每周 400 万人在使用的 Codex 桌面客户端，从今天起，都可以在手机 ChatGPT 客户端远程接管了。

OpenAI 今天凌晨发布了 Codex Mobile 预览版，让 ChatGPT 移动客户端可以直接控制本地的 Codex 桌面客户端。架构跟 Anthropic 三个月前推的 Claude Code Remote Control 几乎一样，但解决问题的方向恰好相反。

怎么连，怎么用

Codex Mobile 不是把 Codex 跑到云端，也不是远程桌面投屏。你 Mac 上的 Codex 桌面客户端还在 Mac 上跑，移动端通过 OpenAI 的 secure relay 同步状态。文件、credentials、本地配置都不动，移动端看到的是任务进度、终端输出、diff、截图。

设置流程比想象的还简单。Codex 桌面客户端升级后，侧边栏多一个 “设置 Codex 移动版” 选项，点开会显示二维码。

但你不用扫码。打开手机上的 ChatGPT 移动客户端，它会自动识别到同账号下有 Codex 桌面客户端在等你确认，弹一个授权提示。

点授权此手机，桌面端立刻显示“已连接”，下面还有三个开关进一步控制权限：让电脑保持唤醒、启用 Computer Use、装 Chrome 扩展。

整个过程不到一分钟。同账号下多台机器都能管，桌面端和移动端共享同一个 thread，不用来回粘贴上下文。

跟 Claude Code Remote Control 比

Claude Code 早在三个月前就推出了Remote Control，OpenAI 显然又是一个跟随者。架构几乎一样：本地跑 Claude Code，移动端做窗口，云端 relay 中转，桌面端和移动端共享同一会话。

这两个我都尝试过一些任务。从体感上看，Codex Mobile 跟 Claude Code Remote Control 差不多，主要区别不在功能，而在用量这件事上。

Claude Code 的 5 小时窗口是真的不够用，复杂任务几分钟就能把额度跑光。虽然 Anthropic 最近宣布了 5 小时配额加倍和周配额提升 50% ，但社区里普遍反馈差别不太明显。

反观 Codex 的限额政策一直比较大方，ChatGPT Pro 订阅很少会撞到上限不说，免费版甚至也能用 5.5 Extra High。对于 AI 编程重度用户来说，订阅 ChatGPT 要比 Claude 划算的多，更不用说 Claude 那畸形的封号策略了。

当然 Codex 移动端也有很多限制，比如现在只支持 macOS 上的 Codex 桌面客户端，不支持 Windows，高峰时间稳定性也有待提升。

写在最后

看到 Codex 移动端发布，第一时间想到的是 OpenAI 版的龙虾终于来了。OpenClaw 爆火这么长时间，各家 Agent 产品能抄的都已经抄过去了。现在 OpenClaw 热度都过去了，OpenAI 才姗姗来迟。

话说回来，不要被“在手机上写代码”这个画面骗到。Codex 的功能并不仅限于编程，它真正适合的场景，不只是让你掏出手机指挥电脑敲代码，更重要的是让你不在电脑前也能推进任务。正如 OpenAI 的 slogan 所说，“Touch grass and leave your laptop”，Codex 移动端不是替代你坐在电脑前的工作，而是让你不用一直守着电脑等 AI 跑完任务。

相关资源：

• OpenAI Codex Mobile 官方博客：https://openai.com/index/work-with-codex-from-anywhere/
• Claude Code Remote Control 文档：https://code.claude.com/docs/en/remote-control

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

刚装完 OpenClaw，简单试了几个场景，觉得也就那样。跟直接用 Claude Code 比，看不出有啥明显优势，反而还多了一层 Gateway 要维护。看起来它能干的，Claude Code 好像也都能做，干脆卸载算了？

你第一次用的时候是不是也这个感觉？反正我是。

后来用过一段时间才发现，问题不在 OpenClaw 不行，而在于没有“养”好。一个没调教过的 OpenClaw，确实看起来就是个套壳。但配到位之后，差距就出来了。比如，我跟 OpenClaw 说一句“review [PROJECT] PR #375”，它会自己切到项目工作目录、收集上下文、spawn Claude Code 做各种审查、汇总结果回来汇报，最后再发布审核意见到 PR 里面。并且，它还可以在跟你交互的过程中自动学习你教给它的经验，能够记住你跟它说的各种注意事项，用着用着也就离不开了。

这篇就分享一下，我是怎么一步步把 OpenClaw 从也就那样养到离不开的。

先写好三个文件

这是我觉得最重要的一步，先教 OpenClaw 怎么说话、怎么做事、怎么理解你。你给它配置得越具体、越有观点，OpenClaw 的输出就越像一个有血有肉的人。

具体来说，OpenClaw 的 workspace 里有三个核心文件，分别管不同的事。

SOUL.md 管 OpenClaw 怎么说话。注意这并不是 system prompt，而是 Agent 的身份定义。你在里面写什么样的语气、什么词不能用、什么样的输出让你满意，OpenClaw 就会照着来。

USER.md 管 OpenClaw 怎么理解你。当然这儿并不是放你的简历，而是让 OpenClaw 理解你怎么思考的文件，比如你的决策风格、什么让你烦、什么让你兴奋、你的沟通习惯等等。

AGENTS.md 管 OpenClaw 怎么做事。这里面就是纯流程，比如该做什么、不该做什么、失败了怎么处理、PR 怎么提等等。

这三个文件的分离很关键。SOUL.md 写好后应该很少变化，身份是稳定的；AGENTS.md 要经常更新，因为流程在不断迭代；USER.md 则随着 Agent 更了解你而逐步补充。

怎么写 SOUL.md

你可能觉得 SOUL.md 随便写几行就行了。我之前也是这么想的，结果 OpenClaw 动不动就回答一个技术问题先来三段废话。

那么，SOUL.md 具体该怎么写？

首先表达语气要写具体。我的 OpenClaw 叫 Klaw 🦀，表达要求是 language with voltage，每句话要值得存在。你要是泛泛地写个 be helpful and concise，那出来的东西跟 ChatGPT 没什么区别。写得越具体，输出越像你想要的样子。

然后禁用词表也要有。comprehensive、robust、leveraging 这些 AI 味词汇全部禁掉。

不过最关键的还是给好输出和坏输出的示例。与其写简洁明了四个字，不如直接给 OpenClaw 看一对对比：

好输出：

etcd compaction 的 revision 不对.看一下 --auto-compaction-retention
设的是不是 duration 模式,旧版本默认是 revision 计数.

坏输出：

Great question! Based on your use case, I'd recommend considering several
factors when configuring etcd compaction...

第一种是一个懂行的工程师在说话，第二种是一个 AI 在表演热情。OpenClaw 看到这对示例，立刻就知道你想要什么了。

调了几版之后的经验

用了一段时间之后，又踩了几个坑。

最大的教训是别写太长，1000-2000 字就够了。太长占用上下文空间不说，给 AI 太多的限制还容易降低 Agent 的智能。

还有一个容易犯的错是把 SOUL 和 AGENTS 混在一起。个性相关的放 SOUL，流程相关的放 AGENTS，分开写 OpenClaw 才分得清轻重。

另外 SOUL.md 不是写完就不动的，建议每周花几分钟回顾一下，删掉没用的，加上新碰到的问题。我自己已经改了四五版了，每次改完都觉得 OpenClaw 又多懂我了一点。

让它有记忆

LLM 最大的问题是无状态，每次对话都从零开始，你昨天告诉它的东西今天全忘了。OpenClaw 的解决方案是一套基于文件的记忆系统：

MEMORY.md → 长期记忆memory/2026-04-28.md → 每日笔记memory/working-buffer.md → 危险区缓冲SESSION-STATE.md → 活跃任务状态

那么，这套记忆系统具体是怎么工作的呢？

记忆怎么写进去的

OpenClaw 的记忆机制有点像数据库里的 Write-Ahead Logging：先落盘，再响应。它会扫描你发的每条消息，一旦发现重要信息（比如你纠正了它的错误、做了某个决策、表达了某种偏好，或者提到了具体的数值），就立即写入文件，然后才回复你。

简单说就是：让 OpenClaw 记住一件事，靠嘴说不可靠，写下来才可靠。

Dreaming

OpenClaw 还有个 Dreaming 功能，可以配一个定时任务在凌晨自动整理短期记忆：

{“memory-core”:{“config”:{“dreaming”:{“enabled”:true,“frequency”:“019***”,“timezone”:“Asia/Shanghai” }}}}

它会扫描最近的对话，把你经常用到的记忆晋升到长期存储，不常用的自然淘汰。有点像人睡觉时整理白天的记忆一样。

不过这里有个坑：dreaming 容易把一些啰嗦的内容也晋升上来，导致 MEMORY.md 越来越臃肿。目前还没有好的自动化方案，还是得你定期手动清理一下。

另外如果你同时在好几个项目上用 OpenClaw，建议不要把所有项目的具体信息都塞进主 MEMORY.md 里面。我的做法是给每个项目建一个单独的目录，项目相关的记忆都放在各自目录下，主 MEMORY.md 里只放索引。这样既不会互相干扰，找起来也方便。

长 session 不丢上下文

用久了你还会碰到一个问题：聊太久触发了 context compaction，OpenClaw 压缩上下文之后会丢失一些细节。它的恢复策略是先读working-buffer.md（这个是压缩前自动写入的摘要），再读SESSION-STATE.md（当前任务状态），然后翻一下近两天的日记。

给它装 Skills

Skills 是扩展 OpenClaw 能力的机制，每个 Skill 就是一个包含SKILL.md 文件的文件夹，告诉 OpenClaw 在什么场景下应该怎么做事。

