OpenClaw（原Clawdbot/Moltbot）部署与思考

这三个名字是指的同一个AI工具，只是更新了三次名字（关于改名过程，可参考：https://docs.openclaw.ai/zh-CN/start/lore） ，在还是Clawdbot时就准备写一篇的，只是当时部署还不够简单，另外也没有实践过，很多体验未知。但当前无论在之前介绍的1Panel还是各种云服务供应商，都提供了一键部署方案。

本文通过前文介绍过的1Panel进行部署演示，但主要想说明一下这个工具的使用范围及注意事项。

关于OpenClaw

OpenClaw是什么

如果你熟悉 ChatGPT，那可以这样理解：

ChatGPT 是一个“只负责回答你”的 AI OpenClaw 是一个“既能思考、又能动手”的 AI 助手（AI Agent）

它不是一个单纯的聊天工具，而是一个你可以自己部署的 AI 助手平台，核心目标只有一个： 让大模型不只“说”，而是“做”。

OpenClaw能做什么

在实际使用中，OpenClaw 的能力通常体现在三类场景：

第一类：消息入口统一 你可以通过企业微信、钉钉、Telegram、WhatsApp、Slack 等平台和它对话，不需要再打开一个 AI 网页。

第二类：执行任务而非只给答案 比如：

• 整理资料并输出结构化文档
• 根据指令自动写代码、改代码、跑脚本
• 读取网页、提取信息、生成总结
• 按流程完成多步任务（而不是一次性回答）

第三类：技能扩展（Skills） 你可以给它“装技能”，让它学会新能力，比如浏览网页、操作文件、调用 API 等。

一句话总结： 它更像一个能接触真实世界的“AI 助理”，而不是一个只活在聊天框里的模型。

它和以往 AI 工具最大的不同在哪？

很多人误以为 OpenClaw 火，是因为“模型更聪明”，其实不是。

真正的变化在于产品形态。

1️⃣ 从“聊天”到“代理（Agent）”

传统 AI 工具：

你问一句 → 它答一句 → 结束

OpenClaw 这类 Agent：

它会先理解任务 → 拆分步骤 → 调用工具 → 检查结果 → 必要时重试

虽然效率很高，但同时也意味着成本的增加： 一次指令，背后可能是十几甚至几十次模型调用。

2️⃣ 从“云端封闭”到“自托管可控”

ChatGPT、Claude 这些工具，本质是“黑盒服务”。你不知道它能访问什么，也无法控制它的边界。

OpenClaw 不一样：

• 跑在你自己的服务器或电脑上
• 接哪些平台、给哪些权限，你说了算
• 模型用哪家、用哪个版本，你自己配

这也是它吸引技术人群的重要原因。

3️⃣ 从“回答问题”到“持续工作流”

一旦你给了足够权限， 它就不再只是“响应”，而可能变成“持续工作”的存在。

而这，既是它最强的地方，也是风险和成本的根源。

部署OpenClaw

官方文档：https://docs.openclaw.ai/zh-CN

1Panel一键部署

• 应用商店找到后直接安装（如没有，可先刷新商店列表或更新1Panel后再试）

• 部署前需要准备一个大模型的API（根据自己需要选择）

• 安装好后直接访问即可

部署的三个层级

如何安装很简单，详细步骤及QA不在此文赘述，但我想把部署分为三个层级

第一层：最少能跑

只需要三样东西：

1. 一台能长期运行的机器（本地 / VPS / 小主机）
2. 一个大模型 API Key（OpenAI / Anthropic / Gemini 等）
3. 一个消息平台入口（最简单的是 Telegram，国内云服务商提供企微及钉钉快速入口）

目前社区主流方式是 Docker / Docker Compose，基本能做到一条命令启动（1Panel也是这种方式）。

第二层：开始“像个助手”

跑起来只是第一步，要真正能用，还需要：

• 日志与控制面板（不然你不知道它在干什么）
• 权限控制（文件、网络、浏览器、系统命令）
• 精选技能来源（别什么都装）

这一步，OpenClaw 才会从“技术玩具”变成“可用工具”。

第三层：一定要考虑安全

近期已经出现过：

• 恶意 Skills 伪装成工具
• 借助 AI 助手执行命令
• 窃取密钥、环境变量甚至钱包信息的案例

请牢记三条原则：

1️⃣ 用隔离环境跑 Docker / 虚拟机，而不是你日常办公电脑。

2️⃣ 最小权限原则 默认不给文件系统、不给浏览器、不给 SSH。

3️⃣ 把 Skill 当代码审计 安装 Skill ≈ 执行脚本 它不是“插件”，而是“程序”。

如何控制成本

很多第一次用 OpenClaw 的人，都会被账单吓一跳。

1️⃣ 为什么 Token 消耗这么快？

因为它不是“一次问答”，而是：

• 多轮推理
• 多次工具调用
• 多次校验与重试
• 长上下文持续累积

一次看似简单的指令，背后可能是十几次模型调用。

有人在使用高端模型时， 哪怕“正常使用、不折腾”， 每天也可能消耗 十几到二十美元。

这不是 bug，是 Agent 形态的必然结果。

2️⃣ 成本控制的核心思路

一句话： 让贵模型只干“难活”，便宜模型干“杂活”。

可以搜索模型路由（model routing）关键词进行模型切换配置

具体做法包括：

• 简单总结、格式化、改写 → 用便宜模型
• 复杂推理、重要决策 → 才用高端模型
• 限制最大步骤数 / 重试次数
• 定期压缩上下文（让 AI 自己总结历史）
• 关闭或降低“自动观察 / 主动监控”频率
• 设置 Token 上限与报警机制
• 如果有条件，尽量用本地模型

建议与看法

1. 不要用主力账号、主力机器直接跑
2. 不要随便安装未知来源的 Skills
3. 不要让它自动操作高风险资产（尤其是金融/钱包/账号）
4. 不要忽视 API 计费与使用条款

OpenClaw 很强，但它本质上是： 一个把 AI 接入现实世界的自动化入口

OpenClaw 并不是“更聪明的 AI”， 而是“能调用工具干活的AI”。

它代表的不是聊天工具的进化， 而是 AI Agent 时代的雏形。

它值得尝试、值得研究， 但绝不适合在“没想清楚边界”的情况下， 随意给权限、随意跑生产环境。

当 AI 开始替你“做事”， 你就必须像管理一个新人同事一样， 去管理它的权限、成本和风险。