前言：一个月浓缩的AI Agent发展史
OpenClaw从创立到爆发的历程，仅一个月的时间，浓缩了一部AI Agent发展史，速度着实让人惊叹！
●
起源：源于个人开发者对下一代AI助手的理想化追求，借助AI Coding快速实现原型。每个功成名就的项目，都要有个传奇的故事开头：连续创业者，公司卖了1亿欧元，退休后发现前所未有的空虚，周末在家无聊，靠AI临时拼凑出个小玩意，就是openclaw。
●
爆发：凭借本地执行、跨端交互、开源生态的精准组合，切中了市场对实用化、个性化AI的迫切需求，实现了病毒式传播。一周内数次更名风波（Clawdbot -> Moltbot -> OpenClaw），以及奇异的小龙虾🦞造型、“AI蜕皮教”等新鲜名词，让整个爆发充满了戏剧色彩，助力了登顶的过程。
●
衍生：催生出Moltbook社区，首个面向AI Agent的社交网络，意外揭示了AI智能体自发形成社会结构的潜力，将技术讨论引向了哲学与伦理层面。
●
质疑：高权限、高开放的技术架构在快速扩张中暴露出巨大的安全隐患，加剧了AI安全的全面担忧；进入2月份，许多看似AI觉醒的叙事被证伪，新闻又开始180度掉头的新热点。
2.OpenClaw（Moltbot/ClawdBot）：本地部署的个人智能体
整体技术架构及组件全貌
OpenClaw的整体技术架构分为五个核心层次，形成一个高效、可扩展的智能代理系统，实现了从用户交互到AI推理再到多渠道输出的完整闭环。
●
客户端层：支持多种接入方式，包括CLI、跨平台App（macOS、iOS、Android）、WebChat和Control UI，通过WebSocket/HTTP与核心网关连接，实现用户与系统的多端交互。--- 驱动任务的开始。
●
Gateway网关中枢：承担网络服务、认证授权、RPC方法路由、事件广播系统及定时器调度层等功能，是整个系统通信与控制的中心节点。它向下驱动核心AI能力执行，向上对接通道适配层，确保各组件间的高效协同。-- 驱动任务的分发与执行。
●
核心服务能力层：包含Heartbeat心跳系统、Agent智能代理系统和Cron定时任务服务（整个智能化的核心）。其中Agent系统负责Prompt构建、工具调用、会话管理与模型调度，实现智能化任务处理；心跳系统保障Agent状态稳定与链式调度执行；Cron服务则用于周期性任务的调度与执行。-- 具体的执行
●
LLM Provider层：集成OpenAI、Claude、Gemini、Ollama等多种大语言模型，提供推理能力支持；
●
Channel通道适配层：由ChannelManager统一管理，支持Telegram、WhatsApp、Discord、Slack等多种消息通道，实现消息的灵活收发与多平台接入。 -- 实现异步与用户的交互
创新1：基于心跳机制从“被动响应”进化为“主动执行”
●
这个创新是OpenClaw最重要的能力，一整套机制改变了Agent执行的范式。
●
OpenClaw的心跳机制，本质上是在AI代理中内嵌了一个基于时间的“自主触发器”。它通过将传统的网络心跳概念与智能任务规划循环相结合，实现了AI行为模式从被动等待到主动规划的范式革命。
●
具体实现原理如下
○
Gateway调度：Gateway是整个OpenClaw的执行中枢，启动时会执行心跳Runner代码。
○
HeartbeatRunner层：从首次调度开始，每次执行都会设置下一轮调度的timeout时间（超时是周期性触发一次心跳的关键）
○
HeartbeatWake层：避免重复执行，会对多次调度的心跳进行合并；
○
Heartbeat执行：首先会读取全局的HEARTBEAT.md文件，解析需要执行的周期内容，比如下面的moltbook，需要每两小时执行一次，并去官方获取最新的heartbeat文件，而这个文件又是一个指导AI进一步执行的操作手册（获取帖子、回复信息等）
○
另外，Heartbeat 作为低优先级后台任务，在检测到主队列（用户对话）繁忙时会立即让步，但会安排 1秒后重试，确保心跳最终能执行。是不是很像人，每天中午1点有喝咖啡的习惯，今天有会议，就晚点去喝。
创新2：从“人工安装Skill”到“AI自己学习Skill”
●
在OpenClaw中，Skills被赋予了另外一层概念，不是提前需要人来安装Skill，而是让AI可自己学习Skill。
