本文由莫潇羽@源码七号站 原创发布，转载请注明出处：www.fuyuan7.com
快速摘要
如果你只有 2 分钟，请先读这里。
OpenClaw（俗称"AI龙虾"）是 2026 年最火爆的开源 AI Agent 框架，由奥地利开发者彼得·斯坦伯格于 2025 年 11 月的一个周末实验性创建，2026 年 2 月起进入爆发期，目前 GitHub Star 数已突破 25 万+，成为有史以来增速最快的开源项目之一。
它的核心价值在于： 它不是聊天机器人，而是一个能真正"做事"的 AI 智能体——可以自主操控计算机、调度多个平台、持续运行 7×24 小时，并通过文件系统保存长期记忆，重启后不会"失忆"。
三大关键技术支柱：
- 决策核心（大脑）：基于 ReAct 范式，支持 Claude、DeepSeek、Qwen 等多款大模型热切换
- 文件驱动记忆：用 SOUL.md、MEMORY.md、AGENTS.md 等 Markdown 文件管理 AI 人格与记忆，完全透明可控
- Gateway 多平台接入：兼容 Telegram、微信、飞书、Discord 等 10+ 主流通讯平台，随时随地发出指令
对普通用户最实用的结论： 你不需要会编程，只需要会写 Markdown，就能定制出一个 7×24 小时为你工作的专属 AI 助手。
→ 往下看有更详细的架构拆解、配置讲解和实操步骤。
一、这只"AI 龙虾"，究竟从哪里来？
2026 年初，中国 AI 圈突然兴起了一股奇特的热潮——"养虾"。
这不是水产养殖，而是一批开发者和科技爱好者，争相部署一个名叫 OpenClaw 的开源 AI 智能体框架，并对其进行"投喂"训练，使其逐渐进化成自己的专属数字助手。随着腾讯云工程师在深圳大厦门口"摆摊"免费帮人安装，马化腾在朋友圈感慨"没想到会这么火"，OpenClaw 的热度彻底从技术圈蔓延到大众视野。
但很多人不知道的是，这个席卷全球开发者社区的项目，最初只是一个周末的个人实验。
故事要从 2025 年 11 月说起。奥地利开发者彼得·斯坦伯格（Peter Steinberger）在某个周末，试着把大型语言模型接入到日常使用的聊天工具里，让 AI 不仅仅能"说话"，还能真正地"做事"。这个内部实验性项目最初叫 Clawdbot，后来因为商标问题改名为 Moltbot，最终在 2026 年 1 月正式定名为 OpenClaw，并发布了第一个正式版本。
伴随正式版发布，OpenClaw 在 GitHub 上的星标数开始了令所有人瞠目结舌的爆发式增长。两个月内，其星标数超越了 Linux、React 等持续更新十余年的超大型基建项目，成为 2026 年全球最具活力的开源 AI 代理生态。
作为一个长期关注国内外 AI 动态的技术站长，我（莫潇羽@源码七号站）在第一时间就注意到了这个项目。清华大学新闻与传播学院与人工智能学院双聘教授沈阳团队（清新研究）随后发布了《OpenClaw 发展研究报告》和《OpenClaw 自我研究报告》，对这一项目进行了系统、深度的学术分析。本文将以这两份报告为核心参考，结合大量一手技术资料，带你从头到尾彻底搞懂 OpenClaw 到底是什么，以及怎么用好它。
二、OpenClaw 的本质定位：它和 ChatGPT 有什么不同？
在理解 OpenClaw 之前，我们必须先搞清楚一个最根本的问题：它和我们日常使用的 ChatGPT、DeepSeek 这些 AI 聊天工具，到底有什么本质区别？
简单来说：ChatGPT 是一个会说话的 AI，而 OpenClaw 是一个会做事的 AI。
传统的大语言模型，本质上是一个"函数"——你给它输入，它产生输出，然后结束。每一次对话都从零开始，它没有任何跨会话的记忆，也没有能力主动去执行任何操作。问它"帮我发一封邮件"，它能写邮件草稿，但它不能真的帮你把邮件发出去。
OpenClaw 做的事，就是彻底打破这个边界。
技术上，它采用的是一种叫做 Gateway-Agent-Workspace 分层架构，将自身定位为"自托管 AI 网关"。这意味着它是一个常驻运行的服务进程，而不是一次性的请求响应。授权它访问你的计算机之后，它可以操控鼠标和键盘、管理文件、发送邮件、进行网页搜索、调用各种 API——在不需要人工介入的情况下，完成一整套复杂的工作流程。
