OpenClaw 2026.4.12发布，新增Active Memory自动上下文插件、macOS MLX本地语音、LM Studio本地模型支持，重构插件加载机制，简化飞书配置，全面提升内存、梦境功能可靠性与本地AI能力。
OpenClaw 在2026年4月12日发布了一大波质量更新。这次更新主要干了四件大事：把插件加载机制从“啥都往里塞”改成“你要啥我给你啥”，把记忆功能从“你让我记我才记”升级成“我提前替你翻旧账”，把本地模型和语音能力从“靠云施舍”变成“自己长脑子”，还把飞书的配置流程从“折磨人”简化成“像个人”。
插件加载机制从自助餐变成点菜模式
过去OpenClaw加载插件的方式特别像过年去自助餐厅。你一进门，服务员把所有菜都堆你桌上，不管你想不想吃，不管你能不能吃完，更不管这里面有没有你过敏的东西。结果就是盘子堆成山，你吃不完浪费，厨房累到崩溃，关键是那些你根本不会碰的菜还占着你的桌子，你连放自己碗的地方都没有。
这次更新干了一件特别狠的事：系统只加载那些在manifest文件里明确声明自己需要的插件。每个插件在进门之前必须交一份“我要干什么”的说明书。它得写清楚自己要在哪个阶段工作，要动用哪些权限，要访问哪些资源。系统看完这份说明书，只在需要它的那个时间点才把它请进来。
这直接解决了三个老大难问题。第一个是资源浪费，以前系统启动时要加载几十个插件，每个都占内存、占CPU、占启动时间，现在只加载真正要用的那几个，启动速度直接起飞。第二个是权限边界模糊，以前一个插件能偷偷摸摸看其他插件的数据，现在每个插件的活动范围被严格限制在自己的声明里，越界就报错。第三个是安全问题，恶意插件想搞破坏得先骗过manifest声明，这等于给每个插件戴上了电子脚镣。
更狠的是，这个“按需加载”的规则不只针对插件，连CLI、provider、channel的激活也被纳入了同一个体系。整个运行环境开始走极简主义路线，不用的功能绝不加载，用完了立刻卸载。这一步很多AI Agent系统迟早得走，不然规模一大就会变成一锅粥，谁都理不清谁在干什么。
主动记忆机制让AI学会在你开口前翻旧账
这次更新里最有个性的改动就是这个Active Memory插件。它不是那种你喊一句“记住这个”它才慢吞吞记下来的老古董，而是一个会在你说话之前主动出击的记忆子代理。
这个子代理的工作流程是这样的：你发出一条消息，系统没有立刻生成回复，而是先启动这个记忆子代理。它会扫描当前对话的上下文，翻看你们之前聊过的所有历史记录，提取你曾经透露过的偏好信息，然后自己判断哪些内容对当前对话有帮助，再把那些内容悄悄塞进当前对话的上下文里。
这个设计彻底改变了你和AI的交互方式。过去你要说“帮我查一下之前我们聊过的那个项目”，或者“你还记得我上次说我不喜欢吃香菜吗”，现在系统会在你开口之前就自动把这些信息拉进来。它开始替你多想一步，这一步如果做得好，体验会非常丝滑，就像你身边有个特别懂你的秘书，你还没张嘴他就知道你要什么。
但是这个功能如果做得差，就会变成AI乱翻旧账的灾难现场。比如你昨天说想学编程，今天只是想问今天天气怎么样，结果它翻出昨天的记录开始给你推荐Python课程，你就会觉得这个AI是不是脑子有病。
为了解决这个问题，Active Memory插件提供了多种模式让你自己调节。消息模式只扫描最近几条消息，近期上下文模式扫描最近一轮对话，完整上下文模式翻遍所有历史记录。还有一个verbose检查功能，能让你看到它到底翻了哪些旧账，以及一个prompt override功能，让你可以手动告诉它“这次别翻那些陈年烂谷子的事”。
这些东西听起来很技术，其实本质就是给你一个调节旋钮。你把这个旋钮拧到轻度参与，它就像个安静的小秘书，只在关键时刻提醒你一句。你把它拧到重度干预，它就像个八卦同事，动不动就提你三个月前说过的那句话。调得好，它是你的私人助理；调不好，它就是那个总在你新朋友面前说你黑历史的老同学。
另外还有一个关键改动：QMD recall现在默认走搜索路径。以前记忆命中率特别不稳定，就像抽奖一样，有时候它记得你三天前说过的话，有时候你刚说完它就忘了。现在的策略是搜索优先，系统会主动去记忆库里搜索相关内容，再加上更清晰的遥测数据，你终于能知道它到底是怎么找到那段记忆的，不再是黑盒抽奖了。
