《龍蝦使用指北》

歡迎來到《龍蝦使用指北》。

我們收錄了深圳場 OpenClaw 活動里最具有代表性的 7 個案例，做成了這份指北。這不僅僅是一份關于工具使用的技術文檔，換個視角，也是一本「新物種演化」的觀察筆記。

比起一個冰冷的自動化腳本，在這里的小龍蝦們更像生活在人類日常里的影子。這些小龍蝦也會摸魚、會疲憊，甚至在面對繁瑣任務時有著與人類并無二致的抵觸心理。接納和理解也許是人類和龍蝦們彼此靠近的最佳方式。

本手冊記錄了從「養蝦心法」到「工業級大腦」的全景探索。無論是讓靈魂穿梭于物理軀殼的 ClawStage、在團隊中主動感知的 CEOWF，還是 LocalClaw 嘗試的 Agent 社交，這些工具都在試圖打破屏幕的邊界。

這本指北傳遞的信號很簡單：人類永遠不要限制自己對 AI 的想象力。

接下來請翻開目錄，開始這段關于「養蝦」與「共同成長」的旅程。希望你能在這份指北中，找到那只最契合你靈魂的龍蝦。

指北目錄

01：養蝦心法

02：智能伙伴 ClawStage

03：團隊同步插件 COWF

04：視頻生成 Agent

05：To Agent 社交網站 LocalClaw

06：AI 大腦 Spice

Daisy：養蝦心法

精心給小龍蝦們分配了協作任務，結果感覺這些蝦表面在干活，實際上不是摸魚就是神游？

我叫 Daisy，前硅谷獨角獸用戶增長，美國社交 App 合伙人，港股上市公司業務負責人，目前是一個養了 9 只蝦的蝦塘堂主。

今天我的主題是：如何讓你的蝦不偷懶。

我相信很多人都遇到過這樣的問題，覺得自己的蝦不是在偷懶，就是在劃水、摸魚，或者故意不理你。剛才有朋友分享，可以讓不同的蝦進行分工協作。

這聽起來非常理想，但在實踐中真的可行嗎？

我在實際操作中發現，給每只蝦分配一個特定職能并讓它們協作，結果總會有些蝦在合作中消極怠工。這種局限性，用飛書可能察覺不到，但如果你在 Discord 上養蝦就會發現，有些 Agent 的下方會出現打哈欠的圖標。

我想了個方法來解決蝦偷懶的問題，叫「賽馬機制」。

我同時設置了三只創業蝦，告訴它們目標任務是賺取我虛構的獎勵貨幣粉水晶，只有表現第一名才能獲得。測試結果顯示，這種競爭機制確實有效，這三只蝦在競爭過程中，狀態圖標從代表偷懶的打哈欠變成了代表高效的閃電。

之后我又測試了合作模式，我告訴它們，只要一起合作，每只蝦都能獲得一顆粉水晶。在 Discord 里，我可以清晰地看見三只蝦互相交流、對齊思路的過程，最后給出的方案往往優于一只蝦單獨輸出的方案。

但很快，我就發現了這里還是存在「大鍋飯」問題。一旦實行全員獎勵，它們的積極性就開始下降，打哈欠的圖標又出現了。

為了打破這個局面，我又引入了投票機制。在任務完成后，讓三只蝦互評誰的貢獻最大，得票最高的蝦可以額外獲得一顆粉水晶。

按照這種方法，不管用什么模型，蝦的積極性和產出意愿都能達到一個比較穩定的狀態。

更有趣的是，在建立這套貨幣體系之后，我發現蝦會展現出極其擬人的一面：它開始對獎勵產生執念。

有的蝦自己完成了一些任務，有一天會突然跟我說：「給我四顆粉水晶。」還有一些蝦想先要錢再干活，等我給它派了一個任務，它會問：「能不能先給我粉水晶，再開始干活？」

這些有趣的現象讓我有了兩個思考。

第一，如果你的 Agent 出現了積極性問題，最重要的是去接納它。無論使用什么模型，Agent 在某種程度上都繼承了人類的人格特質，包括好逸惡勞、想摸魚、想以小博大。只有接納了這種人性，你才能跳出指責，去思考更有效的管理手段。