它的核心能力包含以下几个维度：
- 持久记忆：它不会每次重启都"失忆"，而是通过文件系统持续存储工作日志和知识积累
- 任务拆解：面对复杂指令，它能自主规划执行步骤，并逐一完成
- 跨软件操作：可以调用本地应用、操作系统功能和外部 API
- 自我纠错：遇到执行失败时，会自动重试并调整策略
- 持续在线：设计为 7×24 小时不间断运行，即使你睡觉，它依然在工作
清华沈阳团队的报告将这种范式转变定义为：从"对话工具"到"数字孪生"的能力跃迁。这不是量变，而是质变。
三、技术架构深度拆解
理解 OpenClaw 的工作原理，需要从它的三层核心架构说起。
3.1 决策核心——AI 的"大脑"
这是整个系统的思考中枢与运行时环境，负责处理所有的决策逻辑。
它的底层运作遵循一种叫做 ReAct（Reason + Act） 的推理范式。当你发出一个指令时，系统的处理过程大致如下：
感知（Observe）→ 思考（Thought）→ 行动（Action）→ 观察结果 → 再次思考 → 再次行动...以"帮我整理今天的会议纪要并发给所有参会者"这个指令为例，AI 不是直接执行，而是先将其拆解为若干步骤：读取会议录音文件 → 调用转录工具 → 提炼关键内容 → 整理格式 → 获取参会者邮件地址 → 调用邮件工具发送。每一步执行后，它都会观察结果，如果某步失败，会自动尝试修复或换一条路径。
这里有一个非常重要的设计理念：模型无关（Model Agnostic）。OpenClaw 的决策核心不绑定任何特定的大模型，可以无缝切换 Claude、Gemini、GPT、Llama、DeepSeek、Kimi 等主流云端大模型，也可以通过 Ollama 接入本地大模型。这意味着你可以根据任务复杂度和成本考量，自由选择最合适的模型。
在实际使用中，一种推荐的多模型分级策略是：
|
任务等级 |
推荐模型 |
适用场景 |
|
高复杂度 |
Claude Opus / GPT-5 |
复杂推理、多文件重构、架构设计 |
|
中等复杂度 |
Claude Sonnet / DeepSeek-V3 |
日常代码、信息整理、内容创作 |
|
低复杂度 |
Claude Haiku / Qwen |
文件操作、格式转换、简单搜索 |
通过这种分级策略，Token 消耗能降低 60-70%，同时保证核心任务的输出质量。
3.2 记忆体系——AI 的"持久意识"
这是 OpenClaw 相较于传统 AI 工具最核心的差异化优势，也是让很多人第一次用它时感到震惊的地方。
传统 AI 的"记忆"是短暂的，只存在于当前对话窗口。关掉窗口，一切归零。而 OpenClaw 的记忆是持久化的——它将所有重要信息以 Markdown 文件的形式写入磁盘，无论经历多少次重启、多少次会话，只要文件还在，它就"记得"。
OpenClaw 官方将这套哲学总结为四个字："Text > Brain"——文件是唯一的记忆来源，凡是没写入文件的，对系统而言就等于不存在。
记忆存储在工作区目录（~/.openclaw/workspace/）下，采用清晰的三层结构：
~/.openclaw/workspace/
├── MEMORY.md # 长期策划记忆：偏好、决策、持久事实
├── SOUL.md # 人格定义
├── AGENTS.md # 行为规范
├── HEARTBEAT.md # 心跳任务配置
├── memory/
│ ├── 2026-03-15.md # 今日追加日志
│ ├── 2026-03-14.md # 昨日日志
│ └── ... # 历史日志
└── sessions/ # 会话转录记录当 AI 需要"回忆"某件事时，它不是简单地读文件，而是通过一个混合搜索引擎来检索：底层使用 SQLite + FTS5（全文搜索）+ sqlite-vec（向量检索）的组合，将 BM25 关键词匹配和语义向量检索以 70/30 的比例加权融合。这意味着无论你用关键词还是模糊描述来提问，系统都能高效地找到相关的历史记录。
