2025 年底，奥地利工程师 Peter Steinberger 创建了个人人工智能助手项目 OpenClaw，短短三个月内便成为 GitHub 历史上获得最多星标的可运行软件。创始人随后被 Sam Altman 招致 OpenAI，项目转由基金会独立运营。围绕该项目衍生的社区活动 ClawCon，从旧金山起步，迅速扩展至纽约、迈阿密、奥斯汀、马德里和东京，每次吸引数千名参与者。今年 5 月，ClawCon 首次登陆中国上海，Dynamic Watch 在现场独家采访了全球第二大代码贡献者 Vincent Koc 及 ClawCon 创始人 Michael Galpert。Vincent Koc 现任 Comet ML 首席人工智能研究工程师及 MIT 讲师，为 OpenClaw 提交了 20% 的核心安全补丁；Michael Galpert 则是连续创业者，曾创立被 Adobe 收购的 Aviary，并担任过 Epic Games《堡垒之夜》产品总监，如今经营 AI 产品公司 Contains Inc。正是他的努力，将 ClawCon 从旧金山客厅聚会打造为全球性个人人工智能社区品牌。

采访进行时，OpenClaw 最喧嚣的炒作期已告一段落，这恰恰是审视项目本质的最佳时机。在 GitHub 星标、拉取请求数量、活动参与人数等聚光灯效应下，许多关键问题往往被掩盖。当光芒稍减，核心矛盾浮出水面：为何 OpenClaw 能瞬间引爆关注？它能否从热门现象进化为日常生活不可或缺的工具？当 AI 不再局限于聊天，而是代表用户发送信息、编辑文件、执行任务时，应遵循何种指导原则？上海 ClawCon 现场依然热烈，该项目被纳入 muShanghai 发起的为期 28 天的“游牧科技社区”计划，新闻稿称活动聚集了来自全球的 800 位技术专家。中国开发者对如何将 OpenClaw 融入 Feishu、微信、企业微信、钉钉等生态表现出浓厚兴趣。

然而，Vincent 在台上并未将其描述为单纯的成功故事，而是抛出了一个严峻现实：OpenClaw 收到了 10,000 份拉取请求。对于开源项目，最大的担忧通常是无人问津，但 OpenClaw 却面临相反困境：大量用户试图将想法强行植入项目，从集成 Feishu 到运行交易策略，需求五花八门。

过去，开源贡献存在天然门槛，需理解文档、架构及测试流程。如今，AI 编程工具降低了这些障碍，即使不懂架构的人也能让模型编写代码并提交补丁。这种便利带来了新的噪音。午方 AI 梳理发现，Vincent 提到团队曾一度每天收到 100 多份安全漏洞报告，其中大部分由大型模型生成。提交者未必旨在提升安全，更多是想在热门项目上留下痕迹。这种非恶意的“有益贡献”伪装，实际上消耗了系统中最宝贵的资源——人类注意力。真正的挑战在于，当每个人都能生成代码时，稀缺资源不再是代码本身，而是判断力：哪些想法值得实现，哪些风险不可接受，哪些需求只是干扰。

Vincent 强调，OpenClaw 并非普通产品，而是一套围绕模型打造的“操作工具”（Harness）。模型是大脑，这套工具则是身体，负责记忆需求、分解任务、处理错误及在成本过高时停止行动。过去一年，行业过度关注模型推理能力、代码质量及上下文长度，却忽视了“手、脚、痛觉和边界感”。助手不能随意伸手，不能盲目奔跑，感到疼痛时应停下，进入他人房间前需敲门。模型能思考不代表能行动，能行动不代表行为稳定，行为稳定不代表知道何时不该行动。用户感知的不是智能，而是工具的实用性与稳定性：能否完成复杂任务？执行中是否遗忘指令？误用工具后能否掩盖错误？面对不确定性是坚持还是询问？这些问题决定了助手能否从演示视频走向日常生活。

Vincent 提出了速度、成本与准确性的不可能三角。若追求低成本，必牺牲速度与准确性；若追求速度与准确性，则需承担高推理成本及不可预测的故障模式。许多人将问题简化为代币消耗，但在真实系统中，每一次重试、工具调用及人为干预都是成本。排行榜数据无法反映模型在实际助手系统中的失败次数或干预需求。因此，个人助手的挑战已从“能否思考”转变为“能否行动”，而行动能力不能仅靠模型评分决定。随着 OpenClaw 成功，其定位也面临挑战。最初它仅是个人助手，遵循“在设备上运行，按规则工作”的开放理念，但一旦获得势头，便不再完全属于最初创作者。Michael 指出，中国开发者的积极态度令人印象深刻，开放既带来便利也带来挑战。午方 AI 注意到，Vincent 表示团队正调整维护策略，致力于开发 SDK、测试工具、编写文档及制定参考架构，旨在为项目塑造更好的发展路径，而非阻挠发展。

智能体时代早期，OpenClaw 被视为成功案例，但当狂热消退，维护者负担加重的现实显现。如果社区要通过行动重新定义 OpenClaw，哪些因素决定未来方向，哪些只是短暂现象？Hermes 项目强调智能体完成任务后的回顾与经验总结，主张“使用次数越多，体验越完善”。对此，Vincent 持谨慎态度，认为目前缺乏有效评估方法判断自动生成体验的有用性。自动生成的经验可能是对现有经验的压缩，也可能包含错误信息，七成有用，三成误导。系统如何判断是否保留这些经验？若将偶然成功路径固化为流程，环境变化时智能体是否仍沿原路行动？几周后记忆过时，智能体反而更依赖它们，这究竟是让人变聪明还是变固执？人类常犯“经验主义”或“路径依赖”错误，将过往成功秘诀视为不可改变真理。应用于智能体时，这被包装为“自动学习”。Vincent 不愿将“看似在学习”等同于“真正进步”，真正的学习包括遗忘、纠正错误及承认旧路不再适用。一个不会遗忘的智能体可能更难被纠正。

当被问及未来个人智能体的核心能力时，Michael 未选择推理或多模态能力，而是选择了“记忆能力”。若两周前讨论过某事，今天再次提及，智能体应能理解语境。长期稳定关系离不开记忆，这划清了个人智能体与普通软件的界限。工具按功能使用，人际关系建立在记忆之上。若每次使用都如初次见面，智能体永远只是工具。个性化不仅是界面改名或换色，而是智能体了解用户习惯、喜好、犹豫点及冲动时刻。Vincent 指出，业界拥有强大模型，却缺乏长期陪伴感。个人智能体不再是商业场景或功能探讨，而是真正为用户工作、可交流的智能体。午方 AI 分析认为，Vincent 的观点反驳了科技行业常见的“用户是谁、痛点在哪”的提问方式。工具时代，人类发指令，软件执行；智能体时代，智能体是合作伙伴，记得用户为何改变主意，知道何时冲动，甚至关键时刻质疑用户。Vincent 进一步提出，未来智能体不应只听指令，而应挑战人类思维，让人类思考如何与智能体协同工作。