系列说明：本系列全面介绍 OpenClaw 开源 AI 智能体框架，从历史背景到核心原理，从安装部署到应用生态。本文为系列第 024 篇，结合 2026 年 3 月技术社区最新实践，系统解析如何为 OpenClaw AI Agent 构建完整的可观测性体系，涵盖日志、指标、链路追踪三大支柱与主流工具方案选型。

摘要

OpenClaw 可观测性是将 AI Agent 安全引入生产环境的核心前提。本文系统梳理 2026 年 3 月技术社区涌现的三类主流方案：① Clawmetry——面向个人开发者的零配置本地仪表盘，pip install clawmetry 即可使用；② @opik/opik-openclaw——企业级全链路追踪插件，自动捕获 LLM 调用、工具执行、子 Agent 编排的完整 Span；③ OpenTelemetry 生态——官方 diagnostics-otel 插件 + AI Observe Stack / 阿里云 SLS 等后端，覆盖 Logs、Metrics、Traces 三支柱。文章还提供 Session 审计日志数据结构解析、关键告警规则、多源联动排查路径，以及从个人到企业的完整方案选型指南。

一、为什么 OpenClaw 生产部署必须做可观测性

1.1 AI Agent 行为的本质不确定性

OpenClaw 是一个行为不确定的自主 Agent 框架——这与传统后端服务有本质差异。传统 API 调用的代码路径是静态可分析的；而 OpenClaw Agent 的每次执行路径由 LLM 实时推理决定，同样的输入可能产生完全不同的工具调用序列。

这种不确定性意味着：你无法通过代码审查预判 Agent 在生产环境的所有行为。没有可观测性，OpenClaw 就是一个黑盒——能跑，但不知道它在做什么、花了多少钱、是否越界。

OpenClaw 可观测性需要回答的四个核心问题：

  1. 谁在触发调用：哪个用户、哪个渠道（Telegram/微信/飞书等）发起了这次会话？
  2. 花了多少钱：这次任务消耗了多少 Token，实际 API 费用是多少？
  3. 做了哪些操作：Agent 调用了哪些工具，执行了哪些 Shell 命令，读写了哪些文件？
  4. 行为是否可追溯：出现异常时，能否完整还原工具调用链路？

回答不了这四个问题，就不能说 OpenClaw Agent 在"受控运行"。

1.2 未经观测的 OpenClaw 生产部署存在哪些风险

技术社区实践案例揭示了以下典型风险：

Token 成本失控：Agent 在处理某些任务时可能陷入"思维循环"——反复调用 LLM 而不收敛，导致 Token 消耗急剧膨胀。没有实时告警，这种情况可能持续数小时，一夜产生数百美元账单。

行为越界：OpenClaw Agent 天然具备执行 Shell 命令、读写文件、调用外部 API 的能力。模型因上下文理解偏差而触发预期之外的高危操作（如批量删除文件、向外部接口泄露私钥）在实际案例中已有记录。

Prompt 注入攻击：恶意用户在输入中嵌入指令，引导 Agent 执行非授权操作。没有审计日志，这类攻击极难被发现和溯源。

性能隐性降级：随着会话历史积累，上下文窗口逐渐填满，Agent 响应延迟持续增加，最终无法正常工作。可观测性体系能提前预警这种降级趋势。

1.3 OpenClaw 可观测性三支柱

经典可观测性理论（Observability Three Pillars）将系统状态的感知分为三个维度，在 OpenClaw 中的具体体现如下：

支柱 核心问题 OpenClaw 中的数据来源
Logs（日志） 发生了什么？ Session JSONL 审计日志、应用运行日志
Metrics（指标） 有多少 / 多快？ Token 消耗、延迟、错误率、API 费用
Traces（链路追踪） 调用链如何？ LLM 调用 Span、工具调用 Span、子 Agent 编排图

