OpenClaw 兴衰启示录：AI Agent 赛道的三条核心教训
从 250K 星爆发到 2.0 回天乏术，OpenClaw 用九个月定义了 Agent 赛道但没赢得赛道。本文解析其兴衰背后的经济学陷阱、Harness 架构逻辑和上下文根基，给企业 AI 落地提供可借鉴的三条教训。
铱亿科技团队
AI 软件解决方案专家
引言：一鲸落，万物生
2026 年 8 月底，一个曾经 250K 星的开源项目发布了它历史上最大的一次更新——933 个贡献者、16000 个 PR，占项目历史合并总量的一半。但这份成绩单放在 3 月令人炫目，放在 8 月底只让人叹气。
七周的沉默之后，社区已经在写讣告。
OpenClaw（又名”龙虾”）的故事，不是一个关于技术失败的故事。恰恰相反——它的 Gateway 架构在今天看来依然是标准的 Agent Harness 设计；它的愿景”在聊天窗口里指挥 AI 干活”被后来者一一验证。
问题出在哪里？答案不在技术，而在经济学、上下文和安全。
铱亿科技团队认为，OpenClaw 用九个月给整个 Agent 赛道留下了三条必须刻进架构文档的教训。每一个正在评估企业 AI 落地的决策者，都应该读一遍。
一、经济学陷阱：补贴一撤，增长曲线立刻反转
OpenClaw 的 250K 星爆发，建立在一个所有人都知道但没人说破的漏洞上。
这个漏洞叫”用 20 美元的 Claude Pro 订阅跑价值几千美元的 Token”。
早期用户画像极度统一：拿着 Anthropic 的包月订阅，通过 OAuth 搭车，让龙虾 24 小时替自己烧 Token。部分用户用 200 美元的 Claude Max 订阅，干出了 1000 到 5000 美元的 API 用量。
这是典型的补贴驱动增长——只不过补贴方不是 OpenClaw，而是 Anthropic 的定价漏洞。
拐点来得比所有人预料的都快
2026 年 4 月 4 日，Anthropic 堵上了这个口子。第三方工具不再允许搭载 Claude 订阅的 OAuth。
一夜之间，用户要继续跑 Claude，得按 API 价格付费：Sonnet 4.6 每百万输入 Token 3 美元，Opus 4.6 每百万输入 15 美元。部分用户的月账单涨了 50 倍。
增长曲线立刻反转。和每一次互联网烧钱大战的退潮一模一样——当真实成本暴露时，留存下来的才是真正的产品刚需用户。
教训一：Agent 的成本模型必须在架构设计阶段就钉死，不能寄希望于”补贴迟早会有”。 企业客户做 POC 时必须看到真实的 Token 消耗预估，而不是”先跑起来再说”。
创始人 Peter Steinberger 在 2 月就去了 OpenAI，项目交付给基金会。安全问题随后集中爆发——Snyk 审计发现 36% 的 ClawHub 技能含提示词注入攻击，Palo Alto Networks 的 Unit 42 在 2 月到 5 月之间持续发现未被拦截的恶意技能。
补贴没了，创始人走了，安全窟窿冒出来了。
二、Harness 才是 Agent 的核心：模型趋同，体验在壳
2026 年 Agent 行业最热的词是什么？不是 Agentic AI，不是多代理协同，而是 Harness。
这个词的含义简单来说：包在大模型外面的那一层——工具调度、权限管理、会话记忆、执行沙箱、断点恢复。模型负责判断，Harness 负责让这个判断能被安全地、高效地执行。
所有主流 Agent 都是同一个架构
“前沿模型已经趋同，Agent 的体验由 Harness 决定。”
Claude Code、Codex、Cursor、OpenCode——2026 年叫得上名字的编程 Agent，每一个都是这个架构。谷歌工程师 Addy Osmani 对此的观察是：这些 Harness 彼此之间的相似度，远高于它们各自底层模型之间的相似度。
OpenClaw 的 Gateway 做的事情，和今天所有 Harness 做的事情高度重合：接收指令、调度工具、管理凭证、维持会话、跨平台路由。
这个架构，OpenClaw 在 1 月份就跑通了。
标准化拼图已经出现
Linux 基金会在 2026 年成立了 Agentic AI Foundation，接收了三样东西：
| 项目 | 解决什么问题 |
|---|---|
| Anthropic 的 MCP 协议 | 工具发现与标准化接入 |
| OpenAI 的 AGENTS.md 规范 | Agent 的指令规范与上下文约定 |
| Goose 项目 | Agent 的执行运行时与沙箱 |
三块拼图合在一起，就是一个标准化的 OpenClaw。定义赛道的和赢得赛道的，往往并非同一个玩家。 OpenClaw 像 VisiCalc——第一个让所有人看见”电子表格”这件事能成立的产品。最后赢的是 Lotus 1-2-3，再后来才是微软 Excel。
教训二：选型 Agent 时，不要先看模型榜单。 先看 Harness 的权限隔离做得够不够硬、工具调度够不够灵活、会话记忆能不能和你的业务上下文打通。模型可以换，Harness 换起来代价极大。
