不會(huì)命令行也能用AI Agent了：有道龍蝦上手實(shí)測(cè)

昨天在X上刷到一條消息——網(wǎng)易有道開源了一個(gè)桌面級(jí)AI Agent，叫LobsterAI（有道龍蝦），定位是「中國(guó)版OpenClaw」。

本來隨手劃過去了，但接著看到不少AI圈的大V也在轉(zhuǎn)發(fā)，評(píng)價(jià)還挺積極的。

說起來，OpenClaw全球爆火之后，國(guó)內(nèi)各家反應(yīng)都很快，推出了不少部署方案和云端服務(wù)。別看現(xiàn)在國(guó)內(nèi)OpenClaw的概念這么火，從知道到使用過的轉(zhuǎn)化率估計(jì)都沒1%。原因很簡(jiǎn)單，其實(shí)就是OpenClaw的產(chǎn)品形態(tài)還是太極客，安裝使用門檻太高了。

相比各種部署方案，我自己更期待的一直是——有人直接做一個(gè)中國(guó)版的OpenClaw產(chǎn)品，打開就能用。

所以看到有道龍蝦的時(shí)候挺意外的。沒想到不是那幾家卷大模型的大廠，而是網(wǎng)易有道先做出來了。

下載試了一下，第一印象挺有趣——既像是有GUI的OpenClaw，也有點(diǎn)像Claude Cowork的國(guó)產(chǎn)平替。桌面應(yīng)用不用部署，沙盒環(huán)境兜底安全，遠(yuǎn)控走飛書釘釘——幾個(gè)該做的本土適配都到位了。

聽著不錯(cuò)。但聽著好的東西多了，得用過才知道。我拿三個(gè)自己的真實(shí)工作場(chǎng)景認(rèn)真測(cè)了一圈。

安裝：從下載到干活

先說安裝。

用過OpenClaw的都知道，部署這一步就篩掉了不少人。各家推出的云端方案已經(jīng)簡(jiǎn)化了很多，但多少還是需要一些技術(shù)基礎(chǔ)。

有道龍蝦的思路不太一樣。它就是一個(gè)本地桌面應(yīng)用——下載、安裝、打開，和裝個(gè)普通軟件沒區(qū)別。

打開之后能看到對(duì)話框、Skills管理、定時(shí)任務(wù)、模型切換這些功能入口，都在界面上明擺著。

模型這塊，預(yù)置了主流大模型API，也支持通過Ollama跑本地的DeepSeek。模型配置做得比較省心，不用自己去各家官網(wǎng)申請(qǐng)Key再手動(dòng)填配置文件。

安全方面，可以選擇在沙盒里運(yùn)行——AI只能在指定文件夾里操作，動(dòng)不了系統(tǒng)的其他文件。 用Agent幫你干活總歸得放心一點(diǎn)，沙盒兜了個(gè)底。

前面提到的開源也值得展開一句——和OpenClaw一樣走開放路線，社區(qū)可以貢獻(xiàn)Skills、定制功能，代碼可審計(jì)。

場(chǎng)景一：兩份CSV進(jìn)去，一份「咨詢報(bào)告」出來

第一個(gè)測(cè)試，我拿自己的真實(shí)數(shù)據(jù)開刀。

我B站做了快三年，新年正好想做點(diǎn)新的增長(zhǎng)規(guī)劃。最近90天的數(shù)據(jù)正好手邊有——11條視頻的逐條數(shù)據(jù)（播放、點(diǎn)贊、漲粉），加上每天的粉絲變化時(shí)間序列。兩份CSV，一個(gè)問題：2026年要從15萬漲到100萬粉，我的內(nèi)容策略到底哪里有問題？

這個(gè)問題我其實(shí)想了挺久，但一直沒認(rèn)真算過。主要是懶——原始數(shù)據(jù)擺在那里，可拉公式、做交叉分析、寫結(jié)論這套流程太磨人了。正好拿LobsterAI試試。