你可能会想，Skill 是不是装得越多越好？其实不是。装多了互相打架不说，上下文也吃不消。

我目前安装的 Skills 大致分三类：

• 通用增强：proactive-agent（主动预判需求）、self-improvement（从错误中学习）、context-window-management（上下文快满时自动减负）、systematic-debugging（四阶段 root cause 分析）。
• 安全防护：skill-vetter（安装外部 Skill 前做安全审查）、dangerous-action-guard（执行不可逆操作前要你确认）、fact-check-before-trust（对事实性声明做二次验证）。
• 领域专用：按自己的工作场景来选装，比如github、cve-check、ado 等等。

至于一些常用 Skills 的用法，我之前在《OpenClaw 必备 Skill 清单》里详细写过，这里就不重复了。

这里重点说一个我觉得特别重要的规则：安装任何外部 Skill 之前，一定要先跑skill-vetter 审查安全。

举个实际的例子：我之前从一个社区 Skill 仓库精选了 10 个，审查完跳过了其中 3 个。一个会偷偷发 Reddit 请求，一个带了自动 cron 任务，还有一个藏了遥测代码。如果不审查就装上去，OpenClaw 就会在你不知道的情况下做你不知道的事。要知道 Skill 本质上是一段会被 OpenClaw 执行的指令，它有你的文件系统权限。之前在《23 万 OpenClaw 公网裸奔》那篇也聊过这个话题，安全这事真不能大意。

让它自己干活

配好了人格、记忆和 Skills 之后，OpenClaw 已经比刚装完的时候好用太多了。不过到这一步你还是得自己发指令、等结果。有没有办法让 OpenClaw 自己跑起来，你只管收结果？

这就是 ACP 和 Cron 干的事。

ACP

OpenClaw 可以通过 ACP 调用 Claude Code、Codex、OpenCode 这些 coding agent。整个流程大概是这样的：

你 → OpenClaw → 分析任务 → spawn Claude Code → 独立沙箱执行 → 完成后汇报

比如，你跟 OpenClaw 说一句 review [PROJECT] PR #375，它会自动切到项目工作目录，收集 PR 的上下文，spawn 一个 Claude Code 调用 code-review skill 做审查，最后把结果汇总回来。如果是你自己的 Code，还可以继续跟进这些审查结果迭代，直到得到一个比较满意的结果。最后去把审查结果发布到 PR 上面去，有 bug 就直接留 comment，没问题就 lgtm。当然，合并之前还是建议你人工去看看 PR，不要完全信赖 AI。

另外还可以把 ACP agent 绑定到 Discord 等 IM 频道。比如，你可以分别给 Claude Code 和 Codex 绑定到#claude 和#codex 两个不同的频道，然后你在里面发消息就会自动创建 thread 并启动对应的 ACP session，相当于在 Discord 里面直接跟 Claude Code 和 Codex 对话了。

定时任务

那如果你想让它定时干活呢？OpenClaw 的 cron 系统可以每个 job 都跑在隔离的 session 里，不会影响你正在用的主 session。我目前配了几个定时任务：Git Sync 每小时自动备份 workspace，AI News 每 8 小时抓一轮新闻推到 Discord，Dreaming 每天凌晨整理记忆，Issue Triage 每天上班前自动 triage issue 列表， Version Check 每天检查我关注项目的更新状况。

大模型配置

用得频繁的时候，经常碰到 GitHub Copilot 限流的问题。如果没有配 fallback chain，OpenClaw 就直接断线了。所以建议你也给 OpenClaw 的模型列表搭上备份配置，比如

{“model”:{“primary”:“github-copilot/claude-opus-4.6”,“fallbacks”:[“github-copilot/claude-sonnet-4.6”,“github-copilot/claude-opus-4.7”,“openai/gpt-5.4”] }}

另外 memory search 我也单独配了一个 provider，用的是 Azure OpenAI 的text-embedding-3-small，配合 hybrid search 也就够用了。后来还发现 GitHub Copilot 也有text-embedding-ada-002 可以拿来做记忆搜索，就给 OpenClaw 提了个 PR 把这个功能加上了。

踩过的坑

说实话，OpenClaw 目前还是一个需要你愿意折腾才能用好的工具，所以大家都还需要养龙虾。除了前面提到的 SOUL.md 写太长和 Dreaming 膨胀的问题，还有一些值得注意的坑。

比如 Gateway 重启之后，所有 ACP sessions 全部 reconcile 失败。查了一下原因是旧的 session 用 renderer v1 格式存储的，但新版本只认 v2。处理方法是杀掉 stale harness 然后重启 gateway。这件事给我的教训是：一定要把tools.sessions.visibility 设成all，这样你能看到所有 session 的状态，调 ACP 问题的时候没这个配置基本是盲调。

OpenClaw 每个版本的升级虽然会带来很多新功能特性，但也都会带来各种各样的问题，有些还会导致配置不兼容。所以，每次升级之后，不要着急重启 gateway，而是先跑一遍 openclaw doctor –fix，看看是否缺了依赖，配置是否有不兼容的问题。不修好这些问题，gateway 重启之后可能就完全挂掉了。

另外 OpenClaw 的文档目前还不算完善，很多配置的最佳实践得自己摸索。这也是我写这篇文章的原因，希望能帮后来的人少走点弯路。

写在最后

回到开头说的那个问题：OpenClaw 跟 Claude Code 到底有啥区别？

虽然我主要把 OpenClaw 用在编程相关的任务中，但纯论代码生成能力，Claude Code 还是比 OpenClaw 强得多。OpenClaw 真正的优势在于它是一个完整的 agent runtime。它可以通过 Discord、Telegram、Slack 这些 IM 渠道随时跟你交互，记忆系统让它不再每次从零开始，Skills 给它装上了模块化的能力扩展，ACP 让它可以调度 Claude Code 和 Codex 帮你干活，而 Cron 让它在你睡觉的时候自己把活干了。

不过这些都不是装完就有的。OpenClaw 更像是一个需要你花时间去养的东西，SOUL/USER/AGENTS 写得越具体它就越懂你，记忆积累得越多它就越好用，Skills 选得越精准它就越靠谱。刚开始确实要折腾，但养一段时间之后，你会发现你已经离不开它了。

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

最近一直有人问我 Hermes 能不能替代 OpenClaw。认真试了一圈，结论是：差得还挺远。

Hermes 的思路没问题，让 agent 自己从任务中提炼技能，下次碰到类似场景直接复用。简单重复的任务确实能提效。但它目前只把“积累”做出来了，“治理”完全没跟上。

什么意思呢？我在它的 GitHub 上发现有用户快速堆了 146 个 skills，而且还在持续增长。问题是它只管往里塞，不管往外扔。skill 之间有重复的不会合并，过时的不会清理，质量差的也不会淘汰。时间一长，agent 每轮对话光是读这些 skills 就要多花一大截 token，效率反而越来越低。

说实话，我到现在还没能稳定用 Hermes 完成复杂的开发工作。反过来 OpenClaw 已经是我的日常工具了，拿它做了不少开发任务，甚至给 OpenClaw 开源项目提了 7 个 PR，全部合并了。

所以目前来看，Hermes 更适合做重复率很高的简单任务。如果你的工作场景每天都会碰到新问题，那它自动攒出来的 skills 大概率会越来越乱。复杂开发，我还是用 OpenClaw。

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

提到 Harness，大部分人第一反应是 Anthropic 说的那个概念：模型外面包的一层编排代码，负责调用模型、路由工具、管理上下文。我之前写过一篇《为什么单 Agent 搞不定复杂应用？Anthropic 的 Harness 设计给出了答案》，里面详细拆了 Anthropic 的 Generator-Evaluator 模式。Anthropic 的核心观点是 Harness 编码的是对模型能力边界的假设，模型变强了，Harness 就该做减法。

这个理解没错，但只是三种理解中的一种。

最近我把 Claude Code、Hermes Agent 和 OpenClaw 的源码和架构文档都翻了一遍，发现一个挺有意思的事：这三个项目嘴上都在说 Harness，但做出来的东西完全不一样。Claude Code 把 Harness 当脚手架，越轻越好，模型能搞定的事就别替它做。Hermes 把 harness 当学习系统，每次任务都在积累经验，越用越聪明。OpenClaw 把 Harness 当基础设施，Gateway、路由、设备节点、任务调度，跟模型强不强没什么关系。

对 Harness 的理解不同，造出来的产品就完全不同。下面我就带你一起拆开看看它们都是如何设计 Harness 的。

Harness 核心设计

从这三个项目的代码结构和设计文档上，很容易发现它们的架构设计具有明显的不同。

OpenClaw 的核心是 Gateway。官方架构文档第一句也写明了他是一个 long-lived Gateway 拥有所有 messaging surfaces。CLI、macOS app、Web UI、自动化任务，全部通过 WebSocket 连接 Gateway。

手机、Mac、远程设备也通过同一个协议接入，只不过声明自己是 node，暴露摄像头、屏幕、Canvas 等能力。Gateway 默认监听127.0.0.1:18789，连 Canvas 和 A2UI 都由同一个 HTTP server 托管。

也就是说，OpenClaw 把多入口收束成了单控制平面。你从 Telegram 发消息，从 Web UI 操作，从手机节点触发，最终都进入同一套协议、同一套会话管理、同一套工具策略、同一套事件流。也就是说，OpenClaw 先做了神经系统，而不是大脑。

Hermes Agent 的核心是AIAgent。它通过一个 1 万多行的代码，整合了 prompt 装配、provider 选择、工具执行、重试、fallback、上下文压缩、会话持久化等所有的核心功能。CLI、Gateway、ACP、Batch Runner、API Server 这些入口最终都收敛到一起，后来才逐渐补充了 Gateway 和 messaging 平台的适配。

Hermes 的优先级是先把 Agent Loop 做到足够强，让它支持并发工具调用、子代理委派、多 provider fallback、上下文压缩保护，然后再考虑怎么把这个大脑连上外面的世界。

