OpenClaw：本地运行的开源 AI 助手完全指南¶

OpenClaw 是 2026 年最火的开源 AI 项目之一，GitHub 上 191,000+ 星标，两个月内增长速度创历史记录。它不是云端对话工具，而是运行在你自己电脑上、能真正执行任务的 AI 助手——管理文件、控制浏览器、发送消息、自动化工作流，全程数据不出本机。本文从概念、对比、安装到实战，带你完整了解这个「能干活的 AI」。

适用读者：对 AI Agent 感兴趣，希望拥有一个隐私优先、可完全控制的本地 AI 助手，或想了解 Agentic AI 在个人场景下如何落地的开发者与技术爱好者。

什么是 OpenClaw¶

OpenClaw 是一个开源的个人 AI 助手平台，由 Peter Steinberger（PSPDFKit 创始人）于 2025 年 11 月创建。它的核心特点是：

本地运行：完全在你的 Mac、Windows 或 Linux 上运行，数据不经过第三方服务器
真正执行任务：不只是聊天，能操作浏览器、执行命令、管理文件、发送消息
多平台集成：通过 WhatsApp、Telegram、Discord、Slack、Signal、iMessage 等聊天工具与你交互
模型自由：支持 Claude、GPT、Gemini，也可通过 Ollama 接入本地模型
技能扩展：ClawHub 技能市场有 3,000+ 社区贡献的技能插件

名字的演变¶

OpenClaw 有个有趣的改名史：

1.Clawdbot（2025.11）：最初名字，来自对 "Claude" 的谐音玩笑
2.Moltbot（2025.12）：因 Anthropic 商标异议改名，"Molting"（蜕壳）寓意成长
3.OpenClaw（2026.01.30）：最终定名，吉祥物是太空龙虾 Molty 🦞

OpenClaw vs ChatGPT vs Claude：核心区别¶

很多人会问：我已经有 ChatGPT/Claude 了，为什么还需要 OpenClaw？

维度	OpenClaw	ChatGPT	Claude
运行位置	本地（你的电脑）	OpenAI 云端	Anthropic 云端
隐私	数据不出本机	所有数据经过 OpenAI	所有数据经过 Anthropic
系统权限	完整系统访问（文件、命令、浏览器）	无系统权限	无系统权限
自动化	可主动执行定时任务、监控邮件	被动响应	被动响应
聊天平台	WhatsApp/Telegram/Discord/Slack 等	官方 Web/App	官方 Web/App
模型选择	任意模型（Claude/GPT/本地）	仅 OpenAI 模型	仅 Anthropic 模型
成本	软件免费，API 按用量付费	订阅制或 API	订阅制或 API
技能扩展	3,000+ 社区技能	官方 GPTs	有限的工具集成

简单总结：

ChatGPT/Claude：适合对话、写作、分析，云端托管，开箱即用
OpenClaw：适合需要系统级操作、隐私优先、自动化工作流的场景

OpenClaw 的核心能力¶

1. 本地优先的架构¶

OpenClaw 采用 Gateway（网关） 架构，这是它与其他 AI 助手的根本区别：

graph TB
    subgraph "消息平台"
        A1[WhatsApp]
        A2[Telegram]
        A3[Slack]
        A4[Discord]
        A5[Signal]
        A6[iMessage]
    end

    subgraph "Gateway 网关"
        B[WebSocket 控制平面<br/>ws://127.0.0.1:18789]
        B1[单例模式<br/>OS级TCP绑定]
        B2[会话管理]
        B3[路由调度]
    end

    subgraph "执行层"
        C1[Pi Agent<br/>推理引擎]
        C2[CLI/WebChat<br/>控制界面]
        C3[Nodes<br/>设备节点]
    end

    subgraph "能力层"
        D1[Skills<br/>3286+ 技能]
        D2[Memory<br/>持久化记忆]
        D3[Tools<br/>工具调用]
    end

    A1 & A2 & A3 & A4 & A5 & A6 --> B
    B --> B1 & B2 & B3
    B --> C1 & C2 & C3
    C1 & C2 & C3 --> D1 & D2 & D3

    style B fill:#4a90e2,color:#fff
    style C1 fill:#50c878,color:#fff
    style D1 fill:#f39c12,color:#fff
    style D2 fill:#e74c3c,color:#fff

Gateway 的核心特性¶

单例模式（Singleton Pattern）：

通过 OS 级别的 TCP 端口绑定（18789）确保只有一个 Gateway 实例
不依赖容易失效的 .lock 文件
进程崩溃时 OS 自动释放端口，避免"僵尸进程"

统一 WebSocket 协议：

早期版本使用 HTTP（Webhook）+ 自定义 TCP + WebSocket 的混合方案
现已统一为单一 WebSocket 协议，简化架构
所有客户端（CLI、UI、App、节点）通过同一协议通信

会话管理与路由：

主会话（main）：直接对话，完整系统权限
群组会话：独立隔离，可配置沙箱模式
多 Agent 路由：不同频道/账号可路由到不同 Agent 实例

Pi Agent：极简推理引擎¶

OpenClaw 的 Agent 核心叫 Pi，设计哲学是"极简核心 + 扩展系统"：

最短系统提示：相比其他 Agent 框架，Pi 的系统提示极其精简
仅 4 个核心工具：Read、Write、Edit、Bash
扩展驱动：通过 Skills 扩展能力，而非内置大量工具
状态持久化：扩展可将状态写入会话，实现跨轮次记忆

Memory：文件即真相¶

OpenClaw 的记忆系统基于一个简单但强大的理念：文件是唯一真相来源。

存储结构：

~/.openclaw/workspace/
├── MEMORY.md              # 主记忆文件
├── memory/
│   ├── 2026-02-27.md     # 每日记忆
│   ├── 2026-02-26.md
│   └── ...
├── sessions/
│   └── <session-id>.json  # 会话状态
└── skills/
    └── <skill-name>/      # 技能目录

记忆工作流程：

sequenceDiagram
    participant U as 用户
    participant A as Agent
    participant M as Memory
    participant V as 向量搜索

    U->>A: 发送消息
    A->>V: 检索相关记忆
    V-->>A: 返回相关上下文
    A->>A: 推理 + 决策
    A->>M: 写入重要信息
    M-->>A: 确认保存
    A->>U: 返回响应

    Note over A,M: 压缩前自动刷新记忆
    Note over M,V: SQLite + 向量索引

记忆机制：

1.写入即记忆：Agent 只记得它写入 Markdown 文件的内容
2.向量检索：使用 SQLite + 向量搜索快速检索相关记忆
3.分层记忆：

短期：当前会话上下文（Token 窗口内）
中期：MEMORY.md（关键信息）
长期：memory/ 目录（按日期归档）

上下文管理的 8 大技术：

OpenClaw 使用多种技术避免"失忆"：

1.压缩前记忆刷新：在上下文压缩前，让 Agent 先把重要信息写入文件
2.上下文窗口守卫：提前检测 Token 使用，避免突然截断
3.工具结果守卫：防止孤立的工具调用破坏对话记录
4.基于轮次的历史限制：在对话边界截断，而非句子中间
5.缓存感知的工具结果修剪：尊重模型提供商的缓存机制
6.头尾内容保留：保留对话开头和结尾，修剪中间部分
7.自适应分块比例：根据消息大小动态调整
8.分阶段摘要：分块摘要避免单次摘要超限

第三方记忆增强：

Mem0：专业的 AI 记忆层，支持跨会话、跨平台记忆
Neutron：Vanar 的语义记忆，使用加密可验证的"Seeds"存储知识单元
这些方案让 OpenClaw 在重启、重新部署后仍保持完整记忆

2. 多平台消息集成¶

OpenClaw 支持的聊天平台：

WhatsApp（通过 Baileys）
Telegram（Bot API）
Discord（Bot API）
Slack（Bolt）
Signal（signal-cli）
iMessage（BlueBubbles 或原生）
Microsoft Teams
Google Chat
Matrix、Zalo 等

