小龙虾所带来的冲击（三）一 站在时代的临界点

AI圈最近被一只“小龙虾”刷屏了——一款名为OpenClaw的开源AI项目，因为其龙虾造型的吉祥物，被国内开发者亲切地起了这么个外号。它的走红绝非偶然：这玩意儿不只是个能聊天的机器人，而是个真能上手干活的个人AI助手。发布四个多月，GitHub星标数就冲到24.8万，直接把Linux从星标榜榜首踢了下来。这个数字，放在开源项目史上也是头一遭。

说到底，OpenClaw的走红标志着一个趋势：AI正在从“会聊天”迈向“能干活”。和ChatGPT那种停留在对话框里给建议的产品不同，OpenClaw可以7×24小时自动帮你做事——读文件、查信息、写代码、发邮件，简直就是一个能动手的数字员工。不少程序员干脆直接把它当“人手一只龙虾”来用。

但能力强也意味着风险高。OpenClaw的权限相当大，能读写本地文件、执行系统命令。一旦配置不当或者被恶意利用，后果可能相当严重——数据泄露、文件误删，都不是闹着玩的。所以，安全问题从一开始就是绕不过去的坎儿。

图片

打造独一无二的硅基员工与新生态

传统大模型最大的问题是什么？它只能生成信息和建议，但没法真的动手。OpenClaw则完全不同——它通过获取系统级权限，直接操作文件、执行Shell命令、控制浏览器、管理日历和邮件。这种“能动手、不靠嘴”的能力，精准地击中了用户对效率工具的深层需求。

OpenClaw采用的是“网关（Gateway） + 智能体（Agent） + 技能（Skills）”三层解耦架构。简单说，就是把大模型的智能和本地的执行能力分离开来。这种设计不仅让系统更安全、更可控，还实现了自修改闭环和独特的数字身份。从某种意义上讲，这就是在打造一个“硅基员工”。

用户完全不需要理解底层模型，只要用自然语言发出指令，就能触发复杂的工作流。硅基员工可以实现“零代码自动化”。更关键的是，它已经集成了WhatsApp、Telegram、微信、Slack、飞书、iMessage等主流通讯工具，让你在任何设备、任何场景下都能下达指令。不再需要“必须打开电脑”——这才是真正的实时响应。

从对话建议机器人到主动执行员工，这个范式跃迁的本质其实不在于模型本身的创新，而在于对AI能力边界、交互方式和部署范式的一次重构。更重要的是，它打破了传统封闭式AI产品的模式。通过开源的技能市场ClawdHub，开发者可以发布可复用的技能，形成一个可扩展的插件生态。这才是生态创新的核心。

去中心化、本地优先的“数字员工操作系统”

OpenClaw的架构和传统大模型的“端到端黑箱”完全不同。它更像一套去中心化、本地优先、模块解耦的“数字员工操作系统”。核心设计理念很明确：让AI成为用户完全可以掌控的“数字同事”，而不是云端服务的附属品。

网关（Gateway）是OpenClaw的“大脑中枢”，也是“安全防火墙”。它跑在用户本地设备上（Mac、PC、树莓派都行），负责监听自然语言指令（通过微信、Telegram、语音唤醒来接入），然后统一调度、做权限校验、管好上下文。网关是“主权AI”的物理锚点——所有数据不出本地，模型调用可以选本地LLM（比如Qwen、Llama3），也可以用远程API，用户完全掌控数据流向。

智能体（Agent）则是OpenClaw的“决策核心”。它主动规划并执行任务，推理过程透明可查，用户可以随时暂停、修改甚至接管。比如你说“帮我整理上周的会议纪要并发给团队”，智能体就会把这个模糊指令拆成一个个可执行的原子任务序列。

技能层（Skills）是OpenClaw的“手脚”。这是一系列具体可调用的工具函数，由社区开发者通过标准接口发布到ClawdHub——一个面向个人生产力的AI插件商店。用户像安装手机App一样“一键部署”AI技能，让AI工具真正民主化。

这种架构意味着，每一个用户都能拥有一个完全属于自己的、可定制、可审计、可扩展的数字员工。这背后是一场数字权利的革命——从“订阅AI服务”到“拥有AI资产”，从“被算法推荐”到“主动指挥AI行动”。

