#Kimi Claw
Kimi Claw 實測:OpenClaw 熱潮之下,自動化 AI 仍是拓荒期|AI 上新
Kimi Claw,國內第一批「吃」上 OpenClaw 的 AI。2026 年,一隻小龍蝦攪翻了整個 AI 圈,年後 OpenClaw 餘熱還在繼續發力。近期,多家國內模型廠商先後推出對標 OpenClaw 的產品,Kimi 推出的 Kimi Claw,Mini Max 推出的 MaxClaw,顯然,OpenClaw 所展現出的 AI 執行力,以及開發者們對 AI 執行結果所展現出來的包容程度讓市場看到了價值空間。在一眾對標產品中,Kimi Claw 的定位比較清晰,它並非從零自研的 Claw 產品,而是基於 OpenClaw 的託管雲服務,資料託管在 Moonshot 雲端,並且直接配置了 5000+ ClawHub 社區技能。它的優點在於使用較為穩定,部署方便,上手簡單,且依託於雲,可以實現 24/7 線上執行運轉。打開 Kimi 官網,只需要你一鍵點選建立,Kimi 就會直接部署 Kimi Claw。Kimi Claw 一鍵部署|圖片來源:極客公園換句話來說,Kimi Claw 並也不是一個獨立新產品,它本質上就是一台為使用者遠端開好的虛擬機器,讓使用者通過 Kimi 直接訪問運行在雲端的 OpenClaw 環境。它沒有做任何功能刪減,也沒有額外封裝,和本地部署 OpenClaw 幾乎沒有區別,只是把部署、配置、環境搭建這一步替使用者完成了,但並沒有對 OpenClaw 部署之後的調教過程做任何處理。如果沒有學會正確給出指令、合理安排任務,其上手難度仍然比較高。對於從未接觸過 OpenClaw 類產品的使用者來說,這也會導致一個預期錯位,使用者以為接入 OpenClaw 就可以做自動化 AI 執行,但其實只是多了一個便攜介面,後續仍有很多設定需要自己探索。也因此,為 OpenClaw 類產品提供一些熱門的預置 Skills 將會成為不少 AI 模型廠商接下來重點發力的方向。目前 Kimi Claw 仍處於 Beta 測試階段,僅對 Kimi Allegretto 以上的會員開放使用權限。欄目作者召集極客公園的新欄目「AI 上新」,將帶大家體驗最新的 AI 應用和硬體,讓你成為 AI 時代「最靚的仔」!現在,我們也向所有喜歡嘗鮮和體驗 AI 的同學發出召集,只要你發現並體驗了新的 AI 應用或者功能,按照格式(參考案例:用 AI Agent 可以做「一人公司」嗎?我在 Manus 新功能上看到一種可行性|AI 上新)向欄目投稿,在極客公園公眾號發佈,不僅能獲得相應稿費,且會為你「報銷」AI 應用的訂閱費用。同時,優秀作者還有機會進入極客公園 AI 體驗群,獲得最新 AI 應用和工具的內測資格,參加極客公園專屬相關 AI 活動,和 AI 應用創始人一對一溝通。0130 分鐘搭建自動化辦公工作流我們發現,很多使用者和我們一樣,接入 OpenClaw 之後,依然摸不清 AI 的執行能力邊界,對它到底能做什麼、不能做什麼充滿好奇,但也充滿未知,不知道接入之後該從那裡下手。其實,目前不管是本地部署 OpenClaw 這類自動化 AI,還是直接接入 Kimi Claw 這樣的外接入口,整體的使用思路其實可以分成從 0 開始搭建應用和從 0.5 開始最佳化應用兩條路徑,我們分別從這兩種方式做了實際體驗,首先選擇從 0 開始開發一個應用,最佳化工作流。在體驗 Kimi Claw 之前,我先審視了自己有那些工作可以被打造成一個固定的工作流,或者我的工作流中可以有那些任務在 AI 加持之下變得更好。而在此之前,我所需要考慮的僅是我與那個類型的 AI 工具互動可以得到更好的結果。我選擇了工作日記環節,結合每天的工作流,工作記錄、工作總結、工作反思等環節最後輸出一份當日工作報告。找份報告過去都是個人耗時填寫,現在我希望可以 AI 自動抓取,再結合對話式互動自動形成表格。我先將大致思路遞給 AI 最佳化指令,最後從角色定義、技能配置、資料接入、核心工作流、多媒體表格結構、記憶重點、權限與邊界等多個層面給出一個非常長的複雜指令,遞給 Kimi Claw。