第 1 章

OpenClaw 是什么：从 Clawdbot 到爆火的开源 AI Agent 平台

第一章：OpenClaw 是什么：从 Clawdbot 到爆火的开源 AI Agent 平台

1.1 产品诞生的时代背景

2024年下半年，AI Agent 领域迎来了一次范式转变。OpenAI 发布的 o1 系列模型证明，大型语言模型在多步推理与工具调用方面的能力远超此前预期。Anthropic 的 Claude 3.5 系列则在代码生成与指令遵循上达到了新的高度。与此同时，开发者社区积累了大量 LangChain、AutoGen 等框架的使用经验，也逐渐看清了这些框架的局限性：过于依赖代码、学习曲线陡峭、部署门槛高。

正是在这个背景下，Peter Steinberger 和他的团队开始思考一个问题：能否设计一个真正面向运营团队而非开发团队的 AI Agent 框架？

Peter Steinberger 并不是一个新面孔。他是 iOS 开源社区的知名贡献者，曾创建 PSPDFKit（现更名为 Nutrient），这是一家专注于文档处理 SDK 的商业公司。他深知企业软件的核心痛点：技术团队永远是瓶颈，业务需求永远跑在实现能力前面。如果一个 AI Agent 系统需要工程师介入才能修改一条回复规则，它就不可能真正融入日常业务流程。

1.2 从 Clawdbot 到 OpenClaw：改名背后的战略转型

2025年11月：Clawdbot 诞生

项目最初以 Clawdbot 的名称发布于 GitHub，定位是"Claude 的 Bot 框架"。这个名字直接揭示了其最初的技术绑定——深度依赖 Anthropic Claude API。Clawdbot 在发布第一周获得了 3,200 stars，在 Hacker News 上引发了一场持续 48 小时的热烈讨论。

早期用户的反馈暴露了一个命名隐患：许多人误以为 Clawdbot 是 Anthropic 的官方产品，或者认为它只能配合 Claude 使用。这两个误解都阻碍了潜在用户的采用。

2025年12月：短暂的 Moltbot 阶段

团队在内部讨论了约三周后，将名称改为 Moltbot，意指"蜕变"，暗示框架正在从单一提供商绑定转向多模型支持。这一阶段的主要工程工作集中在：

抽象 LLM Provider 接口，同时支持 OpenAI、Anthropic、Google Gemini
建立 pnpm monorepo 结构，将核心包与集成包分离
引入 Plugin 系统的早期原型

Moltbot 这个名字存活了大约六周。用户反映这个名字难以记忆，且在搜索引擎中与多个无关项目冲突。

2026年1月：OpenClaw 正式命名

2026年1月15日，项目以 OpenClaw 的名字重新发布，并配套了全新的官网（openclaw.ai）、完整的文档站点和首个稳定版本 v1.0.0。这次发布在 48 小时内获得超过 40,000 GitHub stars，并登上 Product Hunt 当日榜首。

"Claw"（爪）的意象传达了多重含义：抓取信息、抓取任务、像螃蟹一样横向扩展。"Open"则明确了开源与开放生态的承诺。

时间线：
2025-11  Clawdbot v0.1   首次发布，仅支持 Claude
2025-12  Moltbot v0.3    多模型支持，Plugin 原型
2026-01  OpenClaw v1.0   正式命名，稳定版本，MIT 许可证
2026-02  OpenClaw v1.2   Skills 市场上线，WebSocket Gateway 稳定
2026-04  OpenClaw v1.5   247k stars，50+ 官方集成

1.3 本地优先设计哲学

OpenClaw 的设计哲学中最重要的一条原则是本地优先（Local-First）。这不只是一个营销说法，而是深刻影响了每一个架构决策的基础假设。

数据不离设备

在典型的云端 SaaS AI Agent 方案中，用户的消息、会话历史、工具调用记录都存储在服务商的服务器上。这带来了三类风险：

合规风险：GDPR、HIPAA、国内数据安全法等法规对数据出境有严格限制
隐私风险：企业的内部对话、客户数据不应流经第三方服务器
依赖风险：服务商政策变化、价格上涨、服务中断都会影响业务连续性

