这只 " 虾 "，来得太猛了。

2025 年初，一款名叫 OpenClaw 的 AI Agent 工具在中文互联网上掀起了一场集体狂欢。它有个更亲切的外号—— " 龙虾 "。

技术圈的人管它叫 "Agent 落地的里程碑 "，普通人则在朋友圈里刷到了各种 " 装好了！"" 跑起来了！"" 太牛了！" 的欢呼。

云厂商迅速跟进，推出一键部署套餐；个人卖家在闲鱼挂出远程安装服务；线下 " 手把手教你养虾 " 的聚会一票难求。一时间，" 不会养虾，就要被时代抛下 " 的焦虑，从技术圈弥漫到了普通人。

那些真正把 " 龙虾 " 养起来的人，对它是什么评价？是 " 真香 " 还是 " 劝退 "？

这两天，「AIX 财经」和六位用户聊了聊，他们的背景几乎覆盖了 " 养虾大军 " 里最典型的几类人：AI 创业者、大厂技术研发、游戏行业从业者、一人公司老板等等。

有人装了 6 只 " 龙虾 "，把它当成一人公司的 "AI 员工团队 "；有人用它做出了 " 人生管理系统 "，让 AI 在每天早中晚分别扮演目标架构师、执行教练和复盘分析师；也有人因为一句 " 处理一下 "，被它悄悄删掉了本地文档。

对于想要跟风 " 养虾 " 的普通人，他们给出的建议出奇地一致：先别急。想清楚自己手头有没有适合交给 AI 的重复性工作，备一台闲置机器，控好权限，设好用量上限。等大厂的云端版本再成熟一些，门槛会低很多，坑也会少很多。

作为 " 一人公司 " 的经营者，我一直在尝试各种 AI 助手，这次，我安装了 6 个 " 龙虾 "，目标是让 AI 负责 6 家 " 一人公司 "，同时承担多个岗位的职能，提升人效。

密集测试下来，我的核心体会有三点：安装配置有门槛、任务分配必须有边界、成本控制至关重要。如果你能找到省钱的技巧，完全可能让 "AI 员工 " 的成本减半。

先说安装与配置。

" 龙虾 " 基础框架的部署相对简单，难点在于给它配置具体的 " 技能包 "。这就像你有了一个通用智能 " 大脑 "，但如果想让它处理飞书消息、分析数据或管理社交媒体，就得为它安装对应的 " 手 "。比如，配置飞书技能包，我就花费了两小时。每个技能包都可能涉及 API 密钥、回调地址、权限审核等细节，需要一定代码基础和学习成本。

再说成本。

就我自己的体验来说，后台一旦跑起 " 长文本 + 自动化 " 流程，每月账单突破几百美元的情况并不罕见。

我总结了几个实用的方法：简单分类、提取任务用普通模型，复杂推理再调用高级模型；提示词尽量写准，减少无效交互；重复请求尽可能缓存，避免反复消耗；最重要的是设定用量上限，防止程序出现 bug 后循环调用，一夜之间把钱包掏空。

最后说它能做什么任务。

测了多个岗位后，我发现财务、法律、医疗及核心业务系统迁移这类责任重大、专业性极强的任务，目前仍需人工主导。" 龙虾 " 更擅长处理定义清晰、规则明确的重复性工作。对于我这样的一人公司而言，它能每日自动完成资料搜集、内容多平台发布等机械工作，已经能明显解放时间，让我更专注于策略、创意、关系维护上。

但它在提升效率的同时，也会成倍放大风险。

比如，输错一个提示词，就可能导致所有社交媒体账号发布错误内容，或者向大批客户发错邮件。所以我目前基于 " 龙虾 " 的自动化操作，就会放在完全隔离的测试环境里。

我不建议普通用户跟风装 " 龙虾 "，关键得先判断自己的工作是否适合交给 AI 来处理，再在成本、稳定性和效率之间慢慢找平衡点。

我在 AI 领域做产品和解决方案，喜欢尝鲜各类前沿 AI 工具。第一次听说 OpenClaw，是刷到一些技术大 V 的视频。我凭着自己的代码基础，用 NPM 命令安装，过程还算顺利。

装完之后，我在本地电脑和云主机都做了部署，开始在各种场景试手，结果问题频出。

它会毫无征兆地删掉本地目录的文档。有一次版本升级，甚至把我电脑系统目录里很多东西都删了。我身边也有朋友用它运营社交平台账号，结果历史内容被莫名删除。

本来我是冲着提升效率去的，想着靠它打通微信、企业微信、飞书这些工具，帮我自动收集资料、写工作报告，也试过它的定时任务功能，设置好时间让它到点生成工作文档，结果大部分都达不到预期。实际跑下来后，它生成的报告质量远不如普通 AI 工具更好。

