# Is OpenClaw Better for Developers or Non-Technical Users? > A Chinese opinion piece arguing that OpenClaw is better suited to non-developers than developers, because Skills can never cover every workflow and browser-driven automation burns tokens. The article uses MailClaw as a counterexample to show why dedicated APIs and CLIs are often a better fit for developer workflows. Author: Vincent Yang Published: 2026-03-13 Tags: OpenClaw, AI, Agent, MailClaw Source: https://missuo.me/posts/openclaw-for-developer --- > **本文仅代表个人观点浅谈 OpenClaw** > 我并不是在否定 OpenClaw 的价值。相反，我觉得它很有意思，也确实能解决一部分真实需求。但如果问题是“它更适合谁”，我的答案很明确：**它更适合小白用户，而不是开发者。** 很多人讨论 Agent 产品时，习惯把“能不能做事”和“适不适合我”混在一起。OpenClaw 当然能做事，这点没有问题。问题在于，它完成任务的方式，决定了它更像是一个降低门槛的消费级入口，而不是一个让开发者长期依赖的高效工作流系统。 对小白用户来说，OpenClaw 的价值非常直接。用户不用写代码，不用自己搭工具，只需要把任务说出来，系统就会尽量去完成。哪怕过程不够优雅，哪怕中间有些试探和冗余，只要最后能把事情做完，它就已经创造了价值。 但开发者看问题通常完全不一样。开发者会本能地问几个更现实的问题：这个流程稳定吗？能重复吗？值得长期跑吗？是不是每次都要重新消耗大量 Token 才能完成？如果一个系统的能力很难沉淀、很难复用、很难控制成本，那么它对开发者的吸引力就会迅速下降。 ## OpenClaw 的“智力”，本质上还是模型的智力 我觉得很多人会高估 OpenClaw 自身的“智力”。它当然有自己的工程价值，比如调度、交互、工具编排、上下文组织，但真正决定上限的，通常还是底层模型本身。 换句话说，OpenClaw 聪不聪明，很多时候并不是 OpenClaw 决定的，而是你给它接了什么模型决定的。模型越强，它看起来越聪明；模型越弱，它的表现就越容易不稳定。 而这会直接引出一个现实问题：**好的模型往往特别贵。** 至少在 **2026 年第一季度** 这个阶段，我并不认为我们已经进入了一个可以完全忽略 Token 成本的时代。高质量模型依然很贵，长上下文依然很贵，频繁调用依然很贵。OpenClaw 这类产品又不是一次调用就结束，它往往要持续观察、持续判断、持续规划、持续执行。每多一步，都意味着更多 Token 消耗；如果还夹杂网页浏览、截图理解、页面状态判断和失败重试，成本会被进一步放大。 更关键的是，**大量消耗 Token 也不一定能解决问题**。模型更贵，不代表任务就一定更稳定；上下文更长，也不代表它一定更理解网页现在到底发生了什么。很多时候它只是花了更多钱，在一个缺少结构化接口的环境里反复试错。 这也是为什么我一直觉得，至少在当前阶段，开发者不可能完全不考虑 Agent 的成本结构。未来当然可能不一样，也许 Token 会便宜到几乎可以忽略不计。但至少今天，尤其是在 2026 Q1，这还不是现实。 ## OpenClaw 的初衷，不应该是替代搜索框 我现在很明确的一点是，OpenClaw 不应该被当成“什么问题都值得调用一次”的万能入口。 如果你只是想问一句：“现在 New York 的天气怎么样？”那在我看来，这类任务交给 OpenClaw 几乎没有意义。更直接的方法显然是打开 Google 搜索，或者直接看天气 App。这个问题既不复杂，也不需要多步骤执行，更不需要 Agent 去规划、调用工具、理解上下文。 所以我认为，OpenClaw 的初衷本来就不应该是替代搜索框。它真正应该发挥价值的地方，是那些需要多个步骤、多个工具、多个状态切换的复杂任务。比如跨几个系统整理信息，根据中间结果继续决策，在一组受限工具之间完成完整流程。这类任务才是 Agent 的主场。 如果只是把它用来回答一些原本一秒钟就能搜索得到答案的问题，那不仅没有发挥出 Agent 的优势，反而会放大它在成本、延迟和执行冗余上的问题。 ## Skills 很重要，但永远不可能完整 OpenClaw 里我最认同的一部分，其实就是 `Skills`。 没有 `Skills` 的 Agent，很多时候只是一个会读页面、会操作浏览器、会尝试点击按钮的模型外壳。它也许能完成任务，但过程通常成本高、不稳定，而且对上下文极度依赖。`Skills` 的价值就在于，把一部分高频能力封装起来，让 Agent 不用每次都重新猜。 但问题也非常明显：`Skills` 再重要，也不可能完整。 真实世界的工作流是不断变化的。今天你要处理邮件，明天你要筛选简历，后天你又可能要同步 Notion、发 Slack、监控小红书、抓取某个内部后台。只要场景在变，新的能力封装就会一直出现。你不可能指望一个技能仓库在某一天突然“完整”。 而这里就出现了一个很现实的矛盾： - OpenClaw 很适合不写代码的小白用户。 - 但它的体验上限，又高度依赖开发者持续补齐 `Skills`。 也就是说，小白用户是受益者，开发者却往往是那个需要不断填坑、不断补工具的人。 