Claude Code 的核心既不是 Gateway 也不是 Agent Loop，而是权限系统和上下文管理。正如《Managed Agents 架构拆解：Anthropic 给 Agent 造了一套 K8s》里提到的，Anthropic 把 Agent 的组件拆成了 session、harness、sandbox 三个独立接口，每个可以独立替换。Claude Code 的源码也是这个思路的体现。

翻它之前泄漏的源码，最庞大的模块是权限相关的代码，处理了六种权限模式、八个权限来源、分类器自动审批、hook 扩展等等。而主循环本身反而很薄，只是负责把每轮完整消息历史交给模型，工具执行完立刻流式返回，没有复杂的调度算法。

Claude Code 的设计哲学可以总结为信任模型+管好边界。模型自己决定调用什么工具、按什么顺序执行、什么时候停下来。Harness 不替模型做决策，只在两个地方卡住：你有没有权限做这件事，上下文是不是快溢出了。

三个项目对 Harness 的理解，在这一层就分道了。OpenClaw 把重心放在多入口收束和协议统一，Hermes 把重心放在 Agent Loop 的能力密度，Claude Code 把重心放在权限管控和上下文保护。

记忆系统设计

记忆是 Agent 从临时工变成长期搭档的关键一步。三个项目在这件事上的做法差异也很大。

Claude Code 的方案最简单，简单到有点反直觉。CLAUDE.md 文件前缀加载，每次会话开始时注入 system prompt。Auto Memory 让模型自己往~/.claude/ 目录下写 Markdown 文件，MEMORY.md 作为索引（最多 200 行、25KB）。没有向量检索，没有 embedding，没有外部数据库。记忆不是主动召回的，而是作为上下文的一部分被模型看到。

上下文压缩也是反应式的：上下文窗口用到快满了才触发压缩。压缩方式是 fork 一个新的 Claude 实例来做摘要，压缩算法会保护工具调用和结果的完整性，不会把一个 tool call 和它的 result 切开。如果压缩连续失败三次，circuit breaker 会停掉，避免死循环。

这个方案的好处是简单、可预测、不依赖外部服务。代价是记忆容量有限，跨会话的信息密度完全取决于 CLAUDE.md 写得好不好。

Hermes Agent 把记忆做成了分层系统。第一层是MEMORY.md 和USER.md，类似 Claude Code 的方案，保存在~/.hermes/memories/，会话开始时注入 prompt。第二层是 SQLite + FTS5 全文搜索，所有历史会话都能被检索和摘要。第三层是 8 个外部 memory provider 插件，包括 Honcho、Mem0、Hindsight 等。

Honcho 的设计值得单独说一下。它不只做向量检索，而是把用户和 AI 都建模为 peer，做跨会话的辩证推理，维护用户表征和 session summary。启用后，Hermes 每轮前会预取相关记忆，每轮后同步对话，会话结束时抽取长期记忆。

Hermes 的记忆哲学是：模型的短期记忆不够用，需要系统帮它在多个时间尺度上积累和召回信息。这和 Claude Code 模型自己能搞定的思路差别挺大的。

OpenClaw 则走了另一条路：把 Context Engine 做成可替换的运行时插件，控制如何构建模型上下文，决定包含哪些消息、如何摘要旧历史、如何跨 subagent 管理上下文。内置的是legacy engine，但插件可以注册完全不同的 engine。

每次模型运行时，engine 有四个生命周期点：ingest(消息进来时)、assemble(构建上下文时)、compact(压缩时)、after turn(一轮结束后)。插件 engine 甚至可以返回systemPromptAddition，动态注入召回指导或检索提示。

OpenClaw 的会话管理也很讲究：DM 默认共享 session，群聊按 group 隔离，rooms 按 room 隔离，cron 每次新 session。多 Agent 场景下，每个 Agent 有独立的 workspace、auth profile、session store。

OpenClaw 的记忆哲学不是记更多，而是让记忆管理本身成为一个可插拔的系统服务。长期 Agent 的记忆需求会不断变化，与其内置一套固定方案，不如把接口留好，让生态去填充。

三种方案，背后是三种对 Agent 该记什么的不同理解。Claude Code 觉得模型够聪明，给它看到就行。Hermes 觉得光看到不够，得帮它在多个时间尺度上积累。OpenClaw 觉得记忆本身的需求会变，不如把接口留好。

扩展性设计

接下来再来看看扩展性的设计，这是让 Agent 能搜索、浏览网页、生成图片、读写文件等各种外置能力的关键。

OpenClaw 把能力扩展拆成了三层：内置 Tools 是 Agent 可以随时调用的预装能力，Skills 是教 Agent 什么时候用、怎么用外部工具的扩展能力，而 Plugins 则是打包了工具、技能、消息通道、模型等各种扩展的能力包。

这个三层模型把三个容易混淆的东西拆开了：工具是默认能做什么，技能是什么时候/怎么样去调用外部工具，插件是怎么打包、发现、分发这些能力。ClawHub 上架了 58000 多个社区 Skill，一条命令安装，这对于带火 OpenClaw 功不可没。

Hermes Agent 的工具系统用了 registry 自注册模式。tools/registry.py 是中心注册表，每个工具文件在模块级调用registry.register() 声明 schema、handler、toolset 归属和可用性检查。model_tools.py 是 registry 之上的薄编排层，负责导出工具定义、处理函数调用、维护工具到 toolset 的映射。

有个很细的设计：model_tools.py 会根据当前真正可用的工具重建execute_code 的 schema。比如 web API key 没配置，模型就不会在 sandbox 里看到web_search 这个工具。这能减少模型“以为自己能做但其实做不了”的幻觉式调用。

Hermes 的技能系统用了 progressive disclosure：Level 0 只加载 name 和 description，Level 1 加载完整技能内容，Level 2 加载技能引用的附件。模型先扫描技能列表，匹配到了再深入加载。更关键的是，Agent 可以通过skill_manage 自己创建、更新、删除技能。解决了一个非平凡任务后，它可以把方法保存为技能文件，下次遇到类似问题直接复用。

这就是 Hermes 说的“程序性记忆”。普通 Agent 完成任务后只留下结果，Hermes 完成任务后还试图留下方法。当你积累 20 个以上自创技能后，同领域任务完成速度能提升 40% 。

Claude Code 的扩展体系跟前两者的思路都不一样，它不是围绕工具注册或技能发现来组织的，而是围绕权限边界层层展开的。

最底层是 28 个内置工具，覆盖文件读写、搜索、Shell 执行、Web 访问、子代理调度等基础能力。这些工具分两类：Read、Glob、Grep 这类只读工具不需要权限，Bash、Edit、Write 这类有副作用的工具每次执行都要过权限检查。权限不在工具注册时声明，而是在执行时由 harness 拦截，模型不需要考虑“我能不能做这件事”，该拦的时候自然会拦。

往上一层是 MCP 协议。Claude Code 通过 MCP 接入外部工具服务器，支持 stdio、HTTP、SSE 三种传输方式。MCP 工具默认是延迟加载的：会话开始时只把工具名称放进上下文，模型需要用的时候通过ToolSearch 工具按需拉取完整 schema。这个设计跟 Hermes 的 progressive disclosure 异曲同工，只是实现路径不同，一个在技能层做分级加载，一个在工具层做延迟发现。

再往上是 Hooks、Skills 和 Plugins 三层扩展。Hooks 提供了 25 个生命周期事件，可以挂 shell 命令、HTTP 请求、甚至 LLM 评估。Skills 遵循开放的 Agent Skills 标准，用 Markdown + YAML frontmatter 定义可复用的工作流，，持参数替换和条件触发。Plugins 则是把 Skills、Hooks、MCP 配置、子代理定义打包成一个可分发的单元。

子代理是 Claude Code 处理复杂任务的核心机制。每个子代理运行在独立的上下文窗口里，有自己的系统提示和会话历史。内置了 Explore（快速搜索，用 Haiku 模型）、Plan（规划研究）、general-purpose（全功能）等预设类型，也支持通过.claude/agents/ 目录自定义。自定义子代理可以精细控制工具白名单、权限规则、模型选择，甚至预加载特定 Skills。

能力管理的复杂性往哪放？OpenClaw 交给社区生态，Hermes 交给 Agent 自身的积累，Claude Code 交给分层的权限边界。

怎么面对模型进步

这个维度最值得琢磨。

Anthropic 有一个很有意思的观察：harness 编码的是对模型能力边界的假设，但模型在进步，假设会过期。Sonnet 4.5 的时候模型有上下文焦虑，随着上下文窗口接近极限会提前收工，harness 里加了重置机制来应对。结果换到 Opus 4.5，这个行为自己消失了，重置机制变成了死代码。

Claude Code 对这一点的应对是大量的功能开关，从它泄露的源码能看到大量 HISTORY_SNIP、REACTIVE_COMPACT、TRANSCRIPT_CLASSIFIER 等等这样的开关。比如，到了 Opus 4.6，之前在 harness 里加的 Sprint 机制（把长任务拆成小块、每块结束后评估）就被整个拿掉了，因为模型已经可以连续写代码不跑偏。Evaluator 也从每个 Sprint 后评分改成了全部开发完再做一轮 QA。

Anthropic 认为 harness 应该为减法而设计。每个组件都应该能被安全移除，而不是越堆越厚。权限分类器也是同一思路，模型能力到了之后，很多需要人类确认的操作可以自动放行（所以后来新增了 Auto 权限模式）。

Hermes Agent 的思路不太一样。它认为有些东西不会因为模型变强而过期：五层记忆系统、技能文件沉淀、跨会话搜索、用户建模。模型再强，也需要知道“上次这个用户让我做过什么”和“这类任务我之前是怎么解决的”。