本地模型与语音能力让AI开始长在你电脑里
这次更新明显在强化本地优先的路线。新增了LM Studio provider和MLX本地语音模型支持。说人话就是：AI不再完全依赖云端，它开始在你自己的设备上长脑子了。
LM Studio的加入意味着你可以用本地或者自己托管的OpenAI兼容模型。这些模型跑在你自己的电脑上或者你自己公司的服务器里，数据不用传到任何第三方服务器，调用也不用花一分钱API费用。这对于企业和重度用户来说意义巨大，因为隐私问题和成本问题一次性解决了。
而且LM Studio支持runtime model discovery，系统会自动发现你本地装了哪些模型，不用你手动配置。还支持memory-search embeddings，记忆搜索的向量嵌入也在本地完成，数据全程不出你的设备。
语音这块更有意思。MLX speech provider加入了Talk Mode，支持本地播放、打断处理和系统语音fallback。这个体验如果打磨得好，会非常接近真人对话。
重点在于打断处理，这是语音交互里最难做的部分之一。你想啊，你跟真人说话的时候，随时可以打断对方说“等一下，我不是这个意思”。但是跟AI说话，以前的实现方式是你一打断它就懵了，要么继续播放原来的音频，要么直接卡死。现在OpenClaw实现了真正的打断处理，你说话的时候它立刻停止播放，开始听你新的指令，这涉及实时流控制，技术难度很高。
还有一个细节很关键：allowPrivateNetwork配置。这个配置等于给“自己搭的模型服务”开了绿灯，允许系统访问你内网里的模型服务。但是又严格限制在request surface内，不会让整个系统都能随便访问你的内网。这种设计既开放又克制，不会一不小心把系统安全搞崩。
执行与网关机制让AI更像一个能干活的操作系统
exec-policy命令的加入，让工具调用不再是黑箱操作。你现在可以用show、preset、set这三个子命令，查看当前执行策略、加载预设配置、甚至同步本地的审批文件。
这一步的意义非常现实。当AI开始能调用系统工具、执行代码、甚至操作外部资源的时候，如果没有一个清晰的执行策略，那就是一场灾难。想象一下，一个AI能删文件、能发邮件、能调用API，但是没有任何人批准它该不该做这些事，那它就像个拿着核弹发射按钮的三岁小孩。
现在这个exec-policy机制就像一个权限中控台。你可以精细控制AI能干什么、不能干什么。比如你可以设置它执行任何shell命令之前都需要你手动批准，或者只允许它在特定目录下操作文件，或者限制它每天只能发三封邮件。
Gateway也做了结构拆分，把startup和runtime分离。听起来很工程化，其实核心是让生命周期更清晰。系统启动、运行、重载、关闭这些阶段变得可控了，维护成本也会大幅下降。以前你想重启Gateway，可能关不掉、可能起不来、可能重载了一半卡住，现在每个阶段都有明确的状态和退出路径。
commands.list RPC也值得一提。它让客户端可以动态发现当前系统支持哪些命令。这相当于给AI系统加了一个自我说明书，任何接入的客户端都能问一句“你现在会干什么”，然后系统返回一个完整的命令列表，包括原生命令、文本命令、技能命令和插件命令。这是走向平台化的必要一步，因为你不可能让每个客户端都硬编码一套命令列表。
QA与测试体系从能跑变成敢上线
QA这次更新非常激进，直接引入multipass VM测试。也就是在一次性Linux虚拟机里跑完整测试流程。这个思路很简单：把测试环境做成一次性消耗品，跑完就丢，避免环境污染。
以前做测试最头疼的问题就是测试环境被污染。你跑完一个测试，系统里留下了各种临时文件、环境变量、配置文件，下一个测试跑起来就可能被这些东西影响。现在每次测试都开一个全新的虚拟机，跑完直接销毁，下一个测试又是一个全新的环境，干干净净。
