OpenClaw 使用记录

OpenClaw 是一个 开源的 AI Agent 自动化执行框架。
它的核心目标是让 AI 不仅仅停留在“对话”，而是能够 自动规划任务、调用工具、执行操作并持续迭代完成复杂目标，最近使用下来总结了一些内容。

简单来说，OpenClaw 可以理解为：

一个可以自动写代码、执行命令、分析项目并持续迭代任务的 AI 工程助手。

与普通的 ChatGPT 或 Claude 不同，OpenClaw 的设计目标是：

• 让 AI 具备任务执行能力
• 可以 拆解复杂目标
• 自动 调用工具和执行命令
• 持续 迭代直到任务完成

因此，它更像是一个 AI 自动化开发助手（AI Software Engineer）。

OpenClaw 的核心能力

OpenClaw 的能力主要体现在 任务规划 + 自动执行 + 工具调用 三个方面。

任务规划（Planning）

当用户给 OpenClaw 一个目标，例如：

“帮我给这个项目增加一个 Redis 缓存”

OpenClaw 会自动进行任务拆解，例如：

1. 分析项目结构
2. 找到数据库访问代码
3. 设计缓存策略
4. 修改代码
5. 添加测试
6. 执行验证

这个过程类似一个 AI 自动生成开发计划。

自动执行任务

OpenClaw 不只是给建议，而是可以：

• 修改代码
• 创建文件
• 运行 Shell 命令
• 安装依赖
• 执行脚本

例如：

git clone project
npm install
npm run test

AI 可以直接执行这些操作。

工具调用能力

OpenClaw 可以通过 Tool 调用不同能力，例如：

• 文件系统
• Shell
• Git
• HTTP API
• 编译工具
• 测试框架

OpenClaw 的缺陷

虽然 OpenClaw 很强，但目前仍然存在一些明显问题。

非常依赖模型能力

OpenClaw 的能力 高度依赖底层模型。

如果模型能力不够：

• 任务规划能力会下降
• 代码质量下降
• 执行容易出错

因此很多时候：

Agent能力 ≈ 模型能力

如果模型弱，OpenClaw 也会变得“很傻”。

Token 成本问题

Agent 系统通常需要：

• 多轮思考
• 多次调用模型
• 持续上下文

对Token的消耗非常高，每次都携带了大量上下文进行模型调用，就算调优也只是减少部分开销，或者替换便宜的模型，但便宜的模型替换又会导致上面的问题，OpenClaw变得完全不可靠，不可控。

总体来说

OpenClaw 是一个非常有潜力的 AI Agent 框架。

优点：

• 自动任务规划
• 自动执行能力
• 可扩展的 Agent 架构

缺点：

• 非常依赖模型
• Token 成本较高 (模型调用非常高，复杂任务能力完全取决于模型)
• 执行过程不透明 (非常严重，执行过程完全不透明，需要配合控制平台一起监控才行)

因此它目前更适合：

• AI 自动化开发
• DevOps 自动化
• AI Agent 实验

但如果结合：

• 强模型
• 可视化系统
• Agent 管理平台

未来可能会成为：

AI 自动化团队的核心基础设施。