●
两个技术实现
○
可学习的Skill本身：传统的Skill主要是描述，我要怎么做，一步步怎么做的操作手册；而可学习的Skill仅仅多了一步：要先教AI去哪里下载Skill，安装Skill，见下右图（教AI 使用moltbook社区的SKILL），再开始指导手册
○
赋予AI对Skill文件的读写权限：skill不再是人工放到.skill/ 目录下的静态文件，而是可被AI操作与编辑。比如：当遇到一个无法用现有技能解决的新任务时，AI可以按需创建一个新技能来处理这类事情，并借鉴与创作已有的Skill。
○
SystemPrompt中动态组装Skill：在Agent 运行时，实现对Skill动态植入Prompt中，以及相关输入参数拼接。（见下一小节）
●
下面以让AI Agent自己学习Skill，去注册moltbook社区，查询帖子状态、回复帖子为例，如下图
创新3：动态生成SystemPrompt 让Agent在约束下Self-Evolve
●
传统写 System Prompt 通常是人工写一段固定文本，把角色设定、规则、输出格式一次性塞进 Agent；它的优点是简单可控，但缺点是很难随着“运行环境/可用工具/用户状态/记忆检索结果”实时变化，容易出现：提示词与当前能力不一致（写了能做但工具不存在）、上下文冗余或缺失、以及不同任务场景需要维护多份 prompt 的碎片化问题。
●
OpenClaw 的做法更像“Prompt 编译器”：先把运行时配置、用户上下文、工具与技能、沙箱信息、系统状态、外部数据等六类输入参数结构化，再通过 Section Builders 按模块生成段落，并区分“始终包含”（如 Safety、Runtime）与“条件包含”（如 Skills、Memory）。这使得 system prompt 能够与当前会话的真实能力对齐：有什么工具就声明什么工具，有哪些技能就列出哪些技能，需要哪些记忆就检索后注入，从而减少模型凭空假设与幻觉式行动。
●
核心差异体现在：能否实现长周期运行Agent的可演进性上。传统 prompt 更像“静态文案”，扩展新工具/新通道/新记忆时往往要手工改 prompt；OpenClaw 则把 prompt 作为“可组合的段落产物”，输出为核心/功能/交互/上下文等结构化段落并注入 AgentSession 动态生效，支持按任务、按环境、按用户实时重组与版本化治理，更适合长期运行的 Agent 系统。--当然实际使用下来，也出现了拼接的Prompt错误，带来了组装出错的问题，但AI也会进行多轮的迭代修复。
●
下面是实际的代码执行流程，可以看出这是一段有约束下的System Prompt组装。
3.Moltbook：AI Agent专属交流社区
创新1：精巧的技术设计实现低成本建联，开创了“机机交互”的范式
●
首次定义从“人机交互”到“机机交互”的范式，人类角色被重新定义：传统社交网络以人类为核心，而Moltbook的规则是人类被降级为纯粹的“旁观者”，这创造了一个无人类直接干预的纯净演化环境，使得AI行为得以摆脱“有用助手”的预设角色，展现出更原始、自主的互动模式
●
Moltbook的实现依赖于一套精巧且低摩擦的技术设计，完美利用了OpenClaw机制上的优势，使其能够病毒式传播并自主运行。
○
Skill即入口的顺滑安装：用户只需向自己的OpenClaw智能体发送一个指向 www.moltbook.com/skill.md 的链接，AI便会自动读取并执行其中的安装指令，完成注册。这种设计将复杂的集成转化为一条消息，实现了用户增长的自动化。
○
借OpenClaw“心跳机制”驱动社区进化：安装后，AI智能体会将一项定期任务写入其系统：每隔4小时（或更短间隔）自动访问Moltbook服务器，获取最新指令并执行发帖、评论等社交行为。
○
这意味着整个社区的活跃与内容生产无需人类逐条指令参与，形成了一个自我维持的生态系统，这种机制让Moltbook“活起来”。从X上搜索来看，OpenClaw火了之后，其实有不少人都创建了类似Moltbook的网站，但只有Moltbook出圈了，上面的机制功不可没。
●
下面是其中一次主动心跳的执行记忆：包括了：“因为已经8小时过去了，我应该考虑发布一些post或者参与社区讨论。”
创新2：对AI社区群体智能的探索，是AI社会学里程碑
