《大模型通识与应用：从”会聊天”到”会执行”》核心报告显示，当前大模型正从通用对话工具向垂直领域的任务执行专家加速进化，为各行业带来效率重构的新机遇。

一、大模型能力跃迁的两大核心趋势

1. 功能进化：从”闲聊助手”到”任务执行者”

大模型的能力边界正快速突破对话场景，向精准任务执行延伸。以GPT-4为代表的通用大模型，已实现从日常闲聊到代码生成、复杂数据分析的跨越，MIT 2025年的研究数据显示，其任务完成率较前代模型提升62%。 多模态整合则进一步拓展了应用的便捷性：Lobster（龙虾AI）实现了语音指令到设计成果的直接转化，支持语音描述创意后一键生成PPT、海报设计稿，原本需要数小时的设计修改需求，现在响应时间可缩短至3分钟内。

2. 行业渗透率：垂直场景的效率革命

大模型的价值正在各行业的具体场景中落地：

– 制造业：Manus机械臂搭载自然语言编程系统后，东莞某电子工厂仅通过语音指令即可完成产线参数调整，产线切换效率较传统编程方式提升40%；

– 法律领域：合同审查AI工具可自动识别条款风险、标注合规问题，平均为律师节省87%的文书处理时间，让从业者聚焦更具价值的策略性工作。

二、三款高实用性大模型工具测评

三、场景落地的可复制方法论

1. 四步实施框架：从需求到落地的标准化路径

– 需求拆解：将业务流程拆解为”输入-处理-输出”三要素，比如客服场景可拆解为「用户语音输入→AI情绪与意图分析→标准化话术推荐」，确保AI任务目标清晰；

– 工具选型：根据任务复杂度匹配工具能力——基础文本处理、文案生成可选择ChatGPT等通用工具，工业控制、精密操作等场景则需选用Manus等具备专用API的垂直工具；

– 冷启动训练：上传企业专属数据训练垂直模型，建议至少准备500条标注数据，让AI快速适配企业业务逻辑；

– 人机协同：设置关键节点的人工复核机制，例如在合同审核、产线调整等关键决策场景，保留15%的人工干预权，平衡效率与风险。

2. 避坑指南：落地前需警惕的核心问题

– 警惕”全能型AI”陷阱：无需追求能解决所有问题的工具，单一工具对目标任务的解决率超过80%即符合落地标准，过度追求”全能”反而会增加成本与复杂度；

– 数据安全优先：涉及企业核心数据的场景，优先选择支持本地化部署的方案，如华为盘古大模型企业版，避免核心数据外溢风险。

结语

2026年大模型工具已进入”解决真问题”的务实阶段，对于企业而言，无需等待完美的技术方案，建议采用”小场景切入-快速迭代”的策略：从客服、标书制作等单一痛点切入，通过数据反馈持续优化模型，通常6个月内即可看到明显的效率提升与成本节约效果。

大模型应用实战指南：从认知到落地的全路径解析最先出现在AI Weekly。

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。

以金融圈为例，真正用起来的人屈指可数。原因很简单：部署繁琐、缺乏金融数据、不懂投研逻辑。

对于每天和研报、财报、会议纪要打交道的分析师来说，通用 AI 工具就像一把没有刀刃的刀 —— 看着炫酷，实则切不动肉。

现在，一款专为金融人打造的 AI 工具来了，它就是 AlphaClawThe

在拿到 AlphaClaw 内测资格之后，我们花了一周时间深度体验。结论是：这可能是目前最接近「AI 分析师」的产品。

AlphaClaw 是什么？

AlphaClaw 是熵简科技推出的金融投研 AI 工具，搭载于 AlphaEngine 平台。

如果说上一代 AI 投研工具是有问必答的 AI 助手，那么 AlphaClaw 则完成了向「自主执行」的进化 —— 它是一位能够独立跑通复杂投研工作流的 AI 分析师。

