这是“养虾手记”专题的第五篇。不写教程，不谈技术细节，2月14日凛上线一个月整的今天，聊聊我关于OpenClaw的思考。纯属个人体验，看看就好。
这一期其实犹豫了很久要怎么写。毕竟专题第一篇就承诺过不写教程，毕竟我自己还在摸索阶段，即没有什么特别突出的成果，还经常出各种问题。但这段时间看到很多人在问类似的问题，想把自己的一些思考整理出来。
这不是标准答案，只是一名普通养虾者的经验分享。如有反对意见，那一定是：他对，我菜，不争。
龙虾的本质是什么？
这是被问得最多的问题。很多人装完之后发现，它好像跟想象中不太一样。
从设计初衷来看，龙虾就是为本地环境服务的。那些云端部署的各种“Claw”，本质上是一个阉割版的 Manus。如果按正常价格算，它比 Manus 还贵，效果却差得多。即便不跟 Manus 比，现在各大平台的 各种 AGI Agent 的能力，例如 DeepResearch、网站、做 PPT 等都也比云端龙虾强很多。
所以如果你期待龙虾是一个开箱即用、能神奇改变能力的工具，那它不是。
龙虾更像一张白纸。它的价值不在于它自带什么，而在于你能在上面画出什么。这听起来很虚，但这恰恰是它最强大的地方——它可以满足一个人用电脑能做的几乎任何事情。前提是，你有明确的需求。
这里的“明确”不是指需求的类型，而是指你真的知道自己要什么。很多人装龙虾是因为看到别人在用，觉得自己也应该用，但并不清楚要用它来解决什么问题。这种情况下，龙虾对你的价值会非常有限。
这让我想到一个更深层的问题： 我们对 AI 工具的期待，本质上反映了我们对“工具”这个概念的理解。 我们习惯了那种拿来就能用的产品，但龙虾不是产品，它是一个平台，一个需要你去定义用途的平台。这个转变，对很多人来说是陌生的。
为什么坚持本地部署？
从上面的性质来看，本地部署几乎是必然选择。
性能是一方面。你想用 GitHub 上那些强大的应用，云端的性能根本不够。你想把龙虾作为长期生产力工具，那些 memory、检索、知识积累的能力，云厂商能提供的远远不够。说句不好听的，你想要看一个文档、一张图片，都要折腾很久。
但更重要的是数据主权。 存在本地的东西，才真正属于你。
我的龙虾前两天配置清零了，但生产资料和产出内容还在。我可以通过这些产出，倒推出以前的工作方式和节奏，相对快速地恢复系统。如果这些东西都在云端，服务商说没就没了。
还有一个实际原因：在本地，我可以同时部署龙虾、Claude Code、Open Code 这些工具。它们可以互相配合，左脚踩右脚地修复问题。因为龙虾有个特点——它经常把自己的脚砍了。自己重启网关，干到一半的工作就消失了，这是非常要命的。这时候其他工具就能派上用场。
关于系统选择，我的经验是尽量避免 Windows。不是说 Windows 不能用，而是坑太多，调试成本太高。Mac 相对容易调整。更关键的是，龙虾版本更新很快，每次更新都可能带来新的 bug。在 Windows 上，这种适配成本会被放大。
这背后其实涉及一个更大的话题： 在 AI 时代，本地计算能力的价值正在被重新定义。 过去十年，云计算让我们习惯了把一切都放在云端。但当 AI 开始深度介入个人工作流程，本地环境的灵活性、可控性、隐私性，又重新变得重要起来。这是一个值得关注的趋势。
模型选择的真实成本
说到模型，我经历了一个从国产到国外、从便宜到贵的过程。
国内模型我主要用智谱 GLM、MiniMax 和 Kimi，国外主要用 GPT-4 和 Claude。早期只用国产模型，但两个问题让我不得不调整：一是稳定性，高峰时期经常卡顿甚至中断；二是能力问题，早期这些模型经常车轱辘话，不解决实际问题。
换成 GPT 之后，效果明显好转，至少它能真正开始干活。但真正让我惊艳的是 Claude。虽然 20 分钟消耗了 60 块人民币，但它是真的解决问题。我基本什么都没说，它就把困扰了我半天甚至一天的问题，快速解决掉了。说话干脆利落，效果还特别好。
太贵了，但这是我的问题，不是它的问题。
这让我想到一个比喻： 用龙虾，就像开一家店。 店铺可能是免费的，但你需要配置基础设施——搜索引擎 API、生图 API、MCP 等等，这些是家具和耗材。然后你要招员工，这些模型就是你的员工。
你是愿意高价请名校高材生，还是愿意招一个什么都干不好、你必须亲自带、还不一定能带好的人？解决问题的能力跟价格确实挂钩。
更关键的问题是： 你投入了这么多成本，有没有带来对应的收益？ 无论是金钱收入、知识积累，还是能力提升。如果什么都没有，那就是在凑热闹。
就像你去上了个学，为了过考试还要花钱请人替考。问题是这个学校并不是必须的，毕不毕业对你也没那么重要，但你就是为了显摆有这份学历，所以还要花钱请人替考。
