FIND研究員：古廸鴻 近兩年來生成式AI徹底翻轉了大家與電腦互動的方式，自從 ChatGPT 問世以後，用對話來跟AI溝通已經變成日常。從問問題、寫文章、翻譯、甚至丟個企劃案請它幫忙發想，這些事情確實很猛，但都還是圍繞在對話框內回覆問題。AI再怎麼聰明，也跨不出對話視窗，碰不到你桌面上的檔案，更沒辦法幫你打開Excel整理報表。 此一現象在2025年下半年有了變化，一個叫做OpenClaw的開源專案迅速竄紅，在GitHub上累積超過18萬顆星星，成為近期最受矚目的AI專案。不只可以跟你聊天，還能打開你的資料夾、整理檔案、傳訊息，甚至幫你執行一連串的自動化任務。
圖1 生成式AI的轉折示意圖
資料來源：本文作者以Gemini AI生成
OpenClaw是什麼？
OpenClaw 是一個以代理式工作流為核心的開源框架，它把大型語言模型從單純的文字生成器，推進到可執行任務的系統元件。最早在2025年11月以Clawdbot對外亮相，名字把Anthropic Claude的諧音和claw疊在一起，但很快就遇到品牌與商標的法務風險迫使他們必須更名。接著出現的Moltbot，用molt借喻龍蝦成長，也在可用性上卡關。最後定案為OpenClaw，在做完商標檢索、買好域名、並完成程式碼與品牌遷移規劃後才正式拍板。
與一般對話型 AI 有什麼不同？
相較於ChatGPT、Gemini這類以對話為主的AI，OpenClaw的重點不在於把回覆寫得像聊天，而在於提供可部署的代理執行層，將語言模型接到實際工具與流程上。它面向的是多步驟任務而非單次問答，會在任務過程中維持狀態與上下文，依規則拆解工作、安排順序，並透過Skills模組或工具協定介面去呼叫外部API、第三方服務與自動化工具，最後以可追蹤的結果與執行紀錄回報。可以理解為，對話型AI偏向內容生成與互動輔助，而 OpenClaw偏向把模型能力工程化，落到可擴充、可整合、可運行的工作流上。
圖2： 聊天AI與AI代理差異
資料來源：本文作者以Gemini AI生成
與其他 AI 代理框架之比較
AI Agent並不是OpenClaw獨創的概念。在它之前已經有AutoGPT、BabyAGI、LangChain Agents等框架在探索類似的方向。但OpenClaw之所以能脫穎而出，有幾個關鍵差異：
1.服務面向終端使用者而非開發者 : AutoGPT和LangChain Agents本質上是開發者工具，需要寫Python程式碼才能使用。OpenClaw雖然底層是TypeScript框架，但它提供了完整的終端使用者介面，包括桌面應用、通訊平台整合（WhatsApp、Telegram、Discord），讓不會寫程式的人也能直接使用。
2.系統層級的存取權限 : 早期的AutoGPT雖然也能操作檔案，但主要是在一個受限的工作目錄裡面。OpenClaw設計上就是要讓Agent能存取整個作業系統的資源，包含 : 檔案系統、應用程式、系統設定、網路服務，擴大了可存取的範圍。
3.生態系統的開放性 : 透過MCP協定和Skills系統，OpenClaw建立了一個類似AppStore的技能市集模型。社群不只是在用OpenClaw，還在積極地為它開發新功能。GitHub上的awesome-openclaw專案收錄了數百個社群資源，包括自訂Skill、部署指南、應用範例等。從生態活躍度來看，這是目前開源Agent框架中少見的規模。
FIND觀點
OpenClaw的爆紅絕對不是偶然，它反映的是整個科技產業正在重新思考一件事，AI 的角色到底應該是顧問還是執行者。過去這幾年大家花了大量資源讓AI變得更會說話、更有創意、回答更精準，而OpenClaw的成功告訴我們，使用者真正期待的，其實是AI能直接幫忙把事情做完，而不只是提供建議。
不過我們從另一個角度思考，當一個 AI代理擁有操作你電腦的權限時，資安風險就會變成一個非常嚴肅的議題。萬一AI誤判了指令，或者被惡意利用、注入有害的Prompt，它可能會刪掉你的重要檔案、洩露機密資訊、或者在你不知道的情況下執行了不該做的操作。
這條路上有很多技術難題需要解決，也有許多倫理和安全的灰色地帶需要釐清，不過趨勢已經非常明確，未來的AI不只會說話更會動手。而我們作為使用者，也得重新學習如何跟一個會做事的AI共處。
參考資料來源：
1.GitHub - openclaw/openclaw
2.GitHub - SamurAIGPT/awesome-openclaw
3.GitHub - BankrBot/openclaw-skills
4.Anthropic - https://modelcontextprotocol.io/docs/getting-started/intro
