刚刚，OpenClaw 史上最大更新来了，快凉的龙虾拿到了大结果

OpenClaw 2.0 来了。

就在刚刚，OpenClaw 正式发布历史上规模最大的更新 v2026.8.1。

OpenClaw 基金会在官方博客中坦言，这次更新多少有些「意外」：团队起初只想简化安装流程、重做浏览器端，没想到越改越深。

从 Memory、Skills、Automations、Browser、Native App、Plugin 和 Security，到 Cloud Worker、多人协作与 Agent 权限体系，改动几乎遍及所有核心模块。

经历这一轮更新以后，OpenClaw 也开始从一款更偏极客和开发者的 Agent Runtime，逐渐变成一款更容易安装、更适合长期运行，也更接近普通用户使用习惯的 Agent 产品。

OpenClaw 2.0，龙虾开始认真解决「养虾难」

根据官方博客介绍，OpenClaw 2.0 一共由 933 名贡献者参与，其中 569 人是第一次向项目提交代码，整个版本包含超过 1.6 万个 Pull Request。按照官方的统计，仅仅这一版涉及的 PR 数量，大约就占 OpenClaw 历史全部合并代码的一半。

为了发布它，OpenClaw 甚至罕见地停更了接近七周。

官方博客如此解释道，OpenClaw 的团队越来越大，开发速度越来越快，原有架构和发布流程已经承载不了这种增长，所以他们不得不把产品基础和发布体系一起重新处理。

换句话说，过去半年用户在 OpenClaw 身上感受到的很多问题，开发团队同样也有所察觉。

安装就是第一个需要重做的地方。

早期 OpenClaw 对极客相当友好，因为它允许用户自己决定模型、Gateway、Plugin、渠道、Skills 和各种运行方式，但对于第一次接触 Agent 的普通用户而言，每增加一项自由度，都意味着多一个需要理解的配置项。

OpenClaw 2.0 开始主动减少这部分负担。

新版安装时会优先识别电脑里已经存在的 ChatGPT 或 Claude 订阅、API Key 和本地模型，能够自动处理的配置尽量自动处理，暂时用不到的设置则从第一次安装流程里去掉。

官方博客 🔗 https://docs.openclaw.ai/releases/2026.8.1#fixes

另一个被彻底重做的，是浏览器。

过去 OpenClaw 给人的感觉更接近一个需要自己搭起来的 Agent Runtime，浏览器只是其中一个操作入口；到了 2.0，官方明确把 Browser App 提升为 First-class Experience，也就是普通用户最主要的产品入口。

用户打开 OpenClaw 后会直接进入和 Agent 的对话，可以继续完成配置，也可以回来查看仍在执行的任务。新的进度卡能够持续展示 Agent 在做什么，页面刷新之后不会消失，Subagent 的运行状态、文件修改和任务推进也可以继续追踪。

变化更大的地方发生在 Session。

过去一只 Claw 基本绑定在自己的 Gateway 和机器上，OpenClaw 2.0 开始允许 Session 在本地设备、配对机器和 Cloud Worker 之间移动，Workspace 也能够跟随任务一起迁移。

一项工作可以先在自己的 Mac 上开始，随后交给云端机器继续执行；云端机器闲置之后可以休眠，下一次收到消息再重新分配 Worker，Session 和 Workspace 仍然保留。

OpenClaw 甚至开始从 Personal Agent 往 Multiplayer Agent 发展。

Shared Cloud Sessions 允许其他团队成员进入同一个任务，查看 Agent 已经完成的工作，并在保留原有上下文的情况下接手；Shared Gateway 则加入了用户身份、在线状态、Session Creator、成员权限和不同 Agent 的访问范围。

过去大家想象中的「数字员工」，通常是一人拥有一个 Agent。OpenClaw 2.0 给出的另一种可能，是几个人和几个 Agent 一起进入同一个 Workspace。

Memory 和 Skills 也获得了更强的自主性。

开启 Active Memory 后，OpenClaw 可以在符合条件的私人 Session 中调用过去的对话信息；新的 Background Memory Consolidation 会让模型在后台整理长期记忆，把适合保留的信息逐渐写进 Long-term Memory，同时留下来源信息和 Dream Diary。

Self-learning 则开始让 Agent 从任务中积累可重复使用的方法。它可以识别此前工作里有效的经验，并将符合安全要求的内容转化为新的 Skills，再通过 Skill Workshop 对已有 Skills 进行整理和改进。

