Autoclaw（中文名“澳龙”）是智谱基于OpenClaw开源框架打造的桌面智能体，定位为帮助用户执行实际任务的AI数字员工。它不是传统意义上的对话助手，而是能拆解目标、操作本地工具、调用浏览器、读写文件并持续执行多步骤任务的自动化Agent。用户通过1分钟本地安装即可使用，内置50余项预制技能，覆盖编程开发、文档处理、飞书办公、内容创作等高频场景，数据全程在本地运行，无需上传云端。

从“回答问题”到“动手干活”的产品逻辑

多数AI工具停留在“你问我答”的交互模式中，用户获得建议后仍需自行落地。Autoclaw的设计思路与此不同：它把执行能力作为产品核心，让AI直接介入真实工作流。以飞书集成场景为例，用户说一句“帮我整理上周的会议纪要”，Autoclaw会自动创建飞书云文档、填入结构化内容、返回链接；说“约罗然明天下午开会”，它会查询日历并发送邀请。整个过程不在对话框里结束，而是产生可交付的结果。

这种能力的基础来自智谱对Agent执行链路的深度优化。Autoclaw内置了专为OpenClaw场景训练的Pony-Alpha-2模型（内测代号），在工具调用稳定性、任务推进连贯性和响应速度上做了针对性强化。据公开资料显示，该模型在大量真实任务测试中，能够更稳定地应对Skill调用、定时任务和持续执行等复杂工作流。2026年6月，Autoclaw更新至V1.9.0版本，全面接入GLM-5.2，上下文窗口扩展至100万token，使其能够理解完整的工作背景，在自主规划和长程任务执行上更进一步。

技能生态与本地化部署的务实选择

预制技能库是Autoclaw区别于同类产品的一个显著特征。50余项Skill覆盖了从量化策略回测、网页搭建到自媒体内容创作的多个方向，用户下载后即可使用，无需自行编写复杂的Prompt或配置工作流。Skill商店还提供了GLM Office Skills套装，包含PPT、DOCX、XLSX、PDF及图表生成五类办公技能，支持格式互转和智能自检，可一键输出带配套讲稿的完整文档。

在部署方式上，Autoclaw选择了本地化路线。所有任务在用户电脑上运行，数据不出本机。这一选择在隐私敏感型场景中具有实际价值，比如处理企业内部文档或涉及个人信息的任务。同时，本地执行也意味着用户可以直接让Agent操控浏览器、读写本地文件、执行代码，而无需通过云端中转，减少了延迟和权限障碍。

值得留意的是自进化机制。Autoclaw在对话中会识别用户的纠正信息、偏好表达和失败经验，经用户明确批准后固化为永久记忆。行为偏好写入AGENTS.md，事实记忆存入MEMORY.md，完整工作流则沉淀为独立SKILL.md文件。这意味着使用频率越高，Agent对用户习惯和业务场景的理解越精准，复用效率也越高。

开放性与行业落地的双向推进

Autoclaw在模型层保持了开放姿态。用户可以在DeepSeek、Kimi、MiniMax、GLM等多个第三方模型API之间自由切换，按需选择最适合当前任务的底层模型。2026年8月，中国联通北京公司京元平台正式接入Autoclaw，用户在Agent内选择“北京公司京元API”并输入Key即可完成配置。这一合作模式表明，Autoclaw正在从个人生产力工具向企业级智能体入口延伸，运营商侧的大模型能力通过标准化接口被纳入Agent的任务执行链路。

同期上线的Auto Design设计师功能则指向了另一个方向——从文本到界面的全链路设计。用户用自然语言描述需求，Agent将其推进为可预览、可迭代的设计稿，并支持导出至常用格式。这个功能并非简单的图像生成，而是嵌入了需求澄清、初稿生成、画布编辑和格式导出等完整的设计工作流。

从产品演进节奏来看，Autoclaw在半年内完成了从基础Agent框架到多模型接入、从办公场景覆盖到设计工作流拓展的迭代。当前趋势表明，桌面智能体正在从“尝鲜型工具”向“生产力基础设施”过渡，而Autoclaw的路径选择——本地执行保隐私、预制技能降门槛、开放模型生态扩边界——恰好回应了这一阶段的核心矛盾：用户需要的不是更强大的模型，而是能让模型真正融入日常工作流的产品化方案。对于关注AI Agent落地实践的产品经理而言，Autoclaw提供了一个值得持续观察的样本。