Kimi Claw Pengujian: Di tengah gelombang panas OpenClaw, AI otomatisasi masih dalam tahap perintisan

Penulis: Xu Shan

Ini

Pada tahun 2026, seekor udang kecil mengguncang seluruh dunia AI, dan setelah setahun, sisa semangat OpenClaw masih terus berkobar.

Baru-baru ini, banyak perusahaan pembuat model domestik secara berurutan meluncurkan produk yang bersaing dengan OpenClaw, seperti MaxClaw dari Mini Max, Kimi Claw dari Kimi, yang jelas menunjukkan bahwa kemampuan eksekusi AI yang ditampilkan oleh OpenClaw, serta tingkat toleransi pengembang terhadap hasil eksekusi AI, telah membuka ruang nilai di pasar.

Di antara berbagai produk yang bersaing, posisi Kimi Claw cukup jelas. Produk ini bukanlah hasil pengembangan dari nol, melainkan berbasis layanan cloud terkelola OpenClaw, data disimpan di cloud Moonshot, dan langsung dikonfigurasi dengan lebih dari 5000 skill komunitas ClawHub.

Keunggulannya terletak pada kestabilan penggunaan, kemudahan deployment, kemudahan penggunaan, dan berkat berbasis cloud, dapat menjalankan eksekusi secara online 24/7. Dengan membuka situs resmi Kimi, cukup satu klik untuk membuat, dan Kimi akan langsung meng-deploy Kimi Claw.

Kimi Claw deployment satu klik｜Sumber gambar: GeekPark

Dengan kata lain, Kimi Claw bukanlah produk baru yang independen. Pada dasarnya, ini adalah sebuah mesin virtual yang sudah disiapkan untuk pengguna secara jarak jauh, memungkinkan pengguna mengakses langsung lingkungan OpenClaw yang berjalan di cloud melalui Kimi.

Tidak ada pengurangan fitur, tidak ada pembungkus tambahan, hampir tidak berbeda dengan deployment OpenClaw secara lokal. Hanya saja, langkah deployment, konfigurasi, dan pembangunan lingkungan telah diselesaikan untuk pengguna, tetapi proses tuning setelah deployment OpenClaw tidak dilakukan sama sekali. Jika pengguna tidak belajar memberikan instruksi yang benar dan mengatur tugas secara rasional, tingkat kesulitannya tetap cukup tinggi.

Bagi pengguna yang belum pernah berinteraksi dengan produk sejenis OpenClaw, ini bisa menyebabkan ekspektasi yang keliru. Mereka mengira bahwa dengan mengakses OpenClaw, mereka bisa melakukan eksekusi AI otomatis, padahal sebenarnya hanya menambahkan antarmuka portabel, dan masih banyak pengaturan yang harus mereka eksplorasi sendiri. Oleh karena itu, menyediakan beberapa skill preset yang populer untuk produk sejenis OpenClaw akan menjadi fokus utama banyak vendor model AI berikutnya.

Saat ini, Kimi Claw masih dalam tahap beta dan hanya tersedia untuk anggota Kimi Allegretto.

1. Membangun workflow otomatisasi kantor dalam 30 menit

Kami menemukan bahwa banyak pengguna, sama seperti kami, setelah mengakses OpenClaw, tetap tidak memahami batas kemampuan eksekusi AI, penuh rasa ingin tahu tentang apa yang bisa dan tidak bisa dilakukan AI, tetapi juga penuh ketidakpastian, tidak tahu harus mulai dari mana setelah terhubung.

Sebenarnya, saat ini, baik deployment lokal dari AI otomatis seperti OpenClaw, maupun akses melalui antarmuka eksternal seperti Kimi Claw, secara keseluruhan, pola penggunaan dapat dibagi menjadi dua jalur: membangun aplikasi dari nol dan mengoptimalkan aplikasi dari setengah jalan (0.5). Kami telah mencoba kedua pendekatan ini secara langsung, dimulai dari pengembangan aplikasi dari nol dan mengoptimalkan workflow.

Sebelum mencoba Kimi Claw, saya terlebih dahulu menilai pekerjaan apa yang bisa saya buat menjadi workflow tetap, atau tugas apa dalam workflow saya yang bisa menjadi lebih baik dengan bantuan AI. Sebelumnya, yang saya pikirkan hanyalah interaksi dengan jenis alat AI mana yang bisa memberikan hasil terbaik.

