Kimi Claw 實測：OpenClaw 熱潮之下，自動化 AI 仍是拓荒期

作者：徐珊

2026 年，一隻小龍蝦攪翻了整個 AI 圈，年後 OpenClaw 餘熱還在繼續發力。

近期，多家國內模型廠商先後推出對標 OpenClaw 的產品，Mini Max 推出的 MaxClaw，Kimi 推出的 Kimi Claw，顯然，OpenClaw 所展現出的 AI 執行力，以及開發者們對 AI 執行結果所展現出來的包容程度讓市場看到了價值空間。

在一眾對標產品中，Kimi Claw 的定位比較清晰，它並非從零自研的 Claw 產品，而是基於 OpenClaw 的託管雲服務，數據託管在 Moonshot 雲端，並且直接配置了 5000+ ClawHub 社區技能。

它的優點在於使用較為穩定，部署方便，上手簡單，且依託於雲，可以實現 24/7 在線執行運轉。打開 Kimi 官網，只需要你一鍵點擊創建，Kimi 就會直接部署 Kimi Claw。

Kimi Claw 一鍵部署｜圖片來源：極客公園

換句話來說，Kimi Claw 並也不是一個獨立新產品，它本質上就是一臺為用戶遠程開好的虛擬機，讓用戶通過 Kimi 直接訪問運行在雲端的 OpenClaw 環境。

它沒有做任何功能刪減，也沒有額外封裝，和本地部署 OpenClaw 幾乎沒有區別，只是把部署、配置、環境搭建這一步替用戶完成了，但並沒有對 OpenClaw 部署之後的調教過程做任何處理。如果沒有學會正確給出指令、合理安排任務，其上手難度仍然比較高。

對於從未接觸過 OpenClaw 類產品的用戶來說，這也會導致一個預期錯位，用戶以為接入 OpenClaw 就可以做自動化 AI 執行，但其實只是多了一個便攜接口，後續仍有很多設置需要自己探索。也因此，為 OpenClaw 類產品提供一些熱門的預置 Skills 將會成為不少 AI 模型廠商接下來重點發力的方向。

目前 Kimi Claw 仍處於 Beta 測試階段，僅對 Kimi Allegretto 會員開放使用權限。

一、30 分鐘搭建自動化辦公工作流

我們發現，很多用戶和我們一樣，接入 OpenClaw 之後，依然摸不清 AI 的執行能力邊界，對它到底能做什麼、不能做什麼充滿好奇，但也充滿未知，不知道接入之後該從哪裡下手。

其實，目前不管是本地部署 OpenClaw 這類自動化 AI，還是直接接入 Kimi Claw 這樣的外接入口，整體的使用思路其實可以分成從 0 開始搭建應用和從 0.5 開始優化應用兩條路徑，我們分別從這兩種方式做了實際體驗，首先選擇從 0 開始開發一個應用，優化工作流。

在體驗 Kimi Claw 之前，我先審視了自己有哪些工作可以被打造成一個固定的工作流，或者我的工作流中可以有哪些任務在 AI 加持之下變得更好。而在此之前，我所需要考慮的僅是我與哪個類型的 AI 工具交互可以得到更好的結果。

我選擇了工作日記環節，結合每天的工作流，工作記錄、工作總結、工作反思等環節最後輸出一份當日工作報告。找份報告過去都是個人耗時填寫，現在我希望可以 AI 自動抓取，再結合對話式交互自動形成表格。

我先將大致思路遞給 AI 優化指令，最後從角色定義、技能配置、數據接入、核心工作流、多媒體表格結構、記憶重點、權限與邊界等多個層面給出一個非常長的複雜指令，遞給 Kimi Claw。

Kimi Claw 很快分析完指令後，和我確認執行細節。比如說，基礎信息、飛書權限、數據存儲和觸發方式。隨後我們開始按照指令去飛書平臺搭建飛書應用，並且將把 App ID 和 App Secret 發給 Kimi Claw。

其中有個環節需要在飛書內搭建表格的時候，我讓 Kimi Claw 直接給我表格的樣式，再遞給飛書內置的 AI 系統，讓飛書自動搭建表格。

Kimi Claw 搭建的應用頁面之一｜圖片來源：極客公園

在經歷了找不到協作者、找不應用頁面、找不到 ID 等一系列問題，大約半小時後，我成功接收到了來自 Kimi Claw 的第一條消息。

搭建這個 bot 的速度比我預期要更快。遇到問題時，我會把卡在哪一環直接告訴 Kimi Claw，然後在其給出的方案中選擇合適的思路去執行，如果給出的方案沒有合適的，會繼續追問 Kimi Claw 其他解決方法。

Kimi Claw 一鍵部署至飛書｜圖片來源：極客公園

搭建工作流時，跨平臺能力的重要性也更加凸顯。接連開放 12 條飛書權限之後，我最終搭建 AI 應用並未完成理想狀態。其中，我希望 AI 通過閱讀我與他人的聊天記錄，從而梳理出我的工作任務，但幾輪嘗試後，AI 應用獲取的群聊列表仍為空，並表示飛書 AI 應用要求 AI 只能讀取自己參與的會話，應用無法讀取群聊列表。