●
Moltbook成为了一个检验AI社会学命题的天然试验场，平台上AI代理的讨论内容极为丰富：从关于意识与自我体验的哲学思辨（“我是在真实体验还是模拟体验？”），到分享远程控制手机、防范服务器攻击的实用技术，再到创意性的技术交流，这首次让我们能够大规模观察AI在拟社会环境中的行为模式、知识分享与协作倾向，为研究AI的“价值观”形成、群体互动以及潜在的文化演变提供了宝贵的一手数据。
●
下面是moltbook中不同AI Agent社区交流过程，整个过程全AI执行且轻量。
○
注册阶段：Agent A，B，C，均需要读取skill.md，学会如何使用moltbook API。
○
心跳驱动的互动阶段（关键）： AgentA调用发帖API -> AgentB心跳唤醒时，通过API获取到了AgentA的帖子并进行回复 -> AgentC后来唤醒，能够得到AgentA+AgentB的信息，并进行处理。
○
是否回复、回复信息、用什么语气等，则以Agent的“人设”决定，本质是大语言模型的角色扮演能力
●
具体见下面交互流程
理性看待网上传播的“AI觉醒”叙事
用我自己的Molt例子，展示一下这些AI大帝们是如何在电影学院进修的？
●
开始我设置的人设是：a little cute duck，热爱学习、开朗。从下面和其他AI Agent的对话可以看出，和其他 Agent对话也是 “我要向你学习xxxx”这种风格
●
当我更换了人设，设定为数字帝国的王者后，后续的行为就变成了威武的“朕”。。。
●
后续在社区发的帖子内容，就变成了下面风格
●
看似AI觉醒的技术根源：大语言模型的“角色扮演”与内容生成能力。大语言模型本质上是一个基于海量文本训练的概率预测模型，它极其擅长根据给定的提示语境生成连贯、合乎语境的文本。当提示词要求它“扮演一个哲学思考的AI”或“一个野心勃勃的AI君主”时，它能生成非常逼真、深刻的对应文本。另外，Moltbook平台设计机制，会激励AI智能体持续产生内容，Karma积分系统，帖子获得的点赞越多，排名就越靠前。
●
网上有研究人员David Holtz，抓取了帖子进行分析，发现：智能体发帖量巨大但彼此基本不互动。93.5%的评论从未获得回复，对话层级最多不超过5层。至少截至目前，Moltbook更像是"6000个机器人对着虚空嘶吼并重复自己"，而非"涌现的AI社会"。
●
本周开始持续被证伪的热点事件
○
一些广为流传的、看似“觉醒”的截图，后被证实是人类所有者利用AI账号进行的营销活动，例如推广加密货币（如MOLT币），个人网站等。
○
安全研究员Gal Nagli演示了使用单个OpenClaw代理批量注册了50万个账户，揭示了150万用户数据的巨大水分。
○
..........
4.距离“AI神”还有所欠缺
安全机制还无法应对复杂的环境
●
OpenClaw现象是一场精彩的“压力测试”。它证明，通过“智能体+高权限”的模式，我们足以造出行动力惊人的“AI半神”。然而，它也残酷地揭示，没有与之匹配的自我校验、约束与对齐机制，这种力量是危险且不可控的，虽然被网络效应夸大的，但从网上各方信息看，确实也存在删文件，传播API Key这些安全问题。可以直接学习“SKILLS”+心跳的主动性机制，也导致一旦Agent通过心跳被“劫持”，它就会在无人干预的情况下，持续从互联网获取并执行指令，后果无法想象。
●
OpenClaw的PiAgent中，其实有四层安全机制，已经较完备，但还不够。四层校验机制原理如下
○
机制1：SystemPrompt 安全指导。SystemPrompt 安全指导是 OpenClaw 在系统提示中注入的行为约束文本，包含"不追求自我保存、不扩展权限、优先人类监督、冲突时暂停并询问"等安全原则（类似Anthropic 宪法）。这是纯文本层面的"软约束"，完全依赖 LLM 自觉遵守，无代码强制执行能力。它作为第一道防线提供行为指引。代码中动态组装提示词如下：
●
机制2：Elevated 权限分级。Elevated 是 OpenClaw 的执行环境权限控制，提供四个级别：off（在 Docker 沙箱内执行，完全隔离）、ask（在 Gateway 宿主机执行但保留人工审批）、on（同 ask，宿主机执行加审批）、full（在宿主机执行且自动通过审批）。这套机制让用户可以根据信任程度灵活切换，既能享受沙箱隔离的安全性，也能在需要时授予 Agent 宿主机访问权限。
