从「找 App」到「自己造」：第一次架构跃迁
移动互联网训练了我们一套条件反射：遇到问题 → 找 App → 订阅会员。这套逻辑的底层假设是——能力被封装在应用里，你只能花钱买。
OpenClaw 打破了这个假设。它不是一个「做某件事的工具」，而是一个让你自己定义能力边界的运行时环境。
举个例子：我需要一个 RSS 阅读器，传统路径是订阅 Feedly、Inoreader，每年几十美元。但在 OpenClaw 上，我用 30 分钟搞定了：
- 能力定义：抓取 RSS → 筛选文章 → 生成摘要 → 定时推送
- 编排实现：写一个脚本 + 配置 cron 任务
- 成本：0 元（模型调用成本忽略不计）
这不是「省钱」的问题。说白了，这是从 SaaS 的租户变成自己系统的架构师——从「消费能力」到「生产能力」的身份切换。
模型选型的「技术债」陷阱：便宜的真不一定便宜
OpenClaw 支持几乎所有主流模型：GPT、Claude、Gemini、DeepSeek、Kimi、MiniMax……看起来是自由，实际上是决策复杂度爆炸。
两周内测了 7 个模型，烧掉 3000 多块，结论是：便宜的模型会积累技术债。
国产模型（DeepSeek V3.2、MiniMax M2.1）确实能跑通大部分任务，但生成的代码有隐性缺陷：
- 逻辑能跑，但缺少边界处理
- 能实现功能，但缺少可维护性设计
- 短期可用，长期暴雷
这就像盖房子——便宜的包工队能把楼盖起来，但地基、钢筋、防水都埋了雷。住半年不出事，住两年漏水开裂。
GPT-5.3 Codex 的优势不是「更聪明」，而是「更工程化」：异常处理更完善，会主动考虑性能和安全，输出更接近生产级代码。
最终的模型策略是一个典型的分层架构：
- 主力模型：GPT-5.3 Codex（核心开发）
- 辅助模型：Gemini 3 Pro（轻量任务）
- 本地模型：Kimi K2.5（离线场景）
不同层级用不同组件，追求整体最优而非局部最优。通过 ZenMux 统一接入，不用每个平台单独订阅，切换模型丝滑得很。
（顺带一提，Opus 4.6 是真的好用，但也是真的贵。）
Subagents：被严重低估的「微服务编排」能力
OpenClaw 最被低估的能力是 Subagents（子代理协作）。如果你熟悉微服务架构，这个概念秒懂：主代理负责任务拆解和调度，子代理各自负责独立模块，并行执行，最后汇总结果。
实战案例——重构一个历史项目，涉及代码审计、依赖升级、性能优化、文档生成四个维度。传统方式是串行执行，一个模型一步步磨完。但通过 Subagents：
- 子代理 A（Claude Opus 4.6）：负责代码审计，擅长发现逻辑漏洞
- 子代理 B（GPT-5.3 Codex）：负责重构实现，擅长工程化输出
- 子代理 C（Gemini 3 Pro）：负责文档生成，速度快成本低
结果：原本 2 小时的活，20 分钟干完。
这不只是「快」的问题，这是架构设计带来的质变。让合适的模型干合适的事，比让一个模型干所有事强太多了。
本地部署：数据主权才是终极安全感
OpenClaw 支持云端部署，主流云服务商都有镜像，但我最终选了 Mac mini 本地部署。原因很简单：数据主权。
云端部署意味着对话记录、文件索引、个人习惯全存在别人的服务器上。理论上他们承诺不看，但架构师的直觉是：能力边界决定信任边界。
本地部署的好处：
- 数据完全可控：所有记忆、索引都在本地
- 权限自主管理：随时备份、迁移、销毁
- 网络隔离：敏感任务可以断网执行（通过 Ollama 本地模型）
这是典型的零信任架构思维——不依赖外部承诺，通过架构设计保障安全。
不过我依然保留了一台 VPS 作为前线试验场。很多方案先在 VPS 上跑一遍，觉得稳了再迁移到本地，类似灰度发布的思路。
OpenClaw 的本质：AI 时代的个人操作系统
用了两周下来，最大的感受是：OpenClaw 不是一个工具，而是一个运行时环境。就像 Linux 不是用来「做某件事」的，而是用来「运行你想做的任何事」的基础设施。
它的价值不在于「它能做什么」，而在于「它能让你定义自己想做什么」。对于想做一人公司的人来说，这意味着你不用再等某个 App 出现来满足需求——你可以自己编排出这个能力。
当然，OpenClaw 目前还不成熟，bug 不少，文档也不完善。但它代表了一个清晰的方向：AI 从「工具」进化为可编排的「系统组件」。对于独立开发者和超级个体来说，核心竞争力可能不再是掌握更多工具，而是拥有更好的架构思维——知道怎么把这些 AI 组件编排成属于自己的生产力系统。