史上“最大龍蝦”發佈:OpenClaw 2.0要解決Agent的三大難題

還是那個經常會掛的“手搓感”龍蝦嗎?沉寂了近兩個月之後,8月31日,OpenClaw正式發佈v2026.8.1,團隊直接把它稱為“OpenClaw 2.0”。按照官方披露的數據,這是OpenClaw誕生以來規模最大的一次更新:共有933名貢獻者參與,其中569人是第一次為OpenClaw貢獻代碼,累計涉及超過1.6萬個Pull Request。OpenClaw團隊成員Hannes Rudolph稱,單這一個版本包含的PR,就接近項目歷史全部合併PR的50%。在2.0之前,它曾經在230天裡發佈106個穩定版本,大多數版本之間只隔一兩天。但從7月中旬的2026.7.
1之後,OpenClaw突然停更了接近7周。團隊原本準備8月18日上線新版,最後一天又臨時宣佈延期。原因是測試過程中發現,新用戶安裝已經基本沒有問題,但老用戶從2026.7.1以及更早版本升級時,仍然可能把原來的Agent配置搞壞。這也是OpenClaw過去最著名的問題,功能更新極快,Agent什麼都能幹,但你永遠不知道下一次升級之後,它還能不能正常啟動。現在,OpenClaw決定用一次史上最大重構,解決自己過去半年留下來的技術債。有意思的是,官方甚至說,他們一開始壓根沒想做2.0,這就是博客標題《OpenClaw 2.0, Accidentally》裡為什麼用了“Accidentally”。
本來只想簡化安裝,最後把OpenClaw重做了一遍 OpenClaw團隊最初並沒有打算做2.0。兩個月前,他們只有兩個目標:簡化安裝,以及把更像管理後臺的Browser App做成真正可以長期使用的Agent界面。但很快,團隊發現問題遠不止UI。OpenClaw過去更新極快,Session、Memory、Plugin、Automation、Gateway和不同設備之間已經積累了大量兼容問題。只換一層界面,新用戶可能更容易上手,但老用戶一遷移數據,Skills和Automation,系統仍然可能出問題。於是改動一路深入到底層。最終,2.
0幾乎重做了安裝、消息、Memory、Skills、模型管理、Automation、瀏覽器、原生客戶端、Plugin、安全和Session系統。官方稱,這次開發規模甚至超出了原有發佈基礎設施能夠承受的範圍,連發布流程都一起重構。這背後意味著,OpenClaw已經不能再按照一個極客項目的方式運行。它剛爆紅時,“折騰”本來就是產品的一部分。Peter Steinberger甚至曾經故意不把安裝做得太簡單。他解釋,希望用戶認真思考:當你把一個擁有如此大權限的Agent裝進電腦時,究竟意味著什麼。
但現在,新版會自動檢測電腦已有的ChatGPT、Claude訂閱、API Key和本地模型,大量設置被移出首次安裝流程。思路是先讓龍蝦跑起來,再讓它自己幫助用戶繼續完成配置。OpenClaw開始主動降低門檻,不再只服務願意改配置文件的開發者。解決養一隻龍蝦最痛苦的三個問題 2.0最重要的變化其實可以歸結為三件事:記憶、持續運行和權限。首先是Memory。OpenClaw過去的問題不是不會幹活,而是用了幾周以後,你會發現很多事情仍然需要反覆解釋,不同Session之間的信息容易斷掉。
新版加入Active Memory,可以重新調用同一個Agent過去私人會話中的相關信息;Grounded Dreaming則會在後臺處理歷史Session,把真正值得保留的信息整理進長期Memory。Peter透露,新版還刪除了一套重複的Memory系統,砍掉大約5萬行代碼,只保留統一體系。他同時承認:Memory這個問題還沒有任何人真正解決。OpenClaw現在的做法,是把“過去發生過什麼”和“什麼值得長期記住”分開。更進一步的是Automatic Self-learning。Agent完成任務後,可以總結可複用經驗,通過安全檢查後形成新的Skill,或者改進已有Skill。