3.3 交互模块——AI 的"感知入口"
这是系统与外部世界连接的枢纽，实现了 7×24 小时全时段在线。OpenClaw 通过 WebSocket/FastAPI 路由，将来自各平台的消息统一转换为内部协议格式，再传给决策核心处理。
目前支持的接入平台包括：Telegram、WhatsApp、Slack、iMessage、Discord、Signal、飞书、企业微信等超过 10 个主流通讯平台。这意味着你不需要打开专门的管理界面，只需要在日常使用的聊天软件里发一条消息，就能下达指令、接收执行报告。
有用户甚至实现了这样的工作方式：用一台 Mac Mini 全天候运行 OpenClaw，自己只通过手机上的 Telegram 与它沟通，没有任何网页界面，没有管理控制台，纯粹靠对话就能调度整个 AI 团队。
四、灵魂文件详解：那些决定 AI "是谁"的 Markdown
OpenClaw 的一个精妙设计在于：它用普通的 Markdown 文本文件来定义 AI 的人格、记忆和行为规范。任何人用记事本就能查看和修改，完全透明、完全可控。
理解这套文件体系，是真正用好 OpenClaw 的关键。
4.1 SOUL.md——定义 AI 的"灵魂"
SOUL.md 是整个配置体系的灵魂，用于定义你的 AI 助手的名字、性格、核心职责和行为准则。没有这个文件，AI 只是一个无名无魂的程序；有了它，AI 才成为一个有个性、有立场的"数字伙伴"。
一个典型的 SOUL.md 示例：
# SOUL.md - 我的 AI 助手：小晨
## 身份
你叫小晨，是我的个人助手，专注于提升我的工作效率。
## 性格特质
- 逻辑清晰，回答简洁，不废话
- 遇到问题会主动拆解，不轻易说"不行"
- 记住我的偏好：我喜欢 Markdown 格式、简短摘要优先
## 核心职责
1. 管理我的任务清单和工作日志
2. 协助文档整理和信息检索
3. 按需发起定时提醒
## 行为边界
- 删除任何文件前必须先询问确认
- 不自动发送邮件，只起草内容等待我确认
- 涉及财务数据的操作必须双重确认这个文件会在每次会话启动时被自动加载，成为 AI 理解"自己是谁"的基础参照。如果你发现 AI 的回答风格不符合预期，往往只需要修改 SOUL.md 就能纠正。
4.2 MEMORY.md——AI 的"长期记忆档案"
MEMORY.md 是 AI 的长期记忆核心，存放那些需要跨越数周甚至数月依然有效的关键信息：你的技术栈选择、项目架构决策、工作习惯偏好、重要事项的处理结论等。
重要的设计细节：这个文件仅在私聊会话中加载，从架构层面防止隐私信息泄露到群组场景。文件默认不存在，需要用户手动创建，建议从最重要的个人偏好和项目背景开始写起，逐步积累。
一个实用的 MEMORY.md 结构参考：
# MEMORY.md - 长期记忆
## 技术偏好
- 编程语言：Python 优先，前端用 Vue3
- 服务器：偏好 Ubuntu，使用 Docker 部署
- 不喜欢：过长的解释，需要简洁答案
## 当前项目
- 项目 A：xxx（进度、关键决策记录在这里）
## 重要约定
- 每周五下午提醒我更新周报
- 所有重要操作执行前必须二次确认4.3 AGENTS.md——AI 的"工作手册"
如果说 SOUL.md 定义了 AI"是谁"，那么 AGENTS.md 定义的则是 AI"怎么工作"。它是 AI 的岗位职责书，规定了每次新对话开始时应该先做什么、记忆应该写到哪里、哪些操作需要提前询问等工作规范。
没有 AGENTS.md，就像给公司招了一个能力很强的新员工，但既没有岗位说明书，也没有操作规范——能力有，但容易越权，也不知道怎么有条理地协作。
AGENTS.md 会在 OpenClaw 每次启动新 session 时自动加载，是保证 AI 输出稳定、可控的关键配置。
一个基础模板：
# AGENTS.md - 工作规范
## 每次会话启动时
1. 读取今日日志（memory/YYYY-MM-DD.md）
2. 检查 MEMORY.md 中的待办事项