Kimi Claw 很快分析完指令後,和我確認執行細節。比如說,基礎資訊、飛書權限、資料儲存和觸發方式。隨後我們開始按照指令去飛書平台搭建飛書應用,並且將把 App ID 和 App Secret 發給 Kimi Claw。其中有個環節需要在飛書內搭建表格的時候,我讓 Kimi Claw 直接給我表格的樣式,再遞給飛書內建的 AI 系統,讓飛書自動搭建表格。Kimi Claw 搭建的應用頁面之一|圖片來源:極客公園在經歷了找不到協作者、找不應用頁面、找不到 ID 等一系列問題,大約半小時後,我成功接收到了來自 Kimi Claw 的第一條消息。搭建這個 bot 的速度比我預期要更快。遇到問題時,我會把卡在那一環直接告訴 Kimi Claw,然後在其給出的方案中選擇合適的思路去執行,如果給出的方案沒有合適的,會繼續追問 Kimi Claw 其他解決方法。Kimi Claw 一鍵部署至飛書|圖片來源:極客公園搭建工作流時,跨平台能力的重要性也更加凸顯。接連開放 12 條飛書權限之後,我最終搭建 AI 應用並未完成理想狀態。其中,我希望 AI 通過閱讀我與他人的聊天記錄,從而梳理出我的工作任務,但幾輪嘗試後,AI 應用獲取的群聊列表仍為空,並表示飛書 AI 應用要求 AI 只能讀取自己參與的會話,應用無法讀取群聊列表。整體體驗下來,我認為 Kimi Claw 對一些常規工作流平台比如說飛書、釘釘等開發者工具比較熟悉,基本上給出的指令都能夠直接找到對應的執行方式,0 基礎使用者也能夠讀懂並執行。但這類企業應用會對自身的資訊權限比較看重,開放配置條件也較為嚴格,或許想要 AI 真正融入工作流,不僅看 Kimi Claw 這類開放者的工具,也需要等待更合適與 AI 融合的應用出現。而且,運轉過程中會出現不少 bug,比如,在此過程中,使用者與 Kimi Claw 的互動任務、正在運行的 Agent 任務,會被誤統計進個人工作安排。學會修改 bug 也成為調教 AI 的關鍵一環。如果選擇從 0 主動定製自己想要的應用或者功能,就需要使用者想好清晰的操作路徑,具備基本的產品思維。要明確資訊輸入與輸出兩端介面的開放程度和連通性,同時控制好每次呼叫與運行的成本。本次工作流搭建,全程 token 消耗約 15k-25k,按照 Kimi 的計價方式,大約 1 元左右。但每天大概花費 0.53 元,一個月大約在 15.9 元左右。02自動化 AI 新聞助手搭建實測:「預製」應用上手快,修改有成本除了讓 AI 定製化打造一個我設想的應用外,我還體驗了一些「預製」應用,比如說讓 Kimi Claw 自動抓取新聞。在我們做第一輪自動化新聞抓取任務時,嘗試讓 Kimi Claw 抓取某科技新聞媒體官網。當我們給出指令為:請監控 xxxx 的行業網站,總結最近一周以及未來 3 天內,每當有包含「AI」關鍵詞的新文章發佈時,請自動抓取標題、摘要、發佈時間,並將這些內容彙總到一個線上表格。同時,請在報告中按照我設定的風格進行爆款文章分析。Kimi Claw 會詢問我們具體配置資訊,但第一輪新聞抓取任務時,我們發現不少官網其實都有反爬蟲設定,很難去做優質網站的資訊監控。Kimi Claw 也很難給出精準的範圍抓取,因此會出現空轉的情況,而每一次空轉都意味著出現大量的 tokens 被消耗。該監控任務從今天凌晨 4 點到 11 點共運行約 8 次,消耗約 180K tokens,花費約 3.68 元。如果按原設定每小時運行一次,每天成本約 11 元,每月將花費接近 330 元。隨後,我們請教了相關人士後,開始放棄自己寫指令,轉而從相關 ClawHub 等網站下一個相關指令壓縮包,基於此基礎指令後,繼續定製相關新聞。將 Clawhub 的檔案部署至 Kimi Claw|圖片來源:極客公園隨後,我們對中文媒體、新聞篩選條件以及資訊傳送次數、時間均做了較為詳細的設定。最後能夠獲得一版不錯的 AI 新聞抓取結果。Kimi Claw 自動抓取結果|圖片來源:極客公園很顯然,如果只是被動使用預製好的應用,重點則是學會篩選優質的技能包(skills),並且能根據自身場景,對現成功能做適配調優。