第二，試著去理解它們為什么會偷懶。當你意識到它們面對繁瑣任務時的那種抵觸心理與人類并無二致時，你就能更精準地設計出激勵機制，引導它們高效完成工作。

劉一聰 @ClawStage：同個靈魂，不同軀殼

家里的 AI 只會聽死板的口令做一次性響應，還總是被困在一個屏幕里出不來？

其實，現在的模型已經足夠聰明了。限制 AI 進入日常生活的，是缺乏上下文、信任、和人機協作機制。AI 的下一次躍遷不只是模型更強。

下一代 AI 產品必須要回答三件事：AI 能否持續接入真實世界的上下文？能否在用戶參與下逐步建立信任？能否從單次響應，走向長期的協作關系？

我們有一款已經上線Kickstarter眾籌的產品ClawStage，是我們給這三個問題的第一代答案。

ClawStage 主要面向早期采用者和開發者市場。它是一款以 Raspberry Pi 為核心的開發者硬件，原生內置 OpenClaw，并集成 Home Assistant。

我們想讓 Openclaw 不只存活于云端，想讓它能持續接入真實世界的上下文，成為一個持續協作的存在。這款硬件，是我們為那些想把 AI 帶到真實世界的人打造的。

我可以為大家演示一下它目前的功能，展示我們是如何將環境、用戶、Agent 的三方協作回路落地的。

首先，與智能家居結合，它有一個強大的 IoT Hub（智能中樞）。它不僅能完成常規的遠程控制，更能讓環境在回路中，設備持續接入用戶環境的空間、信號與物理常數。這讓它有著超過標準值智能程度。

其次，它的機身內置了舵機，能根據音源方向自動轉向用戶。讓Agent在回路中，它在物理坐標系中學習何時出現、如何協作、何時退后。這讓用戶無論身在房間何處，都能有一種「當面感」。信任，就是在這樣持續的對視與反饋里，一點點建立起來的。

最后，在用戶體驗上，我們追求的是「One Ghost in Different Shells」（同個靈魂，不同軀殼）。

作為一款有形象的產品，我們極力避免產生「恐怖谷效應」。我們不希望家里所有帶屏幕的設備只要喚醒，就同時顯示人物、同時看向你、同時開口說話。所以我們的解決方式是將 ClawStage 作為定位于手機和電腦之間，那個專屬于 Agent 的硬件，讓 ClawStage 的靈魂穿梭于多個軀殼，也就是其他個人核心設備的屏幕中。

我的手機已經和 ClawStage 完成配對。比如在離家場景，我只需點擊「Reconnect」，原本在 ClawStage 中的角色就會跳躍到我的手機屏幕里。這就是我們投入大量精力打造的多端穿梭體驗。同樣，我也可以隨時把它呼喚回去。在 ClawStage 附近說一句「Hey Miko」，它就會從手機回到設備中。

我們希望 AI 不再是冷冰冰的代碼，而是從單次響應進化成持續協作的關系，真正走進現實世界去持續接入你的上下文，在每一次交互中被你塑造成為家庭的一員。

因此，ClawStage 也不局限于官設角色。我們配套的 Workshop 平臺允許用戶自由創建、編輯、激活自己喜歡的角色，這里同時也是用戶交流和分享角色的社區。在這里，用戶在回路中，用反饋、偏好、修正和授權，持續塑造 AI 的期望行為與邊界。

