我養了一只小龍蝦，時薪70塊，比我還貴

“Have fun”

我確實被AI整FOMO（Fear of Missing Out）了。

即便我幾乎不怎么關注AI，這幾周也被AI轟炸得頭皮發麻。從Claude Sonnet 4.6模型推出，到OpenClaw（小龍蝦）的爆火，再到Chat GPT-5.4模型發布，似乎每一周都在迭代新模型。尤其是最近這幾天，馬化騰（小馬哥Pony）、Openclaw創始人Peter Steinberger接連發聲，更是助推了養小龍蝦的浪潮。

上周五（3月6日），Pony在朋友圈發文：“沒想到（排隊安裝小龍蝦）會這么火”。

上周日（3月8日），Peter 在英國帝國理工學院分享了對技術、工作的看法，他說意義不是尋找到的，而是創造出來的。如果醒來沒有興奮感，就必須改變現狀。

現在，全行業對AI的共識，已經從對話轉向 Agent （智能體）/ Workflow（工作流）。需要指出的是，Agent是可以通過“扣子”去串聯多個大模型，來搭建 Workflow 工作流。而小龍蝦，就是當前可掌握電腦更高系統權限的那“支”。

在 GitHub上，OpenClaw 的 Star 已經超越 React、linux 兩大巨頭。最右邊紅色拔地而起的不是縱坐標，而是 OpenClaw（圖片來源微信公眾號“數字生命卡茲克”）

借著這股小龍蝦風潮，競核也想湊湊熱鬧。上周五（3月6日）我跟小伙伴下班后，一起整到了凌晨四點，終于搗鼓出了競核編輯部第一只“小龍蝦”。

OpenClaw系統狀態

接下來，筆者想聊聊，這只小龍蝦，是如何在自己的日常編輯工作中起到作用的？目前，它究竟是玩具還是生產力工具？

小龍蝦到底能幫我們干什么？

作為一名只會打游戲的編輯，說實話，安裝小龍蝦的目的，除了蹭熱鬧外，就是讓我免去收集行業信息的苦功夫，讓我能有更多時間打游戲的同時，也能不落后行業。

在裝好 OpenClaw 的第一件事，就是讓它幫從七麥數據上整理這周國內游戲暢銷榜 Top10 的產品。但很快就遇到了第一個麻煩。

先說數據來源方式，默認情況下，OpenClaw 獲取數據的方式類似網絡爬蟲，即便你給了 OpenClaw 的數據入口，爬取那些安全性較高的程序很容易歇菜。

微信游戲Mac端界面

嘗試爬取數據后，微信游戲打開界面會返回到微信安裝界面（無法進入）

由于像七麥數據等網站，基本上會有反爬蟲的功能，一旦交互過于頻繁，短期內會限制你訪問網站。甚至在一些安全性更高的鏈接中（如微信游戲），你不僅查不到數據，甚至原本的功能都會被阻止進入（如上圖）。

當然，關鍵問題還沒有解決。事實上，相關內容網上也有不少相關的教材，例如使用在瀏覽器中加入 OpenClaw Browser Relay 插件，在網頁打開附著開關后，就可以讀取你當前的頁面信息。

當然，又報bug了

在附著后，再次讓它幫我拉取七麥數據 3.2-3.6 暢銷榜表現，五分鐘后，電腦上多了一份名為“七麥數據_2026-03-02至2026-03-06_中國區游戲暢銷榜Top10”的文件。除了游戲名、排名外，甚至連 App ID、發行商等信息也幫我整理好了。

小龍蝦得多喂吃的，做復雜任務需多次調校

如果讓它干一些簡單的操作，那的確非常方便。比如讓它幫我抓取 gamesindustry 、pocketgamer；IGN；TapTap、好游快爆、3dmgame、游民星空，最近三天的熱門新聞，不出十分鐘，便幫我輸出可一份可供閱讀的信息匯總。

