我养了一只小龙虾，时薪70块，比我还贵

“Have fun”

我确实被AI整FOMO（Fear of Missing Out）了。

即便我几乎不怎么关注AI，这几周也被AI轰炸得头皮发麻。从Claude Sonnet 4.6模型推出，到OpenClaw（小龙虾）的爆火，再到Chat GPT-5.4模型发布，似乎每一周都在迭代新模型。尤其是最近这几天，马化腾（小马哥Pony）、Openclaw创始人Peter Steinberger接连发声，更是助推了养小龙虾的浪潮。

上周五（3月6日），Pony在朋友圈发文：“没想到（排队安装小龙虾）会这么火”。

上周日（3月8日），Peter 在英国帝国理工学院分享了对技术、工作的看法，他说意义不是寻找到的，而是创造出来的。如果醒来没有兴奋感，就必须改变现状。

现在，全行业对AI的共识，已经从对话转向 Agent （智能体）/ Workflow（工作流）。需要指出的是，Agent是可以通过“扣子”去串联多个大模型，来搭建 Workflow 工作流。而小龙虾，就是当前可掌握电脑更高系统权限的那“支”。

在 GitHub上，OpenClaw 的 Star 已经超越 React、linux 两大巨头。最右边红色拔地而起的不是纵坐标，而是 OpenClaw（图片来源微信公众号“数字生命卡兹克”）

借着这股小龙虾风潮，竞核也想凑凑热闹。上周五（3月6日）我跟小伙伴下班后，一起整到了凌晨四点，终于捣鼓出了竞核编辑部第一只“小龙虾”。

OpenClaw系统状态

接下来，笔者想聊聊，这只小龙虾，是如何在自己的日常编辑工作中起到作用的？目前，它究竟是玩具还是生产力工具？

小龙虾到底能帮我们干什么？

作为一名只会打游戏的编辑，说实话，安装小龙虾的目的，除了蹭热闹外，就是让我免去收集行业信息的苦功夫，让我能有更多时间打游戏的同时，也能不落后行业。

在装好 OpenClaw 的第一件事，就是让它帮从七麦数据上整理这周国内游戏畅销榜 Top10 的产品。但很快就遇到了第一个麻烦。

先说数据来源方式，默认情况下，OpenClaw 获取数据的方式类似网络爬虫，即便你给了 OpenClaw 的数据入口，爬取那些安全性较高的程序很容易歇菜。

微信游戏Mac端界面

尝试爬取数据后，微信游戏打开界面会返回到微信安装界面（无法进入）

由于像七麦数据等网站，基本上会有反爬虫的功能，一旦交互过于频繁，短期内会限制你访问网站。甚至在一些安全性更高的链接中（如微信游戏），你不仅查不到数据，甚至原本的功能都会被阻止进入（如上图）。

当然，关键问题还没有解决。事实上，相关内容网上也有不少相关的教材，例如使用在浏览器中加入  OpenClaw Browser Relay 插件，在网页打开附着开关后，就可以读取你当前的页面信息。

当然，又报bug了

在附着后，再次让它帮我拉取七麦数据 3.2-3.6 畅销榜表现，五分钟后，电脑上多了一份名为“七麦数据_2026-03-02至2026-03-06_中国区游戏畅销榜Top10”的文件。除了游戏名、排名外，甚至连 App ID、发行商等信息也帮我整理好了。

小龙虾得多喂吃的，做复杂任务需多次调校

如果让它干一些简单的操作，那的确非常方便。比如让它帮我抓取 gamesindustry 、pocketgamer；IGN；TapTap、好游快爆、3dmgame、游民星空，最近三天的热门新闻，不出十分钟，便帮我输出可一份可供阅读的信息汇总。

又比如，我让他收集一下网易、B站、腾讯等上市公司IR网站2025年年报，很快便给了我梳理一份IR页面统计。不过经过笔者甄别后，大多给出的链接是2024年或25年中的IR链接，在时效性上稍差，想要达到可用的地步，可能还需要进行精教。看到这里，我觉得自己暂时不会失业。

简单总结下，“小龙虾”的真正潜力，并不是它初始就具备极强的执行能力，而是成长能力。如果用游戏用语来说，就是 OpenClaw 只是一个胚子。你需要给他“镶嵌”不同的宝石（插件），去打怪升级（自我学习），去强化（模型更新）......把它“养”到你认为可用的程度。

