上次那篇《一文讲透 Prompt、Agent、Skill》发完之后，没想到用“开公司”的比喻帮很多人搞懂了基本概念。
但搞懂之后，新的问题来了。
被问最多的就三个：
“OpenClaw 里面这些概念是怎么配合的？大模型跟 Agent 到底啥关系？”
“Token 到底是什么？为什么我用着用着就要花钱了？”
“飞书机器人又是什么？AI 真能在飞书里帮我干活？”
哦对了，还有一个被问爆了的——“Claude Code 跟 OpenClaw 到底是不是一回事？”这个我也会顺便说清楚。
今天，我们用一个新的故事来解答——你开了一家餐厅。
先把对照表放这儿，你扫一眼有个印象，然后我们一个一个拆。
| 技术概念 |
餐厅里的角色 |
一句话 |
| OpenClaw |
你开的这家餐厅 |
能接单、能做菜、能外卖的智能餐厅 |
| 大模型（LLM） |
大厨 |
手艺精湛，但你得告诉他做什么菜 |
| Token |
食材 + 燃气 |
大厨每做一道菜都要消耗食材和燃气——这就是成本 |
| Agent |
大厨“自己看单出菜”的工作模式 |
不用你每道菜都喊一嗓子，他自己看菜单自己做 |
| Skill |
菜谱 / 标准化流程 |
宫保鸡丁怎么做、红烧肉放多少糖——写下来的标准做法 |
| 飞书集成机器人 |
外卖平台接单窗口 |
客人在美团下单，后厨直接收到 |
话不多说，开始。
OpenClaw = 你开的这家餐厅
假设你开了一家餐厅。不是路边摊，是一家正经的有后厨有前台有外卖渠道的餐厅。能堂食，能外带，还接美团和饿了么。
这家餐厅，就叫 OpenClaw。
OpenClaw 是什么？一个开源的 AI Agent 平台。你可以把它想象成——一个让 AI 不只是陪你聊天，而是真正替你干活的基础设施。
这玩意有多火？GitHub 上 302,000+ Star，60 天超越了 React 十年的纪录。 你没看错——React 积攒了十年的 Star 数，OpenClaw 两个月就超了。
Sam Altman 管 OpenClaw 的创始人 Peter Steinberger 叫“a genius with amazing ideas about the future of very smart agents”。今年 2 月，Steinberger 宣布加入 OpenAI，OpenClaw 移交给了开源基金会——意味着这个项目不会被任何一家公司吃掉。
但数据和背书都不重要。重要的是一句话——
以前的 AI 只会帮你说话，OpenClaw 让 AI 帮你干活。
为什么用“餐厅”来比喻？因为一家餐厅要运转起来，需要大厨、食材、菜谱、点餐渠道。缺一样都转不起来。OpenClaw 也一样——大模型是大厨，Token 是食材，Skill 是菜谱，飞书是外卖窗口。
对了，这里顺便回答一个被问爆了的问题——
“Claude Code 跟 OpenClaw 是什么关系？”
一句话：根本不是一个物种。
OpenClaw 是一家餐厅——它本身不做菜。它负责接单、派活、管渠道。做菜的是它请来的大厨（大模型）。
Claude Code 是一个大厨——它本身就是那个干活的 AI Agent。你打开终端跟它说“帮我重构这个项目”，它自己读代码、自己改、自己跑测试。不需要餐厅，它直接上门给你做。
这是最本质的区别——一个是管理系统，一个是干活的人。
再往深拆一层：
OpenClaw 是一家 24 小时营业的智能餐厅。你部署好之后，它就一直开着——飞书来单接飞书，钉钉来单接钉钉，后厨今天请 Claude 明天换 GPT。你人睡了，餐厅还在接单做菜。它是基础设施。
Claude Code 是 Anthropic 做的一个智能体 CLI——大厨 Claude 本人，背着工具箱上门服务。你打开终端（开门），说一句话（点菜），他就在你的电脑里直接开干。做完了，关终端（送客），大厨走人。它不是平台，不需要部署，不需要服务器——它就是那个 Agent 本身。
一个是永不打烊的餐厅。一个是随叫随到的大厨。
所以——你想搭一个 AI 中台，让飞书群里的同事随时@机器人干活？用 OpenClaw，因为你需要一家 24 小时开着的餐厅。你是开发者，想让 AI 帮你写代码管项目？用 Claude Code，因为你需要的是大厨亲自上门。
这玩意甚至可以配合着来——用 Claude Code 研发菜谱（Skill）（因为他的内置 agent 能力非常强），然后部署到 OpenClaw 餐厅里 24 小时跑。一个负责研发，一个负责运营。