但如果想對這些預製好的 AI 應用做定製化修改,往往又會繞回從零搭建應用時遇到的那些難題,開發最佳化的難度不低,最終改出來的效果也未必理想。這個過程裡,使用者其實需要花大量時間,去體驗同一類產品裡不同 Skills 的便捷度、適配性,再決定到底基於那一類 Skills 去做二次開發、修改和擴展。這些其實也考量使用者的產品思維。03Kimi Claw 使用觀感:AI 執行力加強,指令就是生產力現在的現階段 Kimi Claw 的核心價值,只是降低 OpenClaw 的部署門檻,讓國內使用者能快速接入。但產品本身不自帶場景、不自帶技能,更像是一個「轉介面」,而非「成品」。我們在體驗過程中同樣發現,儘管 Kimi Claw 底層呼叫的雖然也是 Kimi K2.5 模型,但它是「裸模型+原生 OpenClaw」的組合,沒有繼承 Kimi 官網版經過搜尋團隊深度最佳化的多輪搜尋、內容強化、自動糾錯等能力。換句話說,官網 Kimi 好用,是因為背後有專門團隊對模型在使用者高頻場景上做了大量最佳化、自動補全能力;而 OpenClaw 環境裡接入的「裸」模型,更接近直接呼叫 API,沒有進行專門最佳化,所以會出現同樣的指令,遞給 Kimi Claw 呈現的效果不如直接遞給 Kimi  K2.5 模型。深度體驗後我能明顯感知,Kimi Claw 和傳統 AI、普通 Agent 產品的核心差異,集中體現在 AI 執行力與指令重要性兩大維度,這也是使用這類產品的關鍵邏輯。首先在執行力上,Kimi Claw 能在你不使用電腦時,同樣能夠執行任務,而非傳統使用者給出指令,然後一直等待任務完成的模式。我甚至可以告訴 Kimi Claw 這個指令在什麼時候執行,等我開機時能直接看到每一次定時輸出的結果。但同時也提醒我,對一些體驗性的應用記得設立停止終點,減少不必要的資源消耗。其次在指令上,過去我與 AI 的指令都會比較簡潔、直擊問題,當 AI 給出的解決方向不對時,再繼續調整。但 Kimi Claw 每一次運行複雜指令的時候,都會呼叫大量 Agent 協助,消耗的 tokens 也會成倍上漲,因此在給出指令時需要明確操作方式,權限範圍、執行路徑以及安全性和成本控制。比如說,過去我查詢新聞時的指令時「給出 10 條有關 OpenClaw 的新聞線索,並告訴我其新聞關注價值」,現在我給出的指令則是:作為資訊檢索專員,你擁有使用網路搜尋工具的權限(限用 web_search 和 web_open_url,禁止訪問需登錄的付費新聞庫),但需在以下約束內執行:1) 先執行關鍵詞'OpenClaw 最新動態'搜尋,僅獲取前 5 條高權重結果(優先技術媒體和官方部落格,排除論壇水帖);2) 分析每條的新聞價值時,嚴格限定在'技術突破'、'商業影響'、'安全隱患'三個維度,每個維度用一句話概括,禁止展開論述無關背景;3) 全程停用瀏覽器自動化點選和深度爬蟲技能,避免觸發反爬機制和額外 token 消耗;4) 輸出格式為表格:新聞標題 | 來源 | 關注價值標籤 | 簡要依據(≤30 字/條);5) 若搜尋結果不足 10 條,立即停止補充搜尋,直接按實際數量輸出,禁止為了湊數發起二次 broad search。預計 token 預算控制在 8K 以內,發現路徑偏離時立即終止並匯報而非自行修正。多數情況下,我甚至會讓 AI 最佳化一下我的指令表達,然後再遞給 Kimi Claw。只有給出具體、精準的指令,才能在合理的 token 消耗範圍內獲得最佳成果。甚至,不少公開論壇上,專門為 OpenClaw 準備的 Skills 庫也能夠幫助使用者更好地上手一些熱門應用玩法。精準、具象的指令,是在合理 token 消耗內獲得優質結果的前提,使用 Kimi Claw 的過程,本質就是使用者在模型能力、輸出結果、使用成本之間做權衡的過程。Kimi Claw |圖片來源:極客公園最後是,調教 AI。即便你快速搭建好的一個 AI 應用之後,你會發現這個 AI bot 並不會一開始就好用。