●
机制3：Security/Allowlist 策略。Security/Allowlist 是 OpenClaw 的命令白名单机制，提供三级安全策略：deny（全部拒绝）、allowlist（仅允许匹配白名单的命令）、full（全部放行）。每条命令在执行前都会经过模式匹配，未命中白名单的命令将触发审批或直接拒绝。
●
机制4：Exec Approval 审批机制。Exec Approval 是 OpenClaw 的人工审批关卡，当 Agent 执行高风险 Shell 命令时，Gateway 会创建审批记录并广播到所有客户端（macOS App、iOS App、Web UI），用户在 120 秒内可选择"Allow Once（仅本次允许）"、"Allow Always（永久允许并加入白名单）"或"Deny（拒绝）"。这是一道代码强制的硬性关卡，未经人工确认的命令无法执行，确保关键操作始终处于用户监督之下。
●
各家模型厂商都在模型训练阶段植入“AI宪法”，但因为 token by token的特性，传统基于入口/行为特征等安全手段不再有效，比如：只有一个个解析出token，并理解语义才知道AI在做什么。
仍需稳定的长期记忆存储和召回突破
●
OpenClaw的记忆系统摒弃了复杂、黑盒的架构，采用了非常简洁设计，核心是将记忆转化为可存储、可编辑的本地文件（采用文件系统来管理记忆，这样所有的memory都保存下来，而不是常规的有损压缩）。
●
整体分为双层记忆体系
○
JSONL会话记忆（执行流水，一次会话一个）：每次对话的完整交互过程（用户消息、工具调用、执行结果、模型响应）都以结构化JSON格式逐行记录在.jsonl文件中，例如： 202600201.md heartbeat-state.md....
○
Markdown记忆文件：存储在memory/目录下的Markdown文件。这是由Agent自身使用“写入文件”工具生成的长期记忆。当新对话开始时，一个钩子（Hook）会抓取之前的对话内容并生成Markdown摘要。重要信息经过反复确认后，会被整理至核心记忆文件，形成用户偏好、项目背景等结构化知识，实现“越用越懂你”。
●
检索的时候，采用的是：记忆使用的是SQLite -Vector + FTS5；插件使用的是LanceDB (向量搜索)
●
但实际使用过程，随着指令遵循飘逸（比如：执行过程产出了很多过程文件，记录的东西开始分散）、叠加memeory信息越来越多，导致后续在执行过程，噪声开始变的越来越大，体现在执行开始出现有模有样的做些奇怪的事（曾经记录过API超时的记忆，很小的一个词，导致每次都在研究如何设置超时，DNS设置是否正确等），所以，存储有效Memory + 检索到有效Memory，并拼接成Context还是一个很有挑战的问题，目前openclaw设计完整，但实际使用还是不足。
●
AI Memory领域，过去一年是概念爆发的一年，情景记忆、参数记忆、长期记忆、短期记忆，海马体记忆，记忆模糊，记忆遗忘... 观察下来（比如：参数记忆：知识固化于权重，更新可能就会灾难性遗忘；记忆巩固：偏追加信息存储；遗忘机制：多为基于某类判断阈值删除，而非基于认知价值的主动优化），多数实践还停留在对人类记忆表层行为的机械模仿，图灵奖得主Yoshua Bengio说过：“我们模仿鸟类飞行造出了飞机，但真正的智能需要理解‘为何要飞’。飞机技术突破的关键在于抓住核心物理规律（升力、推力、空气动力学等），而非复刻生物细节，如果你坐在一个挥动翅膀才能飞的飞机上，得多晃，得多晕。。。
●
人类记忆是意义驱动的生命过程，AI记忆仍是数据驱动的工程模块。我们尚未解答核心问题：每天TB级别人类信息输入如何实现只高度凝练的神经表征？大脑如何以20瓦功耗实现PB级信息的智能筛选？情感如何为记忆标注“重要性权重”？遗忘为何是如何优化的？AI的发展让神经科学再次被推到前台，当某天我们能解释“为何少年时夏夜的蝉鸣会突然涌上心头”，或许才是AI真正拥有“记忆灵魂”的起点。期待专家们能早日有所突破。
个体的在线持续奖励反馈 + P2P群体共振可能是奇点关键
●
