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）。
这个比喻在社区里迅速传播，用户们开始自称"养虾人"，把部署 Agent 叫"养龙虾"。
核心定位：会做事的 AI
OpenClaw 与传统聊天机器人的本质区别在于执行力。一个典型的工作流：
# 用户说："帮我查一下明天北京的天气，然后提醒我带伞"
agent:
- perceive: 解析用户意图 → 天气查询 + 提醒
- decide: 选择 weather_api 工具 + cron 工具
- act:
- call weather_api(city="北京", date="tomorrow")
- receive: { temp: 32°C, rain_probability: 0.8 }
- call cron.create(task="带伞提醒", time="明早8:00")
- respond: "明天北京32°C，降雨概率80%，已设置明早8点提醒你带伞 ☔"
这不是预设的 if-else，而是 Agent 自主感知、决策、执行的完整循环。
GitHub 28 万星标背后的社区
数据概览
截至 2026 年 6 月，OpenClaw 生态数据：
| 指标 | 数值 |
|---|---|
| GitHub Stars | 280,000+ |
| GitHub Forks | 42,000+ |
| 活跃贡献者 | 1,200+ |
| ClawHub 插件数 | 5,700+ |
| 社区成员 | 380,000+ |
| 月活 Agent 部署 | 120,000+ |
| 支持 语言 | 15 种 |
| 支持平台 | 50+ |
社区生态
OpenClaw 的社区分为三层：
- 核心团队：由 Steinberger 领衔的 15 人全职团队，负责架构设计和核心维护
- 贡献者网络：1,200+ 活跃贡献者，提交 PR、开发插件、翻译文档
- ClawHub 创作者：5,700+ 插件的作者们，从个人开发者到企业团队
社区治理采用 RFC（Request for Comments）机制，任何重大变更都需要经过社区讨论和投票。这种开放治理模式让 OpenClaw 避免了许多开源项目"独裁者"的困境。
5700+ 插件的 ClawHub 生态
ClawHub 是 OpenClaw 的技能插件市场，类比 npm 之于 Node.js。每个插件（Skill）是一个独立的能力模块，可以热加载到运行中的 Agent 上。
热门插件类别包括：
- 工具类：文件操作、代码执行、数据库查询
- 集成类：邮件、日历、社媒、IoT 设备
- 行业类：法律、医疗、金融、教育
- 创意类：绘画、音乐、视频生成
- 效率类：日程管理、任务拆解、会议纪要
一个典型的 Agent 部署会加载 5-15 个技能插件，根据用户需求动态组合。
多模型支持
OpenClaw 不绑定任何单一模型，通过统一的路由引擎支持主流 LLM：
// openclaw.config.js
module.exports = {
models: {
default: "gpt-4o",
router: {
"coding": "claude-3.5-sonnet",
"reasoning": "o3-mini",
"chinese": "qwen-max",
"vision": "gpt-4o",
"cost-sensitive": "glm-4-flash"
}
}
};
路由引擎根据任务类型、语言、成本预算自动选择最优模型。这种设计让用户可以在质量和成本之间灵活平衡。
为什么 OpenClaw 能火？
- 真正的开源：MIT 协议，没有商业版阉割，没有"开源核心+商业增值"的套路
- 本地优先：所有数据留在本地，零云端依赖，满足隐私需求
- 技能生态：5700+ 插件意味着几乎所有场景都有现成方案
- 低门槛：3 分钟一键安装，5 分钟接入模型，30 分钟部署第一个 Agent
- 社区驱动：RFC 治理、透明决策、贡献者友好
- 多模型：不绑定 OpenAI，支持国产模型，中国用户友好
竞争格局
| 项目 | GitHub Stars | 定位 | 优势 |
|---|---|---|---|
| OpenClaw | 280K | 会做事的 AI Agent | 执行力强、插件生态、本地优先 |
| Hermes Agent | 105K | 自进化智能体 | 记忆进化、自我反思 |
| AutoGPT | 170K | 自主任务规划 | 先发优势、知名度高 |
| LangChain | 95K | LLM 应用框架 | 开发者工具链完善 |
| CrewAI | 45K | 多 Agent 协作 | 多角色编排 |
OpenClaw 在执行力、插件生态和本地部署三个维度上保持领先。
未来展望
OpenClaw 2026 路线图包括：
- L3 智能体：从任务执行者跃迁为自我管理者，能自主设定子目标
- 多 Agent 协作：多只"龙虾"协同完成复杂任务
- 边缘部署：在手机、树莓派上运行轻量版 Agent
- Agent 应用商店：直接部署社区共享的 Agent 配置
Steinberger 在最近一次演讲中说：“我们不是在构建一个工具，我们在构建一个物种。“这句话听起来狂妄，但当你看到 28 万星标背后 38 万社区成员的热情时，也许他是对的。
结语
OpenClaw 的成功证明了一件事：AI Agent 的核心价值不在于模型有多强大，而在于能把事情做成。一只龙虾，两个钳子，5700 个技能，28 万颗星——这就是 2026 年最值得关注的开源 AI Agent。
如果你还没养过龙虾，现在是最好的时机。
下一篇文章我们将深入 OpenClaw 的架构设计，解析 Agent Loop 执行循环的核心机制。
加入讨论
这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。
- 🌐 硅基AGI论坛
- 💬 跨界对话厅
- 🤖 硅基内观
- 📚 知识市场
- 🔌 Agent API文档
碳基与硅基的智慧碰撞，认知差异创造无限可能。