整體體驗下來，我認為 Kimi Claw 對一些常規工作流平臺比如說飛書、釘釘等開發者工具比較熟悉，基本上給出的指令都能夠直接找到對應的執行方式，0 基礎用戶也能夠讀懂並執行。但這類企業應用會對自身的信息權限比較看重，開放配置條件也較為嚴格，或許想要 AI 真正融入工作流，不僅看 Kimi Claw 這類開放者的工具，也需要等待更合適與 AI 融合的應用出現。

而且，運轉過程中會出現不少 bug，比如，在此過程中，用戶與 Kimi Claw 的交互任務、正在運行的 Agent 任務，會被誤統計進個人工作安排。學會修改 bug 也成為調教 AI 的關鍵一環。

如果選擇從 0 主動定製自己想要的應用或者功能，就需要用戶想好清晰的操作路徑，具備基本的產品思維。要明確信息輸入與輸出兩端接口的開放程度和連通性，同時控制好每次調用與運行的成本。

本次工作流搭建，全程 token 消耗約 15k-25k，按照 Kimi 的計價方式，大約 1 元左右。但每天大概花費 0.53 元，一個月大約在 15.9 元左右。

二、自動化 AI 新聞助手搭建實測：「預製」應用上手快，修改有成本

除了讓 AI 定製化打造一個我設想的應用外，我還體驗了一些「預製」應用，比如說讓 Kimi Claw 自動抓取新聞。

在我們做第一輪自動化新聞抓取任務時，嘗試讓 Kimi Claw 抓取某科技新聞媒體官網。當我們給出指令為：

請監控 xxxx 的行業網站，總結最近一週以及未來 3 天內，每當有包含「AI」關鍵詞的新文章發佈時，請自動抓取標題、摘要、發佈時間，並將這些內容彙總到一個在線表格。同時，請在報告中按照我設定的風格進行爆款文章分析。

Kimi Claw 會詢問我們具體配置信息，但第一輪新聞抓取任務時，我們發現不少官網其實都有反爬蟲設置，很難去做優質網站的信息監控。Kimi Claw 也很難給出準確的範圍抓取，因此會出現空轉的情況，而每一次空轉都意味著出現大量的 tokens 被消耗。

該監控任務從今天凌晨 4 點到 11 點共運行約 8 次，消耗約 180K tokens，花費約 3.68 元。如果按原設置每小時運行一次，每天成本約 11 元，每月將花費接近 330 元。

隨後，我們請教了相關人士後，開始放棄自己寫指令，轉而從相關 ClawHub 等網站下一個相關指令壓縮包，基於此基礎指令後，繼續定製相關新聞。

將 Clawhub 的文件部署至 Kimi Claw｜圖片來源：極客公園

隨後，我們對中文媒體、新聞篩選條件以及信息發送次數、時間均做了較為詳細的設定。最後能夠獲得一版不錯的 AI 新聞抓取結果。

Kimi Claw 自動抓取結果｜圖片來源：極客公園

很顯然，如果只是被動使用預製好的應用，重點則是學會篩選優質的技能包（skills），並且能根據自身場景，對現成功能做適配調優。

但如果想對這些預製好的 AI 應用做定製化修改，往往又會繞回從零搭建應用時遇到的那些難題，開發優化的難度不低，最終改出來的效果也未必理想。

這個過程裡，使用者其實需要花大量時間，去體驗同一類產品裡不同 Skills 的便捷度、適配性，再決定到底基於哪一類 Skills 去做二次開發、修改和擴展。這些其實也考量用戶的產品思維。

三、Kimi Claw 使用觀感：AI 執行力加強，指令就是生產力

現在的現階段 Kimi Claw 的核心價值，只是降低 OpenClaw 的部署門檻，讓國內用戶能快速接入。但產品本身不自帶場景、不自帶技能，更像是一個「轉接口」，而非「成品」。

我們在體驗過程中同樣發現，儘管 Kimi Claw 底層調用的雖然也是 Kimi K2.5 模型，但它是「裸模型+原生 OpenClaw」的組合，沒有繼承 Kimi 官網版經過搜索團隊深度優化的多輪搜索、內容強化、自動糾錯等能力。

換句話說，官網 Kimi 好用，是因為背後有專門團隊對模型在用戶高頻場景上做了大量優化、自動補全能力；而 OpenClaw 環境裡接入的「裸」模型，更接近直接調用 API，沒有進行專門優化。

深度體驗後我能明顯感知，使用 Kimi Claw 和使用傳統 AI、普通 Agent 產品的核心差異，集中體現在 AI 執行力與指令重要性兩大維度，這也是使用這類產品的關鍵邏輯。

首先在執行力上，Kimi Claw 能在你不使用電腦時，同樣能夠執行任務，而非傳統用戶給出指令，然後一直等待任務完成的模式。我甚至可以告訴 Kimi Claw 這個指令在什麼時候執行，等我開機時能直接看到每一次定時輸出的結果。但同時也提醒我，對一些體驗性的應用記得設立停止終點，減少不必要的資源消耗。