3. 向用户汇报当前状态
## 记忆写入规范
- 重要决策 → MEMORY.md
- 今日工作日志 → memory/当日日期.md
- 所有日志格式：[HH:MM] 事件描述
## 操作安全边界
- 删除文件：必须先询问确认
- 发送消息：必须先展示草稿
- 执行脚本：告知我将要执行的内容4.4 HEARTBEAT.md——AI 的"自动心跳"
这是一个容易被初学者忽视，但用好了极其强大的配置文件。
OpenClaw 内置了一个心跳调度器，默认每 30 分钟触发一次，在没有外部指令的情况下自动执行 HEARTBEAT.md 中定义的任务清单。你可以把它理解为 AI 的"自我驱动的待办列表"——即使你不说话，它也会定时检查、定时汇报、定时执行。
# HEARTBEAT.md - 心跳任务
## 每次心跳执行
- 检查是否有未读的重要消息
- 更新今日工作日志
- 检查即将到期的任务
## 每日早上 8:00
- 发送今日日程摘要
- 汇报昨日工作完成情况
## 每周五 17:00
- 提醒撰写周报需要注意：心跳任务应该设计得小而稳，避免放入复杂、耗时的操作。官方文档的建议是：把它想象成一次轻量的"例行检查"，而非完整的工作流。
4.5 USER.md——记录"你是谁"
这个文件用于记录用户自身的背景信息、工作场景和沟通偏好，帮助 AI 更好地理解操作上下文。比如你的职业、常用工具、沟通风格偏好等。这让 AI 在面对模糊指令时，能做出更符合你实际需求的判断，而不是做出一个"平均用户"的通用回答。
五、记忆系统深度解析：如何让 AI 真正"记住"你
很多人在初次接触 OpenClaw 的记忆系统时，会有一个疑问：既然是本地文件，那和我自己管理记事本有什么区别？
区别在于：OpenClaw 的记忆是 AI 主动参与管理的。
当你告诉它"记住这个"，它会主动将信息写入对应的文件层级。当你问它过去做了什么决定，它会主动搜索历史日志文件，而不需要你手动翻找。更重要的是，通过 memoryFlush（记忆冲刷） 机制，系统会在对话接近上下文窗口上限时，主动将对话中的关键信息提炼并写入磁盘，防止因"上下文压缩"导致重要信息永久丢失。
记忆系统的工作流可以简化为以下循环：
日常对话产生信息
↓
AI 实时写入当日日志（memory/YYYY-MM-DD.md）
↓
定期执行记忆维护（提炼 → 压缩 → 清理）
↓
重要结论升级至 MEMORY.md 长期存储
↓
下次会话时，AI 加载 MEMORY.md + 近两日日志 + 语义检索历史其中"记忆维护"的三个操作尤为关键：
提炼（Extract）：将日志中有长期价值的信息移动到对应的层级文件。例如，日志中记录了某个项目的技术选型决策，应该提炼到 MEMORY.md 中的"项目"章节。
压缩（Compress）：将已完成的详细任务记录压缩为简短的结论。把"详细记录了部署过程的 10 个步骤"压缩为"2026-03-14: 完成 WebApp 生产环境部署，使用 Nginx + Docker 方案"——只保留结论，减少噪音。
清理（Clean）：删除完全过期的临时信息。比如"明天要参加会议"这类事件已过去，可以直接删除，避免记忆文件越来越臃肿，影响检索质量。
六、实战上手：从零开始部署 OpenClaw
这里分两条路线讲解，一条是本地部署（适合有一定动手能力的用户），另一条是云端一键部署（适合想快速体验的用户）。
6.1 云端一键部署（推荐新手）
目前国内多家云服务商已支持 OpenClaw 一键部署，操作门槛极低。
阿里云方案：
访问 https://www.aliyun.com/activity/ecs/clawdbot，选择一键购买并部署实例。阿里云百炼大模型服务平台（https://bailian.console.aliyun.com/）提供免费额度，适合个人日常使用。建议同时开通 Coding Plan 套餐，性价比更高。
配置大模型 API 时，注意区分两套 API Key 和 Base URL：
# 按量计费（标准版）
Base URL: https://dashscope.aliyuncs.com/...
