从养一只“小龙虾”开始，理解 OpenClaw 的本质

Wed, 11 Mar 2026 00:00:00 +0800

和去年的 DeepSeek 一样，今年龙虾（OpenClaw）火爆全网了。最近也养了一只。介绍怎么安装之前先了解下龙虾到底是什么。

一、概念：OpenClaw 到底是什么

OpenClaw 是一个把大模型能力“接到消息入口”的开源 Agent 框架。

它不是单纯聊天，而是让 AI 通过 IM 渠道持续接收任务、调用工具、回传结果。能干活是和之前 AI Chat 最大的区别。

二、为什么说是“养”虾呢？

之所以说是养，首先需要提供生长环境，其次给它饲料。

那么什么是环境呢？我们自己的 PC 电脑（Mac Mini 或其他）、或者一个云主机，这个是环境。有了环境安装上龙虾之后，还不能使用，因为还需要饲料。

Token 就是饲料，饲料分好坏，进口厂家有 OpenAI、Anthropic、Google ，国产的有 GLM、MiniMax、Kimi 等。

饲养人的方式方法以及饲料的好坏都决定着龙虾的成长。

三、发展历程

OpenClaw 的发展非常快。从 25 年 11 月到现在，短短几个月的时间，现在 GitHub 上的 Star 数已经 32 万了。

OpenClaw 是奥地利开发者 Peter Steinberger 利用周末时间搞出来的，估计他当时也没想到会这么火爆。

2025 年 11 月：OpenClaw 诞生，当时的名字还叫 ClawdBot ,并使龙虾作为图标
2026 年 1 月 27：因 ClawdBot 的 Clawd 的发音和 Claude 类似，收到了Anthropic 的商标警告，被迫改名为 Moltbot
2026 年 1 月 30：再次改名为 OpenClaw ，这个名字一直沿用到现在
2026 年 2 月 14：创始人 Peter 加入 OpenAI ，项目移交开源基金会运营。OpenAI 赞助但项目保持独立。

四、技术架构

下面用数字员工的概念来帮助理解 OpenClaw 的架构，假设我们部门来了一个数字员工，怎样才能让他能正常干活呢？

1. 核心大脑与调度中枢（Gateway & Pi Agent）

数字员工本质上是一个“能思考+能执行”的系统。

Gateway（网关）：相当于“调度中枢”，负责统一接收任务、管理运行状态，以及定时触发任务。
Pi Agent（推理引擎）：相当于“思考引擎”，通过一个循环机制不断工作：接收任务 → 拆解规划 → 调用工具 → 检查结果 → 继续下一步

2. 沟通渠道与执行载体（Channels & Nodes）

数字员工需要能接任务，也需要能有环境去执行任务。

Agent Skills 全景指南：从概念机制到实战开发

Fri, 23 Jan 2026 09:01:00 +0800

最近，Agent Skills 彻底火了。

很多人第一次听到 Skills，会觉得“这不就是一堆 Markdown 吗？”我一开始也这么想。但当你把它放进 Agent 的运行方式里，再对比 Prompt、MCP、Function Calling 这些概念，你会发现：Skills 解决的不是“模型会不会”，而是“怎么让模型稳定、可复用、可分发地把事做完”。

在这篇文章里，我将从概念到实战，带你彻底搞懂 Skills。

一、什么是 Skills？它从何而来？

简单来说，Skills 就是供大模型使用的技能包。

Skills 里面包含做事的方法（流程、规范、检查点），以及可选的资源（模板、脚本、参考资料等）。
目标不是让模型“临场表现更好”，而是让同一类任务在不同时间、不同输入、不同人使用时，都能得到稳定的结果。

例如：团队新来了一个开发工程师。为了让他按团队要求开展工作，通常会告知：

这件事的目标和流程是什么（SOP）
要用到什么工具（Scripts/MCP）
有什么参考模板和素材（References/Assets）

这就是 Skills。它让 Agent 具备了“专业知识”和“稳定做事的方法”。

Skills 最早由 Anthropic 在 2025 年 10 月中旬随 Claude Code 推出。两个月后（12 月 18 日），Agent Skills 被作为开放标准发布。

https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills?utm_source=chatgpt.com

二、Skills、MCP、Agent、Function Calling 的关系

之前写过 MCP 和 Function Calling 相关的文章：

《[[MCP 和 Function Calling：概念]]》

《[[MCP 和 Function Calling：示例]]》

这些和新的 Skills，关系是什么呢？

Function Calling：这是最底层的能力，相当于人的“手”。它让 AI 知道自己能“拿杯子”、“按开关”，是连接外部世界的基础接口。
MCP：这是一种标准协议，定义通用通信架构和数据格式（类似于 USB 标准）。Function Calling 可视为 MCP 生态下的一种具体功能实现形式。
Skills：这是业务逻辑和流程，相当于“脑子里的知识”。它教 AI 如何使用 MCP 里的工具去完成一个复杂的任务（比如写一篇符合你风格的文章）。它解决的是“流程”问题。
Agent：Agent 是位于最上层的“大脑”或“协调者”。

可以这么理解，不一定准确：Agent 是工人、Function Calling 是工人具备使用工具的能力，比如会用锤子等、 MCP 是一个多功能腰带，有各种标准的卡口用来放不同类型的工具、Skills 可以是这些工具的使用说明书，也可以是怎么用工具造房子的施工图纸。

三、核心机制

Skills 的核心机制，我认为就两件事：

让 Agent 能“找到该用哪个技能”
让 Agent 能“只在需要时加载需要的部分”

Agent 启动时不会把所有技能全文塞进上下文窗口，而是先扫描技能包，读取每个技能的少量元信息（名称和描述，描述尤为重要）。

当用户提出需求后，Agent 会用这些元信息做匹配，判断要不要触发某个技能。这也是为什么 Skills 的 description 写得好不好，直接决定“命中率”。

Agent on 冯威的博客