OpenLobster 入门指南: 比 OpenClaw 更安全的替代方案

前言

2025年底，OpenClaw 彻底出圈了。这个「能让 AI 帮你做事」的自托管 Agent 平台在 GitHub 上星标暴涨到 20 万+，几乎成为 AI Agent 的代名词。

但伴随爆火而来的，是安全团队的密集警告。26% 的社区 Skills 存在漏洞，4 万台实例在公网裸奔，CVE 批量出现。社区开始意识到：OpenClaw 就像一辆速度很快但没装安全带的车——用起来爽，出事起来也快。

这就是 OpenLobster 出现的理由。

它不是简单的 UI 优化，而是一次彻底的安全重构。用 Go 重写后端，加密存储、默认认证、真正的多用户架构。社区有人说它是「OpenClaw 最该有的样子」——我们今天就来看看，这话有没有道理。

核心对比：OpenLobster vs OpenClaw

我们先花点时间了解两者差异，这能帮你判断是否值得迁移。

架构：Node.js → Go

OpenClaw 是 Node.js/TypeScript 项目，依赖一堆 npm 包。OpenLobster 直接用 Go 重写，整个后端是一个 ~66MB 的静态二进制。

实际测量数据：

启动时间：200ms（OpenClaw 需要 2-3 秒）
内存占用：30MB（OpenClaw 150MB+）
部署方式：一个二进制文件 + 配置文件，无需 Node 环境

如果你在树莓派或低配 VPS 上跑，这点差距会很可观。

内存系统：Markdown → 图数据库

这是最核心的差异。

OpenClaw 的「记忆」本质是一个 MEMORY.md 文件，每次对话追加内容。并发会话一多，这个文件就变成一团乱麻。官方文档甚至说「只有主会话能写 MEMORY.md」——听起来像特性，其实是大写的尴尬。

OpenLobster 用了真正的图数据库架构。内置两种模式：

文件后端：本地 GML 格式，不需要额外服务
Neo4j 后端：真正的图数据库，支持复杂查询

AI 会话中建立的每个概念都是节点，人物关系、事件关联都有类型化的边。这意味着你可以真正「查询」AI 的记忆，而不是只让它重复之前说过的话。

多用户支持

OpenClaw 几乎没有多用户概念。所有会话共享一个主内存，跨渠道使用时数据会串。

OpenLobster 从根本上支持多用户：

每个渠道（Telegram、Discord）的每个用户都是独立实体
独立对话历史
独立工具权限
独立的配对流程（Pairing）

一个 Telegram 用户和一个 Discord 用户可以同时跟同一个 AI 对话，互不干扰。

任务调度：Heartbeat → Cron

OpenClaw 的定时任务是一个每 30 分钟读取 HEARTBEAT.md 文件的守护进程。简单粗暴，但也就只能做到这个程度。

OpenLobster 实现了完整的任务调度器：

Cron 表达式处理循环任务
ISO 8601 处理一次性任务
任务状态、下次执行时间、执行日志全部在 Dashboard 可视化

安全模型：默认开放 → 默认认证

这是最大的改变。

OpenClaw 默认不启用认证，结果就是几万台实例在 Censys 上裸泳。某个 CVE 甚至允许未经认证的攻击者直接调用 Agent API。

OpenLobster 的安全策略：

Dashboard 默认需要 Bearer Token（OPENLOBSTER_GRAPHQL_AUTH_TOKEN）
配置文件和密钥全部加密存储
API Key 和渠道 Token 不再明文写在 YAML 里，而是存到加密后端（文件或 OpenBao）
OPENLOBSTER_* 环境变量永远不会泄露到终端工具

WARNING

如果你要把实例暴露到公网，记得第一时间配置认证 Token。

MCP 集成

OpenClaw 的 MCP 支持基本是个演示。OpenLobster 实现了完整的 MCP 生态：

连接任何 Streamable HTTP MCP Server
完整的 OAuth 2.1 流程
每个服务器的工具可以单独浏览
用户级权限矩阵，控制谁能用什么工具
内置 Marketplace，一键集成常用服务

环境准备

OpenLobster 对硬件要求极低，这也是它相比 OpenClaw 的优势之一。

最低硬件要求

配置	推荐	最低
CPU	2 核	1 核
内存	1 GB	512 MB
存储	10 GB SSD	5 GB
系统	Linux/macOS/Windows	Linux (Docker)

树莓派 3/4、512MB RAM 的 VPS、NAS、甚至 $15 的 LicheeRV Nano 都能跑。实测树莓派 4 跑起来毫无压力。

软件依赖

Docker（推荐，最简单）
或者：Go 1.21+（如果自己编译）

快速部署

我们用 Docker 来演示，这是最快捷的方式。

1. 创建配置目录

mkdir -p ~/.openlobster/data ~/.openlobster/workspace

2. 启动容器

docker run -p 8080:8080 \
  -e OPENLOBSTER_GRAPHQL_HOST=0.0.0.0 \
  -e OPENLOBSTER_GRAPHQL_AUTH_TOKEN=your-secret-token \
  -e OPENLOBSTER_AGENT_NAME=my-agent \
  -e OPENLOBSTER_DATABASE_DRIVER=sqlite \
  -e OPENLOBSTER_DATABASE_DSN=/app/data/openlobster.db \
  -v ~/.openlobster/data:/app/data \
  -v ~/.openlobster/workspace:/app/workspace \
  -d ghcr.io/neirth/openlobster/openlobster:latest

几个关键配置解释一下：

OPENLOBSTER_GRAPHQL_AUTH_TOKEN：Dashboard 访问密码，必填
OPENLOBSTER_AGENT_NAME：你的 AI 助手名字
OPENLOBSTER_DATABASE_DRIVER=sqlite：使用 SQLite，无需额外数据库服务
端口 8080 是 GraphQL API 和 Web UI 的入口