OpenClaw 的所有持久化存储（会话历史、Memory 条目、Plugin 状态）默认存储在运行节点本地。Gateway 进程不向任何外部端点发送遥测数据。唯一的外部调用是用户显式配置的 LLM API 调用和集成调用。

无云端依赖

OpenClaw 可以在完全断网的内网环境中运行，只需：

本地或内网部署的 LLM（Ollama、LM Studio、vLLM 等）
本地消息平台（自托管的 Mattermost、Matrix 等）
本地工具服务

这使得金融、医疗、政府等对数据安全有严格要求的行业可以完整部署 OpenClaw。

主权优先

"你的 Agent，你的规则。"OpenClaw 的 MIT 许可证意味着没有使用限制、没有商业授权费、没有功能锁定。企业可以 fork 整个代码库，在内网中修改和部署，无需向任何一方汇报。

1.4 与 Claude Code / Cursor 的本质区别

新接触 OpenClaw 的开发者常常会将其与 Claude Code 或 Cursor 进行比较。这个比较揭示了一个根本性的类别差异。

编码工具 vs 通用 Agent 框架

维度	Claude Code / Cursor	OpenClaw
主要用途	辅助软件开发	通用业务自动化
交互场景	IDE 内单人使用	多平台、多用户、持续运行
会话模型	单次对话	持久 Session，跨平台记忆
工具集合	文件编辑、终端	50+ 业务集成（CRM/日历/票务）
部署方式	本地 CLI	服务器常驻进程
目标用户	软件工程师	运营团队、产品经理、最终用户
扩展方式	插件/扩展（需代码）	配置文件（无需代码）

Claude Code 和 Cursor 是增强开发者能力的工具，它们的设计假设用户是程序员，并在程序员的工作流（写代码、调试、重构）中提供帮助。

OpenClaw 是运行业务逻辑的基础设施，它的设计假设 Agent 需要全天候响应来自不同渠道的消息，代表组织执行任务，并与各类企业系统交互。

Pi vs 编码 Agent

OpenClaw 的核心 Agent 引擎被称为 Pi（Processing Intelligence）。Pi 与 Claude Code 中的 Agent 有着截然不同的设计目标：

Claude Code 的 Agent 被优化为在有限步骤内完成一次性编码任务
Pi 被设计为长期运行的服务，能够管理多个并发 Session，在等待外部事件时挂起，在收到新消息时恢复

Pi 只暴露 4 个基础工具（read/write/edit/bash），保持极小的 system prompt（< 1000 tokens），通过嵌入式执行（非 subprocess）获得更低延迟。

1.5 247k Stars 爆火的产品逻辑

OpenClaw 在 2026年初爆发性增长的背后，有几个相互强化的因素。

踩准了时机

2026年初，AI Agent 从"概念验证"走向"生产部署"的窗口期恰好打开。开发者们已经用 LangChain 搭过 demo，也踩过足够多的坑，开始寻找"能在生产跑的"替代方案。OpenClaw 的 v1.0 发布时机几乎完美。

解决了真实痛点

传统 Agent 框架的最大痛点之一是运维复杂度。一个基于 LangChain 的生产 Agent 系统往往需要：

自建消息队列（Celery/Redis）
自建 Session 管理
自建平台适配器（Discord、Slack、WhatsApp 各不相同）
自建监控告警

OpenClaw 将这些都纳入框架本身。开箱即用的 Command Queue、Session 管理、50+ 平台 Channel Bridge，让团队可以专注于业务逻辑而非基础设施。

配置驱动降低了门槛

OpenClaw 的一个核心设计决策是：所有主要功能都可以通过配置文件实现，不需要写代码。这意味着一个懂业务但不懂 TypeScript 的产品经理可以独立配置一个复杂的 Agent 工作流。这个特性将潜在用户群从"TypeScript 工程师"扩展到了"所有懂 JSON 的人"。