你可以在任何设备上通过这些平台与 OpenClaw 对话，它在你的电脑上执行任务。

3. 强大的工具调用¶

OpenClaw 内置多种工具：

浏览器控制：打开网页、填表单、截图、上传文件
Canvas：可视化工作区，Agent 可推送界面
系统操作：执行命令、读写文件、发送通知
定时任务：Cron 定时执行、Gmail Pub/Sub 触发
跨会话协作：sessions_* 工具让多个 Agent 协作

4. ClawHub 技能市场¶

ClawHub 是 OpenClaw 的"npm"，目前有 3,286+ 社区技能（2026年2月数据）。

技能的本质¶

Skills 不是代码，是知识：

Skills 是 Markdown 文档，教 Agent "如何做某事"
就像给人类写的操作手册，但给 AI 读
Agent 读取 SKILL.md，理解后调用相应工具

AgentSkills 规范：

OpenClaw 采用 Anthropic 于 2025 年 12 月推出的 AgentSkills 开放标准：

不是 OpenClaw 专属，Microsoft、GitHub、Cursor 等都支持
跨平台格式，一次编写，多处使用
社区生态共享

技能分类¶

类别	代表技能	用途
开发工具	github, gitlab, docker	Git 操作、CI/CD、容器管理
生产力	gog (Google), notion, obsidian	邮件、日历、笔记同步
通信	slack, discord, teams	消息发送、频道管理
智能家居	homekit, philips-hue	设备控制、场景自动化
AI 集成	ollama, openai, anthropic	多模型切换、RAG 检索
数据处理	postgres, mongodb, redis	数据库操作、数据分析
浏览器自动化	puppeteer, playwright	网页抓取、表单填写
文件处理	pdf-tools, image-tools	PDF 操作、图像处理

安装与使用技能¶

方法 1：命令行安装

npx clawhub@latest install github

方法 2：聊天安装

直接在 Telegram/WhatsApp 告诉 OpenClaw：

1	`帮我安装 GitHub 技能`

方法 3：手动安装

从 ClawHub 找到技能
复制技能文件夹到 ~/.openclaw/workspace/skills/
重启 Gateway

创建自定义技能¶

技能结构：

my-custom-skill/
├── SKILL.md           # 必需：技能描述
├── package.json       # 可选：依赖声明
├── scripts/           # 可选：执行脚本
│   ├── main.sh
│   └── helper.py
└── config.json        # 可选：配置文件

SKILL.md 模板：

# 技能名称

简短描述这个技能做什么。

## 何时使用

- 用户想要 XXX 时
- 需要 YYY 功能时

## 使用示例

用户："帮我做 XXX"
助手：调用此技能完成任务

## 实现细节

### 工具

- `bash`：执行 scripts/main.sh
- `read`：读取配置文件

### 步骤

1. 读取用户输入
2. 调用 main.sh 处理
3. 返回结果

### 权限要求

- 文件系统读写
- 网络访问（如需要）

## 配置

在 config.json 中设置：
- `api_key`：API 密钥
- `endpoint`：服务端点

## 示例输出

\`\`\`
成功完成任务！
结果：XXX
\`\`\`

最佳实践：

1.清晰的触发条件：明确告诉 Agent 何时使用这个技能
2.详细的步骤说明：像写给人类的教程一样详细
3.错误处理指导：告诉 Agent 遇到错误怎么办
4.示例驱动：提供多个使用示例（Few-Shot）
5.权限最小化：只申请必需的权限

发布到 ClawHub：

# 1. 测试技能
openclaw agent --message "测试我的技能"

# 2. 提交到 GitHub
git push origin main

# 3. 在 ClawHub 提交 PR
# 访问 https://github.com/openclaw/skills

快速上手：从安装到第一次对话¶

前置要求¶

Node.js 22+（必需）
操作系统：macOS、Linux 或 Windows（WSL2）
AI 模型 API Key：Claude、GPT 或本地 Ollama

安装步骤¶

1. 安装 OpenClaw CLI¶

npm install -g openclaw@latest
# 或使用 pnpm
pnpm add -g openclaw@latest

2. 运行向导式配置¶

1	`openclaw onboard --install-daemon`

向导会引导你：

配置 AI 模型（输入 API Key）
选择聊天平台（Telegram/Discord/WhatsApp 等）
安装可选技能
设置 Gateway 守护进程

3. 启动 Gateway¶

openclaw gateway --port 18789 --verbose

或后台运行（已安装 daemon）：

# macOS (launchd)
launchctl start com.openclaw.gateway

# Linux (systemd)
systemctl --user start openclaw-gateway

4. 配置 Telegram（示例）¶

1.在 Telegram 找 @BotFather 创建 Bot，获取 Token

2.编辑 ~/.openclaw/openclaw.json：

{
  "agent": {
    "model": "anthropic/claude-opus-4-6"
  },
  "channels": {
    "telegram": {
      "botToken": "你的_BOT_TOKEN"
    }
  }
}

3.重启 Gateway，在 Telegram 找到你的 Bot 开始对话

第一次对话¶

在 Telegram 发送：

/status

OpenClaw 会回复当前会话状态、模型、Token 使用情况。

试试让它执行任务：

1	`帮我搜索最近关于 Agentic AI 的技术文章，整理成 5 条要点`

OpenClaw 会：

调用搜索工具
读取结果
总结成要点
回复给你

实战案例：让 OpenClaw 帮你做什么¶

案例 1：自动化代码部署（DevOps）¶

场景：每次 Git push 后，自动部署到 K8s 集群

技术栈：GitHub Webhook + OpenClaw + Kubernetes

工作流程：

flowchart LR
    A[开发者 Push] --> B[GitHub Webhook]
    B --> C{OpenClaw Gateway}
    C --> D[读取部署技能]
    D --> E[拉取代码]
    E --> F[运行测试]
    F --> G{测试通过?}
    G -->|是| H[构建镜像]
    G -->|否| I[通知开发者]
    H --> J[推送到仓库]
    J --> K[更新 K8s]
    K --> L[健康检查]
    L --> M{部署成功?}
    M -->|是| N[通知 Slack]
    M -->|否| O[自动回滚]
    O --> I

    style C fill:#4a90e2,color:#fff
    style G fill:#f39c12,color:#fff
    style M fill:#f39c12,color:#fff
    style N fill:#50c878,color:#fff
    style I fill:#e74c3c,color:#fff

实现步骤：

1.安装必要技能：

npx clawhub@latest install github
npx clawhub@latest install kubernetes-deploy

2.配置 Webhook：

编辑 ~/.openclaw/openclaw.json：

{
  "webhooks": {
    "github-deploy": {
      "path": "/webhook/github",
      "secret": "your-webhook-secret",
      "handler": "github-deploy-handler"
    }
  }
}

3.创建部署技能：

在 ~/.openclaw/workspace/skills/auto-deploy/SKILL.md：

# 自动部署技能

当收到 GitHub push 事件时，自动部署到 K8s。

## 触发条件

- GitHub Webhook 推送到 main 分支
- 提交消息不包含 [skip ci]

## 部署步骤

1. 拉取最新代码
2. 运行测试
3. 构建 Docker 镜像
4. 推送到镜像仓库
5. 更新 K8s 部署
6. 发送部署结果到 Slack

## 错误处理

- 测试失败：停止部署，通知开发者
- 构建失败：回滚到上一版本
- 部署超时：自动重试 3 次

4.在 GitHub 设置 Webhook：

URL: https://your-domain.com/webhook/github
Secret: 与配置文件中一致
事件：Push events

实际效果：

开发者 push 代码 → GitHub 触发 Webhook
OpenClaw 收到事件 → 读取部署技能
自动执行：测试 → 构建 → 部署 → 通知
整个流程 10 分钟完成（原本需要 1 周手动操作）

案例 2：智能邮件管理（生产力）¶

场景：每天早上自动清理邮件，整理重要信息

技术栈：Gmail Pub/Sub + OpenClaw + Telegram

实现步骤：

1.配置 Gmail Pub/Sub：

参考官方文档设置 Google Cloud Pub/Sub。

2.安装 Google Workspace 技能：

npx clawhub@latest install gog

3.创建邮件处理规则：

在聊天中告诉 OpenClaw：

创建一个每日邮件处理任务：

1. 每天早上 8:00 检查收件箱
2. 删除规则：
   - 主题包含"营销"、"广告"、"促销"
   - 发件人在垃圾邮件列表
   - 未读超过 30 天的邮件
3. 重要邮件标记：
   - 来自老板或重要客户
   - 包含"紧急"、"重要"关键词
   - 抄送给我的会议邀请
4. 生成今日邮件摘要：
   - 重要邮件数量和主题
   - 待处理任务列表
   - 会议提醒
5. 把摘要发送到我的 Telegram