三者缺一不可：单纯依赖日志只能事后排查；单纯依赖指标只能感知宏观趋势；缺少 Traces 则无法定位具体请求的根因。2026 年 3 月的主流 OpenClaw 可观测方案均已实现三支柱统一覆盖。

二、方案一：Clawmetry——OpenClaw 专属零配置监控仪表盘

2.1 什么是 Clawmetry

Clawmetry 是专为 OpenClaw 设计的开源实时可观测性仪表盘，由社区开发者 vivekchand 于 2026 年初发布。它的定位是"AI Agent 界的 Grafana"——但无需配置数据源、无需搭建服务器、无需任何云账号，开箱即用。

一句话定义：Clawmetry 是一个运行在本机的轻量级 Python 服务，自动读取 OpenClaw 的 Session 日志和配置文件，通过 Web 界面实时展示 Agent 的运行状态、工具调用、Token 消耗和系统健康状态。

官方仓库：https://github.com/vivekchand/clawmetry
官网：https://clawmetry.com

2.2 Clawmetry 的六大核心功能

① Live Flow 实时流程可视化：仪表盘通过动态 SVG 流程图实时渲染 Agent 正在处理的消息流。不同事件类型使用不同颜色标注：文件读取为蓝色、Shell 命令执行为橙色、工具调用为绿色、LLM 推理为紫色。你能直观看到 Agent 当前的"思维流"。

② 子 Agent 独立监控：对于使用了多智能体架构（参见第 018 篇）的场景，Clawmetry 展示每个子 Agent 的独立行为流水——工具调用序列、文件访问记录、执行耗时。

③ Token 与费用多维追踪：按会话、模型、工具三个维度统计 API 费用消耗，支持日/周/月趋势图。对于接入了多个 LLM 模型的场景，可以清晰看到各模型的成本占比。

④ 会话历史回放：每次 OpenClaw 会话的完整时间线被持久化记录，包含工具调用顺序、返回值和成本明细，支持随时回放。

⑤ Cron 定时任务管理：OpenClaw 的定时任务执行状态和历史记录一目了然，方便排查定时任务失败或超时问题。

⑥ 系统健康监控：磁盘使用率、OpenClaw 服务在线状态等基础系统指标实时展示。

2.3 Clawmetry 安装与启动（三种方式）

Clawmetry 仅依赖 Python 3.8+ 和 Flask，安装极为简单：

# 方式一：pip 安装（推荐，适合大多数用户）
pip install clawmetry
clawmetry                        # 启动后访问 http://localhost:8900

# 方式二：一键脚本安装
curl -fsSL https://clawmetry.com/install.sh | bash

# 方式三：从源码安装（适合开发者贡献或定制）
git clone https://github.com/vivekchand/clawmetry.git
cd clawmetry
pip install flask
python3 dashboard.py

支持自定义端口和工作空间路径：

clawmetry --port 9000 --workspace /path/to/openclaw/workspace

启动后，Clawmetry 自动读取 OpenClaw 的配置文件和 Session 日志，无需任何额外配置。

2.4 Clawmetry 的适用场景

Clawmetry 最适合个人开发者和小团队的本地/边缘部署场景。其核心优势是：完全本地运行、无云服务依赖、无数据外传（隐私安全）、跨平台支持（macOS / Linux / Windows WSL / 树莓派）。

不适合场景：大规模生产环境的多实例监控、需要历史数据长期留存与合规审计的企业场景——这些场景推荐下文的 Opik 或 OpenTelemetry 方案。

三、方案二：Opik 插件——企业级 OpenClaw 全链路追踪

3.1 @opik/opik-openclaw 是什么

@opik/opik-openclaw 是 Comet ML 公司为 OpenClaw 开发的原生可观测性插件，于 2026 年 3 月 3 日正式发布。Opik 本身是一个开源的 LLM 和 Agent 可观测性平台，支持追踪、评估、监控全链路。

