从Skill化和模块化到可组装智能：OpenClaw的能力组织机制与生态演进☆

邵田; 胡懋地; 张智雄; 钱力

doi:10.15978/j.cnki.1673-5668.20260416

科学观察 ›› 2026, Vol. 21 ›› Issue (4) :66-74 DOI: 10.15978/j.cnki.1673-5668.20260416

OpenClaw专题

从Skill化和模块化到可组装智能：OpenClaw的能力组织机制与生态演进^☆

邵田 ¹ ,
胡懋地 ¹^,²^,^* ,
张智雄 ¹^,² ,
钱力 ¹^,²

作者信息 +

From Skillization and Modularization to Composable Intelligence: Capability Organization Mechanisms and Ecosystem Evolution in OpenClaw

Shao Tian ¹ ,
Hu Maodi ¹^,²^,^* ,
Zhang Zhixiong ¹^,² ,
Qian Li ¹^,²

Author information +

文章历史 +

摘要

[目的/意义] 当前人工智能正由生成范式向执行导向的智能体范式转型，但通用大模型在能力表达与组织方面仍存在不足。以OpenClaw为例，从能力组织层面揭示可组装智能的形成机制，为智能体系统设计和情报服务流程优化提供参考。[方法/过程] 采用案例分析法，从能力组织视角考察OpenClaw的Skill化与模块化机制，分析能力单元的结构表达、组织方式及动态调度过程，并结合科研情报任务场景说明可组装智能的形成机制。[结果/结论] OpenClaw的可组装智能形成于“能力显式化-结构模块化-过程动态化”的协同机制。Skill化将过程性知识等转化为可描述、可调用、可复用的能力单元；模块化支撑能力单元承载、作用域管理和执行；循环反馈机制推动能力单元随任务状态持续组合与调整。在生态演进方面，OpenClaw推动人工智能的竞争重点由单一模型性能扩展至能力组织、平台协同和场景适配。

Abstract

[Objective/Significance] Artificial intelligence is shifting from a generation-oriented paradigm to an execution-oriented agent paradigm. However, general-purpose large language models still have limitations in capability representation and organization, which constrains their effectiveness in complex tasks. Taking OpenClaw as a case, revealing the formation mechanism of composable intelligence from the perspective of capability organization and provides insights for agent system design and intelligence service workflow optimization. [Method/Process] Based on a case study, this paper analyzes OpenClaw’s skillization and modularization mechanisms from the perspective of capability organization, focusing on the structural representation, organizational logic, and dynamic scheduling of capability units. A scientific intelligence task scenario is further used to illustrate the formation process of composable intelligence. [Results/Conclusions] OpenClaw’s composable intelligence is formed through the coordinated mechanism of“capability explicitization‒structural modularization‒process dynamization”. Skillization transforms procedural knowledge into describable, callable, and reusable capability units; modularization supports their hierarchical carrying, scope management, and executable implementation; and cyclic feedback enables continuous capability combination and adjustment. In ecosystem evolution, OpenClaw shifts the focus of AI competition from single-model performance to capability organization, platform protocols, and scenario adaptation.

Graphical abstract

关键词

大语言模型 / OpenClaw / Skill化 / 模块化 / 可组装智能

Key words

large language models / OpenClaw / skillization / modularization / composable intelligence

引用本文

引用格式 ▾

邵田, 胡懋地, 张智雄, 钱力. 从Skill化和模块化到可组装智能：OpenClaw的能力组织机制与生态演进^☆[J]. 科学观察, 2026, 21(4): 66-74 DOI:10.15978/j.cnki.1673-5668.20260416

Shao Tian, Hu Maodi, Zhang Zhixiong, Qian Li. From Skillization and Modularization to Composable Intelligence: Capability Organization Mechanisms and Ecosystem Evolution in OpenClaw[J]. Science Focus, 2026, 21(4): 66-74 DOI:10.15978/j.cnki.1673-5668.20260416