OpenClaw 会自动创建 Cron 任务和处理逻辑。

高级功能：

智能分类：使用 AI 判断邮件重要性（不只是关键词匹配）
自动回复：对常见问题自动生成回复草稿
附件处理：自动下载发票、合同等重要附件到指定文件夹
跨平台同步：重要邮件同步到 Notion、Obsidian 等笔记工具

实际效果：

每天节省 30-60 分钟邮件处理时间
重要邮件零遗漏
收件箱始终保持整洁（Inbox Zero）

案例 3：数据库性能优化（DBA）¶

场景：自动分析慢查询，生成优化建议并执行

技术栈：PostgreSQL + OpenClaw + Slack

实现步骤：

1.安装数据库技能：

npx clawhub@latest install postgres

2.配置数据库连接：

编辑 ~/.openclaw/workspace/skills/postgres/config.json：

{
  "connections": {
    "production": {
      "host": "db.example.com",
      "port": 5432,
      "database": "myapp",
      "user": "readonly_user",
      "password": "***",
      "ssl": true
    }
  }
}

3.创建性能分析任务：

在 Slack 频道 @ OpenClaw：

@openclaw 分析生产数据库性能：

1. 找出执行时间超过 1 秒的查询
2. 分析执行计划（EXPLAIN ANALYZE）
3. 识别问题：
   - 缺失索引
   - 全表扫描
   - 不必要的 JOIN
   - N+1 查询
4. 生成优化建议：
   - 建议添加的索引（包含 SQL）
   - 查询重写建议
   - 表结构优化建议
5. 估算优化后的性能提升
6. 把报告发到这个频道，等我确认后再执行

OpenClaw 的分析报告示例：

📊 数据库性能分析报告 (2026-02-27 10:30)

🔴 发现 3 个严重性能问题：

1. 慢查询：用户订单列表
   - 当前耗时：8.2 秒
   - 问题：orders 表缺少 user_id 索引
   - 建议：CREATE INDEX idx_orders_user_id ON orders(user_id);
   - 预计提升：8.2s → 50ms (164x 加速)

2. 慢查询：商品搜索
   - 当前耗时：3.5 秒
   - 问题：全文搜索未使用 GIN 索引
   - 建议：CREATE INDEX idx_products_search 
           ON products USING gin(to_tsvector('english', name || ' ' || description));
   - 预计提升：3.5s → 120ms (29x 加速)

3. N+1 查询：评论加载
   - 当前：每个商品单独查询评论（100 次查询）
   - 建议：使用 JOIN 或 IN 子句批量加载
   - 预计提升：2.1s → 180ms (11x 加速)

💡 总计可节省：13.8 秒 → 350ms

是否执行优化？回复 "执行" 或 "取消"

4.确认后自动执行：

回复 "执行"，OpenClaw 会：

在测试环境先执行
验证索引创建成功
运行性能测试
确认提升后在生产环境执行
发送执行结果报告

安全措施：

只读用户分析，管理员用户执行
所有 DDL 操作需人工确认
自动备份执行计划
失败自动回滚

案例 4：多 Agent 协作（软件开发）¶

场景：代码审查 Agent + 测试 Agent + 部署 Agent 协作

架构设计：

stateDiagram-v2
    [*] --> PR提交
    PR提交 --> CodeReview: 触发审查

    state CodeReview {
        [*] --> 静态分析
        静态分析 --> 安全扫描
        安全扫描 --> 代码规范
        代码规范 --> [*]
    }

    CodeReview --> 审查失败: 发现问题
    审查失败 --> 通知开发者
    通知开发者 --> [*]

    CodeReview --> Testing: 审查通过

    state Testing {
        [*] --> 单元测试
        单元测试 --> 集成测试
        集成测试 --> E2E测试
        E2E测试 --> [*]
    }

    Testing --> 测试失败: 测试不通过
    测试失败 --> 通知开发者

    Testing --> Deploy: 测试通过

    state Deploy {
        [*] --> 构建镜像
        构建镜像 --> 部署Staging
        部署Staging --> 健康检查
        健康检查 --> [*]
    }

    Deploy --> 部署失败: 部署异常
    部署失败 --> 自动回滚
    自动回滚 --> 通知开发者

    Deploy --> 通知团队: 部署成功
    通知团队 --> [*]

实现：

使用 OpenClaw 的 sessions_* 工具：

# 在主会话中设置

创建 3 个专门的 Agent：

1. code-review-agent：
   - 会话 ID: code-review
   - 技能：github, eslint, sonarqube
   - 职责：代码审查

2. testing-agent：
   - 会话 ID: testing
   - 技能：jest, pytest, selenium
   - 职责：自动化测试

3. deploy-agent：
   - 会话 ID: deploy
   - 技能：kubernetes, docker, terraform
   - 职责：部署管理

设置协作流程：
- code-review 通过 → 通知 testing
- testing 通过 → 通知 deploy
- 任何失败 → 通知开发者和相关 Agent

Agent 间通信：

# Code Review Agent 完成后
sessions_send(
    session_id="testing",
    message="代码审查通过，PR #123 可以开始测试",
    metadata={"pr_number": 123, "branch": "feature/new-api"}
)

# Testing Agent 收到消息后
# 自动运行测试，完成后通知 Deploy Agent
sessions_send(
    session_id="deploy",
    message="测试全部通过，PR #123 可以部署到 Staging",
    metadata={"pr_number": 123, "test_results": "..."}
)

实际效果：

完全自动化的 CI/CD 流程
从 PR 提交到 Staging 部署：15 分钟
人工介入仅在失败或需要确认时
每个 Agent 专注自己的领域，协作无缝

案例 5：智能家居自动化¶

场景：根据日程和天气自动控制家居设备

技术栈：HomeKit + Google Calendar + OpenWeather + OpenClaw

核心功能：

早晨唤醒：逐渐调亮灯光、打开咖啡机、播放新闻、调整室温
离家模式：关闭灯光、节能空调、启动安防、锁门
回家模式：提前开空调、打开灯光、解锁门
睡眠模式：关闭灯光、调低室温、启动净化器、勿扰模式
天气联动：下雨关窗提醒、高温开空调、空气差开净化器
日程联动：会议前调暗灯光、健身时播放音乐、工作时专注模式

高级功能：学习习惯自动调整、语音控制、场景联动、能源优化。

案例 6：内容创作助手（自媒体）¶

场景：自动化内容创作、发布、数据分析

工作流：

内容灵感收集：监控热门话题、分析竞品、提取笔记想法
内容创作：生成大纲、撰写初稿、生成配图、SEO 优化
多平台发布：博客、社交媒体、视频平台同步发布
数据分析：追踪阅读量、互动数、生成周报
互动管理：自动回复常见问题、筛选有价值评论

实际效果：内容产出效率提升 3-5 倍，多平台同步节省 80% 时间，24/7 社区互动管理。

案例 7：个人财务管理¶

场景：自动记账、预算跟踪、投资分析

功能：

自动记账：解析银行短信/邮件，分类支出，记录到表格
预算管理：设置月度预算，实时跟踪，超支预警
投资分析：追踪股票/基金表现，计算收益率，生成报告
账单提醒：信用卡还款、订阅续费、保险到期提醒
财务报告：月度收支总结、年度回顾、可视化图表

这些案例展示了 OpenClaw 在不同场景下的实际应用，从开发运维到日常生活，都能显著提升效率。

安全与隐私¶

默认安全策略¶

OpenClaw 对陌生人 DM 采用 配对模式（dmPolicy="pairing"）：

陌生人发消息会收到配对码
你需要手动批准：openclaw pairing approve <channel> <code>
批准后才会处理消息

沙箱隔离¶

对于群组或多用户场景，可启用 Docker 沙箱：

{
  "agents": {
    "defaults": {
      "sandbox": {
        "mode": "non-main"
      }
    }
  }
}