曾经需要用户自己不断「教龙虾」的过程，正在逐渐变成 Agent 自己总结经验、整理记忆和改进工具。

Automation 也进一步向持续工作靠近。

新版自动化任务可以默认绑定发起它的 Conversation，定时任务不再天然脱离上下文；/loop 支持让 Agent 按固定时间或自身节奏持续检查；Workboard 则把任务与 Automation 连接起来，当前一项工作完成后，可以继续启动下一项关联任务。

实验性的 Swarm 允许一个 Agent 同时启动多个 Subagent，并行处理独立子任务，再汇总结构化结果。Agent 正从「替你完成一次任务」，转向「维持一个持续运转的工作系统」。

安全和权限是 OpenClaw 2.0 变化最密集的区域之一。

新版加入 Private Credential Request。当 Agent 需要密码、Token 或其他敏感信息时，可以通过遮罩输入界面向用户索取，避免秘密进入聊天记录和模型 Context。

Automation 支持针对单项操作进行一次性授权；任务内容或操作范围变化后，需要重新批准。

第三方 Plugin 安装时会展示来源、版本、能力和 Artifact 信息。任意来源且包含可执行代码的 Plugin 都需要额外确认，ClawHub 安装前还会显示已有的 Security Audit 信息。

此外，团队环境新增 Role、Session Permission Mode、Shared Credential Store，以及针对 Agent、Session 和操作范围的细分权限。

并且，OpenClaw 2.0 也继续扩大 Agent 的可触达范围。

Browser Agent 可以读取页面文本、查看网络请求并模拟设备；Desktop Control 能操作配对桌面设备；Android 在开启 Accessibility Control 后允许 Agent 查看和操作手机界面；Teams 和 Zoom 官方插件则支持 Agent 以浏览器 Guest 身份加入会议、查看 Transcript，甚至通过工具发言。

邮件也可以触发 Agent 工作：IMAP 收到符合条件的新邮件后，能够直接启动对应任务。

此前 OpenClaw 更像一个可以遥控电脑的聊天 Agent，如今正逐渐变成一个跨 Browser、Desktop、Mobile、Cloud、IM 和 Meeting 持续运行的个人计算层。

当然，OpenClaw 2.0 也没有突然解决所有问题。恰恰相反，这个巨大版本同时带来了相当多迁移工作。

内置 OpenProse Plugin 和 /prose 命令被移除，部分 OpenAI 与 Codex Model Route 需要迁移，Plugin SDK 又公布了一批将在 9 月进入废弃阶段的接口。

官方甚至专门强化了 openclaw doctor --fix，帮助旧用户自动处理 Provider、Plugin、Config、Session 和 Automation Route 的历史兼容问题。

某种意义上，OpenClaw 2.0 的更新清单，也像过去九个月用户真实使用问题的一份反向索引。

而要理解 OpenClaw 为什么会走到今天，为什么一个需要 933 名贡献者、超过 1.6 万个 PR 才能完成的大版本，还得重新回到这只「龙虾」最早诞生的时候。

一只龙虾，怎么就成了 AI 打工圣体？

最近中文互联网很流行一个词，叫「拿到大结果」。

它最早接近「开到大单」「赚够离场」一类行业表达，后来逐渐变成一种带着调侃意味的成功学语言。今天我们说一个人或者一件事「拿到了大结果」，通常意味着最终得到的东西，已经明显超出了最初的预期与目标。

把这个词套在 OpenClaw 这只「大龙虾」身上，或许也相当贴切。

OpenClaw 最初没有什么宏大的商业计划。

Peter 最近参加圆桌访谈时回忆，项目最早来自一个非常具体的需求：人在外面的时候，他希望直接给自己的电脑发一句 Prompt，让电脑替自己把事情办完。

按照他的设想，各大 AI Lab 应该早就做出了类似产品。

结果找了一圈，没有任何一个方案让他满意，于是干脆自己写了一个原型，让用户可以通过 WhatsApp 与电脑里的 Agent 交互。

而真正让 Peter 意识到，这件事可能远不只是「远程控制电脑」的，是一次马拉喀什之旅。

当地网络环境算不上理想，但 WhatsApp 一直能用。Peter 给自己的 Agent 发去一段语音，而他此前并没有专门为这个场景编写完整工作流，Agent 实际收到的甚至只是一个连扩展名都没有的文件。

