一天一个开源项目（第5篇）：最近火爆硅谷的ClaudBot，真不是什么不得了的事

Cheson_chen

1425人浏览 · 2026-01-28 20:14:12

Cheson_chen · 2026-01-28 20:14:12 发布

引言

“当技术圈的狂欢遇到冷静的理性分析，真相往往比营销更值得关注。”

这是"一天一个开源项目"系列的第5篇文章。今天带你了解的项目是 Moltbot（原名 Clawdbot，GitHub）。

最近这个项目在技术圈刷屏了：GitHub 星标狂飙到 72k+，被吹成"7×24小时AI员工"“开源贾维斯”，甚至有人说它"带火了Mac mini销量"。但冷静分析后会发现，它的火爆更多是踩中了情绪，而非技术上的颠覆性创新。

项目背景

项目简介

Moltbot（原名 Clawdbot）是一个开源的个人AI助手，支持多平台、多渠道运行。它通过 Gateway（网关）架构，将AI能力与桌面系统、社交软件、办公工具等连接起来，实现从"聊天"到"执行"的闭环。

项目解决的核心问题：

AI助手只能聊天，无法执行实际任务
需要统一的接口来连接各种服务和工具
个人数据隐私和本地部署的需求
开发者需要可定制的AI代理框架

面向的用户群体：

技术极客和开发者
对隐私敏感的用户
需要高度定制化AI助手的用户
愿意折腾配置的技术爱好者

作者/团队介绍

作者：Peter Steinberger (@steipete)

背景：专注于AI和开发者工具的开源开发者
理念：为 Molty（一只空间龙虾AI助手）构建个人AI代理
项目起源：最初为个人需求开发，后开源给社区

项目创建时间：2024年（从 GitHub 提交历史可以看出项目持续活跃）

项目数据

⭐ GitHub Stars: 72.3k+（持续快速增长）
🍴 Forks: 9.2k+
📦 版本: Clawdbot 2026.1.24（最新版本，2026年1月25日发布）
📄 License: MIT（完全开源，自由使用）
🌐 官网: molt.bot
📚 文档: 包含详细的文档和平台指南
💬 社区: GitHub Issues 和 Discussions 活跃

项目发展历程：

2024年：项目启动，最初名为 Clawdbot
2024-2025年：快速发展，添加多平台支持
2025年底：项目更名，从 Clawdbot 改为 Moltbot
2026年：持续优化，社区活跃度极高

主要功能

核心作用

Moltbot 的核心作用是将AI大模型的能力与桌面系统、各种服务连接起来，实现从自然语言指令到实际任务执行的完整闭环。它通过 Gateway 架构，统一管理各种渠道（Telegram、Slack、Discord、iMessage等）和工具（浏览器控制、文件操作、系统调用等）。

使用场景

多渠道AI助手
- 通过 Telegram、Slack、Discord 等渠道与AI对话
- 统一管理多个社交和办公平台
- 实现跨平台的任务执行
桌面自动化
- 通过自然语言控制浏览器
- 自动化文件操作和系统任务
- 实现复杂的多步骤工作流
本地AI代理
- 本地部署，数据不上云
- 长期记忆和上下文管理
- 可对接本地大模型
智能家居集成
- 通过开源生态整合智能家居
- 自定义Agent和技能
- 实现个性化的自动化场景
开发者工具
- 作为AI代理开发框架
- 支持自定义扩展和插件
- 用于构建专属AI应用

快速开始

安装方式

# 使用 npm/pnpm/yarn 安装
npm install -g @moltbot/cli

# 或使用 Docker
docker run -it --rm moltbot/moltbot

# 或从源码构建
git clone https://github.com/moltbot/moltbot.git
cd moltbot
pnpm install
pnpm build

基本配置

# config.yaml
channels:
  telegram:
    botToken: "YOUR_BOT_TOKEN"
  
  discord:
    token: "YOUR_DISCORD_TOKEN"
  
  slack:
    botToken: "YOUR_SLACK_BOT_TOKEN"
    appToken: "YOUR_SLACK_APP_TOKEN"

browser:
  enabled: true
  color: "#FF4500"

ai:
  provider: "openai"  # 或 "anthropic", "local" 等
  model: "gpt-4"
  apiKey: "YOUR_API_KEY"

核心特性

Gateway 架构
- 统一的网关管理所有渠道和工具
- 支持多平台（Windows、macOS、Linux、iOS、Android）
- 可扩展的插件系统
多渠道支持
- Telegram、Slack、Discord、Signal、iMessage、Microsoft Teams
- WebChat 界面
- 统一的对话接口
浏览器控制
- 通过自然语言控制浏览器
- 支持网页操作、表单填写、数据提取
- 可视化操作反馈
本地记忆系统
- 每日日志和长期记忆
- 本地MD文件存储
- 人类可编辑和审查
技能系统（Skills）
- 可组合的技能库
- 支持自定义技能开发
- 自动触发和执行
远程访问
- 支持SSH隧道和Tailnet
- 安全的远程控制
- 多设备同步
开源生态
- MIT协议，完全开源
- 支持本地大模型对接
- 可定制和扩展
安全控制
- 访问权限管理
- 认证和授权机制
- 可配置的安全策略

