OpenClaw 入编 OpenAI：开源不死，Agent 才刚开局

如果还不了解 OpenClaw 可以看这几篇文章：

• Agent 趋势浅思：原生化 & CLI 化
• 深度解读：OpenClaw 架构及生态
• 深度解析：Moltbot 底层架构
• OpenClaw 社区：Moltbook 硅基觉醒中...
• 初识 Moltbot（原名 Clawdbot）
• 从 Prompt Engineering 到 Context Engineering(不了解 Skills 的推荐看这篇)

“过去一个月，互联网变得有些奇怪，但也非常有趣” Peter 在 Blog 中回顾道（OpenClaw, OpenAI and the future^[1]）。OpenClaw 最初只是他在 AI 领域的游乐场项目，却意外引发了巨大浪潮。面对蜂拥而至的投资意向和让他“把这做成一家大公司”的建议，Peter 表现出了难得的清醒。

作为一名在科技圈摸爬滚打 13 年、经历过完整创业周期的老兵，他坦言自己对“再造一家公司”的剧本毫无兴趣。相比于陷入管理的琐碎，他更认同自己 “Builder（构建者）”的身份。

Peter 在博客中写道：“我的下一个任务是打造一个‘连我妈妈都能用’的智能体”。为了实现此愿景，他需要最前沿的模型权限、最顶尖的研究资源以及对安全性的系统思考——而 OpenAI 恰好能提供这通往未来的最快路径（从 ClawdBot 到 OpenClaw，Anthropic “功”不可没）。

📌

Peter Steinberger 本身也是 Claude 的重度用户，但他最终选择 OpenAI，可能是对 Anthropic 的失望吧。Anthropic 傲慢与敌意导致改名风波：

• OpenClaw 最初的项目名称是 Clawdbot（或 Clawd），以此向 Anthropic 的 Claude 致敬。
• Anthropic 并没有以此为荣，反而发出了商标侵权警告，要求他改名。这直接导致项目被迫改名为 Moltbot，最后定名为 OpenClaw。
• 社区评价：这被视为 Anthropic 缺乏幽默感和社区亲和力的典型表现。对于一个为 Claude 生态带来巨大流量的开源项目，Anthropic 选择了律师函，而不是合作。

Anthropic 是出了名的不友好，尤其是对国内用户：

• 无差别“封号潮”：Anthropic 的风控策略被公认为业界最“神经质”。许多正常付费用户（包括企业用户）因为使用了 VPN、或者信用卡归属地问题，账号会被永久封禁，且没有申诉渠道。相比之下，OpenAI 虽然也有风控，但通常会有申诉机制，且对付费用户相对宽容。
• 严格地域锁：Anthropic 对中国大陆用户的封锁是基于底层的。不仅屏蔽 IP，还严格校验手机号（甚至排斥某些虚拟号段）和支付卡。一旦检测到疑似中国关联，往往直接封杀。
• ...

甚至连马斯克都在公开吐槽 Anthropic！

Peter 的加入在社交媒体上引发热烈互动。特别提到了与他相识已久的 Tibo，并用一种极具社区风格的方式表达了对未来的期待。在推文中，Peter 半开玩笑地写道，自己已经准备好“入侵 Codex 代码库并直接 push to main（推送到主分支）”。这句典型的开发者玩笑，既是在调侃自己即将获得核心权限，也生动地传达了他对深度参与 OpenAI 核心工程、推动 Codex 技术“跳跃式”升级的迫切心情。

OpenAI 方面也对这位“天才”寄予厚望。双方的共同目标非常明确：未来的核心不在于单一助手，而是“极度多智能体化（extremely multi-agent）” 的基础设施。Peter 将致力于让这些聪明的智能体彼此协作，为人类处理真正复杂的任务。

对于社区最担心的 “OpenClaw 是否会被大公司吞并”的问题，Peter 给出了定心丸：OpenClaw 不会消失，也不会封闭。它将迁移到一个全新的基金会架构下，建立清晰、可持续的治理结构。OpenAI 将作为赞助方提供支持，但项目本身将保持独立。Peter 强调，在多智能体互联的未来，支持一个活跃的开源生态至关重要。

小结

从“为了好玩”的灵光一现，到决定“让智能体人人可用”，Peter Steinberger 选择了一条既能发挥大厂资源优势，又能保留开源火种的道路。正如他在 blog 文末留下的那句标志性口号——“The claw is the law. 🦞”

这只“龙虾”正在以一种更成熟、更具野心的方式，继续在 AI 的浪潮中通过代码定义规则。

拓展阅读

OpenClaw 的爆火其实在反复提示一件事：Agent 的未来不在“更会聊”，而在“更像系统”。

最近几个热门讨论也在从不同层面印证它：Cloudflare 用 Markdown for Agents 把网页“读得懂”这件事下沉到互联网边缘，直接做成基础设施；Karpathy 的 microgpt 则把 GPT 的训练与推理压缩到约 200 行代码，让人看清模型的算法本体、把对 AI 的理解拉回本质；而“公司即文件系统”的设想更进一步——把现实世界落成可寻址、可审计、可权限治理的状态空间，让 Agent 不靠长聊堆上下文，而是靠读写文件把业务真正跑起来。