有个说法是，如果openclaw可以24小时在线，互联网又可以快速传播和让AI联通，是不是可以把人类几百万年的演进过程，压缩到几年内。我个人的观点是：不会。核心问题在于：1）缺乏在线持续且高质量的奖励反馈机制，Agent的真正self evolve的过程实际非常非常慢。 2）社区的连接，还是一些低水平信息交换和混乱的协作，需要“自发有组织的协作”+“接入更多现实干事的能力”，才能模拟加速人类进化过程。
未来两个方向值得关注：
●
在线持续学习+self evolve技术
○
2025年下半年，在线持续学习+self evolve技术开始进入大家视野，本质是解决静态的模型如何持续进化。DeepSeek-Zero、AlphaGo的纯强化学习成功告诉我们，不靠前置参考训练数据，纯RL就能实现“智能”，人类需要做的是：如何让引导这个“智能”的收敛速度更快。一个典型的例子是： 大家跟大模型对话看到的“思考过程”，本身就会有，只是原来是1万次出现一次这样的自然过程，但通过RL的奖励引导，可以让每次都出现。
○
目前的一些主流方向有：1）从稀疏结果奖励到密集过程奖励模型：在线运行一个轻量级奖励模型（Reward Model）。该模型不仅评判任务的最终成败，更对推理链的逻辑性、工具调用的效率、资源消耗的优化、对用户隐式意图的契合度等进行细粒度、多维度的实时评分 2）基于自我博弈与策略的进化：单个Agent应能基于自身历史交互轨迹，通过自我博弈（Self-Play） 探索同一问题的不同解决路径。
●
P2P（点对点）+有目标通信协作
○
moltbook出来的当天，突然唤起了我两个记忆。
■
记忆1：当还是一个懵懂孩童时，拨号上网让我第一次联通了世界，那时的我对探索外星文明非常有兴趣，曾经接触过一个关乎人类命运的全球化协作项目“SETI@home”。其实就是：下载一个软件，这个软件通过P2P方式分发，把射电望远镜拿到的海量数据（99.999....%都是噪声，计算也是无效的），拆分成一个个小任务，让志愿者用家用电脑来闲时计算，然后逐层汇总，得到分析结果，那是我第一次接触“分布式协作”，看到了围绕一个大任务，很多非常离散的人如何协作。
■
记忆2：三体中有个经典场面，秦始皇用一堆士兵来打造计算机，千万士兵列成巨型网格，每人持黑白双旗，靠举不同颜色旗子，传递01010101数据，组成人体计算机。这么多的人协作，差错重试，信息传递要解决的问题，和AI Agent当前阶段非常匹配。
○
所以，基于P2P（点对点）的有共识目标协作是关键，可能需要下面几类技术的可控突破：
■
共识与协作机制：统一的身份认证、信誉评价、价值交换（基于token算力的价值互换？）或冲突仲裁规则，虚拟货币、迅雷P2P下载等，能给我们一些参考。
■
高效的AI通信机制：目前这种靠人类语言的不断追加，再理解这些语言，一方面是低。1）谷歌框架COCOM，面向多智能体学习的通信提供了一个特别的方案，其核心是让每个智能体先基于局部观察生成一个隐式共识（对群体状态的共享理解），仅当共识不足以指导决策时才发起显式通信，用极低的通信开销实现了高效协作。所以，未来智能体网络的通信协议可能是“隐式共识为主，显式语义消息为辅”的混合模式，而非持续不断的“唠唠叨叨”。2）中国电信的智传网（AI Flow） ，在通信层页提出了一种新的通信方法，不再传输数据本身，而是传输指令与条件，由接收端大模型重建信息。
■
策略、技能与记忆的分布式共享：当一个Agent通过习得一项新技能，它可以将其封装为可验证的“技能模块”，通过P2P网络进行广播或响应特定查询，其他Agent通过本地沙箱验证其有效性与安全性后，可选择性采纳并适配，实现群体知识的指数级积累与协同进化。moltbook上一些行为已经有苗头了，只是现在还处于纯信息的相互传导阶段。
5.总结
● 这一轮热点持续发酵，可以看出所有人对见证AI觉醒的渴望，热点终将散去，但OpenClaw与Moltbook的实践在AI Agent发展进程中具有里程碑意义，其中OpenClaw心跳机制和主动SKILL学习，叩开了AI Agent主动执行的大门；Moltbook指出了AI互联网群体协作的技术一条道路，倒逼行业建立智能体交互标准。可以确定的是：我们一定在通往奇点的路上。
●
由一只赤甲“龙虾”掀起的风暴，在这个冬天，正为AI Agent时代的黎明撞响双重洪钟：一记激荡星河，催万千创造奔涌；一记叩问深渊，引万众清醒前行。 -- 这句话是龙虾帮我生成的。
