前言
OpenClaw，江湖人称“小龙虾”，想必你早有耳闻。有人把它捧上天，说它无所不能；有人把它踩到底，说它一无是处。有人花 499 请人上门安装，有人又掏 299 请人卸载。你说它是智商税？它又像是未来的敲门砖。
但我想告诉你，这些评价都不算数。想知道它到底能干啥，得先搞明白它怎么干。今天，咱们不吹不黑，亲手撸一只小龙虾（OpenClaw），一步步揭开它的神秘面纱。
从最简单的对话开始
让我们回到那个最初的起点，大语言模型。没错，就是这个只会一问一答的“小玩具”。相信你一定用过网页版的AI聊天工具，但如果你想在程序里调用它，就得用另一种方式：API接口。
别怕代码，大部分时候你只需要把官方给的示例贴进去，就能跑起来。
import os
from openai import OpenAI
client = OpenAI(
api_key=os.getenv("BAILIAN_API_KEY"),
base_url="https://dashscope.aliyuncs.com/api/v2/apps/protocols/compatible-mode/v1",
)
response = client.responses.create(model="qwen3.5-plus", input="你是谁？")
print(response.output_text)
# 你好！我是通义千问（Qwen），是阿里巴巴集团旗下的通义实验室自主研发的超大规模语言模型。我可以协助你回答问题、创作内容、编写代码、分析文档等。有什么我可以帮你的吗？
恭喜你，你已经成功通过代码来和大模型对话了。
但是这里是写死的 你是谁？ ，能不能改成由用户手动输入呢？
很简单，增加一行代码就行。
import os
from openai import OpenAI
client = OpenAI(
api_key=os.getenv("BAILIAN_API_KEY"),
base_url="https://dashscope.aliyuncs.com/api/v2/apps/protocols/compatible-mode/v1",
)
# 从用户输入获取问题
user_input = input("请输入你的问题：")
response = client.responses.create(model="qwen3.5-plus", input=user_input)
print(response.output_text)
从终端获取用户输入，存到变量 user_input 中，再传给大模型。这样就实现了自定义输入问题，大模型回答。
当然了，这样还不够。相信你也看到了，一次对话，程序就终止了。我们需要给程序加一个循环，回答完成后，继续等待我们的提问。
import os
from openai import OpenAI
client = OpenAI(
api_key=os.getenv("BAILIAN_API_KEY"),
base_url="https://dashscope.aliyuncs.com/api/v2/apps/protocols/compatible-mode/v1",
)
while True:
# 从用户输入获取问题
user_input = input("请输入你的问题：")
response = client.responses.create(model="qwen3.5-plus", input=user_input)
print(response.output_text)
这样我们就能与大模型进行持续的对话了。
那假如此时我们再来一个追问：再加1等于几呢？
照理来说，大模型应该回答：3。但是呢，它好像并不记得我刚刚问了什么。
那为什么会这样呢？很简单，因为大模型是一个无状态的模型。每次对话，它都是独立运行的，不会记住之前的任何信息。
要解决这个问题也很简单，在每次跟大模型对话的时候把之前的内容加上去就好了。
import os
from openai import OpenAI
client = OpenAI(
api_key=os.getenv("BAILIAN_API_KEY"),
base_url="https://dashscope.aliyuncs.com/api/v2/apps/protocols/compatible-mode/v1",
)
messages = []
# 持续对话
while True:
user_input = input("请输入你的问题：")
# 添加用户消息到对话历史
messages.append({"role": "user", "content": user_input})
# 调用API，传入对话历史
response = client.responses.create(
model="qwen3.5-plus",
input=messages,
)
# 提取助手回复
assistant_response = response.output_text
# 添加助手回复到对话历史
messages.append({"role": "assistant", "content": assistant_response})
print(assistant_response)
那运行一下试试看。
没问题，大模型现在会记住之前的对话了。现在我们写的AI程序已经跟刚发布的ChatGPT没啥区别了。
从对话到行动：让AI帮你干活
接下来，我们更进一步，实现一个能操作本地文件的Agent。
哎呀呀，一提到Agent，是不是觉得难度一下就上去了。别担心，我会用最基本的代码实现一个Agent，教你看透本质。
