前言
这几天随着 OpenClaw 爆火，近期这一类的智能助手工具层出不穷。我自己搭建了几个试了试，顺手记一笔，不比较功能、性能，因为她们还在快速开发迭代中，随时都有变化。最终评价基本看眼缘，随便说说。
体验
OpenClaw
这个是带头大哥，据说功能挺强的，不过对系统要求也挺高，在我的小鸡上跑不动，装完只能卸载了。
Nanobot
这个是HK大学用 Python 开发的，我第一个体验的是它，非常轻量，而且功能不弱，运行很稳定，而且流畅。
Picoclaw
这是用 go 语音写的，性能很优秀，资源要求更低。它的配置是以模型为中心，在需要多个模型，或者是模型备用或负载均衡的场景下，这个功能很好用。我把 "restrict_to_workspace": true, 改成了 false，让它能操作整个系统。我用的比较习惯的还是这个，它的安全性不像 zeroclaw 管得那么多，但对于一些危险命令还是会阻止，比如批量删除、直接操作磁盘等。这就省事多了。
zeroclaw
这个是 rust 写的，资源要求最低，功能却非常丰富。不过它的配置用的是 toml，不像前面的是 json，格式一下子不适应，花了很多时间，但熟悉之后非常方便，毕竟 toml 比 json 好读，还能配置成系统服务，不需要操心细节。我改成了 workspace_only = false，但它还需要把需要放行的命令和目录添加到白名单，的确很繁琐。安全性和便捷性需要自己取舍，话是没错，但不适合爱折腾的人。如果是拿它查资料做分析之类的场景就刚刚好，但我要它来管理系统，动辄权限不足，得加很多白名单，太麻烦了。
思考
首先毋庸置疑这些工具当然是非常好的，但仔细思考它们能做的事情看上去很多，但实际上未必值得。从经济成本而言需要用尽可能好的模型，花费不小；从时间成本而言需要花时间和精力去对它进行调教，可能比自己做反而更加麻烦。
如果一件事情要重复许多次，可能还是写一个程序更划算。不管是人工写，还是智能编程工具写，这已经和它们没关系了。当然一定要它们写肯定也能写，但需要消耗的 token 比直接调用编程专用的 AI 工具大太多了。
另外会有一些场景确实用死板的程序很难处理，但是 LLM 天生的不确定性导致不一定有好的效果，还得要花大量时间手把手教它们，回头一想可能自己都已经能做完了。
所以，它们实际能做的，也就是那些用到次数比较少的、临时性的、写一个程序又不值得的任务。而且太复杂的它们可能做不好，太简单的又不值得交给它们。因此它们实际能做的事情，其实范围是非常狭窄的。
总之，我最后的感觉是，也不能说它们完全没用，但真要说它们能用在什么地方却也一下子说不出来。最后还是借用曹操的一句话来总结——“鸡肋”。