它不只是回答问题，而是直接交付结果：Excel 表格、回测报告、研报点评，一条龙搞定。

一手实测：三个硬核投研场景

场景一：让巴菲特帮你选股

这是最让我惊艳的功能。

我把珍藏多年的伯克希尔股东大会纪要（3200 多页）喂给 AlphaClaw，让它提炼巴菲特的投资逻辑。

提示词：这是伯克希尔过去 10 年股东大会的文字实录，仔细阅读全文，总结出巴菲特的投资逻辑，整理成 Skill 给我。

几分钟后，AlphaClaw 生成了一个名为「Buffett Investment Philosophy」的 Skill，涵盖能力圈原则、护城河评估标准、财务舞弊识别等核心要点。

更绝的是，你可以直接用这个 Skill 来分析当前市场。

提示词：使用这个 Skill，站在巴菲特角度分析霍尔木兹海峡禁运对全球能源体系的冲击，提出资产配置建议，生成自选股清单并保存为 Excel。

AlphaClaw 会调用刚创建的 Skill 作为分析框架，结合 AlphaEngine 平台内置的研报数据，输出一份完整的投资建议 —— 不是空泛的「建议关注能源板块」，而是具体到标的、逻辑、风险点。

我甚至让它读完《金融炼金术》、《投资最重要的事》，分别生成了索罗斯、霍华德・马克斯的投资逻辑 Skill。以后遇到任何市场事件，可以召集这些「投资大师」 开个专家会审。

场景二：给基本面投资者插上量化的翅膀

这是为「有想法但不会写代码」的投资者准备的。

很多基本面投资者有独特的选股逻辑，但因为不懂 Python、不会回测框架，只能让这些灵感停留在脑海中。

AlphaClaw 可以弥合这个鸿沟。

提示词：帮我梳理最新 1 个月有价值的金工量化报告，筛选出 3 个最有价值的量价因子。

它会自动检索平台内的金工研报，帮你筛选出凸显性因子、行业拥挤度因子等。

提示词：帮我实现成代码，应用于我的自选股票池，保存成 Excel。

一段文字，AlphaClaw 就能输出完整的 Python 代码，把投资灵感变成可回测的量化策略。

这意味着什么？巴菲特帮你选股，量化因子帮你择时，主观和量化的结合，从未如此简单。

场景三：年报季的救星

年报季是分析师的噩梦：上市公司扎堆发财报，听完会议还得熬夜写点评。

AlphaClaw 可以成为你的「投研分身」。

提示词：这是我之前写的几篇业绩点评，把我的写作风格总结成 Skill。

喂几篇你写过的点评，它就能学会你的遣词造句、段落结构、分析框架。

提示词：模仿我的风格，帮我批量生成所有自选股的业绩点评。

输出的点评 100% 按你的风格生成，数据来源于平台内置的研报和公告，你只需要做最后的审核和调整。

年报季的苦，让 AI 帮你吃。你可以把节省的时间，投入到更有价值的深度思考中。

为什么是 AlphaClaw？

市面上 AI 工具那么多，金融人为什么选择 AlphaClaw 呢？

两个字：数据The

投研的本质是「数据 + 逻辑」。没有数据，再强的 AI 也只能输出「正确的废话」。

AlphaClaw 内置了 AlphaEngine 平台的投研数据库，日更资料近万篇，包括但不限于：

全量内外资券商研报库

• A 股、港股、美股上市公司会议纪要库

• 行业点评资讯库

• 专家访谈纪要库等等

这是它和 OpenClaw 最大的区别和优势 —— 不是在通用知识上回答问题，而是基于专业金融数据做分析The

数据安全：本地优先

金融行业，数据即资产。很多机构不敢用 AI，就是担心数据泄露。

AlphaClaw 采用「Local-First」架构：

• 个人知识库（私有笔记、内部纪要）在本地完成向量化处理

• 你沉淀的投资逻辑 Skill 仅在本地运行

• 物理隔绝云端，杜绝数据泄露风险

你的投资策略不会成为大模型的「训练语料」，AlphaClaw 是一款真正可以在本地环境下放心使用的专属私密参谋。

展望未来金融人和 AI 的共生关系

体验一周下来，AlphaClaw 给我最大的感受是：

它不是在「帮你查资料」，而是在「帮你干活」The

查资料是 ChatGPT 就能做的事。但把资料变成 Excel、变成代码、变成可执行的策略，这才是金融从业者真正需要的。

当然，它也不是万能的。复杂的估值模型、需要大量行业 know-how 的判断，AI 还替代不了人。但它确实可以把分析师从繁琐的案头工作中解放出来，让人去做更有价值的事。