三、飞书 CLI 的降维打击：上下文比空框架更重要
龙虾在中国水土不服，原因有三个层面，每一个都是关于上下文的。
对比飞书 CLI 的三个关键差异
2026 年 3 月 28 日，飞书开源了官方 CLI 工具（GitHub larksuite/cli），MIT 协议。覆盖即时消息、云文档、多维表格、日历、视频会议、邮箱、任务、知识库等 11 个业务域、200 多条命令、23 个 Agent Skills。开源不到两个月拿了 8000 多颗星。
| 维度 | OpenClaw | 飞书 CLI |
|---|---|---|
| 架构模式 | 接管式框架，要求用户把整台电脑和聊天账号交给 AI，24 小时在线 | 嵌入式工具，Agent 通过 CLI 调用飞书能力，权限跟着企业管控走 |
| 安全底座 | 安全审计在 Palo Alto 发 CVE 之后才匆忙补课 | 飞书开放平台 2500+ API，鉴权、审计、权限回收都是现成的企业级基础设施 |
| 上下文根基 | 要求用户从零搭一个新框架 | 直接预装在用户每天打开的 IM、文档、知识库、审批流里 |
核心洞察：Agent 的起点是上下文
飞书的 IM、文档、知识库、审批流本身就是一个上下文网络。Agent 应该在这个网络里工作，而不是从零搭一个新的。
OpenClaw 给了用户一个空框架，让用户自己去接 API、配权限、管安全。飞书 CLI 直接把框架预装在了用户已有的工作系统里。
这正好也是铱亿科技在企业 AI 落地现场反复强调的一个原则：
Agent 不是一个独立的产品，而是企业已有业务系统的”增强层”。 最强的 Agent 不是那个功能最全的，而是那个对企业上下文理解最深的。
四、2.0 改了什么？该做的都做了，可惜太晚
回到 OpenClaw 2.0 本身。
安装简化了——扫描机器上已有的 Claude 订阅、API 密钥和本地模型，自动配置，缩短从安装到第一次对话的时间。
浏览器端重做了——Control UI 启动时间从 1.6 秒降到 575 毫秒，JS 请求从 140 个砍到 45 个。
安全性增强了——外部插件安装需要验证来源，ClawHub 展示安全审计信息，凭证请求不再进入聊天上下文和模型输入。
共享云会话是唯一的新能力——团队可以把一个正在跑的任务连同上下文交给另一个人。
每一项都该做。可惜做晚了。晚了太多太多。
回答了”为什么装不上”，没回答”为什么不打开”
这些修复回答的问题是”用户为什么装不上”和”用户为什么不敢用”。
没有回答的问题是：用户装完第二周为什么不打开它。
编程 Agent 的生产力回报是可见的——代码就摆在那里，跑得飞快。OpenClaw 式的”生活助理”跑完一天，回头看聊天记录，龙虾帮你转发了三封邮件、总结了一条新闻。省下来的时间，不够配置它花的时间。
教训三：安全不能事后再补，生产力 ROI 必须在第一版就能被感知。 对于企业客户来说，“安全但没用”和”有用但不安全”是同样糟糕的选项。
结语：三条教训刻进下一代 Agent 架构
OpenClaw 2.0 是一次工程大补课。569 个新贡献者进来干活，团队没有摆烂。这值得尊重。
但产品层面，龙虾的窗口期已经关了。编程场景被 Claude Code 和 Codex 吃掉，中国办公场景被飞书 CLI 接管，“后端 All in One”的架构思路被 OpenCode 等 20 万星的开源 Harness 继承。
龙虾每一块肉都被分走了，只剩下壳了。但这个壳里装着赛道最重要的三条教训：
- Agent 的成本模型必须在架构阶段就验证，不能寄希望于定价漏洞或补贴
- Agent 的价值在 Harness 而非模型本身，模型可以换，Harness 是资产
- Agent 的安全和生产力 ROI 必须同时成立，任何一个短板都是致命的
每一个正在评估企业 AI 落地的 CTO、每一个正在设计 Agent 架构的工程师，都应该把这三条写进自己的设计文档里。
下一步：让 AI 真正服务你的企业
OpenClaw 的故事让人唏嘘，但赛道本身正在以更快的速度向前跑。对于企业决策者来说，现在正是入局的最佳时机——不是去追每一个新工具的星标数，而是把自己的上下文资产、业务流程和安全底座，作为 Agent 落地的起点。
铱亿科技正在帮助企业做的事：
- 企业智能化：基于你的已有业务系统（飞书/钉钉/企业微信）构建 Agent，而不是从零搭框架
- 安全前置：在 Agent 设计阶段就把权限隔离、审计日志、提示词防御架构好
- ROI 可量化：用真实业务场景验证 Agent 的生产力回报，而不是跑 Demo
有技术问题想聊聊？铱亿科技的 FDE 团队可以帮你评估 Agent 落地的可行性。直接发邮件到 contact@iryikeji.com，或访问 bjiryikeji.com 了解更多。
分享这篇文章
不错过任何一次更新
订阅铱亿科技 Newsletter，获取最新的 AI 智能化技术洞察、实操指南和产品动态。