最近几天刷 CSDN，明显能感觉到一个变化：

大家讨论的已经不只是“大模型哪个好”。

真正开始火起来的是：

• AI Agent 怎么真正干活

• OpenClaw 怎么部署

• OpenClaw 怎么接入飞书

• Agent 怎么调用工具

• Agent 怎么记忆

• Agent 怎么连接真实业务

• MCP 和 Skills 到底怎么用

尤其是 OpenClaw + 飞书，这几天在 CSDN 上明显属于高热方向，近期热门文章中已经出现“安装 OpenClaw 并接入飞书”的实战教程；AI Agent 技术社区里近期也持续出现 Agent 任务拆分、企业微信 Agent、Agent 安全等内容。

这说明一个很明显的趋势：

大家已经开始嫌弃“只会聊天”的 AI 了。

真正有吸引力的是：

AI 能不能进入我的工作环境，接收消息，调用工具，执行任务，然后把结果发回来？

这也是 OpenClaw 最近值得关注的地方。

---

一、OpenClaw 到底是什么？

先用一句大白话解释：

OpenClaw 可以理解成一个运行在你自己设备上的 AI 助手运行平台。

它不是单纯的大模型。

也不是单纯的聊天机器人。

它更像是一层：

“AI + 工具 + 渠道 + Skills + 记忆”的执行中间层

OpenClaw 官方项目目前把自己定位为开源 AI 助手，可以运行在自己的电脑上，并连接 Discord、Slack、Telegram、WhatsApp、Teams、iMessage 等多个聊天渠道，同时提供 Gateway、Skills、工具和本地运行能力。当前 GitHub 页面显示项目已经接近 39 万 Stars，说明它的社区关注度已经非常高。

你可以把它想成：

              大模型
                │
                ↓
          OpenClaw Agent
        ┌───────┼────────┐
        ↓       ↓        ↓
      工具     Skills    记忆
        │       │        │
        └───────┼────────┘
                ↓
          真实业务系统

最关键的一点：

OpenClaw 不是只让 AI “说话”，而是让 AI 有机会“做事”。

---

二、为什么最近 OpenClaw 这么火？

我觉得真正原因不是“又出了一个 AI 框架”。

而是它踩中了现在 Agent 发展的几个核心方向：

第一：从聊天转向执行

以前：

“帮我写一段 Python 代码。”

现在：

“帮我分析这个 Excel。”

再进一步：

“帮我分析销售数据，找出异常，然后把结果发到飞书群。”

这已经不是聊天了。

而是：

任务执行。

---

第二：AI 开始进入用户原来的工作工具

大家不会每天打开十个 AI 网站。

真正舒服的方式是：

我平时在哪里工作，AI 就在哪里。

所以：

AI
+
飞书
+
微信
+
Slack
+
Telegram
+
企业内部系统

这种模式越来越有吸引力。

---

第三：Agent 开始拥有自己的工具箱

OpenClaw 当前的 Skills 体系尤其值得注意。

官方文档里，Skill 本质上是一组给 Agent 使用的说明文件，每个 Skill 都可以通过 SKILL.md 告诉 Agent：

什么情况下应该使用这个能力、怎么使用、需要哪些工具。

这就有点像：

给 AI 安装“技能插件”。

---

三、先看我们今天最终要做成什么

我们今天不只是把 OpenClaw 装起来。

最终要实现这样一个效果：

用户在飞书发消息

        ↓

OpenClaw 收到任务

        ↓

Agent 判断任务

        ↓

调用 Python 工具

        ↓

分析本地数据

        ↓

得到结果

        ↓

返回飞书

比如你在飞书里直接说：

“帮我分析今天的销售数据，告诉我哪个产品下降最多。”

最终 AI 直接把结果返回给你。

这时候：

飞书只是入口。

真正负责完成任务的是：

OpenClaw + Agent + Python 工具。

---

四、整体架构

整套系统可以分成几个部分：

聊天渠道

负责接收用户消息。

例如：

• 飞书

• Slack

• Telegram

• Discord

OpenClaw Gateway

负责连接渠道、管理会话和调度 Agent。

Agent

负责理解用户目标、决定下一步动作。

Skills / Tools

负责真正做事。

比如：

• Python

• 搜索

• 文件操作

• 数据库

• 浏览器

• API

大模型

负责理解和推理。

---

五、第一步：安装 OpenClaw

OpenClaw 官方当前提供了安装脚本、npm、Docker、Nix 等多种方式。

目前官方 Getting Started 文档要求 Node.js 24.16+ 或 26.1+，Node 26 是推荐版本。Windows 也提供原生 Hub、PowerShell 和 WSL2 路径。

