小龙虾所带来的冲击（三）一 站在时代的临界点

一款名为OpenClaw的开源AI项目在全球范围内迅速走红，因其独特的龙虾吉祥物，被国内用户亲切地称为“小龙虾”。它引发了广泛的讨论和实践，因为它不仅是一个能与人对话的聊天机器人，更是一个能够实际操作电脑、执行任务的个人AI助手，标志着AI正从“会聊天”向“能干活”迈出关键一步。这个目前AI圈内最火的项目，发布仅四个多月就创造了历史——以超过24.8万的GitHub星标数正式登顶星标榜，超越Linux成为GitHub平台上最受欢迎的开源项目。OpenClaw在GitHub登顶，被视为AI Agent实用化的里程碑事件。和与ChatGPT等停留在对话框里提供“建议”的产品不同，OpenClaw可以7×24小时自动执行任务——读取文件、搜索信息、编写代码、发送邮件等。很多程序员将其当作一个能动手干活的数字员工，人手一只”龙虾“。OpenClaw的强大能力是一把双刃剑，其高权限的特性也带来了显著的风险。它能够读写本地文件、执行系统命令，这意味着一旦配置不当或被恶意利用，可能导致数据泄露、文件误删等严重后果。因此，安全是使用OpenClaw时必须首要考虑的问题。 。

2026年3月

图片

打造独一无二的硅基员工与新生态

传统大模型仅提供信息生成与建议，而 OpenClaw 则是通过获得系统级权限接入，直接操作文件、执行 Shell 命令、控制浏览器、管理日历与邮件，真正成为可替代人工完成重复性任务的‌自动化执行体‌。这种“能动手、不靠嘴”的能力，直击用户对效率工具的深层需求。OpenClaw采用“网关（Gateway）+ 智能体（Agent）+ 技能（Skills）”三层解耦架构，将大模型智能（LLM）与本地执行能力进行分离，同时还让代理实现了自修改闭环与独特的数字身份。从某种程度上，这就是打造了了一个硅基员工。

用户无需理解底层模型，仅需通过自然语言指令即可触发复杂工作流，硅基员工就可以实现“零代码自动化”。加之与 WhatsApp、Telegram、微信、Slack、飞书、iMessage 等主流通讯工具集成，并作为交互入口，可在任意设备、任意场景下发令，硅基数字员工就可以轻松做到实时响应，打破“必须打开电脑”的使用壁垒。从对话建议机器人到主动执行员工的范式跃迁，本质并非是模型创新，而是对 AI 能力边界、交互与部署范式重构，及打破封闭式 AI 产品模式，通过开源技能市场 ClawdHub，允许开发者发布可复用技能，形成可扩展的插件生态生态创新。

OpenClaw 架构也并非传统大模型的“端到端黑箱”，而是一套‌去中心化、本地优先、模块解耦的“数字员工操作系统”‌。其核心设计理念是：‌让AI成为可被用户完全掌控的“数字同事”，而非云端服务的附属品‌。网关（Gateway）是OpenClaw的“大脑中枢”与“安全防火墙”，运行于用户本地设备（如Mac、PC、树莓派），监听自然语言指令（通过微信、Telegram、语音唤醒等入口），并负责‌统一调度、权限校验与上下文管理‌。网关是“主权AI”的物理锚点——所有数据不出本地，模型调用可选本地LLM（如Qwen、Llama3）或远程API，用户完全掌控数据流向。智能体（Agent）主动规划并执行‌”的范式，其推理过程透明可查，用户可随时暂停、修改或接管任务，是OpenClaw的“决策核心”。负责将用户模糊指令（如“帮我整理上周的会议纪要并发给团队”）分解为可执行的原子任务序列。技能层（Skills）则是OpenClaw的“手脚”，即具体可调用的工具函数，由社区开发者通过标准化接口发布至 ‌ClawdHub‌（开源技能市场）。构建了首个面向‌个人生产力‌的AI插件商店，用户可像安装手机App一样“一键部署”AI技能，实现真正的AI工具民主化。这种架构让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‌。这就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”。

伴随OpenClaw架构持续迭代，正从基于单体硬编码代理系统，逐步迁移至基于高内聚、低耦合的流体化生态平台。插件与策略，还将持续增强其能力，新体系将更加安全、自由的、可定制、多平台协作与即插即用。

图片

要理解新时代的价值分配逻辑

当你真正成为养龙虾一员后，很快就会发现OpenClaw就是个空壳：Token费用并不受控，任务完成度效果不够确定，OpenClaw可以干的Claude Code的综合成本可能还会更低。Agent的强大并不是OpenClaw有多牛，而是因为有一个成熟的Skills体系支撑。没有Skills的OpenClaw，就是个大玩具。想要龙虾产出自己满意的成果关键就在于：有没有可靠的Skills。大模型推理是不可复用的，Skills则是可复用的，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的核心壁垒是Skill积累，积累的Skills则是新时代中价值分配的护城河。更为重要的是，我们要认识到Skills是一种”数字资产”，它可交易。谁掌握了Skills，谁就掌握了AI时代的生产资料。一个好的Skill，应该是”小而美”的。不要试图写一个”万能Skill”，而是写一堆”专用Skill”。工具会过时，资产会增值。

智能时代是一个高纬吞噬低纬时代。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，只有行业内的人懂。AI的冲击将呈现出结构性分化，将按照劳动力价值排序，而非简单的全面替代。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

Agent Skills 的官方文档中强调了一个核心关键词：File-system based（基于文件系统）。

如果你写过代码，可能很容易理解。要编写一个程序，并不一定所有代码都是我们自己写的。可以会通过 import xxx 来引入一些外部包，这些包存放在固定的位置（如 node_modules）。当程序需要调用这些包的能力时，就会从指定文件夹取出对应的代码然后执行。

Agent Skills 也是类似的逻辑，每个 Skill 都是一个实实在在存在的文件夹，它存放在一个固定的位置（如 .claude/skills）这个文件夹里装着下面几样东西：

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、模版等可能使用到的资源（可选）。

在 Agent（如 Claude Code）执行目录（如你的项目代码目录）下放了这个文件夹，那下次和 Agent 对话的时候就能自动根据你的需求匹配到这个 Skill，不需要再进行任何额外的配置。比如，你希望 Agent 帮你润色文章，就可以编写一个下面这样的 Skill：

上面的三根短横线部分相当于 Skill 的「身份证」：

name 是它的唯一标识，起个简单好记的英文名字就行

description 则决定什么时候会触发这个 Skill，描述这个 Skills 是做什么的、遇到什么样的用户请求应该用它、提醒读者：描述越具体，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？似乎很多能力都可以做这件事？

可以把这段文字和要润色的文章直接发给大模型？

可以把这段文字放到系统提示词？

可以把这段固定的流程封装为一个 Workflow？

可以把这段文字编写为一个 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，你给 AI 的每次对话都会带上这些提示词。

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，你给 AI 的每次对话都会带上这些提示词。

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。大家试想一下，如果你要给 AI 装 50 个技能，每个技能都有几千字的说明书，要是系统一启动就把这些全塞进 AI 的脑子（Context Window）里，那么就会：

成本爆炸，每次对话可能都会消耗几万 Token。

AI 的注意力也会被分散，变得“这也想干，那也想干”。

Skill 的出现就是为了解决这种问题，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。

------------------------ END ------------------------