先说结论，OpenClaw使用了一段时间，不难，但也带来了一些思考与震撼（不是技术层面的）在前几天做完公司培训后，计划完成2.0并开始3.0的方向尝试。
1.0阶段，充分探索，试错，玩到崩溃
11月26日，群友Ni提示clawdbot最近很火，有空可以研究。
与Ni的早期沟通来自本地化大模型的探讨，当时感觉云端大模型容易泄露隐私，某一方向的专业性训练不充分，本地化部署可以针对关注的几个领域重点训练，做专属向量化数据库等等。
当然随着openclaw的使用，暂时放弃了本地化模型这条“正确”又耗费精力的执行落地。
有关本地化模型，有契机可以再聊，总之昨天暂时删除了 Ollama 和 #LM Studio，几个7b模型，当然留下了笔记。
说回 openclaw
第一次实践，看过介绍后第一直觉定位是全控的准备，来自一台独立的mac，或许每个技术背景的人都有一个构建专属自己贾维斯（J.A.R.V.I.S）的梦想。
发现它是一个没有大脑（LLM）没有四肢（skill）的智能克隆体躯壳。
经历了Skill的大量尝试。
经历了因Token超额消耗导致的宕机，切身感受到大模型API的昂贵成本。
经历了openclaw把长期记忆文件弄乱。
在这个时期看到了太多炒作它能力的鬼故事，作为程序员“嗤之以鼻”，甚至怀疑这些人是否真正使用过？
通过1.0得到的定位，提高生产力创造生产力的事情值得获得一个这样的AI助理。
使用2.0阶段----解决1.0的使用问题，更从一个程序员和行业分析师角度专业的使用。
开始2.0之前的准备与操作
1 整理日常任务拆解与梳理：
业务的Prompt（提示词）整理尤为重要，整理Prompt本身就是业务整理，这一步一定是在下手开干之前想好。Prompt的规范如：markdown是LLM的消化标准，身份定位明确，要求，甚至审核标准，我们观察到OpenClaw的内嵌Task逻辑刚好符合这一逻辑。
2 模型与Token：
多LLM配置，甚至代理渠道的Token用量优化。
3 关注底层文件变化：
如USER.md IDENTITY.md 等“人设”文件是否被有效更新，是否过于冗长。
4 agent 业务分化：
多角色定义，为保证任务的良好执行，通过多角色定义，将复杂任务拆解为独立人格执行单元。
5 Skill化：
为保障执行准确性，将高频任务固化为标准化Skill模块，通过API等方式获取数据有效减少AI幻觉，减少因单纯提交Prompt让LLM工作过于复杂甚至产生不可控的交互循环。做到了执行不走样，Token可控，效果显著但也有反思这个后面聊。
2.0的总结与反思：
1 这部分工作更像是一个程序的视角的在拆解OpenClaw，结果令人满意，但是把它用成了“码农”的工具。明确，可控，成本开销合理而非人性化工具。这就带来一个问题，如果纯码农工具，完全有更好用的AI工具，稳定，枯燥，简单不出错。码农的工具永远到不了非技术用户，只能在码农间传播。聚焦于服务器底层文件设计越爽就离大众使用场景越远，似乎偏离了其自然语言驱动的本质。
2 Openclaw迭代更新很快，社区生态活跃，相信其发展最终方向是自然语言驱动，从业者应感知其变化与小迭代代表的意义。不能推广到普通人非“码农”人群的产品无法普及。
3 技能角度，对于AI时代的焦虑者，适当掌握代码（至少代码思维），工程思维很有必要。可借助其他AI工具辅助学习，当“机器靠近和你靠近机器？”这样的选项摆在你面前时，建议专业人士（VC 投研 分析师）可以向机器靠近，避免被AI幻觉文章带偏。
4 是否要学习OpenClaw？我建议即使是费劲，也要尝试，AI对生产力的颠覆成为必然，OpenClaw的agent让员工成为AI，AI就是员工。
5 Skill是AI真实落地的手脚，如google也在完善自身的skill与task形成生态的闭环，Openclaw有自身独立环境和灵活性的优势。这是在1.0阶段就感知到在2.0再次确认的结论。Skill本身就是一个丰富的生态不乏有优质项目从其中诞生出来的赛道。
6 3.0计划是更加基于自然语言角度的探索。
未完待续…