聂瓦我先把话撂在这儿：在没试过 OpenClaw 之前，打死我也不信“30秒在飞书里养出一个 AI 帮手”这种鬼话。之前我自己折腾过飞书机器人，最崩溃的一次是在飞书开放平台配回调地址，配了整整一下午，最后发现免费的内网穿透域名根本不可用，心情直接归零。所以当我看到“30秒在飞书养一只龙虾”这个说法时，第一反应是：又一个标题党。结果真上手之后发现，这玩意儿确实是那种“试过一次就回不去”的工具。
我给它起的名字就叫“龙虾”，底层跑的是开源的 OpenClaw 框架。简单理解，它就是一只24小时在线的 AI 下手：你在飞书里私聊它、拉它进群、让它查资料、写文案、整理表格、跑任务，它都能接。这篇文章我不打算复读官方文档，而是从“我实际部署 + 用了一段时间”的经验出发，把 OpenClaw 是什么、飞书接入怎么配、哪些坑我替你先踩过了、怎么让它真正当起“下手”这几件事讲清楚。适合谁看？如果你是团队里负责搞 AI 工具落地的同学，或者个人想做个随时在线的 AI 助理，这篇应该能帮你省下不少时间。
1. 先搞清楚 OpenClaw 的工作方式，你才知道 30 秒快在哪
1.1 传统飞书机器人的工程量，全被它吞掉了
很多人以为飞书机器人难在“创建应用”，其实飞书开放平台文档写得很清楚，创建机器人本身不费劲。真正难的是“让机器人背后有一副大脑”。你至少需要：自己起一个 HTTP 服务接收飞书推送的消息事件；把消息传给大模型 API；拿到回复后按飞书消息格式回传；再处理多会话、上下文、重试、超时这些问题。
这些事情单独拆开每一项都不难，但堆在一起就是个工程。更别提还要考虑机器人是否要多渠道复用、是否要支持命令执行、是否要能动态扩展技能。对大多数团队来说，为了一个“帮我在群里回消息”的需求去养个后端服务，性价比真的很低。OpenClaw 就是冲着这个痛点来的。它是一个开源的 AI Agent 运行时，把“接模型”“接渠道”“跑技能”三件事做成了标准化配置。你不需要从零写服务端，只需要填配置。
1.2 一个链路看清“龙虾”背后的大脑
你在飞书里看到的那个“龙虾”，本质上是一条完整链路在背后工作：渠道层由飞书机器人负责收发消息，OpenClaw 的飞书适配器监听消息事件；大脑层配置好模型后，OpenClaw 会把用户消息组装成上下文，交给大模型推理；行动层模型不只是“聊天”，它可以调用 OpenClaw 提供的工具（查文档、跑命令、访问 API），这是“下手”二字的由来；审批层涉及高风险操作（比如在服务器上执行 shell 命令、删除文件）时，OpenClaw 会走审批机制，不会让 AI 不经确认就乱动你的机器。
这一点我特别看重。很多 AI Agent 工具让模型直接操作终端，看着很酷，但风险极大。OpenClaw 默认带着审批机制，等于给 AI 的“手”上了个锁，这个设计非常成熟。
1.3 /root/.openclaw 里都存了啥
很多报错都和这个目录有关。我第一次看到 “legacy exec approvals exist at /root/.openclaw/exec-approvals.json” 这个提示时也懵了一下。实际上，部署完成后 OpenClaw 会在用户目录下建一个 .openclaw 目录，里面至少有几类东西：
- 主配置文件：渠道配置、模型配置、Agent 身份配置
- exec-approvals.json：命令执行审批名单，记录哪些高危命令模板被批准过
- 日志文件：启动日志和运行日志
- skills 目录：技能插件存放位置
如果是 root 部署，路径就是 /root/.openclaw；普通用户部署一般是 ~/.openclaw。搞清楚这个目录，后面排查报错会轻松很多。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 30 秒部署前，先把这三样东西准备好
2.1 服务器：2C2G 起步，没有显卡也能跑
我先说结论：部署 OpenClaw 不需要 GPU，我在一台 2C2G 的轻量云服务器上跑得很稳。因为它本身不跑大模型，只是把请求转发给远端模型 API，Agent 运行时对 CPU 和内存的消耗都不大。系统