太狠了！OpenClaw之父一夜屠光5000 Issue，GitHub服务器先跪了

AI产生的垃圾，就该AI自己来扫

开源社区的维护者们，最近可能都听说了这件有点“疯狂”的事。OpenClaw的创始人、OpenAI工程师Peter Steinberger，用了短短两天时间，搭建了一个名为ClawSweeper的工具。然后，他启动了50个Codex实例，让它们7×24小时不间断地并行扫描。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

结果呢？一天之内，他那个拥有36万Star的开源巨兽仓库——openclaw/openclaw——里，超过5000个无效Issue被直接关闭，还有数千个在管道里排队等待“处决”。

这个数字意味着什么？要知道，这个级别的开源项目，积压的Issue和PRs（Pull Requests）往往数以万计。

里面充斥着重复报告、早已过时的问题、在main分支已经修复却无人关闭的旧账，以及大量AI灌水产生的无意义内容。它们堆在一起，就像一个庞大的“数字坟场”，任何人类维护者看一眼，恐怕都会感到头皮发麻。

如果依靠人工来处理这些积压，清完恐怕需要整整一年。而Steinberger用AI，一天就清理了一半。

更让人惊讶的是成本。有人问他这一轮大规模扫描花了多少钱，他的回答轻描淡写：不到1000美元。算下来，对5000多个Issue进行深度审查并关闭，平均一个的成本还不到两毛钱。

而让整套系统速度慢下来的唯一原因，并非模型不够聪明，而是GitHub的API速率限制——服务器的响应速度，竟然追不上AI的处理速度。

“冷面判官”的处决逻辑

可别误会，ClawSweeper绝非一个“无脑杀手”。恰恰相反，其设计哲学可以用四个字概括：极致保守。

这套系统的核心运行在gpt-5.5上，采用了高推理强度（high reasoning effort）和快速服务层（fast service tier）的配置；每个待审条目的Codex审查超时设定为10分钟。

它只在以下七种明确的情况下，才会决定关闭一个Issue：已经在main分支实现、当前main分支无法复现、应归属于ClawHub的skill/plugin而非核心库、重复或已被更权威条目取代、在该仓库内描述具体但不可执行、内容过于混乱无法执行、以及超过60天且缺少足够数据验证的bug。

除此之外，一律保持开放状态。

这还没完，系统还设置了另一层保险：ClawSweeper不会去触碰维护者自己发布的条目。它会先查看GitHub的身份标记，只要是项目所有者、成员或协作者发布的issue，就直接跳过，绝不自动关闭。

设计上更为谨慎的一点是，Codex在审查时根本没有写入权限。它只能在只读环境中查看代码、分析上下文、做出判断，然后将结果整理成一份结构化的Markdown报告，存入items/<编号>.md文件。

真正的评论和关闭动作，并不会在审查阶段直接发生。系统要等到进入apply_existing=true模式后，重新抓取最新的上下文，并再次计算快照哈希，确认该issue在提案生成后没有发生任何变化，才会真正动手执行。

Steinberger本人人工抽查了数百条关闭记录，结果是：准确率几乎达到百分之百。

README就是仪表盘

ClawSweeper最让人拍案叫绝的设计，或许不是它的关闭逻辑，而是它的“监控系统”。

按照传统做法会怎么做？搭建Grafana，配置Prometheus，弄一套精美的后台仪表盘。但Steinberger说：没必要。README就是我的仪表盘。

ClawSweeper在运行过程中，会实时更新仓库的README.md文件。当前有多少开放的issue、本轮审查了多少条、提议关闭多少条、已执行关闭多少条、GitHub限流到了哪一步——所有这些信息，都以清晰的表格形式明明白白地写在README里。

任何人打开GitHub仓库主页，就能一眼看到这位“AI判官”此刻正在干什么。这让整个清理过程变得完全透明、完全公开、完全可审计。任何对“AI擅自关闭我的Issue”心存疑虑的贡献者，都可以直接点进对应的items/71514.md文件，查看Codex给出的完整审查理由。

当AI开始“自愈”

你可能会想，这不就是个高级点的自动化脚本吗？但把格局放大一点看，意义就不同了。

GitHub上有超过4亿个仓库，其中活跃的大型开源项目，几乎都面临着同一个噩梦——Issue坟场。Kubernetes有4万多个已关闭的Issue，Linux内核邮件列表的积压更是天文数字。

维护者的时间是世界上最稀缺的资源之一，而大量时间被浪费在“判断这个Issue到底还需不需要存在”这种机械劳动上。ClawSweeper的意义在于，它第一次在一个真实的、百万Star级别的仓库里证明了：利用AI智能体进行大规模的、保守的、可审计的Issue分诊，是完全可行的。

5000多个Issue的深度审查加关闭，总花费不到1000美元，单个成本约0.2美元。而且它7×24小时不休息、不抱怨、不带情绪。唯一能让它慢下来的，只有GitHub API的速率限制。

从某种意义上说，这标志着开源项目从“人工维护”迈向“自愈”的起点。未来，每一个大型开源仓库里，可能都会运行着一个类似ClawSweeper的机器人，持续监控Issue质量，自动过滤噪音，从而让人类维护者只需要关注那些真正需要人类智慧判断的、高价值的问题。

Rate Limit是最后的防线

有个细节特别有意思。在ClawSweeper的仪表盘（README）上，赫然写着：“State: Apply throttled”——它被GitHub的API限流给卡住了。

50个Codex并行扫描的速度太快了，快到GitHub的服务器开始说“你慢点，我跟不上了”。在传统软件开发中，速率限制是为了防止恶意攻击。但现在，它成了制约AI工作效率的唯一瓶颈。

不是模型不够聪明，也不是判断不够准确，纯粹是基础设施的管道，追不上AI处理的速度。这大概就是当下最真实的写照：管道，成了AI狂奔路上最后的减速带。

参考资料：
https://x.com/steipete/status/2047982647264059734
https://github.com/openclaw/clawsweeper