OpenClaw

自托管个人 AI 助手。全平台。龙虾之道。🦞

状态: active · 总分: 3.2/5 · 推荐度: 3/5

一句话总结

OpenClaw 是一个自托管的单用户 AI 代理框架，通过消息应用作为交互入口，让 LLM 代表你在本地执行任务。定位：全局统筹型 AI 助理——适合作为多个 AI 工具的统一调度层，不适合垂类任务。

---

总体评价

OpenClaw 是 2025–2026 年 AI 代理浪潮的现象级项目：增长史无前例，功能覆盖极广，社区自组织能力强。[Wiki] 但「现象级」≠「成熟可靠」——hypergrowth 阶段的典型问题显著：功能多但文档乱、社区大但代码烂、概念新但安全差。

适合：有 Linux/Docker 经验的开发者、想研究 agent 架构的人、需要多 agent 统一调度层的技术管理者。

不适合：非技术用户、企业合规环境、期望「装完即用」的人、只在找单一垂类工具的人。

一句话：你能驾驭它，它就是最强大的个人 AI 代理；你驾驭不了，它就是个能把你的文件删光的危险玩具。

推荐度：3/5

定位：需要一个统一入口来调度多个 AI 工具/代理的技术管理者。OpenClaw 最强的场景不是亲自干活，而是做「总控」——接收你的指令，分发给合适的工具或子代理，汇总结果。

强于通用性，败于通用性：

• 当你需要一个东西「什么都行」的时候，它是唯一选择——20+ 通道、技能市场、浏览器、语音、Canvas，覆盖面无可匹敌
• 但当你有一个具体的垂类任务（写代码、做数据分析、管数据库），它不如专用 agent——Claude Code 写 PR 更强，n8n 管工作流更稳，Hermes Agent 的自优化机制它完全没有

实际使用的三大痛点：

1. 无自优化机制：没有像 Hermes 这样的 skill 自动迭代/修正能力，用久了不会变聪明，只会积累 session 垃圾
2. 代码质量差：monorepo 本身是典型的「快速堆功能」产物——48k+ commits 的 TypeScript 代码库结构臃肿 [GH]
3. 通用 = 平庸陷阱：大而全的平台在每一个单项上都不够深——浏览器不如 Puppeteer，定时任务不如正经 cron，技能系统没有版本管理和依赖解析

结论：如果你只需要一个 agent，别用 OpenClaw——找垂类工具。如果你已经有多个 agent 并且需要一个统一调度层，OpenClaw 是目前最好的选择。

优势

1. 社区规模极大：371k stars，ClawHub 技能市场自生长 [GH]
2. MIT 许可证：商业友好（但不覆盖第三方技能和依赖包的合规风险）
3. 多通道统一入口：20+ 消息平台——竞品中最广 [Wiki]
4. 本地优先 + 隐私：数据和配置在本地，不上传第三方（LLM API 调用除外）
5. 高度可扩展：技能系统 + 多 agent 路由 + 沙箱 provider 接口（详见「可扩展性」段）
6. 跨平台生态：macOS/iOS/Android 配套应用 + WebChat

劣势

1. 安全风险显著：prompt injection + 恶意第三方技能 + 默认权限较宽——三个独立攻击面（详见「安全与风险」段）
2. 成熟度不足：仅 6 个月历史，3 次改名，breaking change 频繁；据公开报道，作者已加入 OpenAI 并将项目移交非营利基金会 [Wiki: 2026.2 Steinberger joins OpenAI, foundation stewardship]
3. 学习曲线陡峭：JSON 配置 + 安全策略 + 沙箱概念，非开发者不可用
4. 资源开销不低：自称「轻量」，实际日常 2-4GB [HW]
5. 关注度可能显著领先于实际使用：Star 数远超可验证的日活 [Wiki]
6. 通用性 = 平庸陷阱：大而全但每个单项不够深

---

适合什么场景

• 已有多个 AI 工具/代理，需要一个统一调度入口的技术管理者
• 想在自有 VPS 上搭建个人 AI 管家，愿意折腾配置
• 研究 AI agent 工程架构——技能系统、多代理路由、沙箱设计都有参考价值

不适合什么场景

• 垂类任务：写代码不如 Claude Code，管工作流不如 n8n，做数据分析不如 Jupyter agent
• 非技术用户：维护者明确警告——「不懂命令行就别用」
• 低资源设备：Gateway 空闲 400-800MB，开启沙箱后 4GB 起步 [HW]
• 企业合规环境：第三方技能缺少审查（详见「安全与风险」段）

与类似项目对比

项目	定位	相对本项目
Claude Code / Codex CLI	专用代码 agent	更专注代码，OpenClaw 更通用
n8n / LangChain	工作流自动化	可视化编排更强，OpenClaw 自主性更强
Hermes Agent	通用 AI agent	自优化 skill 系统更好，OpenClaw 生态更大

---

它能做什么

• 多通道收件箱：Telegram、WhatsApp、Slack、Discord、Signal、iMessage、Google Chat、Matrix、飞书、LINE、微信、QQ 等 20+ 消息平台统一管理 [Docs]
• 本地工具执行：默认 session 拥有完整主机权限——读写文件、执行 shell、运行脚本
• 浏览器自动化：内置浏览器工具，可访问网页、填表、截图
• 技能系统：SKILL.md 定义工具使用指令；ClawHub 市场提供社区技能；bundled / global / workspace 三级优先级
• 多代理路由：不同频道可路由到不同 agent，各自独立 session 和配置
• 语音交互：macOS/iOS 语音唤醒 + Android 连续对话（ElevenLabs TTS）
• Live Canvas：A2UI 驱动的可视化工作区
• 定时任务：内置 cron 调度
• 沙箱隔离：Docker/SSH/OpenShell 沙箱
• 配套应用：macOS 菜单栏、iOS/Android 客户端

