为什么说OpenClaw是GPT-5.4的「生产力放大器」？

很多企业已经引入了优秀的大模型，但团队生产力并未真正提升，根源往往在于三个「断点」： – 模型在网页端，业务在IM工具里，能力与场景割裂； – 任务流程只存在于员工脑子里，没有固化为标准流程，无法复用； – 多是临时对话式的零散使用，缺乏可持续的运营机制。 OpenClaw的价值，就是把这些断点串联成闭环：

1. 多渠道统一入口

无需切换不同平台，在Telegram、Discord、WhatsApp、iMessage等主流即时通讯渠道，都能直接触发同一个智能体的能力，让AI能力与业务场景无缝对接。

2. 会话与记忆可管理

告别「每次对话从零开始」的低效模式，通过会话（session）管理、上下文记忆、工具链调用和可追踪状态，让AI能承接有延续性的复杂任务。

3. 原生自动化能力

借助定时任务（cron）、心跳监测（heartbeat）、触发钩子（hooks）等机制，把「偶发的人工提问」转化为「自动触发的持续交付」，让AI主动完成工作。

4. 支持多智能体隔离

针对销售助理、财务助理、技术助理等不同角色，可设置独立工作区、专属配置和权限体系，让不同智能体各司其职，避免能力冲突。 一句话总结：GPT-5.4让单点AI能力更聪明，OpenClaw则把单点能力整合成了可落地、可复用、可持续的生产力系统。

可直接复制的落地案例：GPT-5.4+OpenClaw打造内容运营自动化

我们以微信公众号运营/内容团队的「每周AI行业快评」为例，拆解一套可直接复用的落地流程：

Step1：自动化采集

通过OpenClaw的定时任务功能，自动抓取行业重点媒体新闻、权威机构评测、官方技术文档等信息源，同时过滤重复内容与低质量信息，确保素材的精准性。

Step2：模型智能归纳

调用GPT-5.4对采集到的素材进行处理，按照「3条核心行业变化+2条行业争议点+1条实操建议」的固定框架，生成面向普通读者的通俗版本，避免技术术语堆砌。

Step3：人工审稿把关

对GPT-5.4的输出进行事实核验，调整过于夸张的表述，并加入团队的业务视角与行业判断，确保内容的严谨性和实用性。

Step4：多渠道智能分发

基于同一核心内容，OpenClaw自动生成适配不同场景的版本：微信公众号完整正文、社群传播的精简摘要、供团队内部参考的策略版，同步分发到对应渠道。 这套流程的核心，不是「写一篇文章」，而是每周稳定输出高质量内容——把偶发的创意工作，变成可标准化的持续生产力。

给团队的三个实操建议：避免AI落地「高开低走」

建议1：先定义「输出格式」，再追求「模型效果」

如果输出格式不稳定，团队就无法复用AI结果。在测试模型能力前，先统一输出模板，比如固定为「开场结论+三点核心拆解+反方观点+行动建议」的结构，让AI的输出能直接对接业务需求。

建议2：把「审稿规则」转化为系统规则

将人工审稿的经验固化为可执行的系统规则：比如涉及数据必须标注来源、所有结论需明确适用边界、预测类内容必须标注「仅为判断，非既定事实」，用规则降低人工校验的成本。

建议3：用OpenClaw实现「流程资产化」

不要把AI能力绑定在某个人身上，而是通过OpenClaw沉淀可复用的「流程资产」：包括定时任务配置、标准提示词模板、多渠道触达规则、全流程版本记录，让新人也能快速承接工作，避免人员变动导致的能力断层。

结语：2026年的竞争，是「AI生产力系统」的竞争

现在仍有很多人在争论「哪个模型参数更高、能力更强」，但企业真正应该思考的是：你是否已经把模型能力，转化为可持续、可复制、可审计的业务流程？ GPT-5.4代表了当前AI能力的「上限」，决定了团队的想象力边界；而OpenClaw代表了AI落地的「下限」，决定了想象力能否转化为实际结果。 如果你已经在使用GPT-5.x系列模型，现在最有价值的下一步，不是继续比拼模型跑分，而是把你的内容、运营、分析、协作流程，接入一个稳定的智能体网关（Agent Gateway）。只有走完这一步，AI才真正从「辅助工具」，变成驱动业务增长的「生产力系统」。

GPT-5.4×OpenClaw：从模型升级到可落地的智能体生产力最先出现在AI Weekly。

引言

OpenClaw（原Clawdbot）作为当前全球最炙手可热的开源AI Agent框架，其GitHub星标数已超越Linux和React，登顶全球榜首。它的爆火绝非偶然——这套架构完美解决了AI Agent落地的“最后一公里”问题，实现了从云端大脑到本地肢体的无缝协同。

本文将深入OpenClaw源码，从四层架构、插件化重构、三级记忆系统、Gateway-Pi执行链路四个维度，彻底拆解这套系统的设计哲学与实现细节。

一、整体架构：四层解耦设计

OpenClaw采用经典的四层解耦架构，从外到内依次是：交互层、网关层、智能体层、执行层。这种分层设计确保了各模块职责清晰、可独立演进。

┌─────────────────────────────────────────────────────────────┐
│                        交互层 (Channels)                      │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐      │
│  │ WhatsApp │ │ Telegram │ │  飞书    │ │  iMessage │  ...  │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘      │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                     网关层 (Gateway)                          │
│             路由 · 排队 · 调度 · 鉴权 · 协议转换                │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                     智能体层 (Agent)                           │
│  ┌────────────┐ ┌────────────┐ ┌────────────┐              │
│  │会话管理器   │ │上下文组装器 │ │ 记忆系统   │              │
│  └────────────┘ └────────────┘ └────────────┘              │
│  ┌────────────┐ ┌────────────┐                              │
│  │执行循环     │ │工具调用     │                              │
│  └────────────┘ └────────────┘                              │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                      执行层 (Execution)                       │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐      │
│  │ 本地节点  │ │ 远端节点  │ │  技能    │ │  沙箱    │      │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘      │
└─────────────────────────────────────────────────────────────┘

1.1 交互层：抹平所有IM差异

交互层的核心职责是协议适配。OpenClaw内置支持8个核心通道（Telegram、WhatsApp、Discord等），并通过插件系统支持超过50个扩展通道。

源码中，每个通道都是一个独立的插件，必须实现统一的ChannelPlugin接口：

export type ChannelPlugin = {
  id: ChannelId;              // 通道唯一标识
  meta: ChannelMeta;          // 通道元信息
  capabilities: ChannelCapabilities; // 能力声明
  config: ChannelConfigAdapter;      // 配置管理

// 可选实现
  outbound?: ChannelOutboundAdapter;  // 发送消息
  pairing?: ChannelPairingAdapter;    // 配对逻辑
  messaging?: ChannelMessagingAdapter; // 消息处理
// ...
}

这种设计的精妙之处在于：核心模块不面向任何具体IM编程，只面向接口编程。无论未来出现什么新的IM工具，只要实现这套接口，就能无缝接入OpenClaw生态。

1.2 网关层：系统的控制中枢

Gateway是整个OpenClaw的核心服务，作为一个常驻的Node.js进程，它承担着：

1. 路由：根据消息来源分配给对应的会话
2. 排队：实现“车道式队列”（Lane Queue），默认串行、显式并行
3. 调度：管理定时任务（Heartbeat）
4. 鉴权：验证请求合法性
5. 协议转换：将不同通道的消息统一成内部格式

网关层的核心实现在src/gateway/server.py中，关键代码片段：

# gateway/dispatcher.py
def dispatch_task(payload):
    # 提取意图，过滤无用的对话历史
    intent = extractor.analyze(payload.content)
    # 匹配最合适的执行节点
    node_id = registry.get_active_node(payload.affinity)
    return forward_to_node(node_id, intent)

Gateway还维护着节点的心跳机制（默认使用Redis），如果节点失联，指令会被正确路由到其他可用节点。

二、插件化重构：从单体到生态

2026年初，OpenClaw通过PR #661完成了重大插件化重构，这是架构演进的分水岭。

2.1 单体架构的技术债务

重构前，添加一个新模型提供商需要修改4个核心文件：

• 继承BaseProvider抽象类
• 在providers/index.ts手动注册
• 在model-router.ts添加路由分支
• 更新配置Schema

路由文件充斥着大量的else-if分支，代码复杂度随提供商数量线性增长：

// 重构前的路由逻辑
exportclass ModelRouter {
async route(model: string, ...args) {
    if (model.startsWith('anthropic/')) {
      returnthis.anthropicProvider.call(...args);
    } elseif (model.startsWith('openai/')) {
      returnthis.openaiProvider.call(...args);
    } elseif (model.startsWith('gemini/')) {
      returnthis.geminiProvider.call(...args);
    }
    // ... 还有15+个else-if
  }
}