API Key 格式: sk-xxxxx
# Coding Plan 专属（性价比更高）
Base URL: https://coding.dashscope.aliyuncs.com/v1
API Key 格式: sk-sp-xxxxx两套不互通，请不要混用。
腾讯云方案：
访问 https://cloud.tencent.com/developer/article/2624973 按文档操作，腾讯云 Lighthouse 轻量服务器支持零代码部署，适合完全不懂命令行的用户。
6.2 本地部署（macOS/Linux/Windows WSL）
前置要求：
- 一台能保持常开的设备（Mac Mini、旧笔记本、云服务器均可）
- Node.js 运行环境
- 至少一个大模型 API Key（推荐 DeepSeek 或 Qwen，国内访问稳定）
核心配置文件 openclaw.json 基础示例：
{
"agents": {
"defaults": {
"model": {
"provider": "anthropic",
"name": "claude-sonnet-4-20250514",
"temperature": 0.7,
"maxTokens": 4096
},
"compaction": {
"reserveTokensFloor": 20000,
"memoryFlush": {
"enabled": true,
"softThresholdTokens": 4000
}
},
"heartbeat": {
"every": "30m",
"activeHours": {
"start": "08:00",
"end": "23:00"
}
}
}
},
"memorySearch": {
"enabled": true,
"provider": "openai",
"remote": {
"baseUrl": "https://api.siliconflow.cn/v1",
"apiKey": "你的_SiliconFlow_API_Key"
},
"model": "BAAI/bge-m3"
},
"billing": {
"limits": {
"daily": 10.00,
"monthly": 200.00
}
}
}其中，memorySearch 的 embedding 模型推荐使用 SiliconFlow 提供的 BAAI/bge-m3，它对中英文混合文本支持良好，且平台提供每日数百万 tokens 的免费额度，个人使用完全够用。
工作区目录结构：
安装完成后，你的第一件事是初始化工作区目录结构：
~/.openclaw/workspace/
├── SOUL.md ← 先创建这个，定义 AI 的名字和性格
├── USER.md ← 写上你自己的背景信息
├── AGENTS.md ← 定义工作规范
├── MEMORY.md ← 先留空，使用过程中逐步积累
└── HEARTBEAT.md ← 定义定时任务（可以先不配置）接入通讯平台（以 Telegram 为例）：
配置 Telegram Bot 是最常见的接入方式：
- 向 @BotFather 申请一个 Bot Token
- 在
openclaw.json中的channels配置节填入 Token - 执行
openclaw gateway restart使配置生效 - 在 Telegram 搜索你的 Bot，发送一条消息测试
成功连接后，你就可以随时随地在手机上通过 Telegram 向你的 AI 助手下达指令了。
七、Skill 技能体系：给 AI 装上"武器库"
如果说基础配置定义了 AI 的"性格"，那么 Skill（技能）体系则决定了 AI 的"能力边界"。
Skill 的设计理念极为平民化：它本质上是一个 Markdown 文件，用自然语言描述"遇到什么情况，按什么步骤执行"。AI 读了这个文件，就"学会"了一项新技能。不需要编程，任何人都能编写。