登录浏览全文

4963

注册一个新账户忘记密码

0 引言

近年来，大语言模型在自然语言理解、文本生成及多模态处理等任务中取得显著进展，但其能力主要以内嵌于参数空间的隐式方式存在，缺乏结构化表达与可操作的组织方式。隐式能力虽具备良好的泛化性，但在多步骤、跨环节的复杂任务场景中，难以实现稳定调用与过程控制。随着任务复杂度不断提升，单纯依赖生成能力的智能体系统逐渐难以满足实际需求，如何有效组织能力并使其服务任务的执行，成为当前智能体系统发展的关键问题。

OpenClaw^[1]作为面向任务执行的典型智能体系统，借鉴Anthropic Claude Code^[2]的Skills文档机制，对能力单元进行了工程化扩展与系统整合。Skill化（skills/skill）与外部工具（tool）、智能体（agent）或记忆单元（memory）不同，它将模型内部的隐式能力封装为可调用的能力单元。模块化不同于任务流程（workflow），它是系统组织手段，通过功能划分和接口解耦为能力提供承载结构，以支撑Skill单元组合与运行。OpenClaw的可组装智能（composable intelligence）体现为多个Skill的动态组合，强调能力单元的组合与复用。OpenClaw系统中所有能力单元及其组合关系、执行资源和平台接口共同构成OpenClaw的能力生态，是能力资源的宏观网络，体现整体能力资源的组织与协同。

本文采用案例分析法，以OpenClaw为典型案例，从能力组织视角出发，围绕能力表达、结构承载与任务执行过程展开分析，重点探讨OpenClaw中的Skill化如何将大模型的隐式能力转化为可描述、可调用、可复用的能力单元，模块化架构如何支撑能力单元在任务执行过程中的动态组合与持续运行，以及这种能力组织方式如何推动人工智能系统的竞争由模型性能竞争向能力生态竞争转变。本文从能力组织层面揭示可组装智能的形成机制，为智能体系统设计、复杂任务自动化及情报服务等相关应用提供参考。

1 研究现状

现有研究已从技术、安全风险与防御、应用等多个维度对OpenClaw展开探讨。

在技术方面，主要围绕系统架构扩展与能力增强展开探讨，例如：Xu等^[3]构建了基于OpenClaw的科研生态数据集Claw4Science，并搭建了 Claw4Science 公共平台；Wang等^[4]基于OpenClaw提出OpenClaw-RL框架，实现在线持续学习；Weidener等^[5]推出ClawdLab与Beach.science平台，实现了可组合的3层架构；李白杨等^[6]以OpenClaw为例，分析开源智能体的技术演化过程；钱力等^[7]认为OpenClaw的运行技术架构分为接入与通信层、智能体闭环执行层、工具调用与能力扩展层、记忆维持与持续运行层4个部分，较系统地分析了OpenClaw的技术架构，为本文的分析提供了参考。

在安全风险方面，重点关注OpenClaw的攻击机制和风险识别，例如：Dong等^[8]识别出OpenClaw带来的多种攻击；Chen等^[9]分析OpenClaw易触发的安全漏洞；程彭洲等^[10]和郭全中等^[11]分析了OpenClaw带来的安全风险；Ying等^[12]针对OpenClaw提出了3层风险分类体系；闫佳琦^[13]分析了OpenClaw驱动的知识传播所带来的失范风险。

在安全防御方面，针对OpenClaw提出了不同的防御方案与治理方式。例如：Shan等^[14]针对OpenClaw提出人在回路的防御层；Cheng等^[15]针对OpenClaw提出了2种防御方案；Liu等^[16]针对OpenClaw提出ClawKeeper 3层防护架构；令小雄^[17]从风险治理角度分析了OpenClaw；陈源源等^[18]剖析了OpenClaw带来的伦理风险与治理路径；李欢等^[19]针对OpenClaw的安全与伦理风险，提出了中国的治理路径。

在应用方面，充分探讨了OpenClaw如何应用至科研、医疗、机器人及信息服务等场景，例如：梁凯^[20]提出面向Skill的档案基础工作重构的路径；Cardenas等^[21]将OpenClaw与ROS 2结合，实现机器人控制；Yang等^[22]将OpenClaw应用于医院临床工作流；刘炜等^[23]与张震^[24]分别探讨了在以OpenClaw为代表的智能体时代，图书馆与出版业的转型。

