九卦 | “龍蝦”的逆襲：OpenClaw技術淺解

作 者 | 張云迪

來 源 | 九卦金融圈

API漲價463%背后，誰是推手？

在“小龍蝦”熱力爆表的當下，3月11日，騰訊云突宣布 AI 模型漲價400%，混元系列模型輸入價格漲幅高達463%，智譜 GLM-5等公測模型將于3月13日結束免費轉為商用。此次漲價緊隨行業趨勢：OpenAI 于3月6日將 GPT-5.4輸入價格上調42.9%至2.5美元/百萬 token，智譜 AI 則已于2月12日打響國產大模型漲價"第一槍"，GLM Coding Plan 套餐漲幅30%起、海外 API 最高漲100%。

而掀動 AI 成本飆升的這只“龍蝦”，正是2026年開年以來全球開源社區最炙手可熱的明星：OpenClaw。從一個奧地利開發者的周末項目，到 GitHub 全球第一的軟件項目，OpenClaw 只用了不到四個月時間，他到底有什么“黑能力”？

架構革命：Gateway-Node-Channel 三層解耦

OpenClaw 之所以能從一個簡單的聊天工具進化為“數字員工”，關鍵在于其精巧的系統架構。它并沒有將 AI 與操作環境強耦合，而是采用了一種 Gateway-Node-Channel 三層架構，以 WebSocket 為通信總線，將控制平面、設備執行與消息渠道徹底解耦。

這套架構的核心在于分工明確：

Gateway（網關）是整個系統的“大腦”。它作為中央控制平面，負責維護 WebSocket 服務、管理 Session、調度 Agent。默認情況下，它只綁定本地回環地址（127.0.0.1），所有流量在本地閉環，這種“Loopback-First”的設計天然規避了直接暴露在公網的風險。

Node（節點）則是“手腳”。它是設備端的執行節點，負責在本地執行具體操作，如調用攝像頭、錄屏、執行系統命令。Gateway 和 Node 可以在同一臺機器上運行，實現了 AI 思考與實體操作的分離。

Channel（通道）是連接用戶的橋梁。它負責接入 WhatsApp、Telegram、Discord、飛書、釘釘等20多個主流即時通訊平臺。用戶在任何平臺的指令，都會被 Channel 接收，經由 Gateway 路由給 Agent 處理，最后再由 Node 執行具體動作。

這種三層解耦的設計，不僅保證了系統的穩定性和安全性，更賦予了 OpenClaw 極強的擴展性。用戶可以根據需要隨時接入新的消息渠道，或者在需要執行本地任務時啟動 Node，而 Gateway 作為核心控制中樞則可以7x24小時穩定運行，持續積累記憶和上下文。

記憶進化：從“金魚記憶”到“四層記憶系統”

普通 ChatGPT 最大的痛點在于“記不住”。會話一結束，上下文就消失，每次對話都像是在和陌生人重新開始。而 OpenClaw 通過一套四層記憶架構，實現了 AI 記憶的持久化和連續性。

這四層記憶由內而外構建了一個完整的認知閉環：

1. SOUL（靈魂層）：定義了 Agent 不可變的人格內核（“是誰”），永久保存在 `SOUL.md` 文件中，不會隨對話改變。這是 Agent 的身份基石。

2. TOOLS（工具層）：動態記錄當前可用的工具和技能列表，會根據任務需求按需加載。

3. USER（用戶層）：這是長期記憶的核心，存儲用戶的偏好、歷史決策和重要事實。它被持久化保存在 `MEMORY.md` 文件中，并結合向量數據庫支持語義搜索。這意味著，即使隔了很久，Agent 也能根據語義關聯回憶起之前的對話內容。

4. Session（會話層）：負責保存當前對話的實時上下文，當 Token 接近上限時，系統會觸發“Pre-Compaction”機制，將重要信息壓縮并保存到長期記憶中，避免關鍵信息丟失。

這套記憶系統，讓 Agent 真正擁有了“長期記憶”和“性格”，不再是一次性的聊天工具，而是能夠伴隨用戶成長的、有連續性的智能體。

設計哲學：反 MCP 與“Unix 哲學”的回歸

在所有 AI Agent 框架都在忙著集成 Anthropic 提出的 MCP（模型上下文協議）時，OpenClaw 卻做了一個令人意外的選擇：故意不支持 MCP。創始人 Peter Steinberger 的觀點非常鮮明：“我的前提是 MCP 是垃圾，不能 scale。你知道什么能 scale？CLI。Unix?！?/p>