Saya memilih bagian jurnal kerja, menggabungkan workflow harian, pencatatan pekerjaan, ringkasan kerja, refleksi, dan akhirnya menghasilkan laporan kerja harian. Sebelumnya, laporan ini diisi secara manual dan memakan waktu, sekarang saya berharap AI bisa otomatis mengambil data, lalu digabungkan dengan interaksi dialog untuk membentuk tabel secara otomatis.

Pertama, saya menyusun gambaran besar instruksi optimisasi untuk AI, lalu dari berbagai aspek seperti definisi peran, konfigurasi skill, akses data, workflow utama, struktur tabel multimedia, poin ingatan, hak akses, dan batasan, saya memberikan instruksi yang sangat panjang dan kompleks kepada Kimi Claw.

Kimi Claw dengan cepat menganalisis instruksi tersebut dan mengonfirmasi detail eksekusi, seperti informasi dasar, hak akses Feishu, penyimpanan data, dan metode trigger. Setelah itu, kami mulai membangun aplikasi Feishu sesuai instruksi di platform Feishu, dan saya mengirimkan App ID serta App Secret ke Kimi Claw.

Pada satu tahap, saat membangun tabel di dalam Feishu, saya meminta Kimi Claw langsung memberi saya format tabel, lalu mengirimkannya ke sistem AI bawaan Feishu agar otomatis membangun tabel tersebut.

Salah satu halaman aplikasi yang dibangun oleh Kimi Claw｜Sumber gambar: GeekPark

Setelah mengalami kendala seperti tidak menemukan kolaborator, halaman aplikasi yang tidak ditemukan, ID yang tidak diketahui, dan masalah lain, sekitar setengah jam kemudian, saya berhasil menerima pesan pertama dari Kimi Claw.

Kecepatan membangun bot ini jauh lebih cepat dari perkiraan saya. Saat menghadapi masalah, saya langsung memberi tahu Kimi Claw bagian mana yang tersendat, lalu memilih solusi yang diberikan untuk dieksekusi. Jika solusi tersebut tidak cocok, saya akan terus bertanya kepada Kimi Claw tentang solusi lain.

Kimi Claw deployment satu klik ke Feishu｜Sumber gambar: GeekPark

Saat membangun workflow, kemampuan lintas platform menjadi semakin penting. Setelah membuka 12 izin Feishu secara berurutan, saya akhirnya berhasil membangun aplikasi AI, tetapi belum mencapai kondisi ideal. Saya berharap AI bisa membaca riwayat chat saya dan orang lain untuk merangkum tugas kerja saya, tetapi setelah beberapa kali percobaan, daftar grup chat yang diperoleh AI tetap kosong, dan AI menyatakan bahwa aplikasi AI Feishu hanya bisa membaca percakapan yang saya ikuti, tidak bisa membaca daftar grup.

Secara keseluruhan, pengalaman saya menunjukkan bahwa Kimi Claw cukup familiar dengan platform workflow umum seperti Feishu dan DingTalk. Instruksi yang diberikan biasanya langsung dapat diimplementasikan, bahkan pengguna pemula pun bisa memahaminya dan menjalankan. Namun, aplikasi perusahaan seperti ini sangat memperhatikan hak akses dan keamanan data, pengaturan yang terbuka pun cukup ketat. Jika ingin AI benar-benar terintegrasi dalam workflow, tidak cukup hanya mengandalkan alat seperti Kimi Claw; kita juga harus menunggu munculnya aplikasi yang lebih cocok dan terintegrasi dengan AI.

Selain itu, selama proses berjalan, sering muncul bug, misalnya, interaksi pengguna dengan Kimi Claw dan tugas Agent yang sedang berjalan sering salah dihitung sebagai bagian dari tugas pribadi. Belajar memperbaiki bug ini menjadi bagian penting dalam melatih AI.

Jika memilih untuk secara aktif menyesuaikan aplikasi atau fitur dari nol, pengguna harus merancang jalur operasi yang jelas dan memiliki pemikiran produk dasar. Harus memahami tingkat keterbukaan dan konektivitas antarmuka input dan output, serta mengendalikan biaya setiap panggilan dan eksekusi.