总体来看，现有研究多从功能扩展、安全治理及应用场景等方面对OpenClaw进行探讨，虽然对OpenClaw的技术架构也有深入分析，但从能力组织机制视角出发，对其能力单元的结构化表达、系统组织及协同运行方式的分析仍相对不足。基于此，本文采用案例分析法，以OpenClaw为典型案例，从能力组织视角对能力表达、任务执行与系统协同进行分析。

2 OpenClaw能力组织机制及可组装智能的形成路径

OpenClaw的能力组织机制可以看作由能力表达、结构承载、过程调度和生态扩展共同构成的连续过程。Skill化是能力显式化的基础，模块化架构是能力运行的结构条件，动态调度与循环反馈是能力组合的过程机制，平台化复用推动能力由单一系统内部扩展至开放生态。OpenClaw的能力组织机制与可组装智能的形成路径见图1。

2.1 可组装智能的能力表达与结构组织

OpenClaw的能力组织基础体现在Skill化与模块化2个方面。Skill化将过程性知识和工具调用规则封装为可调用的显式能力单元，模块化通过分层架构为能力单元的承载、运行和协同提供结构支撑。

2.1.1 Skill的显式封装与结构化表达

OpenClaw引入Skill机制，对过程性知识和工具调用规则进行统一封装，并通过规范化描述方式将其转化为可调用的显式能力单元。

与传统工具调用函数接口不同，Skill将任务步骤、操作规范、调用顺序和适用场景等统一封装，使模型在复杂任务中能够按照结构化路径持续推进，不再停留在单轮结果生成。在结构化表达上，OpenClaw采用目录式组织方式，每个Skill以独立文件夹存在，并以SKILL.md作为核心描述文件，分别对名称、功能说明、运行依赖、适用范围、执行步骤、调用规则等信息进行结构化表述。同时，通过接口规范对Skill进行标准化管理。

从能力组织角度看，Skill的显式封装不仅实现了能力表达的标准化，也为后续的动态调用、任务编排和持续执行提供了基础支撑。

2.1.2 能力边界界定与分层组织

OpenClaw通过边界界定与分层组织机制，明确Skill的适用范围、运行条件和作用层级，增强能力调用的针对性与场景适配性。

OpenClaw对Skill的适用范围、运行依赖及环境约束等进行预检测，包括运行环境、配置条件和系统支持要求等。同时，采用作用域分层的方式，将Skill划分为内置、本地和工作区3个层级。不同层级之间按照工作区优先、本地次之、内置最低的规则覆盖加载，使系统能够根据具体任务场景实现局部替换和差异化配置。

从能力组织角度看，能力边界界定与分层组织，使Skill既具备明确的调用范围，又能够围绕不同任务环境实现灵活配置，是实现按需组合的重要基础。

2.1.3 模块化架构与能力承载

OpenClaw通过模块化架构承载能力单元，通过分层设计实现功能解耦，使不同类型的能力在统一结构中稳定运行。

OpenClaw按照任务执行过程构建分层架构，并通过统一接口实现层间衔接。从任务执行角度出发，可将系统划分为交互层、任务编排层、记忆层、推理引擎层、Skill执行层和操作系统抽象层。6层架构与钱力等^[7]提出的4个技术层相对应：交互层对应接入与通信层，任务编排层与推理引擎层对应智能体闭环执行层；Skill执行层与操作系统抽象层对应工具调用与能力扩展层，记忆层对应记忆维持与持续运行层。各层具有不同的功能职责，从任务输入、过程组织到能力执行与资源调用，形成完整结构链条。其中，Skill执行层处于连接推理决策与底层资源的关键位置，承担能力调用与执行落地的衔接作用。通过分层解耦，不同功能单元可以在局部范围内调整或替换，不影响整体运行。此外，模块化架构包含冲突检测机制，当不同Skill尝试调用相同资源或产生冲突时，会根据优先级和依赖关系进行调度和隔离处理。

