全世界只有中國人在瘋搶"龍蝦" 你不覺得哪裡不對嗎
由於Moltbot這個名字十分拗口，不久之後，斯坦伯格又將它改為OpenClaw。誰料，這一原本被迫的調整，卻意外轉動了OpenClaw的命運齒輪。由於OpenClaw開始支持多模型，這款智能體很快引起了多家AI公司（尤其是中國AI公司）的興趣，它後來的流行，很大程度上就得益於這些公司的推波助瀾。而名字裡的那個Open，則為斯坦伯格迎來了OpenAI的橄欖枝。不久之後，他就接受薩姆·奧特曼（Sam Altman）的邀請，入職了OpenAI。
“龍蝦”是什麼？不是什麼？
通過上述對OpenClaw產生史的簡要回顧，我們不難看到，OpenClaw本質上就是在用戶的計算機與AI大模型之間的一個代理層，自身其實沒有什麼能力。自媒體上所看到的各種能力，歸根到底還是來自大模型，它能做的，只是幫助人去調動這些模型。所以，一個“龍蝦”厲害不厲害，還是要看接入它的模型到底怎麼樣。事實上，在被迫與Claude“分手”之後，就有很多用戶反映，OpenClaw在調用別的模型時能力大不如前，其原因，就是它後來調用的模型在能力上與Claude存在較大差距。
當然，如果像一些人那樣，認為“OpenClaw只是一個殼，本身毫無意義”，這也不客觀。作為一個代理，它仍然可以幫助人們做到很多在直接調用大模型時難以實現的功能。
首先，由於Open Claw可以部署在本地，所以在獲得權限的前提下，它可以直接對本地電腦進行操作，並對硬件進行管理，這就好像讓AI智能體長出了手腳。相比之下，AI大模型以及部署在雲端的智能體（如早期的Manus），則即使再聰明，也對本地硬件鞭長莫及。需要指出的是，這種操作本地硬件的便利也是有代價的，這意味著它可能帶來的風險也更高。而相比之下，通過雲端調用大模型，或者將智能體部署在雲端，則相當於天然安裝了一個“沙盒”，在安全性上更有保障。
其次，OpenClaw能夠擁有大模型所不具備的長期記憶。在使用大模型時，我們經常會遇到一種情況：在之前的一個對話中，我們對其提出了很多要求，並且在那個對話中，它也照辦了。但一旦換一個對話，它就會完全忘記這些要求，需要我們重新提示。而OpenClaw則構建了一套外部化的長期記憶機制，將用戶偏好、任務結果、錯誤經驗等關鍵內容寫入外部存儲，並在後續任務中將其注入到上下文中。這樣一來，OpenClaw就具備了長期記憶，不用我們反復叮囑。
再次，OpenClaw還可以通過Skill文件不斷擴展能力。所謂Skill文件，可以理解為一份標准化的任務說明，開發者可以把工作流程寫進去，供智能體後續直接調用。由於這些Skill還可以分享和復用，因此一只“龍蝦”學到的新本領，也可以快速復制給其他“龍蝦”。在此基礎上，OpenClaw還能通過任務循環不斷重復規劃與執行，從而持續工作直到任務完成。相比之下，AI大模型則更多只能提供建議，而很難直接完成各項工作。
通過以上分析可以說，如果把AI大模型比作一個顧問，那麼OpenClaw就是一個代理人，更像一個可以交代事務的下屬。你不再需要一步步操作，而是說一句“幫我做一個競品分析”，它就開始自己查資料、整理數據、生成報告。這種體驗確實新鮮，而且在一些場景下確實有效。但問題也恰恰出在這裡：把“可以幹活”誤解為“什麼都能幹”，是關於OpenClaw最常見的誤判。
首先，它並沒有變得更聰明。OpenClaw本身並不包含新的認知能力，能力上限仍然取決於背後的大模型。如果模型本身在推理、理解或生成上存在局限，那麼無論外層的代理結構多麼復雜，最終表現都不會突破這個上限。換言之，“龍蝦”能做到什麼，很大程度上取決於你接入的是哪個模型，而不是它自身“進化”出了什麼新智能。