Dalam pembangunan workflow ini, total konsumsi token sekitar 15.000–25.000, sesuai skema harga Kimi, sekitar 1 yuan. Biaya harian sekitar 0,53 yuan, dan dalam sebulan sekitar 15,9 yuan.

2. Pengujian pembangunan asisten berita otomatis AI: aplikasi “pra-buat” mudah dipelajari, modifikasi berbiaya

Selain membiarkan AI menyesuaikan dan membangun aplikasi sesuai imajinasi saya, saya juga mencoba beberapa aplikasi “pra-buat”, misalnya membiarkan Kimi Claw otomatis mengambil berita.

Saat melakukan tugas pertama pengambilan berita otomatis, kami mencoba agar Kimi Claw memantau situs resmi media berita teknologi tertentu. Instruksi yang kami berikan adalah:

“Pantau situs industri xxxx, rangkum berita terbaru selama seminggu terakhir dan dalam 3 hari ke depan, setiap kali ada artikel baru yang mengandung kata kunci ‘AI’, otomatis ambil judul, ringkasan, waktu terbit, dan rangkum ke dalam satu tabel online. Selain itu, analisis artikel populer sesuai gaya yang saya tetapkan dalam laporan.”

Kimi Claw akan menanyakan konfigurasi spesifik, tetapi saat tugas pengambilan berita pertama, kami menemukan bahwa banyak situs resmi memiliki pengaturan anti-scraping, sehingga sulit melakukan monitoring informasi dari situs berkualitas. Kimi Claw juga sulit menentukan cakupan pengambilan yang tepat, sehingga sering terjadi proses yang tidak efektif, yang berarti banyak token terpakai tanpa hasil.

Tugas monitoring ini berjalan sekitar 8 kali dari pukul 4 pagi sampai 11 siang hari ini, menghabiskan sekitar 180.000 token, dengan biaya sekitar 3,68 yuan. Jika diatur untuk berjalan setiap jam, biaya harian sekitar 11 yuan, dan per bulan mendekati 330 yuan.

Kemudian, setelah berkonsultasi dengan orang terkait, kami memutuskan untuk berhenti menulis instruksi sendiri, dan sebaliknya mengunduh file instruksi terkait dari situs seperti ClawHub, lalu menggunakannya sebagai dasar untuk menyesuaikan berita selanjutnya.

Menggunakan file dari ClawHub yang di-deploy ke Kimi Claw｜Sumber gambar: GeekPark

Selanjutnya, kami melakukan pengaturan yang cukup detail terkait media berbahasa Mandarin, kriteria penyaringan berita, jumlah dan waktu pengiriman informasi. Akhirnya, kami mendapatkan hasil pengambilan berita AI yang cukup baik.

Kimi Claw hasil pengambilan otomatis｜Sumber gambar: GeekPark

Jelas, jika hanya menggunakan aplikasi preset secara pasif, fokusnya adalah belajar memilih skill package (skills) yang berkualitas dan mampu menyesuaikan serta mengoptimalkan fungsi yang ada sesuai kebutuhan.

Namun, jika ingin melakukan modifikasi kustom pada aplikasi AI preset ini, biasanya akan kembali ke tantangan yang sama seperti saat membangun dari nol. Pengembangan dan optimasi cukup menantang, dan hasil akhirnya belum tentu memuaskan.

Dalam proses ini, pengguna harus menghabiskan banyak waktu untuk mengeksplorasi kenyamanan, kecocokan berbagai Skills dalam produk yang sama, lalu memutuskan skill mana yang akan dikembangkan, dimodifikasi, dan diperluas. Ini juga menguji kemampuan berpikir produk pengguna.

3. Pengalaman penggunaan Kimi Claw: peningkatan eksekusi AI, instruksi adalah produktivitas

Pada tahap saat ini, nilai inti Kimi Claw hanyalah menurunkan hambatan deployment OpenClaw agar pengguna domestik dapat dengan cepat mengaksesnya. Produk ini sendiri tidak membawa skenario atau skill bawaan, lebih seperti sebuah “penghubung” daripada “produk jadi”.