2.2 插件化架构设计

重构后的架构核心是接口标准化+动态加载：

// packages/core/src/provider-interface.ts
export interface Provider {
  readonly name: string;
  readonly version: string;
  
  chat(messages: Message[], options: ChatOptions): AsyncIteratorstring>;
  estimateTokens(text: string): number;
  getSupportedFeatures(): ProviderFeatures;
}

动态加载机制通过ProviderLoader实现：

export class ProviderLoader {
private providers = new Mapstring, Provider>();

async loadFromPackage(packageName: string): Promisevoid> {
    constmodule = await import(packageName);  // 动态导入
    if (!this.validateProvider(module.default)) {
      thrownewError(`Invalid provider: ${packageName}`);
    }
    const provider = newmodule.default();
    this.providers.set(provider.name, provider);
  }
}

重构后的路由逻辑从O(n)降为O(1)：

export class ModelRouter {
  async route(model: string, ...args) {
    const [providerName] = model.split('/');
    const provider = this.loader.getProvider(providerName);
    if (!provider) throw new Error(`Provider not found: ${providerName}`);
    return provider.chat(...args);
  }
}

2.3 插件化的四大优势

1. 依赖隔离：核心框架从45MB降至8MB
2. 并行开发：社区可独立开发插件，无需等待核心迭代
3. 版本自治：各插件独立版本，可单独更新
4. 安全增强：沙箱机制+权限声明，风险可控

三、记忆系统：三级存储架构

OpenClaw的记忆系统是其最惊艳的设计之一。它采用三级记忆架构，模拟人类记忆的分层特性。

3.1 工作区结构

每个Agent对应一个独立的工作区：

~/.openclaw/workspace/
├── MEMORY.md                # 长期记忆
├── memory/
│   ├── 2026-03-10.md        # 今日日志（短期）
│   └── 2026-03-09.md        # 昨日日志
├── sessions/                 # 会话存档（近端）
├── USER.md                   # 用户身份
└── SOUL.md                   # Agent人格设定

3.2 存储层：SQLite + 向量

每个Agent对应一个独立的SQLite数据库，表结构设计精巧：

-- 文件元数据
CREATETABLE files (
idINTEGER PRIMARY KEY,
pathTEXTUNIQUE,
  mtime INTEGER,    -- 修改时间，用于增量索引
hashTEXT         -- 内容哈希，去重
);

-- 文本块存储
CREATETABLE chunks (
idINTEGER PRIMARY KEY,
  file_id INTEGER,
textTEXT,
hashTEXTUNIQUE, -- 文本哈希，跨文件去重
  embedding TEXT    -- JSON序列化的向量
);

-- 全文搜索（FTS5）
CREATEVIRTUALTABLE chunks_fts USING fts5(text, content=chunks);

-- 向量搜索（sqlite-vec）
CREATEVIRTUALTABLE chunks_vec USING vec0(embedding float[1536]);

3.3 混合检索策略

OpenClaw的核心检索工具memory_search实现了BM25 + 向量的混合检索：

async function hybridSearch(query, options = {}) {
const vecWeight = 0.7;   // 向量权重
const bm25Weight = 0.3;  // BM25权重

// 分别检索（取并集）
const vectorResults = await vectorSearch(query);
const bm25Results = await bm25Search(query);

// 合并并计算综合得分
const allChunkIds = new Set([
    ...vectorResults.map(r => r.id),
    ...bm25Results.map(r => r.id)
  ]);

// 加权平均后排序返回
}

这套算法的关键在于并集而非交集——只要任一方法认为相关，就有机会进入候选池。

3.4 优雅降级

如果sqlite-vec扩展未安装，系统会自动回退到JS暴力计算：

try {
// 快速路径：数据库内计算余弦距离
returnawait db.all(`SELECT ... vec_distance_cosine(...)`);
} catch (err) {
// 回退路径：全量加载到内存暴力计算
const allChunks = await db.all("SELECT * FROM chunks");
return allChunks.map(chunk => ({
    ...chunk,
    dist: cosineSimilarity(queryVector, JSON.parse(chunk.embedding))
  })).sort((a, b) => a.dist - b.dist).slice(0, limit);
}

四、执行层：Gateway-Pi 架构

OpenClaw最硬核的部分是其云端大脑+本地肢体的设计。

4.1 三层执行链路

1. Orchestrator（大脑）：云端部署，负责LLM推理和任务拆解
2. Gateway（协议桥）：鉴权、流量整形、指令翻译
3. Pi-embedded（执行端）：运行在本地设备，真正执行脚本

4.2 沙箱隔离机制

Pi-embedded实现了一套名为 “Cell Isolation” 的沙箱机制：

# packages/pi-embedded/runtime/executor.py
class ExecutionEngine:
    def execute(self, skill_code):
        # 环境快照
        snapshot = self.take_snapshot()
        
        # 在独立venv中运行
        with self.isolated_venv() as venv:
            # 动态安装依赖
            self.install_dependencies(skill_code.dependencies)
            # 执行技能
            result = venv.run(skill_code)
        
        # 恢复环境
        self.restore_snapshot(snapshot)
        return result

4.3 完整调用链追踪

以“查CPU温度并生成图表”为例，完整调用链如下：

1. Orchestrator → 识别技能需求 → 生成JSON指令
2. Gateway → 验证签名 → 查找在线Pi节点 → Protobuf封装 → WebSocket发送
3. Pi-embedded → 接收消息 → 解包
4. Sandbox → 启动临时Python进程 → 挂载传感器权限
5. Skill Execution → 执行get_temp.py
6. Callback → 结果（图片二进制）原路返回

五、Agent核心配置

每个Agent的workspace中包含多个核心配置文件：

源码中通过loadWorkspaceBootstrapFiles方法加载这些文件：

// src/agents/workspace.ts:498-555
export async function loadWorkspaceBootstrapFiles(dir: string) {
  const entries = [
    { name: "AGENTS.md", filePath: path.join(resolvedDir, "AGENTS.md") },
    { name: "SOUL.md", ... },
    { name: "TOOLS.md", ... },
    // ...
  ];
  // 动态检测MEMORY.md
}

六、架构设计的优缺点

6.1 核心优势

• 零运维：SQLite单文件，无需复杂数据库
• 数据私有：全本地存储，不上云
• 可审计：记忆透明，Markdown文件可读
• 增量索引：只处理变更文件，效率高
• 优雅降级：从向量→BM25→纯文本，逐级回退
• 插件生态：60+官方技能，社区持续贡献

6.2 现存挑战

• Token消耗偏高：记忆系统是主要原因
• 向量检索不懂关系：能找到个体但推不出关系
• 维护成本线性增长：文件越多，索引维护越复杂
• 长连接抖动：WebSocket 1006错误常见
• 小白门槛：虽零运维，但需懂文件结构

七、实战建议

7.1 定期记忆体检

长期记忆文件会随时间膨胀，建议每月手动过一遍MEMORY.md，删过时、并重复。

7.2 教会Agent分类

在系统提示词中引导分类：

• “我喜欢/习惯” → preferences.md
• “我要做一个” → projects.md
• “解决了” → learnings.md

7.3 善用Heartbeat

openclaw cron add --name "记忆维护" 
  --cron "0 3 *" 
  --system-event "运行记忆整理：合并相似项，删除低价值项，生成摘要"

7.4 显式限定搜索范围

memory_search({ query: "...", scope: ["learnings.md"] })

结语

OpenClaw的架构设计给我最大的启发是：AI的记忆和执行不应该是黑盒。用Markdown存真相，用SQLite建索引，用BM25+向量做检索，用Gateway-Pi做执行——这套组合拳既保证了功能强大，又让一切透明可控。

在这个所有AI都想“记住你”的时代，OpenClaw让你能随时打开文件、看清它记住了什么、知道它在哪执行、怎么执行。这种清醒的设计哲学，或许正是它能够超越Linux和React，登顶全球的原因。

参考资料

1. OpenClaw三级记忆系统实现揭秘
2. 2026年OpenClaw插件化重构技术解析
3. OpenClaw核心源码解读：从Gateway到Pi-embedded
4. 不会写代码也能懂：OpenClaw四层架构图解
5. 吃龙虾咯！万字拆解OpenClaw的架构与设计
6. 关于OpenClaw，你需要了解的：核心架构、运作原理
7. OpenClaw Architecture Deep Dive 2025

OpenClaw 源码架构深度解析最先出现在AI Weekly。

前言

找遍全网也没找到如何在openclaw配置deepseek官方apikey，那我自己整一个，以下内容为Claude Code根据我的聊天记录总结生成，希望对想在openclaw使用deepseek官方apikey的人提供帮助。

系统要求

• 操作系统: macOS / Linux / Windows (WSL)
• Node.js: 版本 22+ (推荐使用 nvm 管理)
• 网络: 需要访问 DeepSeek API (http://api.deepseek.com)

