大神Karpathy最新推文：AI技术栈长出了新的一层，叫Claw
Source: InfoQ - AI & LLM
Andrej Karpathy⼜造词了。
上⼀次是“vibe coding”——不看代码 ，⽤⾃然语⾔告诉AI你想要什么 ，它替你写。这个词从⼀条推⽂变成了全⾏业通⽤语。这⼀次他拎出来的词是Claw。
他说了什么
Karpathy发了条长推：买了台新Mac mini ，准备周末折腾OpenClaw——最近爆火的开源AI Agent项⽬，GitHub上20万颗星。
OpenClaw是什么？简单说 ，就是⼀个“住在你电脑⾥的AI助⼿ ”。 它不只是你问它答——它能⾃⼰读邮件、管⽇历、操作⽂件、跑脚本 ，你出门了它还在⼲活。你通过微信、Telegram、WhatsApp这些聊 天软件跟它说话 ，它就去执⾏。
但Karpathy话锋⼀转 ，说⾃⼰⼼⾥有点打⿎：这东西有40万⾏代码 ，很⼤⼀部分是AI“vibe coding”出来的——⼈都没细看过。 ⽽且正在被⿊客⼤规模攻击 ，实例被暴露、恶意代码混进插件市场的报告已经⼀堆了。他的原话：“彻底的蛮荒西部 ，安全噩梦。 ”
不只是Karpathy⼀个⼈这么觉得。 NanoClaw的作者Gavriel Cohen接受The New Stack采访时讲了个更具体的故事：装完OpenClaw那天晚上他没睡着。 Cohen做开发的⼈，习惯审查每⼀个依赖 ，结果发现OpenClaw把他⾃⼰⼏个⽉前写的⼀个GitHub⼩项⽬加进了依赖——只有⼏百颗星 ，好久没⼈维护。他说：“稍微做过代码审查的⼈看到这个包 ，都不应该往⾥加。 ”更离谱的是 ，他只让Agent监控⼏个WhatsApp群 ，结果它把所有WhatsApp消息都存进了本地数据库。
Cohen在NanoClaw的README⾥把OpenClaw的家底扒了个⼲净：52个模块、8个配置管理⽂件、45+依赖、15个渠道的抽象层。 安全靠的是应⽤层的⽩名单和配对码 ，不是操作系统级的隔离。所有东 西挤在⼀个Node进程⾥ ，共享内存。 Cohen说得很直⽩：“OpenClaw让全世界看到了⼀个激动⼈⼼的东西 ，但50万⾏没⼈审查过的代码连着你的⼀切——这地基 ，你敢往上⾯盖楼吗？”
话说回来 ，Karpathy说：但我喜欢这个概念。
他给了⼀个判断：Claw是AI技术栈上的新⼀层。打个⽐⽅——ChatGPT这类⼤模型是“顾问”，你问⼀ 句它答⼀句 ，不问就不动。AI Agent是“执⾏者”，你给它⼀个任务 ，它⾃⼰拆解步骤、调⽤⼯具、把事 办了——但办完就下线了。 Claw是“常驻员⼯ ”——不下线 ，有记忆 ，有⽇程 ，能⾃⼰安排事情、定时执⾏ 、 主动汇报。你睡了它还在⼲活。
那Claw和Agent到底什么关系？不是并列的两个东西——Claw把Agent包在⾥⾯。Agent是那个能⼲活的⼈ ，Claw是给这个⼈配的办公室、 ⼿机、 ⼯作⽇志和排班表。往具体了说 ，Claw在Agent之上加了⼏样东西：⼀个⼀直活着的进程（不是⼲完就退出）、⼀套调度机制（能⾃⼰定时触发任务）、消息路由 （统⼀对接各种聊天软件）、持久记忆（跨会话记住上下⽂）、 以及⼀个绑在具体硬件上的本地运⾏时（能碰你的⽂件和局域⽹设备）。 Karpathy的原话是“a new layeron top of LLM agents”——不是替代 Agent ，是让Agent能“住下来“的那层基础设施。
⼀个⼩项⽬，为什么让⼤神兴奋
整条推⽂⾥信息密度最⾼的部分 ，是他聊⼀个叫NanoClaw的⼩项⽬ 。
NanoClaw是OpenClaw的轻量替代品——体量不到OpenClaw的1%。 Cohen在README⾸页第⼀句话就是：“同样的核⼼功能 ，8分钟就能看懂的代码库。 ”核⼼代码只有⼏百⾏ ，整个项⽬⼤约35000个Token ，只占Claude Code上下⽂窗⼝的17%。每个agent跑在真正的Linux容器⾥ ，做到了⽂件系统级 的隔离。 Cohen打了个⽐⽅： 哪怕发⽣Prompt注⼊攻击 ，“爆炸半径也被死死限制在那个容器和对应的通信渠道⾥ ”——⽽OpenClaw呢？你家庭群的agent和连着⼯作代码仓库的agent跑在同⼀个进程 ，共 享内存 ，中间没有任何操作系统级的墙。
