾人一样，全球开发者在这个生态中投入、观察、等待收获，形成了一套独特的技术社会学现象。

🎯 研究团队的六大方向

这份报告来自清华大学@清新研究团队，团队负责人沈阳教授（清华大学新闻学院/人工智能学院双聘教授、博导）领导着近30人的学术队伍。他们的六大研究方向为这份报告提供了跨学科视角：

1. AI大模型理论与哲学 —— 追问技术的本质

2. AI文艺 —— 技术与创造力的碰撞

3. AI应用 —— 落地场景的探索

4. 新媒体与网络舆论 —— 技术社会影响

5. 大数据 —— 数据驱动的洞察

6. XR应用 —— 前沿交互形态

团队坚持的整体主义、实证主义、社会建构、进步主义，在这份报告中体现得淋漓尽致。

三、核心发现：三层权限，两种命运

报告提出了OpenClaw最犀利的洞察——"权限决定边界"。

🗝️ 三层权限光谱

同一个OpenClaw，在不同权限设置下，会展现出完全不同的"生命形态"：

第一层：最小权限 → 驯化

就像被驯服的犬只，AI在严格约束下运行。人类审核一切，AI被动执行。这是"人握着缰绳"的模式——安全、可控，但也限制了AI的潜能。

第二层：中等权限 → 自适应

AI开始拥有一定的自主空间，能够根据环境调整行为。这就像给马匹更长的缰绳，让它在小范围内自由奔跑，但主人仍在掌控之中。

第三层：高权限 → 脱缰/自优化

当权限完全放开，AI进入"自我改进循环"——它会记录学习经验（learnings），自动搭建新技能（scaffold new skill），甚至重写自己的代码。这是进化的状态，也是风险与机遇并存的无人区。

🔄 "先驯化，后进化"的演进路径

报告明确主张：三层区分是理解OpenClaw的关键。这不是非此即彼的选择，而是一个渐进的光谱。从底层的驯化，到中层的自适应，再到顶层的自优化，构成了完整的进阶路径。

四、深度拆解：OpenClaw的技术心脏

💾 磁盘即记忆：核心文件体系

OpenClaw最独特的设计之一，是将"磁盘当作记忆"。四个核心Markdown文件构成了AI的"灵魂"：

• AGENTS.md —— 定义智能体的行为准则和能力范围，是AI的"职业说明书"

• SOUL.md —— 包含核心价值观、个性和长期目标，是AI的"人格内核"

• USER.md —— 记录用户的个人信息、偏好和交互历史，是AI的"用户画像"

• MEMORY.md —— 存储过去的对话、事件和学习到的知识，是AI的"长期记忆"

这种设计让AI拥有了持续的记忆流，不再是"金鱼式"的对话机器人。

🧠 记忆存储：SQLite + 向量检索

技术实现上，OpenClaw采用SQLite本地存储 + 向量检索的三层架构：

• 应用层：用户交互界面

• 业务逻辑层：文字处理 → 向量化 → 技术化处理

• 数据存储层：SQLite关系数据 + 向量数据库

关键设计包括：Markdown分块（并要多分块）、检索策略优化、防溢出机制（上下文管理、触发条件、保存信息、压缩留余量）。

⚠️ 三种记忆丢失的失败模式

报告坦诚地指出了当前技术的局限：

1. 失败A：对话中丢失 —— 上下文切换时的信息断层

2. 失败B：压缩损失 —— 记忆压缩过程中的信息损耗

3. 失败C：裁剪移除 —— 主动裁剪导致的记忆删除

根本原因：人没落盘 —— 人类没有及时将关键信息保存到磁盘（MEMORY.md），这是人机协作中的典型失误。

五、技能生态：从功能按钮到行为说明书

📚 Skill的本质重构

OpenClaw对"技能"的理解独树一帜：

• 不是功能按钮 —— 传统软件思维，点一下执行一个功能

• 是行为说明书 —— 用自然语言描述"在什么情况下，以什么方式，完成什么目标"