核心价值：无需修改任何 OpenClaw 业务代码或 Skill 定义，通过 OpenClaw 原生插件机制集成，即可获得从 LLM 调用到工具执行的完整追踪数据，并支持内置的 LLM-as-a-Judge 质量自动评估。

3.2 @opik/opik-openclaw 的追踪能力详解

插件自动捕获以下五类 Span 数据：

LLM 请求/响应 Span：记录每次模型调用的完整输入输出、Token 数量（prompt tokens + completion tokens）、推理延迟和实际费用。支持 Claude Sonnet、GPT-4o、Gemini 等主流模型。

工具调用 Span：捕获每次工具调用的入参、返回值和执行耗时。报错的工具调用会额外记录错误类型和堆栈信息。

子 Agent 编排 Span：在多智能体场景中，完整追踪 Orchestrator → Sub-Agent 的委托链，展示 Agent 网络的执行拓扑图。

记忆操作 Span：记录 OpenClaw Memory 系统的读取和写入操作，帮助分析上下文管理效率。

端到端对话线程：即使 Agent 跨多个子 Agent 或多次定时心跳执行，Opik 均能将其关联为一条完整对话链路，提供全局追踪视角。

3.3 安装与配置步骤

# 第一步：安装插件
openclaw plugins install @opik/opik-openclaw

# 第二步：配置 Opik 后端（选择 Cloud 或自托管）

# 选项 A：使用 Opik Cloud（注册后获取 API Key）
export OPIK_API_KEY=your_api_key_here
export OPIK_PROJECT_NAME=my-openclaw-project

# 选项 B：使用自托管 Opik 实例（数据不出域）
export OPIK_URL_OVERRIDE=http://your-opik-server:5173

# 第三步：重启 OpenClaw，追踪数据自动流入 Opik

安装后，Opik Dashboard 提供四个核心视图：

  • Traces 视图：每次 OpenClaw 会话的完整调用树，可展开查看每个节点的详细数据
  • Spans 视图：跨会话的工具调用统计，识别高频调用路径和性能瓶颈
  • Cost 视图：按模型、按项目、按时间段的费用分析（精确到单次 Session）
  • Evaluation 视图：LLM-as-a-Judge 自动质量评估结果

3.4 LLM-as-a-Judge 自动评估配置

Opik 的独特能力是内置评估框架，可自动对每次 OpenClaw Agent 响应运行质量评估：

# Opik Dashboard 中的评估指标配置（Python SDK）
from opik.evaluation.metrics import (
    Hallucination,
    AnswerRelevance,
    ContextPrecision,
)

evaluation_config = {
    "hallucination_detection": Hallucination(),    # 幻觉检测
    "answer_relevance": AnswerRelevance(),          # 答案相关性
    "context_precision": ContextPrecision(),        # 上下文精确度
}

这将 OpenClaw 的质量监控从"人工抽检"升级为"自动持续评估"——这是企业级 AI Agent 部署不可缺少的能力。

3.5 Opik Cloud vs 自托管版本对比

维度 Opik Cloud Opik 自托管
数据存储位置 Comet ML 云端 自有服务器
免费额度 5,000 traces/月 无限制
付费方案 团队版约 $29/月起 仅服务器成本
合规要求 适合一般场景 适合数据不出域的企业
维护成本 零 需自行运维

四、方案三：OpenTelemetry 生态——标准化可观测管道

4.1 OpenClaw diagnostics-otel 插件详解

OpenClaw 官方 @openclaw/diagnostics-otel 插件于 2026 年 2 月发布，是 OpenClaw 可观测性体系标准化的核心里程碑。基于 OpenTelemetry（OTel）规范，任何支持 OTLP 协议的后端——包括 Grafana Cloud、阿里云 SLS、Jaeger、Prometheus、AI Observe Stack——都可以直接接收 OpenClaw 的遥测数据，无需任何适配开发。