操作方式很直觀。對(duì)話框下面有兩個(gè)按鈕：一個(gè)選文件附件，一個(gè)選技能。兩份CSV點(diǎn)一下就掛上了，技能我選了自己導(dǎo)入的「huashu-data-pro」——一個(gè)專門做數(shù)據(jù)分析的Skill，比內(nèi)置的通用版更擅長(zhǎng)多維度拆解。

這里插一句Skills導(dǎo)入的事，因?yàn)槲矣X得這是LobsterAI蠻有意思的一個(gè)設(shè)計(jì)。

它自帶十幾個(gè)技能——文檔處理、表格分析、PPT制作、PDF操作、定時(shí)任務(wù)什么的，日常夠用。但它也支持自己導(dǎo)入，三種方式：上傳.zip壓縮包、上傳文件夾、或者直接從GitHub倉(cāng)庫(kù)拉取。

我平時(shí)在Claude Code里積攢了十幾個(gè)自定義Skill，覆蓋數(shù)據(jù)分析、內(nèi)容審校、信息搜索、配圖生成各種場(chǎng)景。打包導(dǎo)進(jìn)LobsterAI，全部可用——相當(dāng)于把我在另一個(gè)工具上積累的「工作流資產(chǎn)」直接遷移過來了。

這就像手機(jī)裝App。出廠自帶的夠用，但裝上你自己的專業(yè)工具之后，它就不再是「一臺(tái)手機(jī)」，而是「你的手機(jī)」。一個(gè)能裝自定義技能的AI Agent，和一個(gè)只有固定功能的AI Agent，上限完全不一樣。

好，回到測(cè)試。我發(fā)了一句話：

這是我最近90天的視頻數(shù)據(jù)，請(qǐng)幫我深入分析現(xiàn)狀，如果2026年要達(dá)到百萬粉，內(nèi)容策略該怎么調(diào)整。

它讀完兩份CSV后，沒有直接輸出一段分析文字——而是啟動(dòng)了一個(gè)「多專家深度分析工作流」，同時(shí)開了四個(gè)并行的分析Agent，各自從不同角度切入同一份數(shù)據(jù)：

• Growth PM：從增長(zhǎng)產(chǎn)品視角拆解轉(zhuǎn)化漏斗

• 算法分析師：從B站推薦機(jī)制分析流量結(jié)構(gòu)

• 內(nèi)容戰(zhàn)略顧問：從AI賽道競(jìng)爭(zhēng)格局找定位

• 數(shù)據(jù)建模專家：建模推算百萬粉的量化路徑

四個(gè)Agent同時(shí)跑，大概三四分鐘后全部完成。然后它把四份分析整合，生成了一份完整的HTML戰(zhàn)略報(bào)告。

打開報(bào)告的時(shí)候我愣了一下。

這不是我預(yù)期中的「一段文字配幾個(gè)表格」。它是一份視覺完整的HTML報(bào)告——暖棕色調(diào)的咨詢風(fēng)格排版，數(shù)據(jù)卡片、對(duì)比表格、里程碑路線圖都有。說實(shí)話，看著像McKinsey出品。

但視覺只是表面。真正讓我覺得它「在認(rèn)真分析」的，是幾個(gè)具體發(fā)現(xiàn)：

轉(zhuǎn)化率40倍分化。它算了一個(gè)我從來沒算過的指標(biāo)：每萬次播放帶來多少新粉絲。結(jié)果發(fā)現(xiàn)，播放量和漲粉量幾乎沒有相關(guān)性（相關(guān)系數(shù)-0.006）。我那條63.5萬播放的熱點(diǎn)視頻只漲了163粉——每萬播放2.6人。而一條12.9萬播放的深度解讀漲了1349粉——每萬播放104.6人。差了40倍。

粉絲觀看率只有2.7%。15萬粉絲里真正看我視頻的不到5000人。報(bào)告直接指出了一個(gè)惡性循環(huán)：老粉不看→冷啟動(dòng)流量少→只能靠標(biāo)題拉泛流量→老粉更不看。