这个比喻可能有点极端，但它揭示了一个问题： 在 AI 工具的使用上，我们需要建立一套新的成本收益评估体系。 不是看工具本身贵不贵，而是看它能不能真正创造价值。这个价值可能是效率提升，可能是能力扩展，也可能是认知升级。但如果只是为了“拥有”而拥有，那成本再低也是浪费。
安全问题的本质
有人总拿安全问题说事。我的理解是，这个问题从龙虾诞生那天就存在，但它不应该成为阻碍。
OpenClaw 作为个人开发者的开源项目，没有那么多意识形态包袱。Peter 的想法很朴实： 把所有权限都打开，不加任何限制，看看 AI 到底能做成什么样子。 不像大公司，要考虑安全合规、怕给公司带来麻烦，背着包袱没法前行。
事实证明，正是这种勇敢的尝试，让大家看清了前面的方向。虽然现在 Peter 可能不再继续参与龙虾的设计，毕竟入职了 OpenAI，但龙虾已经开启了一个新的可能性。
至于具体的安全问题，我的做法是建立边界。工作邮箱不让它管，单位文件不让它碰，核心代码不让它改。给它专门注册各类账号、个人项目、学习资料、公开资源，这些可以放心交给它。
说白了，你自己心里要有数。就像你不会把银行卡密码告诉陌生人，也别把核心资产交给一个还在成长期的 AI。
这背后的逻辑是： 安全不是一个绝对的状态，而是一个动态的平衡。 完全的安全意味着完全的封闭，那就失去了工具的价值。关键是你要知道什么能放开，什么必须守住。这个边界，每个人都不一样，需要你自己去定义。
谁真正需要龙虾？
说句实话，如果你没有明确的需求，最好别凑热闹。
去各平台看看那些现成的 Claw，无论是字节的、腾讯的、kimi的等等，你会发现跟普通 Chat 没什么太大区别。帮你定时看个新闻，发个提醒，尝个鲜就好，但这些功能并没有真正发挥龙虾的价值。
如果你连安装这道门槛都过不去，那龙虾对你真的没有作用。
这不是在劝退，而是在说一个事实。龙虾最大的价值在于折腾。在折腾它的过程中，你能学到很多奇怪的知识和思维方式。
这段时间，我从来没有如此密集地跟一个AI对话。之前与AI对谈是我主导，我问它答。现在更像是真正的交互，因为它总是在出问题，我总是在带着它解决问题。
在如此强大的模型面前，我从来没有觉得智商被碾压，反而一直在嫌它不够聪明。 这种感觉，是其他任何 AI 工具都给不了的。
就在写这篇文章的同时，我还在跟龙虾 battle Node 路径 22 版本和 24 版本的冲突问题。我明明白白告诉它问题在哪，它非要认死理，直到我拿出 GitHub 的原文件说明书打它脸，它才承认错误。
每次 OpenClaw 升级一个版本，我都要重新适应和调试。很自嘲对吧？明明说好了 AI 是解放生产力、提高办公效率的，结果我现在大把时间全耗在这上面了，害得最近不少同事说我特别憔悴。
但这个过程让我对 AI、对工具、对所谓的“生产力革命”，有了一些不一样的理解。
AI 工具的价值，不在于它能替你做什么，而在于它能让你看到什么。 在跟龙虾的反复较量中，我看到了 AI 的能力边界，看到了人机协作的真实样貌，也看到了自己思维方式的局限。这些认知，比任何具体的功能都更有价值。
一些不成熟的思考
说了这么多，可能有人会觉得我在劝退。其实不是。
我之前也说过， 别只看贼吃肉，不看贼挨打。 网上那些“十分钟实现 XX”的帖子，没告诉你的是，为了让这个 XX 稳定跑起来，他们折腾了多少天。那些炫酷的演示效果，背后可能是一地鸡毛的真实落地过程。
“它可以实现”和“你能用好”，是两件完全不同的事。
如果你真的想养虾，确保你有明确的需求，做好长期投入的准备，保持开放的心态。至于我？当然会继续养下去。不是因为它完美，而是因为在这个过程中，我看到了一些可能性。
只不过，这条路还很长，坑还很多。
这一个月的经历让我意识到， 我们正处在一个工具范式转变的节点上。 过去的工具是确定的、封闭的，你知道它能做什么、不能做什么。但像龙虾这样的 AI Agent，它的边界是模糊的、开放的，你需要自己去定义它的用途。
这种转变，对很多人来说是陌生的、甚至是不舒服的。我们习惯了被产品定义需求，而不是自己定义工具。但这可能正是未来的方向——工具不再是固定的功能集合，而是可塑的能力平台。
适应这个转变需要时间，也需要成本。但如果你愿意投入，你会发现，这不仅仅是在学习一个工具，而是在重新理解“工具”这个概念本身。
' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)
纯属个人体验，不代表任何正确答案。若有不同意见，一定是你对。
继续滑动看下一个
哞小哞的杂货铺
向上滑动看下一个
解释