在 openclaw.json 中启用插件：

{
  "plugins": [
    {
      "name": "@openclaw/diagnostics-otel",
      "config": {
        "endpoint": "http://localhost:4318",
        "protocol": "http/protobuf",
        "captureMessageContent": false,
        "exportInterval": 5000
      }
    }
  ]
}

关键配置参数说明：

参数 默认值 说明
endpoint http://localhost:4318 OTLP Collector 地址
protocol http/protobuf 传输协议，支持 http/protobuf 和 grpc
captureMessageContent false 是否捕获消息原文（涉及隐私，生产环境建议关闭）
exportInterval 5000 指标导出间隔（毫秒）

4.2 diagnostics-otel 导出的核心遥测数据

Metrics（指标）——OpenClaw 导出的标准 OTel 指标列表：

指标名称 类型 标签 说明
openclaw_tokens Counter model, provider Token 消耗量
openclaw_session_duration Histogram channel 会话处理耗时分布
openclaw_tool_calls Counter tool_name, status 工具调用次数
openclaw_session_stuck Gauge — 当前卡死会话数
openclaw_webhook_errors Counter channel Webhook 错误次数
openclaw_cost_usd Counter model, provider 累计 API 费用（美元）

Traces（链路追踪）——典型的 OpenClaw Span 树结构：

message.handle  (Root Span，整个消息处理链路)
├── llm.call  (LLM 推理 Span)
│   ├── model: "claude-sonnet-4-5"
│   ├── prompt_tokens: 1234
│   └── completion_tokens: 456
├── tool.invoke  (工具调用 Span)
│   ├── tool_name: "browser"
│   ├── input: { "url": "https://..." }
│   └── output: { "content": "..." }
└── agent.delegate  (子 Agent 委托 Span)
    └── sub_agent.handle
        └── ...（递归子结构）

4.3 对接 AI Observe Stack（Apache Doris 方案）

AI Observe Stack 是专为 AI Agent 场景设计的开源可观测平台，基于 Apache Doris（或阿里云 SelectDB）构建，由阿里云开发者社区于 2026 年 3 月推出。

整体架构：

OpenClaw
  └─── @openclaw/diagnostics-otel 插件
         └──> OTel Collector (localhost:4318)
                ├──> Apache Doris（存储与 SQL 分析引擎）
                │      └──> Grafana + Doris App 插件（可视化）
                └──> filelog 采集器
                       └──> Session JSONL 日志 + 应用日志

快速部署命令：

# 克隆仓库
git clone https://github.com/ai-observe/ai-observe-stack.git
cd ai-observe-stack/docker

# 开发/测试环境：包含本地 Doris 实例
docker compose up -d

# 生产环境：使用阿里云 SelectDB（修改 .env 后启动）
cp .env.example .env
# 在 .env 中填入 SelectDB 连接信息
docker compose -f docker-compose-without-doris.yaml up -d

AI Observe Stack 提供三类预置 Grafana Dashboard：

安全审计大盘：高危命令检测（rm -rf、sudo 等模式）、Prompt 注入检测（“ignore previous instructions” 等语义）、外发操作审计（邮件/消息/API 调用）、敏感文件访问日志。

成本效率大盘：Token 使用趋势（按模型、会话统计）、Context Window 膨胀分析、单次对话成本拆解。

Agent 行为大盘：工具调用分布热图、请求延迟百分位分布、会话流水追踪视图。

4.4 对接阿里云 SLS（日志服务）方案

掘金社区实战文章（作者：徐可甲，2026-03-03）提供了基于阿里云 SLS 的集成方案，核心思路是将 OpenClaw 的三类数据汇入 SLS：

Session 审计日志（~/.openclaw/sessions/*.jsonl）
  └─── LoongCollector 采集 ──> SLS LogStore（行为审计）

应用运行日志
  └─── LoongCollector 采集 ──> SLS LogStore（系统运维）

OTel 遥测数据（Metrics + Traces）
  └─── OTLP 协议直推 ──> SLS MetricStore（实时监控与告警）

SLS 方案的核心优势：OTLP 原生支持、SPL 查询语言功能强大、与阿里云安全合规体系深度集成、支持实时告警与日志 SLA。适合已有阿里云基础设施的企业用户。