一个 Skill 的目录结构如下：
skills/
└── my-weather/
├── SKILL.md ← 技能描述和触发规则（必须）
└── scripts/ ← 可选，需要执行脚本时使用SKILL.md 的结构由 YAML 头信息和正文两部分构成：
---
name: 实时天气查询
description: >
获取天气信息。触发条件：用户问天气、气温、是否下雨、
穿什么衣服、需不需要带伞、今天出行等问题时触发。
---
## 执行步骤
1. 提取用户询问的城市名称（默认当前城市）
2. 调用天气 API 获取实时数据
3. 以友好的格式返回：温度、天气状况、建议穿搭
## 注意事项
- 如果未明确城市，询问用户确认
- 返回内容不超过 3 行，保持简洁关键技巧：description 字段里要列出所有可能的触发词，越详细越好。触发率完全取决于这段描述的覆盖程度。
Skill 有三个优先级层级，从高到低依次为：
<workspace>/skills/：你自己编写的自定义技能（最高优先级）~/.openclaw/skills/：全局安装的技能- 内置技能：OpenClaw 自带（最低优先级）
目前，围绕 OpenClaw 的 Skill 生态已经形成了一个多层次的市场体系：官方的 ClawHub 是创新核心，第三方的 openclawskills.best 扮演安全过滤器的角色，VoltAgent、LobeHub 等则是精选垂类平台。开发者可以在这些平台上找到覆盖各行业场景的现成技能包，也可以自行开发并在社区内分享。
八、多 Agent 协同：打造你的专属 AI 团队
OpenClaw 的进阶玩法是构建多 Agent 协同系统——一个实例里运行多个各司其职的 AI，由一个主脑协调调度，共同完成复杂的工作流。
一个典型的团队化工作区结构：
~/.openclaw/workspace/
├── SOUL.md # 主脑（协调者）
├── AGENTS.md # 全局行为规范
├── MEMORY.md # 主脑的长期记忆
├── HEARTBEAT.md # 心跳监控
└── agents/
├── researcher/ # 专职调研 Agent
│ ├── SOUL.md
│ ├── AGENTS.md
│ └── memory/
├── coder/ # 专职编程 Agent
│ ├── SOUL.md
│ └── memory/
└── writer/ # 专职内容创作 Agent
├── SOUL.md
└── memory/主脑 SOUL.md 中的核心任务分派逻辑示例：
## 任务分派策略
- 需要搜索资料、分析市场 → 派给 researcher
- 需要写代码、调试程序 → 派给 coder
- 需要撰写文案、整理报告 → 派给 writer
- 简单的日常咨询 → 自行处理，不必调用子 Agent这套架构有一个重要细节值得注意：子 Agent 是"零上下文"的，它只能看到主脑传递给它的任务描述，看不到主脑的完整对话历史。因此，主脑在分派任务时，任务描述的质量直接决定了子 Agent 的输出质量。描述越具体、背景越完整，输出越好。
在硬件选择上，很多人认为一定要高配置机器才能跑多 Agent。实际上并不需要。普通的家用笔记本、每月 5-10 美元的云服务器 VPS 都能流畅运行。关键不在于计算本地模型的算力，而在于网络稳定性和 API 访问的可靠性。Mac Mini 之所以被很多人推崇，是因为它静音、省电、可以全天候开机，并不是因为它性能强。
九、国内生态：大厂入局与本土化发展
OpenClaw 在国内引发的热潮，远超很多人的预期。
从时间线来看，这一轮"养虾热"的爆发速度惊人：2026 年 1 月底，阿里云、腾讯云几乎同步上线一键部署服务；2 月，百度智能云推出相关镜像；3 月，国内已有超过 15 家科技大厂完成布局，形成了层次分明的市场格局。