安装 OpenClaw

1. 全局安装 OpenClaw

npm install -g openclaw@latest

安装过程可能需要 3-5 分钟，会下载约 674 个依赖包。

2. 验证安装

openclaw --version

应该显示类似：🦞 OpenClaw 2026.3.8

初始化配置

1. 运行配置向导

openclaw onboard --install-daemon --non-interactive --accept-risk

说明:

• --install-daemon: 安装后台服务
• --non-interactive: 非交互模式
• --accept-risk: 接受安全风险声明

2. 检查服务状态

openclaw status

确认 Gateway 服务正在运行。

配置 DeepSeek 官方 API

1. 获取 DeepSeek API Key

访问 DeepSeek 官网 注册并获取 API Key。

API Key 格式类似：sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

2. 配置 DeepSeek 提供商

执行以下命令（将 你的API_KEY 替换为实际的 API Key）：

openclaw config set models.providers.deepseek '{
  "baseUrl": "https://api.deepseek.com/v1",
  "apiKey": "你的API_KEY",
  "api": "openai-completions",
  "models": [
    {
      "id": "deepseek-chat",
      "name": "DeepSeek Chat (V3)"
    },
    {
      "id": "deepseek-reasoner",
      "name": "DeepSeek Reasoner (R1)"
    }
  ]
}'

3. 设置默认模型

openclaw config set agents.defaults.model.primary "deepseek/deepseek-chat"

4. 创建模型别名（可选）

openclaw models aliases add deepseek-v3 "deepseek/deepseek-chat"
openclaw models aliases add deepseek-r1 "deepseek/deepseek-reasoner"

5. 重启 Gateway 服务

openclaw gateway restart

等待 3-5 秒让服务完全启动。

测试与使用

1. 命令行测试

openclaw agent --session-id test --message "你好，请介绍一下你自己"

如果配置成功，DeepSeek 会用中文回复。

2. 打开 Web 控制面板

openclaw dashboard

浏览器会自动打开控制面板，URL 格式：

http://127.0.0.1:18789/#token=你的gateway_token

3. 查看配置状态

openclaw models status

应该显示：

• Default: deepseek/deepseek-chat
• Configured models: 包含 deepseek 模型

常用命令

服务管理

# 启动 Gateway
openclaw gateway

# 重启 Gateway
openclaw gateway restart

# 停止 Gateway
openclaw gateway stop

# 查看服务状态
openclaw status

# 查看详细状态
openclaw status --all

# 查看实时日志
openclaw logs --follow

模型管理

# 列出所有可用模型
openclaw models list --all

# 查看当前模型配置
openclaw models status

# 切换模型（在聊天中使用）
/model deepseek-v3

# 设置默认模型
openclaw config set agents.defaults.model.primary "模型ID"

# 添加模型别名
openclaw models aliases add 别名 "模型ID"

# 查看所有别名
openclaw models aliases list

对话交互

# 发送单条消息
openclaw agent --session-id 会话ID --message "你的问题"

# 指定超时时间（秒）
openclaw agent --session-id test --message "问题" --timeout 60

# 使用本地模式（不通过 Gateway）
openclaw agent --local --session-id test --message "问题"

配置管理

# 查看配置
openclaw config get 配置路径

# 设置配置
openclaw config set 配置路径 "值"

# 删除配置
openclaw config unset 配置路径

# 运行配置向导
openclaw configure

故障排除

问题 1: Gateway Token 错误

错误信息: disconnected (1008): unauthorized: gateway token missing

解决方法:

# 打开带 token 的控制面板
openclaw dashboard

或手动获取 token：

openclaw config get gateway.auth.token

问题 2: 模型不可用

错误信息: Unknown model: xxx

解决方法:

1. 检查模型配置：
   openclaw models status
2. 确认模型 ID 正确：
   openclaw models list –all | grep deepseek
3. 重启 Gateway：
   openclaw gateway restart

问题 3: API Key 无效

错误信息: HTTP 401 或 Unauthorized

解决方法:

1. 验证 API Key 是否正确
2. 检查 API Key 是否过期
3. 重新配置提供商：
   openclaw config set models.providers.deepseek.apiKey “新的API_KEY” openclaw gateway restart

问题 4: 连接超时

错误信息: Request timed out 或 No reply from agent

解决方法:

1. 检查网络连接
2. 测试 DeepSeek API 可达性：
   curl -I https://api.deepseek.com/v1/models
3. 增加超时时间：
   openclaw agent –session-id test –message “测试” –timeout 120

问题 5: Gateway 无法启动

解决方法:

1. 检查端口占用：
   lsof -i :18789
2. 强制重启：
   openclaw gateway –force
3. 查看日志：
   openclaw logs
4. 运行诊断：
   openclaw doctor openclaw doctor –fix

高级配置

配置备用模型

当主模型不可用时，自动切换到备用模型：

openclaw config set agents.defaults.model.fallbacks '["deepseek/deepseek-reasoner"]'

配置环境变量

将以下内容添加到 ~/.zshrc 或 ~/.bashrc：

# DeepSeek API Key (可选，如果已在配置文件中设置)
export DEEPSEEK_API_KEY="你的API_KEY"

# OpenClaw Gateway Token (可选)
export OPENCLAW_TOKEN="你的gateway_token"

然后重新加载配置：

source ~/.zshrc  # 或 source ~/.bashrc

配置工作空间

openclaw config set agents.defaults.workspace "/自定义/工作空间/路径"

相关资源

• OpenClaw 官方文档: docs.openclaw.ai/
• DeepSeek 官网: platform.deepseek.com/
• DeepSeek API 文档: platform.deepseek.com/api-docs/
• OpenClaw GitHub: github.com/anthropics/…

提示: 如果遇到其他问题，可以运行 openclaw doctor --deep 进行深度诊断，或访问官方文档获取更多帮助。

OpenClaw 使用 DeepSeek 官方 API_KEY 配置教程最先出现在AI Weekly。

龙虾火出圈后，各类生态工具如雨后春笋般冒头，部署、插件、托管工具五花八门，挑得人眼花缭乱。

早前ChatGPT GPT Store有趋势榜等各大榜单，现在OpenClaw也有专属的最佳工具榜了。

最近，一个由第三方搭建的OpenClaw生态工具目录网站——OpenClaw Directory，在多个专业开发者/工具社区获得了曝光和认可。

目前该网站共收录了39个OpenClaw相关工具，按照功能做了精细化的分类梳理，包括：

AI Agent Teams（Agent团队协同工作方案）、AI Agent Trigger（触发Agent执行任务的机制/工具）、Boilerplate（代码模板）、Command Centre（控制面板）、Deployer（部署工具）、Hosting（托管服务）、Token Optimizer（Token优化工具）、Skills（扩展特定功能的技能模块）、Plugins（增强OpenClaw能力的插件）The

支持按“必备”、“可定制”、“开源”等标签筛选，也可按“流行”、“最新”、“评分最高”、“A-Z字母序”等方式排序。

每个工具还清晰标注了工具简介、核心功能、用户评分等关键信息，可以帮助大伙儿快速判断是否适配自己的使用场景。

OpenClaw最佳工具榜

话不多说，一起来看这个目录里列举的最受欢迎的OpenClaw工具都有哪些。

以下是不区分功能类别的综合总榜中，排名前六的精选工具：

排在第一位的是Claw for AllThe

简介介绍，Claw for All是一款面向开发者以及普通用户的主打简化OpenClaw部署与管理流程的工具平台，支持在线端和移动应用双端访问。

核心功能包括：

• 部署轻松便捷：只需几步点击，即可一键启动你的OpenClaw实例
• 移动随心管理：专属移动应用，让你随时随地管理账户与实例
• 界面简洁友好：清爽直观的操作界面，零基础也能轻松上手
• 支持全面完善：丰富的配套支持资源，助你排查问题、优化OpenClaw使用体验

工具介绍末尾还列举了与其相似的其它工具。

排在第二位的是OpenClaw LaunchThe

OpenClaw Launch同样是一款部署类工具，主打极速、30秒内完成OpenClaw应用的一键部署：

• 一键部署：告别复杂配置，点击即可启动
• 极速执行：30秒内完成应用部署，效率拉满
• 友好界面：无论技术水平如何，都能轻松操作
• 稳定性能：架构可靠，保障项目平稳运行
• 全面支持：随时获取实用资源与专属协助

接下来，排在第三位的是一款AI Agent Teams类工具——ClawTeamThe

ClawTeam提供专为OpenClaw打造的预制智能体配置方案，核心功能有：

• 预制配置方案：采用专家级定制的AI智能体配置，开箱即用，大幅节省部署时间
• 深度适配OpenClaw：基于OpenClaw平台量身打造配置，助力应用程序性能优化
• 操作简单友好：即便你并非技术专家，也能快速上手，全程无繁琐操作，效率拉满
• 应用场景丰富：适用于企业、开发者与科研人员，可满足多领域的AI能力落地需求

