開源AI個人助理Clawdbot最近熱度迅速竄高,從小眾圈子延燒到主流媒體,成為罕見爆紅的開源AI工具。
Clawdbot在早期使用者之間擁有眾多信徒,沉迷其中不可自拔的矽谷AI宅們紛紛分享各種最佳用法,炫耀自己親手調教的Clawdbot設定。
這款免費開源的AI助理通常架設在專門用來跑Clawdbot的Mac Mini上(你也可以使用其他配置),使用者會給它ChatGPT或Claude帳號、電子郵件、行事曆、通訊軟體的存取權限。
Clawdbot究竟是什麼?你要怎麼試用?為什麼Clawdbot突然成了矽谷的當紅炸子雞?
Clawdbot是會主動做事的AI個人助理
Clawdbot是一款開源的AI助理,可以在你本地的裝置上運作,常和龍蝦表情符號一起出現。這款工具的作者是開發者、企業家史坦伯格(Peter Steinberger),他先前最知名的事蹟是創造、出售性能強大的跨平台工具「PSPDFKit」。
Clawdbot是代理型AI的傑出範例,可以自動行動、代替使用者完成多步驟行動。
2025年應該是AI代理元年,但許多知名度最高的代理型AI表現不如預期,彷彿遇到開發瓶頸。
但Clawdbot做到了先前其他AI助理做不到的事。這款AI個人化助理記得你告訴它的每一件事,而且你可以授權它存取你的電子郵件、行事曆、文件。更厲害的是,它不是一個口令一個動作。Clawdbot可以主動做出個人化的行動,像是替你查看電子信箱,然後在超級重要電子郵件寄來的時候傳訊息通知你。
Clawdbot強在哪裡?
Clawdbot的特色是「開源彈性」和「本地執行」。多數AI工具無法直接和本地系統互動或執行複雜的工作流程,但Clawdbot就像是一個可編程的助理,開發者可以使用Python或 JavaScript增加自定義技能,同時確保數據絕不離開裝置。
我們可以透過Clawdbot自動化處理各種任務,例如管理行事曆、分類電郵、發送郵件、自動測試程式碼、用WhatsApp或Telegram完成搭乘飛機的報到手續。
除了「任務自動化」,Clawdbot的亮點還有「持久記憶」、「跨平台整合」。因為有「持久記憶」,Clawdbot能隨時間學習使用者的偏好,不會像Alexa或Siri那樣每次互動後就重置上下文脈絡。
由於Clawdbot能保留過去對話的上下文,在處理複雜工作流時,它可以引用之前的請求。例如,如果你要求它「幫我訂下個月去巴黎的機票」,之後你可以直接確認旅行日期,不用再重複輸入細節。Clawdbot也支援透過網頁介面、終端機指令或Telegram等通訊軟體進行互動,讓使用者能跨裝置存取。
Clawdbot可以執行shell指令、整合本機系統,因此對開發者或系統管理員特別有吸引力。
例如科技愛好者AJ Stuyvenber就成功讓Clawdbot自動替他買車。他訓練Clawdbot把電子郵件串接支付系統網關和線上預約系統,讓機器人自主進行價格談判並完成交易,這種多步驟協作超出典型AI的能力範圍。
透過自架基礎設施,Clawdbot也避開了第三方API的限制,讓使用者完全掌控數據與執行過程。
| 功能 | Clawdbot | Siri/Google助理 |
| 任務自動化 | 高 | 一般 |
| 本地系統存取 | 可以 | 不行 |
| 瀏覽網頁 | 可以(即時數據) | 不行 |
| 設定時間 | 1-3小時 | 立刻 |
| 設定難度 | 中等偏高 | 低 |
如何試用Clawdbot
史坦伯格把Clawdbot的開源碼上傳到Github,你可以立刻下載、安裝、開始實驗Clawdbot的能耐。
不過下載、安裝Clawdbot沒有一般下載app或軟體那麼簡單,你需要一點技術知識才能讓Clawdbot在你的裝置上運作,此外你也需要考慮一些安全和隱私風險。
你可以在Mac、Windows、Linux裝置上運作Clawdbot,Clawdbot官網有安裝指示、系統要求和設定建議。
Clawdbot有哪些風險?
Clawdbot成功做到其他AI代理做不到的事,一部分原因是它擁有你裝置系統的完整存取權限。
也就是說,Clawdbot可以讀寫檔案、跑指令、執行腳本、控制你的瀏覽器。
史坦伯格把Clawdbot的特定風險講得很明白。
他在FAQ寫,「在你的電腦上跑一個擁有shell(作業系統最底層介面)存取權限的AI代理……滿刺激的」。
「Clawdbot既是產品也是實驗,你把前沿模型的行為,直接接上真實的傳訊介面與真實工具。這裡不存在任何『完美無缺的安全設定』。」
使用者可以在GitHub查看Clawdbot的資安稽核工具,FAQ 也有完整的資安章節。其中「威脅模型」(The Threat Model)一節指出,惡意攻擊者可能會「騙你的AI做壞事」、「用社交工程取得你的資料存取權限」。
另外,有使用者提醒Token消耗量與效能瓶頸的問題。
Clawdbot如果使用到大型語言模型(LLM),在執行複雜的自動化任務時,可能會消耗過量的Token。使用者常反映在沒看到明顯成效前,Token就已大量燒光。為避免這個問題,建議:
監控任務效率:學習如何優化提示詞(Prompts)減少非必要呼叫API的狀況。
刪除非必要步驟:如果Clawdbot在執行重複任務(例如重複抓取數據),應調整工作流,優先處理關鍵動作。
善用快取(Caching):把頻繁使用的查詢結果存在本地,避免重複處理相同輸入。
(資料來源:Mashable、newline)
天下總主筆陳良榕專欄。半導體狂熱、科技巨頭謀略的最犀利解讀
看懂科技大勢,獨家解讀
請查看您的信箱,我們將寄送驗證信給您,確保未來信件會送到您的信箱