這也正是被戲稱為愛馬仕的Hermes Agent此前快速吸引用戶的能力之一:Agent不僅完成這一次任務,還把完成任務的方法留下來。第二個變化,是Session不再被困在一臺電腦裡。Peter透露,過去兩個月團隊一直在嘗試一件有些套娃的事情: Build OpenClaw with OpenClaw。一開始大家仍然各自在本地使用Coding Harness,後來逐步遷移到共享Agent team.openclaw.ai。這個Agent知道團隊成員分別在做什麼,可以調度不同Session和機器,其他成員也可以直接進入已有Session繼續工作,不必重新複製Prompt、代碼和上下文。
Peter形容:“多人一起寫代碼,再加上節點和雲端 Session 帶來的近乎無限算力,已經徹底改變了我們做開發的方式。” 他甚至覺得傳統的本地Coding Harness已經“像過去的遺物”。新版裡,Session可以從Gateway移動到配對電腦或者Cloud Worker,工作空間和上下文一起遷移;雲機器空閒後關閉,需要時再恢復。Peter的目標是:Gateway作為長期在線的大腦,電腦、手機以及臨時雲服務器都只是可以動態調用的Node。所以OpenClaw 2.0已經越來越不像一個單純的本地Agent,更像一個Agent Runtime。第三個問題是權限。
OpenClaw最吸引人的地方,就是它能訪問瀏覽器、文件、郵箱、Shell,甚至控制真實設備。但能力越強,風險越大。2.0增加Private Credential Request,密碼和API Key可以通過遮罩窗口輸入,不進入聊天和模型上下文。Automation也增加更細的審批機制:固定任務可以持續授權,但任務或者操作發生改變,就需要重新確認。Plugin安裝會展示來源、版本和具體能力,未知來源且能夠執行代碼的插件需要額外審批;另外還有Session Permission Mode、Shared Credential Store和更明確的Sandbox策略。
這些功能沒有Self-learning那麼吸睛,卻決定了用戶是否真的敢讓Agent長期運行。為什麼龍蝦需要一次這樣的更新 OpenClaw當然談不上“涼了”。2026年6月,Peter稱全球大約已有50萬套OpenClaw系統運行;到8月底,GitHub Star仍接近39萬。但它顯然已經過了年初最瘋狂的增長期。OpenClaw最早幾乎定義了Personal Agent:一臺Mac mini、一隻龍蝦、一個WhatsApp賬號,用戶第一次看到Agent能夠長期掛在電腦裡,隨時通過手機遙控它操作軟件。但現在的競爭格局已經完全不同了。
Claude Code、Codex不斷強化長程任務和Computer Use,Hermes Agent也快速吸引了一批OpenClaw重度用戶。截至8月29日,一項跟蹤43個Agent項目的數據統計顯示,OpenClaw約38.8萬Star,過去一週新增886個;Hermes約23.8萬,一週新增3824個。Hermes受到歡迎的原因非常具體:安裝更輕,Memory和Self-learning更激進,而且升級沒有OpenClaw那麼容易出問題。OpenClaw最大的優勢,“功能多、Plugin多、接入渠道多”也成為它的負擔。7月2026.7.