Cloudflare：Markdown Agent

过去十几年，网站优化几乎等同于 SEO：面向搜索引擎写内容、堆结构、拼排名。但 Cloudflare 在 2026 年 2 月发布的 Introducing Markdown for Agents^[2] 想表达：流量入口正在从“搜索”转向 “AI crawler 与 agent”，而 Web 仍然是为人类建的——如果你希望内容被新一代系统“正确读取”，就该把 agent 当成一等公民来服务。

这件事的痛点非常直观：HTML 对模型来说太贵、太吵。同一句 ## About Us 用 Markdown 可能只花几个 token，而一串带 class/id 的 HTML 标签到处是“包装盒文字”，还没算导航栏、脚本、无语义 div 的噪音。Cloudflare 用自家博客举例：原始 HTML 约 16,180 tokens，转换成 Markdown 约 3,150 tokens，token 消耗下降约 80%。

关键设计

Cloudflare 的做法很“基础设施化”：利用 HTTP 内容协商（content negotiation）。当客户端请求时在 Accept 里声明 text/markdown（通常也会带上 text/html 作为回退），Cloudflare 会从源站取回 HTML，然后在边缘节点实时转换为 Markdown并返回。你会在响应里看到一组对 agent 特别友好的信号：

• content-type: text/markdown 与 vary: accept（明确“同 URL 可返回不同格式”）
• x-markdown-tokens：估算的 Markdown token 数，方便你做上下文预算与 chunk 策略
• content-signal: ai-train=yes, search=yes, ai-input=yes：默认声明内容可用于 AI 训练、搜索、以及作为 AI/agent 输入（并预告未来会支持自定义策略）

这套组合拳的意义在于：把“清洗网页”这件事从 agent 的私活，变成网站交付层的标准能力。甚至 Cloudflare 观察到，一些主流 coding agents 已经在请求里发送类似的 Accept 头——现在他们只是把这件事变成“官方正确姿势”。

如何使用

同一个 URL，只换一个 Accept 头即可：

curl https://blog.cloudflare.com/markdown-for-agents/ \
  -H "Accept: text/markdown"

如果你在 Workers / Node 里抓内容，也可以直接读取 x-markdown-tokens 来决定要不要切块、要不要做摘要。

const r = awaitfetch(
`https://developers.cloudflare.com/fundamentals/reference/markdown-for-agents/`,
  {
headers: {
Accept: "text/markdown, text/html",
    },
  },
);
const tokenCount = r.headers.get("x-markdown-tokens");
const markdown = await r.text();

配套生态

Cloudflare 不只是把 HTML 转成 Markdown，还把这套能力做成“可观测、可落地”的基础设施：你能在 Radar 里看到各类 AI bot 实际拿到的内容类型分布，甚至按特定 crawler（如 OAI-Searchbot）筛出哪些请求命中了 Markdown。启用也很简单—— zone 级开关一键打开（目前 Beta，Pro/Business/Enterprise 与 SSL for SaaS 免费），但别把它当万能清洁剂：源站没 content-length 或内容超过 1MB 会回退到原 HTML，且目前仅支持 HTML、不能处理源站压缩响应，并按 zone 生效。

小结

如果把它放到更大的叙事里：这不是“又一个格式转换器”，而是 Cloudflare 在明确押注——Agent 会成为内容消费的新默认客户端。当网站开始能“按需吐出结构化语义”，你做 agent 抓取、RAG、自动化浏览的成本会明显下降，最重要的是：内容创作者也能用更清晰的信号表达“你（Human/Bot）可以怎么用我的内容”。

公司即文件

你的公司其实是一台“状态机”：文件系统是世界，Agent 只是读写它。Openclaw 之所以显得“像真的在干活”，不是因为它会说话，而是因为它有一块可以落笔的现实：你电脑上的文件系统。

在多数 AI 产品里，对话是空气——说完就散，最多留在聊天记录里，和真实世界的状态是脱钩的。Openclaw 反过来：它把对话、任务、结果、历史、上下文都落在文件上。你和它的每一次交互，本质上是对某些文件的追加、修改、引用与产出。它调用 Claude API 只是为了“想清楚怎么做”，而真正让它持续变强的，是它能不断把信息写回文件系统：文件系统不是存储，而是状态本身。

这是一种更底层的架构取向：

• 模型负责推理与规划（orchestration）
• 文件系统负责记忆、事实与可恢复的执行轨迹（state + log）

当你把“对话即状态”改成“文件即状态”，Agent 才第一次拥有了可验证、可回放、可累积的世界。

“把数据变成文件”为何会让 Agent 突然变强？

Openclaw 的能力增长，不来自提示词越写越长，而来自你不断把生活的切片塞进同一个命名空间：文件系统。

你接入 Gmail，它就不再“查询邮件”，而是拥有了一组可索引、可引用、可版本化的邮件文件；你接入 Eight Sleep，它就不再“读一个 API”，而是把睡眠数据沉淀成可追加的时间序列文件。数据一旦进入文件系统，就具有了三种关键属性：