随着OpenClaw架构的持续迭代，它正从基于单体硬编码的系统，逐步迁移到基于高内聚、低耦合的流体化生态平台。插件与策略的不断丰富，将让这个新体系更加安全、自由、可定制，支持多平台协作和即插即用。

图片

理解新时代的价值分配逻辑

当你真正成为“养龙虾”的一员后，很快就会发现一件事：OpenClaw本身其实只是个空壳。Token费用不受控，任务完成度的效果也不那么确定，甚至和Claude Code这种产品比，综合成本可能还更高。

Agent的强大，并不是因为OpenClaw本身有多牛，而是因为有成熟的Skills体系在支撑。没有Skills的OpenClaw，就是个大玩具。想要龙虾产出让你满意的成果，关键就在于有没有可靠的Skills。

大模型的推理是不可复用的，但Skills是可复用的。OpenClaw只是工具，Skills才是资产。

一个好的Skill，可以用在无数个场景里。Agent的核心壁垒，其实就是Skill的积累。积累下来的Skills，就是新时代价值分配的护城河。更关键的是，Skills是一种“数字资产”——它是可以交易的。谁掌握了Skills，谁就掌握了AI时代的生产资料。

但要注意的是，好的Skill应该是“小而美”的。别试图写一个“万能Skill”，而是写一堆“专用Skill”。工具会过时，资产会增值。

智能时代是一个高维吞噬低维的时代。AI不会懂城市轨道交通行业的内核，更不知道多专业协同过程中的痛点。这些，只有行业内的人才懂。AI的冲击将呈现出结构性分化，它会按照劳动力价值进行排序，而不是简单的全面替代。AI时代的人类，更需要深耕自己的私域，提升自身的综合竞争力。既要掌握与AI协同的数字化素养，更要培育人类独有的核心优势——复杂决策、创造与审美、情感与沟通能力。

延伸阅读：Skills到底是怎么工作的？

Agent Skills的官方文档里提到一个核心关键词：File-system based（基于文件系统）。

如果你写过代码，理解起来就很容易。编写一个程序的时候，不一定要所有代码都是自己写的。可以通过import xxx来引入外部包，这些包存放在固定的位置（比如node_modules）。程序需要调用这些包的能力时，就从指定文件夹取出代码执行。

Agent Skills也是类似的逻辑。每个Skill都是一个实实在在的文件夹，存放在固定位置（比如.claude/skills），里面装着这几样东西：

• 指令（SKILL.md）：告诉AI怎么干活的SOP。
• 参考（reference）：更详细的参考文档（可选）。
• 脚本（scripts）：比如Python代码，让Skill也能调用外部能力（可选）。
• 资源（assets）：图片、模板等可能用到的资源（可选）。

在Agent（比如Claude Code）的执行目录（比如你的项目代码目录）下放了这个文件夹，下次和Agent对话时，它就能自动根据你的需求匹配到这个Skill，不需要额外配置。比如，你希望Agent帮你润色文章，就可以编写一个像下面这样的Skill：

上面的三根短横线部分相当于Skill的“身份证”：

• name是唯一标识，起个简单好记的英文名字就行。
• description则决定什么情况下会触发这个Skill，描述得越具体，越容易在正确场景被调用。

下面就是Skill的正文部分：

• 目标：简单描述清楚这个Skill要做的事情。
• 使用步骤：列出Skill的操作流程（先搞清楚想要什么风格、再读原文、再改写、最后规定输出格式）。
• 注意事项：告诉模型“什么不要做”（不要乱加内容、不要替用户做决定、有歧义要提醒）。

看起来挺普通的？似乎很多能力都能做这件事？

你可以把这段文字和要润色的文章直接发给大模型，也可以把这段文字放到系统提示词里，或者封装成一个Workflow，甚至编写成一个Agent.md或者项目级的Rules。这些方式看似不同，但本质上只是把提示词放在了不同的位置——每次给AI的对话都会带上这些提示词。

但在真实的业务场景中，一个Agent不可能只干一件这么简单的事。试想一下，如果你要给AI装50个技能，每个技能都有几千字的说明书，系统一启动就把这些全塞进AI的Context Window里，结果会怎样？

• 成本爆炸：每次对话可能消耗几万Token。
• 注意力被分散：AI会变得“这也想干，那也想干”。

Skills的出现就是为了解决这个问题。它有一个非常核心的机制，叫渐进式披露（Progressive Disclosure）。说人话就是：按需加载，用多少拿多少。