春节前我开始试用 OpenClaw，前后折腾了差不多两周。
这段时间里我最大的收获，是我第一次比较清晰地体会到，OpenClaw 这类东西和 ChatGPT 在本质上确实不太一样。
ChatGPT 更像一个很聪明的“顾问”。它告诉我应该怎么做、帮我找信息、帮我写文字或写代码，但它通常不会替我把事做完。
OpenClaw 则更像一个“个人 AI 助手的雏形”。因为你可以把一台电脑的权限交给它，理论上你能在电脑上完成的事情，它也能替你完成。
当然，这个“理论上”后面有很多坑。于是这两周我给自己定了个小目标。我不看营销故事，只看它能不能在我这台 Mac mini 上把事做完。
因为我刷到的标题常常是这种风格。
标题写得很热闹，我也会心动。但如果没有证据，我读完通常只会更焦虑，好像别人都在用 AI 捞钱，只有我还在写 TODO。耳听为虚，我准备亲手一探究竟。
第一天我干的事情很简单。我在 Mac mini 上把 OpenClaw 装起来，按照官方文档里的 pnpm 安装方式一步一步操作和配置。
装好之后就得配置模型。OpenClaw 的 token 消耗很猛，我那时就想把成本压下来。正好我有一个 Antigravity Pro 的账号。Antigravity 是 Google 推出的 AI 编程编辑器，我当时用它的 OAuth 授权方式接入模型。我一开始就选了 Opus。
前两天用下来，我对 Opus 的体感很明确。它做事干练，说完就干。用了两天之后突然提示模型需要 cooldown。我起初以为只是用量到了，等等就好。结果一直不可用，我才意识到事情没这么简单。回头一看，Antigravity 账号已经被封了。
原因我就不细写了，总之和我折腾反代之类的配置有关，踩到了 Google 的政策红线。教训也很直接。在成本压力下走“省钱捷径”，学费可能会用更贵的方式交。
后来我把模型切换成 Codex。Codex 的体感更磨磨叽叽一点，像是欲拒还迎。
模型这边先稳定下来之后，我把它接到 Telegram 机器人，然后给它发了一条很朴素的指令。
把我当前的电脑屏幕截屏给我。
它真的把截图发回来了。
听起来很小儿科，但那一刻我突然明白了。它做的是动作，截图就是结果。从那一秒开始，我才把它当成一种不同于聊天工具的东西。
兴奋感很快就被现实按住了。为了让它更像“真的能操作电脑”，我还装了 peekaboo 这类技能。peekaboo 的作用很直白。它可以通过截图理解界面，再用 macOS 辅助功能去点按钮、输入内容。但很快我就发现，UI 操作远比命令操作更消耗 token，也更脆。
这套链路的天花板不在“会不会点”，而在“会不会点歪”。只要 UI 有一点点变化，或者它识别错了一个控件，就可能出现各种微妙的失败。
所以我后来给自己的偏好很朴素。能用命令完成的，就尽量别让它点 UI；真要点，也把预期放低。它更多是在“帮我尝试”，很难做到“稳定代劳”。
接下来我做了一次更“硬核”的验证。我想看看它到底能不能把一条链路跑完。光在对话框里给我“看起来很对”的建议，对我来说不算。于是我让它定时抓取 Hacker News、GitHub Trends 和几个 remote job 平台，对内容做分析和总结，生成页面，并部署到 Vercel。最后的成果是一个小站，链接在 这里。
我更在意的是它能不能把整条流程跑完，这个站本身反而没那么重要。传统做法里，如果我自己用 Python 写抓取，第一步就得人工打开网页看结构，比如哪些页面特征是稳定的、分页怎么走、限流和反爬怎么处理。抓完之后还要写清洗和抽取规则，再把内容变成可读的摘要，最后才轮到渲染页面、部署、定时跑。光想到这串活，就已经够我拖上好几天了。
而这一次，它确实做到了。抓取、分析、编写代码、提交代码，都是它自己定时完成的。
它有没有让我“月入两万刀”？当然没有。我也从来不指望这种故事。
但它至少给了我一个足够实的证据。对我来说，这类个人 AI 助手，并不是只能停留在“聊一聊”或者“写写代码片段”。在一定条件下，它是可以把工作当成工作去做的。
然后我又想试试它能不能当“外置记忆”。为了避免主账号 A 被它误操作，我在这台 Mac mini 上用了 Apple 账号 B。我的设想很简单。我想让它把内容写进 B 的 Apple Notes，再用共享功能把 Notes 共享给 A，这样我在手机和电脑上都能看到。
Apple Notes 这条路“能走通”，但不够自动。我最典型的一次需求大概是这样。
复盘一下最近的聊天，把重要事件汇总成一个简报记录下来。
我等了很久，怎么也没在共享的 Apple Notes 里看到。后来我登录到这台 Mac mini 上，点开 Apple Notes 才发现，它没有写到 iCloud 的共享目录里，而是写在了本地的某个目录里——其他设备当然看不到。
更麻烦的是，它写完之后也不会“记得自己写过什么”。如果我希望它更新原来的内容，往往得先提醒它重新读一遍，才能勉强对上上下文。
我当时有点失望，因为我期待的是那种更省心的体验。我说“你帮我把 xxx 记录下来”，或者“把这两天聊到的 xxx 汇总一下更新原来的那份”，它就能自己找到正确的共享目录，写出对的内容，并且知道下一次该往哪更新。
但现实没那么省心。它更像一个“会写字的实习生”，你得反复告诉它文档在哪、格式是什么、更新规则是什么。
也许更现实的解法，是我应该专门让它做一个“记录用的 skill”。让它固定只往那个共享目录写，固定一套格式，每次更新前先读一遍旧内容再动笔。这样它就不需要我每次都从头提醒。
做完这些实践后，我把日更定时任务都关了。原来我每天会跑三类东西，科技新闻分析、GitHub trends 分析、remote job 分析。
原因很简单。我对这几个任务并没有实际需求，当时更多是想看看它能跑到哪一步。模型用量也很快要见顶了，我浅尝辄止之后就把这些定时任务停掉了。没必要为了“尝试”每天烧 token。
从理性角度看，科技新闻完全可以直接看别人已经做好的简报；GitHub trends 也有很多人会做分析；remote job 平台更是现成的信息源。我并不需要为这些“已经有人做得很好”的事情，再额外花一份钱让 OpenClaw 重新做一遍。
所以我现在的做法是，日更任务先关掉，特定场景需要它出手时再用它。
这里我想补一句。我把定时任务停掉，主要是我这段时间确实没什么值得它每天接管的需求。OpenClaw 在我测试的范围内是可用的。
相反，它已经给出了一个个人 AI 助手的雏形。AI 不仅仅局限在聊天和编写代码，它是可以延伸到“接管一台电脑、跑完一条流程”的。
目前它仍然受限于模型能力、响应速度、稳定性，以及最现实的成本，而不能达到我想象中的预期。
如果有一天这些限制被进一步推开，比如 token 不再敏感、权限边界更清晰、模型响应足够快、记忆足够可靠，那么类似的个人助理就可能从“我偶尔拿来用”变成“我日常真的离不开”。
到那时，AI 也许会更自然地进入那些更具体、更生活化的场景，比如用 IoT 控制设备、定时巡检摄像头、自动开窗、自动喂食、自动施肥……
我不知道那一天离现在还有多远，但这两周至少让我确认了一件事。这个方向不是营销故事，它确实有一条可以跑通的路。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。