OpenClaw 2.0 來了。
就在剛剛，OpenClaw 正式發佈歷史上規模最大的更新 v2026.8.1。
OpenClaw 基金會在官方部落格中坦言，這次更新多少有些「意外」：團隊起初只想簡化安裝流程、重做瀏覽器端，沒想到越改越深。
從 Memory、Skills、Automations、Browser、Native App、Plugin 和 Security，到 Cloud Worker、多人協作與 Agent 權限體系，改動幾乎遍及所有核心模組。
經歷這一輪更新以後，OpenClaw 也開始從一款更偏極客和開發者的 Agent Runtime，逐漸變成一款更容易安裝、更適合長期運行，也更接近普通使用者使用習慣的 Agent 產品。
OpenClaw 2.0，龍蝦開始認真解決「養蝦難」
根據官方部落格介紹，OpenClaw 2.0 一共由 933 名貢獻者參與，其中 569 人是第一次向項目提交程式碼，整個版本包含超過 1.6 萬個 Pull Request。按照官方的統計，僅僅這一版涉及的 PR 數量，大約就佔 OpenClaw 歷史全部合併程式碼的一半。
為了發佈它，OpenClaw 甚至罕見地停更了接近七周。
官方部落格如此解釋道，OpenClaw 的團隊越來越大，開發速度越來越快，原有架構和發佈流程已經承載不了這種增長，所以他們不得不把產品基礎和發佈體系一起重新處理。
換句話說，過去半年使用者在 OpenClaw 身上感受到的很多問題，開發團隊同樣也有所察覺。
安裝就是第一個需要重做的地方。
早期 OpenClaw 對極客相當友好，因為它允許使用者自己決定模型、Gateway、Plugin、管道、Skills 和各種運行方式，但對於第一次接觸 Agent 的普通使用者而言，每增加一項自由度，都意味著多一個需要理解的配置項。
OpenClaw 2.0 開始主動減少這部分負擔。
新版安裝時會優先識別電腦裡已經存在的 ChatGPT 或 Claude 訂閱、API Key 和本地模型，能夠自動處理的配置儘量自動處理，暫時用不到的設定則從第一次安裝流程裡去掉。
另一個被徹底重做的，是瀏覽器。
過去 OpenClaw 給人的感覺更接近一個需要自己搭起來的 Agent Runtime，瀏覽器只是其中一個操作入口；到了 2.0，官方明確把 Browser App 提升為 First-class Experience，也就是普通使用者最主要的產品入口。
使用者打開 OpenClaw 後會直接進入和 Agent 的對話，可以繼續完成配置，也可以回來查看仍在執行的任務。新的進度卡能夠持續展示 Agent 在做什麼，頁面刷新之後不會消失，Subagent 的運行狀態、檔案修改和任務推進也可以繼續追蹤。
變化更大的地方發生在 Session。
過去一隻 Claw 基本繫結在自己的 Gateway 和機器上，OpenClaw 2.0 開始允許 Session 在本地裝置、配對機器和 Cloud Worker 之間移動，Workspace 也能夠跟隨任務一起遷移。
一項工作可以先在自己的 Mac 上開始，隨後交給雲端機器繼續執行；雲端機器閒置之後可以休眠，下一次收到消息再重新分配 Worker，Session 和 Workspace 仍然保留。
OpenClaw 甚至開始從 Personal Agent 往 Multiplayer Agent 發展。
Shared Cloud Sessions 允許其他團隊成員進入同一個任務，查看 Agent 已經完成的工作，並在保留原有上下文的情況下接手；Shared Gateway 則加入了使用者身份、線上狀態、Session Creator、成員權限和不同 Agent 的訪問範圍。
過去大家想像中的「數字員工」，通常是一人擁有一個 Agent。OpenClaw 2.0 給出的另一種可能，是幾個人和幾個 Agent 一起進入同一個 Workspace。
Memory 和 Skills 也獲得了更強的自主性。
開啟 Active Memory 後，OpenClaw 可以在符合條件的私人 Session 中呼叫過去的對話資訊；新的 Background Memory Consolidation 會讓模型在後台整理長期記憶，把適合保留的資訊逐漸寫進 Long-term Memory，同時留下來源資訊和 Dream Diary。