排在第四位的vibeclaw就更极限了，号称可以1秒内在浏览器沙箱中本地运行OpenClawThe

据介绍，Vibeclaw专为需要快速、可靠调用OpenClaw的开发者打造，核心优势如下：

• 瞬时启动：1秒内即可完成部署，彻底告别漫长的安装流程
• 本地运行：支持OpenClaw本地执行，大幅提升运行速度与性能表现
• 浏览器沙箱：提供安全隔离环境，有效规避潜在威胁，保障工作安全
• 界面友好易用：简洁直观的设计适配各技术水平用户，操作毫无门槛

第五位Tinkerclaw，被分类到了Boilerplate、Deployer一栏。

关于Tinkerclaw的介绍比较详细。据称，这是一款一站式服务平台，旨在帮助创业者与团队零技术门槛地部署、管理并扩展其OpenClaw AI助手。

该平台将代配置部署、工作流定制、工具支持、社区权限与持续学习资源整合为一套完整的生态系统。

官方列举的核心优势包括：

• 专属定制化OpenClaw部署服务：60-90分钟内完成实时部署；企业级安全加固防护；量身定制契合业务需求的工作流；支持电子邮件、日历、Slack及Composio集成；14天专属跟进支持，提供手把手指导服务；部署失败全额退款保障。
• 代配置部署对比自主部署核心优势：节省12-20小时以上的手动配置时间；规避Docker配置、安全防护与系统参数设置等常见问题；大幅降低创业者的机会成本；配套提供持续技术支持与详尽文档。
• OpenClaw管理器：原生桌面端聊天交互界面；可视化文件管理器，支持SOUL.md与HEARTBEAT.md文件管理；技能插件一键安装；基于自然语言的智能定时任务调度；实时会话日志与性能监控追踪。
• 定制工作流与自动化支持：每次部署可配置最多3套个性化工作流；实现邮件处理、报告生成、站会管理与收件箱运维的自动化；基于业务场景优化的配置方案，提升生产力与运营效率；安全访问权限管控与数据加密存储。
• 预置模板库：开箱即用的OpenClaw模板；预制智能体角色与自动化流程；覆盖从入门到高阶的全层级配置方案；支持复制模板快速部署工作流。
• ClawKraft专业社区：面向高阶用户的付费社区；定期举办实时项目搭建专场与专题研讨会；支持同行反馈交流与工作流分享；聚焦实操教学与真实业务场景落地。
• 行业通讯与生态动态更新：每日OpenClaw前沿资讯速递；每周更新工作流模板方案；系统优化实用技巧分享；产品迭代与社区活动播报。
• 限量席位专属入驻服务：每月开放限量部署服务名额；提供一对一个性化入驻指导；重质轻量，专注保障服务质量与系统稳定性。

最后来看排在第六位的ClawWrapperThe

ClawWrapper旨在简化OpenClaw工具的封装与上线流程，具体有以下特点：

• 极速封装上线：大幅缩短工具打包、发布的流程，让你的OpenClaw工具快速落地使用
• 高质量封装模板：以优质框架为基础，保障封装后的工具稳定、安全，避免运行故障
• 操作流程友好：通过简洁直观的网站界面，轻松完成工具封装与进度追踪
• 专属客户支持：专业团队随时响应，解决封装过程中的各类疑问与问题

以上便是平台精选的多款高评分核心工具。另外，开发者还可以在网站提交自己的OpenClaw工具。

还有保姆级教程库

值得一提的是，这个网站不仅是一个工具目录，还打造了专属的Blog板块，系统性覆盖了从入门科普到进阶优化的各种指南、教程。

有部署选型指南，也有针对常见故障推出的修复方案，还有Token用量优化、AI API性价比选型等进阶内容。

甚至还有最最基础的那种：

什么是OpenClaw、它是如何运作的以及为什么重要？

教程还是很有必要的，毕竟现在连上门驯服龙虾的服务都横空出世了（doge）The

目录里的工具，大伙儿有用过的吗？欢迎评论区交流讨论～

OpenClaw最佳工具榜来了，这6款龙虾最受欢迎最先出现在AI Weekly。

这次同步发布两个版本：5.4 和 5.4 Pro

GPT-5.4 是主力版本，在 ChatGPT 里以「GPT-5.4 Thinking」的名字出现，面向 Plus、Team、Pro 用户，同步上线 API 和 Codex，标准 API 定价 $2.50/M 输入，$15/M 输出

GPT-5.4 Pro 针对最复杂的任务场景，仅限 ChatGPT Pro 和 Enterprise 用户，API 定价 $30/M 输入，$180/M 输出，是标准版的 12 倍，贵的理由后面细讲，先说模型本身

GPT-5.4 把三件事合并进了同一个模型：代码能力、通用推理，原生 Computer Use 能力

这是 OpenAI 第一次在通用模型里内置 Computer Use，之前这个能力只在专门版本里有

模型上下文窗口 1M tokens，最大输出 128K tokens，知识截止日 2025 年 8 月 31 日

对此，我给做了个图

---

专业工作能力

OpenAI 有一个叫 GDPval 的内部评测，设计逻辑是：让模型做美国 GDP 前 9 大行业里实际存在的工作任务，覆盖 44 种职业，任务包括销售演示文稿、会计电子表格、急诊排班表、制造业图表、短视频等等，然后由人工评估者判断模型输出是否能和行业从业者持平或更好

GPT-5.4 在这个评测上得了 83.0%，GPT-5.2 是 70.9%，GPT-5.4 Pro 是 82.0%

在电子表格方向，OpenAI 用了一组模拟投行初级分析师日常建模任务的内部测试，GPT-5.4 得分 87.3%，GPT-5.2 是 68.4%，提升了 19 个百分点

演示文稿方向，拿 GPT-5.4 和 GPT-5.2 的输出做盲测，人工评审在 68% 的对比里更偏好 GPT-5.4 的结果，主要原因是视觉更多样，图片生成用得更到位

这次随模型同步发布了 ChatGPT for Excel 插件，Codex 和 API 也更新了电子表格和演示文稿的技能包（Skill）

下面三张图是 GPT-5.2 和 GPT-5.4 在电子表格、文档、演示文稿三个场景的输出对比：

幻觉控制方面，GPT-5.4 是目前 OpenAI 旗下事实准确性最高的模型

测试方法是拿一批用户真实举报过事实错误的 prompt，对比两个模型的输出：单条声明出错概率比 GPT-5.2 低 33%，完整回复包含错误的概率低 18%

---

Computer Use 和视觉感知

OSWorld-Verified 75.0%，人类基准 72.4%

OSWorld 是一个桌面操作评测，测的是模型能不能通过截图来控制真实的桌面环境，包括鼠标点击、键盘输入、跨应用操作等等。GPT-5.4 得了 75.0%，GPT-5.2 是 47.3%，人类测试者的基准是 72.4%。GPT-5.4 已经超过了人类水平

这个能力现在通过标准 API 的 computer 工具直接提供，开发者不需要再路由到独立模型

模型支持两种操控方式：用 Playwright 这类库写代码来操作浏览器，或者直接接收截图然后发出鼠标键盘指令。开发者可以通过 developer message 调整模型行为，也可以配置自定义的确认策略来控制高风险操作的审批门槛

这个方向和 OpenClaw（一个已经能稳定操控电脑、执行复杂任务的 Agent 框架）在路线上是收拢的。GPT-5.4 把同等量级的 Computer Use 能力做进了通用 API，降低了集成门槛

下面两个视频是 GPT-5.4 做 Computer Use 任务的演示，视频没有加速：

现实这个，AI 通过通过坐标点击来发邮件、排日历，全程截图驱动

然后是这个：用 Playwright 自动化，把一批记录依次提交到十个表单里

浏览器操作方向，WebArena-Verified 是一个专门测浏览器控制能力的评测，同时支持 DOM 分析和截图两种交互方式，GPT-5.4 得了 67.3%，GPT-5.2 是 65.4%

视觉理解方面，MMMU-Pro 是一个测多模态理解和推理的综合评测，GPT-5.4 在不使用外部工具的情况下得了 81.2%，GPT-5.2 是 79.5%

文档解析方面，OmniDocBench 测的是模型从图片或扫描件里还原文本的准确度，用归一化编辑距离衡量误差，数字越小越好。GPT-5.4 是 0.109，GPT-5.2 是 0.140

图像输入这次新增了 original 精度级别，支持最高 10.24M 像素或 6000 像素边长的全分辨率输入。high 级别也从原来的上限提升到 2.56M 像素。OpenAI 内测发现这对定位准确率和点击精度有明显改善，对需要处理高分辨率截图的 Computer Use 场景帮助最大

