最近看公众号文章，openclaw已经没了热度，即使刷到，也是“openclaw死了”这样的标题，但是真的是这样吗？我先放一张图，我最近截的github星星排行榜：
OpenClaw排名第六，而且排在它前面的，都不是真正的开源软件项目，排在它后面的也不是（前10），都是些编程学习资源，看来大家都喜欢搜集免费资源啊。我不是想说openclaw有多好，它的使用门槛确实仍然很高，只限于专业技术人员（可能不少开发人员也跑不顺利吧），但是它仍然是技术人员用的最多的开源项目之一，而且它是完全开源的，有足够的灵活度，应该也是国内一众harness的模仿（如果不是抄袭）的对象。如果没有openclaw一炮打响，想腾讯workbuddy这样的产品，估计会挽很久才出来。这个就像linux，有个最初的内核，就会有更多的系统厂家来基于它，发布自己维护的版本，也会有更多软件厂商来基于这个操作系统来构建和发布自己的软件。现在有越来越多的CLI，MCP，SKILL等等，已经逐渐成长为一个生态。
那为什么这么多人说“OpenClaw已死”，我想大概是非傻即坏，傻的就是缺少批判性思维，去验证其他人的说法是不是事实，去思考别人的思维逻辑是否正确，或者自己完全不懂，不会用，甚至没用过，久盲从别人的说法。坏的那些大概就是用一个标题来吸引眼球，获得流量，做键盘侠。
既然我说OpenClaw还是开源顶流，拿了github的排名说事，很多人可能还会质疑，那我就说一下，我在OpenClaw上搭建的工作流，当然，只是一部分。
第一个工作流是从文字材料到视频生成技能。
现代人们阅读文字的意愿（如果不是能力）越来越低，想要更好的讲一件事情，需要把文字内容制作为简单明白的视频内容。如果按照以前的做法，从文案、脚本、分镜、拍摄、后期、剪辑到最后视频制作，周期漫长、成本极高。有了AI以后，大可以这样做，先把需要制作的文字材料，改写为适合视频的文案，比如内容取舍、内容概括、包括转为更口语化的内容等等。这一步AI可以做得非常好了，我一般会让AI生成几个版本，然后按照我设定的评价体系，让AI从中选择一个最好的。
做工作流，有一个很重要的经验，就是每个步骤的中间结果都要有检查，有返工，不让问题留到下一个步骤，越早发现的问题，解决的成本越低，影响越小。所以，每个步骤的评价体系和返工的要求，是一个工作流能否稳定、高质量工作的关键。
有了文案以后，就要开始做分镜。一般按照文字内容中的场景切换、步骤等，让AI进行切分，而且每个分镜的时长，控制在5秒以内。因为太长了，后面的视频生成步骤时，会很容易出错，而且可选的模型也会更少。在分镜后，我会要求把各个分镜中出现的同一个人物角色、物品的信息提取出来，然后单独生成图片，给后续视频生成时参考。（这里也可以用同样的提示语，而不是图片作为参考，这样虽然在一致性上会差一点，但是成本会更低）同样，分镜完成以后，会检查分镜之间是否一致，是否衔接等等。
下一步是每个分镜的提示语了。在开始前，要确定好整体风格、画面比例这些信息，让每个提示语都带上。同样，提示语完成以后，要让AI自己通过设定好的checklist，进行仔细核查。提示语有了以后，就可以调用text2image或者image2image，有非常多的CLI或者API可选。生成图片以后，我还好找一个多模态的AI模型，来判断图片和提示语是否一致，图片中是否有不合理的地方等等，如果发现了，就让AI修改提示语，增加限制，然后重新生成
后面步骤也类似，用图片生成视频(image2video），增加旁白(text2speach)，最后用ffmpeg把多段内容压到一起，增加背景音乐等等。不过目前，最后的剪辑，我还是手工完成，虽然AI可以实现，但是做得还不够好，而且最终还需要人的审美来判断某些内容要不要用，放在哪里用等等。
第二个工作流是文章写作技能。