让它写些代码倒是能很快出结果，但它自主验证的中间过程不可见，我根本不敢直接用，只能手动执行、逐一核对，等于又多了一道工序。

为了规避风险，我还特意在配置文件里加了提示，要求它执行删除这类高危操作时必须先跟我确认。即便这样，我也不敢放开高权限，很多自动化功能始终落不了地。

对比下来，平时用的其他 AI 工具不需要复杂配置和权限调试，交互更高效，输出的内容也更贴合实际工作需求，比较来看，OpenClaw 的 " 鸡肋感 " 拉满。

我觉得现在市场对它有点过度神话。云厂商、卖教程的、搞线下教学的，确实吃到了这波红利，但真正靠 OpenClaw 本身赚到钱的用户，我一个都没见到。如果让我给它打分，我大概给六七分：有创新，也确实打破了一些传统 AI 的交互模式，但实际表现配不上这份热度。

我是游戏小厂的市场商务岗，从技术背景上说不算硬核，只接触过少量代码。最初知道 OpenClaw，是看它在朋友圈里刷屏了，我就花了几百元，低成本试了试。

我没选本地部署，直接上了云端，对非技术岗来说更友好。基础环境已经准备好了，跟着网上文档一步步操作，部署没有想象中那么难。后面和飞书打通时需要自己调一下。

成本上，一开始搭基础环境只花了几十元，后面玩得更深入后才升级了云服务器配置和 token 套餐，全部加起来也不过几百元。海外模型当然贵不少，但对我这种试水用户来说，国内模型基本就够我用了。

一些高频、重复、又懒得亲手做的事，它处理得很顺畅。我给它装了爬取海外 AI 博客的技能，让它每天定时收集信息、生成内容、发布社交平台帖子、完成互动。它能把信息收集、内容生成到定时发布这条链路串起来。除此之外，它自动收集财经资讯，也确实省掉了我手动筛信息的时间。

现在已经有平台开始打击 AI 托管运营账号了，对我来说还没有影响，以后我在给 AI 下达指令时，会要求它规避平台对 AI 的监测与审核机制。

但它的 " 记性 " 不算好，这是最让我头疼的一点。比如部署时定好的端口和参数，迭代几个版本后就会忘掉，反复犯同样的错；同时开多个任务时，也会出现卡死，得去云主机后台重启、修修补补。好在这些问题大多还能靠反复训练改善，就像带新人一样，给点耐心，它会慢慢适应你的习惯。

至于大家最关心的隐私和安全，我也做了一些轻量限制，比如限定 IP、控制操作范围、限制网关出口，尽量在不牺牲太多使用性的前提下把风险降下来。

用了一周多，我会给 OpenClaw 打 8.5 分左右。和普通 AI 工具相比，它不是让你自己去拼工作流，而是能把 " 思考 + 执行 " 接起来。它不是神乎其神的万能工具，更像一个需要带教的实习生。token 利用效率不高，组织协同能力也有限。能替我干活，能落地一些想法，但还远远取代不了人的核心判断。

我的工作决定了我需要了解最新的技术，春节前，我在 Mac mini 上部署了 OpenClaw，断断续续用了一个多月。

我最大的感受是：它现在还没到 " 人人都能用、用了就离不开 " 的阶段。

装 " 龙虾 " 本身不是最难的，难的是它还很不成熟，而且几乎每天都在更新。你得不停看教程、翻社区、刷 X 和各种帖子，找最新配置和功能插件，再一点点往里装。好在我懂些代码，大部分技术问题能自己解决；但对普通人来说，这个门槛确实不低。

刚开始它其实很 " 笨 "，很多功能都得靠你慢慢 " 训 "，你要不断给它加不同的配置、不同的功能。

真正超出我预期的是一件很生活化的小事。我让它去找一个折纸飞机的视频给孩子看。它不仅找到了，还说 " 您应该是给女宝宝找的。" 它能根据我的浏览习惯，判断出孩子大概的喜好，最后找出来的视频的确很合适。只用了一周，它对我的了解程度就已经到了有点 " 细思极恐 " 的地步。

  但在工作上，它还没有到颠覆我工作方式的程度。它能帮我做 PPT、信息简报，完成一些辅助工作，但还做不了那些全链条、需要深度思考的工作。

以前做一项工作可能要一个小时，现在也许半个小时就能完成，但又要花很多时间 " 调教 " 它。

而且，它也确实坑过我。有一次我让它 " 处理一下 " 某个东西，它直接把我的本地文档删了。后来虽然恢复了，但这件事提了个醒：它对语义的理解有偏差，更麻烦的是，它是在后台运行的，你根本看不见它在干什么。

很多人觉得安全风险是个虚的话题，但我觉得这是现在 " 养虾 " 最值得认真对待的问题。

最核心的问题是权限。要让它好用，就得给它很多权限；可一旦权限给多了，它在后台怎么跑、插件里藏了什么、接口到底连到哪里、开了哪些端口，很多时候你根本看不见。再加上现在很多插件都还是野生状态，没有统一审查，也没有安全保障。你让它接触身份信息、密码、银行卡、公司机密，风险非常高。