五、OpenClaw Session 审计日志深度解析

5.1 Session 日志的数据结构

OpenClaw Session 审计日志是可观测性体系的基础数据源，由 OpenClaw 核心的 SessionManager 模块自动生成，以 JSONL 格式写入 ~/.openclaw/sessions/ 目录（每天一个文件）。

Session 日志包含三类核心记录：

// 工具调用记录（type: toolCall）
{
  "type": "toolCall",
  "sessionId": "sess_abc123",
  "timestamp": "2026-03-25T07:00:00.000Z",
  "tool": "browser",
  "input": { "url": "https://example.com" },
  "status": "success",
  "durationMs": 1234
}

// LLM 响应记录（type: llmResponse）
{
  "type": "llmResponse",
  "sessionId": "sess_abc123",
  "timestamp": "2026-03-25T07:00:01.000Z",
  "model": "claude-sonnet-4-5",
  "provider": "anthropic",
  "promptTokens": 2048,
  "completionTokens": 512,
  "costUsd": 0.0031
}

// 消息记录（type: message）
{
  "type": "message",
  "sessionId": "sess_abc123",
  "timestamp": "2026-03-25T07:00:02.000Z",
  "role": "assistant",
  "channel": "telegram",
  "userId": "user_xyz"
}

5.2 关键审计 SQL 查询（SLS SPL 语法）

场景一：高危工具调用监控

* | WHERE type = 'toolCall'
  AND tool IN ('exec', 'write', 'gateway', 'browser')
  AND status = 'success'
| stats count() AS call_count BY tool, date_trunc('hour', __time__)
| ORDER BY call_count DESC

场景二：敏感数据外泄检测

* | WHERE type = 'toolResult'
  AND (output LIKE '%API_KEY%'
    OR output LIKE '%password%'
    OR output LIKE '%private_key%'
    OR output RLIKE '[A-Z0-9]{20}')
| PROJECT sessionId, tool, timestamp

场景三：按模型成本归因分析

* | WHERE type = 'llmResponse'
| stats
    sum(promptTokens)     AS total_prompt_tokens,
    sum(completionTokens) AS total_completion_tokens,
    sum(costUsd)          AS total_cost_usd
  BY model, provider
| ORDER BY total_cost_usd DESC

5.3 推荐告警规则配置

建议为以下场景配置实时告警，这是 OpenClaw 生产运维的基础保障：

告警场景 监控指标 建议阈值 响应动作
Token 消耗激增 单会话 Token 总量 > 50,000 立即检查是否出现死循环
会话卡死 openclaw_session_stuck > 0 介入人工排查
高危工具高频调用 exec / write 调用频率 > 10次/分钟 检查是否遭受注入攻击
Webhook 错误率超标 Webhook 请求错误率 > 5% 检查渠道连接状态
日费用超限 当日累计 costUsd 自定义阈值 检查是否有异常长会话

六、多源联动排查：从告警发现到根因定位

6.1 标准排查路径

生产环境的 OpenClaw 问题排查建议遵循以下固定路径，从宏观到微观逐层深入：

[OTEL Metrics 告警] 发现异常（如 Token 激增、延迟飙升）
         ↓ 定位异常时间窗口和 Session ID
[Traces 视图] 查看该 Session 的完整调用链
         ↓ 发现异常 Span（如 LLM 调用次数异常多）
[Session JSONL 日志] 还原逐步工具调用序列
         ↓ 定位具体异常操作
[应用运行日志] 查看系统层面的错误信息（如 Webhook 超时、模型返回错误）
         ↓
[根因分析] 是配置问题/Skill 逻辑问题/外部服务问题？