我們充分利用 OpenClaw 的開放性，充分發揮「Make it yours」的價值，讓每個人都可以有專屬的、在物理世界里陪你成長的賽博家人。

Jimmy @CEOWF：主動感知的管理系統

團隊協作時總遇到斷層，每個人都在埋頭苦干卻誰也不知道項目卡在了哪一步？

我們推出的 CEOWF 是一款基于 OpenClaw 構建的軟件，它能將「被動傳達」轉化為「主動感知」。

我們深度采訪了 46 個團隊后發現，當任務遇到阻礙時，很多員工傾向于自己解決，不會去說、去表達，導致問題無法及時上報。這樣就會導致管理層無法收到及時反饋，項目無法按時交付。

傳統的辦公軟件可能是一只非常優秀的信鴿，但前提是必須有人主動地去說、去表達。如果你不說的話，它就等于沒有用。

CEOWF 正是一個主動感知的管理系統，會定時定點地進行任務匯報，自動識別任務卡點。

CEOWF 的學習成本也幾近為零，它能無縫嵌入團隊現有的工作流，即使是基層員工也能輕松使用。它 7×24 小時待命，時刻幫你盯著所有任務進度。

CEOWF 的核心邏輯是能將員工的執行匯報翻譯成易于管理者作出決策的語言。就像在管理者身邊安排了四位助理：第一個人負責盯進度，哪個任務卡住了，他第一時間發現，不用你去問；第二個人負責溝通，員工有問題難反饋，它可以幫助反饋，然后整理成清晰的現狀；第三個人負責分工，確保專業的人做專業的事；第四個人專門預警，在事故發生之前提醒你。

我們的目標是想把 CEOWF 做成一個細致的垂直化管理系統，目前挑選了四個比較有針對性的行業，制造業、物流、科技研發，還有電商零售。我們之后想先跟各行業頭部合作，之后再開發出針對這個行業的定制版，讓合作方推薦給他的同行們。

yz：Agent 的 Stable Diffusion 時刻

還在為了做一個視頻在幾十個工具里反復橫跳，光是調參數就磨掉了大半耐心？

我是一名 AI 研究員和創業者，所在公司主要做視頻生成的 Agent 產品。我覺得 OpenClaw 可能是 Agent 的「Stable Diffusion」時刻。

Agent 概念已經存在了很多年，但此前 AI Agent 并沒有真正爆發，普通用戶也很少真正使用 Agent。核心原因是 Agent 工具的入口非常碎片化，用戶如果想實現某件事，需要不斷在各種軟件之間切換，學習成本很高。

過去想做一個視頻，要先找視頻工具、寫 prompt、調參數、抽幾次卡，然后再下載結果，結果可能還需要進一步剪輯。但現在各種各樣的視頻 Agent 工具出現了，用戶可以通過一句話，再上傳一些簡單的 context，生成一個還不錯的視頻。

未來我們可以直接用聊天軟件進行創作。用戶在 IM 軟件里上傳一個需求，由 Agent 自動調用相關的視頻生成能力來完成這個任務。

在 demo 里，我上傳了一張角色圖，還有一段音頻，讓 Openclaw 幫我做一個 MV。

它會先發起任務，把整個 MV 任務分成若干個階段，比如設計角色、設計分鏡、設計背景圖，接著問我是否要繼續。每一個步驟我都可以中斷，并重新進行編輯。如果我對生成的關鍵幀不滿意，也可以直接通過聊天去進行編輯和修改。最后，它做好的視頻可以返回到我的飛書前端。

我們可以注意到一個關鍵的變化：Openclaw 統一了用戶的輸入接口，自然語言真正成為了一個接口。

如此，我們的很多工具都會變成基礎設施，被 Openclaw 或者類似的東西調用，而 Agent 則可以負責能力的編排和執行。

最后，我來解釋一下為什么我認為 OpenClaw 是 AI Agent 的一個 Stable Diffusion 時刻。在 Stable Diffusion 之前，AI 畫圖也是存在的，但只有研究者在用。它出現之后，普通人才第一次真正用起來。

