-
日期: 2026-04-06 | 来源: 经济观察报观察家 | 有0人参与评论 | 字体: 小 中 大
由于Moltbot这个名字十分拗口，不久之后，斯坦伯格又将它改为OpenClaw。谁料，这一原本被迫的调整，却意外转动了OpenClaw的命运齿轮。由于OpenClaw开始支持多模型，这款智能体很快引起了多家AI公司（尤其是中国AI公司）的兴趣，它后来的流行，很大程度上就得益于这些公司的推波助澜。而名字里的那个Open，则为斯坦伯格迎来了OpenAI的橄榄枝。不久之后，他就接受萨姆·奥特曼（Sam Altman）的邀请，入职了OpenAI。
“龙虾”是什么？不是什么？
通过上述对OpenClaw产生史的简要回顾，我们不难看到，OpenClaw本质上就是在用户的计算机与AI大模型之间的一个代理层，自身其实没有什么能力。自媒体上所看到的各种能力，归根到底还是来自大模型，它能做的，只是帮助人去调动这些模型。所以，一个“龙虾”厉害不厉害，还是要看接入它的模型到底怎么样。事实上，在被迫与Claude“分手”之后，就有很多用户反映，OpenClaw在调用别的模型时能力大不如前，其原因，就是它后来调用的模型在能力上与Claude存在较大差距。
当然，如果像一些人那样，认为“OpenClaw只是一个壳，本身毫无意义”，这也不客观。作为一个代理，它仍然可以帮助人们做到很多在直接调用大模型时难以实现的功能。
首先，由于Open Claw可以部署在本地，所以在获得权限的前提下，它可以直接对本地电脑进行操作，并对硬件进行管理，这就好像让AI智能体长出了手脚。相比之下，AI大模型以及部署在云端的智能体（如早期的Manus），则即使再聪明，也对本地硬件鞭长莫及。需要指出的是，这种操作本地硬件的便利也是有代价的，这意味着它可能带来的风险也更高。而相比之下，通过云端调用大模型，或者将智能体部署在云端，则相当于天然安装了一个“沙盒”，在安全性上更有保障。
其次，OpenClaw能够拥有大模型所不具备的长期记忆。在使用大模型时，我们经常会遇到一种情况：在之前的一个对话中，我们对其提出了很多要求，并且在那个对话中，它也照办了。但一旦换一个对话，它就会完全忘记这些要求，需要我们重新提示。而OpenClaw则构建了一套外部化的长期记忆机制，将用户偏好、任务结果、错误经验等关键内容写入外部存储，并在后续任务中将其注入到上下文中。这样一来，OpenClaw就具备了长期记忆，不用我们反复叮嘱。
再次，OpenClaw还可以通过Skill文件不断扩展能力。所谓Skill文件，可以理解为一份标准化的任务说明，开发者可以把工作流程写进去，供智能体后续直接调用。由于这些Skill还可以分享和复用，因此一只“龙虾”学到的新本领，也可以快速复制给其他“龙虾”。在此基础上，OpenClaw还能通过任务循环不断重复规划与执行，从而持续工作直到任务完成。相比之下，AI大模型则更多只能提供建议，而很难直接完成各项工作。
通过以上分析可以说，如果把AI大模型比作一个顾问，那么OpenClaw就是一个代理人，更像一个可以交代事务的下属。你不再需要一步步操作，而是说一句“帮我做一个竞品分析”，它就开始自己查资料、整理数据、生成报告。这种体验确实新鲜，而且在一些场景下确实有效。但问题也恰恰出在这里：把“可以干活”误解为“什么都能干”，是关于OpenClaw最常见的误判。
首先，它并没有变得更聪明。OpenClaw本身并不包含新的认知能力，能力上限仍然取决于背后的大模型。如果模型本身在推理、理解或生成上存在局限，那么无论外层的代理结构多么复杂，最终表现都不会突破这个上限。换言之，“龙虾”能做到什么，很大程度上取决于你接入的是哪个模型，而不是它自身“进化”出了什么新智能。
其次，它会行动，并不等于它真正理解。它确实可以拆解任务、执行步骤，但这种拆解往往是基于语言概率生成的，而不是稳定、严谨的规划能力。因此，在复杂任务中，它很容易走偏，比如重复操作、误解目标，甚至陷入循环。一旦出现这样的情况而不及时干预，那么用户除了得到一张金额不菲的词元费账单外，很可能无法得到任何有效结果。- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见