项目详细剖析

核心差异分析：被过度炒作的"亮点"背后

❶ 桌面系统高权限操作：不是做不到，而是敢不敢

被吹捧的说法：

“Moltbot 实现了AI对桌面系统的完全控制，这是其他工具做不到的！”

真相分析：

这不是技术壁垒，而是产品定位和风险承担的选择。

技术层面：

豆包、千问App等成熟产品完全有技术能力实现全量桌面权限
macOS 的 Accessibility API、Windows 的 UI Automation、Linux 的 D-Bus 都是公开的系统接口
任何有系统编程能力的开发者都能实现类似功能

为什么闭源产品不这么做？

合规风险：面向大众用户，开放高权限意味着巨大的合规和隐私风险
安全责任：厂商需要为安全漏洞承担责任，而开源项目由用户自行承担
用户教育成本：普通用户难以正确配置安全策略，容易造成隐私泄露
法律风险：高权限操作可能涉及法律边界，厂商需要谨慎

Moltbot 的选择：

把权限交给用户，让技术党自己承担风险
这是人群定位的选择，而非技术鸿沟
适合技术极客，不适合普通用户

结论：这不是技术优势，而是风险转移。

❷ 全渠道打通社交/办公软件：本质是提前配置的结果

被吹捧的说法：

“Moltbot 无缝打通了所有社交和办公软件，实现了真正的统一入口！”

真相分析：

这本质上是提前配置的结果，而非独家技术。

技术实现：

Telegram Bot API、Slack API、Discord API 都是公开的
需要的是：Bot Token、App Token、Webhook URL 等配置信息
配置流程：注册应用 → 获取Token → 配置到Moltbot

类比理解：
就像给豆包配置好邮箱账号，它就能自动发邮件一样。Moltbot 的"无缝体验"来自：

部署时的账号对接：用户需要手动配置各种服务的Token
统一的接口封装：Moltbot 把这些API调用封装成了统一的接口
配置流程整合：把配置流程整合到了开源框架里

这不是技术突破，而是"一站式折腾"：

用户需要：注册多个服务、获取多个Token、配置多个参数
对于普通用户，这个配置成本可能比使用多个独立工具还高
对于技术极客，这种统一管理确实有价值

结论：这是工程整合，不是技术创新。

❸ 本地长期记忆：真正的亮点，但没那么神

被吹捧的说法：

“Moltbot 的本地记忆系统比云端AI的上下文窗口更强大，实现了真正的长期记忆！”

真相分析：

这确实是 Moltbot 为数不多的真正亮点，但也没那么神。

技术实现：

记忆存储在本地MD文件中
分两层：每日日志（daily logs）和长期沉淀（long-term memory）
重启不丢失，人类可编辑和审查

优势：

✅ 比云端AI的上下文窗口更持久（不受Token限制）
✅ 成本更低（不需要为长上下文付费）
✅ 隐私可控（数据不上云）
✅ 人类可审查和编辑（透明度高）

局限性：

❌ 这种本地存储的思路，闭源产品只要想做，完全可以复刻
❌ 只是会增加开发和维护成本，但不存在技术壁垒
❌ 记忆检索和关联能力，相比向量数据库等专业方案，可能还有差距

结论：这是产品设计亮点，但不是不可复制的技术壁垒。

❹ 真正的核心差异：开源生态

唯一不可替代的优势：

Moltbot 真正的核心差异，只有一个：开源生态。

开源带来的价值：

按需定制
- 可以修改代码，对接本地大模型
- 可以开发专属Agent和技能
- 可以整合智能家居、IoT设备
数据主权
- 代码完全透明，可审计
- 数据完全本地，不上云
- 不依赖任何第三方服务
社区生态
- 72k+ Stars，活跃的社区贡献
- 丰富的扩展和插件
- 持续的功能迭代
学习价值
- 可以学习AI代理的实现
- 可以理解Gateway架构设计
- 可以作为开发框架使用

但这个优势的受众极窄：

普通用户根本折腾不动
需要技术背景和开发能力
配置和维护成本高

结论：开源生态是 Moltbot 的唯一不可替代优势，但受众面窄。

为什么能火出圈？营销与情绪的双重作用

✅ 踩中了"AI从聊天到执行"的趋势

把大模型的"嘴"接上了桌面系统的"手"
实现了任务闭环，戳中了大家对"全能AI管家"的期待
这是技术趋势，不是 Moltbot 的独家能力

✅ 开源+本地部署的标签

精准击中了技术党对数据主权、隐私可控的需求
在AI隐私担忧的背景下，这个标签自带传播力
但普通用户可能并不关心这些

✅ 营销造势到位

“贾维斯平替”"7×24小时AI员工"等话题自带传播度
"带火Mac mini销量"等话题放大了实际价值
技术圈的集体狂欢，放大了项目影响力

狂欢背后的槽点：理性看待风险

☑ 上手门槛高

看似开箱即用，实则复杂需求需要大量调试：

基础配置需要：安装、配置Token、设置权限
复杂需求需要：编写自定义技能、调试Agent逻辑
那些"躺床上重构网站"的案例，都是开发者的秀操作
小白照搬只会全是报错