非主会话（群组）的命令会在 Docker 容器内执行，限制系统访问。

隐私最佳实践¶

1.本地模型：使用 Ollama 运行本地模型，零云端依赖
2.本地记忆：设置 memorySearch.provider: 'local'
3.权限控制：通过 allowFrom 白名单限制可访问用户
4.审计日志：Gateway 记录所有工具调用，可追溯

成本估算¶

OpenClaw 软件本身完全免费（MIT 协议），成本来自 AI 模型 API：

使用强度	月成本（美元）	说明
轻度使用	$10-30	偶尔对话、简单任务
日常使用	$30-70	每天多次交互、自动化任务
重度使用	$100-150+	大量工具调用、复杂推理

省钱技巧：

使用 Ollama 本地模型（完全免费）
搜索用 Brave Search 免费套餐（2000 次/月）
选择性启用工具，避免不必要的调用

OpenClaw vs 其他 AI Agent 工具¶

vs Cursor / Windsurf / Claude Code（AI IDE）¶

这是最常见的对比，但实际上它们服务于不同场景：

维度	OpenClaw	Cursor	Windsurf	Claude Code
定位	通用 AI 助手	AI 代码编辑器	Agentic IDE	AI 编程助手
主要场景	系统自动化、多平台集成	代码编写、重构	多文件编辑、Agent 流	代码生成、调试
交互方式	聊天平台（Telegram/Slack 等）	IDE 内（Composer）	IDE 内（Cascade）	IDE 内 + 远程控制
系统权限	完整系统访问	仅项目目录	仅项目目录	仅项目目录
自动化	定时任务、Webhook、主动触发	无	有限	无
多平台	10+ 聊天平台	无	无	移动端远程
价格	免费（API 费用自付）	$20/月	$15/月	$20/月
最佳用途	非编码任务自动化	快速编码	复杂重构	深度编程

核心区别：

Cursor/Windsurf/Claude Code：专注代码编辑，在 IDE 内工作，适合"写代码"
OpenClaw：通用助手，跨平台工作，适合"除了写代码的一切"

实际使用建议：

写代码用 Cursor（Composer 模式最快）
复杂重构用 Windsurf（Cascade 流程更智能）
其他一切用 OpenClaw（邮件、部署、数据库、家居等）

它们可以协作：

在 Telegram 告诉 OpenClaw：
"监控生产环境错误日志，发现异常时：
1. 在 Cursor 中打开相关代码文件
2. 分析错误原因
3. 生成修复建议
4. 创建 GitHub Issue"

vs AutoGPT / BabyAGI（自主 Agent 框架）¶

维度	OpenClaw	AutoGPT	BabyAGI
成熟度	生产就绪	实验性	概念验证
稳定性	高（有错误处理）	中（易陷入循环）	低（需要监督）
易用性	开箱即用	需要配置	需要编程
消息集成	原生支持 10+ 平台	无	无
社区	活跃（191k stars）	活跃（170k stars）	小众
适用场景	日常使用	研究实验	学习概念

选择建议：

日常使用：OpenClaw（稳定、易用）
研究实验：AutoGPT（探索 Agent 边界）
学习概念：BabyAGI（理解 Agent 原理）

vs n8n / Zapier / Make（工作流自动化）¶

维度	OpenClaw	n8n	Zapier	Make
控制方式	自然语言	可视化拖拽	可视化拖拽	可视化拖拽
灵活性	极高（AI 推理）	中（预定义节点）	中（预定义触发器）	中（预定义模块）
学习曲线	低（说话即可）	中（需学习节点）	低（模板丰富）	中（逻辑复杂）
复杂决策	强（AI 判断）	弱（if/else）	弱（简单条件）	中（路由器）
本地运行	是	是（自托管）	否	否
价格	免费 + API	免费/自托管	$19.99/月起	$9/月起

核心区别：

n8n/Zapier/Make：适合固定流程（"如果 A 发生，就做 B"）
OpenClaw：适合需要推理的任务（"根据情况决定做什么"）

示例对比：

n8n 方式：

触发器：收到邮件
条件：如果主题包含"发票"
动作：保存附件到 Google Drive

OpenClaw 方式：

"收到邮件时，判断是否是发票：
- 如果是发票，提取金额、日期、供应商
- 检查是否重复
- 保存到 Google Drive 对应文件夹
- 记录到财务表格
- 如果金额超过 $1000，通知财务主管
- 如果是新供应商，添加到供应商数据库"

OpenClaw 能处理更复杂的逻辑和边缘情况。

最佳实践：

简单固定流程：用 n8n/Zapier（更快）
复杂决策任务：用 OpenClaw（更智能）
混合使用：n8n 触发 OpenClaw 处理复杂部分

vs ChatGPT / Claude（云端 AI）¶

前面已经详细对比过，这里补充一些深度差异：

架构差异：

ChatGPT/Claude:
用户 → 云端 API → 模型推理 → 返回结果
（无状态，无系统访问，无持久化）

OpenClaw:
用户 → 本地 Gateway → Pi Agent → 工具调用 → 系统操作
                    ↓
                 Memory (持久化)
                    ↓
                 Skills (知识库)

能力边界：

能力	ChatGPT/Claude	OpenClaw
对话理解	✅ 优秀	✅ 优秀
代码生成	✅ 优秀	✅ 优秀
执行代码	❌ 不能	✅ 能
读写文件	❌ 不能	✅ 能
控制浏览器	❌ 不能	✅ 能
发送消息	❌ 不能	✅ 能
定时任务	❌ 不能	✅ 能
跨会话记忆	⚠️ 有限	✅ 完整
多平台集成	❌ 无	✅ 10+ 平台

使用场景分工：

ChatGPT/Claude：快速咨询、写作、分析、学习
OpenClaw：自动化、系统操作、长期任务、多平台协作

可以结合使用：

OpenClaw 可以调用 ChatGPT/Claude 作为推理引擎，同时保留本地执行能力：

{
  "agent": {
    "model": "openai/gpt-4o"  // 或 "anthropic/claude-opus-4-6"
  }
}

这样你既能用最强的模型推理，又能享受本地执行的灵活性。

总结：如何选择¶

选择决策树：

graph TD
    A[选择 AI 工具] --> B{需要写代码?}
    B -->|是| C[Cursor / Windsurf<br/>Claude Code]
    B -->|否| D{需要系统级操作?}

    D -->|是| E[OpenClaw]
    D -->|否| F{需要复杂决策?}

    F -->|是| E
    F -->|否| G{固定流程自动化?}

    G -->|是| H[n8n / Zapier]
    G -->|否| I{只是对话咨询?}

    I -->|是| J[ChatGPT / Claude]
    I -->|否| K[根据具体需求<br/>选择组合方案]

    style C fill:#9b59b6,color:#fff
    style E fill:#4a90e2,color:#fff
    style H fill:#f39c12,color:#fff
    style J fill:#50c878,color:#fff

最佳组合：

1.开发者全家桶：

Cursor（写代码）
OpenClaw（自动化）
ChatGPT（快速咨询）

2.创业者套装：

OpenClaw（核心自动化）
Zapier（简单集成）
Claude（内容创作）

3.企业方案：

OpenClaw（内部自动化）
n8n（工作流编排）
GitHub Copilot（团队编码）

进阶技巧与最佳实践¶

1. 多 Agent 协作架构¶

使用 sessions_* 工具实现复杂的多 Agent 系统：

场景：构建 AI 团队

创建一个 AI 开发团队：

1. Product Manager Agent (pm-agent)
   - 职责：需求分析、优先级排序
   - 技能：notion, jira, slack
   - 工作流：收集需求 → 创建任务 → 分配给开发

2. Backend Developer Agent (backend-agent)
   - 职责：API 开发、数据库设计
   - 技能：github, postgres, docker
   - 工作流：接收任务 → 编写代码 → 提交 PR