最简单的方法：

Linux / macOS / WSL2

curl -fsSL https://openclaw.ai/install.sh | bash

Windows PowerShell

iwr -useb https://openclaw.ai/install.ps1 | iex

也可以直接：

npx openclaw@latest

官方 Getting Started 文档目前就是把 npx openclaw@latest 作为快速尝试方式之一。

---

六、第二步：第一次启动

安装之后，OpenClaw 会进入初始化流程。

核心就是几个步骤：

选择模型提供商 → 配置 API → 创建工作空间 → 启动 Gateway → 打开控制面板。

初始化结束以后可以检查 Gateway：

openclaw gateway status

然后打开控制面板：

openclaw dashboard

官方文档目前也把 Gateway 作为整个 OpenClaw 工作过程中的核心组件。

---

七、OpenClaw 为什么要有 Gateway？

这是很多初学者第一次接触时最容易疑惑的地方。

为什么不直接：

飞书
 ↓
大模型

而要：

飞书
 ↓
Gateway
 ↓
Agent
 ↓
模型

因为 Gateway 承担的是：

连接、路由、状态、工具和 Agent 调度。

这样以后你接：

飞书
Slack
Telegram
网页
CLI

不需要每个渠道都重新做一个 AI。

只要统一进入 Gateway 就行。

所以从架构上看，它更像：

AI Agent 的“大脑入口 + 调度中枢”

---

八、第三步：接入飞书

这也是这几天 CSDN 热度比较高的部分。

OpenClaw 官方目前提供了 @openclaw/feishu 插件，用于连接 Feishu / Lark。

官方文档说明目前支持：

• Bot 私聊

• 群聊

• 流式卡片回复

• Feishu 文档

• Wiki

• 云盘

• 多维表格等能力。

而且官方目前推荐使用 WebSocket 作为默认事件传输方式，这样不需要自己暴露公共 URL。

---

九、安装飞书插件

先检查版本：

openclaw --version

官方飞书文档目前要求 2026.5.29 或更高版本。

然后执行：

openclaw channels login --channel feishu

如果没有安装对应插件，OpenClaw 会引导安装。

之后按照提示填写：

App ID
App Secret

这些信息从飞书开放平台创建机器人应用获得。

---

十、飞书真正接进来之后发生了什么？

这个时候你的系统已经从：

用户
 ↓
网页聊天
 ↓
AI

变成：

用户
 ↓
飞书
 ↓
OpenClaw
 ↓
Agent
 ↓
大模型
 ↓
Tools / Skills
 ↓
结果
 ↓
飞书

所以你以后在飞书里说：

“帮我整理一下今天的工作。”

它就不再只是给你生成一段话。

而可以进一步：

• 读取文件

• 查询日历

• 查询数据

• 执行脚本

• 调用 API

• 生成报告

---

十一、真正值得学习的不是“接飞书”

我认为很多教程容易把重点搞偏。

大家看到：

OpenClaw + 飞书

就觉得重点是：

怎么配 App ID。

其实不是。

飞书只是入口。

真正值得学习的是：

“Agent 收到任务以后，如何调用能力完成任务？”

而这就到了 OpenClaw 的 Skills。

---

十二、OpenClaw 的 Skills 到底是什么？

官方目前的设计非常有意思。

一个 Skill 就是：

SKILL.md

里面写：

• 这个技能叫什么

• 它负责干什么

• 什么时候应该使用

• 应该调用什么工具

• 使用时有什么要求

OpenClaw 会根据配置、环境和技能优先级加载这些 Skills。工作空间里的 skills/ 可以定义自己的技能。

例如：

skills/
└── python-report/
    ├── SKILL.md
    └── analyze.py

这其实就已经很像：

给 AI 安装一个“Python 技能”。

---

十三、我们自己做一个 Python Skill

创建目录：

mkdir -p ~/.openclaw/workspace/skills/python-report

新建：

SKILL.md

内容：

---
name: python-report
description: 使用 Python 分析 CSV 销售数据并生成摘要
---

# Python 销售数据分析

当用户要求分析销售 CSV 文件时：

1. 找到用户指定的 CSV 文件。
2. 调用 Python 脚本进行分析。
3. 输出销售额、订单量和下降最多的产品。
4. 使用中文给出简洁结论。

执行脚本：

python {baseDir}/analyze.py <csv文件路径>

这里的核心思想很简单：

不是告诉 AI 一堆理论，而是明确告诉 AI：什么时候用这个技能、怎么用。

---

十四、然后写 Python 代码

创建：

analyze.py

代码：

import sys
import pandas as pd


def main():
    if len(sys.argv) < 2:
        print("请提供 CSV 文件路径")
        return

    file_path = sys.argv[1]

    df = pd.read_csv(file_path)

    print("数据量：", len(df))

    if "product" not in df.columns:
        print("缺少 product 字段")
        return

    if "sales" not in df.columns:
        print("缺少 sales 字段")
        return

    result = (
        df.groupby("product")["sales"]
        .sum()
        .sort_values()
    )

    print("\n销售额最低的产品：")
    print(result.head(5))

    print("\n销售总额：")
    print(df["sales"].sum())


if __name__ == "__main__":
    main()