就以刚刚的浏览器方案举例，目前已经有UP主给出了4种方案，从内置工具 web_fetch（更简单快捷），到 API 搜索 Skill（更全面），再到浏览器自动化 Openclaw managed（更安全，更省事儿），以及浏览器自动化 Relay Extension（权限更高，自定义程度更高，但也最容易被各个网站防御）。

而在官方的 Claw Hub 上，也已经有各种各样的插件，如 self-improving-agent（自动学习改进，记录错误和修正） find-skills（发现和安装新 skills）......甚至你还能看到将小龙虾的工作状态图形化的插件。

至少在当前阶段，在“养”小龙虾这件事儿上，远远比我们看到的更加复杂，也更有潜力。

门槛不少，但可以先学会如何去PUA

这听起来挺美好，但事实上想要彻底上手 OpenClaw 其实有不少门槛。

首当其冲的就是安装——即便网上有各种各样的教程，但你在安装过程中总会遇到各种各样的报错，然后卡在某一步上。即便你已经知道了具体的问题，去各个视频网站寻找答案，你最终会发现，绝大部分做教程的人也只是为了卖课。

让一个代码白痴，上来就看到一堆报错，谁遭得住

但笔者可以告诉大家一个更容易解决的方案，那就是先安装更简单的 Agent，例如 Codex，然后把教程文档链接发给他，去 PUA 它，让它去安装。

于是你就能看到它将化身为勤勤恳恳的打工人，任劳任怨的为你执行每一步，直到彻底安装完成。

不得不说，Codex虽然慢了点，但确实是真的好用

如果不够过瘾，甚至还让 Codex 帮你的小龙虾的模型升级为最新的 Chat GPT-5.4。

因为对于 Agent 而言，你才是老板。当然，你也需要给它发工资，这就是第二个门槛，token。

如果你去各大 LLM 网站看价格的话，会发现一百万的 token，便宜的不到 1 美元，贵的可能十几、几十美元，乍一眼看，感觉也不怎么贵吗。

各家LLM token 计价表 （Claude价格遥遥领先）

但事实上，笔者用 Openclaw、Codex 来简单修复一下插件的Bug，二十分钟左右，就已经消耗了四百万的 token。折算下来，时薪逼近70元，已经比笔者自己还高了。

大多数模型是按输入 token + 输出 token 计费，输出通常更贵；并且 Agent 平台还可能叠加工具调用和长上下文成本（就比如笔者前面提到的 OpenClaw Browser Relay 插件，也需要接入 token）。

尽管各家的 token 明码标价，但事实上，对于绝大多数人而言， token 的计费并不透明。原因在于，你不知道一个指令究竟会消耗多少 token。即便做同一件事，输入自然语言的内容差异、LLM、Agent 的差异，插件多少，所消耗的 token 都有所不同。

况且，对绝大多数普通人来说，AI 最大的问题，其实不是不够聪明，而是太难用了。

你当然可以说，现在的 Agent 已经很强了，能写、能查、能跑流程、能调工具，甚至还能像个电子牛马一样，24 小时待命。

可问题在于，它离“装完就能用”，还差得很远。很多 Agent 产品，更类似极客的玩具。它们确实能打，但前提是你也得能打。

一个真正成熟的大众产品，应该是你不需要知道什么是 API，不需要理解什么是缓存、插件、上下文，更不需要一边查教程一边看报错。你只要告诉它“我要干什么”，它就应该大概率帮你干成。

笔者认为，未来真正能把 Agent 推向大众市场的，很可能是更本土化、更傻瓜化，也更符合国内用户习惯的国产 Agent。

总的来说，小龙虾现在更像是一个潜力巨大的半成品，它已经能帮人分担一部分重复劳动，但离真正开箱即用的生产力工具，还有不短的路要走。

折腾完这只“小龙虾”后，笔者也确实能体会到行业对AI的焦虑。并非它有多神，而是它已经到了一个你没法假装看不见的阶段。

今天它也许还只是帮忙，明天却很可能会改写游戏行业里一部分最基础、也最重复的工作。真正让人不安的，不是它现在有多强，是它还在越来越强。

但至少现在，真正决定内容和产品上限的，仍然不是生成速度，而是人的判断力。

文章来自于“竞核”，作者 “何语堂”。