Self-learning 則開始讓 Agent 從任務中積累可重複使用的方法。它可以識別此前工作裡有效的經驗，並將符合安全要求的內容轉化為新的 Skills，再通過 Skill Workshop 對已有 Skills 進行整理和改進。
曾經需要使用者自己不斷「教龍蝦」的過程，正在逐漸變成 Agent 自己總結經驗、整理記憶和改進工具。
Automation 也進一步向持續工作靠近。
新版自動化任務可以默認繫結發起它的 Conversation，定時任務不再天然脫離上下文；/loop 支援讓 Agent 按固定時間或自身節奏持續檢查；Workboard 則把任務與 Automation 連接起來，當前一項工作完成後，可以繼續啟動下一項關聯任務。
實驗性的 Swarm 允許一個 Agent 同時啟動多個 Subagent，平行處理獨立子任務，再彙總結構化結果。Agent 正從「替你完成一次任務」，轉向「維持一個持續運轉的工作系統」。
安全和權限是 OpenClaw 2.0 變化最密集的區域之一。
新版加入 Private Credential Request。當 Agent 需要密碼、Token 或其他敏感資訊時，可以通過遮罩輸入介面向使用者索取，避免秘密進入聊天記錄和模型 Context。
Automation 支援針對單項操作進行一次性授權；任務內容或操作範圍變化後，需要重新批准。
第三方 Plugin 安裝時會展示來源、版本、能力和 Artifact 資訊。任意來源且包含可執行程式碼的 Plugin 都需要額外確認，ClawHub 安裝前還會顯示已有的 Security Audit 資訊。
此外，團隊環境新增 Role、Session Permission Mode、Shared Credential Store，以及針對 Agent、Session 和操作範圍的細分權限。
並且，OpenClaw 2.0 也繼續擴大 Agent 的可觸達範圍。
Browser Agent 可以讀取頁面文字、查看網路請求並模擬裝置；Desktop Control 能操作配對桌面裝置；Android 在開啟 Accessibility Control 後允許 Agent 查看和操作手機介面；Teams 和 Zoom 官方外掛則支援 Agent 以瀏覽器 Guest 身份加入會議、查看 Transcript，甚至通過工具發言。
郵件也可以觸發 Agent 工作：IMAP 收到符合條件的新郵件後，能夠直接啟動對應任務。
此前 OpenClaw 更像一個可以遙控電腦的聊天 Agent，如今正逐漸變成一個跨 Browser、Desktop、Mobile、Cloud、IM 和 Meeting 持續運行的個人計算層。
當然，OpenClaw 2.0 也沒有突然解決所有問題。恰恰相反，這個巨大版本同時帶來了相當多遷移工作。
內建 OpenProse Plugin 和 /prose 命令被移除，部分 OpenAI 與 Codex Model Route 需要遷移，Plugin SDK 又公佈了一批將在 9 月進入廢棄階段的介面。
官方甚至專門強化了 openclaw doctor --fix，幫助舊使用者自動處理 Provider、Plugin、Config、Session 和 Automation Route 的歷史相容問題。
某種意義上，OpenClaw 2.0 的更新清單，也像過去九個月使用者真實使用問題的一份反向索引。
而要理解 OpenClaw 為什麼會走到今天，為什麼一個需要 933 名貢獻者、超過 1.6 萬個 PR 才能完成的大版本，還得重新回到這只「龍蝦」最早誕生的時候。
一隻龍蝦，怎麼就成了 AI 打工聖體？
最近中文網際網路很流行一個詞，叫「拿到大結果」。
它最早接近「開到大單」「賺夠離場」一類行業表達，後來逐漸變成一種帶著調侃意味的成功學語言。今天我們說一個人或者一件事「拿到了大結果」，通常意味著最終得到的東西，已經明顯超出了最初的預期與目標。
把這個詞套在 OpenClaw 這只「大龍蝦」身上，或許也相當貼切。
OpenClaw 最初沒有什麼宏大的商業計畫。
Peter 最近參加圓桌訪談時回憶，項目最早來自一個非常具體的需求：人在外面的時候，他希望直接給自己的電腦發一句 Prompt，讓電腦替自己把事情辦完。
按照他的設想，各大 AI Lab 應該早就做出了類似產品。
結果找了一圈，沒有任何一個方案讓他滿意，於是乾脆自己寫了一個原型，讓使用者可以通過 WhatsApp 與電腦裡的 Agent 互動。