Selama pengalaman, kami juga menemukan bahwa meskipun Kimi Claw menggunakan model Kimi K2.5 di dasar, kombinasi ini adalah “model mentah + OpenClaw asli”, tanpa mewarisi kemampuan pencarian multi-putaran, penguatan konten, koreksi otomatis yang telah dioptimalkan secara mendalam oleh tim pencarian di situs resmi Kimi.

Dengan kata lain, Kimi di situs resmi nyaman digunakan karena ada tim khusus yang melakukan banyak optimasi terhadap model untuk skenario pengguna yang sering, termasuk kemampuan auto-complete dan lain-lain; sedangkan model “mentah” yang diakses di lingkungan OpenClaw lebih mendekati pemanggilan API langsung, tanpa optimasi khusus.

Setelah pengalaman mendalam, saya bisa merasakan secara jelas bahwa perbedaan utama antara menggunakan Kimi Claw dan produk AI tradisional atau Agent biasa terletak pada dua aspek utama: kemampuan eksekusi AI dan pentingnya instruksi, yang merupakan logika kunci dalam penggunaan produk ini.

Pertama, dari segi kemampuan eksekusi, Kimi Claw mampu menjalankan tugas bahkan saat Anda tidak menggunakan komputer, berbeda dengan pola tradisional di mana pengguna memberi instruksi dan menunggu tugas selesai. Saya bahkan bisa memberi tahu Kimi Claw kapan harus menjalankan instruksi ini, dan saat saya menyalakan komputer, saya bisa langsung melihat hasil output terjadwal setiap saat. Tapi, saya juga diingatkan untuk menetapkan titik berhenti pada aplikasi yang bersifat pengalaman, agar sumber daya tidak terbuang sia-sia.

Kedua, dari segi instruksi, dulu saya memberi instruksi yang cukup singkat dan langsung ke pokok masalah, dan jika solusi yang diberikan AI tidak tepat, saya akan melakukan penyesuaian. Tapi, setiap kali Kimi Claw menjalankan instruksi kompleks, ia akan memanggil banyak Agent untuk membantu, yang menyebabkan konsumsi token meningkat berkali-kali lipat. Oleh karena itu, saat memberi instruksi, harus jelas tentang cara operasi, batas hak akses, jalur eksekusi, serta aspek keamanan dan pengendalian biaya.

Misalnya, dulu saat saya mencari berita, instruksi saya adalah: “Berikan 10 berita terkait OpenClaw dan beritahu nilai perhatiannya.” Sekarang, instruksi saya adalah:

“Sebagai petugas pencarian informasi, Anda memiliki hak menggunakan alat pencarian online (terbatas pada web_search dan web_open_url, dilarang mengakses basis berita berbayar yang memerlukan login), tetapi harus menjalankan dalam batasan berikut: 1) Pertama, lakukan pencarian kata kunci ‘Update terbaru tentang OpenClaw’, hanya ambil 5 hasil teratas dengan bobot tinggi (prioritaskan media teknologi dan blog resmi, kecualikan forum spam); 2) Saat menganalisis nilai berita, batasi secara ketat pada tiga dimensi: ‘Terobosan teknologi’, ‘Dampak bisnis’, ‘Risiko keamanan’, masing-masing dirangkum dalam satu kalimat, tanpa penjelasan tambahan; 3) Nonaktifkan otomatisasi klik browser dan kemampuan crawling mendalam, untuk menghindari trigger anti-scraping dan konsumsi token berlebih; 4) Format output berupa tabel: Judul berita | Sumber | Label nilai perhatian | Dasar singkat (≤30 kata per baris); 5) Jika hasil pencarian kurang dari 10, hentikan pencarian tambahan dan langsung output sesuai jumlah, jangan lakukan pencarian lanjutan untuk mengisi angka. Anggaran token diperkirakan tidak lebih dari 8K, jika jalur menyimpang, segera hentikan dan laporkan, jangan koreksi sendiri.”