按传统软件的逻辑，流程走到这里已经很容易卡住，因为程序根本不知道眼前是什么东西。令人没想到的是，Agent 却自己开始处理问题。

它先判断文件类型，发现内容属于音频以后尝试处理格式。本地没有安装 Whisper，于是继续寻找其他可用方案。随后它发现机器中存在 OpenAI API Key，便把音频交给服务器完成转写，再根据识别结果继续执行任务。

Peter 后来回忆，那一刻让他第一次清楚意识到，过去几年为了 Coding 不断提升的模型能力，已经开始溢出编程场景，变成一种更通用的问题解决能力。

OpenClaw 后来的爆火，很大程度上来自这种新鲜感。

比起单纯地和 AI 聊天，OpenClaw 把文件、浏览器、终端、API、消息软件、Memory 和 Skills 一股脑塞进模型的工作环境。

AI 终于不只待在聊天框里等人提问，用户也不用一直守在电脑前，甚至通过日常通信工具发一句话，Agent 就能在另一端打开网页、读取文件、调用工具或者执行命令。

短短九个月的时间，OpenClaw 已经成为最知名的开源 Agent 项目之一，GitHub Stars 超过 38.8 万，Fork 超过 8.1 万。

意气风发的龙虾之父 Peter Steinberger 本人更是光速被招安进 OpenAI，负责牵头下一代 Personal Agent 的核心研发；而 OpenClaw 则顺理成章地被移交给了独立的非营利基金会继续维护。

到了现在，Peter 已经把自己的角色形容成「Meta-Orchestrator」，让一个 Agent 去管理更多 Agent。

但一个开源项目的迅速走红，并不等于一类产品已经走向成熟。

OpenClaw 证明了通用 Agent 足够令人兴奋，却也把部署、维护、成本和安全等问题同时摆到了台前。海外社区还在探索这种新形态时，国内厂商已经迫不及待地冲进场内，并尝试把它包装成普通用户也能轻松使用的产品。

「百虾大战」，来得快，去得也快

OpenClaw 火起来以后，国内科技公司最先看到的，是一个正在迅速扩大的新市场。

今年 4 月的一份产业统计显示，至少已经有 14 家中国头部互联网公司、模型公司和硬件厂商推出相关产品与服务；如果再把云端托管、部署方案、安全工具和 Skill 平台等外围生态计算在内，参与企业超过 20 家。

腾讯推出 QClaw，字节跳动旗下火山引擎带来 ArkClaw，智谱做了 AutoClaw，阿里有 CoPaw，随后又有 Kimi Claw、MaxClaw、小米 MiClaw 等产品陆续入场。

熟悉的名字几乎可以排成一桌龙虾宴。

面对这个迅速升温的市场，国内厂商最先瞄准的，也是 OpenClaw 最显眼的一道门槛：安装太麻烦。

Node.js、命令行、API Key、本地环境、国内 IM 接入，再加上一台必须长期在线的电脑，对于开发者而言尚且需要折腾，对普通用户已经足够劝退。

国内厂商们看准痛点，迅速把部署流程爆改成几分钟搞定的图形化界面；甚至更进一步，还直接把云环境、部署、备份、安全、通信软件和云电脑一起打包。

但安装越来越简单以后，更难的问题开始浮现：用户怎么把一只 Agent 长期用下去。

说到底，OpenClaw 更像一个需要持续维护的个人 Agent Runtime。

模型、Skills、Memory、浏览器、文件系统、消息渠道、API、权限和后台服务彼此连接，用户不仅要定义任务，还要管理数据权限、人工确认、Memory、失败恢复和插件升级。

早期极客愿意投入时间，因为折腾本身就是体验的一部分。

但「装一只龙虾替你上班」听起来很美，可真等热乎劲一过、屏幕亮起，大多数普通用户坐在电脑前往往会陷入沉思：我到底有什么正经需求，是值得每天开着电脑、花着电费交给它办的？

聊天机器人打开就能用，通用 Agent 却要求用户自己定义任务、设计工作流、管理权限、理解模型能力，并在出错后调整系统。

更让人头疼的是，OpenClaw 的升级缺乏稳定性。

OpenClaw 同时管理 Core、Plugin、Config、Session、Database、Gateway、Model Provider、Tool Schema、权限和后台进程，任何接口变化都可能影响既有工作流。