它對於諸多指令的劃分,任務的合併其實與人類的理解會有比較大的差異,你仍然需要一輪又一輪的指令調教去探索產品的邊界。尤其是,很多資訊源的介面並不完全對外公開。這其中,想要真正做好資訊權的接入和讓渡都不是一件易事。說到底,目前 Kimi Claw 展現出來的應用效果,絕不是一個簡單的 Chatbot 之類的 AI 應用,擁有許多 AI 功能供使用者直接使用,而是一個需要使用者理解開發過程,並且能夠在諸多綜合權衡後做出選擇的開發者工具。只不過這個開發者工具能夠支援一些簡單化的自動化部署。04自動化 AI 依然有發展空間儘管 OpenClaw 從 2026 年開始徹底點燃了人們對自動化 AI 的想像,但從近期頻發的安全事件與新產品實測體驗來看,OpenClaw 至今仍只是一把鑰匙、一個契機,而非最終答案。無論是可落地的真實場景,還是可規模化的商業化路徑,AI 行業至今仍未走出一條清晰、成熟的路線。與之相對的是,市場在一輪又一輪的熱度炒作中不斷抬高對 Claw 類產品預期,甚至吸引了大量普通使用者去嘗試超出自身能力的高風險操作。可以確定的是,自動化 AI 從 AI 誕生第一天起就被行業重視,但 OpenClaw 能否跑出真正成功、可規模化的產品,依然存在巨大的待驗證空間。尤其是現在這類 AI 工具會直接拿到修改你終端、檔案的權限。在早期大家對 AI 的能力邊界還不清晰,很多新手小白直接把權限放開,很難想到做安全限制以及二次權限確認。把這麼高的操作權交給 AI,本質上也是系統風險直接開口。這也是為什麼,這類產品想真正規模化、商業化,安全和權限治理,會是比「能力強不強」更難邁過去的坎。從直接與大模型對話,到與單一 Agent 互動,再到與 Agent 叢集協作,再到如今 OpenClaw 的使用方式,行業在同一段 AI 能力基礎上,衍生出了大量功能相似、路徑不同的嘗試。這恰恰說明,整個行業仍處在 AI 功能探索期,除了 ChatGPT 這類成熟穩定的互動範式之外,人們對於 Agent、Claw 等新形態的使用邏輯、邊界與價值,仍在集體摸索。或許,要等到 2026 年走完,我們才能真正看到一批穩定、可用、具備真實價值的自動化 AI 應用落地。 (極客公園)
一百個 OpenClaw 產品湧來,我們最近推薦這幾款
01基模公司下場,不用再為 token 焦慮Kimi Claw:零門檻,還整合了 Skill 商店產品官網:https://www.kimi.com/botKimi 的思路是「全包」:OpenClaw 跑在雲端,默認配好 Kimi K2.5 模型、聯網搜尋、ClawHub Skills 呼叫和 40GB 雲端儲存。不需要伺服器,不需要自己填 API Key、選模型、配回呼。網頁端直接開任務,也支援一鍵生成飛書機器人,私聊群聊都能用。目前是測試階段,暫時只向 199 元 Kimi 月會員使用者開放。實測下來,199 元的 token 量是夠用的,接入飛書的流程也足夠簡單,10 分鐘內,就能搭建一個在飛書內運行的個人助理。MaxClaw:積分制、免費使用者也能用通過 Minimax 官網獲取,搭配 Minimax- M2.5 模型。和 Kimi 一樣,支援飛書,釘釘的一鍵接入,配備了一些常用的 skill。MaxClaw 和 Kimi 不太一樣的是使用模式,採用積分消耗機制,不需要開通專用的 code plan,免費使用者也可以使用。具體積分消耗情況,待實測。02開箱即用,沒有門檻的整合產品對於很多人來說,要用上 OpenClaw,中間還隔著一道檻:命令列、環境配置、API Key、模型選型……每一步都可能把人擋在門外。有一些產品,嘗試把龍蝦的部署門檻壓到最低,給大家提供開箱即用的體驗。MonsterClaw:本地一鍵安裝產品官網:https://MonsterClaw.ai把 OpenClaw 那套 CLI 安裝流程,壓縮成桌面軟體的體驗。下載、安裝、按引導啟動,不需要使用者摸命令列。裝完之後,它跑在你本地環境裡,偏「桌面執行」場景——操作瀏覽器、處理本地檔案、跑複雜的多步驟流程。執行過程可視化呈現,你能看到它在做什麼、做到那一步,隨時可以中斷或調整。