Dalam banyak kasus, saya bahkan meminta AI untuk mengoptimalkan ekspresi instruksi saya sebelum saya kirimkan ke Kimi Claw. Hanya dengan instruksi yang spesifik dan akurat, hasil terbaik bisa diperoleh dalam batas konsumsi token yang wajar. Bahkan, banyak forum terbuka menyediakan perpustakaan Skills khusus untuk OpenClaw yang bisa membantu pengguna lebih mudah menguasai beberapa aplikasi populer.

Instruksi yang tepat dan konkret adalah prasyarat untuk mendapatkan hasil berkualitas dalam batas konsumsi token yang wajar. Proses menggunakan Kimi Claw pada dasarnya adalah proses pengguna menimbang kemampuan model, hasil output, dan biaya penggunaan.

Kimi Claw｜Sumber gambar: GeekPark

Terakhir, tentang melatih AI.

Bahkan setelah Anda cepat membangun sebuah aplikasi AI, Anda akan menyadari bahwa bot AI ini tidak langsung menjadi sangat baik. Pembagian instruksi, penggabungan tugas, dan pemahaman terhadapnya berbeda cukup jauh dari pemahaman manusia. Anda tetap perlu melakukan pelatihan instruksi secara berulang-ulang untuk mengeksplorasi batas produk. Terutama, banyak sumber informasi tidak sepenuhnya terbuka antarmukanya. Di sini, untuk benar-benar mengelola hak akses dan transfer data, bukanlah hal yang mudah.

Intinya, efektivitas aplikasi Kimi Claw saat ini bukanlah sekadar AI seperti chatbot yang memiliki banyak fungsi langsung untuk pengguna. Melainkan sebuah alat pengembang yang membutuhkan pengguna memahami proses pengembangan, dan mampu membuat pilihan setelah melakukan berbagai pertimbangan komprehensif. Hanya saja, alat pengembang ini mendukung otomatisasi deployment yang sederhana.

Potensi Pengembangan AI Otomatisasi Masih Terbuka

Meskipun OpenClaw sejak 2026 telah membakar imajinasi orang terhadap AI otomatisasi, dari kejadian keamanan yang sering terjadi dan pengalaman pengujian produk baru baru-baru ini, OpenClaw masih hanya sebuah kunci dan peluang, bukan jawaban akhir.

Baik untuk skenario nyata yang dapat diterapkan maupun jalur komersialisasi skala besar, industri AI belum menemukan jalur yang jelas dan matang. Sebaliknya, pasar terus meningkatkan ekspektasi terhadap produk Claw melalui hype berulang, bahkan menarik banyak pengguna awam untuk mencoba operasi berisiko tinggi yang melampaui kemampuan mereka sendiri.

Yang pasti, AI otomatisasi sejak hari pertama kelahirannya selalu menjadi perhatian industri. Namun, apakah OpenClaw dan bentuk cloud terkelola seperti Kimi Claw bisa menghasilkan produk yang benar-benar sukses dan skalabel, masih sangat membutuhkan verifikasi. Terutama karena alat AI semacam ini sekarang bisa langsung mendapatkan hak untuk mengubah perangkat dan file di terminal Anda.

Di masa awal, banyak pemula yang belum memahami batas kemampuan AI, langsung memberikan hak akses penuh, dan sulit membayangkan perlunya pembatasan keamanan dan konfirmasi hak kedua. Memberikan hak operasi sebesar ini kepada AI secara langsung sebenarnya membuka risiko sistem secara langsung. Itulah sebabnya, agar produk ini bisa benar-benar berskala dan komersial, pengelolaan keamanan dan hak akses menjadi tantangan yang lebih besar daripada sekadar kemampuan AI.

Dari berinteraksi langsung dengan model besar, berkomunikasi dengan satu Agent, berkolaborasi dengan kluster Agent, hingga penggunaan OpenClaw saat ini, industri telah menghasilkan banyak percobaan dengan fungsi serupa namun jalur berbeda. Ini menunjukkan bahwa industri masih dalam masa eksplorasi fungsi AI. Selain paradigma interaksi stabil dan matang seperti ChatGPT, logika penggunaan, batasan, dan nilai dari bentuk baru seperti Agent dan Claw masih dalam proses penemuan bersama.

Mungkin, baru pada tahun 2026 kita akan benar-benar melihat munculnya sejumlah aplikasi AI otomatisasi yang stabil, dapat digunakan, dan memiliki nilai nyata.