真实使用体验：

用户："帮我整理一下桌面文件"
Moltbot："我需要访问文件系统权限..."
用户："好的，怎么配置？"
Moltbot："请修改 config.yaml，设置 fileSystem.accessLevel: 'full'..."
用户："然后呢？"
Moltbot："请确保系统权限已授予..."
用户："系统提示权限被拒绝..."
Moltbot："请检查系统设置 → 隐私与安全性 → 辅助功能..."
用户："算了，我还是手动整理吧..."

☑ 安全风险拉满

默认开放高权限，配置不当就是隐私定时炸弹：

目前已有大量实例存在认证漏洞
配置不当可能导致：
- 文件系统被恶意访问
- 敏感信息泄露
- 系统被远程控制
- 社交账号被盗用

安全建议：

仅在可信网络环境使用
严格配置访问权限
定期审查日志和记忆文件
不要在生产环境使用

☑ 并非大众产品

轻度使用的自动化需求，现有闭源工具更省心：

为了整理文件开放全量权限，性价比太低
普通用户的自动化需求，Mac Automator、Windows Task Scheduler 更简单
轻度AI助手需求，豆包、千问App 更省心

适用场景对比：

使用场景	Moltbot	闭源工具
重度定制需求	⭐⭐⭐⭐⭐	⭐⭐
隐私敏感用户	⭐⭐⭐⭐⭐	⭐⭐
技术极客	⭐⭐⭐⭐⭐	⭐⭐⭐
普通用户轻度使用	⭐⭐	⭐⭐⭐⭐⭐
快速上手	⭐⭐	⭐⭐⭐⭐⭐
安全可控	⭐⭐（需自行保障）	⭐⭐⭐⭐⭐（厂商保障）

与其他AI桌面操作工具的深度对比

vs 豆包/千问App：定位差异

豆包/千问App：

定位：面向大众的AI助手
权限：受限，以安全为先
部署：云端为主，部分本地
定制：有限，依赖厂商能力
适用：普通用户日常使用

Moltbot：

定位：面向技术极客的AI代理框架
权限：全量，用户自行承担风险
部署：完全本地，数据不上云
定制：高度可定制，开源生态
适用：技术极客、隐私敏感用户

核心差异：不是技术差异，而是产品定位和用户群体的差异。

vs AutoGPT/AutoGen：架构差异

AutoGPT/AutoGen：

架构：Agent框架，专注于任务规划
能力：AI推理和规划能力强
工具：需要自行集成桌面操作能力
适用：研究和实验场景

Moltbot：

架构：Gateway + Protocol，专注于系统集成
能力：系统集成和工具调用能力强
工具：内置丰富的桌面操作能力
适用：实际生产场景

核心差异：Moltbot 更注重系统集成，AutoGPT 更注重AI推理。

vs 传统自动化工具：AI能力差异

传统自动化工具（Mac Automator、Windows Task Scheduler）：

能力：基于规则的自动化
灵活性：需要预先定义规则
AI能力：无，无法理解自然语言
适用：固定流程的自动化

Moltbot：

能力：基于AI的智能自动化
灵活性：可以理解自然语言，动态规划任务
AI能力：强，可以处理复杂和不确定的任务
适用：需要智能决策的自动化

核心差异：Moltbot 的AI能力是传统工具无法替代的。

技术实现深度剖析

Gateway 架构的优势与局限

优势：

解耦设计，易于扩展
统一协议，降低复杂度
状态管理，支持多设备同步

局限：

Gateway 成为单点故障
协议转换可能带来性能损耗
状态同步在复杂场景下可能不一致

本地记忆系统的设计

存储结构：

.moltbot/
├── memory/
│   ├── daily/
│   │   ├── 2026-01-27.md
│   │   └── 2026-01-28.md
│   └── long-term/
│       ├── facts.md
│       ├── preferences.md
│       └── relationships.md

检索机制：

基于关键词匹配
结合时间戳和相关性
人类可编辑和审查

局限性：

相比向量数据库，检索精度可能不足
大规模记忆管理可能成为瓶颈
需要人工维护和清理

技能系统的扩展性

技能结构：

# skill.yaml
name: "file-organizer"
description: "自动整理文件"
triggers:
  - "整理文件"
  - "organize files"
actions:
  - type: "file-system"
    operation: "organize"
    rules:
      - pattern: "*.pdf"
        destination: "Documents/PDFs"