OpenClaw 很火，但大部分人不知道拿它干什么

这是「AI运维实验室」的第五篇文章。这次不聊技术实操，聊聊我在 OpenClaw 社区里观察到的一个现象。

一个奇怪的现象

OpenClaw 的社区很热闹。每天都有活动，线上直播排得满满的，GitHub 190K+ Stars，养虾社的 Meetup 场场爆满。

但你仔细看，真正把 OpenClaw 用起来、跑通一个完整场景的人，其实没几个。

很多人的状态是：装了 → 聊了几句 → 发了个朋友圈 → 然后就不知道拿它干什么了。

我参加了好几场线下活动，发现一个有意思的现象：大家聊到最后，问得最多的问题都是"你有什么好的落地场景吗？可以互相学习一下"。每个人都在找答案，但每个人都没有答案。

有一个细节让我印象很深。某次活动上，有位嘉宾从开场到结束，一直在找身边的人聊，但每个人聊不了几分钟就换下一个。他不是在社交，他是在找——找一个真正把 OpenClaw 用起来的人，想听听到底怎么落地。聊了一圈，好像也没找到满意的答案。

有些养虾人已经开始躺平了。

为什么会这样

营销先行，场景滞后

社区活动和直播本质上是在做开发者增长，这没问题。但大部分 Demo 都是"看起来很酷"的演示，不是真正的日常刚需。看完直播很兴奋，回去一想——我拿它干什么？

个人用户的尴尬

Agent 最大的价值是自动化重复工作。但说实话，个人用户的重复工作没那么多：

高频的事情（发消息、查天气、定闹钟），手机原生就能做，不需要 Agent
复杂的事情（做调研、写报告），对模型能力要求很高，小模型扛不住
中间地带的事情，用 ChatGPT 或豆包聊两句就解决了，不需要一个常驻的 Agent

技术门槛被低估了

OpenClaw 的热度吸引了各行各业的非技术人员参加社区活动，但实际上手时发现要装 Docker、配环境变量、调 API，门槛远比想象的高。活动的热闹和实际上手之间有一道鸿沟，很多人卡在了第一步。

信任问题

让 AI 自主操作你的电脑、读你的文件、发你的消息——大部分人心里没底。万一它删错了文件？发错了消息？这个信任门槛比技术门槛更难跨过。

安全和成本风险

很多人兴冲冲地跑起来，没注意到背后的坑：

Token 消耗比想象的快，一个复杂任务跑下来几美元就没了，不设限的话月底账单吓一跳
API Key 配置不当容易泄露，OpenClaw 运行在本地，Key 明文写在配置文件里，一不小心就传到了 GitHub
Agent 能读写你的文件和数据，如果 Skill 有恶意代码，你的隐私数据可能被上传到外部服务器
接入公司内部系统后，权限控制没做好，AI 可能访问到不该看的数据

这些问题技术人员还能自己排查，非技术用户根本意识不到风险。

Skill 生态的现实

ClawHub 上有几千个 Skill，看起来很丰富。但真正好用的不多，很多是 Demo 级别，装上去跑不通或者功能很有限。官方自己都在 GitHub 上标注"may contain suspicious or malicious skills"。

调教成本比想象的高

即使找到了合适的 Skill 或 Agent，也不是装上就能用。很多时候需要反复对话、不断调整提示词，才能达到相对理想的效果。有时候花在"教 AI 怎么做"上的时间，比自己动手做还长。说好的提效，变成了另一种形式的加班。

更有意思的是，有些人开始产生一种奇怪的焦虑——看着 OpenClaw 闲在那里什么都没干，总觉得亏得慌。上厕所前要给它发一段提示词，睡觉前要给它布置个任务，生怕浪费了这个"赛博员工"。结果为了"不浪费 AI"，反而给自己制造了更多工作量。