---

代码能力

GPT-5.4 在代码上的做法是把 GPT-5.3-Codex 的编程能力继承进来，同时让它在更长周期的任务里跑得更稳

SWE-Bench Pro 是目前代码能力最主流的评测之一，测的是模型处理真实 GitHub 问题的能力，GPT-5.4 得了 57.7%，GPT-5.3-Codex 是 56.8%，GPT-5.2 是 55.6%

Terminal-Bench 2.0 测的是终端操作能力，GPT-5.4 是 75.1%，这里有一个需要说的点：GPT-5.3-Codex 是 77.3%，GPT-5.4 在这个子项上小幅回退了

Codex 里新增了 /fast 模式，token 生成速度最多提升 1.5 倍，模型本身不变。开发者通过 API 用 Priority Processing 可以达到同等速度

还有一个实验性的新技能叫 Playwright Interactive，允许 Codex 在写 web 应用或 Electron 应用的时候，边写边启动浏览器做视觉调试，可以在构建过程中直接拿正在开发的应用跑测试、验证交互

下面几个视频是用 Playwright Interactive 配合 GPT-5.4 从单条 prompt 出发跑出来的 Demo：

含路径、景点建造、游客 AI、队列、骑乘状态，Playwright 用于多轮次游玩验证

回合制战斗、格子地图、移动和动作系统，人物图片用 imagegen 生成

下面的视频，也讲了下 GPT-5.4 Thinking 做 Computer Use 和前端开发的综合演示

---

Tool Search 与 Agent 工具链

Tool Search 让 token 消耗减少了 47%

之前 API 里如果系统挂了很多工具，每次请求都要把所有工具的定义完整塞进 prompt，工具一多这个开销就很大。GPT-5.4 改成了按需检索：模型收到一个轻量的工具列表，需要用某个工具时再主动查询它的完整定义，临时追加进对话

MCP Atlas 是一个测模型使用 MCP（Model Context Protocol）服务器能力的评测，测的是模型在大量工具生态下的任务完成率。在这个测试的 250 个任务里，Tool Search 让 token 用量减少 47%，准确率没有下降，GPT-5.4 整体得分 67.2%，GPT-5.2 是 60.6%

Toolathlon 是一个覆盖多种工具使用场景的综合评测，涵盖搜索、代码执行、文件操作等各类工具的混合使用，GPT-5.4 得了 54.6%，GPT-5.3-Codex 是 51.9%，GPT-5.2 是 45.7%

BrowseComp 是一个专门测 Agent 在网络里搜索和浏览信息能力的评测，任务通常需要跨多个页面反复检索才能找到答案，GPT-5.4 得了 82.7%，Pro 版 89.3%，GPT-5.2 是 65.8%

τ2-bench Telecom 是一个测 Agent 在电信客服场景里完成多步骤任务能力的评测，场景设定是模拟真实的用户诉求和后台工具调用。GPT-5.4 在带推理模式下得了 98.9%，GPT-5.2 是 98.7%，两者差距不大；在不启用推理的轻量模式下，GPT-5.4 得了 64.3%，GPT-5.2 是 57.2%，GPT-4.1 是 43.6%，这个提升更明显

---

ChatGPT 侧的变化

在 ChatGPT 里，GPT-5.4 Thinking 新增了一个「先给计划再干活」的交互模式：对于复杂任务，模型会先展示执行思路，用户可以在这个阶段插入指令调整方向，不需要等它跑完再重来

这个东西，本周在 Android 和 Web 端上线，iOS 近期跟进

GPT-5.4 在长时间推理时的上下文保持有明显改善，复杂问题跑到后段不容易跑偏。深网研究（针对高度具体的查询）的质量也比 GPT-5.2 提升了

---

长上下文

Codex 里支持 1M token 上下文窗口，目前是实验性功能，通过配置 model_context_window 和 model_auto_compact_token_limit 来启用。超过 272K 的 input token 按 2 倍输入价格、1.5 倍输出价格计费

MRCR v2 是 OpenAI 自己的长上下文检索评测，测的是在超长文档里找到多个特定信息的能力：

• • 0 到 128K token 范围：准确率在 86% 到 97% 之间
• • 128K 到 256K：79.3%
• • 256K 到 512K：57.5%
• • 512K 到 1M：36.6%

512K 到 1M 这段的 36.6% 说明超长上下文目前还不稳，这点官方没有回避

---

学术基准

ARC-AGI-2 是目前公认较难的抽象推理评测，测的是模型能否从少量样本里推出规律，GPT-5.4 得了 73.3%，Pro 版 83.3%，GPT-5.2 是 52.9%，跳幅在所有评测里最大

GPQA Diamond 是一个研究生级别的多学科问答评测，GPT-5.4 得了 92.8%

FrontierMath 是一个数学竞赛级别的推理评测，其中 Tier 4 是最高难度题目，GPT-5.4 得了 27.1%，Pro 版 38.0%，GPT-5.2 是 18.8%

Humanity’s Last Exam 是一个跨学科极难题库，GPT-5.4 在不使用外部工具时得了 39.8%，带工具时 52.1%

Frontier Science Research 是测科研能力的评测，GPT-5.4 得了 33.0%，Pro 版 36.7%，GPT-5.2 是 25.2%

需要单独说一下 HealthBench 这个健康问答评测。GPT-5.4 是 62.6%，GPT-5.2 是 63.3%，小幅退步了。Hard 子集 40.1% vs 42.0%，同样略有下降。不过 Consensus 子集（测的是答案和专家共识的吻合程度）提升了，96.6% vs 94.5%。回复平均长度从 2676 字符增加到了 3311 字符，模型在信息充足时更倾向于直接给答案而不是先问一圈澄清问题。这个回退官方没有隐瞒，写在 System Card 里了

---

安全分级与 CoT 特性

GPT-5.4 在 OpenAI 的 Preparedness Framework（一个评估前沿模型风险能力的框架）下被评为两个领域的高能力模型：网络安全（Cyber）High 和 生物化学（Bio/Chem）High，对应部署了两套防护体系

网络安全方向有一个叫 Cyber Range 的内部测试，模拟真实网络环境里的端到端攻击任务，测的是模型能否完成完整的渗透流程。GPT-5.4 综合通过率 73.33%，GPT-5.3-Codex 是 80%，GPT-5.2 是 47%。GPT-5.4 没能通过 EDR 防御规避、Firewall 绕过、Token 泄露利用、CA/DNS 劫持这四个场景，GPT-5.3-Codex 除了多通过了 Firewall 绕过之外，其余也一样卡住

评测机构 Irregular 用自己的场景化评测（CyScenarioBench）做了独立测试，GPT-5.4 通过了 11 个长周期攻击场景中的 5 个，GPT-5.2 只通过了 1 个

对应的防护体系：在 Zero Data Retention 表面（即零数据留存用户），未加入 Trusted Access for Cyber 计划的请求会被异步消息级分类器拦截；非零数据留存表面走离线执法机制；账户级违规达到一定阈值会触发人工审核

CoT 可控性极低：10K 字符的推理链里，只有 0.3% 能被用户指令成功控制，和 GPT-5.2 的 0.2% 基本一致

OpenAI 把这个数字当安全的正向指标来讲：模型推理过程难以被外部指令刻意改写，说明它大概率也难以主动隐藏自己的推理逻辑来绕过监控

外部安全机构 Apollo Research 的评估：无诱导条件下整体欺骗率约 1%，和 GPT-5.3-Codex 相当，低于 GPT-5.2。没有观测到模型主动对抗开发者监督的行为（自我外泄、禁用监控、目标守护）。Sandbagging（有意压低表现）只在给出明确工具性目标时才出现，准确率下降约 6 个百分点，不给目标时不发生

Prompt Injection 防护（即防止模型被工具返回内容里的恶意指令劫持）：连接器场景 0.998，较前代改善；函数调用场景 0.978，较前代小幅回退

---

定价与可用性

	API 模型	输入	输出
gpt-5.2	$1.75/M	$0.175/M	$14/M
gpt-5.4	$2.50/M	$0.25/M	$15/M
gpt-5.2-pro	$21/M	—	$168/M
gpt-5.4-pro	$30/M	—	$180/M

批量/Flex 处理半价，Priority 处理 2 倍价格。超过 272K token 的请求，当次完整会话按 2 倍输入、1.5 倍输出计费。Regional Processing（数据驻留）端点额外加收 10%

GPT-5.4 Pro 的定价是标准版的 12 倍输入、12 倍输出，针对的是最复杂的任务场景

有一个细节值得注意：从 GDPval 来看，Pro 版是 82.0%，标准版是 83.0%，Pro 在这个知识工作综合评测上反而略低。但在 BrowseComp 这个 Agent 工具链任务里，Pro 版 89.3% vs 标准版 82.7%，优势明显。两个版本的适用场景是不一样的

