当程序员开始"养龙虾"：OpenClaw 如何让 AI 从"嘴炮"变"实干家"

NOTE

本文不涉及任何真实甲壳类动物的养殖指南，请勿在海鲜市场寻求技术支持。

前言：一只”龙虾”引发的血案#

2026 年初，GitHub 上出现了一只”龙虾”。

这不是什么海洋生物保护项目，而是一个名为 OpenClaw 的开源 AI 智能体框架。它在短短 4 个月内获得了超过 25 万颗星标，超越了 Linux 和 React，成为 GitHub 历史上增速最快的开源项目。

更离谱的是，全国各地的程序员开始疯狂”养虾”——深圳腾讯大厦北广场排起了千人长队，有人举着手机拍照，有人边排队边讨论”龙虾”，等着工作人员帮忙安装。

这到底是一只什么样的”龙虾”，能让这么多程序员放弃摸鱼时间，排队去”养虾”？

什么是 OpenClaw？#

OpenClaw（原名 ClawdBot/Moltbot）是一个开源的本地优先 AI 智能体执行网关。

听起来很高大上？让我用”人话”解释一下：

传统 AI vs OpenClaw#

传统 AI 助手	OpenClaw
”帮我写个代码” → 输出代码给你复制	”帮我写个代码” → 直接帮你创建文件、写代码、运行测试
”帮我整理邮件” → 告诉你怎么操作	”帮我整理邮件” → 直接登录邮箱，分类、归档、回复
”帮我查一下股价” → 告诉你结果	”帮我查一下股价” → 打开浏览器，截图，生成报表，发到你微信

简单来说：

传统 AI 只会”嘴炮”，OpenClaw 是真”实干家”。

这就像你雇了一个助理：

传统 AI 是那种只会给你出主意、写方案，但什么事都得你自己动手的”参谋”
OpenClaw 是那种你说”把这事办了”，然后它就去办、办完还给你汇报结果的”真正助理”

为什么叫”龙虾”？#

名字谐音：OpenClaw → Claw（螯/钳子）→ 龙虾的大钳子
形象比喻：部署 OpenClaw 就像养一只聪明的”电子宠物”
- 准备环境 → 给它搭窝
- 配置模型 → 喂食
- 安装插件 → 训练技能
- 然后 24 小时待命为你干活

所以社区昵称它为”小龙虾”，部署它的过程叫”养虾”。

技术架构：为什么它能”动手干活”？#

作为一名技术人员，你可能好奇：它到底是怎么做到的？

四层架构设计#

1
┌─────────────────────────────────────────────────────────────┐
2
│  Layer 4: OpenClaw Gateway                                  │
3
│  通道适配、记忆系统、定时任务、沙箱、WebSocket              │
4
├─────────────────────────────────────────────────────────────┤
5
│  Layer 3: pi-coding-agent                                   │
6
│  完整运行时、Session 管理、JSONL 持久化                     │
7
├─────────────────────────────────────────────────────────────┤
8
│  Layer 2: pi-agent-core                                     │
9
│  Agent 循环、LLM 路由、工具执行                             │
10
├─────────────────────────────────────────────────────────────┤
11
│  Layer 1: pi-ai                                             │
12
│  流式处理统一                                               │
13
└─────────────────────────────────────────────────────────────┘

四大核心组件#

组件	职责	前端类比
Gateway	消息接入、调度、状态管理、多通道支持	状态管理 + 路由系统
Agent	思考决策、上下文处理、逻辑推理、驱动 LLM	React 应用框架层
Memory	存储对话历史、用户偏好、长期记忆	Redux 持久化方案
Skills	执行具体操作：网页浏览、邮件发送、文件管理等	Webpack/Vite 插件体系

消息处理流水线#

1
用户消息 → Channel Adapter → Gateway Server → Lane Queue → Agent Runner → Agentic Loop → Reply Channel
2
   │                                                                              │
3
   └──────────────────────────────────────────────────────────────────────────────┘
4
                                    一个完整的"思考-行动"闭环

关键技术亮点#

1
// 1. 文件即数据库 —— 记忆系统使用 Markdown/JSONL 文件存储
2
// 完全透明，可人工编辑审核
3
fs.appendFileSync('MEMORY.md', `
4
  ## 用户偏好
5
  - 喜欢简洁的回复
6
  - 不需要过多解释
7
`);
8

9
// 2. 语义快照 —— 网页操作用 Accessibility Tree (~50KB) 代替截图 (~5MB)
10
// 大幅降低 Token 消耗，提升响应速度
11

12
// 3. 混合检索策略
13
// 结合向量检索（语义相似）和关键词检索（精确匹配）
14
const results = await memory.search(query, {
15
  strategy: 'hybrid',
16
  vectorWeight: 0.7,
17
  keywordWeight: 0.3
18
});

安全机制：别让你的”龙虾”变成”黑客”#

WARNING

OpenClaw 很强大，但权力越大，责任越大。

安全问题是 OpenClaw 社区最热门的讨论话题之一。毕竟，你让一个 AI 直接操作你的电脑，这事儿本身就有点”让 AI 接管世界”的既视感。

五层安全防护#

层级	机制	说明
网络层	Loopback 绑定	默认只绑定 127.0.0.1，外部访问需认证
通道层	白名单控制	可配置 allowList、requireMention、pairingCode
命令层	黑名单过滤	阻止危险语法（`rm -rf`、命令替换等）
沙箱层	隔离执行	非主会话在 Docker 容器或隔离工作空间运行
Prompt 层	注入防护	外部内容包装安全标记，防止恶意指令