1版本發佈後,Reddit很快有人抱怨:“又一次毫不意外,我的OpenClaw被升級搞壞了。” 有人稱自己的系統“差不多每隔一次更新就會壞”,還有用戶直接寫道:“這是一個歷史性的產品,但它真的應該停下來,從頭做OpenClaw 2.0。” OpenClaw團隊後來在帖子裡承認:“We fucked this up.”一個半月以後,2.0真的來了。但龍蝦還沒有證明自己已經翻盤 2.0發佈後的社區反應明顯比過去幾次更新熱烈。Multiplayer、Self-learning和Cloud Session獲得最多關注。
核心貢獻者Vincent Koc稱,這是“有史以來最大的一隻龍蝦”,單個版本包含的PR接近整個項目歷史總量的一半。但熟悉的問題仍然沒有完全消失。發佈幾個小時後,Reddit已經有人表示:“我讓它自己升級,然後它掛了。” 還有用戶稱,更新後OpenClaw在M4 Pro上陷入啟動循環,把CPU佔到100%。更有意思的是,一些用戶乾脆讓Codex或者Hermes去修壞掉的OpenClaw。團隊也承認已經發現遷移問題,並準備繼續修補。所以現在把2.0稱為“翻盤”還太早。但Peter真正想做的事情已經越來越清楚。
他正在把OpenClaw從一個“可以控制電腦的聊天機器人”,變成一個長期存在的計算層:Gateway持續在線,保存Memory,動態調度電腦和雲端資源,需要時生成或者調用不同Agent。未來Agent的基本單位,可能不再是一段Prompt或者一次Chat Session,而是一個長期存在、擁有記憶、權限、工具和計算資源的軟件實體。這也是OpenClaw 2.0真正值得關注的地方。記憶能不能積累,Session能不能遷移,權限能不能控制,資源能不能調度,以及升級以後它還能不能正常工作。這些問題越來越接近Agent真正進入日常使用後的競爭核心。
至於龍蝦能不能重新拉開差距,還要先通過一個最現實的考驗: 下一次升級,別再把自己搞掛。
Related
相關文章
Google 開源 Harness²:遞迴代理程式框架,無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²,這是一個遞迴代理程式框架,透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言,重點很簡單:你的代理程式無需更強大的模型也能進步。重點摘要:規模為框架而非模型,訓練參數為0,包含8個可編輯的框架元件,版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv,模型呼叫則透過Vertex AI。GPU需求未公開。效能方面:一次改良步驟即可在3個基準測試中,提升所有4個模型與框架組合的表現。最佳成果:GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7(+11.5點);最差表現:GLM-5搭配Codex在JobBench上僅提升1.2點(23.6至24.8)。什麼是Harness²?它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI:2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作,推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型(VLA)。該模型僅使用公開數據進行預訓練,並配備了輕量級的近期記憶功能。在三個分佈外基準測試中,僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊:規模:2.4B 參數(2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家)。記憶涵蓋最近 3 幀,間隔 1 秒。運行環境:在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入,編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供,暫無量化版本。性能:在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中,為公開數據預訓練的 VLA 模型中最優;在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017,DeepSWE 得分 77.0,並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017,這是其 V4.1-Flash 模型的新檢查點,現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash,並稱之為性能與成本的帕累託改進。同時,DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言,這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要:骨架參數 552B,另加 196B 的 Engram 參數;預填充階段每 token 啟用 8B 參數,解碼階段啟用 16B 參數;上下文長度達 1M tokens,最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重(763B 參數,FP8)採 MIT 授權。
2026年20款Jev替代方案:挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev,這是一款決策模型而非聊天機器人。使用者可定義允許的答案,Jev將回傳標籤、分數或是否的機率。約4週內,至少20款Jev替代方案相繼問世,來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要:規模範圍從287M(GLiNER2.5-multi-Decide)到35B-A3B(Mapika Decider),Jev規模未公開。執行環境:Von和Laya等編碼器可在CPU上運行,4B適配器適用24 GB GPU或32 GB Mac。效能:多數開源模型在困難推理上落後Jev,但在狹窄分類任務上數款與之匹敵或超越。最佳表現:Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億;阿里加碼AI硬件品牌,天貓、速賣通聯動;國行版蘋果AI有望12月上線,百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障!DeepSeek發放宕機補償,有人拿到3000元3.阿里加碼AI硬件品牌,天貓、速賣通聯動4.國行版蘋果AI有望12月上線,百度、阿里參與合作5.可靈AI新一代模型Kling 4.