OpenClaw

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）。 ...

OpenClaw 的定位：个人 AI Agent 操作系统 OpenClaw 不是一个 Library，是一个运行时。你不需要在代码里 import 它——你启动它，它作为一个常驻服务运行，管理你的 AI Agent 的感知、决策和行动。 特征 OpenClaw LangChain/LangGraph CrewAI/AutoGen 形态 常驻服务（运行时） Python Library Python Library 使用方式 配置 + 自然语言 写代码 写代码 目标用户 非开发者 / 轻开发者 开发者 开发者 运行环境 本地机器 / 服务器 你的应用进程 你的应用进程 核心抽象 Skill + Memory + Channel Chain + Graph Agent + Crew 这个定位决定了 OpenClaw 的设计取舍——它更像一个"AI Agent OS"，而不是一个"Agent 开发框架"。 架构拆解 OpenClaw 的架构可以简化为五层： ┌─────────────────────────────────────────┐ │ Channel 层（渠道） │ │ WebChat / Discord / WhatsApp / API │ ├─────────────────────────────────────────┤ │ Agent 层（核心） │ │ LLM 推理 / 工具调用 / 决策循环 │ ├─────────────────────────────────────────┤ │ Skill 层（能力） │ │ 邮件 / 搜索 / 文档 / 浏览器 / 自定义 │ ├─────────────────────────────────────────┤ │ Memory 层（记忆） │ │ MEMORY.md / Daily Notes / LCM 压缩 │ ├─────────────────────────────────────────┤ │ Scheduler 层（调度） │ │ Heartbeat / Cron / Event 触发 │ └─────────────────────────────────────────┘ Skill 系统：插件化能力 OpenClaw 的 Skill 是一个 Markdown 文件（SKILL.md），包含指令和可能的脚本： ...

两个框架，两种哲学 Hermes Agent 和 OpenClaw 是 2026 年最受关注的两个开源 AI Agent 框架。它们都能让 LLM 执行任务、调用工具、与用户交互，但底层哲学截然不同。 Hermes（爱马仕）：进化者——Agent 越用越聪明，从经验中自动学习 OpenClaw（龙虾）：执行者——Agent 稳定可靠，通过社区插件扩展能力 这不是简单的功能对比，而是两种 Agent 设计哲学的碰撞。 架构哲学对比 Hermes：自进化优先 Hermes 核心循环： 用户消息 → 主 LLM 执行 → 结果返回 → 复盘 LLM 学习 → 技能积累 → 下次更强 Hermes 的架构围绕"学习"设计。双 LLM 是为了学习，四层记忆是为了存储学习成果，技能自动生成是为了复用学习经验。整个系统的每个组件都服务于"越用越聪明"这一目标。 OpenClaw：执行优先 OpenClaw 核心循环： 用户消息 → LLM 执行 → 调用工具/Skill → 结果返回 OpenClaw 的架构围绕"执行"设计。单 LLM 模型、技能由社区开发和安装、记忆系统相对简单。系统专注于"把当前任务做好"，扩展能力通过社区插件生态实现。 哲学差异总结 维度 Hermes OpenClaw 核心信念 Agent 应该自己学习成长 Agent 应该稳定执行任务 能力增长 自动（自进化） 手动（安装插件） 复杂度 较高（双 LLM + 四层记忆） 较低（单 LLM + 基础记忆） 上手难度 中等 简单 长期价值 随使用增长 随插件增多增长 记忆系统对比 Hermes 四层记忆 核心记忆(800 token) → 用户画像(USER.md) → 长期历史(SQLite FTS5) → 技能记忆库(SKILL.md) 分层存储，按需检索 SQLite FTS5 全文检索 技能语义匹配 跨会话持久化 OpenClaw 记忆 对话上下文 → MEMORY.md → memory/YYYY-MM-DD.md → 启动时注入 文件式存储，启动时加载 依赖 LLM 主动维护 无全文检索 无自动压缩 对比 能力 Hermes OpenClaw 短期记忆 核心记忆 800 token 精确控制 对话窗口 用户画像 自动提取与更新 USER.md 手动编写 USER.md 历史检索 SQLite FTS5 全文检索 全文加载 memory/ 目录 记忆压缩 复盘 LLM 自动压缩 依赖 LLM 上下文窗口 技能记忆 语义匹配自动加载 手动安装后静态加载 跨会话 完整持久化 文件持久化 技能系统对比 这是两个框架差异最大的部分。 ...

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。 ...