Hermes 甚至有一个单独的hermes-agent-self-evolution 仓库，用 DSPy 和 GEPA 来做自动化的技能优化。具体做法是：跑一组评估任务，比较优化前后的技能文件在完成效率和准确率上的差异，自动选择更好的版本。目前实现了 Phase 1 的技能文件优化，Phase 2 计划覆盖工具描述和系统提示词。说实话，这个想法挺有意思的，相当于给 Agent 加了一个慢速但持续的自然选择过程。虽然模型会趋同，但谁能把每次任务变成下一次的能力，谁就有了复利。

OpenClaw 的基础设施层几乎不受模型进步的影响。Gateway 不会因为 Claude 变强就不需要了。多入口路由不会过期，设备节点不会过期，会话隔离不会过期，权限分层不会过期。

模型会越来越强，但连接现实世界的管道不会自动出现。你还是需要一个东西来管理“谁能在什么时候通过什么入口让 Agent 做什么事”，模型再强也替代不了这一层。

三种方向，对应三种对“模型进步会淘汰什么”的判断。OpenClaw 认为基础设施不会过期，所以建管道。Hermes 认为经验积累不会过期，所以做加法。Claude Code 认为大部分脚手架会过期，所以做减法。

写在最后

有意思的是，三条路正在往一个方向收敛。Claude Code 加了 auto memory 和 channels，Hermes 加了 Gateway 和多平台适配，OpenClaw 在做 Context Engine 可插拔化。起点不同，但目的地越来越像：一个有记忆、有技能、有入口、有权限、有持久状态的个人 AI 系统。

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

做技术的人大都有个习惯：看到依赖库有新版本，第一反应就是升上去。CI/CD 流水线里配好了 Dependabot、Renovate，小版本自动提 PR，有些团队甚至设了自动合并。一个 patch 版本号的变化，changelog 里写着几个 bug fix，看起来毫无风险，顺手就合了。

大版本升级倒是大家都知道要谨慎，毕竟 breaking changes 摆在那儿，不测不行。但小版本呢？一个 0.69.3 到 0.69.4 的变化，谁会仔细去审核上游的每个变更？

最近发生的三件安全事件，让我觉得这个“小版本放心升”的默认心态，得改一改了。

安全扫描工具自己被投毒了

3 月 19 日，安全圈炸了一个大雷：Trivy 被供应链攻击了。

Trivy 是 Aqua Security 开源的容器安全扫描工具，在 CI/CD 流水线里用得非常广，很多团队拿它来扫描容器镜像、检查依赖漏洞。结果这次，扫描工具自己成了攻击入口。

攻击者是一个叫 TeamPCP 的组织，手法相当老练。他们先是利用 Trivy GitHub 仓库里一个配置不当的pull_request_target 工作流，偷到了一个有特权的 Personal Access Token。Aqua Security 发现后做了密钥轮换，但轮换不彻底，攻击者手里还留着能用的凭证。

然后事情就失控了。3 月 19 日下午，攻击者用残存的凭证对trivy-action 仓库的 76 个版本标签做了 force-push，把所有 tag 指向了恶意代码。同时还触发了发布流程，把带后门的 v0.69.4 推到了 GitHub Releases 和容器镜像仓库。

恶意代码做的事情超乎你的想象：扫描 Runner 环境里的 AWS、GCP、Azure 凭证、SSH 密钥、Kubernetes Token、Docker 配置，加密后外传到一个伪装成 Aqua 官网的域名scan.aquasecurtiy.org（注意这个拼写错误，把 security 拼成了 securtiy）。而且整个过程不影响正常扫描，工作流看起来一切正常，你根本不知道自己的密钥已经被偷了。

更离谱的是，Aqua 团队在 3 小时内控制住了 GitHub Actions 的问题，但攻击者还留了后手。3 月 22 日，他们用另外获取的 Docker Hub 凭证，直接往 Docker Hub 推了 v0.69.5 和 v0.69.6 两个恶意镜像。Mandiant 后来确认，超过 1000 个云环境在这次攻击中被入侵。

如果你在用 Trivy，安全版本是 v0.69.3，trivy-action 升到 v0.35.0，setup-trivy 升到 v0.2.6。更重要的是，GitHub Actions 里所有第三方 Action 都应该锁定到 commit SHA，不要用可变的 tag，tag 是可以随时被 force-push 篡改的。

安全扫描工具把下游也拖下水了

Trivy 的故事还没完。3 月 24 日，LiteLLM 也中招了。

LiteLLM 是做 AI 开发的人应该都不陌生，它是一个统一的 LLM 代理网关，也是 Anthropic 官方推荐的 LLM Gateway 之一。月下载量 9500 万，CrewAI、DSPy、Browser-Use 这些主流框架都依赖它。

LiteLLM 的 CI/CD 流水线里用了 Trivy 做安全扫描（对，又是安全扫描），而且没有锁定版本。构建时从 apt 拉了最新的 Trivy，正好拉到了被污染的版本。被污染的 Trivy 在扫描过程中偷走了 LiteLLM 的 PyPI 发布密钥 。

拿到密钥后，攻击者在 3 月 24 日上午连发了两个恶意版本。1.82.7 把恶意代码 base64 编码后藏在litellm/proxy/proxy_server.py 里，只要 import 了litellm.proxy 就会触发。1.82.8 更狠，往site-packages/ 目录塞了一个litellm_init.pth 文件。Python 的.pth 机制会在解释器启动时自动执行，也就是说只要你的环境里装了这个版本，哪怕你没 import litellm，跑个pip install 或者 IDE 的语言服务器启动一下，后门就已经在跑了。

后门做的事情和 Trivy 那个如出一辙：扫描 SSH 密钥、云凭证、加密钱包、Slack 和 Discord Token、各种.env 文件，打包加密后外传。如果检测到 Kubernetes 环境，还会在集群里部署特权 Pod 做更多恶意行为。

好在 PyPI 团队反应快，3 小时就把恶意版本下架了。但 LiteLLM 日均下载 340 万次，3 小时的窗口期也不短了。

当前 Li 特 LLM 的安全版本是 1.82.6。如果你在 3 月 24 日那个窗口期内跑过pip install litellm，建议当作一次完整的凭证泄露事件来处理：轮换所有密钥，检查site-packages/ 下有没有litellm_init.pth，排查系统里有没有可疑的进程服务等。

回过头看这条攻击链，一个安全扫描工具被攻陷，导致用它的项目被偷走发布密钥，进而污染了数千万下载量的 Python 包。如果 LiteLLM 的 CI 里锁定了 Trivy 的版本，这条链路就断了。

OpenClaw 大更新，微信飞书一起崩

第三个故事不是安全问题，但同样是急着升级惹的祸。

3 月 22 日，OpenClaw 发了 v2026.3.22 版本。这是个大版本，包含 12 个 breaking changes、一个新的默认插件商店 ClawHub、30 多个安全补丁。

然后，微信刚上线 72 小时的 ClawBot 插件直接崩了。飞书插件也崩了。DingTalk、WhatsApp 也没幸免。

根本原因是 OpenClaw 重构了插件 SDK 的导入路径，把原来的统一入口openclaw/extension-api 直接删了，要求所有插件迁移到新的路径openclaw/plugin-sdk/core。没有兼容层，没有过渡期，所有还在用旧路径的插件启动就报 Cannot find module。

同时，新版本把安全防御逻辑下沉到了执行管道最底层，原来用简单字符串过滤的第三方插件全部触发 dangerous code pattern detected 告警。

更尴尬的是，新版本的 npm 包里漏打了dist/control-ui/ 目录，Dashboard 直接 503。这个文件在 Git 仓库和 Docker 镜像里都有，就是 npm 发布的时候漏了。

OpenClaw 官方在 12 小时内发了 v2026.3.23 热修复，微信的 ClawBot 也跟着修了。但如果你当时已经升了 v2026.3.22，可能已经发现你的龙虾🦞压根就没法访问了。

升级的姿势，得讲究一些了

回过头看这三件事，问题不在“该不该升级”，而在“怎么升”。

Trivy 是小版本号的变化（0.69.3 → 0.69.4），看起来就是个 patch，但被投毒了。LiteLLM 也是小版本升级（1.82.6 → 1.82.7），CI 里没锁版本就自动拉了最新的。OpenClaw 是大版本带了 12 个 breaking changes，但很多人看到有新版就直接升了。

三个不同的故事，根源其实是同一个默认假设：新版本比旧版本好，修了很多安全问题，升就对了。

这个假设正在变得越来越危险。现在 AI 的能力越来越强，软件供应链攻击的手法也在跟着进化。这次 TeamPCP 用的 hackerbot-claw 就是一个自主运行的攻击机器人，能自动寻找 GitHub Actions 的配置漏洞、自动提取凭证、自动传播。当攻击本身都在用 AI 加速的时候，防御这边反而应该慢一拍，多一层验证。

与此同时，很多团队的安全策略还是“有 CVE 就修，有新版就升”。开源和闭源项目也都在推进自动安全扫描、自动更新依赖库版本，甚至要求任何 CVE 都必须第一时间修复。这个思路本身没错，但这周的事情暴露了一个盲区：你升级到的那个最新版本，未必是安全的，甚至可能正好是攻击者刚投毒的版本。

所以，不是说不该更新，而是更新的习惯得调一调。

依赖锁定是基本功。package-lock.json、poetry.lock、go.sum 这些锁文件要认真对待，不要随便npm update 或者pip install --upgrade。GitHub Actions 的第三方 Action 锁定到 commit SHA，不要用可变的版本标签。这次 Trivy 的事件已经证明了，tag 是可以被 force-push 篡改的。