6.2 实战案例：诊断 OpenClaw Token 消耗激增

以下是一个使用 Opik + Session 日志联合排查 Token 异常消耗的完整真实案例：

第一步：Opik Cost 视图发现异常

在 Cost 视图中发现某个会话的 Token 消耗超过 10 万，是日常均值的 20 倍。异常时间窗口锁定为 2026-03-25 06:15–07:00。

第二步：Traces 视图分析调用链

打开该会话的 Trace 记录，发现 llm.call Span 出现 47 次（正常任务通常 3–8 次），且每次 prompt_tokens 持续增长——典型的上下文窗口膨胀 + 循环调用特征。

第三步：Session JSONL 日志溯源

# 提取该会话的工具调用序列
cat ~/.openclaw/sessions/2026-03-25.jsonl \
  | jq 'select(.sessionId == "sess_abc123" and .type == "toolCall")' \
  | jq -r '[.timestamp, .tool, .status] | @tsv'

输出显示：Agent 在反复调用 web_search 工具，但每次返回内容都被追加到上下文，最终陷入"搜索 → 读取 → 再搜索"的死循环。

第四步：定位 Skill 配置问题并修复

检查 Agent 使用的 Skill 的 SKILL.md 定义，发现 System Prompt 中缺少循环终止条件。添加 当搜索结果满足要求时立即停止搜索并输出结论 的明确指令后，Token 消耗恢复正常。

七、OpenClaw 可观测性方案选型指南

7.1 按场景选择方案

使用场景 推荐方案 核心理由
个人开发者日常调试 Clawmetry 零配置、本地运行、立即可用
小团队生产环境 Opik Cloud 版 开箱即用、内置质量评估
企业私有化部署 Opik 自托管 + diagnostics-otel 数据不出域、企业合规
阿里云技术栈用户 diagnostics-otel + SLS 深度云原生集成、SPL 查询强大
数据工程团队 AI Observe Stack（Doris） SQL 分析灵活、自定义仪表盘
多框架混用场景 diagnostics-otel + 任意 OTLP 后端 标准协议、生态最广

7.2 各方案成本参考

  • Clawmetry：完全免费，仅需本地 Python 3.8+ 运行环境
  • Opik Cloud：个人免费（5,000 traces/月），团队版约 $29/月起
  • Opik 自托管：开源免费，服务器成本视规模约 ¥100–500/月
  • AI Observe Stack + 阿里云 SelectDB：按存储和查询量计费，小规模约 ¥200/月

7.3 分阶段落地路线

阶段一：入门观测（个人 / 测试环境）
安装 Clawmetry → 快速获得可视化反馈 → 了解 Agent 基本行为模式和 Token 消耗规律。

阶段二：生产化部署（小团队 / SaaS 应用）
启用 diagnostics-otel 插件 + 接入 Opik → 获得全链路 Traces 和质量评估 → 将 Session JSONL 日志接入日志服务并建立基础告警规则。

阶段三：企业合规（大型企业 / 高安全要求）
在阶段二基础上，部署 AI Observe Stack 安全审计大盘 → 配置高危操作实时告警 → 日志留存 ≥ 90 天满足合规审计要求 → 定期输出 Token 成本报告和安全审计报告。

常见问题解答（FAQ）

Q：OpenClaw 可观测性和传统应用监控有什么区别？
A：传统应用监控关注系统资源和 API 成功率；OpenClaw 可观测性还需额外关注 LLM 调用质量（幻觉率、答案相关性）、工具调用的安全性（是否执行了预期之外的命令）和 Token 成本控制，这三类维度在传统监控体系中没有对应。

Q：Clawmetry 和 Opik 可以同时使用吗？
A：可以。两者互不冲突，Clawmetry 读取本地 Session 日志提供实时可视化，Opik 通过插件机制捕获更细粒度的 Span 数据并上传云端。在测试阶段同时使用有助于交叉验证数据的准确性。