从能力组织角度看，模块化架构为Skill提供了从能力描述到执行的结构支撑，使显式能力单元嵌入任务流程并参与持续执行。

2.2 可组装智能的能力调度与持续运行

OpenClaw通过动态调度和循环执行，将不同Skill组织到任务推进过程中，使能力单元围绕任务目标持续调用、组合与衔接，支撑复杂任务的连续执行。

2.2.1 能力形态的动态演进

在Skill化与模块化的支撑下，OpenClaw改变了能力的使用方式。能力不再只是预先存在的模型能力或工具接口，而是可调用、可组合的能力单元。Skill将内隐能力转化为显式能力单元，使能力的供给方式由预先静态提供转向面向任务过程的动态组织。

2.2.2 决策执行反馈的循环推进

OpenClaw通过由决策到执行再到反馈的循环机制组织能力调用，使任务在多轮迭代中逐步推进。首先，基于任务目标与上下文信息生成执行决策，包括任务理解、Skill选择及调用参数等；再由Skill执行层调用相应Skill，并衔接脚本、系统命令或外部工具完成具体操作；执行结果再写回上下文，作为下一轮决策的依据。在循环过程中，每一轮执行仅聚焦当前阶段问题，上一轮结果为下一轮判断提供依据，从而形成连续的任务执行过程。

2.2.3 动态调度与状态延续

在循环推进过程中，OpenClaw根据当前任务状态和上下文信息选择相关Skill，并结合上下文信息调整调用顺序和执行粒度。在Skill出现冲突或不适用时进行替换或过滤，对于加载失败或执行异常的Skill，触发备用策略或回退Skill，确保任务路径连续推进。

为避免大量Skill信息同时进入上下文，OpenClaw采用渐进式加载方式，按需引入Skill说明、执行规则和相关资源。同时，通过会话压缩与状态整理，保留任务目标、关键中间结果和后续决策所需信息，减少无关信息的干扰，维持不同Skill之间的衔接与优先级执行。

在多阶段任务中，上下文用于保存任务目标、执行进展和中间结果，并维持不同Skill之间的衔接。当任务状态发生变化时，据此调整后续Skill的选择与调用方式，保证前后步骤有效衔接。

2.3 可组装智能的结构比较与任务场景分析

2.3.1 典型智能体方案的结构比较

为说明OpenClaw的能力组织特点，本文将其与LangChain^[25]、AutoGPT^[26]进行比较，结果如表1所示。LangChain主要依托Chain、Graph和Tool组织任务流程，适用于开发者预先设计执行链路的应用开发场景；AutoGPT以目标拆解和任务循环为主要方式，更侧重自主任务探索。相比之下，OpenClaw以Skill为基本能力单元，将过程性知识、工具调用规则、任务步骤和执行依赖进行统一封装，并通过Runtime、Context和工具管理机制实现能力调用、状态保持、动态调度与资源治理。由此可见，OpenClaw通过Skill化与模块化机制支撑能力单元的按需选择、组合切换和持续执行，更适用于多Skill协同、科研情报分析和复杂多阶段任务场景。

2.3.2 科研情报任务场景中的实现路径

以“科研情报监测与专报生成”为例，该任务通常涉及信息检索、内容抽取、数据分析与文本生成等环节，对能力协同与任务衔接提出较高要求。OpenClaw可组装智能任务执行链路示意图见图2。

在任务执行过程中，首先，理解用户的任务需求，并将任务拆解为阶段性子任务，如文献检索、信息抽取、指标统计和摘要生成。随后，OpenClaw根据任务目标和上下文信息动态选择匹配的Skill单元，并按需加载执行。每个Skill在运行前检查环境依赖、数据可用性和资源状态，当条件不满足或Skill执行失败时，启用备用Skill或调整调用参数，保证任务连续推进。

不同Skill通过上下文共享中间结果，形成阶段性任务状态链。例如，在文献检索Skill完成后，其输出文献清单将作为信息抽取Skill的输入，中间结果在任务上下文中记录，供后续Skill使用。并根据上下文和阶段性任务目标动态调整Skill调用顺序和执行参数，应对数据异常或任务目标变化。