3. Frontend Developer Agent (frontend-agent)
   - 职责：UI 实现、用户体验
   - 技能：github, figma, npm
   - 工作流：接收设计 → 实现界面 → 集成 API

4. QA Agent (qa-agent)
   - 职责：测试、质量保证
   - 技能：jest, selenium, postman
   - 工作流：接收 PR → 运行测试 → 报告问题

5. DevOps Agent (devops-agent)
   - 职责：部署、监控
   - 技能：kubernetes, prometheus, grafana
   - 工作流：接收通过的 PR → 部署 → 监控

Agent 间通信流程：

sequenceDiagram
    participant PM as PM Agent
    participant BE as Backend Agent
    participant FE as Frontend Agent
    participant QA as QA Agent
    participant DO as DevOps Agent

    PM->>BE: 新任务: 实现用户认证 API
    PM->>FE: 新任务: 实现登录界面

    par 并行开发
        BE->>BE: 开发 API
        FE->>FE: 开发 UI
    end

    BE->>QA: PR #456 已提交
    FE->>QA: PR #457 已提交

    QA->>QA: 运行测试

    alt 测试通过
        QA->>DO: 测试通过，可以部署
        DO->>DO: 部署到 Staging
        DO->>PM: 部署成功
    else 测试失败
        QA->>BE: 发现 Bug，需要修复
        QA->>FE: UI 问题，需要调整
        BE->>QA: 已修复，重新测试
        FE->>QA: 已调整，重新测试
    end

Agent 间通信代码：

# PM Agent 创建任务
sessions_send(
    session_id="backend-agent",
    message="新任务：实现用户认证 API",
    metadata={
        "task_id": "TASK-123",
        "priority": "high",
        "deadline": "2026-03-01",
        "requirements": "..."
    },
    reply_mode="ANNOUNCE_SKIP"  # 不需要立即回复
)

# Backend Agent 完成后通知 QA
sessions_send(
    session_id="qa-agent",
    message="PR #456 已提交，请测试用户认证功能",
    metadata={
        "pr_number": 456,
        "test_cases": ["login", "logout", "token_refresh"]
    }
)

# QA Agent 测试通过后通知 DevOps
sessions_send(
    session_id="devops-agent",
    message="PR #456 测试通过，可以部署",
    metadata={"pr_number": 456, "environment": "staging"}
)

协作模式：

graph LR
    subgraph "流水线模式"
        A1[PM] --> A2[Dev]
        A2 --> A3[QA]
        A3 --> A4[DevOps]
    end

    subgraph "并行模式"
        B1[PM] --> B2[Backend Dev]
        B1 --> B3[Frontend Dev]
        B2 --> B4[QA]
        B3 --> B4
    end

    subgraph "反馈模式"
        C1[Dev] --> C2[QA]
        C2 -->|发现问题| C1
        C2 -->|通过| C3[Deploy]
    end

    style A1 fill:#9b59b6,color:#fff
    style B1 fill:#9b59b6,color:#fff
    style C2 fill:#f39c12,color:#fff

流水线模式：任务按顺序流转（PM → Dev → QA → DevOps）
并行模式：多个 Agent 同时工作（前端 + 后端并行开发）
反馈模式：QA 发现问题 → 通知 Dev → 修复 → 重新测试

2. 自定义技能开发深度指南¶

高级技能结构：

advanced-skill/
├── SKILL.md              # 技能文档
├── package.json          # Node.js 依赖
├── requirements.txt      # Python 依赖
├── config.schema.json    # 配置验证
├── scripts/
│   ├── main.sh          # 主入口
│   ├── setup.sh         # 初始化脚本
│   ├── lib/             # 共享库
│   │   ├── api.py
│   │   └── utils.js
│   └── tests/           # 测试
│       └── test_main.sh
├── templates/           # 模板文件
│   └── report.md
└── docs/               # 详细文档
    ├── README.md
    └── examples.md

SKILL.md 高级模板：

# 技能名称

一句话描述技能功能。

## 元数据

- **版本**: 1.0.0
- **作者**: Your Name
- **许可**: MIT
- **依赖**: bash, python3, jq
- **权限**: 文件读写、网络访问

## 何时使用

### 主要场景

1. 用户明确要求 XXX
2. 检测到 YYY 情况
3. 作为 ZZZ 工作流的一部分

### 不适用场景

- 当 AAA 时，应使用 BBB 技能
- 如果 CCC，直接用内置工具更快

## 使用示例

### 示例 1：基础用法

**用户输入**：

帮我做 XXX

**执行步骤**：
1. 读取配置文件
2. 调用 API
3. 处理结果
4. 生成报告

**预期输出**：

✅ 成功完成 XXX 结果：YYY 详情：ZZZ

### 示例 2：高级用法

**用户输入**：

做 XXX，但要考虑 YYY 条件

**执行步骤**：
1. 解析条件
2. 调整参数
3. 执行任务
4. 验证结果

## 实现细节

### 工具调用

```javascript
// 1. 读取配置
const config = await read("~/.openclaw/workspace/skills/my-skill/config.json");

// 2. 执行脚本
const result = await bash("cd ~/.openclaw/workspace/skills/my-skill && ./scripts/main.sh");

// 3. 处理结果
if (result.exitCode === 0) {
    // 成功
} else {
    // 失败处理
}

错误处理¶

错误类型	处理方式
配置缺失	提示用户运行 setup.sh
API 失败	重试 3 次，指数退避
权限不足	请求用户授权
超时	取消任务，保存进度

性能优化¶

缓存 API 响应（1 小时）
并行处理多个项目
增量更新而非全量

配置¶

必需配置¶

{
  "api_key": "your-api-key",
  "endpoint": "https://api.example.com"
}

可选配置¶

{
  "timeout": 30,
  "retry_count": 3,
  "cache_ttl": 3600
}

配置验证¶

运行 ./scripts/setup.sh 验证配置：

✓ API Key 已设置
✓ Endpoint 可访问
✓ 依赖已安装

安全考虑¶

敏感数据¶

API Key 存储在 config.json（不提交到 Git）
使用环境变量覆盖配置
日志中不输出敏感信息

权限要求¶

文件系统：读写 workspace 目录
网络：访问 api.example.com
进程：执行 Python 脚本

沙箱兼容性¶

✅ 支持沙箱模式

所有文件操作限制在 workspace
网络访问通过白名单
无需 sudo 权限

故障排查¶

常见问题¶

Q: 提示"API Key 无效"

A: 检查 config.json 中的 api_key 是否正确，运行 ./scripts/setup.sh 验证。

Q: 执行超时

A: 增加 config.json 中的 timeout 值，或检查网络连接。

Q: 依赖缺失

A: 运行 npm install 或 pip install -r requirements.txt。

调试模式¶

设置环境变量启用详细日志：

DEBUG=1 openclaw agent --message "测试技能"

测试¶

单元测试¶

cd ~/.openclaw/workspace/skills/my-skill
./scripts/tests/test_main.sh

集成测试¶

openclaw agent --message "运行完整测试流程"

**技能开发最佳实践**：

1.**幂等性**：多次执行结果一致
2.**可恢复**：失败后可以从断点继续
3.**可观测**：详细日志，便于调试
4.**可测试**：提供测试脚本
5.**文档完善**：示例丰富，错误处理清晰

---

### 3. 远程访问与部署

#### 方案 1：Tailscale（推荐）

**优势**：

- 零配置 VPN
- 端到端加密
- 支持 Serve（内网）和 Funnel（公网）

**配置**：

```json
{
  "gateway": {
    "bind": "127.0.0.1",  // 保持 loopback
    "tailscale": {
      "mode": "serve",     // 或 "funnel"
      "resetOnExit": true  // 退出时清理
    },
    "auth": {
      "mode": "password",  // Funnel 必需
      "password": "your-secure-password"
    }
  }
}

