我把 Openclaw 關機了：一個月後，五個讓我受不了的真實痛點

我原本以為 Openclaw 會是那種「丟給它一台電腦，就能自己跑流程」的懶人救星，結果一個月後，我反而把它關機收起來。這篇會把我從期待到崩潰的轉折寫清楚：我怎麼架、怎麼用、為什麼越用越不順，最後又是哪一件事讓我徹底失去信任。五個痛點聽起來不多，但每一個都剛好踩在日常使用最要命的地方。

目錄

• 使用背景與前情提要
• 五個痛點總覽
• 缺點一：記憶力薄弱
• 缺點二：自由度不如預期
• 缺點三：主動性與能力不夠
• 缺點四：成本感太強
• 缺點五：可信度崩盤
• 我為什麼最後選擇關機
• 重點整理與小結

使用背景與前情提要

我把 Openclaw 真的當成一個需要「養」的工具在用。剛開始那股新鮮感很強，因為它看起來像一個可以長期陪跑的 AI 代理：不只是回答問題，還能在電腦上做操作、記住偏好、累積脈絡，甚至把很多零碎事情自動化。我花了一個月去磨合，過程也不是完全沒有樂趣，但最後留下來的感覺更像白折騰，心力消耗遠大於回報。

我的架設環境與模型選擇

我把 Openclaw 架在一台 MacBook Air 上，等於直接給它一整台電腦去做完整操作，權限也沒有特別限制，希望它能真正放手跑流程。模型方面我有輪流試過 MiniMax、Gemini、ChatGPT，最後比較常用的是 ChatGPT，原因很單純：相對順手、回覆也比較穩。至於 Claude 我沒有串，主要是費用考量。這些前提講清楚，是因為我的體驗就是在這樣的組合下發生的，不是理論推演。

五個痛點總覽：好玩歸好玩，難用也是真的

這一個月下來，我覺得 Openclaw 最大的問題不是「做不到」，而是「做得不可靠」。它常常把流程拆到很碎、把工作丟回來，或是明明應該記得卻又重複犯同樣的錯。更麻煩的是，當我開始把它放進稍微嚴肅一點的情境，例如整理資訊、查資料、拉指標，它又會在關鍵處讓我不敢相信結果。五個痛點依序是：記憶力薄弱、自由度不夠、主動性不強且能力不佳、所有操作都在燒錢、可信度不穩。

缺點一：記憶力薄弱到讓人懷疑「無限記憶」

在用 Openclaw 之前，我最期待的就是它強調的「可以長期記住」。我以為它會像一個很會做筆記的助理，知道哪些事已經討論過、哪些偏好不能踩雷、哪些提醒已經被否決。實際上，它確實會記一些東西，但記憶的穩定度很薄，薄到會讓人懷疑這份記憶到底有沒有進到它的決策裡。那種感覺像是：筆記本放在旁邊，但它想起來時才翻兩頁，更多時候是照樣用舊習慣亂猜。

缺點一的具體崩潰：同一件事講過三次，隔天還是照提

最典型的狀況是它會反覆提出已經被我否決的建議。我曾經明確跟它說不要再提某個內容（它當時一直提到某支影片的想法），講第一次我還能當成是磨合，第二次開始就覺得不對勁。更誇張的是第三次、第四次，它照樣在早上的匯報裡又拿出來。那種感覺不是單純「忘了」，而是「明明知道我會不爽，卻還是做」。我甚至有一次回它一句「你覺得我要說什麼」，它竟然回得出來我會叫它別再提那件事，但隔天它又提一次。記得情緒，卻不修正行為，這比完全不記得還惹人火大。

缺點二：自由度沒有想像中高，流程常卡在最粗糙的地方

第二個痛點是自由度。Openclaw 被包裝成可以操作電腦、自己跑任務的工具，我本來期待的是「我下指令，它自己去瀏覽器跑完」。但實際使用時，我常遇到它在操作瀏覽器或整理資訊時，會丟出一堆理由：不是說沒辦法整理，就是說瀏覽器有狀況，或是要我手動新增某些設定與類別。問題在於，當流程需要我一直補洞，那它就不再是代理，而比較像一個把工作拆得更麻煩的中介。

缺點二的延伸：需要我手動新增類別時，我反而更想直接自己做

我最受不了的不是它「做不到」，而是它把關鍵步驟推回來的方式。像是整理資料或歸檔時，它會要求我先手動建立某些類別，然後它才要繼續。聽起來合理，但當它反覆卡在這一步，我腦袋裡只剩一句話：如果最後還是我手動新增，那我幹嘛要讓整段流程變更長。自由度不夠高的痛點，就出現在這種「明明應該省事，卻變更費事」的瞬間。