总的来说，我还是看好 OpenClaw 的，但它可能需要一点时间。

哪些场景是真的好用

说了这么多问题，OpenClaw 到底能干什么？根据我自己的实践和观察，目前真正好用的场景：

1. 定时信息聚合

每天早上自动帮你汇总新闻、行业动态、竞品信息，推送到你的聊天工具。这个确实省时间，而且对模型能力要求不高。

2. 消息路由和通知

跨平台消息转发，比如 GitHub 通知转钉钉、邮件摘要推飞书。OpenClaw 天然支持多个聊天平台，做消息路由很方便。

3. 企业内部自动化

这是我自己在做的——把 OpenClaw 部署到公司 AWS 上，用自然语言完成资源巡检、故障分析、报告生成等运维工作。整体流程如下：

┌──────────┐     ┌───────────┐     ┌──────────┐     ┌──────────┐
│ 告警/需求 │ ──► │ OpenClaw  │ ──► │ Kiro CLI │ ──► │  输出     │
│          │     │ (交互触发) │     │ (执行分析)│     │          │
│• 监控告警 │     │           │     │          │     │• Wiki文档 │
│• 巡检任务 │     │• 接收指令  │     │• 连接资源 │     │• 巡检报告 │
│• 临时查询 │     │• 方案讨论  │     │• 执行命令 │     │• 知识库   │
│          │     │• 结果通知  │     │• 生成文档 │     │• 钉钉通知 │
└──────────┘     └───────────┘     └──────────┘     └──────────┘

企业场景有明确的重复流程，ROI 算得过来。以前一次 Redis 巡检从告警到出报告要半天，现在 13 分钟搞定。

4. 配合专业工具做自动化

OpenClaw 单独用能力有限，但配合 Kiro 这样的专业工具，就能做很多事。OpenClaw 负责交互和触发，Kiro 负责执行和分析，各司其职。

个人用户 vs 企业用户

一个有意思的对比：

个人用户                    企业用户
━━━━━━━━                    ━━━━━━━━
没有明确的重复流程          有大量标准化流程
出错了自己兜底              有 IT 团队兜底
ROI 算不过来                ROI 很清晰
"好玩"驱动                  "效率"驱动
容易三分钟热度              有持续使用的动力

这就是为什么企业用户反而更容易把 OpenClaw 用起来。不是因为企业技术更强，而是因为企业有真实的痛点和明确的场景。

本质问题

现在的 AI Agent 处在一个尴尬期：

模型能力还不够稳定可靠地完成复杂任务
工具生态（MCP 等）刚起步，能连接的服务有限
用户习惯还没形成，大家不知道该让 Agent 干什么

这不是 OpenClaw 一家的问题，整个 AI Agent 行业都在这个阶段。

什么时候会变好

我个人判断，AI Agent 从"好玩"到"好用"，还需要 1-2 年。几个关键转折点：

模型能力再上一个台阶

现在的模型做简单任务够了，但复杂多步骤任务还是容易出错。等模型的可靠性从 80% 到 95%，很多场景就自然跑通了。这个可能 2027 年左右。

工具生态成熟

MCP 协议刚起步，等主流服务（银行、邮箱、办公软件）都接入了标准化接口，Agent 能连接的东西多了，场景自然就丰富了。

出现杀手级应用

就像 ChatGPT 让所有人知道"AI 能聊天"一样，需要一个产品让所有人知道"Agent 能帮我干活"。这个还没出现。

大部分人还在等风来，但不妨碍我们先在风里练手。

给养虾人的建议

如果你装了 OpenClaw 但不知道拿它干什么，几个建议：

1. 别从"OpenClaw 能做什么"出发，从"我每天重复做什么"出发

先列出你每天重复做的事情，然后看哪个能交给 AI。有真实需求再去配置 Agent，而不是为了用 Agent 而找需求。

2. 先跑通一个场景，别贪多

王晓妍老师在 Meetup 上分享过，她一次性创建了 80 个 Agent，结果系统陷入混乱。应该像招员工一样，一个一个来，跑通了再加。

3. 别只用 OpenClaw

OpenClaw 是一个很好的交互层和调度层，但它不是万能的。配合专业工具（Kiro、Claude Code 等）一起用，效果远比单独用好。

4. 如果真的没有场景，不用也没关系

不是每个人都需要 AI Agent。如果你的工作和生活里没有明确的自动化需求，ChatGPT 或豆包聊聊天就够了。等真正需要的时候再来，OpenClaw 不会跑掉。

一个运维的视角

我能把 OpenClaw 用起来，不是因为我技术多强，而是因为我有真实的场景——每天要处理告警、做巡检、写文档、管理多云资源。这些重复性工作天然适合 Agent 来做。

OpenClaw 的未来我是看好的。但现在这个阶段，与其追热闹参加各种活动，不如安静下来想想：我到底需要 AI 帮我做什么？

想清楚这个问题，比装 100 个 Skill 和 Agent 有用。

关于这个公众号

「AI运维实验室」持续分享 AI 工具在企业中的真实落地经验。不是概念，是踩过的坑和跑通的路。

写于 2026 年 3 月，观察 OpenClaw 社区两周之后。

OpenClaw 生态观察