在整个任务执行过程中，多个Skill动态组合形成可组装智能，能力由Skill单元组合而成，能够按需调用并协同执行复杂任务。例如，在一次专报生成任务中，可并行执行多个信息抽取Skill，并根据任务优先级调整摘要生成Skill的调用顺序，最终将各阶段输出整合生成专报文本。整个过程通过上下文管理保持连续性和各Skill之间的衔接。

从能力组织角度看，OpenClaw将多个能力单元纳入统一的执行框架，形成完整调用链并生成阶段性结果，为科研情报等复杂任务提供可组装、连续推进的智能实现路径。

3 从模型竞争到生态竞争的生态演进

Skill化与模块化改变了能力供给和组织方式。能力通过Skill进行显式封装，并借助平台实现汇聚、复用与持续扩展。由此，人工智能系统的竞争重点逐步由单一模型性能扩展到以能力单元、平台协同及场景适配为核心的能力生态。与此同时，模型性能仍是系统运行的基础支撑。能力生态演进与竞争范式转移框架见图3。

3.1 Skill化推动能力供给由隐式向显式转变

传统大模型的能力主要以内隐方式存在于模型参数之中，能力调用依赖模型自身的生成与推理过程。OpenClaw通过Skill机制，将任务步骤、工具调用规则和资源依赖等过程性知识封装为相对独立的能力单元，使能力从隐式转化为可描述、可调用的显式结构。Skill化不仅提高了能力复用和扩展效率，也为平台化汇聚和多场景应用提供了基础。同时，平台支持Skill质量评价和版本管理，为能力单元提供量化依据。

3.2 Skill平台支撑能力汇聚与复用

当能力被封装为标准化Skill后，能力组织从单个系统内部调用扩展到平台层面的汇聚与复用。Skill平台承担能力单元的发布、检索、加载和复用功能，使分散的能力单元能够面向不同任务场景提供调用。

以ClawHub为例，其公共注册机制支持Skill发布、检索、下载、版本管理和社区反馈，并提供Skill使用评价指标。这既提升了能力单元的复用效率，也逐步形成开发者生态，为平台规模和能力质量提供支撑。

3.3 竞争重点由模型性能向能力生态延伸

随着能力供给方式变化，智能体系统的竞争重点也开始发生变化。传统竞争主要围绕模型性能、参数规模和生成效果展开，而在可组装智能体系下，还取决于Skill单元的丰富程度、调用效率和跨场景组合能力。

模型能力仍为系统基础，但通过Skill的开发、共享、调用和持续优化所形成的能力生态，逐步支持系统适配能力和任务连续性。开放的能力生态同时对治理也提出了要求，包括Skill来源可信度、调用链可追溯性、执行权限控制及责任边界明确等，确保稳定性和安全性。

可组装智能的形成反映了能力生态的逐步演进，通过多Skill组合和动态调度，实现能力在平台上的汇聚、复用及跨任务适配。

4 对我国人工智能发展与情报工作的启示

能力组织方式的演进正在改变人工智能系统的技术路径、产业竞争格局及业务运行模式。我国人工智能发展应更加重视能力组织体系和平台化供给机制建设；情报工作应围绕复杂任务需求，完善协同流程和全过程治理机制。

4.1 对我国人工智能发展的启示

从我国人工智能发展的实际情况出发，下一阶段竞争重点应由单纯追求模型性能提升，转向结合能力组织体系和生态协同能力建设。

4.1.1 加快面向任务场景的能力组织体系建设

在持续提升基础模型能力的同时，补齐能力封装、任务编排和运行调度等关键环节，推动人工智能系统由生成向任务执行转变。在面向科研分析、政务服务、智能制造、医疗辅助等复杂场景时，可将高频任务流程拆解为相对稳定的能力单元，形成可复用的任务模板、接口规范和调度规则，提高系统处理跨步骤任务的稳定性。

在实施路径上，可重点围绕统一接口规范、能力描述标准和调用规则等内容，建设可复用的能力组织框架，推动模型能力、工具资源和行业知识模块实现标准化接入与按需组合，增强场景适配能力和持续迭代能力。