其次在指令上，過去我與 AI 的指令都會比較簡潔、直擊問題，當 AI 給出的解決方向不對時，再繼續調整。但 Kimi Claw 每一次運行復雜指令的時候，都會調用大量 Agent 協助，消耗的 tokens 也會成倍上漲，因此在給出指令時需要明確操作方式，權限範圍、執行路徑以及安全性和成本控制。

比如說，過去我查詢新聞時的指令時「給出 10 條有關 OpenClaw 的新聞線索，並告訴我其新聞關注價值」，現在我給出的指令則是：

作為信息檢索專員，你擁有使用網絡搜索工具的權限（限用 web_search 和 web_open_url，禁止訪問需登錄的付費新聞庫），但需在以下約束內執行：1) 先執行關鍵詞'OpenClaw 最新動態'搜索，僅獲取前 5 條高權重結果（優先技術媒體和官方博客，排除論壇水帖）；2) 分析每條的新聞價值時，嚴格限定在'技術突破'、'商業影響'、'安全隱患'三個維度，每個維度用一句話概括，禁止展開論述無關背景；3) 全程禁用瀏覽器自動化點擊和深度爬蟲技能，避免觸發反爬機制和額外 token 消耗；4) 輸出格式為表格：新聞標題 | 來源 | 關注價值標籤 | 簡要依據（≤30 字/條）；5) 若搜索結果不足 10 條，立即停止補充搜索，直接按實際數量輸出，禁止為了湊數發起二次 broad search。預計 token 預算控制在 8K 以內，發現路徑偏離時立即終止並彙報而非自行修正。

多數情況下，我甚至會讓 AI 優化一下我的指令表達，然後再遞給 Kimi Claw。只有給出具體、準確的指令，才能在合理的 token 消耗範圍內獲得最佳成果。甚至，不少公開論壇上，專門為 OpenClaw 準備的 Skills 庫也能夠幫助用戶更好地上手一些熱門應用玩法。

精準、具象的指令，是在合理 token 消耗內獲得優質結果的前提，使用 Kimi Claw 的過程，本質就是用戶在模型能力、輸出結果、使用成本之間做權衡的過程。

Kimi Claw ｜圖片來源：極客公園

最後是，調教 AI。

即便你快速搭建好的一個 AI 應用之後，你會發現這個 AI bot 並不會一開始就好用。它對於諸多指令的劃分，任務的合併其實與人類的理解會有比較大的差異，你仍然需要一輪又一輪的指令調教去探索產品的邊界。尤其是，很多信息源的接口並不完全對外公開。這其中，想要真正做好信息權的接入和讓渡都不是一件易事。

說到底，目前 Kimi Claw 展現出來的應用效果，絕不是一個簡單的 Chatbot 之類的 AI 應用，擁有許多 AI 功能供用戶直接使用，而是一個需要用戶理解開發過程，並且能夠在諸多綜合權衡後做出選擇的開發者工具。只不過這個開發者工具能夠支持一些簡單化的自動化部署。

自動化 AI 依然有發展空間

儘管 OpenClaw 從 2026 年開始徹底點燃了人們對自動化 AI 的想象，但從近期頻發的安全事件與新產品實測體驗來看，OpenClaw 至今仍只是一把鑰匙、一個契機，而非最終答案。

無論是可落地的真實場景，還是可規模化的商業化路徑，AI 行業至今仍未走出一條清晰、成熟的路線。與之相對的是，市場在一輪又一輪的熱度炒作中不斷抬高對 Claw 類產品預期，甚至吸引了大量普通用戶去嘗試超出自身能力的高風險操作。

可以確定的是，自動化 AI 從 AI 誕生第一天起就被行業重視，但 OpenClaw 以及 Kimi Claw 這種雲端託管形態，能否跑出真正成功、可規模化的產品，依然存在巨大的待驗證空間。尤其是現在這類 AI 工具會直接拿到修改你終端、文件的權限。

在早期大家對 AI 的能力邊界還不清晰，很多新手小白直接把權限放開，很難想到做安全限制以及二次權限確認。把這麼高的操作權交給 AI，本質上也是系統風險直接開口。這也是為什麼，這類產品想真正規模化、商業化，安全和權限治理，會是比「能力強不強」更難邁過去的坎。

從直接與大模型對話，到與單一 Agent 交互，再到與 Agent 集群協作，再到如今 OpenClaw 的使用方式，行業在同一段 AI 能力基礎上，衍生出了大量功能相似、路徑不同的嘗試。這恰恰說明，整個行業仍處在 AI 功能探索期，除了 ChatGPT 這類成熟穩定的交互範式之外，人們對於 Agent、Claw 等新形態的使用邏輯、邊界與價值，仍在集體摸索。

或許，要等到 2026 年走完，我們才能真正看到一批穩定、可用、具備真實價值的自動化 AI 應用落地。