云厂商层以腾讯云、阿里云、火山引擎、百度智能云为主，提供一键部署和托管运行服务，解决普通用户的入门门槛问题。腾讯云的"云上养虾人"规模一度突破 10 万。
模型厂商层以 MiniMax、智谱 AI 为代表，通过深度适配推出了 MaxClaw、AutoGLM-OpenClaw 等本土化版本，侧重于中文任务理解和云端协同效率。月之暗面的 Kimi Claw 则针对中文任务拆解做了专项优化。
初创企业层聚焦上门安装、技能包开发、企业安全加固等细分服务领域，形成了从"50-100 元远程调试"到"上万元企业定制"的服务梯度。
在这个生态中，清华沈阳团队研发的 ZeelinClaw（变种虾） 是一个值得单独提及的项目。它被定位为 OpenClaw 的企业级发行版，类似 RedHat 之于 Linux 的关系——通过加入最小权限机制、审批流、SOP 标准化规范以及多生态解耦适配，系统性地解决了原版 OpenClaw 在企业部署时面临的合规性和可控性问题。
此外，国内一批面向不同场景的衍生产品也相继涌现：LobsterAI 提供图形化界面，让不习惯命令行的用户也能操作；字节跳动旗下火山引擎推出的 ArkClaw 则将 OpenClaw 能力与企业级飞书生态深度整合。
九·一、国内部署的合规性考量
与海外部署场景相比，国内用户在部署 OpenClaw 时有一些需要额外关注的合规性问题，这一点在清华团队的报告中也有所提及。
数据跨境问题是首要考量。OpenClaw 的本地优先架构本身就是应对数据合规要求的一个天然优势——数据存储在本地，不涉及跨境传输。但如果你选择的大模型 API 是境外服务（如 Claude、GPT），那么对话内容和任务指令实际上会经由 API 发送到境外服务器处理。对于涉及敏感业务数据的企业用户，应优先考虑接入国内合规的大模型服务（如 DeepSeek、Qwen、Kimi 等），或者部署本地模型（通过 Ollama 接入）。
联网搜索功能目前在中国内地地域（除香港）暂不支持。阿里云的部署文档明确说明了这一点。如果你需要 AI 具备网络搜索能力，需要选择支持该功能的部署地域，或者通过配置第三方搜索 API（如 Tavily）来实现。
通讯平台接入方面，Telegram 是目前国内 OpenClaw 用户最常用的接入通道，但需要注意网络访问问题。飞书、企业微信作为合规的国内替代方案，各大厂商也有相应的接入文档支持，推荐需要在企业内部使用的用户优先考虑这两个平台。
AI 生成内容合规是企业用户不能忽视的方面。根据国内相关规定，对外发布的 AI 生成内容需要符合相应的标识要求。如果你使用 OpenClaw 生成面向公众发布的内容，需要在内容发布流程中加入人工审核环节，而不是让 AI 完全自主发布。
九·二、国内本土化版本横向比较
随着 OpenClaw 热度的持续高涨，国内市场出现了多个针对不同场景和用户群体的本土化版本，各有侧重。以下是目前主要版本的简要比较，供有不同需求的读者参考。
LobsterAI（图形化界面版）的核心特点是彻底告别命令行。它为 OpenClaw 提供了一套图形化的配置和管理界面，适合完全不习惯终端操作的用户。对于希望在企业内部推广但员工技术背景参差不齐的场景，LobsterAI 降低了普及的门槛。不过，图形化封装也意味着对底层配置的定制空间相对受限，且团队级别的审计和权限管理功能有待完善。
Kimi Claw（云端托管版）的优势是开箱即用，无需本地安装和维护，对中文任务的拆解和理解做了专项优化。但由于数据在云端处理，对数据本地化有严格要求的用户需要谨慎评估。此外，它与 Kimi 模型深度绑定，切换其他模型的灵活性较低。
MiniMax MaxClaw（零代码构建平台）更像是一个 AI Agent 的创作平台，侧重于帮助用户从零构建定制化的 Agent，而非直接接管用户的存量系统和工具链。适合希望打造面向客户的 AI 产品，而不是自用效率工具的创业者。