4.1.2 完善平台化能力供给与开放协同机制

将人工智能建设重点由单一模型研发延伸至能力平台体系建设，加快形成“基础模型-能力平台-行业应用”协同发展的产业格局。

在科研、医疗、政务、工业等重点领域，加快建设开放式能力平台，推动领域知识、行业工具和业务流程转化为可复用的能力模块。同时，应完善开发者接入、能力共享和安全审核机制，吸引高校、科研机构和行业企业共同参与能力生态建设，提高能力供给的开放性和可持续性。

4.2 对情报工作发展的启示

面向智能体与可组装智能的快速发展，情报工作应顺应技术演进趋势，推动工作流程、组织方式和治理机制的系统性调整，加快由传统线性作业模式向任务协同和全过程治理模式转型。

4.2.1 完善复杂任务导向的协同情报流程

优化传统“检索-筛选-分析-写作”的线性作业流程，围绕复杂任务需求完善协同化工作机制。对于科技监测、产业研判、专题专报等典型业务，依据任务目标进行模块化分工，将信息采集、知识抽取、趋势分析和研判写作等环节组织为可衔接的任务单元，形成面向问题的协同作业链条。

在具体实践中，结合不同业务场景，逐步形成标准化任务模板、专题分析模块和流程规范，推动重复性、程序性环节的自动化处理，提高情报工作的响应效率和流程稳定性。同时，应强化跨岗位、跨部门之间的信息共享与任务协同，提升复杂情报任务的组织效率。

4.2.2 健全情报全流程的治理机制

可将治理重点由成果审核前移至任务全过程，建立覆盖数据来源、处理过程、分析逻辑和成果输出的全流程治理机制。

加强信息来源审核和过程留痕管理，确保数据采集、模型调用和分析步骤具备可追溯性和可复核性。同时完善关键节点的质量控制机制，在信息抽取、趋势判断和结论生成等环节设置校验、复核和人工干预机制，防止偏差在流程中累积放大。尤其在智能化情报场景下，重点完善模型调用权限、结果审核和责任边界划分机制，逐步形成过程可追踪、结果可验证、责任可界定的治理体系，提升情报工作的规范性和可靠性。

5 总结与展望

本文以OpenClaw为例，从能力组织视角讨论可组装智能的形成机制。研究表明，OpenClaw的可组装智能形成于Skill封装、模块化架构、动态调度和反馈循环的共同作用。Skill化将过程性知识、工具调用规则和任务步骤转化为可描述、可调用、可复用的能力单元；模块化架构为能力单元的组织和执行提供支撑；动态调度与反馈循环使不同Skill围绕任务目标持续衔接，支撑复杂任务的连续执行。Skill化与模块化改变了人工智能系统内部能力的组织方式，也使模型竞争延伸至能力组织效率、平台协同能力、治理机制和场景适配能力。对情报工作而言，需要进一步重视能力单元建设、任务流程协同和全过程治理。

本文可为智能体系统设计、复杂任务自动化和情报服务流程优化提供参考。但由于OpenClaw及相关Skill生态仍在发展，本文主要针对OpenClaw的机制和典型场景进行分析，尚缺少大规模任务实验和跨平台比较。后续研究可围绕能力描述标准、动态调度机制、Skill质量评价和开放能力生态治理等问题继续推进。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Steinberger P, OpenClaw Contributors. OpenClaw: your own personal AI assistant[EB/OL]. [2026-04-15]. https://github.com/openclaw/openclaw.

[2]	Anthropic. Skills[EB/OL]. [2026-04-15]. https://github.com/anthropics/skills.

[3]	Xu M, Chen J, Zhang Z. Claw4Science:a dataset and platform for the OpenClaw scientific agent ecosystem[EB/OL]. [2026-04-15]. https://www.biorxiv.org/content/10.64898/2026.03.30.715118v1.

[4]	Wang Y, Chen X, Jin X, et al. OpenClaw-rl: train any agent simply by talking[EB/OL]. [2026-04-15]. https://doi.org/10.48550/arXiv.2603.10165.

[5]	Weidener L, Brkić M, Lee P, et al. From agent-only social networks to autonomous scientific research: lessons from OpenClaw and Moltbook, and the architecture of ClawdLab and Beach.Science[EB/OL]. [2026-04-15]. https://doi.org/10.48550/arXiv.2602.19810.

