Kimi Claw实测：在OpenClaw热潮中，自动化AI依旧是寻路者的时代！

2026年，小龙虾引发的AI热潮

2026年的时候，一只小龙虾在AI圈引起了不小的风波，之后的OpenClaw仍在持续发酵。

最近，国内不少模型公司纷纷推出了类似OpenClaw的产品，比如Mini Max的MaxClaw和Kimi的Kimi Claw。这明显说明，OpenClaw所展现的强大执行力，以及开发者们对其结果的开放态度，给市场带来了新的价值期待。

在这些新推出的产品中，Kimi Claw有着清晰的定位。它并非完全自研的Claw，而是基于OpenClaw的云服务，数据托管在Moonshot云端，并且直接整合了5000多个ClawHub社区的技能。

Kimi Claw的好处在于稳定性高，部署简便，上手容易，依托于云技术，可以实现全天候在线服务。只需在Kimi官网点击一下，就能快速部署Kimi Claw。

Kimi Claw 一键部署｜图片

换句话说，Kimi Claw并不是一个全新的独立产品，它实际上就像是为用户准备好的虚拟机，让用户可以直接通过Kimi访问运行在云端的OpenClaw环境。

它并没有删减功能或进行额外封装，使用体验与本地部署OpenClaw几乎一致，唯一的区别在于它为用户完成了部署和配置的步骤，但对于OpenClaw部署后的调试过程并没有任何处理。如果你不懂得如何正确给出指令和合理安排任务，上手的难度依然不小。

对那些从未接触过OpenClaw产品的用户来说，这可能导致一些预期上的误差，他们可能会认为接入OpenClaw就能实现自动化AI执行，但实际上只是多了一个更方便的接口，后续仍需自己探索很多设置。因此，提供一些热门的预设技能将成为许多AI模型厂商接下来重点发力的领域。

目前，Kimi Claw仍在Beta测试阶段，仅对Kimi Allegretto会员开放。

一、30分钟搭建自动化办公工作流

我们发现，许多用户和我一样，在接入OpenClaw后，仍然对AI的执行能力边界感到困惑，不太清楚它能做什么，不能做什么，同时也不知道从何下手。

其实，无论是本地部署OpenClaw，还是接入Kimi Claw这样的外部入口，整体的使用思路可以分为“从零开始搭建应用”和“从半开始优化应用”这两条路径。我们分别体验了这两种方式，首先选择从零开始开发一个应用，优化工作流。

在体验Kimi Claw之前，我先思考自己哪些工作可以被打造成固定的工作流，或者在我的工作流中有哪些任务可以借助AI的力量得到改善。在此之前，我只需要考虑与哪种类型的AI工具互动能获得更好的结果。

我选择了记录工作日记这一环节，结合每日的工作流，包括工作记录、总结和反思，最终输出一份当日的工作报告。过去，这份报告都是我手动填写的，但现在我希望能让AI自动抓取信息，并通过对话式交互形成表格。

我将大致想法交给AI优化指令，最终从角色定义、技能配置、数据接入、核心工作流、多媒体表格结构、记忆重点、权限与边界等多个方面给出了复杂的指令，提交给Kimi Claw。

Kimi Claw很快分析完指令，和我确认执行细节，比如基础信息、飞书权限、数据存储和触发方式。随后我们开始在飞书平台上搭建应用，并将App ID和App Secret提供给Kimi Claw。

在飞书搭建表格时，我让Kimi Claw直接给出表格样式，再交给飞书内置的AI系统，让其自动生成表格。

Kimi Claw搭建的应用页面之一｜图片

经历了一些找不到协作者、应用页面、ID等问题后，约半小时后，我终于收到了来自Kimi Claw的第一条消息。

搭建这个机器人比我预想要快很多。遇到问题时，我会直接告诉Kimi Claw我卡在了哪一步，然后从它给出的方案中选择合适的执行思路。如果没有合适的方案，我会继续询问Kimi Claw其他的解决方法。

Kimi Claw 一键部署至飞书｜图片

在搭建工作流的过程中，跨平台的能力显得尤为重要。在接连开放了12条飞书权限后，我最终搭建的AI应用并没有达到理想状态。我希望AI能够通过读取我与他人的聊天记录来梳理工作任务，但经过几轮尝试后，AI应用获取的群聊列表还是为空，AI表示只能读取自己参与的会话，无法读取群聊列表。

