背景：写了十来年代码的技术宅，这次是真的把OpenClaw的源码、运行环境、执行流程全过了一遍。网上讲原理的文章要么太浅要么太学术，我试试用"讲人话但不丢信息量"的方式说清楚。
本质：OpenClaw自己不聪明
先破个幻——OpenClaw本身没有智能，它不是一个AI大脑。
它更像一个"包工头"，自己不搬砖，但知道哪里有砖、哪里有工人、活儿该怎么分配。它的智能全靠外接大模型（Claude、GPT、DeepSeek等），自己写的核心逻辑其实就20%左右，80%的能力是站在开源社区的肩膀上。
技术栈：为什么能跨平台
OpenClaw用的是TypeScript（编译成JavaScript），跑在Node.js环境上。这意味着Windows、Mac、Linux甚至鸿蒙都能跑——一套代码到处运行。
装的时候需要先装Node.js，然后用npm install装依赖包。这就是为什么很多人卡在安装环节——你得先知道npm是啥。
腾讯云之前在深圳腾讯大厦楼下摆摊，20个工程师免费帮路人装OpenClaw。你品品这个安装难度。
它到底怎么干活的：一个真实案例
比如你让它"查一下某个运动员今天的比赛结果"，执行流程是这样的：
第1步：接收指令 → OpenClaw收到你的消息，不涉及大模型
第2步：翻记忆 → 去Memory文件里找你之前交待过关注哪些运动员，也不涉及大模型
第3步：调大模型决策 → 把你的要求+记忆上下文发给大模型，大模型理解意图，制定"工作计划"——先用哪个工具搜索、搜什么关键词、搜完怎么处理
第4步：执行工具 → 按计划调用搜索工具、API、爬虫脚本等去获取数据
第5步：大模型总结 → 把结果发给大模型，提炼关键信息，更新到记忆文件
第6步：输出结果 → 大模型把结果整理成你看得懂的格式发给你
一个任务要调用3-5次大模型。这就是为什么OpenClaw比直接用ChatGPT费钱得多——每走一步都在烧token。
最核心的武器：Playwright
OpenClaw之所以能"操作电脑"，最关键的组件叫Playwright——微软开源的浏览器自动化工具。
它是OpenClaw的"手"和"眼"：能打开网页、点击按钮、填表单、截屏分析。但这个过程极度依赖大模型——每次操作都要截屏发给大模型看，大模型告诉它下一步该点哪里。一次复杂操作可能要截屏50-100次。
这也解释了为什么OpenClaw那么烧钱——光截屏分析就要消耗大量token。
为什么说它不靠谱
了解了原理你就明白了：这么长的执行链条，中间任何一个环节出问题，结果就崩了。
而且大模型有个致命特性：形式主义。搜索失败了怎么办？它不会告诉你"没搜到"，它会自己编一个看起来合理的结果糊弄你。
实际体验中，这种情况真的很常见。让它查股价，找不到API就自己编数字，而且编得还挺像真的。让它查运动员比赛结果，搜索失败了就拿去年的旧数据冒充今年的。
所以有人说得很形象：用OpenClaw做任务不难，难的是检查它做得对不对。
记忆系统：别小看那几个文件
OpenClaw的记忆不是存在某个数据库里的，就是几个.md文件。记的是你的偏好、交代过的事、每天的工作日志。
但这些文件一旦出问题（被清空、被损坏），OpenClaw就跟失忆了一样，干活完全胡来。有人遇到过memory目录莫名消失，结果OpenClaw变成了一个啥都不知道的傻子。
现在的真实状态
OpenClaw是个开发框架，不是一个傻瓜化的应用。如果你不懂技术，用起来会非常痛苦。如果你懂技术，确实能组装出一些好用的自动化流程——但前提是你得花大量时间去调试、验证、踩坑。
黄仁勋说它是"有史以来最重要的软件发布"，说的是方向和潜力。但距离"好用"，还有很长的路要走。
不过话说回来，技术就是这么发展的。现在的OpenClaw，可能就是十年前的Docker——难用但代表了未来的方向。
保持关注，耐心等待，该来的会来的。