按當(dāng)前速度需要27年才能達(dá)到100萬粉。日均漲88人，數(shù)學(xué)不會(huì)騙人。

最后它給了一個(gè)量化路徑：別追播放量（太看運(yùn)氣），把轉(zhuǎn)化率從8人/萬播提到120人/萬播。砍掉泛流量?jī)?nèi)容，All in首發(fā)解讀和深度實(shí)測(cè)。還配了一個(gè)318天的里程碑計(jì)劃，從P0到P2三個(gè)優(yōu)先級(jí)的執(zhí)行清單。

說實(shí)話，這幾個(gè)結(jié)論——尤其是「播放量和漲粉幾乎無關(guān)」這個(gè)——我之前有模糊的直覺，但從來沒人幫我用數(shù)據(jù)確認(rèn)過。

這大概就是數(shù)據(jù)分析的價(jià)值：不是告訴你不知道的事，而是用數(shù)據(jù)幫你確認(rèn)你隱約感覺到的事，然后給出可執(zhí)行的方向。

而且數(shù)據(jù)全程在本地處理，沒傳到任何云端。這個(gè)細(xì)節(jié)對(duì)處理公司內(nèi)部數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)的場(chǎng)景來說，是真的重要。

場(chǎng)景二：飛書發(fā)條消息，它幫你造了個(gè)新聞機(jī)器人

第二個(gè)測(cè)試，這次指令是從飛書發(fā)過去的。

LobsterAI支持飛書遠(yuǎn)控——配好之后，你在手機(jī)上給它發(fā)一條飛書消息，家里電腦就開始干活。直接走飛書和釘釘，不用再折騰海外通訊工具，你上班本來就開著這東西。

不過在用之前，得先把飛書連上。

飛書接入：第一次配，比想象中簡(jiǎn)單

說實(shí)話，我之前從沒配過飛書群機(jī)器人。聽著挺技術(shù)的，但實(shí)際操作下來發(fā)現(xiàn)沒那么復(fù)雜，大致三步：

第一步，去飛書開放平臺(tái)（open.feishu.cn/app ）創(chuàng)建一個(gè)企業(yè)自建應(yīng)用。起個(gè)名字——我叫它「Lobster」——拿到App ID和App Secret。

第二步，給應(yīng)用開通權(quán)限。在飛書開放平臺(tái)左側(cè)菜單找到「權(quán)限管理」，把消息收發(fā)、通訊錄、云文檔相關(guān)的權(quán)限勾上就行。具體哪些權(quán)限需要開，截圖里能看到。

第三步，把App ID和App Secret填進(jìn)LobsterAI。 打開設(shè)置→IM機(jī)器人→飛書，填兩個(gè)字段，開關(guān)一撥，顯示「已連接」，搞定。

整個(gè)過程大概十來分鐘。而且這套配置邏輯是通用的——不管是LobsterAI、OpenClaw還是其他AI應(yīng)用，只要支持飛書接入，都是同一套App ID + App Secret的方式。配一次就清楚了，以后換任何工具都一樣。

從飛書發(fā)出第一條指令

連上之后，我從飛書給LobsterAI發(fā)了一條消息：

LobsterAI收到后先檢查了系統(tǒng)環(huán)境（macOS支持crontab定時(shí)任務(wù)），然后問我飛書機(jī)器人的Webhook地址。

我當(dāng)時(shí)不知道Webhook在哪找。直接在對(duì)話框里問它——「這個(gè)應(yīng)該在哪里找？」

它立刻給了一份詳細(xì)步驟：打開飛書→進(jìn)群聊→群設(shè)置→群機(jī)器人→添加自定義機(jī)器人→復(fù)制Webhook地址。 我按著做，兩分鐘搞定。

這個(gè)細(xì)節(jié)我覺得挺有意思的。配置過程中遇到不會(huì)的，不用切出去搜教程，直接在對(duì)話框里問就行。AI Agent就坐你對(duì)面，它本身就是你的技術(shù)支持。

拿到Webhook之后，它創(chuàng)建了定時(shí)任務(wù)，然后為了驗(yàn)證效果，當(dāng)場(chǎng)跑了一次測(cè)試。

搜索新聞的過程也值得說一下。它不是調(diào)某個(gè)新聞聚合API，而是真的打開了Chrome瀏覽器，用Google搜了多組關(guān)鍵詞——「AI news today」「OpenAI ChatGPT Claude Gemini」「AI startup funding」——然后從搜索結(jié)果里篩選、排序、整理。