[6]	李白杨, 任尚升. 开源智能体的技术演化与应用场景:以“龙虾”OpenClaw为例[J/OL]. 农业图书情报学报,1-14[2026-04-07].https://doi.org/10.13998/j.cnki.issn1002-1248.26-0147.

[7]	(Li B Y, Ren S S. Technological evolution and application scenarios of open-source agents: a case study of“Lobster”OpenClaw[J/OL]. Journal of Library and Information Science in Agriculture, 1-14[2026-04-07]. https://doi.org/10.13998/j.cnki.issn1002-1248.26-0147.)

[8]	钱力, 杨颜僖, 张元哲, 等. OpenClaw对科技文献情报工作的影响与启示[J]. 农业图书情报学报, 2026, 38(4):4-12.

[9]	(Qian L, Yang Y X, Zhang Y Z, et al. The impact and implications of OpenClaw on scientific literature and intelligence work[J]. Journal of Library and Information Science in Agriculture, 2026, 38(4): 4-12.)

[10]	Dong B, Feng H, Wang Q. Clawdrain: exploiting tool-calling chains for stealthy token exhaustion in OpenClaw agents[EB/OL]. [2026-04-15]. https://doi.org/10.48550/arXiv.2603.00902.

[11]	Chen T, Liu D, Hu X, et al. A trajectory-based safety audit of Clawdbot (OpenClaw)[EB/OL]. [2026-04-15]. https://doi.org/10.48550/arXiv.2602.14364.

[12]	程彭洲, 张新鹏. 从工具到个人助理:AI Agent的原理、演进与安全风险[J/OL]. 自然杂志,1-9[2026-04-07]. https://link.cnki.net/urlid/31.1418.N.20260320.1734.002.

[13]	(Cheng P Z, Zhang X P. From tool to personal assistant: principles, evolution and security risks of AI agents[J/OL]. Nature Magazine, 1-9[2026-04-07]. https://link.cnki.net/urlid/31.1418.N.20260320.1734.002.)

[14]	郭全中, 杜靖洋. OpenClaw(小龙虾)的本质、能力与治理路径研究[J/OL]. 中国传媒科技,1-3[2026-04-15]. https://link.cnki.net/urlid/11.4653.n.20260317.1749.002.

[15]	(Guo Q Z, Du J Y. Study on the essence, capability and governance path of OpenClaw (Crayfish)[J/OL]. China Media Technology, 1-3[2026-04-15]. https://link.cnki.net/urlid/11.4653.n.20260317.1749.002.)

[16]	Ying Z, Yang X, Wu S, et al. Uncovering security threats and architecting defenses in autonomous agents: a case study of OpenClaw[EB/OL]. [2026-04-15]. https://doi.org/10.48550/arXiv.2603.12644.

[17]	闫佳琦. OpenClaw驱动知识生产传播的实践逻辑与失范风险[J/OL]. 中国编辑,1-12[2026-04-07]. https://link.cnki.net/urlid/11.4795.g2.20260331.1409.002.

[18]	(Yan J Q. Practical logic and anomie risk of knowledge production and dissemination driven by OpenClaw[J/OL]. Chinese Editor, 1-12[2026-04-07]. https://link.cnki.net/urlid/11.4795.g2.20260331.1409.002.)

[19]	Shan Z, Xin J, Zhang Y, et al. Don’t let the claw grip your hand: a security analysis and defense framework for OpenClaw[EB/OL]. [2026-04-15]. https://doi.org/10.48550/arXiv.2603.10387.

[20]	Cheng D, Tsao W K. Agent privilege separation in OpenClaw: a structural defense against prompt injection[EB/OL]. [2026-04-15]. https://doi.org/10.48550/arXiv.2603.13424.

[21]	Liu S, Li C, Wang C, et al. ClawKeeper: comprehensive safety protection for OpenClaw agents through skills, plugins, and watchers[EB/OL]. [2026-04-15]. https://doi.org/10.48550/arXiv.2603.24414.

[22]	令小雄. OpenClaw时刻:“养龙虾”爆火后人工智能的风险与治理审思[J/OL]. 西北工业大学学报(社会科学版),1-8[2026-04-07]. https://link.cnki.net/urlid/61.1352.c.20260325.0904.002.