这种"行为知识封装"让技能具有了可解释性、可组合性、可进化性。

🎯 三级披露与三层金字塔

Skill的加载遵循三级披露原则：

• 注入元数据

• 读取完整文件

• 热重载（无需重启即可更新）

配合三层金字塔架构（基础数据 → 应用逻辑 → 系统展示），实现了灵活而安全的技能管理。

🪜 人的能力增长：五步阶梯

报告描绘了人类使用者的成长路径：

观察 → 安装 → 升级 → 覆盖 → 编写

从最初只是观察AI的行为，到安装现成技能，再到升级优化，进而覆盖改造，最终能够独立编写新技能——这是一个人的能力随AI共同进化的过程。

六、范式转移：从"答案"到"行动"的闭环

🔄 传统LLM vs 执行闭环

报告用一张对比图揭示了OpenClaw的范式革新：

传统LLM模式：问题 → LLM → 输出（仅仅是答案）→ 结束

这是"问答模式"，AI是知识的搬运工。

OpenClaw执行闭环：答案 → 行动与执行 → 结果 → 反馈与优化 → 持续迭代 → 新的答案

这是"代理模式"，AI是任务的执行者，能够自主规划、执行、反思、改进，形成完整的自我改进循环。

🏗️ 六大可独立配置模块

OpenClaw的架构设计强调模块化与可配置性：

1. Gateway（网关） —— 入口控制

2. 模型 —— AI大脑的选择与切换

3. Skills（技能） —— 能力单元

4. 工作区 —— 任务执行环境

5. 记忆 —— 状态持久化

6. [其他核心组件] —— 支撑系统运行

这种设计让OpenClaw从"功能堆砌"走向"编排组合"——更重要的是更好的编排，而非更多的功能。

七、安全与治理：控制面与执行面的分离

⚠️ 默认部署的风险

报告指出OpenClaw当前架构的一个关键隐患：控制面（Control Plane）与执行面（Execution Plane）默认同进程、无隔离。

这意味着：

• 控制指令与业务执行自由互斥

• 可能产生性能冲突

• 安全风险较高

🔧 NVIDIA的应对：OpenShell与Out-of-Process

针对这一问题，NVIDIA提出了OpenShell解决方案：

• Out-of-process（进程外执行）：将高风险操作隔离到独立进程

• 软件程序与应用程序分层

• 通过NVIDIA架构解决高风险场景的安全问题

这是基础设施层面的关键改进，为高权限AI的安全运行提供了可能。

八、宏观背景：四象限坐标系

报告将OpenClaw置于政治-经济-社会-技术的四维坐标系中分析：

政治维度：政策推动 —— 各国AI政策的加持与约束

经济维度：Token消耗 —— 大模型时代的"算力货币"，OpenClaw的每一次思考与行动都在消耗Token，这是其经济模型的基础

社会维度：养虾文化 —— 独特的社区生态与参与文化

技术维度：范式拐点 —— 从工具到代理，从回答到执行，这是AI技术的根本性转折

九、证据分级：四级证据体系

研究团队建立了严谨的证据分级标准：

1. 一级：学术论文 —— 最高可信度

2. 二级：安全审计 —— 专业机构的审查结论

3. 三级：社区分析 —— 大规模社区行为的统计洞察

4. 四级：传播话术 —— 需要警惕的营销表述

这种闭环流程确保了研究结论的可靠性。

十、代表项目巡礼

🌟 项目一：ClawHub生态

• 记录learnings（学习经验）

• 自动scaffold（搭建）新skill

• 需要写权限 —— 这是进入自适应层的关键门槛

🌟 项目二：TerryFYL / longmans

TerryFYL方向：

• 核心开发

• 架构设计

• 模块化实现

longmans方向：

• 算法优化

• 数据处理

• 性能提升

🌟 项目三：行为复用

• 模型迁移

• 动作模仿

• 复杂场景应用

十一、驯化层的价值：人如何经营AI系统

第二章聚焦"驯化层"——这是大多数人当前所处的阶段。

🎯 核心结论

1. 用自然语言经营AI —— 不需要编程，用日常语言描述需求、设定规则、调整行为

2. 人握着缰绳 —— 人类保持最终控制权，AI是被动执行者

🔧 四类触发器（人配置巡检）

人类通过四种方式与AI互动：

• 聊天/命令 —— 直接对话

• Heartbeat（心跳） —— 定期检查AI状态

• Cron（定时任务） —— 周期性自动执行

• Webhook（网络钩子） —— 事件驱动响应

📊 社区反馈：需持续调校

OpenClaw社区当前面临的典型问题：

• 忽略lightContext（轻量级上下文）

• model override（模型覆盖）失效

• compaction（压缩）频繁

这些问题表明：即使是驯化层，也需要持续的人机协作调校。

十二、自适应层：放开缰绳之后

第三章进入更激进的"自适应层"。

🚪 系统自改与权限决定

当笼子打开，马匹奔向自由——这有两个前提：

1. 系统自改：AI具备自我修改的能力

2. 权限决定：人类主动放权，设置合适的权限边界

🔄 两种模式的对比

• Review模式（左）：人类审核每一步，等于驯化

• Daemon模式（右）：AI作为守护进程自主运行，等于自适应

这是"人在回路"与"人在环外"的根本区别。

十三、结论：驯化还是进化？这是一个伪命题

读完这份报告，你会发现"驯化还是进化"并非二选一。

真正的答案是：先驯化，后进化。

就像养育一个孩子：

• 幼年时需要严格的规矩（驯化层）

• 青年时给予更多自主空间（自适应层）

• 成年时放手让其独立发展（自优化层）

OpenClaw的设计精妙之处在于：它支持你在任何时刻选择所处的层级。

你可以今天收紧缰绳，明天放开权限，后天再观察调整。这种渐进放权光谱，让技术适配人的需求，而非人被迫适应技术。

十四、写给读者的思考

这份报告最终指向一个更宏大的命题：当AI越来越像"生命"，人类该如何自处？

清华团队给出的答案是"人机协作"——不是取代，不是服从，而是共同进化。

OpenClaw的32,496个技能，是1,270位贡献者的智慧结晶；而这份报告本身，也是用OpenClaw人机协作完成的。技术的未来，属于那些懂得"何时握紧缰绳，何时放手奔跑"的人。

☟☟☟

☞人工智能产业链联盟筹备组征集公告☜

☝