本地大模型实践（五）：OpenClaw——给大模型装上“数字手脚”的本地 Agent 网关

前三篇文章聊的都是编程场景的 Agent——OpenCode 写代码、Cline 在 IDE 里执行任务、OpenHands 自主完成开发全流程。但大模型的能力不止于编程。如果你想让一个大模型帮你管理文件、操作浏览器、定时巡检服务、甚至在你常用的聊天软件（微信/飞书/钉钉）里随时响应你的指令——你需要的是一个 Agent 网关，而不是一个编程工具。这就是 OpenClaw 做的事情。

一、三个月 19 万 Star 的故事

2026 年 1 月，一个叫 ClawdBot 的开源项目突然火了——72 小时内涨了 6 万 GitHub Star。后来短暂改名为 Moltbot，最终定为 OpenClaw。三个月时间，Star 数突破 19 万。

这种涨速在开源项目里很少见。为什么会火？因为它解决了一个很直接的需求：让你的大模型不只是聊天，而是能动手做事。 而且是本地运行、数据不上云、可以在微信/飞书/钉钉里直接用。

OpenClaw 的作者是奥地利独立开发者 Peter Steinberger（同时是 PSPDFKit 的创始人）。项目用 TypeScript（Node.js）实现，核心设计理念是“Agent 网关”——不是提供 AI 能力，而是在你已有的 AI 模型和你的数字生活之间搭建一座桥。

二、OpenClaw 是什么

OpenClaw 的官方定位是“平台无关、本地优先的 AI Agent”。翻译成能听懂的话：它是一个跑在你自己的设备上的代理网关，能接入各种大模型，连接各种工具和平台，帮你自动执行任务。

关键理解三个点：

第一，它本身不提供 AI 能力。 OpenClaw 不是一个模型，它不训练、不推理。它做的事情是：接入你的大模型（可以是你自己部署的 Ollama 模型，也可以是 Claude、GPT 的 API），然后给这个模型装上“手脚”——让它能操作文件系统、执行命令、访问浏览器、调用 API。

第二，它是本地优先的。 所有数据存在你自己的设备上，不经过任何第三方服务器。你把 OpenClaw 部署在一台内网服务器上，接上本地大模型，整个系统就是完全脱网的。

第三，它是多平台接入的。 OpenClaw 支持 50 个以上的消息平台——微信、飞书、钉钉、Telegram、Discord、WhatsApp、Slack、iMessage、Google Chat……你不需要打开一个专门的 App，在常用的聊天软件里就能驱动你的 Agent。

三、动手：部署与配置

安装：

curl -fsSL https://openclaw.ai/install.sh | bash

安装后运行初始化向导，会引导你配置模型 API Key 和通讯平台。你也可以手动编辑配置文件连接本地 Ollama：

# ~/.openclaw/config.yaml 示例
models:
  - provider: ollama
    model: qwen2.5:14b
    base_url: http://localhost:11434

gateways:
  - platform: telegram
    token: YOUR_BOT_TOKEN
    chat_id: YOUR_CHAT_ID

第一个自动化任务——在 Telegram 里对 Agent 说：

每隔一小时检查 https://example.com 能不能访问，
如果 HTTP 状态码不是 200，就发消息提醒我。

Agent 自动写一个 cron 任务，开始巡检。

四、核心能力

为模型装上“数字手脚”。

传统 AI 对话工具，你说一句它回一句。OpenClaw 不一样——它是一个驻留在你设备上的 Agent，能实际动手做这些事：

• 文件系统操作：读写文件、整理目录、搜索内容
• 浏览器控制：打开网页、截取截图、抓取内容
• 系统命令执行：运行脚本、管理进程、定时任务
• 账号管理：管理 API Key、密码、账号信息
• 外部 API 调用：对接任何 HTTP API，串联不同系统

举个例子，你可以在微信里给 Agent 发一条消息：

"帮我看看那台服务器的磁盘使用情况，超过 80% 就发告警"