[23]	(Ling X X. OpenClaw moment: reflections on risks and governance of AI after the “raising lobster” craze[J/OL]. Journal of Northwestern Polytechnical University (Social Science Edition), 1-8[2026-04-07]. https://link.cnki.net/urlid/61.1352.c.20260325.0904.002.)

[24]	陈源源, 吴映平. 从私人部署到技术自治:人工智能“去平台化”应用的伦理风险与治理路径[J/OL]. 昆明理工大学学报(社会科学版),1-10[2026-04-07]. https://link.cnki.net/urlid/53.1160.C.20260403.0846.004.

[25]

(Chen Y Y, Wu Y P. From private deployment to technological autonomy: ethical risks and governance paths of AI “de-platforming” applications[J/OL]. Journal of Kunming University of Science and Technology (Social Science Edition), 1-10[2026-04-07]. https://link.cnki.net/urlid/53.1160.C.20260403.0846.004.)

[26]	李欢, 张赠, 莫欣岳. 自主式智能体OpenClaw的安全与伦理风险及中国治理路径[J/OL]. 海南大学学报(社会科学版),1-10[2026-04-15].https://doi.org/10.15886/j.cnki.hnus.202603.0441.

[27]	(Li H, Zhang Z, Mo X Y. Security and ethical risks of autonomous agent OpenClaw and China's governance path[J/OL]. Journal of Hainan University (Social Science Edition), 1-10[2026-04-15]. https://doi.org/10.15886/j.cnki.hnus.202603.0441.)

[28]	梁凯. 从“记录历史”到“认知编译”:面向Skill的档案价值重构[J]. 浙江档案, 2026(3):34-38.

[29]	(Liang K. From “recording history” to “cognitive compilation”: reconstructing archival value for skills[J]. Zhejiang Archives, 2026(3): 34-38.)

[30]	Cardenas I S, Arnett M A, Yeo N C, et al. ROSClaw: an OpenClaw ROS 2 framework for agentic robot control and interaction[EB/OL]. [2026-04-15]. https://doi.org/10.48550/arXiv.2603.26997.

[31]	Yang W, Qiu H, Zhang B, et al. When OpenClaw meets hospital: toward an agentic operating system for dynamic clinical workflows[EB/OL]. [2026-04-15]. https://doi.org/10.48550/arXiv.2603.11721.

[32]	刘炜, 金家琴. 智能体时代的图书馆转型:基于OpenClaw架构的服务重构与治理框架研究[J/OL]. 农业图书情报学报,1-10[2026-04-07].https://doi.org/10.13998/j.cnki.issn1002-1248.26-0120.

[33]	(Liu W, Jin J Q. Library transformation in the era of agents: a study on service reconstruction and governance framework based on OpenClaw architecture[J/OL]. Journal of Library and Information Science in Agriculture, 1-10[2026-04-07]. https://doi.org/10.13998/j.cnki.issn1002-1248.26-0120.)

[34]	张震. 中国图书出版业的OpenClaw“转型”:应用场景、风险评估和应对策略[J/OL]. 中国数字出版,1-9[2026-04-30]. https://link.cnki.net/urlid/10.1917.g2.20260324.1332.006.

[35]	(Zhang Z. OpenClaw “transformation” in China’s book publishing industry: application scenarios, risk assessment and response strategies[J/OL]. China Digital Publishing, 1-9[2026-04-30]. https://link.cnki.net/urlid/10.1917.g2.20260324.1332.006.)

[36]	Significant Gravitas. AutoGPT: build, deploy, and run AI agents[EB/OL].[2026-04-30] https://github.com/Significant-Gravitas/AutoGPT.

[37]	LangChain overview[EB/OL].[2026-04-30]. https://docs.langchain.com/oss/python/langchain/overview.

基金资助

^☆ 国家社会科学基金重大项目“数智转型背景下智能情报关键技术应用研究”(23&ZD228)

PDF (4865KB)

144

访问

被引

详细

导航

Published
2026-08-15
Online Date
2026-08-31

摘要