整体体验下来，我觉得Kimi Claw对一些常见的工作流平台，比如飞书和钉钉等开发者工具比较熟悉，基本上给出的指令都能直接找到对应的执行方式，即使是零基础用户也能理解并执行。不过，这类企业应用对于自身的信息权限相当重视，开放配置的条件也比较严格，或许想要AI真正融入工作流，不仅需要依赖Kimi Claw这类开放者的工具，还要等待更合适与AI融合的应用出现。

而且，在运转过程中会出现不少bug，比如用户与Kimi Claw的交互任务和正在运行的Agent任务会被误统计进个人工作安排。学会修改bug也成为调教AI的一个关键环节。

如果选择从零主动定制自己想要的应用或功能，用户需要理清清晰的操作路径，具备基本的产品思维。要明确信息输入与输出两端接口的开放程度和连通性，同时控制好每次调用与运行的成本。

在这次工作流搭建中，整个过程消耗了大约15k-25k的token，按照Kimi的计价方式，花费大约1元。每天大约花费0.53元，一个月下来大约在15.9元左右。

二、自动化AI新闻助手搭建实测：预制应用上手快，修改有成本

除了让AI定制化打造我设想的应用外，我还体验了一些“预制”的应用，比如让Kimi Claw自动抓取新闻。

在进行第一轮自动化新闻抓取任务时，我们尝试让Kimi Claw抓取某科技新闻媒体官网。当我们给出的指令是：

请监控xxxx的行业网站，总结最近一周以及未来3天内，每当有包含“AI”关键词的新文章发布时，请自动抓取标题、摘要、发布时间，并将这些内容汇总到一个在线表格。同时，请根据我设定的风格进行爆款文章分析。

Kimi Claw会询问我们具体的配置信息，但在第一轮新闻抓取任务中，我们发现很多官网都有反爬虫的设置，导致信息监控变得困难。Kimi Claw也难以提供准确的抓取范围，因此出现了空转的情况，而每一次空转都会消耗大量tokens。

该监控任务从今天凌晨4点到11点运行了大约8次，消耗了约180K tokens，花费了约3.68元。如果按原设置每小时运行一次，每天的成本约为11元，每月接近330元。

从手动到自动：定制指令的新尝试

后来，我们咨询了一些相关专家，决定不再自己编写指令，而是直接从ClawHub等网站下载了相关的指令包。基于这些基础指令，我们又进行了定制，添加了一些最新的新闻内容。

将Clawhub的文件应用到Kimi Claw｜图片来自：极客公园

接着，我们针对中文媒体的筛选条件，信息发送的频率和时间进行了详细设置。最终，我们得到了一个相当不错的AI新闻抓取结果。

Kimi Claw的自动抓取结果｜图片来自：极客公园

显而易见，如果你只是被动使用现成的应用，那么关键在于学会筛选出优质的技能包，并根据自己的实际情况去调整和优化现有功能。

不过，要是想对这些现成的AI应用进行个性化修改，常常又会回到从零开始搭建应用时遇到的各种挑战，开发和优化的难度也相当大，最终的效果也未必如人所愿。

在这个过程中，用户需要投入大量时间去体验不同产品中的各种技能，看看哪一个更便捷、适合，才能决定基于哪种技能进行二次开发或修改。这也考验了用户的产品思维。

三、Kimi Claw的使用体验：AI执行力提升，指令就是生产力

目前Kimi Claw的核心价值在于降低OpenClaw的部署门槛，让国内用户可以更快地接入。但这款产品本身并没有内置场景或技能，更像是个“接口”，而不是现成的“产品”。

在体验中，我们发现虽然Kimi Claw底层使用的也是Kimi K2.5模型，但它的组合是一个“裸模型+原生OpenClaw”，并没有继承官网版经过搜索团队深度优化的多轮搜索、内容增强和自动纠错能力。

换句话说，官网的Kimi之所以好用，是因为有团队在用户频繁使用的场景上进行了大量优化和自动补全；而在OpenClaw环境下调用的“裸”模型，更像是直接使用API，没有经过特别的优化。

通过深入体验，我明显感受到Kimi Claw与传统AI、一般Agent产品的核心差别，主要体现在AI的执行力和指令的重要性这两个方面。这也是使用这类产品的关键逻辑。

首先，在执行力方面，Kimi Claw可以在你不使用电脑的情况下执行任务，而不是像传统用户那样提出指令后一直等着任务完成。我甚至可以告诉Kimi Claw何时执行某个指令，等我开机时可以直接看到每次定时输出的结果。同时，也要注意对一些体验型应用设定停止时间，以减少不必要的资源消耗。

