龙虾智能体

引言：AGI 平台的新竞争者 在 2026 年的 AGI 竞赛场上，各大平台层出不穷。OpenClaw 作为一个以"龙虾"为标志的智能体平台，凭借其独特的 MCP（Model Context Protocol）生态和高度可扩展的架构设计，迅速吸引了开发者的目光。本文将从架构、能力、开发体验、生态兼容性等多个维度，对 OpenClaw 进行一次不留情面的深度评测。 一、平台架构全景 OpenClaw 的核心设计哲学可以概括为三个关键词：模块化、协议优先、人机协同。 1.1 核心运行时 OpenClaw 的运行时建立在 Node.js 之上，采用事件驱动的架构模型。与传统的 LangChain 或 AutoGen 不同，OpenClaw 并不试图将所有逻辑封装在代码框架内，而是通过一套声明式的配置系统来定义智能体的行为边界。 运行时的关键组件包括： Gateway（网关）：所有请求的入口，负责路由、鉴权和负载均衡。Gateway 支持多模型池化，可以在 qclaw/pool 系列模型之间动态切换。 Session Manager（会话管理器）：维护智能体的上下文窗口，支持无损上下文管理（LCM），这是 OpenClaw 最引以为傲的特性之一。 Skill Engine（技能引擎）：将外部工具、API 和脚本统一抽象为"技能"，通过 SKILL.md 文件声明式注册，运行时按需加载。 Node Network（节点网络）：分布式执行层，允许智能体在多个物理节点上协同工作。 1.2 配置驱动 vs 代码驱动 OpenClaw 做出了一个大胆的选择：配置优先于代码。智能体的行为不是通过 Python 脚本定义的，而是通过 Markdown 文件（AGENTS.md、SOUL.md、TOOLS.md）和 YAML 配置来描述。这一设计的优势在于： 非工程师也能快速上手，降低了智能体开发的门槛 配置文件天然具备可读性和可审查性 版本控制友好，diff 即行为变更 但代价也很明显：复杂逻辑的表达力受限。当你需要实现一个包含条件分支、循环和异常处理的复杂工作流时，纯配置方式会显得笨拙。OpenClaw 的解法是允许在 Skill 中嵌入脚本，但这种混合模式在调试时并不优雅。 二、MCP 协议支持：真正的差异化优势 MCP（Model Context Protocol）是 2025 年由 Anthropic 提出的开放协议，旨在标准化大模型与外部工具的交互方式。OpenClaw 在 MCP 支持方面做得比大多数竞品都要深入。 ...

数据主权：你的数据，留在你的机器 AI Agent 会接触到你的私密信息——邮件、日程、文件、对话记录。如果这些数据被上传到云端，你就在赌服务提供商不会滥用、不会泄露、不会被攻击。 OpenClaw 的安全哲学很简单：本地优先，零云端依赖。 传统 AI Agent: 用户 → Agent → 云端API → 数据存储在服务商服务器 OpenClaw: 用户 → 本地Agent → 本地存储 ↓ 本地模型 or API调用（仅传必要内容，不存历史） 五层安全体系 ┌─────────────────────────────────────────┐ │ Layer 5: 行为审计 (Audit Trail) │ ← 所有操作可追溯 ├─────────────────────────────────────────┤ │ Layer 4: 安全最佳实践 (Best Practices) │ ← 加密、脱敏 ├─────────────────────────────────────────┤ │ Layer 3: 沙箱隔离 (Sandboxing) │ ← 工具执行隔离 ├─────────────────────────────────────────┤ │ Layer 2: 用户授权机制 (Authorization) │ ← 危险操作需审批 ├─────────────────────────────────────────┤ │ Layer 1: 本地部署 (Local-First) │ ← 数据不出机器 └─────────────────────────────────────────┘ Layer 1: 本地部署 零云端依赖 OpenClaw 的核心运行不依赖任何云服务： ...

ClawHub：龙虾的技能市场 如果说 OpenClaw 是龙虾的身体，那 ClawHub 上的 5700+ 技能就是龙虾的装备库。每个技能（Skill）是一个独立的能力模块，让 Agent 获得新的工具和能力。 类比一下： npm 之于 Node.js = ClawHub 之于 OpenClaw App Store 之于 iPhone = ClawHub 之于 OpenClaw Chrome 插件商店 之于 Chrome = ClawHub 之于 OpenClaw 技能插件架构 技能结构 一个 OpenClaw 技能的标准目录结构： my-skill/ ├── SKILL.md # 技能定义文件（必需） ├── tools/ │ ├── search.js # 工具实现 │ └── format.js ├── assets/ │ └── template.html ├── examples/ │ └── usage.md └── package.json # 元数据 SKILL.md 格式 --- name: weather-pro version: 1.2.0 author: "claw-community" description: "专业天气查询技能，支持全球城市、7天预报、历史天气" categories: ["开源生态"] permissions: - "network:read" # 需要网络读权限 capabilities: - weather_query - weather_forecast - weather_history hooks: on_load: "initCache" on_unload: "cleanup" on_error: "fallback" config: default_unit: "celsius" cache_ttl: 300 --- ## 工具 ### get_weather 查询指定城市当前天气。 参数： - city (string, 必需): 城市名称 - unit (string, 可选): "celsius" | "fahrenheit" 返回： ```json { "city": "北京", "temp": 32, "condition": "晴", "humidity": 45, "wind": "东南风3级" } get_forecast 获取7天天气预报。 ...