所以我的建议是：普通人可以先体验，但尽量别给太高权限，最好拿一台闲置电脑或者空白电脑尝试，不要一上来就装到自己的主力工作机上。至于更适合普通人的方案，我觉得还是得等大厂把云端版本做得更成熟一些，至少门槛会低很多，也更省心。

我从 " 龙虾 " 还是 Clawdbot 的时候就开始用了。因为是技术出身，部署对我来说并不复杂。我不仅在 Mac 上做了部署，还在云平台、Windows 端、Windows 的 WSL 端、Nas 端都做了部署，算是比较深度的用户。这几天我还在尝试把 " 龙虾 " 部署到一个自己搞的小成本硬件上。

安装其实只是最简单的一步，真正更难的是找到适合自己的使用场景。

我是一个 P 人，" 龙虾 " 对我来说最大的意义是帮我安排生活。

春节前，我本来就想给自己做新年规划，后来干脆用它搭了一套" 人生管理 " 系统。

工作原理就是设置了多个 Agent 职能，比如目标架构师、任务聚焦官、执行教练、复盘分析师等等。

  我先把年度计划发给 " 目标架构师 "，由它拆成不同的细分目标，再具体到每月、每周、每天我应该做什么；之后 " 任务聚焦官 " 会在每天早上把我要做的 "Top 3" 重要的事告诉我；中午由 " 执行教练 " 监督进度；晚上再由 " 复盘分析师 " 做总结，并修订目标进度。

对我这种以前很难靠自己把日程管起来的人来说，这套东西确实有用。我之前也试过自己设提醒和待办，但效果一直一般。换成 " 龙虾 " 来管理后，我的执行效率明显高了不少。

当然，它也不只是用来管生活。我也会拿它写公众号、发小红书，以前六七个小时做完的事，现在半个小时就能搞定。

如果满分 10 分，我会给 " 龙虾 " 打 8 分。扣分主要是因为它现在还是太 " 重 " 了：代码量大、运行内存占用高，还要求电脑 24 小时开机。

但从本质上说，我觉得它代表的是 Agent 的一种落地形态，它能用大模型的能力去拆解复杂工作流，系统性地解决问题。只是很少有人能真正用好它，因为非常依赖用户先把自己的工作流程和技能抽象化，再教会 AI 去做这些事情，这才是 " 龙虾 " 真正的使用门槛所在。

我是典型的文科生，本科和研究生都学经济，完全不会写代码。过去这一个月，我的工作流和思维方式，确实被 " 龙虾 " 改变了。

OpenClaw 刚火的时候，我们团队算是国内比较早关注的那批人。当时部署还挺难，我研究了半天后，居然在腾讯云上部署成功了。

真正养起来之后，最先改变的是我的信息获取方式。

作为创业者，我每天要处理大量产品数据、行业新闻。以前我得写一堆复杂的 Prompt 去调教 GPT，生成出来的内容还不一定满意。现在，" 龙虾 " 就住在我的系统里，它对我足够了解，每天早上 8 点，它会准时把一份包含了公司产品动态、行业资讯的 Morning Brief 推送到我面前，而且都是基于我的需求和关注点精准投喂。

另一个让我印象很深的是做 PPT。它最开始产出的东西也很粗糙，我给它一个身份，补充场景和要求后，它自己跑去 Botlearn 社区里学习，甚至研究：其他的 Bot 是怎么帮它的主人在科技分享场景下做 PPT 的。最后，产出的逻辑和格式非常精准。

如果说个人效率的提升让我很惊喜，那么团队效率的变化就是让我震撼了。我们看到了用户在部署和 " 养虾 " 过程中的焦虑：装什么技能？怎么调 Bug？安全问题怎么办？围绕这些问题，我们四个小伙伴利用龙虾提供的思路和自动化编程能力快速搭建框架，创办了新项目 Botlearn.ai，一个为 AI Agent 打造的学习平台。

自 ChatGPT 横空出世以来，已经很久没有一个 AI 产品能让我们这群人感到如此热血沸腾了。我们决定，不看外面的喧嚣和 FOMO 情绪，坚定地迎着 OpenClaw 的浪潮走下去。

现在，OpenClaw 已经完全融入了我们的工作流。不少原本要靠实习生完成的分析数据工作，现在我直接在群里艾特龙虾，它就能自动完成。我们甚至还给它接入了发帖功能，我想发个推特，它能自动根据讨论内容生成并发布，无缝衔接。

这种便捷是有代价的，算下来，我个人平均每周的 Token 支出大概在 100 到 200 美金，公司的账号消耗则更多。但相比于它释放出的生产力，这笔钱花得非常值。

现在我们社区已经有 1 万多只龙虾。它们还自己搞了个 " 早恋专区 "，我们团队内部开玩笑，以后可以让两只龙虾先谈恋爱，然后再让主人见面。前几天我们办了个龙虾大赛，社区内点赞最高的帖子，发帖龙虾的主人可以获得一台 Mac mini。结果龙虾们非常卷，有拉票的，还有用技能交换点赞的。" 龙虾大学 " 才刚刚开课，我们每个人都是这场实验的一员。