开源社区的飞轮效应

GitHub 上的早期 star 带来了媒体报道，媒体报道带来更多 star，更多 star 吸引了贡献者，贡献者带来了更多集成和 Skills，更多集成吸引了更多企业用户。这个飞轮在 2026年2月开始显著加速。

1.6 核心特性速览

多平台消息支持

OpenClaw 支持 20+ 消息平台，包括：

即时通讯：WhatsApp Business、Telegram、Discord、Slack、微信企业版
工单系统：Zendesk、Freshdesk、Linear、Jira
邮件：Gmail、Outlook、通用 IMAP/SMTP
团队协作：Mattermost、Matrix、Microsoft Teams
网页：自定义 Web Widget、API Webhook

同一个 Agent 可以同时监听多个平台，并根据来源平台的不同应用不同的行为规则。

50+ 官方集成

Action Layer 支持 50+ 官方集成，覆盖：

CRM：Salesforce、HubSpot、Pipedrive
日历：Google Calendar、Outlook Calendar、Calendly
文档：Notion、Confluence、Google Docs
代码：GitHub、GitLab、Jira
支付：Stripe、PayPal
数据库：PostgreSQL、MySQL、MongoDB（只读模式）

Skills 市场

Skills 是 OpenClaw 的可复用能力单元。官方 Skills 市场（skills.openclaw.ai）提供了社区贡献的 Skill 包，包括：

电商订单查询 Skill
多语言翻译 Skill
情感分析与升级路由 Skill
会议纪要生成 Skill

Memory 系统

OpenClaw 内置三层 Memory：

Short-term：当前 Session 的对话历史（默认保留最近 50 条）
Long-term：跨 Session 的用户画像和偏好（向量存储，本地 SQLite + 可选 pgvector）
Workspace：共享的团队知识库（Markdown 文件 + 语义搜索）

1.7 典型使用场景

场景一：客服自动化

一家 SaaS 公司将 OpenClaw 接入 Zendesk 工单系统和 Slack。Agent 自动处理常见工单（重置密码、查询账单、基础故障排查），对复杂问题路由到人工。整个配置过程不需要编写代码，产品团队自行完成。

场景二：内部知识助手

将公司的 Confluence 知识库、Notion 文档、Google Drive 文件接入 OpenClaw，部署到 Slack。员工可以直接问 Agent "新员工入职流程是什么"或"Q3 的 OKR 在哪里"，Agent 检索本地 Workspace Memory 后给出精确答案。

场景三：销售辅助

OpenClaw 接入 WhatsApp Business，自动响应潜在客户的询价。结合 HubSpot 集成，自动创建联系人、记录对话、安排跟进任务。销售代表只需在 Control UI 中审批高价值动作。

场景四：开发团队助手

接入 GitHub 和 Jira，当 PR 被 review 或 issue 被更新时，Agent 自动在 Slack 发送摘要。对于需要创建 Jira 工单的请求，Agent 等待人工审批（Human-in-the-loop）后再执行。

场景五：个人生产力助手

个人开发者在自己的 VPS 上运行 OpenClaw，接入 Telegram。Agent 帮助管理待办事项、总结每日邮件、在需要时搜索网络信息。所有数据留在自己的服务器上。

小结

OpenClaw 的出现并非偶然。它踩准了 AI Agent 从实验走向生产的关键时间窗口，用配置驱动的设计哲学解决了传统框架对开发者的过度依赖，用本地优先的架构回应了企业对数据主权的真实需求。

从 Clawdbot 到 OpenClaw 的改名历程，折射出项目从"Claude 的 Bot"到"通用 AI Agent 平台"的战略升级。247k stars 不是营销结果，而是产品契合市场需求的自然涌现。

在接下来的章节中，我们将深入每一个技术细节：如何安装和配置、核心概念的关系图、与竞品的本质差异，以及消息如何在五层架构中流动。

本章评分

4.7 / 5 (123 评分)