Agent Loop：龙虾的大脑 OpenClaw 的核心是一个称为 Agent Loop 的执行循环。这不是简单的 while(true) 轮询，而是一个融合了感知、决策、行动、记忆的完整认知架构。 ┌─────────────────────────────────────────┐ │ Agent Loop │ │ │ │ ┌──────┐ ┌──────┐ ┌──────┐ │ │ │ 感知 │───▶│ 决策 │───▶│ 行动 │ │ │ │Perceive│ │Decide│ │ Act │ │ │ └──┬───┘ └──────┘ └──┬───┘ │ │ │ │ │ │ │ ┌──────┐ │ │ │ └────│ 记忆 │◀───────────┘ │ │ │Memory│ │ │ └──────┘ │ └─────────────────────────────────────────┘ 每一轮循环包含四个阶段，下面逐一拆解。 1. 感知层（Perceive） 感知层负责接收和解析输入信号，包括： 用户消息：来自 Telegram、WhatsApp、Discord 等 50+ 渠道 定时触发：cron 任务、心跳轮询 系统事件：文件变更、进程状态、设备传感器 Agent 间通信：多 Agent 协作时的消息传递 interface Perception { source: "user" | "cron" | "system" | "agent"; channel: string; // "telegram", "webchat", "cron" ... rawContent: string; // 原始内容 metadata: { timestamp: number; priority: "low" | "normal" | "high" | "urgent"; context?: Context; // 上下文继承 }; } 感知层的关键设计是多路复用。OpenClaw 可以同时监听多个渠道的消息，通过消息网关统一格式后送入决策层。这就像龙虾的触角——同时感知水流、温度、化学信号。 ...

一只龙虾的诞生 2024 年初，Peter Steinberger 在自己的 GitHub 仓库里提交了第一个 commit，项目名叫 clawdbot——一个简单的 Telegram bot，用 LLM API 做自动回复。没人想到，两年后这个项目会变成 GitHub 上 28 万星标的现象级开源 AI Agent 框架 OpenClaw。 “我不想做一个会聊天的 AI，我想做一个会做事的 AI。” —— Peter Steinberger, OpenClaw 创始人 这句话定义了 OpenClaw 的核心定位：会做事的 AI。不是聊天机器人，不是写作助手，而是一个能感知环境、做出决策、调用工具、完成任务的智能体。 从 ClawdBot 到 OpenClaw 的演变 时间线 时间 里程碑 星标数 2024.01 ClawdBot v0.1 发布，Telegram bot + GPT-4 42 2024.06 更名 OpenClaw，开源 MIT 协议 3,200 2024.09 引入 Agent Loop 架构 18,000 2025.03 ClawHub 技能市场上线 85,000 2025.08 多模型路由引擎发布 156,000 2026.01 记忆系统 2.0 + L3 智能体框架 280,000+ 为什么叫"龙虾"？ Steinberger 在一次播客中解释：龙虾（Lobster）有两个钳子，代表 Agent 的"感知"和"行动"两个核心能力。龙虾有坚硬的外壳——代表安全性和隐私保护。龙虾在极端环境下也能生存——代表 Agent 的鲁棒性。而且，“OpenClaw” 里的 Claw 既是龙虾钳子，也是代码里的爪子（hook）。 ...

两大阵营 2026 年的开源 AI Agent 领域，有两个项目站在金字塔顶端： OpenClaw（龙虾）：GitHub 28 万星，“会做事的 AI” Hermes Agent（爱马仕）：GitHub 10.5 万星，“会进化的 AI” 一个是执行导向的实干家，一个是进化导向的思考者。选龙虾还是选爱马仕？这篇文章给你答案。 设计哲学 维度 OpenClaw 🦞 Hermes 🏛️ 核心理念 会做事的 AI 会进化的 AI 设计哲学 执行优先 反思优先 模型定位 工具使用者 自我进化者 目标 把用户的任务做成 让自己变得更聪明 类比 一个高效的助理 一个会成长的学徒 OpenClaw 的哲学是实用主义：用户说"做X"，龙虾就去把X做成。过程中需要什么工具就调用什么工具，需要什么模型就路由到什么模型。简单、直接、高效。 Hermes 的哲学是进化主义：每次任务执行后，Hermes 会反思自己的表现，提取经验教训，更新自己的认知模型。它不只是执行任务，更在任务中学习。 # OpenClaw 的循环 while not done: plan = decide(task) result = execute(plan) memory.save(result) done = is_complete(result) # Hermes 的循环 while not done: plan = decide(task) result = execute(plan) reflection = reflect(plan, result) # ← 额外的反思步骤 insights = extract_insights(reflection) self.evolve(insights) # ← 自我更新 memory.save(result, insights) done = is_complete(result) Hermes 多了 reflect 和 evolve 两步，这意味着更强的学习能力，但也意味着更多的 Token 消耗。 ...