Q：diagnostics-otel 捕获的消息内容会上传吗？
A：默认情况下，captureMessageContent 参数为 false，即不捕获消息原文，仅记录 Token 数量、延迟、费用等元数据。开启后，消息内容会被发送至你配置的 OTLP Collector 端点——确保该端点在你的信任域内。

Q：如何估算接入可观测性体系的性能开销？
A：根据社区实测，diagnostics-otel 插件在 5000ms 导出间隔配置下，对 OpenClaw 的响应延迟影响 < 2ms，内存额外占用约 30MB，可以忽略不计。Clawmetry 是独立进程，对 OpenClaw 无性能影响。

总结

OpenClaw 可观测性不是锦上添花，而是生产化部署的基础设施。 当 Agent 开始真正执行命令、读写文件、调用外部 API，你必须知道它在做什么。

2026 年 3 月，技术社区围绕 OpenClaw 可观测性的实践体系已趋于成熟，形成了清晰的工具分层：

  • Clawmetry：个人开发者的零配置入门选择，pip install clawmetry 立即可用
  • @opik/opik-openclaw：企业级全链路追踪 + LLM-as-a-Judge 质量评估，openclaw plugins install 接入
  • @openclaw/diagnostics-otel：官方 OTel 标准接口，对接任意 OTLP 兼容后端
  • AI Observe Stack：开源安全审计平台，基于 Apache Doris 提供 SQL 级分析能力

从 Logs、Metrics 到 Traces，从个人调试到企业合规审计，OpenClaw 的可观测性生态已覆盖全场景。让你的 AI Agent 在阳光下运行——这是负责任的 AI 生产化之路。

上一篇：[第 023 篇] OpenClaw 插件市场与平台化演进——从工具到智能体平台的范式跃迁

下一篇：[第 025 篇] OpenClaw v2026.3.22+v2026.3.23 安全与架构全面升级：从版本迭代看 AI Agent 工程化实践

参考资料

  1. 如何监控 OpenClaw？最佳监工 Clawmetry - CSDN
  2. opik-openclaw 官方插件发布 - Opik Changelog 2026-03-03
  3. 你的 AI Agent 真的在受控运行吗？- 阿里云开发者社区
  4. 基于 OpenClaw 与阿里云 SLS 构建 AI Agent 可观测体系 - 掘金
  5. 我们用 AI Observe Stack 观测了 OpenClaw - 阿里云开发者社区
  6. Instrumenting Your OpenClaw Agent with LangWatch via OpenTelemetry - LangWatch
  7. OpenClaw 官方文档
# 人工智能 # AI作画 # 自然语言处理 # AIGC
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

本地部署 OpenClaw + Ollama + DeepSeek 完整指南

本文提供Windows系统本地部署OpenClaw+Ollama+DeepSeek的完整指南，包含环境准备、安装配置和验证测试全流程。环境要求Windows 10/11系统、8GB内存(推荐16GB+)、10GB磁盘空间及Node.js环境。主要内容包括：Ollama安装与模型下载(DeepSeek中文模型和Llama通用模型)、OpenClaw框架安装、服务集成配置、常见问题解决方法以及性能优化

avatar AtomGit开源社区

美团全栈岗位新要求：AI Coding工具，你会用吗？

摘要：美团2026届全栈岗位首次明确要求"善于使用AICoding工具"，标志着AI编程工具从可选变为必选。行业数据显示，掌握AI工具的程序员薪资溢价达56%，GitHub Copilot等工具可提升50%编码效率。主流工具包括GitHub Copilot（基础编码）、Cursor（深度理解）和Claude Code（任务分解）。建议开发者从Copilot入门，结合Prompt

avatar AtomGit开源社区

少走弯路：2026 最新降AI率平台测评与推荐

2026年真正好用的AI论文降重与改写工具，核心看降重效果、去AI味、格式保留、学术适配四大指标。综合实测，千笔AI、ThouPen、豆包、DeepSeek、Grammarly 是

avatar AtomGit开源社区