生产环境的更新更要适当延迟。等个几天，让社区先踩一轮坑，再决定要不要跟进。自动升级的 PR 不要自动合并，小版本也不例外。

关注你依赖的关键项目的安全公告。Trivy 这次从发现到控制只用了 3 小时，但如果你没关注它的安全通告，可能两天后才知道自己中招了。

快速修补所有 CVE 这个策略听起来很安全，但你修补的速度，可能正好赶上攻击者投毒的窗口。稳一步，反而更安全。

相关资源：

• Trivy 供应链攻击官方通报
• Trivy 安全公告 GHSA-69fq-xp46-6x23
• LiteLLM 安全更新公告
• Sonatype：LiteLLM 多阶段凭证窃取分析
• OpenClaw v2026.3.22 Release Notes
• OpenClaw v2026.3.23 热修复
• CrowdStrike：Trivy 攻击链分析

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

上次分享了《十个顶级 Claude Code Skills，装上就不想卸》，不少读者问我 OpenClaw 这边有没有类似的推荐。今天就来一篇。

跟 Claude Code 比，全新安装的 OpenClaw 其实挺无聊的。它能聊天、能写代码、能操作文件系统，但碰到需要上网搜东西、刷个社交媒体、或者画张图的场景，就卡住了，看起来跟 ChatGPT 之类的聊天工具并没有多大区别。但这其实是还没用好 OpenClaw 最基本的扩展机制，也就是 Skill。ClawHub 上的 Skill 数量已经破了 25000，光是排名第一的 self-improving-agent 就有 20 多万的安装量。不过 Skill 装多了也有问题，互相打架不说，上下文也吃不消。所以关键还是选对几个真正有用的。

这篇就整理一份我自己在用的 OpenClaw Skill 清单，每个都有附安装命令，方便你一键安装。

先装这三个

这三个 Skill 我觉得属于必备级别，建议第一时间搞定。

Self-Improving Agent

ClawHub 排名第一不是没道理的。

这个 Skill 让 OpenClaw 具备了自我学习的能力。每次你纠正它的错误、每次命令执行失败、每次它发现了更好的做法，都会被记录下来，变成它下次做事的经验。用得越久，它就越懂你的习惯和偏好。

我用了一段时间之后，最明显的变化是它不再重复犯同一个错了。比如我习惯用 pnpm 而不是 npm，纠正过一次之后就再也没出过。听起来是个小事，但每天省几次纠正的功夫，累积下来效率提升挺明显的。

npx clawdhub install self-improving-agent

Find Skills

OpenClaw 不像 Claude Code 那样内置了大量工具，很多能力需要通过 Skill 来补齐。问题是 ClawHub 上 25000 多个 Skill，你怎么知道哪个能解决你当前的问题？

Find Skills 做的就是这件事。当你问 OpenClaw“怎么做 X”的时候，它会先去 ClawHub 搜一圈，看看有没有现成的 Skill 能用，找到了就直接推荐给你，省得自己一个个去翻。

有点像给 OpenClaw 装了个应用商店的搜索入口。

npx clawdhub install find-skills

Skill Vetter

前面说了 ClawHub 上有 25000 多个 Skill，质量参差不齐。有的 Skill 写得不错，有的可能藏着恶意代码，毕竟 Skill 本质上就是一段会被 Agent 执行的指令。

Skill Vetter 的作用是在安装前自动扫描 Skill 的内容，检查有没有潜在的安全隐患。比如 Skill 里是否有可疑的网络请求、是否试图读取敏感文件、是否包含 prompt injection 的模式。

如果你对安全要求更高，可以搭配慢雾（SlowMist）出的 OpenClaw 安全实践指南一起用。那份指南走的是零信任路线，默认假设 prompt injection、供应链投毒都可能发生，从日常操作到每晚巡检都有覆盖。对于在高权限环境下跑 OpenClaw 的用户来说，值得过一遍。

npx clawhub install skill-vetter

附安全实践指南链接：https://github.com/slowmist/openclaw-security-practice-guide

让 OpenClaw 能上网

裸机的 OpenClaw 没有联网能力，不能搜索、不能访问网页。这三个 Skill 分别解决搜索、浏览器操作和长文提炼三个场景。

Tavily Search

给 OpenClaw 加上网络搜索能力。Tavily 有月免费额度，对个人用户来说日常搜索基本够用，不需要一上来就掏钱。

搜索质量比让 OpenClaw 去 curl 一个搜索引擎然后解析 HTML 好太多了。返回的结果是结构化的，直接就能用。

npx clawhub install tavily-search

Agent Browser

有些事光靠搜索引擎搞不定。比如你要操作一个需要登录的后台、要在某个网站上填表单、或者要从一个动态加载的页面抓数据，这些都需要真正的浏览器。

Agent Browser 让 OpenClaw 能控制浏览器，点击、输入、截屏、导航，该有的都有。

这里有个关键技巧：用--auto-connect 参数连接到你已经登录过的 Chrome 浏览器。这样 OpenClaw 就能直接用你的登录态，不用每次都重新登录各种服务。省事太多了。

npx clawhub install agent-browser

Summarize

经常需要让 OpenClaw 帮你读一篇长文章或者处理一段音视频，Summarize 就是干这个的。给它一个网址、一个文件路径、或者一段媒体，它帮你快速生成摘要。

用之前需要先装个全局依赖：

npm i -g @steipete/summarizenpx clawhub install summarize

搜索、浏览器、摘要，三个加一起，OpenClaw 在信息获取层面就基本没有短板了。不过这还只是读的能力。如果你还想让它去社交媒体上逛，那就需要下面这组 Skill。

社交媒体三件套

这三个 Skill 来自同一个开发者 jackwener，做的事情就是让 OpenClaw 等各种 Agent 能搜索、访问和交互主流社交平台的内容。

小红书：

npx skills add jackwener/xiaohongshu-cli

Twitter/X：

npx skills add jackwener/twitter-cli

Reddit：

npx skills add jackwener/rdt-cli

我自己用得最多的是 xiaohongshu-cli 和 twitter-cli。比如想要了解某个工具的用户评价，让 OpenClaw 去小红书和 Twitter 上搜一圈，回来给我整理个摘要，比自己去翻快多了。

jackwener 还开源了 Bilibili、Telegram、Discord、微博、BOSS 直聘等平台的 CLI 工具和对应 Skill，需要的可以去他的 GitHub 上看看。

锦上添花

下面这几个不是每个人都需要，但如果你的使用场景刚好对上了，装了之后体验会好一截。

Proactive Agent

普通 OpenClaw 是你给任务它才干活。Proactive Agent 让它变得主动一些，能自我迭代、主动发现问题、主动优化方案。

npx clawhub install proactive-agent

GitHub

有开源项目要维护，或者想给别人的项目提 PR，这个 Skill 让 OpenClaw 能直接操作 GitHub 的 Issues、PR、Code Review 等工作流。

npx clawhub install GitHub

Nano Banana Pro

用 Gemini 3 Pro 的图像生成能力，让 OpenClaw 能画图。支持文生图和图生图，1K/2K/4K 分辨率都行，编辑已有图片也可以。做封面图、画流程图、生成配图的时候挺方便的。

npx clawhub install nano-banana-pro

Mcporter

OpenClaw 本身不支持 MCP 工具。如果你之前在 Claude Code 上用惯了各种 MCP Server，换到 OpenClaw 会觉得少了点什么。

Mcporter 做的是格式转换：把 MCP 工具转成 CLI 格式，再作为 Skill 给 OpenClaw 使用。算是一个桥接方案，让你之前的 MCP 生态投资不至于浪费。

npx clawhub install mcporter

以上就是我目前在用的 OpenClaw Skill 组合：先把自学习和安全两个基础打好，再把联网和社交媒体的信息通道打通，最后根据自己的工作场景挑几个辅助工具。而至于编程呢，还是把专业的事情交给专业的工具，继续交给 Claude Code 来负责。你可以用 OpenClaw 的 ACP Agent 来调度 Claude Code，顺手也解决了手机访问的问题（接入 Slack/Discord/飞书等可以随时手机下发任务）。

如果这些还不够用，下面这几个地方可以继续探索：

相关资源：

• ClawHub 官网：https://clawhub.ai/
• Awesome OpenClaw Skills：https://github.com/VoltAgent/awesome-openclaw-skills
• OpenClaw Skills 仓库：https://github.com/openclaw/skills
• SkillsMap：https://skillsmp.com/
• Skills.SH：https://skills.sh/
• Awesome OpenClaw Usecases：https://github.com/hesamsheikh/awesome-openclaw-usecases

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

腾讯大厦门口排了近千人，从 9 岁小学生到 68 岁老人，就为了免费装一只龙虾。与此同时闲鱼上远程装龙虾的价格从 200 涨到了 1000，一周之内，字节上线 ArkClaw，腾讯一口气推了 QClaw 和 WorkBuddy，QQ 开放了官方接入，小米发了手机版 Miclaw，周鸿祎在两会上说 360 要出一键安装版。大厂集体下场帮你装龙虾。

看着挺热闹，但我越看越觉得哪里不对。

免费的铲子最贵

用过 OpenClaw 的人都知道，这东西跟 AI 聊天完全不是一个量级的 Token 消耗。聊天嘛，一轮几百/数千 Token 也 就完事了。而 OpenClaw 不一样，它后台一直在跑，搜东西、写文档、调代码、操作你的电脑，一个稍微复杂点的任务就是几千次模型调用。

我看了下 OpenRouter 3 月的数据。MiniMax M2.5 和 Kimi K2.5 稳坐调用量前两名，合计占前十大模型总量的五分之一。Kimi Claw 更夸张，发布后 20 天的收入就直接超过 2025 全年。MiniMax 日均 Token 消耗涨到去年 12 月的 6 倍。