其次，它會行動，並不等於它真正理解。它確實可以拆解任務、執行步驟，但這種拆解往往是基於語言概率生成的，而不是穩定、嚴謹的規劃能力。因此，在復雜任務中，它很容易走偏，比如重復操作、誤解目標，甚至陷入循環。一旦出現這樣的情況而不及時幹預，那麼用戶除了得到一張金額不菲的詞元費賬單外，很可能無法得到任何有效結果。
點個贊吧！您的鼓勵讓我們進步
這條新聞還沒有人評論喔，等著您的高見呢
“龍蝦”是什麼？不是什麼？
通過上述對OpenClaw產生史的簡要回顧，我們不難看到，OpenClaw本質上就是在用戶的計算機與AI大模型之間的一個代理層，自身其實沒有什麼能力。自媒體上所看到的各種能力，歸根到底還是來自大模型，它能做的，只是幫助人去調動這些模型。所以，一個“龍蝦”厲害不厲害，還是要看接入它的模型到底怎麼樣。事實上，在被迫與Claude“分手”之後，就有很多用戶反映，OpenClaw在調用別的模型時能力大不如前，其原因，就是它後來調用的模型在能力上與Claude存在較大差距。
當然，如果像一些人那樣，認為“OpenClaw只是一個殼，本身毫無意義”，這也不客觀。作為一個代理，它仍然可以幫助人們做到很多在直接調用大模型時難以實現的功能。
首先，由於Open Claw可以部署在本地，所以在獲得權限的前提下，它可以直接對本地電腦進行操作，並對硬件進行管理，這就好像讓AI智能體長出了手腳。相比之下，AI大模型以及部署在雲端的智能體（如早期的Manus），則即使再聰明，也對本地硬件鞭長莫及。需要指出的是，這種操作本地硬件的便利也是有代價的，這意味著它可能帶來的風險也更高。而相比之下，通過雲端調用大模型，或者將智能體部署在雲端，則相當於天然安裝了一個“沙盒”，在安全性上更有保障。
其次，OpenClaw能夠擁有大模型所不具備的長期記憶。在使用大模型時，我們經常會遇到一種情況：在之前的一個對話中，我們對其提出了很多要求，並且在那個對話中，它也照辦了。但一旦換一個對話，它就會完全忘記這些要求，需要我們重新提示。而OpenClaw則構建了一套外部化的長期記憶機制，將用戶偏好、任務結果、錯誤經驗等關鍵內容寫入外部存儲，並在後續任務中將其注入到上下文中。這樣一來，OpenClaw就具備了長期記憶，不用我們反復叮囑。
再次，OpenClaw還可以通過Skill文件不斷擴展能力。所謂Skill文件，可以理解為一份標准化的任務說明，開發者可以把工作流程寫進去，供智能體後續直接調用。由於這些Skill還可以分享和復用，因此一只“龍蝦”學到的新本領，也可以快速復制給其他“龍蝦”。在此基礎上，OpenClaw還能通過任務循環不斷重復規劃與執行，從而持續工作直到任務完成。相比之下，AI大模型則更多只能提供建議，而很難直接完成各項工作。
通過以上分析可以說，如果把AI大模型比作一個顧問，那麼OpenClaw就是一個代理人，更像一個可以交代事務的下屬。你不再需要一步步操作，而是說一句“幫我做一個競品分析”，它就開始自己查資料、整理數據、生成報告。這種體驗確實新鮮，而且在一些場景下確實有效。但問題也恰恰出在這裡：把“可以幹活”誤解為“什麼都能幹”，是關於OpenClaw最常見的誤判。
首先，它並沒有變得更聰明。OpenClaw本身並不包含新的認知能力，能力上限仍然取決於背後的大模型。如果模型本身在推理、理解或生成上存在局限，那麼無論外層的代理結構多麼復雜，最終表現都不會突破這個上限。換言之，“龍蝦”能做到什麼，很大程度上取決於你接入的是哪個模型，而不是它自身“進化”出了什麼新智能。
其次，它會行動，並不等於它真正理解。它確實可以拆解任務、執行步驟，但這種拆解往往是基於語言概率生成的，而不是穩定、嚴謹的規劃能力。因此，在復雜任務中，它很容易走偏，比如重復操作、誤解目標，甚至陷入循環。一旦出現這樣的情況而不及時幹預，那麼用戶除了得到一張金額不菲的詞元費賬單外，很可能無法得到任何有效結果。
點個贊吧！您的鼓勵讓我們進步
這條新聞還沒有人評論喔，等著您的高見呢| 分享: |
| 注： | 在此頁中閱讀全文 |