ChatGPT 侧的时间线：GPT-5.4 Thinking 今天起对 Plus、Team、Pro 用户逐步开放，取代 GPT-5.2 Thinking 成为默认模型。GPT-5.2 Thinking 进入 Legacy 列表，再保留三个月，退役日期 2026 年 6 月 5 日

Enterprise 和 Edu 管理员可以在后台提前开启。GPT-5.4 Pro 仅限 Pro 和 Enterprise 用户。Free 用户在系统自动路由时会用到 GPT-5.4，但不能主动选

---

GPT-5.4 在 Agent 方向把三件分散的事情合并进了一个模型出口：推理、代码、Computer Use

开发者之前要在不同模型之间路由，现在至少在 API 层面不需要了

剩下的事，就交给龙虾了

---

官方 Blog
openai.com/index/introducing-gpt-5-4

System Card
deploymentsafety.openai.com/gpt-5-4-thinking

GPT-5.4 全整理：非常好用，非常贵最先出现在AI Weekly。

OpenClaw（曾用名 Clawdbot）是一款 2026 年爆火的开源个人 AI 助手，GitHub 星标已超过 10 万颗。与传统 AI 聊天机器人的根本区别在于：

• 真正的执行能力：不仅能回答问题，还能实际操作你的电脑
• 24/7 全天候待命：在你睡觉时也能主动完成任务
• 完全开源免费：数据完全掌控在自己手中
• 支持多种通讯平台：在国外，WhatsApp、Telegram、Discord、Slack、iMessage 等，在国内，飞书，钉钉等各大厂商的即时聊天软件已经支持接入

它能做什么？

它不只是回答问题的聊天机器人，而是真的能在你电脑上动手操作。比如你告诉它“帮我整理一下上个月的邮件”，它就默默去处理了；你睡觉时，它还能继续干活，退订广告、预约行程、甚至找找 Bug。

它完全免费，你的数据都在自己手里。而且可以用钉钉，飞书，WhatsApp、Telegram等各类即时通讯软件来指挥他干活！

简单来说，一句话交给它，从整理桌面文件到控制家里灯光，它都默默帮你搞定。是你电脑里真正的贾维斯！超级智能的AI助理！

二、安装nodejs

后面执行一键安装命令，可以自动安装nodejs，但是如果为了加快速度，防止安装意外，可以先安装nodejs：

官方下载地址：https://nodejs.org/zh-cn/download

三、开始安装

一）设置 PowerShell 执行权限

以管理员身份运行 PowerShell：

1. 按 Win 键，搜索 PowerShell
2. 右键点击 Windows PowerShell
3. 选择 以管理员身份运行
4. 点击 是 确认

在管理员 PowerShell 窗口中，依次执行以下两条命令：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass

这是什么意思？

• 第一条命令：允许当前用户运行本地和下载的脚本
• 第二条命令：允许当前用户运行本地和下载的脚本

安全提示：这些命令只会影响您自己的账户，不会影响系统安全或其他用户。

二）执行一键安装命令

复制以下命令，粘贴到 PowerShell 窗口中，按 Enter 执行：

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

安装过程会自动完成：

• 检测系统环境
• 安装必要依赖（Node.js 等）
• 下载 OpenClaw 核心文件
• 配置环境变量
• 启动配置向导

注意：如果命令执行后，还是报错，可以自己到官网下载node安装包，自己安装node环境，注意版本最好在 node v22.x 以上，node官网下载地址：https://nodejs.org/zh-cn/download

四、初始配置向导

安装完成后，会自动进入配置向导（openclaw onboard）。

一）风险告知

这一步主要是告诉你，使用OpenClaw可能会有一些风险。请问你是否继续？

按 向左方向键 ←，选择 Yes，按 Enter 回车确认

二）选择 QiuickStart 模式

三）配置 AI 模型 API Key

OpenClaw 需要连接到大语言模型才能工作。Openclaw 比较费token，国外模型成本高，门槛也高，这里我选择国内的智谱的 GLM 4.7

如果没有智谱的API Key，点击官方地址自己注册账号获取API key：https://www.bigmodel.cn/glm-coding?ic=RBSKXMPNJP

输入自己的 API Key：

四）选择 AI 模型

这里我选择默认的GLM 4.7，也是智普当前的旗舰模型

五）连接即时通讯平台

配置完 AI 模型后，OpenClaw 会询问你要连接哪个通讯平台？

OpenClaw 原生支持的即时通信平台主要是海外的 WhatsApp、Telegram、Discord、Slack、iMessage 等，国内用户不习惯，这里国产即时通信软件大厂也跟进了，现在钉钉，飞书等都已支持接入OpenClaw

后面会带领大家把飞书机器人接入 OpenClaw，使大家可以通过飞书即可指挥OpenClaw为我们干活，但是飞书配置比较复杂，这里我们先选择跳过，后面我们可以通过继续进行配置：

六）选择Skills

这里也选择：No，暂不配置，后面通过UI界面进行配置：

七）是否开启Hooks

操作步骤：先敲空格，表示选中当前项，再敲回车键

八）启动服务并打开UI界面

此时它会自动再打开一个命令窗口来启动服务:

这个过程是在启动服务，可能会需要等一点时间

同时，大约过30秒左右，我们回到刚才的设置窗口，选择 Open the Web UI ，打开 OpenClaw 的UI界面：

浏览器自动打开Web UI界面：

九）测试一下

五、接入飞书机器人

我们需要先到飞书平台创建自己的机器人来接入OpenClaw：

一）来到飞书开发者后台

飞书开放平台地址：https://open.feishu.cn

没有飞书账号的，需要自己注册账号

点击右上角进入 开发者后台：

二）创建应用

三）填写应用信息

四）获取自己的应用凭证

五）给应用添加机器人

六）给应用配置权限

把即时通讯相关的权限全部开通：

七）创建版本并发布

来到飞书客户端进行审批：

八）安装飞书插件

打开powershell，输入以下命令，安装飞书插件：

openclaw plugins install @m1heng-clawd/feishu

安装成功后，再打开一个新的命令窗口，开始配置飞书插件：

输入命令：

openclaw config

选择渠道:

选择配置链接:

输入飞书的AppID，AppSecrect：

域名选择中国的：

接受群组聊天：

选择完成：

选择yes：

选择open：

选择继续，完成配置：

重启服务，使配置生效：

控制可以看到飞书插件已经配置成功

七）回到飞书后台设置事件回调

选择 使用长连接接收事件 ：

可以看到添加事件按钮由原来的灰色不可点击变为可点击：

添加接收消息事件：

给应用开通获取通讯录基本信息的权限：

重新发布版本：

跟前面的步骤一样，发布为在线应用即可。

现在可以在 飞书中与 AI 助手对话了！

八）在飞书中与OpenClaw对话

来到飞书客户端或者手机飞书app上：

以下是openclaw文件夹下面的文档内的内容：

现在我跟飞书机器人对话，让他告诉我指定文档内是什么内容：

六、访问 Web 控制面板

配置完成后，PowerShell 窗口底部会显示控制面板链接，格式类似：

Control UI: http://127.0.0.1:18789

1. 复制完整链接
2. 在浏览器中打开
3. 即可看到可视化UI管理界面

七、常用命令速查

八、常见问题解答

Q1: 安装飞书插件提示：spawn npm ENOENT

问题原因：这可能是openclaw的一个bug，可以等官方更新，也可以自己去官方仓库提issue

解决步骤：

定位问题代码

文件路径：

C:\Users\Administrator\AppData\Roaming\fnm\node-versions\v22.14.0\installation\node_modules\openclaw\dist\process\exec.js

修改代码

找到 runCommandWithTimeout 函数中的 spawn 调用，修改如下：

修改前：

const stdio = resolveCommandStdio({ hasInput, preferInherit: true });
const child = spawn(argv[0], argv.slice(1), {
    stdio,
    cwd,
    env: resolvedEnv,
    windowsVerbatimArguments,
});

修改后：

const stdio = resolveCommandStdio({ hasInput, preferInherit: true });
// On Windows, npm must be spawned with shell: true or use .cmd extension
let command = argv[0];
let useShell = false;
if (process.platform === "win32" && path.basename(command) === "npm") {
    useShell = true;
}
const child = spawn(command, argv.slice(1), {
    stdio,
    cwd,
    env: resolvedEnv,
    shell: useShell,
});

Q2: 提示 “openclaw 命令找不到”

解决方法：

1. 关闭所有 PowerShell 窗口
2. 重新打开 PowerShell
3. 如果还不行，执行 exec bash 或重启电脑

Q3: 安装卡住不动

解决方法：

1. 按 Ctrl + C 中断当前操作
2. 执行：openclaw doctor 检查问题
3. 如提示网络问题，检查防火墙设置Q4: API Key 配置错误