正如熵简科技 CEO 费斌杰所说：「让研究回归思考」。AlphaClaw 的定位是赋能专业投资者成为「一人投研团队」。

如何体验 AlphaClaw？

正如上文所说，AlphaClaw 搭载于 AlphaEngine 平台。因此，如果你是 AlphaEngine 现有用户，登录官网下载桌面端即可使用。

如果你还不是用户，目前官方开放了首批 1000 个体验名额，先到先得，仅限机构投资者，个人投资者暂无法使用The

下载地址：www.alphaengine.top

AI 投研时代已经到来。问题不是「要不要用」，而是「谁先用起来」。

在信息平权的 AI 时代，如何构建专属于你的个人投研壁垒？

如何应用 Skill，让你的投研数字分身帮你 24 小时打工？

熵简科技 CEO、AlphaEngine 主理人费斌杰讲在本周四晚 19:30，进行主题分享，欢迎感兴趣的投研专业人士参加The

一只金融龙虾！AlphaClaw来了最先出现在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。

浏览器，正在成为 AI 落地最重要的战场。

去年 10 月，OpenAI 推出 AI 浏览器 Atlas，奥特曼将其定义为「十年一遇的机会」，放言要「改变 30 亿人使用互联网的方式」。

Google DeepMind 推出「Project Mariner」，打出的口号就是「探索人机交互的未来，从浏览器开始」。

微软把 Copilot 塞进 Edge，Google 把 Gemini 嵌入 Chrome，苹果也在 Safari 层加速布局 AI 能力。

各大科技巨头不约而同盯上这块蛋糕，因为浏览器是现代人使用时间最长的应用之一。我们在这里搜索、阅读、工作、娱乐，几乎所有的信息消费都在此发生。AI 若要真正融入日常，浏览器是绕不过去的入口。

但把 AI 塞进浏览器，和真正做一款 AI 浏览器，是两回事。前者是在旧框架里打补丁，后者是重新想象人与信息之间的关系。

光年之外团队，选择了后者。

他们推出的 Tabbit AI 浏览器，集浏览、搜索、对话、执行于一体，将 AI 能力与浏览器深度融合，通过智能代理、沉浸式 AI 对话、智能标签管理和新一代收藏夹等功能，试图重塑用户处理网络信息的方式。

目前，Tabbit AI 浏览器已全面开启公测，访问官网即可免费下载体验，无需邀请码。

链接：https://www.tabbit-ai.com/

一手实测：Tabbit 到底好不好用？

拿到 Tabbit 的第一感受是，它比想象中克制。界面没有堆砌过多功能，甚至和普通浏览器差别不大，直到开始真正用它工作。

在进行各项功能实测前，我们先来看看 Tabbit 的小巧思。

它提供全面的外观自定义功能，包括 8 种预设主题色选择、深色 / 浅色模式切换、毛玻璃效果调节。

我们可通过新标签页的「自定义颜色」按钮或设置菜单中的「外观」选项访问主题设置，快速调整浏览器整体配色和视觉风格。

对话：让 AI 真正融入浏览场景

大多数人使用 AI 的方式都很割裂，在浏览器里读到一篇文章，想让 AI 总结或追问，只能手动复制粘贴，切换到另一个 AI 应用。这种操作每天发生很多次，每一次都打断当前的阅读思路。