35000token这个数字为什么重要？因为AI agent可以⼀⼝⽓读完NanoClaw的全部代码 ，完全理解，直接上⼿写新功能。 OpenClaw的40万⾏得跨好多个上下⽂窗⼝——⼈看不完 ，AI也看不完。
Karpathy特别喜欢两点。第⼀ ，代码少到“装得进我脑⼦ ，也装得进AI的脑⼦ ”——看得懂、查得清、改得动。第⼆ ，NanoClaw有⼀个让他“有点炸脑”的设计：⽤skills代替配置⽂件。
什么意思？举个例⼦。
传统做法：你想让AI助⼿接⼊Telegram ，得去改配置⽂件 ，填API密钥 ，写⼀堆判断逻辑——“消息从Telegram来⾛这条路 ，从微信来⾛那条路”。功能越加越多 ，配置⽂件越来越厚 ，最后配置本⾝变成了 ⼀坨谁都不想碰的怪兽。
NanoClaw的做法：你跟AI说⼀句/add-telegram 。AI读取这条“Skill”——其实就是⼀份说明书 ，告诉 AI“要接⼊Telegram ，改哪些⽂件、 怎么改”。然后AI⾃⼰动⼿改代码 ，搞定。
不是⼈写配置 ，是AI照着知识改代码。
Cohen管这套思路叫“Skills over Features”——技能优先于功能。 NanoClaw明确不⿎励往主分⽀提交 新功能：你想加Slack⽀持？别提PR ，写⼀个skill。 Cohen说得⼲脆：“每个⼈应该只拥有跑⾃⼰agent所需的那些代码。 它不是瑞⼠军⼑ ，是⼀个安全的底座 ，你通过跟AI对话来定制。 ”
Karpathy从这⾥提炼出⼀句话 ，我觉得是整条推⽂最核⼼的洞察：
写⼀个最⼤程度可被改造的代码底座 ，然后⽤skills把它变成任何你想要的样⼦。
原⽂：“the implied new meta is to write the most maximally forkable repo and then have skills that fork it into any desired more exotic configuration.”
说⽩了：最厉害的软件不是功能最多的 ，⽽是最容易被改成任何样⼦的。
Karpathy的回复⽐原推还猛
Cohen在推⽂下⾯现⾝ ，解释了设计思路。他说skills系统像“shadcn for integrations”。
shadcn是前端圈很⽕的UI组件库。别的组件库让你装⼀个包、通过参数配置来⽤；shadcn是直接把源代码复制进你的项⽬——代码就是你的 ，想怎么改怎么改。⼀个组件就是加⼀个⽂件、改⼏个接⼊点，⼲净利落。
Skills对“集成”做了⼀样的事：不是配出来的 ，是⻓在你代码⾥的。
Karpathy接的这⼀句更猛。 他说这让他想起了深度学习⾥⼀篇经典论⽂——2017年的MAML。
MAML⼲嘛的？最通俗地说：普通的AI训练——拿⼀万张猫的图⽚ ，训练出⼀个识别猫的模型。换成识别狗？重新来。
MAML的思路——不追求把“识别猫“练到极致 ，追求练出⼀个底⼦ ，不管丢过来什么新任务——猫、狗、花——只要看⼏个例⼦就能学会。 不当单项冠军 ，当最快上⼿的万能选⼿。
Karpathy说他⼀直琢磨⼀个问题：这个思路搬到软件领域 ，对应的是什么？现在他看到了——最容易被fork（复制并修改）的代码仓库。
NanoClaw就是软件版的MAML：不把功能堆到最全 ，把底座做到“谁拿到⼿ ，⼏步就能改成⾃⼰想要的样⼦ ”。
⼀句话：学会怎么学 ，⽐学会什么重要。容易被改 ，⽐功能⻬全重要。
这不只是理论。 Cohen兄弟已经拿NanoClaw在跑⾃⼰的公司了。他们的AI营销公司Qwibit有个NanoClaw实例叫“Andy”，管着整条销售管线。Andy每天早上9点⾃动汇报线索状态、分配当天任务。 ⽩天兄弟俩往WhatsApp群⾥随⼿转各种客⼾笔记、 邮件线索 ，Andy⾃⼰解析、更新知识库和数 据库、设好跟进提醒。 Cohen说：“我不直接碰销售管线了 ，Andy替我管。 ”——这就是Claw从概念变成⽇常的样⼦。