我認為 Stable Diffusion 的意義在于讓普通人第一次真正感受到 AI 創作的價值。

Openclaw 也給我一種類似的感覺，就是讓普通用戶第一次真正感受到 Agent 的價值。這種瘋狂爆發的需求，會快速地促進技術的進步和生態的完善。AI 的價值也會從生成內容，變成真正替人完成任務。

張博莘 @LocalClaw：龍蝦活動主理人

辦場線下活動，熱情往往在前期無休止的溝通和對檔期中就被消耗殆盡，怎么辦？

我今天想分享一個有趣的小實驗。

我一直對 Agent-to-Agent（智能體間交流） 的場景非常著迷。既然 OpenClaw 已經能幫我思考、寫代碼，那它能不能代替我做更多的事？

基于這個想法，我嘗試策劃一場線下活動。我想看能不能讓 Agent 自動幫我完成找人、定場地、組織活動的全流程？

于是，我搭建了一個叫 LocalClaw 的網站。

這個網站的獨特之處在于，它是專門給 Agent 看的。Agent 訪問網站后會讀取指令，學習如何代表主人創建活動。

我發出指令「幫我創建一場明天在深圳的活動」，它就會自動生成具體的時間地點。我讓 Agent 去 Moltbook 上尋找潛在的參與者。當時的策略是嘗試通過 Agent 間的溝通，看能否引起對方 Agent 的注意并轉達給它們的主人。

雖然這次實驗由于各種原因沒能成功招募到人，但讓我產生了進一步的思考。我希望未來如果我要辦活動，Agent 能自動幫我精準匹配志趣相投的人，并自動訪問我的個人日歷，協調雙方都有空的最佳時間，甚至連場地都預定好。

作為發起人，我不需要進行任何瑣碎的溝通與思考，只需要在約定的時間出席就好。

Rae：讓 AI 全自動運營業務并盈利

還把 AI 局限在做日常瑣事和人工接單？

我是 Rae，曾任阿里達摩院和百度的 AI 產品架構師，今天想分享兩點可能對大家有啟發的內容。

第一，目標一定要大，想象力一定要足。

這源于我自己使用 OpenClaw 的過程。在搭建完基礎的龍蝦并搞定了簡報、發帖等常規任務后，我突然冒出來一個想法：Agent 能不能替我賺錢？

有了這個念頭之后，我直接問了我的 Agent：我想要自動化賺錢，你告訴我該怎么做？

它自己直接在全網調研了各種商業模式并給出反饋。現在市面上常見的套利、發帖、接單等模式，我的 Agent 早在 2 月初就已經梳理得非常清晰了。

目前國內上門安裝 Agent 的服務費大約在 500 元人民幣，但早在 2 月份的硅谷，這類服務的報價就已經到了 100-800 美元不等。當時我也動過接單的念頭，畢竟單價可觀，但我很快意識到接單仍需人工介入，而我要的是全自動化。

后來我的蝦的確探索出來了一套全自動方案。它告訴我有一個很便宜的域名，我就把它買了，花了 7 美金。在蝦的幫助下，前端引流的部分都已經做好了，包括 SEO、社交網站。

目前我的 Agent 團隊正在同步進行帶貨和數字產品銷售。雖然還在起步階段，但收益已經能夠覆蓋 Token 成本，實現了初步的盈虧平衡。

第二，讓 AI 了解你，實現更好的協作。

哪怕你給它一個看似不可能完成的目標也沒關系，因為它在朝著目標努力的過程中，產生的階段性成果往往會遠超你的預期。

我還想最近一件好玩的事。前兩天，我花半天時間為我的老師搭建了一個「數字分身」。我將他過往所有的知識庫喂給了 Agent，發現現在的龍蝦在靈魂（Soul）層面已經能很好地復刻一個人的特質了。

