这次分享的内容来自作者在实际项目中落地 AI 编码的一些实践和思考。希望能给正在尝试或想要尝试 AI 编码的同学一些参考。
本文以精简版 OpenClaw——Nanobot 为切入点，拆解其核心原理。 其本质是基于循环执行的“提示词构建 + 调用大模型 + 工具操作”的本地 Agent 架构。 本文通过分析消息处理、上下文构建、循环决策（AgentLoop）与工具调用（Tools）等流程，揭示其运行机制。
OpenClaw 官方提供了 ClawHub，提供了全球最全、最优质的 Claw Skills。但由于存在 Rate limit exceeded 的安装难题，在国内通过构建镜像站来解决，是一个技术上可行的方案。但是也面临着争议。
过去一年，团队内部有过一段时间关于未来是低代码平台还是高代码框架的讨论：低代码平台：典型代表 Dify，门槛低、流程确定性高，但灵活性受限。高代码框架：核心是 ReAct结构，LLM+Prompt+Tool，由模型自主决策，特点是灵活度强、能充分利用 AI 泛化推理能力，但幻觉问题更突出，Prompt 调试成本很高。不久之后，Anthropic 推出 Skill，成为这两者之间的关键平衡点：在保留灵活度的同时，通过能力封装与边界约束，提升 Agent 在特定任务上的确定性与可复用性，收到用户企业广泛应用，而年前 OpenClaw 快速出圈，ClawHub、SkillHub 等公开 Skill 市场的推出也如雨后春笋般，Skill 规模数万+，生态仍在高速扩张。
我们拆了2026年3月24日的一份Clawhub公开数据快照，样本共33,760个skills。这个市场的问题，不是供给不足，而是大部分供给没有穿过安装这道门。 下一阶段真正会赢的，不是功能最多的，也不是概念最大的，而是那些能让用户迅速完成一个动作、迅速看到结果、迅速形成依赖的 skill。这意味着Clawhub已经不缺供给，缺的是能真正形成安装的供给。很多skill完成了曝光，没有完成安装，而安装，已经明显向头部集中。
本文介绍了淘宝营销会场智能测试平台的AI落地实践：基于LLM与多模态Agent，实现“所见即所得”渲染校验、价格/内容/交互一致性比对、定投与多端适配自动检测；覆盖需求提测、测试执行、线上回归全流程。达成问题发现率↑、线上风险↓、测试人效提升100%、整体提效40%，推动测试从“人工驱动”迈向“AI智能判定+闭环自治”。后续聚焦需求意图识别、AI造数、智能用例选择等深度智能化方向。
本文介绍了一个名为 IMClaw 的开源项目，它是一个支持 ACP 协议的 AI Agent 网关，核心价值是让你通过微信、飞书等 IM 工具，远程操控 ClaudeCode、Codex、Gemini CLI 等十余种 AI Agent 在服务器上工作。