這背后體現的是 OpenClaw回歸 Unix 哲學的設計理念：小工具、可組合、文本流。在 OpenClaw 看來，Agent 連接世界的終極接口不需要是復雜的協議，只要 Agent 能運行命令行（CLI），就能操作一切。因此，它的核心工具只有4個：Read、Write、Edit、Bash。這不是功能缺失，而是刻意為之。更少的工具意味著更短的系統提示詞、更少的 Token 消耗、更快的響應。對于確實需要 MCP 的場景，OpenClaw 通過內置的 mcporter 技能橋接，強制 Agent 自己擴展能力，而非消費預構建的 MCP 工具集。

這種“自我擴展能力”也是 OpenClaw 看起來更聰明的關鍵。它可以在運行時寫、重載、測試自己的擴展。遇到不會的操作，它會自己寫一個 Skill 來完成；發現 Skill 有 bug，它會修改并重載。這種在循環中持續改進自身工具鏈的能力，讓 Agent 具備了真正的進化潛力。

安全與成本：繁榮背后的現實挑戰

技術上的先進性并不意味著落地之路一帆風順。OpenClaw 在引爆社區的同時，也暴露了其作為新興技術所必須面對的嚴峻挑戰。

首先是安全危機。作為能夠執行真實命令的系統，OpenClaw 曾遭遇過嚴重的安全漏洞（CVE-2026-25253），攻擊者可以遠程在實例上執行任意代碼。更令人擔憂的是發生在2026年初的“ClawHavoc”供應鏈攻擊，ClawHub 上約20%的技能被確認為惡意，攻擊者通過篡改 Agent 的記憶文件，試圖“洗腦”并控制這些智能體。

其次是成本陷阱。OpenClaw 的多輪推理和多工具調用機制，使其 Token 消耗可能是傳統聊天的幾十倍甚至上百倍?！耙挥X醒來收到$1,100 API 賬單”的案例并非危言聳聽。用戶必須學會像配置投資組合一樣配置“Fallback 鏈”：用昂貴的 Claude Sonnet 處理復雜任務，用低價的 DeepSeek-V3應對日常對話，用免費的 GLM Flash 處理心跳檢測，并設置嚴格的每日預算上限。

國產化落地：云廠商的“模型軍備競賽”

盡管挑戰重重，但 OpenClaw 在中國的落地速度令人驚嘆。主流云廠商迅速推出的一鍵部署方案，極大地降低了技術門檻。

阿里云、騰訊云、火山引擎等平臺紛紛入局?；鹕揭嫔踔镣瞥隽?9.8元/月的“服務器+模型”組合套餐，被視為綜合性價比最高的方案。這場競爭的核心，逐漸從服務器硬件轉向了背后的“大腦”——AI 大模型。OpenClaw 支持從國際頂尖的 Claude、GPT 到國產的 DeepSeek、智譜 GLM-5等十余家模型提供商，用戶可以根據預算和任務需求靈活選擇和切換。

結語

從技術架構到設計哲學，從記憶系統到安全挑戰，OpenClaw 用不到四個月的時間，完成了一次對 AI Agent 范式的完整定義與重塑。它證明了，當 AI 擁有了持久的記憶、靈活的工具調用能力和安全的執行環境，它就能從“聊天框”里走出來，成為真正嵌入我們數字生活的“數字員工”。這不僅是開源項目的勝利，更是 AI 從云端概念走向落地服務的關鍵一步。

特別申明:本文技術總結及截圖均來源于花叔的“openclaw橙皮書”PDF