其次，在指令方面，过去我给AI的指令通常比较简单，直接解决问题，但当AI的解决方案不准确时，我会再调整。而现在每次Kimi Claw运行复杂指令时，都会调用很多Agent协助，消耗的tokens也会大幅增加，因此在下指令时需要明确操作方式、权限范围、执行路径，以及安全性和成本控制。

例如，以前我查询新闻的指令是“给我10条有关OpenClaw的新闻线索，并告诉我它们的关注价值”，而现在我的指令是：

作为信息检索专员，你拥有使用网络搜索工具的权限（限用web_search和web_open_url，禁止访问需登录的付费新闻库），但需在以下约束内执行：1) 先执行关键词’OpenClaw最新动态’搜索，仅获取前5条高权重结果（优先技术媒体和官方博客，排除论坛水帖）；2) 分析每条新闻价值时，严格限定在’技术突破’、’商业影响’、’安全隐患’三个维度，每个维度用一句话概括，禁止展开论述无关背景；3) 全程禁用浏览器自动化点击和深度爬虫技能，避免触发反爬机制和额外token消耗；4) 输出格式为表格：新闻标题 | 来源 | 关注价值标签 | 简要依据（≤30字/条）；5) 若搜索结果不足10条，立即停止补充搜索，直接按实际数量输出，禁止为了凑数发起二次broad search。预计token预算控制在8K以内，发现路径偏离时立即终止并汇报，而不是自行修正。

大多数情况下，我甚至会让AI优化我的指令表达，再递给Kimi Claw。只有给出具体、准确的指令，才能在合理的token消耗范围内获得最佳成果。还有，不少公开论坛上，专门为OpenClaw准备的技能库也可以帮助用户更好地上手一些热门应用。

精确且具体的指令，是在合理token消耗内获取优质结果的前提，使用Kimi Claw的过程，本质上是用户在模型能力、输出结果和使用成本之间进行权衡的过程。

Kimi Claw ｜图片来自：极客公园

最后，谈谈如何调教AI。

即使你快速搭建好一个AI应用，你会发现这个AI机器人并不会一开始就很好用。它对许多指令的理解和任务的合并方式，与人类理解有很大差距，你仍需要不断调教指令，以探索产品的边界。特别是，很多信息源的接口并不完全对外开放。要想真正做好信息的接入和转让可不是件容易的事。

归根结底，目前Kimi Claw展现的应用效果，绝不是简单的Chatbot之类的AI应用，而是一个需要用户理解开发过程，并在多重权衡之后做出选择的开发者工具。只不过这个开发者工具可以支持一些简单的自动化部署。

自动化AI的未来仍有潜力

尽管OpenClaw自2026年开始引发了人们对自动化AI的想象，但从近期频繁出现的安全事件和新产品的实测体验来看，OpenClaw至今仍只是一个契机，而不是最终的解决方案。

无论是可以落地的真实场景，还是可规模化的商业化路径，AI行业至今仍未走出一条清晰而成熟的发展路线。与此同时，市场在一轮又一轮的热炒中不断提高对Claw类产品的期望，甚至吸引了许多普通用户尝试超出自己能力的高风险操作。

可以肯定的是，自动化AI从诞生之初就受到了行业的重视，但OpenClaw和Kimi Claw这种云端托管的形态，能否真正推出成功且可规模化的产品，依然有很大的待验证空间。尤其是现在这类AI工具直接获得了修改你终端和文件的权限。

在早期，大家对AI的能力边界还不清晰，很多新手直接放开权限，难以想到安全限制和二次权限确认。把这么高的操作权交给AI，实际上也意味着系统风险直接扩展。这也是为什么这类产品要想实现真正的规模化和商业化，安全和权限管理会比“能力强不强”更难跨越的障碍。

从最初与大模型对话，到与单一Agent互动，再到与Agent集群协作，再到如今OpenClaw的使用方式，整个行业在同一段AI能力的基础上，衍生出了大量功能相似但路径不同的尝试。这正好说明，整个行业仍处在AI功能探索阶段，除了ChatGPT这种成熟稳定的交互模式外，人们对Agent、Claw等新形态的使用逻辑、边界与价值，依然在集体摸索中。

或许，等到2026年结束时，我们才能真正看到一批稳定、可用且具备真实价值的自动化AI应用落地。