OpenClaw 创始人 Peter Steinberger（@steipete），回应外界对他 AI token 花费（据上下文可能上百万美元级别）的质疑，解释了 OpenClaw 项目为什么大量使用 AI 的原因。
核心观点是“如果 tokens 不重要，未来的软件开发会是什么样子？” 他描述了高度自动化的 AI 驱动开发流程：
- 持续运行 ~100 个 Codex（AI 编码模型）在云端，审查每个 PR、Issue。
- 自动修复老 Issue、去重 Issue、聚类分析并报告优先问题。
- 安全审查每个 commit。
- 自动创建 PR（如果新 Issue 符合项目愿景）、审查 PR。
- 代理能重现复杂环境、启动临时机器、登录 Telegram、生成前后对比视频并发布到 PR。
- 自动扫描评论中的 spam 并封禁。
- 验证性能基准、报告 regression 到 Discord。
- 会议中监听讨论，主动启动工作并创建 PR。
- 使用工具将项目拆分成功能单元进行审查、找 bug 和 regression。
- 结合 Vercel deepsec 和 Codex Security 做安全扫描。
这些自动化让团队极度精简，目前约 6 人（早期基本是他一人）。
他强调这是探索“tokens 不重要”时代的软件构建方式。
OpenClaw 是个 GitHub 上star项目最多增长最快的开源项目，核心团队估计就 Steipete 加几个人。他们能 cover 上面所有自动化，前提是把项目维护者的时间通过ai自动化给释放出来。
极小团队 + 极密集 AI 是新的”杠杆配方”
我认为这是当前前沿 AI 原生开发的“极致自动化”案例。
6 个人 cover 顶级开源项目，前提是把”重复但必要”的事全部交出去。能把 token 以这种密度花出去——构建一套全自动化的流程去管理世界级项目——本身就是 AI 时代最难复制的能力。
不仅如此，Peter还提到两个开源项目辅助自动化开发：
Crabbox — 远程 testbox
提供”租用 → 同步代码 → 运行 → 释放”的短命远程机器循环。开发者和 AI 代理共用，CLI 不持有云凭证，broker 统一管租约和成本。一行命令 crabbox run -- pnpm test 即可拿到一台云机器，跑完测试自动释放。
Clawpatch — 语义化代码审查
按 feature 单元（而非文件）切项目，AI 在语义边界做审查。每个 finding 带严重程度、置信度、证据、推荐修复，并能跑显式的 fix --finding 循环——找完 bug 自动尝试修复，再独立验证。
二者搭配 —— Crabbox 提供运行环境，Clawpatch 提供审查能力 —— 支撑 OpenClaw 的极端自动化。