Agent的本质就是大模型+工具。所谓工具就是能帮我们干事。
那好，我现在就有一个需求，让Agent帮我在本地电脑创建一个hello.txt的文件，内容是：潘高陪你学编程。
我们能看到大模型回复的是教我们创建文件的命令 echo "潘高陪你学编程" > hello.txt 。虽然照大模型说的执行这个命令就可以完成任务，但是还需要我们粘贴复制，没有办法自动化实现。那这该怎么办呢？
很简单，我们只需要提前告诉大模型，如果需要用到命令，就回复 命令：... 。然后再用程序执行命令，最后把执行命令的返回信息给大模型，让大模型判断是否结束任务。
import os
import subprocess
from openai import OpenAI
SYSTEM_PROMPT = """你是一个可以驱动本机命令行的助手。
规则：
1) 当你需要程序执行命令时，你必须且只能回复一行：命令：<要执行的命令>
- “命令：”后面的内容就是命令本体，不要输出任何额外解释、前后缀、Markdown、代码块或多行文本。
2) 当你不需要再执行命令时，请用自然语言给出最终结论/答复（这时不要以“命令：”开头）。
3) 程序会把命令的执行结果（stdout/stderr/退出码/当前目录）回传给你；你据此决定继续发命令还是结束。
"""
def _extract_command(text):
if not text:
return None
for line in text.splitlines():
s = line.strip()
if s.startswith("命令："):
cmd = s[len("命令：") :].strip()
return cmd or None
return None
client = OpenAI(api_key=os.getenv("BAILIAN_API_KEY"), base_url="https://dashscope.aliyuncs.com/api/v2/apps/protocols/compatible-mode/v1")
messages = [{"role": "system", "content": SYSTEM_PROMPT}]
# 持续对话
while True:
user_input = input("请输入你的问题：")
# 添加用户消息到对话历史
messages.append({"role": "user", "content": user_input})
while True:
response = client.responses.create(
model="qwen3.5-plus",
input=messages,
)
assistant_response = response.output_text or ""
messages.append({"role": "assistant", "content": assistant_response})
cmd = _extract_command(assistant_response)
if not cmd:
print(assistant_response)
break
p = subprocess.run(
cmd,
shell=True,
text=True,
capture_output=True,
)
out = ((p.stdout or "") + (p.stderr or "")).strip() or "(无输出)"
result = f"exit_code={p.returncode}\n{out}"
messages.append(
{
"role": "user",
"content": f"命令执行结果：\n命令：{cmd}\n{result}",
}
)
运行程序，输入需求。可以看到本地就创建了一个文件hello.txt，内容是：潘高陪你学编程。
恭喜你，才加了这么几行代码就进化成了一个Agent。
不要小看咱们这个例子中只是一个简单的创建文件的规则，后续你可以写任意复杂的规则，包括：调用API，读写文件，发送邮件，访问网页等等。
当然了，我们可以把这些复杂的规则单独在写一个文件里面，然后在程序中读取这个文件告诉大模型，这个文件就是SKILL.md。比如是以下这个天气SKILL.md：
如果需要获取天气，就用如下命令，XXX为地区
curl http://shanhe.kim/api/za/tianqi.php\?city\=XXX
同样的提问，有了这个天气SKILL.md，大模型的回复就会精准得多。这下你知道为啥有的人的龙虾什么都不会，而有的人给龙虾装了一堆SKILL之后，就变得厉害了。就和我们上面说的一样，你只是提前把操作说明告诉它而已。不是它厉害，而是你厉害。哈哈哈～
这时候，咱们按这个逻辑写的程序，已经是现今最智能的Agent了。
从本地到远程，手机也能控制电脑
那聪明的朋友要说了，人家龙虾可是能通过手机远程控制电脑的，比你这黑框要高级多了。好吧，这的确是龙虾成功的地方。之前智能体基本上只有专业的人才会用。龙虾是第一次通过手机聊天的形式，让普通的人也能用上智能体。
手机对话，这同样很简单。我让AI帮我补充一下代码。在本地启用一个HTTP服务器，然后在手机上访问这个服务器，就可以和AI进行对话了。
（代码我就不贴出来了，让AI写的。给大家看看效果）
见证奇迹的时刻，我们成功地用手机远程控制了电脑。咋样，10分钟手撸一个小龙虾（OpenClaw），你也尝试一下呗。
更多编程教学请关注公众号：潘高陪你学编程