3. 验证启动

curl http://127.0.0.1:8080/health

返回 {"status":"ok"} 就表示启动成功了。

初始化配置

首次启动引导

浏览器打开 http://127.0.0.1:8080，会进入 Setup Wizard。

TIP

记得用启动时设置的 OPENLOBSTER_GRAPHQL_AUTH_TOKEN 作为 Bearer Token 登录。

Setup Wizard 会引导你完成：

Agent 基础配置（名字、描述）
选择数据库（SQLite / PostgreSQL / MySQL）
选择内存后端（File / Neo4j）
添加 AI Provider

配置 AI Provider

这是最关键的一步。OpenLobster 支持多种 AI Provider：

OpenAI
Anthropic (Claude)
Ollama（本地模型）
OpenRouter
Docker Model Runner
任何 OpenAI 兼容接口

TIP

这里推荐使用 Defapi 平台。它是 API 中转服务，价格只有官方的半价，支持 OpenAI、Claude、Gemini 等主流模型，而且完全兼容 v1/chat/completions 接口，无需修改代码，直接替换 base_url 和 API Key 即可。

Defapi 配置示例（以 Claude Sonnet 为例）：

# 环境变量方式
OPENLOBSTER_PROVIDERS_OPENAICOMPAT_API_KEY=你的Defapi-Key
OPENLOBSTER_PROVIDERS_OPENAICOMPAT_BASE_URL=https://api.defapi.org/v1
OPENLOBSTER_PROVIDERS_OPENAICOMPAT_MODEL=anthropic/claude-sonnet-4-5

或者在 Dashboard 的 Settings → Providers 界面填写：

字段	值
Provider Type	OpenAI Compatible
API Key	你的 Defapi Key
Base URL	`https://api.defapi.org/v1`
Model	`anthropic/claude-sonnet-4-5`

Defapi 的优势：

价格只有官方半价
接口完全兼容，OpenLobster 无需任何修改
支持 Claude、GPT、Gemini 等主流模型
国内访问延迟低

连接通讯渠道

OpenLobster 支持同时启用多个渠道。

在 Telegram 搜索 @BotFather，创建新机器人
获取 Bot Token
在 Dashboard → Settings → Channels → Telegram 填写 Token
保存后，你的机器人就上线了

用户首次发消息会触发配对流程，绑定 Telegram 用户 ID 到 OpenLobster 账户。

Discord

在 Discord Developer Portal 创建 Application
添加 Bot，获取 Token
邀请 Bot 到服务器（需要 message.content 权限）
在 Dashboard 填写 Bot Token

其他平台

类似流程：WhatsApp（需要 Business API）、Slack（Socket Mode）、Twilio SMS。配置方式大差不差，在 Dashboard 里找到对应渠道填写凭证即可。

常见问题排查

1. Dashboard 登录失败

检查是否正确设置了 OPENLOBSTER_GRAPHQL_AUTH_TOKEN。所有 API 请求都需要在 Header 中携带：

curl -H "Authorization: Bearer your-secret-token" \
  http://127.0.0.1:8080/graphql

2. AI 不回复消息

常见原因：

API Key 填错了
模型名称不匹配（检查大小写，比如 claude-sonnet-4-5 不是 claude-sonnet-4.5）
网络不通（Docker 容器能否访问外网）

看日志：docker logs <container-id>，一般会有详细错误信息。

3. 内存不生效

如果选的是 File 后端，检查 ~/.openlobster/data/ 目录下的 GML 文件是否有内容。

如果用 Neo4j，确认 Neo4j 服务正常运行，且连接信息正确。

4. 渠道连接成功但收不到消息

确认 Bot 是否有对应平台的权限：

Telegram：Bot 必须在群里，且设置为允许接收群消息
Discord：Bot 需要 Read Messages/View Channels 权限

5. MCP 工具调用失败

MCP 服务器需要是 Streamable HTTP 模式。检查：

服务器 URL 是否可访问
OAuth 配置是否正确（如果需要）
工具权限是否放行

6. 升级后启动失败

数据库迁移会自动执行，但建议先备份：

cp -r ~/.openlobster/data ~/.openlobster/data.backup

进阶方向

MCP 集成

OpenLobster 的 MCP 支持是目前最完整的安全版 AI Agent 实现。

在 Dashboard → MCP 可以浏览已连接的服务器和可用工具。每个工具都有详细的参数说明和权限控制。

社区维护的 Marketplace 里有现成的 MCP 服务器，比如文件系统、GitHub、Slack 等。一键添加，无需手动配置。

Neo4j 部署

如果你的使用场景需要复杂的记忆查询，推荐上 Neo4j。

# 启动 Neo4j
docker run -p 7474:7474 -p 7687:7687 \
  -e NEO4J_AUTH=neo4j/password \
  neo4j:latest

然后在 OpenLobster 配置中切换到 Neo4j 后端，填入连接信息。

图数据库的真正价值在于：你可以问 AI 「上次我们讨论的那个项目后来怎样了」，它能顺着关系链找出来，而不是简单检索关键词。

多实例集群

Go 后端的无状态设计使得水平扩展很容易。如果需要高可用，可以：

多个 OpenLobster 实例共享同一个 Neo4j
共享同一个 PostgreSQL 数据库
前面加负载均衡器

进阶阅读

官方文档：https://neirth.gitbook.io/openlobster
GitHub：https://github.com/Neirth/OpenLobster
OpenClaw 原版：https://github.com/openclaw/openclaw
Defapi 平台：https://defapi.org

如果你正在寻找 OpenClaw 的安全替代方案，或者想要一个更低资源占用的自托管 AI 助手，OpenLobster 值得试试。