搞清楚了？好，回到我们的餐厅——接下来，一个一个拆开讲。
大模型 = 大厨
餐厅最核心的人是谁？大厨。
OpenClaw 最核心的东西是什么？大模型。
大模型，就是你经常听到的那些名字——GPT、Claude、DeepSeek、Gemini。它们是 AI 的大脑，是真正“会思考”的部分。
但这里有一个很多人搞混的点——
OpenClaw 自己不是大模型。
OpenClaw 是餐厅。大模型是你请来的大厨。“这就像你的餐厅本身不做菜——做菜的是你雇的厨师。”OpenClaw 负责接单、管理、调度；大模型负责“动脑子”。
更妙的是——你的餐厅可以换厨师。OpenClaw 支持你随时切换大模型。不满意 Claude 的手艺？换 GPT。GPT 太贵？换 DeepSeek。甚至可以在你自己的电脑上跑一个本地模型——完全免费，只是手艺可能差一点。
菜单不变，食客无感。这就是 OpenClaw “智能与 Agent 分离”的设计哲学。有人说这叫“主权个人 AI”——你的 AI，你做主，不被任何一家大模型厂商绑架。
确实挺酷的。
但大厨再厉害，也需要一样东西——食材。没食材，巧妇难为无米之炊。
在 AI 世界里，这个“食材”有一个专门的名字——Token。
Token = 食材 + 燃气
大厨做菜，要消耗食材。食材用完了，就得再买。
大模型干活，要消耗 Token。
Token，就是 AI 的食材。大模型每“思考”一次，就要消耗一批 Token——这就是你用 AI 产生费用的根源。
先说最基本的：Token 到底是什么？
很多人以为 Token 就是“字数”。不是。
Token 是大模型切割文本的最小单位。就像厨师切菜——不是按整颗白菜算，是按切好的丝或段算。
一个中文汉字大约等于 0.7-2 个 Token。一个英文单词大约等于 1-1.5 个 Token（这里是个范围是因为不同厂商的中文支持或者编码方式有些区别，这里不深入了哈～）。
你跟 AI 说“帮我写一篇文章”这七个字，在后台已经被切成了十几个 Token。
你问 AI 一个问题，AI 回你一段话——一来一回，两笔 Token 都在烧。所以一般来说，计费也分输入 token 和输出 token 单独计费。
到这里，你只需要记住一句话——跟 AI 的每一句对话，都在烧 Token。说也烧，听也烧。
再深一层：Token 怎么计费？
知道 Token 是什么了，下一个问题——多贵？
Token 分两种：输入 Token（你给 AI 的内容）和输出 Token（AI 回你的内容）。
关键来了——输出 Token 的价格大约是输入的 8 倍。以 Claude 模型为例，输入 $1.25/百万 Token，输出$10.00/百万 Token。
用餐厅的话说——买食材不贵，大厨的加工费才贵。
记住这个 8 倍。下面马上用到。
搞懂计费后，看一个反直觉的例子。
我自己测试下来：让 AI 总结一篇维基百科要花 $0.18。但让 AI 写一个完整的前端页面只花 $0.033。
等等，写代码比读文章便宜？
没错。现在你能理解了——总结维基百科，你喂进去一大篇文章，输入 Token 巨多；写缓存系统，你只说一句“帮我写个缓存”，输入极少。输入 Token 虽然单价便宜，但量大的时候也吃不消。
你以为“写代码”最贵？不，“读材料”才贵。
最让人后背发凉的数字。
前面说的都是单次调用。现在来看连续对话——这才是 Token 消耗的终极黑洞。
OpenClaw 还没开始干活，光是加载系统提示词，就已经消耗了大约 8,000 个 Token。 还没点菜呢，灶已经烧上了。
然后——跟 OpenClaw 聊 10 轮对话，成本是第 1 轮的 26 倍。
不是 10 倍。是 26 倍。
说实话，看到这个数字的时候我愣了一下。因为每一轮对话，前面所有的对话历史都要重新“投喂”给大模型。相当于大厨每做一道新菜，都要把前面所有菜重新看一遍。
宏观数据更夸张。2026 年 2 月，中国大模型 Token 调用量首次超过美国，日均消耗达到万亿级别。这玩意已经不是小众概念了——它是整个 AI 世界的硬通货。
怎么省 Token？
说了这么多，你肯定想问——那怎么省？
三条实用建议，由简到难。
第一，定期“清台面”。用 OpenClaw 的 /compact 命令压缩对话历史。就像大厨台面太乱了影响效率——清一下，只保留关键信息。这是最简单的一招，立竿见影。