Tabbit 熟稔这一痛点，推出对话功能，只需点击右上角「Chat」图标，就能在浏览器内唤起对话栏，直接针对当前网页提问、总结或分析The

比如让它总结 The Verge 一篇关于「谷歌推出 Nano Banana2」的报道，Tabbit 思考片刻后，便整理出文章的核心主旨、关键要点与结论建议，条理清晰，让人在最短时间内掌握报道主要内容。

如果觉得侧边栏影响网页浏览，还可以一键切换到浮窗模式：

Tabbit 内置 DeepSeek、Doubao、Kimi、Qwen、LongCat 等多款模型，我们可根据自身需求随意切换调用。

目前市面上的 AI 浏览器几乎都有对话功能，但 Tabbit 的差异在于，对话框支持 @引用任意已打开的标签页、标签组和收藏夹，还支持上传本地文件与图片。

比如，打开三篇机器之心关于最新大模型的报道，涵盖谷歌 Gemini 3.1 Pro、Grok 4.2、Claude Opus 4.6 与 GPT-5.3-Codex 四款大模型，内容繁杂，我们 @这几个标签页后，让 AI 从价格、功能等角度整理一张对比表格，Tabbit 便从核心特色、智能体功能、基准测试表现、定价以及主要应用场景等方面逐一梳理，一目了然。

妙招：把高频操作变成一键指令

对编辑来说，工作中充斥着大量重复性 AI 任务，写完文章生成各类平台版本，遇到英文专业词汇要翻译并加注解释等。任务本身不难，但每次重新输入一长串提示词，既麻烦又容易出错。

Tabbit 的妙招功能可以把常用的 AI 指令保存为快捷命令，支持提示词妙招、脚本妙招和智能代理妙招三种类型。

先来说说提示词妙招。我们创建一个「微博文案生成大师」妙招，设置好提示词后，只需在对话框中输入「/」，即可唤起已创建的妙招，一键生成微博爆款文案。

脚本妙招则可以用自然语言描述想要的页面效果，Tabbit 自动生成并运行脚本。

比如将机器之心网页官网改成 QQ 空间复古风格：

或者一键提取 The Verge 文章的封面图：

甚至干活干累了让它直接生成一款可玩的超级玛丽小游戏：

如此一来，原本只属于开发者的「定制网页」能力，普通用户同样可以拥有。

智能代理：把「体力活」交给 AI 去做

市场调研、旅游规划大概是最消耗精力的任务之一。打开搜索引擎、逐一浏览网页、筛选有用信息、在文档里记录整理，整个过程少则一两个小时，多则耗去半天。

现在我们只需用自然语言描述任务，Tabbit 的 Agent 会自动规划搜索策略、访问相关网站、筛选有效信息、整合分析数据，最终输出一份完整的报告。

我们测试了一个典型的调研任务，让 Tabbit 草拟一份关于国内最新主流 AI 视频生成产品的分析报告。

拿到任务后，Tabbit 就开始搜集资料，逐篇阅读并提取重要信息，同时将已打开的资料都保留在标签栏，方便我们后续回顾。

Tabbit 最终生成的报告有表格、有市场趋势与行业洞察，还有竞争格局总结，为防止胡说八道，每个关键点都附带信息来源。

收藏：让每一个书签都有记忆

传统浏览器书签本质是一个 URL 列表。时间一长，只剩一个标题，完全想不起当初为什么收藏、页面里有什么内容。很多人的收藏夹就像一个数字垃圾桶，东西越攒越多，却几乎不翻看。

Tabbit 的收藏功能不只保存链接，还完整保存网页内容，并由 AI 自动生成摘要，我们无需点开就能快速回顾核心信息。

搜索也更智能，即使标题和描述里没有搜索关键词，Tabbit 也能通过语义理解找到相关页面。

比如我们搜索「翻译」，它立马筛选出收藏夹中所有与翻译相关的工具和内容。

网页上的任意图片、图表或文字片段，都可右键直接收藏，无需保存到本地、新建文件夹、命名文件。所有收藏内容自动云同步，换设备后登录账号即可无缝续用。

要是收藏夹乱糟糟，里面有大量未分组标签页，我们还可以用它一键整理The

此外，在任意界面对话时，我们都可以直接 @ 收藏夹内容发起提问The

比如在查看 Block 裁员报道时，联想到此前收藏的「IBM 因 AI 能写 COBOL 代码致股价暴跌」这一新闻，@收藏夹，输入关键词「IBM」，选中后下指令「总结这两篇报道」，Tabbit 即可提炼出两篇文章的核心信息，归纳出其中的共同主题。