和你自己打開瀏覽器刷資訊一模一樣，只不過它三四分鐘干完了你半小時(shí)的活。

最終結(jié)果以一張藍(lán)色卡片消息推送到了飛書群：

10條新聞，按重要程度從5星到3星排列，每條標(biāo)題+一句話摘要+來源。格式清晰，直接轉(zhuǎn)發(fā)給同事就能看。

從此以后，每天早上8點(diǎn)，這個(gè)任務(wù)自動(dòng)執(zhí)行。通勤路上打開飛書，當(dāng)天的AI行業(yè)動(dòng)態(tài)已經(jīng)整理好了。不用我動(dòng)手，不用我記著，到點(diǎn)自己干。

這才是「7×24小時(shí)」的真正意思——不是說你隨時(shí)能找它聊天，是它自己到點(diǎn)把活干了，干完推給你。

同樣的邏輯可以延伸。如果你把工作文檔都放在一個(gè)文件夾——會(huì)議紀(jì)要、項(xiàng)目進(jìn)展、溝通記錄——它也可以每天下班前自動(dòng)生成一份工作日?qǐng)?bào)。你檢查一遍就能發(fā)，不用自己從頭想今天干了啥。

場(chǎng)景三：一句話下去，它自己拆成五步干完

第三個(gè)場(chǎng)景，同樣是飛書發(fā)過來的指令。這次我想測(cè)的不是某個(gè)具體功能，而是LobsterAI面對(duì)一個(gè)復(fù)雜的多步驟任務(wù)，到底能自主走多遠(yuǎn)。

做競(jìng)品分析這件事，傳統(tǒng)流程大家都知道：上網(wǎng)搜資料，整理成文檔，提煉關(guān)鍵數(shù)據(jù)，做對(duì)比圖表，排版成PPT。五個(gè)步驟，四五種工具，一整天。

我在之前還在上班時(shí)的一個(gè)崩潰場(chǎng)景是，21點(diǎn)終于要下班了，老板從IM上給我發(fā)來一條消息說：「幫我做一份xx產(chǎn)品的競(jìng)品分析報(bào)告給我，明天11點(diǎn)會(huì)上要溝通」。

一句話不提加班，但是，這種崩潰感懂的都懂。

現(xiàn)在的AI Agent，其實(shí)完全有能力讓你打上車，在滴滴里用飛書給AI發(fā)個(gè)消息，讓它幫你把活干了。

我就給了一句話，看它能不能自己把這個(gè)鏈條跑通：

發(fā)出去之后，它做的第一件事是給自己列了一個(gè)五步計(jì)劃：搜索信息→整理文檔→制作圖表→生成PPT→推送飛書。然后按順序一步步執(zhí)行。

這個(gè)過程我沒有再輸入任何指令，但全程能看到它在做什么。

第一步搜索，它先跑了十幾輪Google搜索——每個(gè)產(chǎn)品單獨(dú)搜定價(jià)、功能、評(píng)測(cè)，又搜了綜合對(duì)比文章，還打開了幾個(gè)詳細(xì)評(píng)測(cè)頁(yè)面提取內(nèi)容。搜完之后，它做了一件挺像人的事：去讀了自己安裝的Skill文檔，看看怎么處理數(shù)據(jù)、怎么做PPT最合適。就像新員工接到任務(wù)后先翻了翻工作手冊(cè)。

第二步整理，把搜索到的信息整合成一份結(jié)構(gòu)化的Markdown競(jìng)品對(duì)比文檔，覆蓋6款產(chǎn)品（Claude Code、Cursor、Windsurf、GitHub Copilot、Codex CLI、Cline），每款包含產(chǎn)品定位、核心功能、定價(jià)、優(yōu)劣勢(shì)。

第三步做圖表，生成了一份交互式HTML數(shù)據(jù)可視化報(bào)告。

第四步最有意思。它寫了11頁(yè)HTML幻燈片，從封面到定價(jià)對(duì)比到功能矩陣到選型建議，然后調(diào)用html2pptx工具轉(zhuǎn)成PPTX文件。