第二，Skill 描述写短一点。Skill 的描述每次调用都会被加载——描述越长，每次消耗的 Token 越多。够用就行，别写小作文。
第三，换小厨师干小活。简单任务（聊天、翻译）用便宜模型，复杂任务（写代码、做分析）才上贵的。别让米其林大厨帮你煮泡面。
第四，Coding Plan。这是多家厂商专门服务于这种 agent 场景的包月的订阅功能。大致就是每 5 个小时给你一定的额度，5 小时内用完就没了，但是过了之后又刷新。强推这种。
省 Token 的核心逻辑：让大厨只在该出手的时候出手，别让他切个葱也用龙泉宝刀。
好，食材有了。大厨手艺也有了。
但大厨怎么干活？是你站在旁边一道一道菜地喊，还是他自己看着订单做？
这就涉及到下一个概念——Agent。
Agent = 大厨“自己看单出菜”的工作模式
如果你开餐厅，你肯定不想每道菜都站在大厨旁边喊——
“现在做宫保鸡丁！”
“好了好了，现在做酸菜鱼！”
“等等，那个红烧肉先别放酱油！”
你想的是——单子贴在窗口，大厨自己看着做。
这种“自己看单、自己拆解、自己干活”的工作模式，就叫 Agent。
上篇我们讲过——Agent 不是一个产品名字，是一种工作模式。你不能“下载一个 Agent”。
在 OpenClaw 里，Agent 是默认的工作方式。你给它一个任务——它自己拆解、自己规划、自己执行、自己检查。
你给目标，它给结果。
举个最简单的例子感受一下。你跟 AI 说：“帮我把这段英文翻译成中文。” 它翻了。——这还不算 Agent，这只是“你说一步它做一步”。
你跟 OpenClaw 说：“帮我写一份竞品分析报告。” 它自己去搜竞品信息，自己整理对比维度，自己组织语言，最后生成一份完整的报告。——这才叫 Agent。
工具是你说一步它做一步。Agent 是你给目标，它自己拆步骤。
搞懂了 Agent 的基本逻辑，再来看 OpenClaw 把它玩出了什么花样。
第一，多 Agent 协作。 不是一个大厨单打独斗——是一个主厨带着几个副厨一起干。OpenClaw 可以同时派出多个 Agent 并行处理不同的子任务。你让它做一份报告，它可能同时派一个 Agent 搜资料、一个 Agent 整理数据、一个 Agent 写初稿。主厨切肉的时候，副厨已经在调酱汁了。
第二，事件驱动。 OpenClaw 不是一个 24 小时在那转的“智能体”——它更像一个高效的守护进程，有客人点菜才开火。没人点餐的时候，它就安安静静待着，不烧一分钱燃气。
第三，记忆系统。 你的老顾客喜欢少辣多醋？大厨记住了。下次这位顾客来，不用再交代——直接按喜好出菜。OpenClaw 的记忆系统让 AI 能记住你的偏好和习惯，越用越顺手。
大厨能自己干活了。但如果每道菜都要他从零开始想——效率太低了。
所以你需要给他一样东西——菜谱。
Skill = 菜谱
菜谱是什么？标准化的做菜流程。
宫保鸡丁：鸡胸肉切丁、花生油爆香、加干辣椒和花椒、最后勾芡。一步一步写清楚，新手照着做都不会太离谱。
在 OpenClaw 里，这种写下来的标准化流程，就叫 Skill。
Skill 在 OpenClaw 里长什么样？说白了就是一个文件夹，里面放一个 SKILL.md 文件。用 Markdown 写的“操作手册”——告诉 AI 遇到某类任务该怎么做、按什么步骤来、注意什么细节。
不需要写代码。会写文字就够了。
Skill 可以很简单——一句“遇到英文翻译成中文，语气自然不要翻译腔”就是一个 Skill。
也可以很复杂——“每周五自动生成团队周报，从飞书文档提取本周更新，按项目分类，标注风险项，推送到指定群组”——这也是一个 Skill，只是菜谱更长。
菜谱写得越细，大厨出品越稳。
上篇讲 Skill 的时候我说过一句话——你的 Skill 库越厚，AI 干活的质量越稳定。 这句话在 OpenClaw 的世界里更明显。
OpenClaw 内置了 49 个 Skill，官方仓库 93 个，社区贡献了 13,729+ 个。
13,729 个是什么概念？就像一个餐饮连锁集团——总部有一个巨大的菜谱库，从川菜到粤菜到西餐到甜品，你想做什么菜，去翻就是了。任何一家分店拿过去就能用。
不过有一点要提醒——菜谱多是好事。但来路不明的菜谱，可能比没有菜谱更危险。 这也就是最近大家比较关注的安全问题。
到这里，你的餐厅有了大厨、食材、菜谱，大厨也能自己看单干活了。
但问题来了——客人在哪？你的餐厅再好吃，客人得找得到你才行。