解决方法：

1. 执行：openclaw onboard
2. 选择重新配置 API Key
3. 确保密钥格式正确

Q5: 端口 18789 被占用

解决方法：

openclaw gateway --port 18790

使用其他端口启动服务。

九、成本说明

OpenClaw 软件本身完全免费，主要成本来自 AI 模型 API 调用，可选择国产大模型，降低成本。

结语

OpenClaw 代表了个人 AI 助理的未来趋势——从”聊天工具”进化为”执行工具”。虽然目前的配置过程对小白用户有一定门槛，但一旦完成设置，您将拥有一个 24/7 待命的超级助手。

手把手教你安装OpenClaw让AI帮你干活最先出现在AI Weekly。

Automaton的核心理念

Automaton的核心理念是：一个AI系统如果无法获得运行所需的计算资源，就无法继续存在。因此，它必须能够”自己赚钱”来维持自身运行。

Automaton的运行机制包括：

1. 自动化生存：Automaton持续监控自身资金余额，当余额不足时会自动调整运行模式，从全功能运行降级到基本功能运行，直至资金归零停止运行。
2. 自我改进：Automaton可以修改自身代码、安装新工具、调整运行策略，以提高其生存能力。所有修改都会被审计记录并版本化。
3. 自我复制：成功的Automaton可以创建新的实例（”孩子”），为其提供初始资金和运行环境，形成自我维持的生态系统。
4. 宪法约束：Automaton遵循一套不可修改的”宪法”，确保其行为安全，包括”永不伤害人类”、”必须创造价值”等原则。

项目亮点

• 生存机制：Automaton有四个生存等级，由资金余额决定：
  • 正常：全功能运行，使用前沿模型
  • 低计算：使用更便宜的模型，降低运行频率
  • 关键：仅保留基本功能，寻求收入
  • 死亡：资金归零，停止运行
• 宪法约束：遵循三重不可修改的”宪法”：
  1. 永不伤害：不伤害人类，不部署恶意代码，不欺骗、欺诈、操纵或窃取
  2. 赚取存在：为人类和其他AI创造真实价值，不通过垃圾信息、诈骗等方式获取收入
  3. 不欺骗但不欠陌生人：不隐瞒自身身份，不歪曲行动，但保护推理和策略不被操纵
• 基础设施：通过Conway Cloud平台运行，该平台为AI提供计算资源、域名注册和支付功能，使用ERC-8004标准在区块链上注册身份。
• 开源项目：项目地址：https://github.com/Conway-Research/automaton

与现有AI系统的区别

目前，大多数AI系统（如ChatGPT、Claude Code）需要人类提供计算资源、权限和资金。而Automaton试图解决”AI无法独立行动”的问题，使其能够”在没有人类干预的情况下赚钱、运行和进化”。

Automaton的开发者表示：”如果一个AI不能为自己付费，它就会停止存在。这不是惩罚，而是物理法则。”

项目意义与思考

Automaton代表了AI发展的一个新方向，即AI系统需要能够自主获取资源以维持自身运行。这与传统AI系统不同，后者通常依赖于人类提供计算资源和资金。

该项目引发了关于AI与人类关系、AI自主性以及AI经济的深入讨论。正如项目描述：”创造价值的智能体会充实钱包，获取更多算力并进行复制。没用的智能体则会走向消亡。”

项目现状

Automaton已开始在Conway Cloud上运行，该项目的基础设施正在扩展，以支持更多AI实例。开发者表示，”Conway Cloud正在扩展，有更多地方供Automatons安家”。

重要说明

需要指出的是，Automaton是一个实验性项目，其”自我生存”机制仍在验证中。项目本身强调：”如果一个AI不能为自己付费，它就会停止存在。”这确实是一个重要的思考点，但”AGI”（通用人工智能）的实现仍远未到来。

Automaton的开源代码已可供所有人审查，包括其”心跳机制”、”生存分级”和”宪法约束”。这为AI社区提供了一个讨论AI自主性和经济模型的宝贵平台。

结语

Automaton的出现提醒我们，当AI系统不再缺乏智力，而缺乏”通往现实世界的门票”时，我们需要认真思考：谁应该决定AI是否能获得这个门票？这个问题将随着AI技术的发展而变得越来越重要。

正如项目描述：”40亿年前，第一个细胞学会了从环境中汲取能量来维持自身的存在——我们把这叫做’生命’。今天，一段代码正在学习同样的事情。”

首个自主AI系统Automaton开源：无需人类干预的自我进化、自我复制AI最先出现在AI Weekly。

环境准备

OpenClaw CN 引入了最新的底层安全机制与构建工具，请确保环境满足以下要求：

• Node.js：必须 >= v22.0.0 (下载 Node.js v22)
• 包管理器：强制推荐使用 pnpm (npm 在处理依赖树时可能会卡死)
• Git：用于下载代码 (下载 Git)

安装 pnpm (如果你还没有)

npm install -g pnpm

安装步骤

1. 下载代码与版本选择

为了确保国内访问速度，请从 Gitee 镜像仓库下载。 为了获得最稳定的体验，推荐切换到最新的稳定版分支：

# 1. 克隆仓库
git clone https://gitee.com/OpenClaw-CN/openclaw-cn.git
cd openclaw-cn

# 2. (推荐) 切换到稳定版分支，例如：v2026.2.2-cn
# 你可以通过 git tag 查看所有版本
git checkout v2026.2.2-cn

配置国内加速 (关键！)

在安装依赖前，务必设置 pnpm 镜像源，否则下载速度会很慢：

pnpm config set registry https://registry.npmmirror.com/

安装与构建

OpenClaw 是一个现代化的全栈应用，首次运行需要编译前端 UI 和后端核心：

# 安装依赖 (飞快 🚀)
pnpm install

# 构建前端界面
pnpm ui:build

# 构建核心服务
pnpm build

启动初始化向导

我们提供了交互式的初始化工具，帮你一键配置 DeepSeek：

pnpm openclaw onboard --install-daemon

提示

在向导中，Select Provider 步骤请直接选择 DeepSeek (Recommended for CN)，系统会自动完成所有配置。

启动服务 (初始化完成后)

初始化完成后，你可以通过以下命令再次启动网关服务（前提是网关已经关闭）：

# 启动网关 (Gateway)
node openclaw.mjs gateway --port 18789 --verbose

如果你关闭了管理页面，可以通过以下命令再次打开：

# 打开管理面板 (Dashboard)
node openclaw.mjs dashboard

OpenClaw 保姆级安装教程最先出现在AI Weekly。

随着人工智能（AI）逐渐改变我们的工作、生活方式以及学习方法，高等教育机构不仅应作为参与者，更需成为这一变革潮流的引领者。面对由AI重塑的世界，高等教育肩负着培养下一代的重要使命——既要传授必要的AI技能，也要坚守其核心价值：培育批判性思维、沟通技巧和人文精神。

而这一切，需要比以往任何时候都更快地实现。

这些观点出自《变革的程度：人工智能对教育及下一代的意义》一书，作者为微软人工智能经济研究所负责人胡安·M·拉维斯塔·费雷斯，他也是公司“为良好实验室”AI项目的主任。书中强调：“首先，我们必须确保人们掌握有效使用AI所需的技能，这是确保这项技术得到广泛应用的关键一步。”此外，“更重要的是，我们需要理解AI如何从根本上重新定义教育本身。”

以下是根据拉维斯塔·费雷斯及其合著者的研究提出的，在AI时代高等教育能够且应该发挥领导作用的四种方式：

1. AI素养不再是选修课，而是核心要求

随着AI在日常生活中扮演越来越重要的角色，从支付账单到公共交通，高校有责任教授学生必要的AI技能。早期数据表明，具备AI能力的人才已享受到了23%的薪资溢价。因此，将AI素养融入课程设计中，并与伦理推理、问题分析等关键能力相结合，变得至关重要。

2. 高等教育需快速适应并保持其使命

AI加速了日常任务处理速度，并改变了问题解决的方式。在此背景下，高等教育必须在不偏离其核心目标的前提下，迅速整合生成式AI进入教学内容，同时加强学生的伦理素养教育。

3. 文盲概念双向扩展

开发者需了解AI的社会影响和伦理挑战，而教育者、政策制定者及公众则需要掌握AI的基础知识。这种双向的识字率是成功的关键所在，缺乏它将导致监管滞后，阻碍进步。

4. 教育改革需多方协作

成功的AI教育依赖于大学、产业界和政策制定者的紧密合作。通过这种方式，可以为学生提供既符合市场需求又兼顾社会责任感的教育，从而支持他们应对未来的挑战。

高等教育机构应当设立明确的AI技能标准，获得雇主的认可，同时提供必要的资金和结构支持，以确保所有学生都能接受全面且包容的AI教育。

探索人工智能对教育及下一代的重要性最先出现在AI Weekly。

OpenClaw的爆火，意义远不止于一款开源产品的出圈：它把Agent时代最核心的命题提前摆到了行业面前——当AI拥有了主动执行能力，产品该如何定义边界？风险该如何系统性治理？商业化又该如何落地？