安装依赖：

pip install pandas

这样 OpenClaw 就多了一个：

Python 数据分析能力。

---

十五、现在最有意思的来了

以后你根本不用告诉 AI：

“请调用 analyze.py。”

你只需要在飞书说：

“帮我分析一下 sales.csv，看看最近哪个产品卖得最差。”

Agent 会根据 Skill 判断：

这个任务属于 Python 数据分析。

然后调用对应能力。

这就是 Agent 和普通聊天机器人非常明显的区别。

---

十六、为什么 Skills 这个东西值得关注？

因为它其实解决了一个问题：

过去：

AI
+
一个巨大的系统提示词

随着任务越来越复杂，提示词会越来越长。

而 Skills 可以把能力拆开。

例如：

skills/
├── python-report
├── github
├── pdf-reader
├── web-search
├── excel
├── database
└── deploy

这样一个 Agent 就可以逐渐拥有：

一整套技能库。

OpenClaw 当前还支持通过 ClawHub 安装 Skills，并提供技能验证机制；官方文档还提供 Skill Workshop 等能力帮助管理技能。

---

十七、这和 MCP 有什么区别？

这也是目前 Agent 圈非常火的问题。

很多人已经搞不清：

Skill
Tool
MCP
Agent

到底是什么。

简单理解：

Agent

负责：

“我要完成什么任务？”

Tool

负责：

“我现在能做什么？”

Skill

负责：

“什么时候应该做，以及怎么做。”

MCP

更多负责：

“怎么把外部工具能力标准化地接进来。”

它们不是互斥关系。

更像是：

                 Agent
                   │
        ┌──────────┼─────────┐
        ↓          ↓         ↓
      Skill       Tool      MCP
        │          │         │
        └──────────┼─────────┘
                   ↓
               外部能力

---

十八、再往前一步：Agent Memory

为什么这几天 CSDN 上又开始大量出现：

Agent Memory

也是因为大家慢慢发现：

一个不会记忆的 Agent，很多时候还是一次性助手。

比如：

你今天告诉它：

“我喜欢把报告保存成 Excel。”

明天：

“继续处理一下。”

如果它一点都不记得。

你还是得重新说。

---

十九、OpenClaw 的价值正在从“工具”变成“长期助手”

OpenClaw 官方项目现在已经把 State、Memory、Skills、Channels、Gateway 等能力放到了统一的架构里。它强调状态和记忆保存在自己的硬件上，模型和 Agent Harness 可以替换。

这就比普通：

问一个问题
→
回答一次

更接近：

长期工作助手

也就是说：

AI 开始从“聊天工具”变成“数字员工”。

当然，现在离真正意义上的“数字员工”还有很多距离。

但方向已经很明显。

---

二十、为什么现在大家开始关注 Agent Memory？

因为 Agent 一旦开始长期执行任务，就会遇到一个问题：

它到底应该记住什么？

例如：

用户偏好
长期任务
历史结果
工作习惯
项目上下文
重要文件

但这里又出现一个更麻烦的问题：

AI 不能什么都记。

因为记错比不记更危险。

这也是为什么现在 Agent Memory 开始从：

“让 AI 有记忆”

逐渐变成：

“让 AI 学会什么时候应该记、什么时候应该忘。”

这其实已经进入 Agent 工程化阶段。

---

二十一、OpenClaw 真正厉害的地方，是把这些东西串起来

你可以把现在的 OpenClaw 理解成：

                 OpenClaw
                     │
        ┌────────────┼────────────┐
        ↓            ↓            ↓
      Agent        Skills       Memory
        │            │            │
        └────────────┼────────────┘
                     ↓
                   Tools
                     │
        ┌────────────┼────────────┐
        ↓            ↓            ↓
      Python        API          文件
                     │
                     ↓
                   飞书

这也是我认为这几天 CSDN 热点背后的真正趋势：

开发者已经不满足于“调用一个大模型 API”。

开始转向：

构建完整 Agent 系统。

---

二十二、不过一定要注意：OpenClaw 不是装完就能随便用

这里我要专门提醒一下。

因为 OpenClaw 能调用：

shell
文件
Python
API
浏览器

所以它的能力越强，风险也越高。

官方安全文档明确说明，OpenClaw 的 Gateway、插件、技能和执行工具都涉及不同的信任边界；尤其是 exec，可能执行主机命令，因此应该结合 sandbox、allowlist、审批策略等机制进行控制。

