从“养虾”到“烤虾”：一个全栈工程师的OpenClaw踩坑实录

折腾三个月，我把市面上能跑的“虾”都跑了一遍，有些话不吐不快

---

缘起：我也没能逃过“AI焦虑”

三个月前的某个深夜，我刷到了OpenClaw的演示视频。看着那个红色的小龙虾图标在屏幕上自己移动、点击、输入，一口气完成了从打开浏览器到预订酒店的全过程，我承认——我的AI焦虑症犯了。

作为一个自认为技术嗅觉还算灵敏的全栈工程师，我竟然对这种级别的玩意儿后知后觉？第二天一早，我就开始了我的“养虾”生涯。

现在回头看，这三个月里，我把市面上能叫得上名字的claw都折腾了一遍：小米的miclaw、腾讯的QClaw和WorkBuddy、阿里的CoPaw、字节的Arkclaw、智谱的AutoClaw、月之暗面的KimiClaw、MiniMax的MaxClaw……有些跑起来了，有些跑一半就挂了，有些压根就没跑起来。

今天不说那些光鲜的官方宣传，只说我在踩坑路上看到的真实风景。

第一坑：记忆丢失——我的虾只有七秒记忆

先上AutoClaw（智谱那个本地版）。装好之后，我让它帮我每天上午10点去某个内部系统爬一份数据报表。

第一天，它干了。

第二天，它也干了。

第三天，它没干。我查日志，发现它“忘记”了这回事。

这不是个例。OpenClaw及其衍生产品，本质上是在大模型的“对话”外面套了一层“行动”的壳。但问题是，大模型本身没有持久化记忆。每次任务启动，都是一次全新的对话。你可以告诉它“记住我的习惯”，但这个“记住”只存在于当前会话的上下文窗口里。

会话一关，一切归零。

有人会说：“那用向量数据库啊，把记忆存起来。”对，理论上可以。但问题是，现有的开源方案里，记忆召回的逻辑太粗糙了。它记住的是你昨天说了什么，却分不清哪些是重要信息、哪些是随口一提。

我试过让一个claw帮我管理项目进度。一周后，它开始把A项目的deadline往B项目上套。因为它“记得”我说过“下周三截止”，但忘了是哪个项目。

一句话总结：现在的“记忆”，更像是“记录”，离真正的“记忆”还差一个“遗忘算法”的距离。

第二坑：单向沟通——我说你听，但你干没干我不知道

这是让我最崩溃的一点。

KimiClaw号称支持远程电脑操控。我在公司，让家里的电脑帮我跑一个脚本。

它回复：“好的，已开始执行。”

然后呢？没有然后了。

我不知道它到底开始了没有，不知道执行到哪里了，不知道有没有报错。我只能等回家亲自检查。

这不是真正的“智能体”，这是“指令发射器”。

WorkBuddy稍微好一点，在办公自动化场景里会主动反馈“邮件已发送”、“审批已通过”。但一旦遇到复杂流程——比如“先查一下张三上周的考勤，如果缺卡超过3次，就发邮件提醒他”——你就会发现，它只做了“查考勤”，然后等你问“发邮件了吗”，它才去执行下一步。

这哪里是助理，这是指一下动一下的木偶。

真正的智能体，应该有自己的“任务意识”：我发起一个任务，它能自己拆解步骤、自己判断条件、自己决定下一步做什么，并在关键节点主动同步进展。

但现在的claw们，更像是把“多轮对话”包装成了“多步操作”。每一步都需要你推一下。

第三坑：无反馈——闭着眼睛干活，撞墙了才知道停

这是技术上的硬伤。

OpenClaw操作外部应用，靠的是API调用或者UI自动化。API调用还好，至少能拿到明确的返回码。UI自动化就完全是盲人摸象了——它只能模拟点击，但不知道点击之后发生了什么。

我让一个claw帮我填一个表单。表单有一个字段是“手机号”，需要11位。我提供的数据里有一个手机号只有10位。

claw填了，点了提交，然后页面报错。但它不知道页面报错了，它以为提交成功了，继续执行下一步。

等我发现的时候，它已经用这个错误的数据跑了三个后续流程。

为什么？因为它没有“看”的能力。它只有“做”的能力。

字节的Arkclaw在云端版里做了一些优化，引入了截图比对，但依然只能判断“页面变了”，判断不了“变对了没有”。而且截图比对的延迟和资源消耗，在本地跑起来基本卡成PPT。

要让智能体真正“智能”，必须让它有“感知”能力——感知环境的反馈，感知操作的结果，感知异常的发生。 现在的claw们，更像是在执行预设脚本，而不是在与环境互动。

为什么问题这么多？——从“养虾”到“烤虾”的必经之路

冷静下来想想，这些问题其实都是技术发展早期的正常现象。

OpenClaw的架构，本质上是把大模型的“大脑”和自动化工具的“手脚”拼在一起。大脑负责思考，手脚负责执行。但大脑和手脚之间的“神经连接”还太原始。

• 记忆丢失，是因为大脑的“短期工作记忆”太小，又没有好的“长期记忆”存储和检索机制。

• 单向沟通，是因为手脚没有自己的“传感器”，干了活也不知道干得怎么样。

• 无反馈，是因为整个系统缺少“闭环控制”的概念——只有前向通路，没有反馈回路。

这些在自动化控制理论里都是基础问题，但放到AI智能体这个新瓶子里，又有了新的复杂度。

哪些坑已经被填了，哪些还在

三个月折腾下来，我也摸清了各家产品的真实进展：

• 记忆问题：KimiClaw和MaxClaw在云端做了长期记忆的尝试，但召回准确率还有待验证。本地跑的AutoClaw，基本别指望。

• 多步任务：腾讯的WorkBuddy在企业场景里做得不错，因为业务流程相对固定，可以预定义状态机。但开放场景下，还没见到能稳定跑通复杂任务的。

• 环境感知：Arkclaw的云端截图分析是个方向，但成本和延迟问题没解决。小米的miclaw在手机端做得最好，因为系统级权限可以拿到更细粒度的状态信息。

至于那些小厂和个人开发者fork出来的“虾”，基本还在“能跑起来就算赢”的阶段。问题不是有没有，而是多和少。

未来三个月，我会关注什么

作为一个务实派全栈，我对天花乱坠的演示已经免疫了。未来几个月，我会重点关注这几个方向的技术突破：

1. 记忆的分层存储：短期记忆（当前任务）、中期记忆（本次会话）、长期记忆（跨会话），如何分层存储、如何按需召回。

2. 任务状态管理：让智能体有“任务意识”，而不是被动响应。这需要更好的任务拆解和状态追踪机制。

3. 多模态反馈：让智能体能“看”屏幕、“听”声音、“读”日志，真正理解操作的反馈。

4. 安全沙箱：权限控制不是越强越好，而是越精细越好。哪些操作可以自动执行，哪些需要人工确认，应该可配置。

写在最后：焦虑依然在，但方向更清晰了

三个月前，我因为焦虑入坑。三个月后，焦虑没消失，但方向清晰了。

OpenClaw这波热潮，确实带来了很多不成熟的产品，也暴露了很多问题。但反过来想，正是这些问题，指明了下一步该往哪儿走。

我的“养虾”还在继续，只是心态变了——不再是怕错过什么，而是想看看到底谁能先跑通这些技术难点。

毕竟，能把“虾”养大养好的，才是真正能在这个赛道站住的。

---

后记：这篇文章是我在连续三天debug一个claw的记忆问题无果后，趁着脑子还清醒写的。如果你也在养虾，或者正准备入坑，欢迎留言交流。踩过的坑，填上的坑，都值得聊一聊。