从这个角度说，OpenClaw 更像一个把复杂性转移给开发者、再把便利性交给普通用户的系统。它不是没有价值，但它的价值分配，本身就是偏向非开发者的。 ## 浏览器自动化能工作，但不是开发者最优解 很多 Agent 产品喜欢展示浏览器自动化，因为它很直观，也很像“人类在操作电脑”。模型打开网页、截图、识别界面、判断应该点击哪里，然后一步步往下走。这个演示通常很好看。 问题是，好看不等于高效。 比如你让 OpenClaw 去监控小红书的帖子，如果平台没有公开 API，那么它大概率只能通过访问网页、不断截图、判断页面状态、决定下一步点哪里，最后再把结果返回给你。 这种方式的问题并不是“做不到”，而是它在工程上很不经济： - 每一步都在消耗 Token。 - 每一步都依赖页面当前结构。 - 页面一改版，流程就可能失效。 - 任务频率越高，成本越高。 - 即使消耗了大量 Token，也未必能稳定完成任务。 开发者对这种模式通常会天然不耐烦。因为这本质上是在用模型推理去弥补工程接口的缺失。如果一个任务需要靠模型反复截图、反复理解、反复尝试，才能勉强做完，那它多半不是一个好的长期解法。 一次性的任务也许还能接受，但如果这是一个长期、重复、每天都要跑的任务，开发者首先想到的通常不会是“让 Agent 每天重新看图和思考”，而是“我要不要直接为这个场景做一个专门的工具”。 ## MailClaw 是一个相反的例子 我自己做 `MailClaw`，其实就是在解决同一类问题：如果一个 Agent 需要处理邮件，最优解到底是什么？ 如果走浏览器路线，Agent 当然可以登录网页邮箱，搜索邮件、阅读邮件、筛选发件人、导出内容，甚至模拟点击删除。但这个方案太重了，也太浪费。 所以在 `MailClaw` 里，我选择的是另一条路： - 用 Cloudflare Email Routing 接收域名下所有邮件。 - 用 Cloudflare Workers 处理邮件解析。 - 用 D1 存储邮件内容与索引。 - 提供 Bearer Token 保护的 REST API。 - 再额外提供一个跨平台的 `mailclaw` CLI，支持 macOS、Linux、Windows。 这样一来，Agent 如果要“读邮件”，就不需要打开浏览器，不需要截图，不需要观察网页结构，也不需要一边看页面一边决定下一步该怎么点。它只需要执行类似下面的命令： ```bash mailclaw list --q partnership --json mailclaw get clx123abc --json ``` 或者直接调用 API： ```bash GET /api/emails GET /api/emails/export GET /api/emails/:id ``` 从 Agent 的角度看，这种设计的优势非常明显：输入更结构化，输出更结构化，速度更快，成本更低，可重复性更强，权限控制也更清晰。 这也是为什么我后来在 `MailClaw` 的 Skill 设计里，刻意让 Skill 去调用本地 CLI，而不是让它直接拿浏览器或者 `curl` 到处拼请求。因为在我看来，**Skill 最好的角色不是替代工具，而是成为工具的入口。** 前者意味着你把复杂能力堆进 Skill 里，让模型现场发挥；后者意味着你先把真正稳定的能力做成 API、CLI 或服务，再让 Skill 去发现、调用和编排。对开发者来说，显然后者更可靠，也更经济。 ## 开发者真正需要的，是工具层而不是幻觉式自动化 这也是我对 OpenClaw 最核心的看法：它的问题不在于 Agent 不够聪明，而在于很多场景下，它缺少一个足够强、足够低成本、足够结构化的工具层。 如果工具层不存在，OpenClaw 就只能退回到“看页面、猜页面、操作页面”的通用模式。这个模式当然灵活，但它也意味着高 Token 消耗、高不确定性，以及很差的工程沉淀效率。你当然可以不断换更强的模型、接受更高的账单，但结果未必线性变好。因为真正的问题未必是“模型不够聪明”，而可能是“任务根本没有被工具化”。 开发者通常会更愿意做这些事情： - 为高频任务写一个 CLI。 - 为内部流程做一个 API。 - 为第三方服务做一个适配层。 - 把 Agent 放在调用和编排的位置，而不是放在执行细节的第一线。 从这个意义上说，OpenClaw 对开发者当然不是完全没用。它仍然可以是一个不错的交互层、调度层，甚至是原型验证工具。你可以先让 Agent 帮你跑通一个流程，再观察哪些地方值得被固化成真正的程序。 但如果一个开发者长期依赖 OpenClaw 去做所有事情，而不是把高频能力沉淀成工具，那么最后很可能得到的是一个“看起来什么都能做，实际上哪里都不够经济”的系统。 ## 我的结论 所以我的观点还是那句：**OpenClaw 更适合小白用户，而不是开发者。** 对小白用户来说，它最大的价值是降低门槛。哪怕背后过程不够优雅，只要能把事情做完，就是价值。 但对开发者来说，OpenClaw 更适合扮演“外层入口”，而不是“最终执行层”。开发者真正应该投入精力的，不是让 Agent 在浏览器里多走几步，而是尽快把高频场景抽象成稳定的 API、CLI 或服务。 `Skills` 很重要，但它不应该是能力本身。它更像是能力的索引、说明书和调度接口。真正决定效率上限的，仍然是你背后有没有一个足够好的工具系统。 未来也许会不一样。也许有一天，Token 会便宜到几乎可以忽略不计，浏览器式 Agent 的高消耗不再值得在意。到了那个时候，也许今天很多批评都会失效。 但至少在 **2026 年第一季度**，我不认为现实已经走到那一步。今天的开发者仍然需要在效果、稳定性、速度和成本之间做平衡。而在这个平衡里，盲目消耗更多 Token，通常不是最优解。 对于开发者来说，这部分 Token 预算，很多时候已经足够拿来创造一个全新的工具了。