访问：

# 从任何 Tailscale 设备访问
https://your-machine.tailnet-name.ts.net

方案 2：SSH 隧道¶

本地转发：

# 在远程服务器
openclaw gateway --port 18789

# 在本地机器
ssh -L 18789:localhost:18789 user@remote-server

# 访问 http://localhost:18789

反向隧道（服务器在 NAT 后）：

# 在服务器
ssh -R 18789:localhost:18789 user@public-server

# 在公网服务器访问
http://localhost:18789

方案 3：Docker 部署¶

Dockerfile：

FROM node:22-alpine

# 安装依赖
RUN apk add --no-cache \
    bash \
    git \
    python3 \
    py3-pip

# 安装 OpenClaw
RUN npm install -g openclaw@latest

# 创建工作目录
WORKDIR /root/.openclaw

# 复制配置
COPY openclaw.json .
COPY workspace/ workspace/

# 暴露端口
EXPOSE 18789

# 启动 Gateway
CMD ["openclaw", "gateway", "--port", "18789"]

docker-compose.yml：

version: '3.8'

services:
  openclaw:
    build: .
    ports:
      - "18789:18789"
    volumes:
      - ./config:/root/.openclaw
      - ./workspace:/root/.openclaw/workspace
    environment:
      - ANTHROPIC_API_KEY=${ANTHROPIC_API_KEY}
      - TELEGRAM_BOT_TOKEN=${TELEGRAM_BOT_TOKEN}
    restart: unless-stopped
    networks:
      - openclaw-net

networks:
  openclaw-net:
    driver: bridge

部署：

1	`docker-compose up -d`

方案 4：云服务器部署¶

推荐配置：

CPU: 2 核
内存: 4GB
存储: 20GB SSD
系统: Ubuntu 22.04 LTS

自动化部署脚本：

#!/bin/bash

# 更新系统
apt update && apt upgrade -y

# 安装 Node.js 22
curl -fsSL https://deb.nodesource.com/setup_22.x | bash -
apt install -y nodejs

# 安装 OpenClaw
npm install -g openclaw@latest

# 创建 systemd 服务
cat > /etc/systemd/system/openclaw.service <<EOF
[Unit]
Description=OpenClaw Gateway
After=network.target

[Service]
Type=simple
User=openclaw
WorkingDirectory=/home/openclaw
ExecStart=/usr/bin/openclaw gateway --port 18789
Restart=always
RestartSec=10

[Install]
WantedBy=multi-user.target
EOF

# 启动服务
systemctl daemon-reload
systemctl enable openclaw
systemctl start openclaw

4. 性能优化¶

Token 使用优化¶

问题：长对话导致 Token 消耗巨大

解决方案：

1.主动压缩：

{
  "agents": {
    "defaults": {
      "compaction": {
        "enabled": true,
        "threshold": 0.8,  // 80% 时触发
        "strategy": "summarize"  // 或 "truncate"
      }
    }
  }
}

2.使用聊天命令：

/compact  # 手动压缩当前会话
/new      # 开始新会话

3.分离会话：

不同任务使用不同会话，避免上下文混杂。

API 成本优化¶

策略：

1.模型分级：

{
  "agent": {
    "model": "anthropic/claude-haiku-4",  // 默认用便宜的
    "fallback": [
      "anthropic/claude-sonnet-4.5",
      "anthropic/claude-opus-4-6"
    ]
  }
}

2.缓存利用：

启用模型提供商的缓存（Claude 的 Prompt Caching）
本地缓存工具调用结果

3.批量处理：

一次性处理多个任务，而非多次对话：

"帮我完成以下 5 个任务：
清理邮箱
更新日历
检查服务器状态
生成周报
发送给团队"

响应速度优化¶

1.本地模型：

# 安装 Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 下载模型
ollama pull llama3.1:70b

# 配置 OpenClaw
{
  "agent": {
    "model": "ollama/llama3.1:70b"
  }
}

2.并行工具调用：

OpenClaw 自动并行执行独立的工具调用。

3.预热连接：

Gateway 启动时预先建立到常用服务的连接。

5. 安全加固¶

生产环境检查清单¶

# 运行安全检查
openclaw doctor --security

检查项：

DM 策略设置为 pairing 或更严格
启用密码认证（远程访问时）
白名单配置正确
敏感技能需要确认
沙箱模式已启用（多用户场景）
日志不包含敏感信息
API Key 使用环境变量
定期更新 OpenClaw

权限分级¶

主会话（完全信任）：

{
  "agents": {
    "defaults": {
      "sandbox": {
        "mode": "off"  // 主会话不沙箱
      }
    }
  }
}

群组会话（限制权限）：

{
  "agents": {
    "defaults": {
      "sandbox": {
        "mode": "non-main",  // 非主会话沙箱
        "allowlist": [
          "bash",
          "read",
          "write",
          "sessions_list"
        ],
        "denylist": [
          "browser",
          "gateway"
        ]
      }
    }
  }
}

审计日志¶

启用详细日志：

{
  "logging": {
    "level": "info",  // debug, info, warn, error
    "file": "~/.openclaw/logs/gateway.log",
    "rotation": {
      "maxSize": "100M",
      "maxFiles": 10
    }
  }
}

日志分析：

# 查看工具调用
grep "tool_call" ~/.openclaw/logs/gateway.log

# 查看错误
grep "ERROR" ~/.openclaw/logs/gateway.log

# 统计 API 使用
grep "api_call" ~/.openclaw/logs/gateway.log | wc -l

6. 监控与告警¶

健康检查¶

HTTP 端点：

curl http://localhost:18789/health

# 响应
{
  "status": "healthy",
  "uptime": 86400,
  "sessions": 3,
  "memory": "512MB",
  "version": "2026.2.27"
}

Prometheus 集成¶

暴露指标：

{
  "monitoring": {
    "prometheus": {
      "enabled": true,
      "port": 9090
    }
  }
}

指标示例：

openclaw_sessions_total 3
openclaw_messages_total 1234
openclaw_tool_calls_total{tool="bash"} 567
openclaw_api_calls_total{model="claude-opus-4-6"} 890
openclaw_errors_total 12

告警规则¶

Slack 告警：

当以下情况发生时通知 #ops 频道：
Gateway 离线超过 5 分钟
错误率超过 5%
API 成本单日超过 $50
磁盘使用超过 80%
内存使用超过 90%

这些进阶技巧能帮助你构建生产级的 OpenClaw 部署。

常见问题与故障排查¶

安装与配置¶

Q: 安装时提示 "Node.js 版本过低"

A: OpenClaw 需要 Node.js 22+，更新方法：

# macOS (使用 Homebrew)
brew install node@22

# Linux (使用 NodeSource)
curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -
sudo apt-get install -y nodejs

# Windows (WSL2)
# 同 Linux 方法

Q: npm install 失败，提示权限错误

A: 不要使用 sudo 安装，配置 npm 全局目录：

mkdir ~/.npm-global
npm config set prefix '~/.npm-global'
echo 'export PATH=~/.npm-global/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

# 然后重新安装
npm install -g openclaw@latest

Q: Gateway 启动失败，提示端口被占用

A: 检查是否有其他 Gateway 实例：

# 查找占用 18789 端口的进程
lsof -i :18789

# 或使用
ps aux | grep openclaw

# 停止旧进程
kill <PID>

# 或使用 OpenClaw 命令
openclaw gateway --stop

模型与 API¶

Q: OpenClaw 会不会很慢？

A: 本地运行不会增加延迟，响应速度取决于：

模型选择：Claude Opus 4.6 和 GPT-5.2 都很快（1-3 秒）
网络延迟：API 调用受网络影响
工具执行：复杂工具（如浏览器）需要额外时间

优化建议：

使用 Haiku/GPT-4o-mini 处理简单任务
本地模型（Ollama）零网络延迟
启用缓存减少重复调用

Q: API 成本太高怎么办？

A: 成本优化策略：

1.使用更便宜的模型：

{
  "agent": {
    "model": "anthropic/claude-haiku-4"  // 比 Opus 便宜 20 倍
  }
}

2.启用本地模型：

1	`ollama pull llama3.1:70b`

{
  "agent": {
    "model": "ollama/llama3.1:70b"  // 完全免费
  }
}

3.减少不必要的工具调用：

在 SKILL.md 中明确告诉 Agent 何时使用工具，避免盲目尝试。

4.使用 Brave Search 免费套餐：

每月 2000 次免费搜索，够个人使用。

Q: 提示 "API Key 无效"

A: 检查步骤：

# 1. 确认 API Key 格式正确
echo $ANTHROPIC_API_KEY

# 2. 检查配置文件
cat ~/.openclaw/openclaw.json

# 3. 测试 API Key
curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{"model":"claude-3-haiku-20240307","max_tokens":10,"messages":[{"role":"user","content":"Hi"}]}'