而真正讓 Peter 意識到，這件事可能遠不只是「遠端控制電腦」的，是一次馬拉喀什之旅。
當地網路環境算不上理想，但 WhatsApp 一直能用。Peter 給自己的 Agent 發去一段語音，而他此前並沒有專門為這個場景編寫完整工作流，Agent 實際收到的甚至只是一個連擴展名都沒有的檔案。
按傳統軟體的邏輯，流程走到這裡已經很容易卡住，因為程序根本不知道眼前是什麼東西。令人沒想到的是，Agent 卻自己開始處理問題。
它先判斷檔案類型，發現內容屬於音訊以後嘗試處理格式。本地沒有安裝 Whisper，於是繼續尋找其他可用方案。隨後它發現機器中存在 OpenAI API Key，便把音訊交給伺服器完成轉寫，再根據識別結果繼續執行任務。
Peter 後來回憶，那一刻讓他第一次清楚意識到，過去幾年為了 Coding 不斷提升的模型能力，已經開始溢出程式設計場景，變成一種更通用的問題解決能力。
OpenClaw 後來的爆火，很大程度上來自這種新鮮感。
比起單純地和 AI 聊天，OpenClaw 把檔案、瀏覽器、終端、API、消息軟體、Memory 和 Skills 一股腦塞進模型的工作環境。
AI 終於不只待在聊天框裡等人提問，使用者也不用一直守在電腦前，甚至通過日常通訊工具發一句話，Agent 就能在另一端打開網頁、讀取檔案、呼叫工具或者執行命令。
短短九個月的時間，OpenClaw 已經成為最知名的開源 Agent 項目之一，GitHub Stars 超過 38.8 萬，Fork 超過 8.1 萬。
意氣風發的龍蝦之父 Peter Steinberger 本人更是光速被招安進 OpenAI，負責牽頭下一代 Personal Agent 的核心研發；而 OpenClaw 則順理成章地被移交給了獨立的非營利基金會繼續維護。
到了現在，Peter 已經把自己的角色形容成「Meta-Orchestrator」，讓一個 Agent 去管理更多 Agent。
但一個開放原始碼專案的迅速走紅，並不等於一類產品已經走向成熟。
OpenClaw 證明了通用 Agent 足夠令人興奮，卻也把部署、維護、成本和安全等問題同時擺到了台前。海外社區還在探索這種新形態時，國內廠商已經迫不及待地衝進場內，並嘗試把它包裝成普通使用者也能輕鬆使用的產品。
「百蝦大戰」，來得快，去得也快
OpenClaw 火起來以後，國內科技公司最先看到的，是一個正在迅速擴大的新市場。
今年 4 月的一份產業統計顯示，至少已經有 14 家中國頭部網際網路公司、模型公司和硬體廠商推出相關產品與服務；如果再把雲端託管、部署方案、安全工具和 Skill 平台等外圍生態計算在內，參與企業超過 20 家。
騰訊推出 QClaw，字節跳動旗下火山引擎帶來 ArkClaw，智譜做了 AutoClaw，阿里有 CoPaw，隨後又有 Kimi Claw、MaxClaw、小米 MiClaw 等產品陸續入場。
熟悉的名字幾乎可以排成一桌龍蝦宴。
面對這個迅速升溫的市場，國內廠商最先瞄準的，也是 OpenClaw 最顯眼的一道門檻：安裝太麻煩。
Node.js、命令列、API Key、本地環境、國內 IM 接入，再加上一台必須長期線上的電腦，對於開發者而言尚且需要折騰，對普通使用者已經足夠勸退。
國內廠商們看準痛點，迅速把部署流程爆改成幾分鐘搞定的圖形化介面；甚至更進一步，還直接把雲環境、部署、備份、安全、通訊軟體和雲電腦一起打包。
但安裝越來越簡單以後，更難的問題開始浮現：使用者怎麼把一隻 Agent 長期用下去。
說到底，OpenClaw 更像一個需要持續維護的個人 Agent Runtime。
模型、Skills、Memory、瀏覽器、檔案系統、消息管道、API、權限和後台服務彼此連接，使用者不僅要定義任務，還要管理資料權限、人工確認、Memory、失敗恢復和外掛升級。
早期極客願意投入時間，因為折騰本身就是體驗的一部分。
但「裝一隻龍蝦替你上班」聽起來很美，可真等熱乎勁一過、螢幕亮起，大多數普通使用者坐在電腦前往往會陷入沉思：我到底有什麼正經需求，是值得每天開著電腦、花著電費交給它辦的？
聊天機器人打開就能用，通用 Agent 卻要求使用者自己定義任務、設計工作流、管理權限、理解模型能力，並在出錯後調整系統。
更讓人頭疼的是，OpenClaw 的升級缺乏穩定性。
OpenClaw 同時管理 Core、Plugin、Config、Session、Database、Gateway、Model Provider、Tool Schema、權限和後台處理程序，任何介面變化都可能影響既有工作流。