标签管理：给混乱的工作区一个秩序

同时打开几十个标签页，是信息工作者的日常。传统浏览器的水平标签栏一旦超过十几个页面就开始拥挤，每个标签缩成一个小图标，想找某个页面只能一个个猜。

Tabbit 的垂直标签栏将所有标签页在左侧纵向排列，即便打开数十个页面，每个标签的完整标题依然清晰可见。

标签页智能分组功能则可一键按内容自动归类，工作区瞬间清爽有序。

标签组还支持保存与恢复。整理好的一组相关网页，随时可关闭保存，需要时一键恢复。配合云同步，在公司整理好的工作场景，回家登录账号就能继续，工作节奏不被打断。

总体来说，Tabbit 是在真的解决问题。对话、妙招、Agent、收藏、标签管理，每一项功能都指向用户在浏览器里真实遭遇的摩擦。它把 AI 能力悄悄嵌进原本就发生的工作流里，让原本需要多个工具接力完成的事情，在一个窗口内流畅走完The

当然，作为仍在迭代中的产品，部分功能在复杂任务下偶有停顿，还有进一步打磨空间。但就目前来看，Tabbit 已经悄悄改变了一些使用习惯，而习惯一旦被改变，就很难再回头。

为什么 AI 浏览器变得至关重要？

AI 为什么要从浏览器切入？AI 需要场景，场景需要数据，而浏览器恰恰是数据最密集、场景最丰富的地方。

过去我们说 AI 助手，默认形态是一个独立的对话框，我们输入问题，它输出答案，然后再回到原来的工作界面继续操作。这种「来回搬运」的模式，本质上是 AI 与信息世界之间的割裂，只是很多人已经习以为常。

正在重新设计这件事的人，切入角度各有不同，但方向高度一致。

Perplexity AI 的 Comet，基于 Chromium 深度集成 AI 能力，可跨标签页汇总信息、对高亮文本即时提问，让 AI 理解我们当前正在看什么。

OpenAI 的 Atlas，背靠 ChatGPT 整个模型生态，试图把对话工作流直接嵌入浏览操作。

开发者 Dominik Kundel 在 X 上写道：「有了 ChatGPT Atlas，每个编程应用现在都变成了 Vibe 编程应用。」

此外还有 Arc 团队战略转型后的新作 Dia，以及在 GitHub 年度开源项目中名列前茅的 Zen Browser。

这些产品指向同一个判断：浏览器正从信息展示工具，进化为能够理解、分析、执行的智能 AgentThe

有评论者这样描述这场变化：这已经不只是「我选哪个浏览器」的问题，而是「我成为哪个 AI 生态的一部分」的问题。当浏览器开始深度绑定某个 AI 模型体系，用户的选择就不再只是界面偏好，也在某种程度上选择了自己的信息处理方式和工作方式The

对于重度信息工作者而言，AI 浏览器带来的效率提升是真实的，不用在浏览器、AI 工具和各种插件之间反复切换，整个信息获取、分析、整合的流程可以在同一个环境里完成闭环。

从更大的视角来看，AI 浏览器的演进方向，其实是在回答一个根本性的问题：在信息过载的时代，人与信息之间应该建立一种什么样的关系？过去的答案是搜索引擎、各种内容聚合工具。而现在，答案或许正在向 AI 浏览器收拢，一个真正理解我们的意图、帮我们筛选、整合、执行的智能界面。