功能与使用¶

Q: 支持中文吗？

A: 完全支持！OpenClaw 本身是语言无关的，支持取决于：

模型能力：Claude、GPT 都支持中文
技能文档：SKILL.md 可以用中文编写
聊天平台：微信、Telegram 等都支持中文

示例：

帮我分析一下最近的销售数据，
找出增长最快的产品类别，
生成一份中文报告发到钉钉群

Q: 可以在服务器上运行吗？

A: 可以！这是推荐的部署方式：

优势：

24/7 在线，随时响应
不占用个人电脑资源
团队共享一个实例

架构：

graph TB
    subgraph "云端/服务器"
        A[Linux 服务器]
        B[Gateway + Agent]
        C[Skills & Memory]
    end

    subgraph "消息平台"
        D1[Telegram]
        D2[Slack]
        D3[Discord]
        D4[WhatsApp]
    end

    subgraph "本地设备节点"
        E1[macOS Node<br/>系统操作/摄像头]
        E2[iOS Node<br/>移动端功能]
        E3[Android Node<br/>移动端功能]
    end

    A --> B
    B --> C
    B <--> D1 & D2 & D3 & D4
    B <-.->|可选| E1 & E2 & E3

    style A fill:#4a90e2,color:#fff
    style B fill:#50c878,color:#fff
    style E1 fill:#95a5a6,color:#fff
    style E2 fill:#95a5a6,color:#fff
    style E3 fill:#95a5a6,color:#fff

设备特定操作：

系统命令：在服务器上执行
摄像头、通知：通过节点在本地设备执行

Q: 和 MCP 的关系？

A: OpenClaw 与 MCP 是互补关系：

OpenClaw：完整的 Agent 平台（Gateway + Agent + Skills）
MCP：工具协议标准（Model Context Protocol）

集成方式：

OpenClaw 可以通过 MCP 接入工具，但不强制：

{
  "tools": {
    "mcp": {
      "enabled": true,
      "servers": {
        "filesystem": {
          "command": "npx",
          "args": ["-y", "@modelcontextprotocol/server-filesystem"]
        }
      }
    }
  }
}

这样 OpenClaw 就能使用 MCP 生态的工具。

Q: 如何更新 OpenClaw？

A: 更新步骤：

# 1. 更新 CLI
npm update -g openclaw@latest

# 2. 检查配置兼容性
openclaw doctor

# 3. 查看更新日志
openclaw changelog

# 4. 重启 Gateway
openclaw gateway --restart

版本管理：

# 查看当前版本
openclaw --version

# 切换到 beta 频道
openclaw update --channel beta

# 回退到稳定版
openclaw update --channel stable

故障排查¶

Q: Agent 不调用工具，只是回复文字

A: 可能原因：

1.提示不够明确：

❌ "帮我查一下天气" ✅ "使用搜索工具查询北京今天的天气"

2.工具未启用：

检查配置：

{
  "tools": {
    "browser": {
      "enabled": true
    }
  }
}

3.模型不支持工具调用：

确保使用支持 Function Calling 的模型（Claude 3+, GPT-4+）。

Q: 技能安装后不生效

A: 排查步骤：

# 1. 确认技能已安装
ls ~/.openclaw/workspace/skills/

# 2. 检查 SKILL.md 格式
cat ~/.openclaw/workspace/skills/<skill-name>/SKILL.md

# 3. 重启 Gateway
openclaw gateway --restart

# 4. 测试技能
openclaw agent --message "测试 <skill-name> 技能"

Q: 内存占用过高

A: 优化方法：

启用会话压缩：

{
  "agents": {
    "defaults": {
      "compaction": {
        "enabled": true,
        "threshold": 0.7
      }
    }
  }
}

限制会话数量：

# 清理旧会话
openclaw sessions clean --older-than 7d

使用更小的模型：

Haiku 比 Opus 内存占用少得多。

Q: Telegram Bot 收不到消息

A: 检查清单：

# 1. 确认 Bot Token 正确
echo $TELEGRAM_BOT_TOKEN

# 2. 测试 Bot API
curl https://api.telegram.org/bot$TELEGRAM_BOT_TOKEN/getMe

# 3. 检查 Gateway 日志
tail -f ~/.openclaw/logs/gateway.log | grep telegram

# 4. 确认 Bot 已启动对话
# 在 Telegram 中发送 /start 给 Bot

Q: 浏览器工具无法启动

A: Linux 系统常见问题：

# 安装必需的依赖
sudo apt-get install -y \
  libnss3 \
  libatk1.0-0 \
  libatk-bridge2.0-0 \
  libcups2 \
  libdrm2 \
  libxkbcommon0 \
  libxcomposite1 \
  libxdamage1 \
  libxfixes3 \
  libxrandr2 \
  libgbm1 \
  libasound2

# 测试浏览器
openclaw browser --test

安全与隐私¶

Q: 数据会被发送到哪里？

A: 数据流向：

flowchart TD
    A[用户输入] --> B{OpenClaw Gateway}

    B --> C[本地存储]
    C --> C1[会话记录<br/>~/.openclaw/workspace/memory/]
    C --> C2[配置文件<br/>~/.openclaw/openclaw.json]
    C --> C3[技能数据<br/>~/.openclaw/workspace/skills/]

    B --> D[AI 模型 API]
    D --> D1[对话内容]
    D --> D2[工具调用结果]
    D -.不包含.-> D3[配置文件<br/>API Key]

    B --> E[第三方服务<br/>可选]
    E --> E1[Brave Search<br/>搜索查询]
    E --> E2[Gmail API<br/>邮件操作]
    E --> E3[其他 API]

    style B fill:#4a90e2,color:#fff
    style C fill:#50c878,color:#fff
    style D fill:#f39c12,color:#fff
    style E fill:#95a5a6,color:#fff
    style D3 fill:#e74c3c,color:#fff

数据流向说明：

本地存储：
会话记录：~/.openclaw/workspace/memory/
配置文件：~/.openclaw/openclaw.json
技能数据：~/.openclaw/workspace/skills/
发送到 AI 模型：
对话内容
工具调用结果
不包含：配置文件、API Key
发送到第三方服务（如果使用）：
搜索查询 → Brave Search
邮件操作 → Gmail API
等等

隐私最大化配置：

{
  "agent": {
    "model": "ollama/llama3.1:70b"  // 本地模型
  },
  "memorySearch": {
    "provider": "local"  // 本地向量搜索
  },
  "tools": {
    "browser": {
      "enabled": false  // 禁用浏览器
    }
  }
}

Q: 如何防止误操作？

A: 安全措施：

1.敏感操作需确认：

在 SKILL.md 中标记：

## 安全级别

- 级别：HIGH
- 需要确认：是
- 操作类型：删除文件、执行 sudo 命令

2.沙箱模式：

{
  "agents": {
    "defaults": {
      "sandbox": {
        "mode": "always",  // 所有会话都沙箱
        "denylist": ["rm", "sudo", "dd"]
      }
    }
  }
}

3.审计日志：

所有操作都记录在日志中，可追溯。

性能与扩展¶

Q: 可以同时处理多少个会话？

A: 取决于硬件：

2核4GB：5-10 个并发会话
4核8GB：20-30 个并发会话
8核16GB：50+ 个并发会话

优化建议：

使用队列模式处理高并发
启用会话池复用
分布式部署（多个 Gateway）

Q: 支持集群部署吗？

A: 目前 Gateway 是单实例设计，但可以：

1.多实例部署：

不同团队/项目使用独立的 Gateway 实例。

2.负载均衡：

通过 Telegram Bot 路由到不同实例：

用户 A → Bot 1 → Gateway 1
用户 B → Bot 2 → Gateway 2

3.共享存储：

多个 Gateway 共享 NFS/S3 上的 workspace。

Q: 可以开发商业产品吗？

A: 可以！OpenClaw 使用 MIT 许可：

✅ 商业使用
✅ 修改源码
✅ 分发
✅ 私有部署

注意事项：

遵守 AI 模型提供商的服务条款
不能使用 Claude Pro/Max 订阅（违反 Anthropic TOS）
必须使用按量付费的 API

社区与支持¶

Q: 遇到问题去哪里求助？

A: 支持渠道：

官方文档：docs.openclaw.ai
GitHub Issues：github.com/openclaw/openclaw/issues
Discord 社区：discord.com/invite/clawd
GitHub Discussions：技术讨论和问答

