前两天听了一期重轻老师的播客OpenClaw 所预示的,嘉宾是内核恐慌的吴涛老师，两位都是我很喜欢的主播。话题如标题所言，是谈论近期大火的 openclaw 的。

重轻老师上来就说遭老罪了。当时还没有听到具体过程，但先感同身受了，因为我也感觉遭了很多罪。听到实际内容时，发现他遭的罪比我还要多一些，并且程度更深。

首先是一个我没遇到的问题，就是他首次安装时没有参考官网上的步骤，而是直接去问大模型，导致首次安装就遇到很多困难，耽误了四五个小时。

接下来是龙虾会把自己给改坏的问题，我也很容易遇到，不过重轻老师遇到这类问题的方法是重装一次，并因此反复重装了十几二十次。而我没怎么重装过，基本上是让opencode cli去给修，多数情况下能很快定位到问题并修好。

在折腾这东西的过程中，我感觉遭过的最大的罪，就是龙虾一直在承诺进度，但是始终没有真正的推进，一轮一轮问下来让人感觉心力交瘁，仿佛在跟客服交流。

也正是由于这个问题，在折腾了两天之后我直接删除了龙虾，并重新装了一个更简洁的，叫 tinyclaw，这个软件没有发生那种一直程度进度但实际空转的场景。

听到重轻老师也遇到这个问题之后，我意识到这不是个案，可能是背后有什么统一的机制。于是下载了两个项目的源码，分别用Claude Code 和 Codex去阅读源码，并给出分析报告。

最终拼凑出的结论大概是这样。

openclaw：可插话的持久会话模式

• 每次用户消息触发一次 LLM 调用。
• 历史会话被加载，支持流式输出。
• 允许“执行中插话”，新的用户消息可被注入到正在生成的 LLM 流里。

优点： 交互体验强、响应实时、像“活着的助理”。

风险： 执行期被追问时，如果没有结构化状态，模型不得不“凭语感回答进度”，容易失真。

tinyclaw：一次性子进程

• 每次消息触发一次独立 CLI 子进程。
• 子进程执行完毕后一次性返回结果。
• 执行期间用户消息排队，无法打断当前任务。

优点： 输出更“事实化”，不容易在执行中被迫“报进度”。

风险： 实时性弱、用户感知等待更长。

而至于进度回复会失真的原因也很简单，系统设计让它需要在没有事实来源时被迫回答问题，而模型被训练成了一个说话看起来有帮助的样子。因此就造成了重轻老师所说的那种，大厂中层里话术的情况。

两位老师拿 openclaw 现在的状态跟 stable diffusion 1.5 发布时的样子做类比，目前还太早期了，需要用户学习的东西太多，门槛太高， 现在什么都不做等18个月的话，会获得好用的多的产品，也不会失去什么。

毕竟，现在大多数人不需要一个运行在本地的AI Agent，包括我。

不过我大概也还是会继续使用，毕竟那台小主机闲着也是闲着，拿来瞎折腾一下也算某种价值。