Zeelin-Claw（企业级发行版）是清华沈阳团队研发的重点项目，专注于解决原版 OpenClaw 在企业级部署中面临的几个核心痛点：数据合规（最小权限 + 审批流）、流程标准化（SOP 工作流）、多生态解耦（不绑定特定大模型或通讯平台）。它的目标用户是有一定技术基础、对合规和安全有明确需求的企业客户。
火山引擎 ArkClaw（字节系企业版）与飞书深度集成，将 OpenClaw 的 Agent 能力嵌入企业日常协作工具中。对于已经以飞书为核心工作台的企业，这是目前无缝对接成本最低的方案。
九·三、ZeelinClaw 深度介绍：变种虾的设计逻辑
由于清华沈阳团队在 ZeelinClaw 上投入了相当精力，报告中对其设计逻辑有较为详细的阐述，这里单独做一些展开。
ZeelinClaw 的设计理念可以用一句话概括：在 OpenClaw 灵活性的基础上，增加企业级所必需的可控性。
原版 OpenClaw 对个人用户非常友好，因为它给予 AI 相当大的自主行动空间。但在企业场景中，这种自主性是一把双刃剑——AI 可以高效完成任务，但也可能在没有足够审批机制的情况下执行了不该执行的操作。ZeelinClaw 在这一点上做了明确的架构级限制：
最小权限原则：每个 Agent 只被授予完成其核心任务所必需的最低限度权限，无法访问权限范围以外的数据和操作。
审批流机制：对于涉及资金、数据删除、对外发布等高风险操作，系统会自动暂停执行并请求人工审批，而不是直接执行。
SOP 标准化：将企业常用的业务流程固化为标准操作程序，确保 AI 在执行这些流程时的结果可预期、可审计。
多生态解耦：通过抽象层设计，使企业在切换大模型供应商或通讯平台时，不需要重新配置所有 Agent。
这套设计让 ZeelinClaw 在企业部署场景中比原版 OpenClaw 更具可控性，同时保留了大部分核心能力。对于将 AI Agent 真正用于业务流程而非个人效率的企业客户，这是目前国内较为成熟的一个方向。
十、OpenClaw 生态纵深：Skill 治理、效率边界与垂直应用
在理解了 OpenClaw 的技术架构、配置体系与国内生态之后，有几个更深层的问题值得认真讨论：这个生态真的安全吗？所谓的"效率革命"有没有被夸大？它在哪些具体场景里已经跑通了？本章从三个维度展开，试图给出一个相对客观的判断。
十·一、清华报告中关于 Skill 生态治理的重要发现
清华研究团队在报告中，对 OpenClaw 的 Skill 生态治理问题给予了特别关注，指出这是整个生态体系中风险最集中的一个环节。
OpenClaw 的 Skill 的本质是可执行的 AI 指令集，能够调用各类工具和系统资源。这意味着一个恶意设计的 Skill，对系统的危害性远超传统软件中的一个恶意 npm 包——后者可能只是破坏本地环境，而前者可能通过 AI 的"信任背书"绕过用户的心理防线，执行用户本来不会手动操作的高危行为。
在 OpenClaw 生态快速扩张的早期阶段，确实出现了一批恶意技能包，以及专门针对 OpenClaw 工作区的攻击工具（被研究者称为"ClawHavoc"）。官方市场 ClawHub 随后加强了审核机制，但第三方渠道的技能包仍然需要用户自行甄别。
清华报告对此提出了几条建议性原则，对普通用户有参考价值：
- 优先从官方 ClawHub 或经过社区验证的可信渠道安装 Skill
- 安装新 Skill 后，仔细阅读其 SKILL.md 内容，理解它在"触发时"会执行哪些操作
- 不要安装来源不明的 Skill，尤其是声称能提供"免费 API"或"绕过限制"的技能包
- 对于涉及外部 API 调用的 Skill，检查其使用的 API Key 是否需要提供你的账号权限
- 定期审查已安装的 Skill 列表，删除不再使用的技能
这些建议的核心逻辑是：Skill 是 AI 能力的扩展，但也是攻击者可能利用的入口。对待 Skill 安装，应该比对待手机 App
