ChatGPT 是答题家。它读题、组织语言、输出答案——写邮件、补代码、解数学题，反应快、表达顺。但它不点发送按钮，不执行 git push，不调用 POST /api/order。它的输出停在屏幕上。

Claude 是思考者。它能拆解模糊需求、权衡多步逻辑、在长对话里保持上下文连贯。但它的推理结果仍是文本：建议你“先查日志再重启服务”，而不是直接 SSH 进去跑 journalctl -u nginx | tail -20。

OpenClaw 是执行者。它把“查日志”变成真实命令，把“下单”变成支付网关调用，把“调低空调温度”变成向 Zigbee 网关发 。它不生成答案，它完成任务。

OpenClaw 的核心不是模型参数量，而是它的运行时环境。它内置轻量级 agent runtime，支持声明式动作定义（YAML 或 JSON Schema），并预置了 120+ 主流系统连接器：Slack、Notion、Salesforce、Home Assistant、Kubernetes API、MySQL、PostgreSQL、MQTT Broker……

例如，用户语音说：“把上周所有未归档的会议纪要同步到 Notion，并标记为‘待跟进’”，OpenClaw 会：

• 调用 Outlook Graph API 拉取 lastWeek && subject~"会议纪要" && !hasAttachment("归档")
• 解析邮件正文提取议题与行动项
• 通过 Notion API 创建新 page，填入结构化内容
• 设置 status = "待跟进" property 并 @ 相关人

整个流程不依赖外部调度器，全部在单次推理-执行闭环内完成。

OpenClaw 的 API 引擎不是简单封装 curl。它支持：

• 自动鉴权协商（OAuth2 PKCE、API Key 轮换、JWT 刷新）
• 错误语义重试（HTTP 429 → 指数退避；503 → 切备用 endpoint；400 → 解析 error body 并修正 payload）
• 多步骤状态编排（类似 Temporal 的 workflow，但 DSL 更贴近自然语言）

workflow: handle_customer_complaint steps:

• action: fetch_ticket service: zendesk params: {id: "{{input.ticket_id}}"}
• action: classify_sentiment model: "claw-sentiment-v3" input: "{{steps.fetch_ticket.body.description}}"
• action: escalate_if_severe condition: "}" then:

   - action: create_jira_issue service: jira params: {project: "SRE", priority: "Highest"}

  OpenClaw 不抽象“智能设备”为 REST 接口。它原生支持协议栈分层：

  • 应用层：HomeKit Accessory Protocol (HAP)、Matter SDK、Tuya OpenAPI
  • 网络层：Zigbee (via zigpy), Z-Wave (via openzwave), BLE GATT
  • 边缘层：直接对接 ESP-IDF、nRF Connect SDK 固件接口

  工业场景实测：接入某产线 PLC 的 Modbus TCP 端点后，OpenClaw 可基于实时传感器流（每秒 200 点）触发规则：

  • if temp_sensor_07 > 85°C for 3s → write coil 0x1A = 1 → send SMS to maintenance_team

  延迟稳定在 120ms 内（含模型推理 + 协议编码 + 网络往返）。

  ChatGPT 和 Claude 的输出是终结态：一段文本、一个 JSON 对象、一次函数调用建议。它们无法感知执行结果，也不能根据失败反馈调整下一步动作。

  OpenClaw 的输出是过程态：它启动一个可观察、可中断、可回溯的执行单元。每个动作返回结构化 status（success/partial/failed）、output payload、error context。后续步骤可据此分支：

  if action("send_email").status == "failed" and "rate_limit" in action.error_code: 

  action("send_slack_alert") action("queue_for_retry", delay=300)
  • CRM 场景：客户在网页表单提交“发票开错了”，OpenClaw 自动：
    • 查询订单 ID → 调用 ERP 接口作废原发票 → 生成红字发票 → 邮件通知客户 → 更新 CRM status 字段 → Slack 同步给财务组
  • DevOps 场景：GitHub PR 标题含 [prod-hotfix]，OpenClaw 自动：
    • 检出分支 → 运行安全扫描 → 若无高危漏洞 → 触发 CI/CD pipeline → 部署到 staging → 执行 smoke test → 全部通过则合并至 main

  这些不是预设脚本，而是由 LLM 动态生成动作序列，并由 runtime 校验、执行、容错。

  OpenClaw 提供三类扩展方式：

  • Connector SDK：用 Python/Go 编写新系统适配器（示例：class JiraConnector(Connector): def list_issues(self, jql): …）
  • Action DSL：用 YAML 定义原子动作（输入 schema、输出 schema、执行逻辑）
  • Runtime Hook：在 pre_action/post_action/on_failure 注入自定义逻辑（如审计日志、权限校验）

  所有扩展都热加载，无需重启服务。

  AutoClaw 专注 NLP 基座：中文长文本理解、金融/法律领域微调、私有化部署小模型（<3B）。它不碰系统调用，只输出结构化 JSON。

  NanoClaw 是边缘 agent：运行在树莓派或 Jetson 上，处理本地摄像头流、麦克风音频、GPIO 控制，做实时物体识别或语音唤醒。它不联网，也不调云服务。

  OpenClaw 不替代它们，而是作为中枢调度层：接收 AutoClaw 的语义解析结果，下发 NanoClaw 执行物理操作，再把 NanoClaw 的传感器数据喂给 AutoClaw 做趋势分析。

  某智慧园区项目中：

  • AutoClaw 解析访客语音：“我要找张工，他在 3 楼西区”
  • OpenClaw 查 LDAP 获取张工工位 → 调用 NanoClaw 播放引导语音 → 控制电梯直达 3 楼 → 启动走廊屏幕显示“张工在 A302，您已预约”

  三方组件通过 OpenClaw 的 action:// URI 协议通信，无需共享内存或网络暴露。

  OpenClaw 已开源核心 runtime（Apache 2.0）、connector registry（GitHub）、CLI 工具链（clawctl）。社区贡献的 connector 中，37% 来自国内开发者，包括：

  • 微信公众号消息推送（支持模板消息 + 事件回调）
  • 钉钉审批流触发（支持自定义审批节点跳转）
  • 华为鸿蒙设备控制（通过 HMS Core Capability Kit）

  文档全部中文优先，调试工具支持 VS Code 插件，可单步查看每个 action 的输入/输出/耗时。

  • 验证环境：用 clawctl init –demo 一键拉起本地 demo，包含 Mock Slack、Mock Home Assistant、内置测试 workflow
  • 生产接入：从一个低风险场景切入——比如自动归档 Slack 频道里的 PDF 文件到企业网盘（已有 connector）
  • 定制开发：用 clawctl generate connector –name my-crm 创建骨架，填入你的 CRM 的 OAuth 流程和 API 映射表
  • 生态参与：在 GitHub issues 标记 good-first-issue 的 connector 缺失项，PR 合并后自动获得 contributor badge

  OpenClaw 不追求通用 AGI。它解决一个具体问题：让 AI 的“知道”变成“做到”。当模型输出不再只是文本，而是真实的 HTTP 请求、SQL 语句、串口指令、CAN 总线帧——AI 就真正开始工作了。