Agent 通过 SSH 登录服务器，执行 df -h，如果磁盘使用率超过 80%，自动在群里发告警消息。整个过程不需要你写任何脚本——你用自然语言描述需求，Agent 自己执行。

技能市场（ClawHub）。

OpenClaw 有一个社区技能市场叫 ClawHub，上面有 1.3 万+ 个社区贡献的技能。你不用从头开始写——一键安装，Agent 就获得新能力。比如天气查询、股票提醒、GitHub 项目管理、Jira 工单操作……这些都有现成的技能插件。

多 Agent 网关架构。

OpenClaw 可以同时管理多个独立的 Agent 实例，每个 Agent 有自己的工作区、记忆文件和配置。企业场景下，不同团队的成员可以在不同的消息渠道上使用各自独立的 Agent，互不干扰。

技术架构分为三层：

• Gateway 层：中央路由器，对接各种消息渠道和外部平台
• Agent Runtime 层：管理多个独立的 Agent 实例
• Skill 插件层：通过技能生态扩展 Agent 的能力

定时自动化。

支持内置的 cron 调度器。你可以设置 Agent 每天定时做巡检、每周生成报告、每小时检查一次服务状态——完全无人值守。

五、使用形态

OpenClaw 的使用形态比较特殊——它没有传统的“IDE 插件”或“桌面客户端”。它是这样的：

• 你把 OpenClaw 部署在一台服务器上（可以是你的个人电脑、一台树莓派、一台内网服务器）
• 配置好要接入的 AI 模型（本地 Ollama 或云端 API）
• 配置好要接入的消息平台（微信/飞书/Telegram 等）
• 然后你就可以在那些消息平台里和 Agent 交互了

这是一种什么体验？就像你有了一个 24 小时在线的 AI 助理，它住在一台服务器上，你能通过任何聊天软件找到它，让它帮你做事。

六、记忆系统的设计

这里要说一个会被经常拿来比较的话题：OpenClaw 的记忆系统。

OpenClaw 的记忆基于文件系统——每个 Agent 有一套 SOUL.md、AGENTS.md、USER.md、MEMORY.md 文件来存储状态和上下文。这个设计简单直接，但也带来了局限性：

• 记忆是被动的。你需要在文件里手动写 AGENTS.md 来告诉 Agent 它应该怎么做。Agent 不会从交互中自己总结经验。
• 跨会话的上下文不稳定。你上周告诉 Agent 的偏好，这周它可能就“忘了”——因为记忆文件的维护基本靠人工。

这是 OpenClaw 最常被吐槽的点，也是下一篇要聊的 Hermes Agent 借势而起的原因。

七、适合什么场景

基于它的特点，OpenClaw 更适合以下场景：

• 需要一个 24 小时在线的自动化助手。定时巡检、异常告警、数据同步——这些不需要“记性好”，只需要“能执行”。
• 需要在多个消息平台上用同一个 Agent。你在办公室用飞书，外出用微信，在家用 Telegram——同一个 Agent，不同平台接入。
• 需要串联多个工具和系统。GitHub → Jenkins → Slack → 飞书，Agent 做中间的胶水层。
• 数据不能上云的场景。本地部署 + 本地模型 + 本地执行，完全离线。

不太适合的场景：如果你希望 Agent 能越用越懂你、记住你的偏好和工作习惯——OpenClaw 的被动记忆模式会让你失望。这也是为什么很多 OpenClaw 的用户最终会关注到 Hermes Agent。

八、小结

如果把前面四个工具摆在一起对比形态：

OpenClaw 不是编程工具，它是一个给大模型装上“手脚”的网关。它的价值在于“广度”——多平台、多技能、多 Agent。但它的记忆系统是被动的，你没有告诉它的事情，它不会记住。

有没有一个工具，能弥补这个短板——让它不只是“你做我说”，而是“从交互中自己学”？下一篇聊 Hermes Agent。

每天前进一小步，就是一个新的高度！