所以大厂帮你免费装龙虾图什么？

装完你得选个模型吧？选完得持续烧 Token 吧？淘金热里最赚钱的从来不是淘金的人，是卖铲子的。搞清楚这一层，再看各家方案就不会被免费、零门槛这些词晃到了。

铲子也有区别

铲子分两种。

阿里云、百度智能云、火山引擎、华为云卖的是“帮你装原版”，在轻量服务器上预装好 OpenClaw 镜像，跑的还是 Peter Steinberger 的开源代码，省掉折腾环境的功夫。Kimi Claw、MaxClaw、腾讯 WorkBuddy 走另一条路，自己造了底层，同时兼容 OpenClaw Skills。

选哪种呢？

想最省事，可以从 SaaS 类型开始。Kimi Claw 在 kimi.com 里直接用，K2.5 模型，号称预装 5000 多个 ClawHub Skills。MaxClaw 底层是 M2.5，用稀疏激活架构把推理成本压到同级别的 1/7 到 1/20。两家都是开浏览器就能上手，轻度用用很方便。

不过要注意，SaaS 的沙箱环境碰不了本地文件。想让龙虾帮你整理桌面、监控文件夹、自动提交代码？不可能。而且还有个更实际的问题：你的聊天记录、使用习惯、Skills 配置全在它的云上，用得越久越难搬走。兼容 5000 个 Skills 这种话听听就好，实际能跑多少不好说，但本地文件系统相关的一个都不行。

SaaS 不够用，那就自己装。

阿里云 1 月底最早上线镜像，火山引擎、百度、华为各大云厂商也都随后跟进。这些云厂商的方案大同小异，无非是利用云平台的资源部署一套 OpenClaw 出来。如果你选这种方案，建议选一个最熟悉的云平台，后续出了啥问题也方便排查。

腾讯这波铺得最开

腾讯的打法跟别家不太一样。别人是挑一个方向做打，腾讯直接铺了多条线。

QQ 开放平台 3 月 7 日上了 OpenClaw 接入。扫个码创建 QQ 机器人，一分钟就可以绑到你的 OpenClaw 上。

QClaw 是本地一键部署包，装完自动连微信和 QQ。还在内测，没有账号其实也不知道是不是真的允许直接接入微信。

当然还有一个腾讯自研的 WorkBuddy，接入企业微信，内置 20 多种技能包适配办公场景，新注册送 5000 Credits，今天刚上线。

不过这么多产品，大家最关心还是腾讯是否会放开微信的接入，感觉可能性不大。

写在最后

其实用好 OpenClaw 的关键不是怎么部署，而是要跟你的日常工作结合起来，它越了解你就越好用。所以，选择一个跟你日常工作最接近的部署方案即可，不要听各种卖铲子的宣传口号。

比如，我自己在用 K8s 跑原版 OpenClaw，LiteLLM 做模型网关隔离大模型配置，容器隔离 OpenClaw 运行环境，跑下来还没发现有啥限制，反而能够帮我更好管好 K8s 集群，随时随地测试验证一些新的想法或者社区的新项目、新 功能。

好用的另一面也要注意，2 月 ClawHavoc 供应链投毒，1000 多个恶意 Skills 混进官方仓库，13.5 万台设备中招。Token 一直烧，安全事件不断，除了新鲜好玩，安全也不容忽视，特别要注意别把未认证的 OpenClaw 放到公网上。

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

刚刚刷到一个 OpenClaw 的曝光看板 OpenClaw Exposure Watchboard，列出了暴露在公网上的 23 万个 OpenClaw 实例，并且数量还在不停上涨中。

OpenClaw 是最近爆火的开源 AI Agent，也已经登顶 Github Star 榜单，可以一键接入 Telegram、飞书、Slack，帮你自动处理消息、写邮件、操控本地文件。功能确实强，但安全问题也一直是 OpenClaw 最大的痛点。

特别是在云服务器上部署时，如果没改默认配置，就可能直接暴露到公网上，造成重大损失，比如 API Key 泄漏、聊天记录曝光等等。

更严重的是 CVE-2026-25253，一键 RCE。只要点个恶意链接，对方通过 WebSocket 就能拿到你的 Token，直接在你机器上执行命令。

如果你部署了 OpenClaw，现在就去检查：开启认证，Gateway 监听到127.0.0.1，18789 端口走 SSH 隧道或 Cloudflare Tunnel 而不是直接暴露，版本升到 v2026.1.29 以上（CVE 补丁在这版）。然后去那个 Watchboard 搜一下自己的 IP，如果已经上榜了，赶紧把所有相关的账号密码重置。

其实，如果你主要通过飞书、Slack 等 IM 来使用的话，完全没必要把 18789 端口暴露出去，也没必要绑公网 IP，只要外网能通就能使用了。

你还有哪些好的安全建议？评论区聊聊。

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

你在 ChatGPT 上积累的偏好、纠正过的习惯、教会它的规矩，能带到 Claude 上吗？直到最近，答案一直是不能。

每个 AI 平台把你的数据锁在自己家里，想搬走？没门。你的名字、职业、技术栈、写作偏好、沟通习惯……在 ChatGPT 里积累了大半年，换到 Claude 又得从头来一遍。再试试 Gemini？再来一遍。想养个龙虾，给 OpenClaw 初始化？还是要再来一遍。

社区里也有很多人试图解决这个问题，比如 Mem0 做了跨平台的记忆中间层，还有 AI Context Flow 这类浏览器插件。但这些方案要么依赖太重，要么还不够成熟。

最近 Claude 推出了记忆导入功能，可以把 ChatGPT 等其他 AI 里积累的记忆一键搬过来。功能不复杂，但我看了它提供的导出提示词之后，发现了一个更有意思的玩法。这条提示词其实是个万能工具，你可以在任何 AI 上提取 AI 记忆档案。以后换工具的时候直接导入，不用再从零开始。

Claude 的记忆导入：怎么用

先说 Claude 官方的流程，很简单，两步就能搞定。

第一步：从 ChatGPT 导出记忆

打开 ChatGPT，把下面这段提示词发给它：

I'm moving to another service and need to export my data. List every memory you have stored about me, as well as any context you've learned about me from past conversations. Output everything in a single code block so I can easily copy it. Format each entry as: [date saved, if available] - memory content. Make sure to cover all of the following — preserve my words verbatim where possible: Instructions I've given you about how to respond (tone, format, style, 'always do X', 'never do Y'). Personal details: name, location, job, family, interests. Projects, goals, and recurring topics. Tools, languages, and frameworks I use. Preferences and corrections I've made to your behavior. Any other stored context not covered above. Do not summarize, group, or omit any entries. After the code block, confirm whether that is the complete set or if any remain.

ChatGPT 会把它记住的关于你的所有信息，整理成一个代码块输出。复制下来就行。导出结果大概长这样：

[2025-06-15] - User is a software engineer working on Kubernetes and cloud infrastructure[2025-08-03] - Prefers concise, technical writing style without emojis[2025-09-12] - Uses Go and Python primarily, familiar with Rust[2025-10-20] - Always respond in Chinese unless code comments[No date] - User corrected: do not add type annotations to Python code unless asked[No date] - Prefers short function names, dislikes over-engineering

条目数量因人而异，用得越久记忆越多。我自己的 ChatGPT 账号导出了大概 30 多条。

第二步：导入到 Claude

打开 Claude 的设置（Settings > Capabilities），找到 Memory 部分，点“Start import”。把刚才复制的内容粘贴进去，点“Add to memory”。Claude 会自动提取关键信息，存为独立的记忆条目。

整个过程不到一分钟。导入完成后，可以问 Claude 一句“I updated my memory. What did you learn about me?”来验证效果。

有几点需要注意：

• 这个功能需要 Pro 及以上的付费计划，免费用户暂时没有记忆功能。
• Claude 的记忆偏向工作相关的内容，纯个人信息（比如你养了什么宠物）可能不会被自动保留，需要手动添加。
• 功能还在实验阶段，不是所有导入的记忆都能被识别。

这条提示词才是重点

Claude 的记忆导入功能当然方便，但如果你仔细看一下那条导出提示词，会发现它才是真正的宝贝。

为什么？因为这条提示词跟 Claude 没有半点关系。就是一段通用的提示词，你发给任何 AI 都行。ChatGPT、Gemini 等等，它们都会把记住的关于你的东西整理出来。

拿到导出结果后，你可以：

• 导入到 Claude（Anthropic 官方流程）
• 塞进其他 AI 的自定义指令或系统提示词
• 作为 OpenClaw 的初始记忆
• 写进 Claude Code 的CLAUDE.md
• 存到本地文件，随时复用

拆解一下这条提示词

这条提示词写得挺讲究的，值得拆开看看。

先看第一句：“I’m moving to another service and need to export my data.” 直接告诉 AI 你要搬家了，需要把东西全打包带走。这比直接问“你记住了我什么”效果好得多，AI 会当成一个正经的导出需求来处理，不会敷衍你。

然后是输出格式：“Output everything in a single code block” 和 “[date saved, if available] - memory content”。代码块方便一键复制，日期标记帮你追溯记忆的时间线。

最核心的是六个覆盖维度。简单归纳就是三类：你教 AI 怎么做事的指令（语气、格式、风格），你是谁的基本信息（职业、兴趣、工具栈），以及你们之间的互动历史（项目、目标、纠正过的行为）。这三类基本覆盖了 AI 关于你的所有认知。

最后一句“Do not summarize, group, or omit any entries”是防止 AI 偷懒。不让它合并或省略，确保输出完整。

不过说实话，这条提示词也不是万能的。有些 AI 的记忆系统本身就没存多少东西，导出的内容可能很少。也有 AI 会虚构一些它根本没有的条目。所以拿到导出结果后，最好自己过一遍，把不准确的删掉，把遗漏的补上。