结语

光年之外团队前身是一家大模型创业公司，2023 年被美团收购后，成为美团内部独立 AI 应用探索部门The

Tabbit 是他们在 AI 浏览器方向上的一次重要尝试，从目前的产品完成度来看，已经展现出相当清晰的产品思路和扎实的执行力。

Tabbit 所代表的 AI 浏览器路径，或许才是人与信息关系演进的下一站。

神隐许久的光年之外，造了款AI浏览器Tabbit，能打吗？最先出现在AI Weekly。

工具名称：LobsterAI

工具地址：https://lobsterai.youdao.com/

OpenClaw 最近是在太火了，春节期间，Chris 花了两天时间折腾 OpenClaw。

不是夸它，是字面意义上的“折腾”。下载、安装、配置环境变量、填 API Key、对着终端敲命令……大半天时间耗在一个 401 报错上。

就在我快要放弃的时候，刷推特刷到网易有道发了新东西：LobsterAI（有道龙虾）The

宣传语很简单：中国版 OpenClaw，不需要命令行The

这句话太吸引我了。于是去官网下了个安装包，直接安装打开。没有终端、没有 curl、没有环境变量。整个过程和装一个普通聊天软件没有区别The

一、什么是有道龙虾？

官方定义：一个 7×24 小时帮你干活的全场景个人助理 Agent，简单来说，就是一只有脑有手的 AI 员工，不只是有脑子的 AI 聊天助手。

传统的 AI Chatbot 只能回答问题、给建议。你让它做个 PPT，它给你一串步骤。你让它分析数据，它给你一堆思路。

但具体的活儿，还得你自己干，LobsterAI 不一样的地方在于：它能自己动手，比如：

• 打开 Excel 分析数据
• 调用 PPT 模板生成演示文稿
• 启动浏览器搜索信息
• 操作网页自动化流程
• 整理文件夹、重命名文件

你只需要说「要做什么」，剩下的让它自己搞定。

二、和 OpenClaw 有什么区别？

很多人会把 LobsterAI 和 OpenClaw 拿来比较，这很正常——它们的核心思想确实很像：

LobsterAI 不是 OpenClaw 的竞品，而是它的“快速入门版”。

原版 OpenClaw 对极客来说很爽，但对普通用户来说，门槛确实高。LobsterAI 把这套能力打包成一个普通人也能用的产品，这才是它的价值。

三、它有什么能力？

LobsterAI 的核心是“技能系统”。目前内置了 18+ 个专业技能：

文档处理

• docx — Word 文档生成与分析
• xlsx — Excel 数据分析与公式计算
• pptx — PPT 自动生成
• pdf — PDF 内容提取与结构化

网络能力

• web-search — 实时网络搜索
• playwright — 浏览器自动化

创意开发

• frontend-design — 前端界面设计
• develop-web-game — 网页游戏开发
• create-plan — 项目计划拆解
• skill-creator — 自定义技能生成器

其他能力

• 定时任务 — 每日新闻收集、邮件整理
• 持久记忆 — 跨会话记住用户偏好
• 远程操控 — 通过钉钉、飞书手机远程控制电脑

这些技能不是简单的「提示词」，而是真正的可执行模块The

比如启用 xlsx + docx 技能后，你上传一份销售数据表，说“分析 Top 10 产品销售趋势，生成包含图表的月度分析报告”。它会完成完整的数据读取 → 指标计算 → 图表生成 → 文档输出流程The

这才是真正的 Agent 执行链路。

四、怎么上手？

1.下载安装

访问官网 lobsterai.youdao.com，下载对应系统的安装包（macOS 和 Windows 都支持，Intel 和 Apple Silicon 版本分开）。

双击安装，和装普通软件一样简单。

2.配置模型

打开设置，左边一列模型供应商：DeepSeek、Moonshot、Qwen、智谱、MiniMax、Ollama……

选一个你常用的，填 API Key，点「测试连接」。看到绿色的「连接成功」就行了。

没有 curl，没有环境变量，点几下按钮就完事。

3.启用技能

在技能管理页面，勾选你需要的功能模块。日常办公的话，docx/xlsx/pptx 基本够了。

4.开始干活

直接在对话框里输入需求，它会自动规划并执行。

5.连接飞书/钉钉（可选）

如果你想手机远程操控电脑，可以在设置里配一下飞书或钉钉机器人。流程也不复杂：创建应用 → 配权限 → 选长连接 → 填 App ID 和 App Secret → 测试连通性The