这个非常有意思，并不是常用的AI批量生成文章的能力，让我慢慢说来。首先，现在读微信公众号文章，或者头条这样的，有UGC的内容的平台，非常多的文章，都会有一股浓浓的AI味，我总结了一下，比如事实性的错误，夸张的语气，自以为是的提法。我并不排斥AI生成的内容，但是这些让人读起来很不舒服的内容，我会坚决抵制。于是我先训练了一个AI文字检测的程序。
简单说一下原理，目前，任何一个主流的大模型，它的输出都是一个概率模型，比如上一个字是”你‘，下一个就会按照一定概率输出“好”，“是”等等，这个概率和候选字(词)的范围，每个模型是固定的。要检测一段文字，是不是ai生成的，只要看它是不是符合这个概率。网上还有一些通过特定句式、结构来判断是否是ai生成的内容，比如wiki百科里面有：Signs_of_AI_writing这部分内容，也有人基于这个专门做了去AI味的技能，比如humanizer。仅仅是基于ai生成常见句式来修改的方法，做起来很容易，让人读起来不那么难受，但是在检测模型前，无所遁形，因为修改以后输出的内容，还是会符合ai生成的概率模型。
知道这个原理以后，自己做一个ai检测的模型，就不难。首先要找一批人类写作的内容，比如2020年前的各种博客文章、知乎论坛、甚至电子书籍。内容形式尽量广泛（除非你想训练的是针对某个特定领域的内容），再找一批AI写作的内容，我是用各种模型（GLM、Qwen、deepseek、minimax、kimi、豆包等等）用同样的提示词和要求，生成了一批。这里有个小技巧，为了提升检测模型的准确度，可以增加同一篇文章用不同模型生成的混合内容。下一步，就是让ai基于这些内容，来训练模型，这里详细方法就太偏技术性了，就不冗述了。
目前，在特定方向内容上，我自己训练的模型，基本可以替代腾讯的朱雀大模型使用。有了这个ai判断模型以后，就可以做更多非常有意思的事情，比如如果要改变大模型输出的固定概率，就要把这个模型反过来用。
关于openclaw的升级，确实是它最大的问题之一，非常慢，而且我都遇到好几次升级失败的情况，只能一次一次自己手动来做，直接通过npm来重新安装，甚至是编译代码，更新以后通过openclaw doctor来修复配置文件里面的问题。不过最近几个版本，已经有了明显改善，比如9月的最后几个版本，及10月的第2个版本（10.1这个版本确实有问题）。我的建议是不急着升级，毕竟这原先是一个以个人开发者为基础的小项目，前期对不同系统考虑会少一点，有很多坑要填。现在openclaw仍然保持着非常高的发布频率，版本号规则是年+月，加上这个月的第几个版本。比如2026.9.9，就是2026年9月份的第9个版本，网上很多说什么openclaw 2.0的，看到这样的标题，可以直接拉黑作者，连openclaw的版本号命名规则都不懂，文章质量可想而知。
关于大模型的评分，大家可以参考，但是还是要以自己实际使用结果为准（所以，为每个结果设定一个可量化、可评价的结果，非常重要）。我感觉有些大厂的模型，有刷榜的嫌疑，而且每个人用AI完成的任务、要求都不相同，每个模型都有自己适合的场景。同样，建议不同的任务，使用不同的模型，比如coding，写作，agent，这三个常用任务，我就使用了三套不同模型，在价格和结果之间，获得比较好的平衡。总的来说，一个模型好不好用，不要看评分，要看实际付费情况下的使用量。截一个openrouter上各个模式的使用量信息：
有了openclaw或者其他harness这么好的工具，确实能大幅提升工作产出，空余时间可以用来做自己喜欢的事情，去户外徒步、去摄影、去读书，真正享受生活，我想这是AI给人类带来的真正的价值。还在继续使用openclaw，或者想使用，但是遇到困难的小伙伴们，可以在评论区留下你们的想法，也可以私信给我交流。