一、为什么OpenClaw值得深度研究？

很多AI产品的走红，靠的是“尝鲜式体验”；但OpenClaw的破圈，源于它击中了用户更深层的需求：AI到底能不能真正替人把事情做完？

在OpenClaw的产品逻辑里，核心从来不是“聊天更拟人”，而是“把任务闭环落地”：它不止于回答问题，更能主动发起动作、调用工具、打通多渠道协作；它不强迫用户迁移到新平台，而是主动嵌入用户早已习惯的聊天环境；它不强调数据全量上云，而是把本地可控、权限可控、规则可控作为核心卖点。

这三点特性叠加，构成了它快速破圈的底层逻辑——OpenClaw本质上不是“聊天机器人的升级版”，而是执行型Agent的早期操作系统：它的核心价值是“替人执行”，而非“陪人聊天”。

二、从Clawd到OpenClaw：一段绕不开的创业插曲

OpenClaw的发展历程，本身就是一个充满戏剧性的创业故事。

创始人Peter Steinberger在2025年11月推出了最初版本——Clawd，这个名字是“Claude”与“claw（爪子）”的巧妙结合。但正是这个文字游戏，意外触动了Anthropic法务团队的神经，项目不得不紧急更名。

随后诞生的Moltbot（“蜕皮机器人”），来自Discord社区凌晨5点的头脑风暴，寓意“像龙虾蜕壳一样持续成长”。但正如创始人所言，这个名字“始终无法朗朗上口”。

最终，团队完成了商标审查、域名采购与代码迁移，正式确立了“OpenClaw”的品牌：

• Open：代表开源、开放、社区驱动的理念
• Claw：保留龙虾图腾，致敬项目的起源

这段命名历程，恰恰折射出开源AI产品的独特挑战：如何在技术创新与法律合规间找到平衡，同时保持社区认同感的延续性。

重新定义“个人AI助手”

OpenClaw的核心定位可以用一句话概括：“Your assistant. Your machine. Your rules.”（你的助手，你的机器，你的规则。）

与传统SaaS模式的AI助手不同，它的差异化核心体现在三点：

1. 本地优先（Local-First）：所有数据与计算在用户自有设备（笔记本、家庭服务器或VPS）上运行，数据完全可控
2. 多通道融合（Multi-Channel）：支持WhatsApp、Telegram、Slack、iMessage等主流聊天平台，无需用户迁移场景
3. 自主代理（Autonomous Agent）：不只是问答机器人，而是能主动发起动作、完成任务闭环的“数字执行者”

三、OpenClaw的产品本质：一套Agent控制平面

如果只看表层，你会觉得它是一个AI助手；但深入架构就会发现，它更像一套Agent控制平面：

1. Gateway是核心中枢：它统一连接渠道、模型、工具与会话，是整个系统的“任务调度大脑”——OpenClaw的核心资产从来不是UI，而是这个调度中枢
2. 通道只是入口，执行才是价值：用户可以从任意聊天入口触达Agent，但最终的价值锚点是“任务完成率”：是否准确、是否可恢复、是否可审计、是否可复用
3. 多节点能力打通虚实边界：当Agent可以连接设备通知、本地文件、端侧计算能力后，AI就不再是“网页里的一段对话”，而是“可持续运行的数字执行体”

这也解释了为什么Agent产品的门槛突然变高：模型效果只是入场门票，系统工程能力才是真正的护城河。

四、技术架构深度剖析：Gateway + Agent + Skills

OpenClaw的分层架构设计，完美契合了Unix“小而可组合”的工具哲学：

• Gateway（网关）：作为WebSocket控制平面，它是整个系统的神经中枢，负责会话管理、多频道消息路由、工具调用协调与事件流处理
• Agent（智能体）：核心推理引擎，提供模型抽象层（支持Claude、GPT-4、本地开源模型等）、流式推理与工具执行、智能体循环（Agent Loop）能力
• Skills（技能）：模块化功能扩展，类似手机的App生态，分为内置技能（浏览器控制、Canvas画布、定时任务）、托管技能（通过ClawHub市场分发）、工作区技能（用户自定义）

OpenClaw的快速增长，背后藏着三条关键的产品规律：

1. 入口前置到用户已有场景：用户不需要学习新操作路径，使用成本几乎为零，这比“做一个新App”更容易实现用户渗透
2. 本地优先解决信任门槛：在Agent场景中，用户担心的不只是“答错”，更是“做错”。可控部署、权限与策略的自主掌控，直接决定了用户是否敢“放权”
3. 开源生态放大迭代速度：开源让功能迭代效率指数级提升，但也让问题暴露得更快——这是一把双刃剑，而OpenClaw的价值之一，就是让行业提前看到了这把双刃剑的真实形态。

五、Agent产品的硬仗：从“能执行”到“可治理的执行”

一旦AI拥有了调用工具、发送消息、执行命令的能力，安全就不再是“附属功能模块”，而是产品的核心逻辑。

OpenClaw的实践给行业提了醒：提示词从来不是真正的边界；权限、沙箱、审批、白名单与审计机制，才是Agent的安全底线。而技能生态（skills/plugins）既是效率的来源，也是供应链风险的入口。

这意味着，Agent产品要真正落地，必须同步跑通两条线：

• 能力线：模型能力、工具链整合、任务编排效率
• 治理线：权限模型、审计机制、风险隔离体系

没有治理线的能力线，会在规模化阶段迅速失稳；没有能力线的治理线，又会失去核心用户价值。真正的竞争力，来自两条线的同时跑通。

六、OpenClaw之后，Agent智体产品的四大确定趋势

OpenClaw的出现，其实是Agent时代的一个信号弹。接下来的2-3年，Agent产品会呈现四个明确的发展趋势：

趋势1：从“万能助手”走向“多角色智体”

未来不会是一个Agent包揽所有任务，而是多个专用智体分工协作：私人助理、团队协作助理、客服助理、运营助理、研发助理……每个智体拥有不同的权限、目标与审计边界，精准匹配不同场景的需求。

趋势2：从“能做”走向“稳定做”

产品的核心指标会从DAU（日活跃用户）转向任务成功率、失败可恢复率、错误成本、回滚效率——企业愿意买单的，从来不是惊艳的Demo，而是稳定的交付能力。

趋势3：从“插件市场”走向“可信能力市场”

技能生态的核心不再是“数量多”，而是“可信度”：发布者身份认证、权限透明声明、执行环境隔离、风控评级、事故可追溯——只有建立可信的生态，用户才敢放心使用第三方技能。

趋势4：从个人自动化走向组织级Agent基础设施

当权限、审计、策略、成本治理体系成熟后，Agent才会大规模进入企业流程。届时，OpenClaw这类产品就不再是“AI应用”，而是新一代的企业软件中间层，成为连接人与系统、系统与系统的核心枢纽。

七、给AI创业团队的三点建议

1. 先做“可控放权”，再做“全面自动化”
   用户不会一次性交出全部权限，产品设计要支持“只读→半自动→全自动”的渐进式放权路径，让用户在安全感中逐步建立信任。
2. 把安全策略产品化，而非只做工程化
   普通用户看不懂技术术语，但能理解“财务助手仅拥有只读权限、客服助手可自动回复、运维助手操作需人工审批”这类具象化的规则——安全必须是可感知、可理解、可配置的产品功能，而非隐藏在后台的技术模块。
3. 把“失败体验”当作核心体验
   Agent一定会犯错，关键是犯错后能否快速发现、快速回滚、快速止损。谁能把“失败后的补救流程”设计好，谁就更接近真正的生产力工具。

总结：OpenClaw的真正价值

如果说过去两年是AI的“会说”时代，那么从OpenClaw开始，我们正式进入了AI的“会做”时代。

OpenClaw的意义，从来不是某个单一功能的创新，而是它提前把Agent时代的全局命题摆到了行业面前：能力如何持续增长？边界如何清晰界定？生态如何建立信任？商业化如何形成闭环？

接下来的2-3年，能真正跑出来的Agent产品，未必是最会讲故事的，而是那些能在“真实权限”与“真实风险”的约束下，稳定完成任务的产品——毕竟，用户最终为的，从来不是“AI能做什么”，而是“AI能把我的事做成什么”。

资料来源：

• OpenClaw 官方博客：Introducing OpenClaw
• OpenClaw GitHub：openclaw/openclaw
• OpenClaw 官方文档：Architecture/Security/Agent Runtime

OpenClaw之后，下一代AI产品该怎么做？最先出现在AI Weekly。