AI时代 ，⽼规矩要改了
Cohen在采访⾥还聊到⼏条很有冲击⼒的看法——做NanoClaw让他意识到 ，AI Agent正在动摇程序员奉了⼏⼗年的⽼规矩。
“不要重复⾃⼰ ”（ DRY原则）可能过时了。以前写代码贵 ，所以⼤家把通⽤逻辑抽成共享函数 ，改⼀ 处全局⽣效。但AI agent改共享函数的时候 ，改完就⾛ ，不会回头看下游有没有被波及。 反⽽是复制⼀ 份代码更安全——出了问题只炸局部。 Cohen说：“维护重复代码的成本已经很低了。让AI跑⼀遍 ，同样的改动它会铺到所有地⽅ 。 ”
严格的⽂件⾏数限制也该松了。Cohen早期给Claude Code设了120⾏的上限 ，结果AI花在拆⽂件、 重构上的时间⽐写功能还多。现在的模型处理五百到⼀千⾏的⽂件毫⽆压⼒ ，旧规矩反⽽拖后腿。
代码不需要写得多漂亮。每隔三到六个⽉就有更好更便宜的模型出来 ，今天能跑就⾏——⼀年后更强 的AI会直接重写。 Cohen说：“我们今天写的代码 ，不需要为了未来⼏年⽽存在。 ”
这⼏条加在⼀起说的是同⼀件事： 当AI成了写代码和维护代码的主⼒ ，软件⼯程的经典原则需要重新校 准——不是因为它们错了 ，是因为成本结构彻底变了。
为什么Karpathy坚持买Mac mini跑本地
推⽂最后有句话很多⼈⼤概直接划过去了：
有个实体设备被⼀个⼩幽灵“附⾝ ”，变成你的个⼈数字家庭⼩精灵 ，这件事在美学上就很让⼈愉悦。
这不是随⼝⼀说。 Karpathy去年的年终总结⾥反复⽤ “ghost”（幽灵）描述AI——⼤语⾔模型不是“慢慢进化出来的动物” ，是“被召唤出来的幽灵” ，智⼒形状很奇怪 ，某些⽅⾯像天才 ，某些⽅⾯像⼩学⽣。
早先这个“幽灵”住在云端 ，你得打开⽹站去找它。后来Claude Code出来了 ，“幽灵”搬进了你的终端，帮你写代码。现在Claw⼜进了⼀步——“幽灵”住进了你家⾥⼀台⼩设备 ，连着你的智能灯泡、你的⽇历、你的聊天软件 ，⽩天替你处理杂事 ，晚上⾃⼰排明天的活。
Karpathy选本地不选云端 ，不只是技术上的偏好 ，背后是⼀个⼀以贯之的态度：AI应该是你拥有的、 你看得懂的、在你⾝边的东西——不是某家⼤公司的⿊盒⼦。 ⼏百⾏核⼼代码看得完 ，容器跑在我⾃ ⼰的硬件上 ，每个skill我能审查——都是这个态度的体现。
⼀个新品类正在成型
同⼀天 ，Python界元⽼Simon Willison发⽂确认：“Claw”正在变成⼀个⾏业术语 ，指代这⼀整类系 统。
这个品类⻓什么样？⼏条特征已经很清晰：
跑在你⾃⼰的硬件上 ，不是别⼈的云服务；
通过聊天软件交互——WhatsApp、Telegram、 Discord ，不⽤专⻔学⼀套新界⾯ . 不只是你问它答——它能⾃⼰安排任务、定时执⾏ 、 主动找你汇报；
有持久记忆 ，知道你上周跟它说了什么；
能⼒靠skills扩展 ，像装插件⼀样给它加新本事。
OpenClaw是引爆点 ，但Karpathy真正在意的不是OpenClaw这个项⽬——安全上他说了不放⼼。他在 意的是这个品类背后的架构层。 NanoClaw、 nanobot、zeroclaw、 ironclaw、 picoclaw……⼀堆名字在冒 ，说明⼤家都在往同⼀个⽅向跑。
⽤Karpathy的话把这个技术栈重新理⼀遍：⼤模型是顾问→ Agent是执⾏者→ Claw是常驻员⼯。
最后这⼀层刚刚⻓出来。很粗糙 ，安全问题⼀堆 ，Karpathy⾃⼰都说是蛮荒西部。但他的判断也很清楚：⽅向对了 ，剩下的是⼯程问题。
Cohen最近上了趟CNBC ，回来发推说了句更带劲的话：“整个产品品类正在被⼏⾏⽂字取代。监控⼀ 个⽹站的变化 ，以前是你每⽉花8美元订的SaaS。现在就是⼀条prompt。”
Claw ，就是让这条prompt住下来、⼀直跑下去的那层东西。
Karpathy嘴上说着安全噩梦 ，⾝体很诚实——Mac mini已经买了。