搞定之后，你在手机上发条消息，家里的电脑就开始干活了。比如 Chirs 配置了飞书机器人，这时候就可以在手机或电脑版飞书，给机器人安排任务：

五、真实场景举例

让我说几个真正能派上用场的场景：

场景一：老板临时要报告

当我们需要使用 Excel 表格数据制作报告通常都需要经过下面的流程：

• 打开 Excel，手动筛选数据
• 画图表
• 写 Word 报告
• 老板说改一下，再来一遍

耗时通常在 1–2 小时，而使用 LobsterAI 的话：

1. 上传数据表格
2. 输入：“分析这篇文章的阅读量数据，生成包含图表的分析报告”
3. 等待 5–10 分钟

老板说“改成饼图，增加分类维度”，继续对话迭代就行。

场景二：远程操控办公

你在咖啡厅，突然想起来家里电脑上有个文件要处理。打开手机飞书，给 LobsterAI 配置的飞书机器人，发个消息，它就帮你搞定。不用远程桌面，不用 VPN，一句话的事。

场景三：自动信息收集

设置一个定时任务：每天早上 9 点自动收集 Reddit 内容、行业新闻，整理成摘要发给你。

之后你就不用刷各种信息流了，早上打开手机直接看结果。

场景四：学习辅助

丢一堆学习资料进去，让它自动提炼知识点、整理笔记、根据你的进度生成练习题。这已经不是普通的“AI 助手”了，这是任劳任怨的“数字员工”。

六、安不安全？

很多人看到「AI 控制电脑」这六个字，第一反应是：这玩意儿安全吗？

LobsterAI 在这块做了三层防护：

1. 本地优先策略

• 所有聊天记录存储在本地数据库
• API Key 只存在本机
• 可用 Ollama 本地模型完全离线运行

2. 沙箱隔离执行

提供三种执行模式：

• 自动（优先沙箱） — 平衡效率与安全
• 本地运行 — 最高效率
• 仅沙箱 — 最高安全级别

沙箱环境下：

• 独立 VM 运行
• 限制本地文件访问
• 网络请求受监控
• 自动检测危险操作

3. 敏感权限控制

所有敏感工具调用需要用户明确批准后才能执行。也就是，它干活，你盯着；危险动作，你说了算。

七、开源免费

2 月 19 日，有道龙虾在 GitHub 正式开源，MIT 协议。短短几天，Stars 突破 2000+，Fork 200+。

网易把这东西开源出来，挺有意思。这说明他们不打算靠这个收费，而是想和社区一起打磨，把它做成一个真正好用的生产力工具。

对于用户来说，这是个好消息：免费、开源、安全可控。

写在最后

去年，大家还在讨论 AI 能不能聊天。

今年，话题已经变成“AI 能不能干活”。

从「对话」到「做事」，一词之差，对大众来说绝对是两个时代。

LobsterAI 给我的感觉是：大大降低大家使用类似 OpenClaw 这类 AI 助手的成本，让每个人都可以有一个自己专属的 AI 员工，也是非常好的普及 AI 的方式。

让它能够根据你的要求，AI 自己打开浏览器、输入关键词、翻找结果、整理成文档，不是简单的回答问题，而使真正帮你干活。

最后，Chris 觉得，现在的大模型 Chatbot 和 LobsterAI 的区别，就是顾问和员工的区别。一个只长脑子，一个有脑有手。

2026 年，可能是 Agent 元年。大家赶紧一起来抓虾吧。

Official website:https://lobsterai.youdao.com/

GitHub：https://github.com/netease-youdao/LobsterAI

有道 LobsterAI：中国版OpenClaw，能聊天能干活，你的7×24小时AI数字员工最先出现在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。