在過去的幾個月裡，開源社區裡哀鴻遍野：CLI 命令列版本和 Gateway 閘道器版本不同步；Core 核心元件和 Plugin 外掛版本嚴重錯位；官方突然改動了 Plugin Allowlist 外掛白名單機制……
大批使用者一覺醒來，發現辛辛苦苦配好的外掛全掛了，只能抓狂地去翻配置檔案一行行 debug，嚴重的時候除了回滾老版本別無他法。
此外，Token 帳單，又給「數字員工」的浪漫想像增加了一項現實成本。
和固定訂閱不同，Agent 有另一本實打實的 API 帳單。
OpenClaw 的 Heartbeat 機制還會讓 Agent 定期醒來檢查狀態，即使使用者沒有發消息，也會持續消耗 Token。執行階段間越長，歷史 Context、工具結果、Memory 和 Skills 越多，管理成本也越高。
再進一步，帳單至少還能算明白，安全問題要複雜得多。
OpenClaw 可能受到惡意網頁和郵件釣魚攻擊，其安全指南也提醒使用者應當將外部消息視為不可信輸入；未配置 Sandbox 時，部分工具甚至可能直接運行在使用者機器上。
工業和資訊化部網路安全威脅和漏洞資訊共享平台（NVDB）也曾發佈監測預警：OpenClaw 開源 AI 智能體的部分實例，在採用默認配置或配置不當的情況下存在較高安全風險，可能引發網路攻擊和資訊洩露等問題。
部署、維護、成本與安全等等，OpenClaw 提前撞上的這些牆，後來幾乎都成了 Harness 產品必須回答的問題。
OpenClaw 成功了嗎？
Peter 曾經給 OpenClaw 定過一個很有溫度的「北極星目標」：做出一個連自己的母親也能安全、無門檻使用的 Agent。
最近參加圓桌訪談時，主持人問了 Peter 一個問題：「OpenClaw 到底怎樣才算成功？」後者給出了一個看似矛盾但極具份量的回答 ：「從很多方面來說，我覺得它其實已經成功了。」
在他看來，如今「Claw」本身已經變成了一個名詞。更重要的變化發生在產品能力上。更深層的變化，則體現在產品機制的普及上。
Peter 說，他已經看到很多最早由 OpenClaw 嘗試的功能，逐漸進入商業 Agent。
比如 Agent 不需要一直等待使用者下達下一條指令，可以主動發起行動；Agent 可以自己建立定時任務，在未來某個時間繼續執行任務；越來越多產品開始建設長期記憶，讓 Agent 能夠記住過去的工作和使用者狀態。
OpenClaw 至少驗證了一件過去沒有那麼確定的事情：使用者確實希望 AI 進入自己的電腦、檔案、瀏覽器、消息和帳號，並且能夠持續完成任務。
模型能力當然重要，但真正決定 Agent 好不好用的，還有模型生活在什麼環境裡，能夠呼叫什麼工具，如何保存狀態，任務失敗以後怎麼恢復，以及到底擁有多大的權限。
DeepSeek 更是將其概括為 Agent = Model + Harness。
所謂 Harness，就是圍繞模型搭建起來的整套運行體系，其中包含 Runtime、Tools、Memory、Skills、Session、Sandbox、Permissions、Loop 和 Environment。
Peter 當初做 OpenClaw 的初衷就是想做一個真正有用的個人助手，讓 AI 能夠在真實電腦上處理任務，運行在使用者自己的裝置中，進入大家日常使用的通訊管道，同時保留隱私、安全和使用者控制權。
此外，對於龍蝦是否「成功」的理解，Peter 還表示 OpenClaw 如今已經轉為非營利項目。在他看來，如果項目最終能夠幫助人們減少那些必須時刻線上、同步處理事務的時間，讓 AI 替人承擔更多持續性的工作，從而把時間重新還給使用者，那麼 OpenClaw 就已經實現了相當重要的一部分價值。
從這個角度看，OpenClaw 有沒有成為最終贏家，反而沒有那麼重要。
年初那場全民「養蝦」熱潮雖然已經明顯退燒，圍繞 OpenClaw 的安裝教學、一鍵部署和各種國產「龍蝦」，也沒有幾個月前那麼熱鬧。
但這場看似喧囂的「全民養蝦」，本質上完成了一次難得的 Agent 大眾認知普及。
很多人最終沒有長期留下 OpenClaw，也未必真正理解 Harness、Runtime 或 Sandbox，但他們已經知道 Agent 和 Chatbot 的區別，並切實感知到了一個能夠行動的 AI 會帶來怎樣的效率、成本和風險。
而這也是 OpenClaw 真正拿到手裡的、沉甸甸的「大結果」。 (APPSO)