OpenClaw 这种爆发式增长的开源项目到底是怎么搞定安全和维护的

一个周末的个人实验项目，在不到一年的时间里竟然在 GitHub 上攒到了 38.8 万个 Star，这增长曲线简直离谱。OpenClaw 这个项目本质上是一个运行在用户本地设备、通过现有即时通讯软件进行交互的个人 AI 助手。它之所以能火成这样，不仅是因为它的 Agent 能力强，更因为它触及了当前开源界最头疼的一个问题：当 AI 参与到代码贡献中时，维护者该如何生存？

我仔细看了下 OpenClaw 核心维护者的访谈，有几个关于开源工作流的变化非常值得我们这些在做 AI 应用的人复盘。

从 Pull Request 到 Prompt Request 的转变

现在的开源社区正面临一种“自动化洪流”。以前维护者担心的是没人贡献，现在担心的是贡献太多。维护者 Peter Steinberger 提出了一个很有意思的概念，他不再把这些提交称为 Pull Request，而称之为 “Prompt Request”。

因为现在很多贡献者不再是手写代码，而是直接跑着“自动化软件工厂”去扫描 Issue，然后瞬间甩出几百个 PR。这种规模的提交，靠人力去 Code Review 几乎是不可能的。

AI 正在模糊开发者和非开发者的边界

这是最让我感触的一点。OpenClaw 的维护团队发现，相当一部分被合并的代码贡献者，其实根本不是专业的开发人员。

• 非专业背景贡献： 很多人只是遇到了特定的使用场景或痛点，他们通过调用 Agent 生成代码逻辑，然后跟维护者沟通，最后由维护者协助完善。
• 门槛的消失： 只要你有明确的需求，即便不会写复杂的工程代码，利用 AI Agent 也能参与到顶级开源项目的建设中。

效率与安全性的博弈

虽然 Agent 极大地提升了生产力，但也给软件供应链安全带来了巨大的隐患。维护者们在访谈中提到，Agent 是一把双刃剑：一方面它能帮你处理掉原本需要一周的工作量，让你有时间“去摸摸草（touch grass）”；但另一方面，如果缺乏对自动化生成的代码进行严格的审计，这种“高频输出”会迅速稀释项目的质量。

对于我们现在尝试构建 AI Agent 工作流的人来说，OpenClaw 的实战经验其实是在提醒：未来的竞争可能不在于谁能生成更多的代码，而在于谁能更高效地验证和过滤这些由 AI 批量生产出来的逻辑。