---

二十三、比如不要一开始就给 AI 无限权限

非常不建议：

AI
 ↓
任意执行 shell
 ↓
完整主机权限

这种方式虽然爽。

但风险也很高。

更合理的是：

Agent
 ↓
Skill
 ↓
允许的工具
 ↓
受控执行

官方当前文档提供多种 exec 安全模式，也支持 sandbox 和审批策略。

---

二十四、为什么我觉得 OpenClaw + Python 这个组合特别值得学？

因为 Python 是非常成熟的“执行层”。

OpenClaw 更偏：

Agent 调度。

Python 更偏：

真实业务处理。

组合起来就是：

自然语言
     ↓
OpenClaw
     ↓
Agent
     ↓
判断任务
     ↓
Python Skill
     ↓
Python
     ↓
数据 / 文件 / API
     ↓
返回结果

这其实就是非常典型的：

AI + Python 自动化。

---

二十五、接下来它还能做什么？

比如：

自动日报

每天早上：

“帮我分析昨天销售数据，生成日报。”

Agent：

读取数据
↓
Python 分析
↓
生成总结
↓
发到飞书

---

自动代码分析

“帮我看一下这个项目昨天有哪些错误日志。”

Agent：

读取日志
↓
Python 分析
↓
分类错误
↓
生成报告
↓
发到飞书

---

自动知识整理

“帮我把今天的技术资料整理一下。”

Agent：

搜索
↓
读取文档
↓
总结
↓
分类
↓
保存

到这里，OpenClaw 就已经不是一个普通聊天机器人。

而是：

一个 AI 工作自动化入口。

---

二十六、如果你是 Python 开发者，应该怎么学？

我建议别一上来就背 OpenClaw 的全部配置。

先按照这条路线走：

Python
 ↓
大模型 API
 ↓
Tool Calling
 ↓
Agent
 ↓
OpenClaw
 ↓
Skills
 ↓
MCP
 ↓
Memory
 ↓
多 Agent

这样学习起来会顺很多。

因为你会发现：

OpenClaw 并不是突然冒出来的一套神秘技术。

它本质上还是：

大模型 + Agent + Tool + Memory + Workflow

只不过把这些东西组合成了一个更接近“个人 AI 助手”的系统。

---

二十七、我认为 OpenClaw 真正值得关注的，不是“龙虾”两个字

最近很多文章标题会围绕：

“龙虾 AI”

做各种包装。

但是从技术角度，我更建议关注三个东西：

第一：Agent

AI 能不能自己完成多步骤任务。

第二：Skills

AI 能不能持续扩展能力。

第三：Execution

AI 能不能真正调用工具执行任务。

最终就变成：

“AI 不只是会回答，而是会执行。”

这才是 OpenClaw 这个方向真正值得关注的地方。

---

二十八、一个最直观的对比

普通 AI：

你：
帮我分析销售数据。

AI：
你可以使用 pandas……

OpenClaw Agent：

你：
帮我分析销售数据。

Agent：
找到 sales.csv
↓
调用 Python
↓
统计销售额
↓
分析下降产品
↓
生成总结
↓
发给你

这两种体验完全不同。

---

二十九、总结

这几天 CSDN 的热度其实已经非常明显：

OpenClaw + 飞书

Agent Memory

MCP

Agent 脚手架

Agent 工程化

这些热点表面上看是不同东西。

但背后其实都在指向同一个方向：

AI Agent 正在从“会聊天”走向“会工作”。

OpenClaw 的价值就在这里。

它把：

模型
+
Agent
+
Tools
+
Skills
+
Memory
+
Channels

逐渐组合成一个统一的 AI 助手体系。

而对于 Python 开发者来说，最值得做的事情其实也很简单：

不要只学怎么调用模型。

开始让：

AI 调用 Python。

再让：

Python 真正操作数据、文件和业务。

最后：

让 OpenClaw 把这些能力串起来。

那么你的 AI 才真正开始从：

“聊天机器人”

走向：

“AI 工作助手”。

---

三十、写在最后

这也是为什么我觉得，现在学习 Agent 最不能只盯着：

哪个模型参数最多？
哪个模型跑分最高？

真正应该关注的是：

这个 AI 到底能不能完成任务？

因为模型会越来越多。

但：

会设计 Agent、会接工具、会做 Skills、会做自动化工作流的开发者，价值会越来越高。

而这可能才是 OpenClaw 最近在 CSDN 上快速升温的真正原因。