并发控制策略#

1
// 三种消息策略，默认串行执行
2
const strategies = {
3
  followup: '排队等待',  // 默认：避免状态冲突
4
  steer: '打断当前任务，立即处理',  // 紧急情况
5
  collect: '批量收集，一起处理'   // 消息聚合
6
};

安全建议#

CAUTION

不要直接部署在工作机上，使用专用环境
不要将 IP 暴露在公网，除非你配置了完善的认证
不要盲目信任第三方 Skills，审查代码后再安装
一定要阅读官方文档的安全章节

实际应用场景#

场景一：文件自动化整理#

1
用户: 帮我整理桌面上的所有文件，按类型分类
2

3
OpenClaw:
4
  [执行中...]
5
  ✓ 识别到 47 个文件
6
  ✓ 创建目录：文档、图片、压缩包、代码
7
  ✓ 移动文件：文档 15 个、图片 23 个、压缩包 6 个、代码 3 个
8
  ✓ 生成整理报告：report_20260311.md
9

10
  整理完成！回收站有 3 个重复文件，是否清理？

场景二：浏览器自动化与数据采集#

1
用户: 帮我搜索最近一周的 AI 新闻，整理成 CSV 发到我邮箱
2

3
OpenClaw:
4
  [执行中...]
5
  ✓ 打开浏览器，访问搜索引擎
6
  ✓ 执行搜索："AI 新闻 2026年3月"
7
  ✓ 提取前 20 条结果（标题、链接、摘要）
8
  ✓ 生成 CSV 文件：ai_news_20260311.csv
9
  ✓ 发送邮件至 user@example.com
10

11
  任务完成！CSV 包含 20 条新闻记录。

场景三：多平台消息同步#

1
用户: 监控飞书工作群，把含"紧急"关键词的消息转发到我的微信
2

3
OpenClaw:
4
  [监听中...]
5
  检测到关键词"紧急"，消息来源：产品需求群
6
  ✓ 转发至微信
7
  ✓ 记录日志：emergency_log.md
8

9
  持续监听中... (心跳检查间隔：30秒)

场景四：开发辅助#

1
# 用户: 帮我重构这个 Python 函数，加上类型注解和文档字符串
2

3
# OpenClaw 直接修改文件
4
def calculate_total(
5
    items: list[dict[str, float]],
6
    discount: float = 0.0
7
) -> float:
8
    """
9
    计算购物车总价，支持折扣。
10

11
    Args:
12
        items: 商品列表，每个商品包含 price 和 quantity
13
        discount: 折扣率，0.0-1.0
14

15
    Returns:
16
        应用折扣后的总价
17
    """
18
    subtotal = sum(item['price'] * item['quantity'] for item in items)
19
    return subtotal * (1 - discount)

如何部署你的”龙虾”？#

环境要求#

项目	最低要求	推荐配置
操作系统	Windows 10+ / macOS 12+ / Ubuntu 20.04+	macOS 14+ / Ubuntu 22.04
内存	4GB	8GB+
硬盘	10GB	20GB+ SSD
Node.js	22+ (强制)	22 LTS

一键部署#

macOS / Linux：

1
curl -fsSL https://openclaw.ai/install.sh | bash

Windows PowerShell（管理员）：

1
iwr -useb https://openclaw.ai/install.ps1 | iex

配置向导#

1
openclaw onboard --install-daemon

配置过程中需要设置：

风险确认（认真阅读！）
启动模式（自动/手动）
模型提供商（支持阿里云、百度、Ollama 本地模型等）
工作区路径
守护进程

支持的大模型#

模型提供商	特点
阿里云百炼	免费 100 万 Token
百度文心一言	永久免费版
Ollama 本地模型	完全离线，隐私安全
OpenAI	需要科学上网
阶跃星辰 Step 3.5 Flash	OpenClaw 调用量 Top 1

生态现状：龙虾家族#

OpenClaw 的火爆催生了一系列”虾系”项目：

项目	定位
OpenClaw	官方原版，功能最全
NanoClaw	轻量版，适合低配置设备
ZeroClaw	零依赖版，极简部署
IronClaw	企业版，增强安全特性
QClaw	腾讯官方出品，微信生态深度集成

写在最后：龙虾虽好，安全第一#

OpenClaw 的爆火并非偶然。它代表了 AI 从”对话式助手”向”执行式智能体”的范式转变——让 AI 不再只是回答问题，而是真正解决问题。

但正如同一切强大的工具，OpenClaw 也需要谨慎使用：

本地部署优先：数据在你自己手里，才是最安全的
安全配置必读：白名单、沙箱、命令过滤，一个都不能少
持续监控日志：你的”龙虾”干了什么，你得心里有数
Skills 审查：第三方插件代码，安装前先看一眼

TIP

养龙虾的正确姿势：先读文档，再动手部署，安全配置，持续监控。

最后，祝各位程序员”养虾”愉快！有问题欢迎在评论区交流~

参考资料：

音乐

音乐

前言：一只”龙虾”引发的血案#

什么是 OpenClaw？#

传统 AI vs OpenClaw#

为什么叫”龙虾”？#

技术架构：为什么它能”动手干活”？#

四层架构设计#

四大核心组件#

消息处理流水线#

关键技术亮点#

安全机制：别让你的”龙虾”变成”黑客”#

五层安全防护#

并发控制策略#

安全建议#

实际应用场景#

场景一：文件自动化整理#

场景二：浏览器自动化与数据采集#

场景三：多平台消息同步#

场景四：开发辅助#

如何部署你的”龙虾”？#

环境要求#

一键部署#

配置向导#

支持的大模型#

生态现状：龙虾家族#

写在最后：龙虾虽好，安全第一#

文章分享

评论区

音乐

目录