机器狗养龙虾（OpenClaw）第一天

最近，我开始深入研究宇树机器狗与 OpenClaw（“龙虾”）的协作开发方式。作为一名机器人爱好者，我一直在思考如何利用 AI 辅助工具来加速硬件开发的迭代效率。经过一番调研，我决定尝试用 OpenClaw 来辅助宇树 Go2 机器狗的 SDK 开发工作，探索人机协作的新范式。全部过程将在“龙虾实验室”社区（longxialab.cn）同步更新。龙虾实验室包含大量入门教程和龙虾应用资源，是个很不错的龙虾资源聚合平台。

我的机器狗是宇树的 Go2 版本——一款面向开发者的四足机器人平台，具备强大的运动控制能力和丰富的开放接口。

---

1 向龙虾下达开发任务

本次实验的核心想法是：将一个相对完整的工程任务直接交给 OpenClaw，观察它能否自主理解任务意图、分析代码库、并产出可用的文档和测试程序。

任务提示词如下：

请分析机器狗Python SDK，项目目录为 /home/fgai/project/resarch/openclaw_project/unitree_sdk2_python。需要完成的任务如下，不要再向我询问，直接按照任务要求完成即可。使用中文进行回答。

1. 在项目目录下创建子目录，用于存储相关文件。
2. 分析项目，其接口实现是依据 ROS，还是 DDS，或者其他。将分析结果保存在 overview.md。
3. 整理该 SDK 中所有可用的 API 接口和调用方式，保存在 API.md 中，并整理一份 Go2 专属文档 API_for_Go2.md。
4. 为 Go2 的 API 接口创建一系列 Python 测试程序，要说明使用方式与预期效果。并设置一个统一的 .env 作为配置文件，可以设置网络，例如默认为 eth0。

这个任务的特点是：没有给出任何代码细节，完全依赖 OpenClaw 对项目的自主理解与分析。任务涵盖了代码分析、文档撰写、测试脚本生成等多个维度，是一个典型的"扔锅"式工程任务。

---

2 任务执行

收到任务后，龙虾并没有向我追问任何问题，而是立即开始自主规划并拆解任务步骤。整个执行流程清晰、有条理，具体分为以下几个阶段：

（1）创建目录结构

龙虾首先在项目根目录下创建了两个子目录：

• docs/：用于存放 overview.md、API.md、API_for_Go2.md 等文档文件
• tests/：用于存放各类测试脚本

（2）分析通信架构

龙虾对 /home/fgai/project/resarch/openclaw_project/unitree_sdk2_python 进行了系统性的目录结构扫描，重点判断底层通信机制是基于 ROS、DDS，还是自研的 UDP/TCP 协议。这一步对于理解 SDK 的设计哲学和接口调用方式至关重要。

（3）提取并分类 API 接口

龙虾遍历了 SDK 中所有公开的类与方法，记录了参数定义、返回值类型和注释说明，并将接口区分为通用接口与 Go2 专属接口（如 Go2State、Go2Command、LowLevelInterface 等），为后续文档生成提供基础。

（4）生成文档与测试程序

最终产出包括：三份结构化文档 + 一组可运行的 Python 测试脚本 + .env 配置模板，覆盖了任务的全部要求。

---

3 任务运行结果

整个任务从 10:33 开始，到 10:36 结束，总耗时约 3 分钟，速度相当令人满意。考虑到任务本身涉及代码分析、文档撰写和脚本生成多个环节，这样的完成速度体现了 AI 辅助开发的效率优势。

以下是各产出文件的路径与部分内容展示。

全局接口与 API 文档目录：

测试程序目录：

overview.md 内容示例：

API.md 内容示例：

API_for_Go2.md 内容示例：

测试程序示例：

从输出结果来看，龙虾生成的文档结构完整、内容准确，测试脚本也具备良好的可读性和可运行性。对于一个从零开始分析陌生 SDK 的任务，这个表现已经相当出色。

---

4 Token 消耗分析

本次任务的 token 消耗情况值得单独分析。

总消耗约 52 万 token，其中：

• 输出 token：约 9 千（相对较少）

这个分布其实是合理的。龙虾在执行任务时需要反复读取 SDK 源代码文件——每读一个文件，该文件内容就会以输入 token 的形式进入上下文窗口。因此，输入 token 的大量消耗本质上反映的是代码库的体量，而非龙虾自身的"啰嗦"。

从费用角度来看，输入 token 的单价通常远低于输出 token（约为 1/3 至 1/5），所以总体成本在可控范围内。当然，如果面对的是千万乃至亿级别输入 token 的超大型项目，费用就需要提前规划了。

目前阶段，龙虾的 token 效率确实还有提升空间。随着模型的持续迭代以及上下文缓存（Prompt Caching）等技术的普及，相信未来的 token 消耗会进一步降低。

---

5 初步总结与思考

通过这次实验，我对 OpenClaw 辅助机器人开发有了更直观的认识：

• 优势明显：对于"分析 + 文档 + 测试脚本生成"这类结构化工程任务，OpenClaw 的表现非常稳定，几乎不需要人工干预即可完成全流程。
• 适合场景：SDK 调研、接口梳理、文档初稿生成、测试框架搭建等"繁琐但有规律"的工作，是目前龙虾的强项。
• 潜在局限：对于需要与硬件实时交互、依赖运行时反馈的调试工作，AI 的作用仍然有限，需要开发者亲自上手验证。

总体而言，这是一个令人鼓舞的开始。AI 并不是要取代工程师，而是帮助工程师从重复性劳动中解放出来，专注于更有价值的创造性工作。

---

6 下一步计划

下期我将对龙虾生成的测试脚本进行逐一验证，在真实的 Go2 机器狗上运行并记录结果，同时逐步尝试更复杂的任务，例如：

• 让龙虾辅助设计运动控制算法的测试框架
• 探索多智能体协作模式（多个龙虾实例并行处理不同子任务）
• 评估在长上下文任务中的 token 优化策略

敬请期待后续更新！