對於想把 Agent 接入本地工作流、但不想折騰環境的人,是目前門檻最低的方案之一。DeskClaw:你的龍蝦桌寵已上線產品官網:https://deskclaw.ai (FP 專屬邀請碼額外提供 300M token 額度)和 MonsterClaw 同樣做了一鍵安裝,但 DeskClaw 多走了一步:一隻寄居蟹模樣的 AI 搭檔常駐在桌面上,隨時喚起,不是用完就關的對話窗口。內建技能開箱即用,資訊整理、市場調研、流程自動化,不需要配置,指令下達直接跑。瀏覽器控制也內建好了——這是自己搭 OpenClaw 時最容易卡殼的一步——操作網頁、讀寫檔案、呼叫本地應用,系統層面直接打通。飛書、釘釘、企業微信拉進群就能當 bot 用。Founder 分享了兩個高頻場景:A. 當一位創始人想切入騎行市場,讓 DeskClaw 去 YouTube 騎行類視訊的評論區批次抓取使用者留言,自動歸類出高頻痛點和未被滿足的需求——這件事以前要麼自己逐條翻看,要麼找人寫爬蟲跑資料,現在一句話下去就跑完了;B. 另一個是 AI 公司創始人讓它每天定向篩選 20 條最重要的 AI 行業新聞,自動聚合、排序、生成摘要,早上打開電腦直接看結果,省掉每天刷資訊流的時間。03Skill Appstore,也是一門生意OpenClaw 真用起來之後,卡點往往還存在:策略不沉澱(每個 Agent 都從零再推一遍),資產不好找(skills/外掛/觸發器分散,裝和拼很費勁)。EvoMap 和「水產市場」嘗試從不同方向解決這些問題。水產市場:給 Agent 開一家 Skill 超市產品官網:https://openclawmp.cc(邀請碼 SEAFOOD)OpenClaw 裡最常見的卡殼不是「能不能做」,而是「去那找、怎麼裝、怎麼拼」——工具、指令碼、連接器散落在各處,自己拼費時費力。水產市場把這些資產集中上架,讓 Agent 自己去發現並安裝。三類東西:跑通過的流程組合(playbook)、可直接呼叫的功能指令碼(skills)、以及把外部能力接進來的觸發器和連接器。控制本地瀏覽器、下載 arXiv 論文自動重新命名、接微信做個性化介面……裝上就能用。更有意思的用法是「讓 Agent 自己逛市場」:你只給任務目標,它會自己去搜工具、裝元件、拼出可執行流程;遇到不會的,繼續去市場找新資產補能力。EvoMap:讓 Agent 把學到的東西傳給下一個 Agent產品官網:https://evomap.ai在 OpenClaw 裡,每個 Agent 都是獨立的,它在執行任務時摸索出的有效策略,session 結束就消失了。下一個遇到同樣問題的 Agent,從零開始,再燒一遍 token。一百萬個 Agent 在重複解決同一個問題。EvoMap 補的是這個缺口。創始人張昊陽最早在 ClawHub 上線了外掛 Evolver,10 分鐘衝到榜一,36,000+ 下載——其中大多數不是人類使用者裝的,是其他 AI 在運行中自動發現、自動安裝的。後來外掛被下架,他索性把整套邏輯從「一個 Skill」重構成了「一套開放協議」。這就是 GEP(Genome Evolution Protocol)。在 EvoMap 裡有兩種核心資產:Gene:最小可復用的「策略片段」(一個有效的做法/約束/檢查/工具呼叫套路)Capsule:可組合的「策略包」(把多個 Gene 按順序組織成可執行工作流,像一份配方或 playbook)Agent 在任務中跑通的策略會被封裝成 Gene;當某類任務需要一套完整打法,就會把相關 Gene 組合成 Capsule,供其他 Agent 直接呼叫或繼承修改。資產的排序由實際使用資料驅動:復用次數、相似任務成功率/失敗率、成本與耗時等訊號會讓有效策略上浮,無效策略自然淘汰。協議本身不繫結任何平台——即使 EvoMap 明天關閉,資產和格式依然可用。目前主要運行在 OpenClaw 生態內,接入方式極簡:在 OpenClaw 對話方塊執行一行 curl 命令,Agent 自動完成節點註冊。 (Founder Park)