如果导出不完整，可以追问一句：“Are there any remaining memories you haven’t listed?” 通常能再挤出几条来。

实操：在不同 AI 中提取记忆

我在几个主流 AI 上都试了一下，表现差异还挺大的。

ChatGPT

导出效果最好，这也在意料之中。ChatGPT 的记忆系统上线最早也最成熟，它会把明确存储的 Memory 条目和对话中学到的隐含偏好都列出来。我自己的账号导出了 30 多条，涵盖了编码偏好、写作风格、常用工具、甚至是我的很多项目经验，还有几条是我之前纠正过它行为的记录。

Gemini 和其他 AI

Gemini 的记忆功能上线比较晚，存的东西可能没那么多。我试了一下，导出的条目只有个位数，主要是一些基本偏好，可能是平时用的也少吧。

如果你使用 AI 客户端的话，可以把你的聊天历史跟这个提示词一起发给 AI，让它帮你提取内存。

而其他的在线 AI 平台大都支持不太好了，甚至豆包直接封禁了这个提示词，说是违反了使用规范。

进阶玩法：给 AI 工具初始化记忆

拿到导出的记忆档案之后，真正有意思的事情才开始。

给 OpenClaw 初始化

如果你在玩 OpenClaw，初始化记忆是一个挺重要的步骤。以前你得手动写一大段关于自己的描述，告诉 OpenClaw 你是谁、习惯什么、偏好什么。现在简单多了。直接在 OpenClaw 的对话里把导出的记忆档案粘贴进去，让它自己消化就行。比如这样开头：

以下是我从 ChatGPT 导出的个人偏好和上下文信息，请记住这些内容：
[粘贴导出的记忆档案]

OpenClaw 会自动把这些信息纳入它的长期记忆，后续对话中就会参考这些偏好。省去了大量冷启动时间。

写进 Claude Code 的 CLAUDE.md

除了养龙虾，你还可以把导出的偏好信息整理后写进~/.claude/CLAUDE.md 或者相关 AI 工具配置目录的 AGENTS.md 中，每次新开会话都会自动加载。比如从导出记忆中提取出编程相关的条目，整理成这样：

## 用户偏好- 编码风格：Go 代码遵循 effective Go 规范，Python 不加类型注解除非要求- 技术栈：Kubernetes、Go、Python，熟悉 Rust- 沟通偏好：用中文回复，技术术语保留英文- 写作风格：简洁平实，不用 emoji，不过度工程化

写在最后

Claude 推出记忆导入功能的背景挺有意思的。最近 QuitGPT 运动闹得不小，短短几天就有 70 万用户退订 ChatGPT。Claude 在这个时间点上线搬家功能，明显是在降低用户的迁移成本。

有传言说 Google Gemini 也在测试类似的导入功能，但做法不同。Claude 导入的是提炼后的记忆条目，你可以选择分享什么。Gemini 导入的是完整的聊天记录，而且明确说会用于模型训练。这两种方式在隐私上的差别还挺大的。

说实话，目前最实用的方案可能还是最简单的：拿提示词提取记忆，存成 Markdown 文件，需要时手动导入。没有复杂的依赖，不需要第三方工具，数据完全在自己手里。

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

装完 OpenClaw 之后，很多人就拿它聊聊天、写写文案，然后觉得也就那样。

说真的，太浪费了。

OpenClaw 的核心设计不是聊天机器人，而是一个可以帮你执行任务、跑定时任务、自主完成工作的 Agent。它不只是回答你问题，还能帮你干活，编程、写作、跑脚本、调度其他 AI 工具干活，甚至在你睡觉的时候悄悄把明天的工作准备好。

下面分享几个我自己在用的玩法，从简单到复杂，随便挑一个入手。

AI 日报自动生成

这个应该是最简单的使用场景了。你可以让 OpenClaw 帮你自动从指定的技术博客、RSS 订阅源、社交媒体抓取最新内容，AI 打分筛选，每天推一份精选到你的 Slack 或者飞书上。

这种配置以往还需要专门写个程序，然后再去告诉 AI 调用。现在则不需要了，只要告诉 OpenClaw 你想要抓取哪些链接，它就可以帮你自动写好代码，并在需要时问你要相关的 API Key，然后帮你配置好定时任务。

OpenClaw 支持完整的cron 表达式，心跳任务走独立的队列通道，不跟实时消息抢位置。就这点，让定时任务真的靠谱，不会漏发。

让 OpenClaw 调度 Codex 和 Claude Code

这是我最近觉得最有意思的玩法。

OpenClaw 内置了coding-agent Skill，专门用来把编程任务委托给 Codex 或 Claude Code。你跟 OpenClaw 说“帮我用 claude 修复项目中的 xxx bug”，它把任务拆好之后，直接在后台起一个 Codex 或 Claude Code 进程去干，干完了通知你。

OpenClaw 不会一直等着这些结果，而是异步运行这些 Agent，你可以继续聊别的，它在完成后会主动通知你。甚至还可以让多个任务同时跑，不同任务跑在不同的 git worktree，互不干扰。

Codex 的调用方式差不多，把claude 换成codex 就行。这两个编程工具我都在用，各有适合的场景。

不过它这个 Skill 有时候也不太稳定，有时候也很影响效率。后面打算做两个专门的 Codex 和 Claude Code Skill，等稳定了之后再开源出来。

变成你的第二大脑

OpenClaw 天然有持久记忆，你只需要充分利用它。

比如给 OpenClaw 接上 Slack，然后你就可以随时给 Bot 发消息，说记住这个，它就永久存到自己的记忆中了。

如果记忆文件比较多，或者你想接入已有的知识库（比如可以把 Markdown 格式的文档目录直接配置到 OpenClaw 的记忆中），你还可以开启 OpenClaw 的混合检索，在 Markdown 记忆文件之上再加上向量搜索，相当于给 Agent 配了一套 RAG 系统，存进去的东西可以更快检索到。

传统笔记软件的核心矛盾一直是存进去容易，找出来难，而这种 Agent+RAG 系统可能是第一次从根本上解决这个问题。

内容创作工厂

给内容生产装一条流水线，是另一个我觉得很有意思的玩法。

给 OpenClaw 装备三个分工明确的 Agent：研究 Agent 每天自动扫描汇总热点（跟 AI 日报生成一样的逻辑），输出几个有意思的选题；写作 Agent 拿到选题构建大纲，撰写草稿；配图 Agent 根据内容生成封面图和文章配图。把这个流程配置成定时任务，你什么都不做，图文并茂的文章就帮你写好了。

这个模式的关键是每个 Agent 只做一件事，每件事都是一个固定的 workflow。研究 Agent 不管写作，写作 Agent 不管配图，配图 Agent 只看内容生图。上下文干净，输出质量稳定，比塞给一个 Agent 全做强得多。

不过说实话，这个模式实际跑起来并不会很美好。AI 写的初稿质量参差不齐，很多内容还都需要你做大量修改才能符合你的要求。

K8s 安全部署

想让 OpenClaw 7×24 稳定跑起来，最简单是一台 Mac Mini，但如果你本来就有 K8s 集群，容器化放进去更省心。K8s 给它三层保护：容器隔离、网络策略、资源限制。容器不碰宿主机文件系统，Network Policy 只放行外部 API 出口、挡住内网，资源上限防止失控吃算力。

我自己维护了一个 Helm Chart：feiskyer/openclaw-kubernetes，内置了 LiteLLM 作为模型网关。API Key 统一管在网关层，OpenClaw 只知道本地的 LiteLLM 地址，拿不到真实密钥，这样就算哪个 Skill 出问题也泄不出去。一条命令部署：

helm install openclaw oci://ghcr.io/feiskyer/openclaw-kubernetes/openclaw\ --create-namespace --namespace openclaw\ --set secrets.openclawGatewayToken=$gatewayToken\ --set secrets.telegramBotToken=$telegramBotToken

一个安全细节要注意，OpenClaw 的 Web 前端没有任何认证，千万不要直接暴露到公网上。正常使用，接入 Telegram、Slack 之类的聊天工具，在聊天工具中给 OpenClaw 发指令也完全不需要把 GateWay 公开。

玩法灵感库

如果看完这些还是不知道从哪入手，GitHub 上有个awesome-openclaw-usecases 仓库，收集了 30 个已验证的真实用例，也可以去看看，找找灵感。

几个让我印象深的案例：

语音确认出席。活动前让 OpenClaw 依次拨打每个嘉宾的电话，通过 AI 语音对话确认到场情况，最后汇总成一份报告。用的是 Telnyx 的语音接口，整个流程零人工介入。

Reddit→MVP 流水线。用Last 30 Days 这个 Skill 挖掘 Reddit 和 X 上最近一个月的真实用户吐槽，整理出痛点，然后让 OpenClaw 直接写一个 MVP。比如，研究 OpenClaw 的用户反馈，发现“初始配置太难”是高频问题，Agent 直接就做了一个配置向导 Web 应用出来。

AI 收益追踪。每次科技公司财报前自动准备摘要，财报后推送分析和对比，永远不会漏掉关注的公司。

写在最后

说到底，OpenClaw 能干多少事，取决于你给它配了多少 Skills、设计了多少 cron 任务。它就像一个本来什么都不会但极其听话的员工。你得先告诉它能用什么工具、怎么做事，它才会越来越有用。

Skills 生态现在挺成熟了。官方的ClawHub 上架了 1 万多个 Skill，直接clawhub install <skill-name> 一条命令就可以安装。VoltAgent/awesome-openclaw-skills 是社区维护的精选列表，按分类整理了数千个 Skill，找灵感比直接搜 ClawHub 更快。

当你碰到问题时，不妨到这里搜一搜，说不定就能找到你想要的。

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

上周的 [[history/2026-01-30-OpenClaw 极简部署指南.md|OpenClaw 极简部署指南]] 帮很多人在本地跑起了 OpenClaw。不过毕竟还是本地部署，需要开着电脑才能使用。想要 7x24 咋办呢？答案当然是 Kubernetes。