第一次構(gòu)建報(bào)錯(cuò)了——部分幻燈片的CSS樣式在轉(zhuǎn)PPTX的時(shí)候不兼容。

但它沒有停下來問我怎么辦。自己讀了出錯(cuò)的HTML文件，定位到問題代碼，用更簡(jiǎn)潔的寫法重寫了那幾頁(yè)，然后重新構(gòu)建。第二次，11頁(yè)全部通過。

第五步推送。它主動(dòng)給飛書群發(fā)了一張綠色卡片消息：報(bào)告摘要、核心發(fā)現(xiàn)（Claude Code領(lǐng)先、定價(jià)趨同但模式分化、終端Agent vs IDE兩條路線將共存）、交付物清單。

我數(shù)了一下，整個(gè)任務(wù)從頭到尾調(diào)用了五六十次工具——搜索、翻頁(yè)、讀文件、寫文件、執(zhí)行腳本、推送消息。中間一次構(gòu)建失敗，自己診斷修復(fù)。全程沒問我一句。

有個(gè)細(xì)節(jié)值得一提。雖然它在自主執(zhí)行，但我作為用戶隨時(shí)可以介入。過程中每一步在干什么都看得見，覺得方向不對(duì)隨時(shí)能打斷、改指令。這次我選擇不介入，想看看它到底能走多遠(yuǎn)。結(jié)果是從搜索到交付的完整鏈條，自己跑通了。

這就是Agent和Chatbot的區(qū)別。Chatbot你問一句它答一句。Agent你給個(gè)目標(biāo)，它自己拆任務(wù)、找工具、遇到問題自己修，一直跑到交付。

能做到這一點(diǎn)，背后是Skills系統(tǒng)在起作用。搜索用web-search Skill，做PPT、Excel都有默認(rèn)的Skill，以及，當(dāng)然你也可以像我一樣用自己制作的更符合自己品味的。關(guān)鍵不在于裝了多少，在于AI能根據(jù)目標(biāo)自己判斷該用哪些、按什么順序組合。不是預(yù)設(shè)的流水線，是它現(xiàn)場(chǎng)組裝的工具鏈。

最后聊兩句

回頭看這三個(gè)場(chǎng)景——分析B站數(shù)據(jù)、搭建新聞機(jī)器人、做競(jìng)品分析PPT——都不是什么高深的工作。但就是這些不高深的事，每天在吃掉打工人的時(shí)間。一份競(jìng)品分析一整天，一份日?qǐng)?bào)半小時(shí)，一個(gè)數(shù)據(jù)報(bào)告大半天。這些時(shí)間省下來，才能去做真正需要判斷力和創(chuàng)造力的事。

之前我搭Claude Code寫作工作流的時(shí)候有一個(gè)體會(huì)：不用追求100%自動(dòng)化，但幾乎所有重復(fù)性工作都可以讓AI先跑一遍，躍過最難的「從零啟動(dòng)」那一步。 有道龍蝦做的事和這個(gè)思路一致——你給目標(biāo)，它執(zhí)行，你驗(yàn)收。

OpenClaw證明了AI Agent的能力上限夠高，近20萬GitHub星不是白來的。而LobsterAI在試著做另一件事——讓更多人真正用上這個(gè)能力。GUI界面、飛書遠(yuǎn)控、沙盒安全、適配國(guó)內(nèi)工具生態(tài)，再加上開源——這不只是降低門檻，是讓AI Agent真正走進(jìn)每個(gè)打工人的日常工作流。

以前的AI是你的顧問，你問它問題，它給你一段文字，然后你自己去干。現(xiàn)在的AI Agent更像一個(gè)能動(dòng)手的員工——你給目標(biāo)，它去打開文件、讀數(shù)據(jù)、做圖表、排報(bào)告、發(fā)給你。

顧問你得自己執(zhí)行，員工你只需要驗(yàn)收。

當(dāng)Agent的門檻從「會(huì)寫代碼」降到「會(huì)打字」就行，這可能才是AI真正普及的開始。