提问技巧：

提供完整的错误信息
说明操作系统和 Node.js 版本
附上相关配置（隐藏敏感信息）
描述复现步骤

Q: 如何贡献代码？

A: 贡献流程：

# 1. Fork 仓库
# 2. 克隆到本地
git clone https://github.com/your-username/openclaw.git

# 3. 创建分支
git checkout -b feature/my-feature

# 4. 开发和测试
pnpm install
pnpm build
pnpm test

# 5. 提交 PR
git push origin feature/my-feature
# 在 GitHub 上创建 Pull Request

贡献类型：

🐛 Bug 修复
✨ 新功能
📝 文档改进
🎨 技能开发
🌍 翻译

Q: 项目的未来规划？

A: 根据社区讨论，可能的方向：

多模态增强：更好的图像、音频、视频处理
企业功能：团队管理、权限控制、审计
性能优化：更快的响应、更低的成本
生态扩展：更多官方技能、更好的 ClawHub
移动端：原生 iOS/Android App

关注 @steipete 获取最新动态。

社区与资源¶

官网：openclaw.ai
GitHub：github.com/openclaw/openclaw（191,000+ 星）
文档：docs.openclaw.ai
Discord：discord.com/invite/clawd
ClawHub：claw-hub.net（技能市场）
作者 Twitter：@steipete

小结¶

OpenClaw 代表了 Agentic AI 在个人和企业场景的最佳实践：

核心优势¶

隐私优先
数据不出本机，完全可控
支持本地模型，零云端依赖
文件即真相，透明可审计
真正执行
不只是聊天，能操作系统
自动化工作流，主动触发任务
跨平台集成，统一控制中心
开放生态
3,286+ 社区技能
支持任意 AI 模型
MIT 开源，商业友好
活跃社区
GitHub 191,000+ 星标
史上增长最快的开源 AI 项目
持续更新，快速迭代

适用场景¶

个人用户：

✅ 需要隐私保护的 AI 助手
✅ 想要自动化日常任务
✅ 跨多个聊天平台工作
✅ 对技术有一定了解

开发者：

✅ 自动化开发工作流（CI/CD、代码审查）
✅ 构建自定义 AI 工具
✅ 集成到现有系统
✅ 学习 Agentic AI 架构

企业团队：

✅ 内部流程自动化
✅ 数据安全要求高
✅ 需要定制化功能
✅ 多团队协作场景

不适合的场景¶

❌ 只需要简单对话（用 ChatGPT 更快）
❌ 不想自己部署维护（用云端服务）
❌ 完全不懂技术（学习曲线较陡）
❌ 需要企业级支持（目前是社区驱动）

开始使用¶

如果你想要一个：

不依赖云端的 AI 助手
能真正帮你干活的 Agent
可以无限扩展的自动化平台

OpenClaw 是 2026 年最值得尝试的选择。

快速开始：

# 1. 安装
npm install -g openclaw@latest

# 2. 配置
openclaw onboard --install-daemon

# 3. 开始使用
# 在 Telegram/Discord/Slack 与你的 AI 助手对话

学习路径¶

初学者（1-2 天）：

完成基础安装和配置
连接一个聊天平台（Telegram 最简单）
尝试几个简单任务（搜索、文件操作）
安装 2-3 个常用技能

进阶用户（1-2 周）：

创建自定义技能
设置自动化工作流（Cron、Webhook）
配置多 Agent 协作
优化性能和成本

高级用户（持续）：

生产环境部署
安全加固和监控
贡献社区技能
参与开源开发

延伸阅读¶

本站相关文章：

AI Agent 入门 - 理解 Agent 概念和架构
What is MCP - 工具协议标准
Skill 使用介绍 - 技能系统详解
多智能体协作入门 - 多 Agent 协作模式
Prompt 工程入门 - 如何写好 Agent 指令
RAG 技术 - 知识检索增强
深度推理与测试时计算 - 高级推理技术

官方资源：

📖 官方文档 - 完整技术文档
💻 GitHub 仓库 - 源码和 Issues
🎯 ClawHub - 技能市场
💬 Discord 社区 - 实时讨论
🐦 作者 Twitter - 最新动态

推荐教程：

最后的话¶

OpenClaw 不仅仅是一个工具，它代表了一种理念：AI 应该为你工作，而不是你为 AI 工作。

在云端 AI 服务越来越强大的今天，OpenClaw 提醒我们：

数据主权很重要
本地执行有价值
开源生态更健康
社区驱动更持久

2026 年，Agentic AI 正在从概念走向实践，从实验室走向生产环境。OpenClaw 作为这个浪潮中的开源先锋，值得每一个关注 AI 未来的人去了解和尝试。

开始你的 OpenClaw 之旅吧！ 🦞

参考资料（内容已改写以符合合规要求）：

本文综合参考了以下来源，所有内容已重新组织和改写：

OpenClaw 官方文档 - 架构设计、API 参考
OpenClaw GitHub 仓库 - 源码分析、Issue 讨论
ClawHub 技能市场 - 技能生态、使用案例
多篇技术博客和对比文章 - 实战经验、最佳实践
社区讨论和用户反馈 - 真实使用场景、问题解决

所有引用内容均已改写总结，符合版权和合规要求。如需原始资料，请访问上述链接。

欢迎反馈：如有问题或建议，请在评论区留言或通过 GitHub Issues 反馈。

本文作者：

💬 评论

评论系统加载中...

OpenClaw：本地运行的开源 AI 助手完全指南¶

什么是 OpenClaw¶

名字的演变¶

OpenClaw vs ChatGPT vs Claude：核心区别¶

OpenClaw 的核心能力¶

1. 本地优先的架构¶

Gateway 的核心特性¶

Pi Agent：极简推理引擎¶

Memory：文件即真相¶

2. 多平台消息集成¶

3. 强大的工具调用¶

4. ClawHub 技能市场¶

技能的本质¶

技能分类¶

热门技能推荐¶

安装与使用技能¶

创建自定义技能¶

快速上手：从安装到第一次对话¶

前置要求¶

安装步骤¶

1. 安装 OpenClaw CLI¶

2. 运行向导式配置¶

3. 启动 Gateway¶

4. 配置 Telegram（示例）¶

第一次对话¶

实战案例：让 OpenClaw 帮你做什么¶

案例 1：自动化代码部署（DevOps）¶

案例 2：智能邮件管理（生产力）¶

案例 3：数据库性能优化（DBA）¶

案例 4：多 Agent 协作（软件开发）¶

案例 5：智能家居自动化¶

案例 6：内容创作助手（自媒体）¶

案例 7：个人财务管理¶

安全与隐私¶

默认安全策略¶

沙箱隔离¶

隐私最佳实践¶

成本估算¶

OpenClaw vs 其他 AI Agent 工具¶

vs Cursor / Windsurf / Claude Code（AI IDE）¶

vs AutoGPT / BabyAGI（自主 Agent 框架）¶

vs n8n / Zapier / Make（工作流自动化）¶

vs ChatGPT / Claude（云端 AI）¶

总结：如何选择¶

进阶技巧与最佳实践¶

1. 多 Agent 协作架构¶

2. 自定义技能开发深度指南¶

错误处理¶

性能优化¶

配置¶

必需配置¶

可选配置¶

配置验证¶

安全考虑¶

敏感数据¶

权限要求¶

沙箱兼容性¶

故障排查¶

常见问题¶

调试模式¶

测试¶

单元测试¶

集成测试¶

方案 2：SSH 隧道¶

方案 3：Docker 部署¶

方案 4：云服务器部署¶

4. 性能优化¶

Token 使用优化¶

API 成本优化¶

响应速度优化¶

5. 安全加固¶

生产环境检查清单¶

权限分级¶

审计日志¶

6. 监控与告警¶

健康检查¶

Prometheus 集成¶

告警规则¶

常见问题与故障排查¶

安装与配置¶