在过去的几个月里，开源社区里哀鸿遍野：CLI 命令行版本和 Gateway 网关版本不同步；Core 核心组件和 Plugin 插件版本严重错位；官方突然改动了 Plugin Allowlist 插件白名单机制……

大批用户一觉醒来，发现辛辛苦苦配好的插件全挂了，只能抓狂地去翻配置文件一行行 debug，严重的时候除了回滚老版本别无他法。

此外，Token 账单，又给「数字员工」的浪漫想象增加了一项现实成本。

和固定订阅不同，Agent 有另一本实打实的 API 账单。

OpenClaw 的 Heartbeat 机制还会让 Agent 定期醒来检查状态，即使用户没有发消息，也会持续消耗 Token。运行时间越长，历史 Context、工具结果、Memory 和 Skills 越多，管理成本也越高。

再进一步，账单至少还能算明白，安全问题要复杂得多。

OpenClaw 可能受到恶意网页和邮件钓鱼攻击，其安全指南也提醒用户应当将外部消息视为不可信输入；未配置 Sandbox 时，部分工具甚至可能直接运行在用户机器上。

工业和信息化部网络安全威胁和漏洞信息共享平台（NVDB）也曾发布监测预警：OpenClaw 开源 AI 智能体的部分实例，在采用默认配置或配置不当的情况下存在较高安全风险，可能引发网络攻击和信息泄露等问题。

部署、维护、成本与安全等等，OpenClaw 提前撞上的这些墙，后来几乎都成了 Harness 产品必须回答的问题。

OpenClaw 成功了吗？

Peter 曾经给 OpenClaw 定过一个很有温度的「北极星目标」：做出一个连自己的母亲也能安全、无门槛使用的 Agent。

最近参加圆桌访谈时，主持人问了 Peter 一个问题：「OpenClaw 到底怎样才算成功？」后者给出了一个看似矛盾但极具分量的回答 ：「从很多方面来说，我觉得它其实已经成功了。」

在他看来，如今「Claw」本身已经变成了一个名词。更重要的变化发生在产品能力上。更深层的变化，则体现在产品机制的普及上。

Peter 说，他已经看到很多最早由 OpenClaw 尝试的功能，逐渐进入商业 Agent。

比如 Agent 不需要一直等待用户下达下一条指令，可以主动发起行动；Agent 可以自己创建定时任务，在未来某个时间继续执行任务；越来越多产品开始建设长期记忆，让 Agent 能够记住过去的工作和用户状态。

OpenClaw 至少验证了一件过去没有那么确定的事情：用户确实希望 AI 进入自己的电脑、文件、浏览器、消息和账号，并且能够持续完成任务。

模型能力当然重要，但真正决定 Agent 好不好用的，还有模型生活在什么环境里，能够调用什么工具，如何保存状态，任务失败以后怎么恢复，以及到底拥有多大的权限。

DeepSeek 更是将其概括为 Agent = Model + Harness。

所谓 Harness，就是围绕模型搭建起来的整套运行体系，其中包含 Runtime、Tools、Memory、Skills、Session、Sandbox、Permissions、Loop 和 Environment。

Peter 当初做 OpenClaw 的初衷就是想做一个真正有用的个人助手，让 AI 能够在真实电脑上处理任务，运行在用户自己的设备中，进入大家日常使用的通信渠道，同时保留隐私、安全和用户控制权。

此外，对于龙虾是否「成功」的理解，Peter 还表示 OpenClaw 如今已经转为非营利项目。在他看来，如果项目最终能够帮助人们减少那些必须时刻在线、同步处理事务的时间，让 AI 替人承担更多持续性的工作，从而把时间重新还给用户，那么 OpenClaw 就已经实现了相当重要的一部分价值。

从这个角度看，OpenClaw 有没有成为最终赢家，反而没有那么重要。

年初那场全民「养虾」热潮虽然已经明显退烧，围绕 OpenClaw 的安装教程、一键部署和各种国产「龙虾」，也没有几个月前那么热闹。

但这场看似喧嚣的「全民养虾」，本质上完成了一次难得的 Agent 大众认知普及。

很多人最终没有长期留下 OpenClaw，也未必真正理解 Harness、Runtime 或 Sandbox，但他们已经知道 Agent 和 Chatbot 的区别，并切实感知到了一个能够行动的 AI 会带来怎样的效率、成本和风险。

而这也是 OpenClaw 真正拿到手里的、沉甸甸的「大结果」。

文章来自于微信公众号 “APPSO”，作者 “APPSO”