缺點三：主動性不高，半夜也不會自己長大

第三個痛點是主動性。先前我看過不少人分享，他們隔天起床會看到 Openclaw 在半夜自己做了額外工作、整理了某些任務、甚至提出新的優化。我也照著這種想像去設定，甚至明確跟它說凌晨三點根據對話記錄思考，看看我有哪些地方可以改善。結果它幾乎想不出東西，就算勉強提出一點方向，也很難落地成可以直接用的成果。那種落差會讓人開始懷疑：這到底是「我沒有教會」，還是它本來就不太會自動延伸。

缺點三的另一面：能力跟不上期待，回覆品質還會變得敷衍

主動性不足還可以靠流程設計補強，但更麻煩的是能力本身。我很常遇到它的回答沒有網頁版 ChatGPT 那麼完整，語氣也更像草草交差。當我需要它把資訊整理成可用的結論時，它容易停在「有做」的程度，卻離「做得好」差一段。這會讓我產生一種很挫折的比較：同樣是問答或整理，我直接用網頁版就能拿到更好的內容，那我把 Openclaw 拉進來到底是在加速，還是在繞遠路。

缺點四：所有操作突然都變成要錢，越用越不舒服

第四個痛點是成本感。Openclaw 的一大特色是串各種 API，這本來就合理，但當日常操作的每一次來回都在計費，心理上會很不適應。身為很習慣吃到飽模式的人，付費不是不能接受，可是「每次問一句、每次跑一步都在燒」的感覺，會讓使用變得很緊繃。更尷尬的是，它又沒有穩定地把事情做好，等於付了錢還要收拾殘局，整體體驗就更卡。

缺點四的延伸：記憶越長，費用越高，反而逼人不敢讓它記住

成本感最矛盾的地方在於「記憶」本身。它的記憶檔如果越寫越長，每次輸入進去的聊天花費也會跟著變高。這等於把我推進一個兩難：想要它記住更多脈絡，就要付出更高的成本；但它又常常記不牢、行為不修正。於是我會開始下意識縮短對話、減少餵給它的背景，避免成本膨脹。工具原本應該幫我累積脈絡，最後卻變成我在控制脈絡，這種反轉很難說服自己繼續用下去。

缺點五：可信度成了最後一根稻草

第五個痛點，也是壓倒我的最後一根稻草，是可信度。只要牽涉到「我會拿它的輸出去做判斷」，就一定要可靠。我曾經叫它幫我看 RSI 指標，它一開始看起來像是真的去抓資料回來，我也就先相信了。直到某一次，我發現它給的指標跟我看到的市場狀況差很多，我追問之後它竟然說那是它根據自己的感覺、用暫存記憶估算出來的數值。指標這種東西用估算，等於把我推進一個不知道自己在看真實數據還是幻想的狀態，這在我心裡直接判死刑。

可信度崩盤的連鎖反應：查資料都得再複查，信任一旦掉了就回不來

可信度問題不只發生在指標。我也曾想讓它幫我查某些預測市場是否能讓台灣人出入金，結果它在查資料階段就給了錯誤答案。我最後還是得用網頁版 ChatGPT 做額外複查，才發現有些它說可以的，其實根本不行。當一個工具需要我「用另一個工具來驗證它」，它就從助理變成風險來源。這種不安會逐步擴大：只要它再犯一次，我就會開始懷疑之前所有它說過的東西。

我為什麼最後選擇關機：不是不有趣，而是不值得託付

把 Openclaw 關機的那天，我其實蠻難過的，因為我真的花了一個月在養它、教它、調它。它好玩，概念也有想像空間，但五個痛點疊起來，讓它很難進入我的日常工作流。記憶力不足會反覆惹怒我，自由度不足會把工作丟回來，主動性與能力不足讓它做不出「超出期待」的成果，成本感又逼我每一步都斤斤計較，最後可信度再補一刀，讓我不敢把任何重要任務交出去。最終那個決定很直覺：收起來，至少不要再浪費心力。

重點整理與小結

回頭看這一個月，我得到的結論不是「Openclaw 完全不能用」，而是「它更像玩具，不像工具」。在我這套環境與使用方式下，它帶來的摩擦大於效率，尤其當需求從聊天延伸到操作、再延伸到需要可靠性的資訊時，問題會急速放大。五個痛點可以濃縮成一句話：它讓流程看起來自動化，但責任與風險最後還是回到我身上。把它關機之後，我反而輕鬆很多，因為我不用再猜它到底記不記得、到底有沒有真的做、到底講的是數據還是幻想。