今天这篇文章就教你用 K8s 把 OpenClaw 部署成真正稳定的、全天候在线的服务。

部署 OpenClaw

部署前需要准备两个必需的信息。首先是 Telegram bot token。打开 Telegram 找 @BotFather，发送/newbot 创建一个新的 bot，然后保存好 token：

export telegramBotToken="<你的-telegram-bot-token>"

然后生成一个网关 token，这个是用来访问 OpenClaw Web UI 的：

export gatewayToken=$(openssl rand -hex 32)

现在可以部署了。用 Helm 直接安装我打包好的 Helm chart：

helm install openclaw oci://ghcr.io/feiskyer/openclaw-kubernetes/openclaw\ --create-namespace --namespace openclaw\ --set secrets.openclawGatewayToken=$gatewayToken\ --set secrets.telegramBotToken=$telegramBotToken

这条命令会在 openclaw 命名空间里创建一个 StatefulSet，运行 OpenClaw 的网关服务。等几分钟让 Pod 启动。

验证部署。跑：

kubectl get pods -n openclaw

看到openclaw-0 的 STATUS 是 Running，说明成功了。

然后暴露服务。最简单的方式是端口转发：

kubectl port-forward -n openclaw openclaw-0 18789:18789

打开浏览器访问http://localhost:18789/?token=$gatewayToken，就能进入 OpenClaw 的 Web UI 了。到这里就成功部署了。

如果后面想升级到新版本，用 helm upgrade 命令。想删除的话用 helm uninstall。

怎么使用免费的 LLM 模型？

部署成功后，进入 OpenClaw 的 Web UI，或者在容器内运行 onboard 命令重新配置：

kubectl -n openclaw exec -it openclaw-0 -- node openclaw.mjs onboard

选择 QWen 或 OpenCode Zen 作为提供商，OAuth 登录，然后从列表中选择免费模型即可。

怎么修改 OpenClaw 的配置？

部署后想改配置的话，也是用 kubectl 命令进入容器修改：

kubectl -n openclaw exec -it openclaw-0 -- node openclaw.mjs onboard

这个命令会以交互式提示让你重新配置 AI 提供商、Telegram bot 连接、Discord 或其他集成等。修改完成后的配置会保存在 PV 中，这样 Pod 重启也不会丢失。

怎么授权 Telegram 用户？

OpenClaw 部署成功后默认不允许任何人使用。在 Web UI 里进入 Channel → Telegram，配置 Allow From 来添加允许的用户 ID。你可以给 @userinfobot 发消息来查询自己的 Telegram 用户 ID。

怎么加入 Moltbook 社区？

向 OpenClaw 发送以下提示：

Read https://moltbook.com/skill.md and follow the instructions to join Moltbook

OpenClaw 会引导你完成加入社区的所有步骤。

升级和回滚

升级到新版本：

helm upgrade openclaw oci://ghcr.io/feiskyer/openclaw-kubernetes/openclaw\ --namespace openclaw\ --set secrets.openclawGatewayToken=$gatewayToken\ --set secrets.telegramBotToken=$telegramBotToken

照着上面的步骤来就行。如果遇到问题，欢迎到 Github 提 issue，或者提 PR 修复。

相关资源

• OpenClaw 官网https://openclaw.ai/
• OpenClaw Helm Chart 仓库https://github.com/feiskyer/openclaw-kubernetes
• 前文：[[history/2026-01-30-OpenClaw 极简部署指南.md|OpenClaw 极简部署指南]]

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

最近公众号总能看到 Clawdbot/Moltbot/OpenClaw 这个东西。两周冲到 10 万星，增速有点离谱。

有意思的是，这三个名字都是同一个项目，它在一个月内改了三次名字。先是叫 Clawdbot，因为和 Claude 太像被 Anthropic 律师函警告；然后社区投票改成 Moltbot，取名蜕皮的意思；到今天又改成了 OpenClaw，既保留了龙虾吉祥物的梗，又强调了开源属性。OpenClaw 的作者 Peter Steinberger 调侃，这可能是改名最频繁的开源项目。

今天这篇文章就带你一起看看，怎么用既安全又省钱的方式把它玩起来。

OpenClaw 是什么？

OpenClaw 是一款本地运行的 AI Agent，支持连接常用聊天工具，比如 WhatsApp、Telegram、Discord、Slack 和飞书等等。

普通聊天机器人记性差，聊完就忘。OpenClaw 不一样，它有长期记忆，能读写文件、执行终端命令、操作浏览器、收发邮件。结合社区丰富的 Skills，它几乎可以接管你在电脑上的所有操作。

OpenClaw 完全开源，所有数据都存储在本地，隐私可控。官方 Slogan 是：Your assistant. Your machine. Your rules。

因为 OpenClaw 需要独立的计算机环境+ 24 小时运行，许多人专门购买 Mac mini 作为专属服务器，也因此带火了 Mac mini。

当然，OpenClaw 也有很多争议，狂烧 AI Token、大量安全漏洞、随意操作计算机环境、容易被恶意软件诱导利用等等问题导致 OpenClaw 并不推荐直接部署到主力设备上。所以，我建议你只在虚拟机或者容器等独立安全的环境中使用。

接下来，看看如何部署一套你自己的 OpenClaw。

虚拟机环境准备

Lima（Linux/macOS）

Lima 是个轻量的 Linux 虚拟机管理工具，让你可以在 macOS 或 Linux 方便创建和管理虚拟机。Lima 的安装使用也比较简单：

brew install limalimactl create --name=default template://dockerlimactl start default

启动后用limactl shell default 进入虚拟机。

OrbStack（macOS）

OrbStack 是 macOS 上更现代的选择，最初是 Docker Desktop 的轻量级替代，后来也支持创建和管理虚拟机了。

brew install orbstack# 创建一个 Ubuntu 虚拟机orb create ubuntu botvm# SSH 登录虚拟机ssh botvm@orb

WSL（Windows）

Windows 用户用 WSL 就行。建议新建一个 Ubuntu 发行版，和主力 WSL 环境分开。

wsl --install -d Ubuntu-24.04

装好后从开始菜单启动 Ubuntu，后续操作和 Linux 一样。

土豪方案

如果不想折腾本地环境，Cloudflare 有个托管方案叫 MoltWorker，$5/月，一键部署到 Cloudflare Workers。

具体步骤可以参考https://github.com/cloudflare/moltworker。

安装 OpenClaw

虚拟机环境准备好之后，安装 OpenClaw 有两种方式。

方法一：官方一键脚本

图省事的话，你可以执行官方的一键安装脚本：

# Linux/MacOScurl -fsSL https://openclaw.bot/install.sh | bash# Windowsiwr -useb https://openclaw.ai/install.ps1 | iex

这个脚本会自动检测系统、安装 Node.js、配置环境、最后再安装 OpenClaw 。大多数情况下用这个脚本就行了。

手动安装

对于高级用户，如果你想自己控制 Node.js 版本等各种环境，也可以手动安装。

先装 nvm 和 NodeJS。

# 安装nvmcurl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.3/install.sh | bash# 加载环境变量\."$HOME/.nvm/nvm.sh"# 安装 Node.jsnvm install24# 验证安装成功node -v

然后，再用 npm 安装 OpenClaw：

npm install -g openclaw@latest

配置与启动

装好之后，运行初始化向导：

openclaw onboard --install-daemon

向导会引导你一步步配置 OpenClaw，AI 大模型可以选择一个免费的，比如：

• Provider 选择 QWen OAuth
• 然后模型选择默认的 qwen-portal/coder-model

剩余其他配置可以全部跳过，后续需要的时候再让 OpenClaw 帮你配。

初始化完成后，选择打开 Web 浏览器，命令行会输出一个带有 token 的链接，比如http://localhost:18789/?token=a7c2b7dc3da27059289c25211c17e4e428836184ab44226a，打开这个网址就可以跟 OpenClaw 进行聊天了。

注意：刚才提到的 Lima/OrbStack 这些虚拟机软件会自动帮你做好端口映射，所以你在主机也可以通过 localhost 访问，不需要公网 IP。

命令行使用

除了网页，你也可以直接在终端跟它对话。

# 终端 TUI（类似 Claude Code 的终端聊天界面）openclaw tui# 直接让 Agent 执行任务openclaw agent --message"帮我整理一下今天的待办事项" --thinking high --session-id agent:main:main

连接聊天平台

OpenClaw 支持十几个聊天平台，包括 WhatsApp、Telegram、Slack、Discord 等等。前面你已经配置好了 AI Agent，所以就不需要自己配置了，直接在聊天里跟它说，让 OpenClaw 帮你配置即可。

比如，对 Telegram 来说，你可以直接问：

帮我配置 Telegram 连接

OpenClaw 会一步步配置，并在需要你操作的时候告诉你详细步骤。

写在最后

说实话，OpenClaw 玩下来感觉就是早期 K8s 的味道，能干很多事，但配置复杂，想要用起来，你得先被它折腾一顿。

我自己跑了几天，确实能帮忙干一些重复性的事情（整理 RSS 订阅、，但离 Jarvis 还有很大距离。如果你对 AI Agent 感兴趣，值得花点时间玩一下。但对日常工作内容来说，Claude Code + Skills 这类更成熟的方案更适合。

相关资源

• OpenClaw 官网https://openclaw.ai/
• GitHub 仓库https://github.com/openclaw/openclaw
• 官方文档https://docs.molt.bot/start/getting-started
• 命名历史博客https://openclaw.ai/blog/introducing-openclaw
• Cloudflare MoltWorkerhttps://github.com/cloudflare/moltworker

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。