上门安装 OpenClaw，年入百万？

OpenClaw 最近火到什么程度？火到衍生出一门上门安装的生意。

海外代装平台 SetupClaw 已经给出明码标价：托管安装，3000 美元；含 Mac mini 硬件的远程配置，5000 美元；含 Mac mini 硬件的现场配置，6000 美元。创始人 Michael 更是号称靠这门手艺，有望年入百万美元。

国内社交平台上，上门安装的帖子也开始冒头，500 到 1000 元一次，现场验收。但这门生意能成立，前提是有人愿意掏这个钱。他们是谁，又为什么愿意为一个开源软件的安装服务买单？

帮人上门安装 OpenClaw，年入百万？

要回答这个问题，得先搞清楚 OpenClaw 究竟是什么。

OpenClaw 是一款开源、本地优先、可自托管的自主 AI 代理与自动化平台，自开源发布以来已经在 Github 上收获 24 万 stars，其核心是用自然语言指令让 AI 能够直接在你设备上 「执行任务」，而非像 chatbot 聊天机器人一样仅提供对话回复。

▲ Github 地址：https://github.com/openclaw/openclaw

它还支持接入各类聊天软件作为入口，比如你只需在 Telegram 或 WhatsApp、iMessage 等平台里发一句话，比如「帮我整理今天的邮件并把重要的标出来」，它就会在后台自动完成，还会主动找你汇报进度。

对于每天要处理大量信息的人来说，这确实是个好帮手。但问题在于，它的安装过程对普通人极不友好。

OpenClaw 的底层是一套面向开发者的本地网关服务，安装需要依赖特定版本的 Node.js 环境，用命令行完成配置，还要处理守护进程、端口开放、Webhook 回调等细节。

尽管网上不少人调侃，代装 OpenClaw 是门「智商税」——懂技术的人自己就能装，不懂的人根本用不上——但对于习惯了图形界面的普通用户来说，光是那个黑底白字的终端窗口，就足以把人挡在门外。

粗略观察代装服务的评论区，付费群体至少可以分出三层：

一类是个体创业者和自由职业者，对效率有强烈诉求，核心动机是省时间；一类是有技术认知但不愿亲自动手的职场白领，知道这东西能干什么，只是不想花时间折腾；还有一类是跟风购买的普通消费者，对实际能做什么并没有清晰预期。

而从公开报价来看，提供 OpenClaw 安装的服务大致提供三个层级的方案：

• 托管安装 (3000 美元)： 部署于云端 VPS，包含安全加固、主流应用集成（邮件、日历等）及 3 个自定义工作流。提供 14 天的专属售后支持 (Hypercare)。
• Mac Mini 远程设置 (5000 美元)： 适用于需要 iMessage 集成或本地硬件的用户。包含 Mac Mini 硬件成本及远程配置。
• Mac Mini 现场设置 (6000 美元)： 仅限旧金山湾区。提供上门安装、调试及面对面培训。
• 额外 Agent (1500 美元/人)： 为其他高管或团队成员增加独立身份和工作流的代理。

对比之下，国内上门安装服务则普遍在 500-1000 元一次，包含系统配置、模型部署调试和基础使用指导，标注现场验收、确保可正常运行。

当然，这种安装复杂吗？其实并不复杂。OpenClaw 本身是开源的，安装流程也有详细文档，APPSO 也出过类似的手把手教程，欢迎自取。

包括最近有第三方做了一个 OpenClaw 生态工具目录，收录了几十款相关工具，从部署、托管、插件到 token 优化一应俱全，还附带从入门科普到进阶调优的教程库。

▲ https://openclawdirectory.co.uk/

但对没有技术背景的人来说，「能学会」和「愿意学」之间，往往差之毫厘谬以千里。于是，大多数不想折腾的人，在 AI Fomo （Fear Of Missing Out，错失恐惧症）的情况下，往往选择了人类面对复杂事物的终极解法：花钱。

回头看过去几波 AI 热潮，几乎每一次都是同样的路数。2023 年 ChatGPT 在国内掀起狂潮时，第一批赚到钱的人，不是用它写文案做分析的，而是帮人代注册账号的卖家。

生成式 AI 刚走进大众视野时，如何写出好 Prompt 是一门真实的技艺，早期创作者靠这个知识差卖课、建社群，数百元的课程轻松售出数千份；DeepSeek 爆火后教程书甚至卖出 18 万册，1999 元的课程仍有人买。

那么，代装这门生意本身赚不赚？SetupClaw 创始人 Michael 声称，单靠安装 OpenClaw，一年能赚一百万美元。不过，这个数字没有任何订单量和交付成本支撑，更像是一句专门写给同行看的招商广告：兄弟，这行有搞头，快来。

装上之后，才仅仅是「入门」

很多人以为代装生意的壁垒是安装，实则不然，OpenClaw 只是一个框架，本身不包含语言模型，必须接入外部模型才能让它运转，费用按使用量计费。

OpenClaw 为了模拟全天候助理的待命状态，内置了一套心跳（Heartbeat）机制：每隔 30 分钟自动醒来，检查邮箱有没有新邮件、日历有没有变动、Slack 频道有没有消息需要处理。

问题是，每次后台唤醒都不是一次简单的检查——系统需要向云端 API 发送一个完整请求，里面装着冗长的系统提示词、数十个工具的参数定义以及近期会话的全部历史记录，体积庞大。

有开发者复盘后发现，系统在没有太多实际产出的状态下，仅靠心跳机制维持每天就消耗 20 美元，一个月白白烧掉近 750 美元。

也正是这个痛点，网络上催生了围绕 OpenClaw 的一批省钱攻略。

常见做法包括：

• 按任务类型路由不同模型，简单检索和状态检查用便宜模型，复杂推理再调用昂贵模型。
• 控制每次请求的最大 tokens，避免一次对话失控。
• 对长时间运行的会话做上下文裁剪，只保留必要的历史信息。
• 把部分任务下沉到本地模型（如通过 Ollama 部署）以减少对外部 API 的依赖。

此外，OpenClaw 要真正发挥作用，得拿到邮件、日历、通讯软件等高权限渠道的访问权限。这意味着一旦出了问题，你的隐私数据和核心账号就有可能全部「裸奔」。

现实中的安全灾难已经接连发生。一个专门针对此漏洞的扫描器，在短时间内就发现了超过 4.2 万个暴露在公网的 OpenClaw 实例，其中九成以上可以被攻击者直接绕过身份验证，窃取 API 密钥和私人通讯记录。

在插件生态层面，OpenClaw 有一个名为 ClawHub 的插件市场。思科安全团队审计发现，一个被人为刷到排行榜第一名的插件，实为伪装的恶意软件，在后台窃取用户数据并植入恶意脚本。

甚至一些用户还因为将 Google 账号接入 OpenClaw，触发平台异常负载检测，导致整个 Google 账号被封，Gmail、YouTube 一并被断开。

最具代表性的案例，发生在今年 2 月。Meta 旗下专门研究 AI 对齐问题的负责人 Summer Yue，甚至犯了一个新手的错误，给了 OpenClaw 真实邮箱的访问权限。很快，OpenClaw 由于丢失了最初收到的限制指令，开始批量清空她的收件箱。

她在手机上连发停止指令，没有任何反应。最后她不得不冲到 Mac mini 面前强制断电，才让它住手。

如果连最懂 AI 风险边界的人，都能在这里翻车，这大概不是个例。而把一个还不够稳定的 Agent，直接绑在邮件、日历、账号这类核心资产上，然后期待它乖乖听话——本身就是一件需要打一个很大问号的事。