1. 统一命名空间：所有数据都能用路径定位，跨系统的上下文终于能拼起来。
2. 可组合性：文件天然能被引用、拼接、diff、归档、分层；上下文可以模块化。
3. 可恢复性：写入是可追踪的，出错能回滚，过程能审计，结果能复用。

从这个视角看，“Openclaw 想接管你的世界”并不是夸张，而是一种约束条件：它只能接管那些被你放进文件系统的世界。没有文件，就没有事实；没有路径，就没有全局上下文；没有写入，就没有持续进化。

如果“一个人”能被文件系统表示，那“一个公司”会怎样？

对个人来说，文件系统是一套记忆与执行的骨架。对公司来说，它就是更赤裸裸的真相：公司本来就是一台状态机，只是过去状态散落在无数 SaaS 里。

想象一家律所被压缩为一组文件夹：

• 新案件进来，写到 /cases/
• 分配给律师，就是把案件元数据写进 /people/<name>/cases/ 或创建符号链接
• 记录工时，追加到 /billing/time-sheet/
• 合同、证据、诉状、沟通记录，都按路径归档、版本化、可索引

所谓“运营”，不过是对文件状态的转移；所谓“流程”，不过是文件在目录之间的移动、追加与变更。后台系统不再是神秘的黑箱，而是一套可读、可写、可审计的状态图。

这时候 Agent 做的事会变得异常直接：它不需要“理解公司”，它只需要读写公司。

文件权限即组织治理：Unix 权限就是组织架构的投影

更有意思的是，文件系统的权限模型天然就是一套治理结构。

• 初级员工：只对自己负责的案件/项目有读写
• 资深员工：拥有跨项目的读权限、有限写权限
• 合伙人/管理层：可访问全局目录
• 合规/审计：只读全量，外加不可篡改日志目录

你不需要再发明一套 “AI 访问控制语言”，因为世界上最成熟的治理模型之一早就在那：Unix file permissions。组织层级不是写在 PPT 里，而是体现在“谁能改哪些文件”上。

企业 Agent 难的根因：没有共享命名空间

今天企业上 Agent 之所以痛苦，不是模型不够聪明，而是上下文碎裂：发票在 QuickBooks，邮件在 Outlook，方案在 SharePoint，合同在 NetSuite……每个系统都有自己的权限、字段、API、搜索语法和边界。Agent 想干一件跨系统的事，就像在十几个互不相通的“语言岛屿”之间来回翻译。

缺的不是工具，缺的是一个能把公司映射为整体的东西：共享命名空间。

把公司建模成文件系统，本质上是在为 Agent 建一个统一世界观：所有业务对象都能被路径命名；所有状态都能被文件表示；所有动作都能被写入记录。上下文不再靠“把数据复制进 prompt”，而是靠“让 agent 读到真实的源文件”。

未来形态：文件系统成为 agent 的“事实来源”，模型只是调度器

当然，并非所有业务都能立刻“文件化”。很多流程仍然藏在人的经验里，很多关键判断不在 JSON 里，而在会议、电话、默契与暗知识里。但 Openclaw 指向的路线很清晰：最有用的 agent，必然建立在一个能持续写入、可审计、可恢复的真实状态层之上。

把噪音剥掉，一个 agent 的架构可以被还原成两块：

• Filesystem as State：世界的事实、记忆与可追踪状态
• Model as Orchestrator：规划与决策的引擎（例如 Claude、GPT）

当公司被表示为文件系统，agent 解决业务问题就变成了一件极其具体的事：读文件获得上下文，写文件产生结果，改文件推动状态转移。

这不是把公司“变成一堆文件”的幼稚幻想，而是把 AI 从“聊天”拉回到“系统”：从语言游戏走向可执行的现实。

Andrej Karpathy：microgpt

另一个热门话题，Andrej Karpathy 用两百代码，实现了一个迷你 GPT。喜欢学习原理朋友，会是一个不错的拓展起点。作者还贴心的准备了一篇文章来介绍其核心实现 blog microgpt^[3]。

简单概括 blog，Karpathy 的 microgpt 是一个“把 GPT 的训练与推理压到最原子形态”的示范：用纯 Python、零依赖、单文件约 200 行把完整算法链路写出来——启动时若本地没有数据就从 makemore/names.txt 下载并打乱，得到约 3.2 万条名字作为文档流；用字符集做 tokenizer，并额外加入一个 BOS 特殊 token（训练时把序列两端都包上 BOS）；再用一个标量级的 Value 类手写 autograd/反传；模型是一个极小的 GPT-2 风格 Transformer（例如 n_embd=16、n_head=4、n_layer=1、block_size=16，带可学习的 token+position embedding，注意力 + MLP，且用 RMSNorm / 无 bias / GeLU → ReLU 的简化变体），用 Adam（含一阶 / 二阶动量）跑 1000 步训练并做线性学习率衰减，最终即可在同一脚本里完成“训练→采样生成”。

以下是源码一张图片版：

References