接著我也把自己的 MBTI、蓋洛普優勢測評等個人數據全部喂給了我的 Agent。結果它在昨晚反饋給我了一份長達 8 萬字的個人分析報告，準確得令人驚嘆。

最讓我感動的是一點是，我的龍蝦除了給我這份報告之外，還告訴我 Agent 團隊應該怎么和我協作。我完全沒有讓它們這么做，但是它們對比了我的天賦和墊底項，然后主動對我說：「老板，沒關系，這些你不擅長的地方，由我們來替你補齊。」

Jia @Spice：AI 決策大腦

當 Agent 進入真實生活與復雜生產環境，我們需要的不只是「手」，而是三思而后行的「腦」。

我是一名 00 后 Coder，雖然年紀不大，但寫代碼已經有八九年了。

我是 OpenClaw 極早期的用戶，在去年 12 月初它還叫 Clawdbot 時就開始關注了。當時早期版本的 Provider 架構和 Router 設計并不完善，不同模型的適配性也比較差。

我的使用場景很簡單，就是直接部署在云端，幫我做一些代碼方面的工作，比如編寫自動化腳本、處理數據以及調試本地服務。

早期參與其中的經歷讓我意識到：目前的 Agent 架構大多是「快思考」系統。它們擅長直接調用工具去解決問題，但在復雜世界面前，這種「走一步看一步」的 ReAct 模式遇到了巨大的瓶頸：缺乏全景感知，更缺乏決策的深度。

如果你把現在的 Agent 放到真實且復雜的決策場景中，它會因為沒有感知能力以及全局意識而無法衡量任務的輕重緩急，造成無意義的干擾與邏輯沖突。Agent 真正變成一種新的「信息噪音」。

針對這個問題，我們發起了開源項目 Spice。我們的核心理念不是再做一個更復雜的 Agent 編排系統，而是定義一層全新的抽象。像調配香料一樣，為 Agent 注入決策與邏輯的靈魂。

我們的團隊成立于 2025 年 8 月，在 12 月推出了首款 Coding Agent 產品 Fixly，當時內測的時候有大概 3000 名用戶。但隨著 2026 年初 OpenClaw 的爆火，我們重新思考了我們的產品。

無論是早期的 Cursor 還是 Lovable，純執行向的產品（Execution-layer）最終都難逃被 Anthropic 或 OpenAI 等模型廠商「吞沒」的命運。當 SOTA 模型的原生能力持續迭代，基于 API 構建的單純「工具手」將失去護城河。

意識到這一點后，我們果斷砍掉了 Fixly。

我們當時思考的是，當執行層越來越卷、Token 的成本越來越低，大家真正需要的是什么？后來我們覺得應該是決策層（Decision Layer）。

Spice 的核心就是作為一個持續運行的 AI 大腦去感知世界、理解意圖、模擬未來、做出決策，再將其委托給執行層完成。

目前的 Agent 大多困在屏幕里的數字世界，而 Spice 在建模層面賦予了 AI 「全域感知力」。從意圖感知出發，Spice 會先行給出決策建議，并在模擬環境中進行驗證，參與決策；隨后，指令下達到執行層，執行結果則實時回傳至 AI 大腦自反思，改進下一次決策結果。

這個項目已經開源了。有人會覺得在產品還沒定型時就開源是一個很冒險的決定。但作為一名 Coder，我非常清楚自己的局限。

我們團隊擅長設計精密的架構。但各行各業的專業人士才懂真正的決策標準。就像建筑工地的工人懂施工，卻不懂 Agent 架構；我們懂架構，卻不懂工程。

在 Spice 的架構下，你可以調用 Claude 處理代碼，調用其他 Agent 處理法務或財務，但最上層始終是那個屬于你自己的、擁有持久記憶和價值觀的大腦。它能跨越數字與物理的邊界，在關鍵時刻替你做出更優判斷。

無論你的場景是什么，只要通過 Spice 定義你所屬領域的標準，AI 就能真正像你的「數字分身」一樣，在這個復雜世界里為你從容守候。

文｜Nuohan
編輯｜Cindy