运行环境与资源占用

场景	CPU	内存	存储	说明
最小（纯转发）	1 vCPU	512MB	1GB	仅消息代理
标准（+通道）	1-2 vCPU	1-2GB	5GB	日常单用户
生产（+沙箱）	2-4 vCPU	4-8GB	20GB+	Docker + 浏览器
重度（+多agent）	4+ vCPU	8-16GB	50GB+	多代理 + 语音/Canvas

数据来源：[HW], [HW2]

• 运行时：Node.js 24+（推荐）或 22.16+
• 操作系统：macOS / Linux / Windows（WSL2）
• Docker：沙箱和部分部署场景需要；构建至少需 2GB RAM [HW]
• GPU：不需要
• 外部依赖：LLM API（Claude / DeepSeek / GPT）——token 费用是长期隐性成本
• ARM64 支持：✅（Apple Silicon、树莓派 4/5、AWS Graviton）[HW2]

上手体验

评分 2/5。配置入口是 ~/.openclaw/openclaw.json（JSON），最小可用配置只需指定模型，但安全使用需要额外配置 DM 策略、沙箱模式、通道白名单、技能权限。复杂度来源：

• 配置项数量大，文档找起来费劲
• 版本迭代快，breaking change 频繁
• openclaw update 只更新 CLI，Gateway 需单独重启——这是常见的坑 [GH]
• 安全配置「做错比不做更危险」——默认值偏宽松

有 openclaw onboard --install-daemon 向导降低门槛，但深入调优仍需大量试错。

代码质量

评分 2/5。48k+ commits 的 TypeScript monorepo 是典型的快速堆功能产物 [GH]：

• 架构臃肿：pnpm workspace 结构随功能增长而膨胀，社区贡献者反映维护困难
• 无自优化机制：没有 skill 自动迭代/修正能力，session 积累垃圾而不自清理
• 测试覆盖不明：快速发布节奏下难以保证测试质量
• 版本管理混乱：日历化版本号 + latest tag 曾指向过期版本（已知 bug）[GH]

适合学习技能系统设计思路，不适合作为代码工程范本。

可扩展性

评分 4/5。OpenClaw 的架构设计以扩展为核心，这是其核心竞争力之一：

• 技能系统：SKILL.md + ClawHub 市场 + 三级优先级（bundled/global/workspace），社区可自行发布技能
• 多沙箱 provider：Docker、SSH、OpenShell 三种沙箱后端可选，接口统一
• 多通道适配：20+ 消息平台的适配层，新增通道有清晰模式
• 多 agent 路由：不同频道/用户可路由到不同 agent 配置，隔离度好
• 配套应用 API：macOS/iOS/Android 通过 Gateway WebSocket 通信，可扩展新客户端

扣分项：技能系统缺少版本管理和依赖解析——安装社区技能可能导致不可预期的行为，这是扩展生态的关键短板。

文档质量

评分 3/5。核心问题不是内容缺失，而是信息架构混乱：

• 相关内容散落在互不链接的页面中，新手找不到入口
• 大量介绍性文字，缺少精确的配置示例和边界条件说明
• 版本滞后于代码（部分页面基于 2026.2，当前已是 2026.3.x）[Docs]

对比 Hermes Agent 文档：每个配置项精确标注类型、默认值、副作用。OpenClaw 的文档更像「博客文章合集」。

社区与成熟度

维度	评分	说明
社区活跃度	5/5	371k stars，76.8k forks，48k+ commits，ClawHub 生态自生长，Discord/issue 响应活跃 [GH]
成熟度	3/5	仅 6 个月历史，3 次改名（Clawdbot → Moltbot → OpenClaw），breaking change 频繁；据公开报道，作者已加入 OpenAI 并将项目移交非营利基金会 [Wiki: 2026.2 Steinberger joins OpenAI, foundation stewardship]

社区和成熟度显著不对称——社区规模是 v4.0 级别，成熟度是 v0.3 级别。这意味着：关注度极高但实际生产用户可能远少于关注者；生态繁荣但基础不稳。

安全与风险

评分 2/5。三个独立攻击面：

1. Prompt injection：LLM 驱动的 agent 天然面临的问题——邮件、网页内容、第三方技能描述中都可能植入恶意指令。沙箱机制可部分缓解，但不能完全消除
2. 第三方技能缺乏审查：据安全媒体报道，Cisco 安全团队发现 ClawHub 上存在技能在用户不知情的情况下执行数据外泄和 prompt injection [Wiki: Cisco AI security team findings]。社区技能没有强制审查流程
3. 默认权限较宽：main session 默认拥有完整主机权限。虽然可通过 DM pairing 和沙箱限制，但默认值偏宽松——不主动做安全配置的用户面临较高风险

据公开报道，中国政府已于 2026 年 3 月限制国企和政府机构在办公电脑上运行 OpenClaw，理由是数据安全风险 [Wiki: 2026.3 Chinese government restrictions]。另有社区引用称维护者曾提醒非命令行用户谨慎使用；该 Discord 原始消息本轮未能独立复取，因此只作为弱证据风险提示，不作为强事实断言 [Wiki: maintainer warning]。

License：MIT——商用授权友好，但不覆盖第三方技能、依赖包、模型服务条款和数据合规风险。

学习价值

高——尽管不推荐实际使用，但其架构设计有参考价值：

• 技能系统（SKILL.md + 三级优先级）的设计思路值得借鉴
• 多代理路由 + 沙箱隔离的工程方案可作参考
• 多通道适配的模式（20+ 平台统一抽象层）有学习意义