你真的需要养一只龙虾(openclaw)吗

OpenClaw背景

从OpenAI将GPT3予以开放开始，大模型进入到大众的视野范围之内了。最开始的时候AI仅仅展现出学识渊博方面的表现，而到了如今它已经具备了一定程度的思考能力。然而其存在着致命的弱点，那就是它仅仅能够进行语言方面的交流，却没有办法进行实际操作。Function call以及MCP出现之后，使得AI拥有了操作的能力，这就如同大脑生出了手脚一般。

OpenClaw组件

把跟AI聊天的场地转移到聊天工具，借助接口对接达成，这就是Channels，Skills是markdown文件，如同说明书那样指导AI使用工具，它属于MCP扩展，Memory賦予大模型记忆功能，分为短期和长期记忆，其中短期是将聊天记录进行打包，长期记忆的实现方式比较复杂。

当运用记忆组件之际，要把对话当作上下文发送给AI，这引发了两个问题。其一，大模型的上下文长度是受限的，在处理长任务方面存有困难；其二，重复的对话会迅速耗费token，进而使得成本有所增加。

Skills局限性

文件Skills的内容简短，仅仅能够起到提示的作用，大模型需要提前掌握对工具的使用才会将其利用起来。大多数技能使用需求本地模型难以满足，补充工具说明又会使token消耗大幅增加。

技能开发难题

纵使大模型具备自主开发简单技能的能力，比如说解析语音，然而复杂技能的开发却存在困难，在经过几次迭代之后，上下文容易达到限制，仅仅只能起到辅助作用。当前大模型是基于接口进行操作的，很难像人那样基于视觉去解决问题。

发展趋势与应用

主要凭借大模型自然语言理解能力的OpenClaw，实现简单需求以及进行零代码编程，其发展趋势在于让小模型去做专业性事务，通过分工明确来提升效率并降低成本，就像记账系统那样，能够将任务分开由小模型予以完成。

你认为OpenClaw往后能不能冲破界限，达成更繁杂的功用呀？期待在评论区域留言，可别忘记给本文点赞以及分享哟！

相关标签： # AI # openclaw # MCP # 技能 # 记忆