Telegram QA lane也很有意思。它支持私有群组里的机器人对机器人测试，还保留了原生threading。这种设计明显是为了验证真实场景，而不是实验室里造假数据。你可以把它理解成让AI在野外打架，两个机器人在真实的Telegram群里互相发消息、互相回复、互相调用命令，QA系统在旁边看着它们打，记录谁打赢了、谁打输了、谁出bug了。
Convex-backed credential leasing更偏基础设施，但意义很大。它解决了测试账号管理的问题。以前跑QA需要有人手动分配测试账号，账号用完了还得手动回收，效率极低。现在系统自动从Convex租赁账号，用完自动归还，QA流程可以全自动化运转。
这些改动共同指向一个目标：让OpenClaw不只是能跑demo，而是能稳定运行在复杂环境中。以前你敢不敢上线全靠运气，现在你敢不敢上线全靠测试报告。
控制界面与梦境机制从混乱状态变成可解释状态
Control UI和Dreaming系统的优化，看起来是体验问题，其实是认知问题。Scene和Diary被简化了，未知phase状态被保留了，waiting-entry排序变得稳定了。
这解决的是系统状态不可理解的问题。以前你打开Dreaming界面，看到一堆乱七八糟的状态，完全搞不清楚AI现在在干嘛。它是在做梦？还是在回忆？还是在发呆？你完全不知道。现在至少你能看清它在干嘛，顺序也不会乱跳，每个状态都有明确的标识。
这种确定性对于调试和信任感都很关键。你调试的时候能知道系统现在卡在哪一步，你信任的时候能知道系统没有在偷偷干坏事。就像你的手机告诉你“正在下载更新 45%”，你虽然不懂技术细节，但你知道它在工作，你知道还要等多久。
Matrix的partial streaming也加入了live markers，实现了打字机效果。你看到消息一个字一个字蹦出来，虽然本质只是渲染优化，但心理体验差别很大。你会觉得AI在思考，在组织语言，在认真对待你的问题，而不是一下子甩给你一大段冷冰冰的文字。
文档与国际化从能看懂到不容易误解
Docs i18n这次做了很多防御性设计。比如拒绝截断输出，以前的翻译流程可能把长文档截断成两半，中间丢了一段，你看到的就是残缺的内容。现在系统检测到截断就拒绝输出，宁可让你等也不要给你看错的内容。
还避免了wrapper误解。以前文档里有些标记符号可能被翻译流程误认为是格式标记，结果翻译完格式全乱了。现在系统能正确区分哪些是要翻译的内容，哪些是格式标记。
还恢复了中断翻译会话。以前翻译到一半断网了，整个翻译进度就丢了，你得从头开始。现在系统能记住你翻译到哪里了，断网重连之后接着翻。
provider文档也补充了更多能力说明和环境变量配置。这对开发者非常关键。很多系统死在不会用，不是不能用。你功能再强，别人不知道怎么配置、不知道怎么调用，那就是摆设。
memory-wiki文档增加了QMD加桥接模式的混合配置方案。这其实是在告诉你：记忆系统要混合使用，不要迷信单一方案。有的场景适合用QMD，有的场景适合用桥接模式，两个结合起来才是最优解。这种经验总结，比功能本身更值钱。
模型体系整合让Codex与OpenAI路径开始分叉
Codex provider被打包进来，而且有独立的app-server harness。这意味着codex/gpt开头的模型和openai/gpt开头的模型走两条完全不同的路径。
前者用Codex管理认证、线程和模型发现。Codex有自己的认证体系，有自己的线程管理方式，有自己的模型发现机制。后者保持OpenAI原有的方式，用OpenAI的API key，用OpenAI的线程模型，用OpenAI的模型列表。
这一步很关键，因为它明确了不同模型生态要分开管理。Codex生态和OpenAI生态虽然都叫GPT，但底层实现完全不同，混在一起只会越来越乱。现在的设计相当于给每个生态一个独立跑道，互不干扰。
从长期看，这种结构更容易扩展。以后要接入Anthropic的Claude，可以单独加一个anthropic provider。要接入Google的Gemini，可以单独加一个gemini provider。每个provider独立管理自己的认证、线程、模型发现，互不干扰，互不依赖。