对很多人来说，最常用的“渠道”，就是飞书。
飞书集成机器人 = 外卖平台的接单窗口
你的餐厅再好吃，如果只能堂食——生意永远做不大。
你得上外卖平台。美团、饿了么、大众点评——客人在平台上点一下，后厨直接收到订单，做好了骑手直接送。
飞书集成机器人，就是 OpenClaw 的“美团接口”。
OpenClaw 支持 22 个以上的消息平台——WhatsApp、Telegram、飞书、钉钉、Slack、Discord，甚至微信（通过社区插件）。但对国内用户来说，飞书是最甜的那个点。
你在飞书里 @机器人，OpenClaw 就开始干活。
这意味着什么？三个场景，从简单到复杂，你感受一下。
场景一：问一句答一句。 收到一份英文合同，直接丢给飞书里的 OpenClaw 机器人——“翻成中文，标出关键条款。” 三分钟后翻译好的版本出现在聊天窗口里。最简单的用法，@一下就完事。
场景二：帮你干一整件事。 你把这周的飞书文档、会议纪要、项目进展@给机器人——“整理成给老板看的周报。” 五分钟后，一份格式完整、重点突出的周报就出来了。不是翻译一段话，是帮你完成一个完整的任务。
场景三：你不说话它自己干。 你定了一个 Skill——每天早上 9 点，自动搜集行业新闻、竞品动态、股价变化，整理成一份简报，推送到飞书群里。你端着咖啡打开飞书，今天要关注什么，一目了然。完全不需要人工触发。
技术门槛有多低？
飞书免费版就能用。 不需要企业版。
WebSocket 长连接——不需要公网 IP。你的电脑连着网就行，不需要买服务器、不需要搞域名、不需要备案。你的电脑开着，机器人就活着。
对大多数人来说，最明显的体感是 AI 终于来到了我日常干活的地方。以前用 AI，你得专门打开一个网页、一个 App、一个终端。现在不用了。你在飞书里跟同事聊着天，想让 AI 帮忙，直接@它就行。
OpenClaw 最厉害的地方——它不是让你去适应 AI，它是让 AI 来到你的工位旁边。
好，所有角色都到齐了。现在让我们看看——这家餐厅完整运转起来，是什么样的。
当所有角色就位——一个完整的场景
周一早上 9 点，你打开飞书。群里@了 OpenClaw 机器人：“帮我整理上周的项目进展，生成一份给老板的周报。”
然后你去接了杯水。
来，我帮你拆一下这背后发生了什么。
- 飞书机器人（外卖窗口）收到了你的订单——把消息传给了 OpenClaw。
- OpenClaw（餐厅）接到订单——启动 Agent 模式。
- Agent（自己看单出菜）开始拆解任务——“先读飞书文档，再整理要点，最后写周报。”
- 它发现你有一个叫“周报生成”的 Skill（菜谱）——自动加载，按标准流程来。
- 大模型（大厨）开始干活——阅读文档、提取关键信息、组织语言、生成周报。
- 整个过程消耗了一批 Token（食材+燃气）——读文档消耗输入 Token，写周报消耗输出 Token。
5 分钟后。
一份格式完整、重点突出的周报出现在飞书里。你端着水杯回来，低头一看——好了。
不是任何一个环节有多牛——是它们咬合在一起转起来的时候，效率的量级变了。
飞书给了入口，OpenClaw 给了调度，Agent 给了自主性，大模型给了智能，Skill 给了标准，Token 支撑了整个运转。
六个齿轮，一台机器。
上篇开了公司，这篇开了餐厅
回头看这两篇——
上篇讲的是概念本身。Prompt 是什么、Agent 是什么、Skill 是什么、MCP 是什么——一个“开公司”的故事，帮你认清每个概念的脸。
这篇讲的是概念之间的关系。大模型和 OpenClaw 是什么关系？Token 从哪来到哪去？Agent 和 Skill 怎么配合？飞书怎么串进来？——一个“开餐厅”的故事，帮你看清每个角色怎么协作。
两篇看完，你再跟人聊 AI——至少这些概念，你说得清楚了。而且你会发现一件事——你不需要懂什么大模型架构、什么 Transformer 原理、什么 Token 编码算法。你只需要知道——它能帮你干什么，你需要付出什么成本。
大厨的厨艺，你不需要比他更懂。你只需要知道——这家餐厅靠不靠谱，菜好不好吃，值不值这个价。
如果你读完觉得终于搞懂了，可以分享给身边有同样困惑的朋友。如果你还没尝试，不妨动手试试。AI 的世界，从来不是某一个概念的独角戏，它是一整桌大餐，等着你开席。想了解更多技术实践和深度讨论，欢迎来云栈社区交流分享。
发表于 2 小时前
|
查看: 2|
回复: 0