又比如，我讓他收集一下網易、B站、騰訊等上市公司IR網站2025年年報，很快便給了我梳理一份IR頁面統計。不過經過筆者甄別后，大多給出的鏈接是2024年或25年中的IR鏈接，在時效性上稍差，想要達到可用的地步，可能還需要進行精教。看到這里，我覺得自己暫時不會失業。

簡單總結下，“小龍蝦”的真正潛力，并不是它初始就具備極強的執行能力，而是成長能力。如果用游戲用語來說，就是 OpenClaw 只是一個胚子。你需要給他“鑲嵌”不同的寶石（插件），去打怪升級（自我學習），去強化（模型更新）......把它“養”到你認為可用的程度。

就以剛剛的瀏覽器方案舉例，目前已經有UP主給出了4種方案，從內置工具 web_fetch（更簡單快捷），到 API 搜索 Skill（更全面），再到瀏覽器自動化 Openclaw managed（更安全，更省事兒），以及瀏覽器自動化 Relay Extension（權限更高，自定義程度更高，但也最容易被各個網站防御）。

而在官方的 Claw Hub 上，也已經有各種各樣的插件，如 self-improving-agent（自動學習改進，記錄錯誤和修正） find-skills（發現和安裝新 skills）......甚至你還能看到將小龍蝦的工作狀態圖形化的插件。

至少在當前階段，在“養”小龍蝦這件事兒上，遠遠比我們看到的更加復雜，也更有潛力。

門檻不少，但可以先學會如何去PUA

這聽起來挺美好，但事實上想要徹底上手 OpenClaw 其實有不少門檻。

首當其沖的就是安裝——即便網上有各種各樣的教程，但你在安裝過程中總會遇到各種各樣的報錯，然后卡在某一步上。即便你已經知道了具體的問題，去各個視頻網站尋找答案，你最終會發現，絕大部分做教程的人也只是為了賣課。

讓一個代碼白癡，上來就看到一堆報錯，誰遭得住

但筆者可以告訴大家一個更容易解決的方案，那就是先安裝更簡單的 Agent，例如 Codex，然后把教程文檔鏈接發給他，去 PUA 它，讓它去安裝。

于是你就能看到它將化身為勤勤懇懇的打工人，任勞任怨的為你執行每一步，直到徹底安裝完成。

不得不說，Codex雖然慢了點，但確實是真的好用

如果不夠過癮，甚至還讓 Codex 幫你的小龍蝦的模型升級為最新的 Chat GPT-5.4。

因為對于 Agent 而言，你才是老板。當然，你也需要給它發工資，這就是第二個門檻，token。

如果你去各大 LLM 網站看價格的話，會發現一百萬的 token，便宜的不到 1 美元，貴的可能十幾、幾十美元，乍一眼看，感覺也不怎么貴嗎。

各家LLM token 計價表 （Claude價格遙遙領先）

但事實上，筆者用 Openclaw、Codex 來簡單修復一下插件的Bug，二十分鐘左右，就已經消耗了四百萬的 token。折算下來，時薪逼近70元，已經比筆者自己還高了。

大多數模型是按輸入 token + 輸出 token 計費，輸出通常更貴；并且 Agent 平臺還可能疊加工具調用和長上下文成本（就比如筆者前面提到的 OpenClaw Browser Relay 插件，也需要接入 token）。

盡管各家的 token 明碼標價，但事實上，對于絕大多數人而言， token 的計費并不透明。原因在于，你不知道一個指令究竟會消耗多少 token。即便做同一件事，輸入自然語言的內容差異、LLM、Agent 的差異，插件多少，所消耗的 token 都有所不同。

況且，對絕大多數普通人來說，AI 最大的問題，其實不是不夠聰明，而是太難用了。

你當然可以說，現在的 Agent 已經很強了，能寫、能查、能跑流程、能調工具，甚至還能像個電子牛馬一樣，24 小時待命。

可問題在于，它離“裝完就能用”，還差得很遠。很多 Agent 產品，更類似極客的玩具。它們確實能打，但前提是你也得能打。

一個真正成熟的大眾產品，應該是你不需要知道什么是 API，不需要理解什么是緩存、插件、上下文，更不需要一邊查教程一邊看報錯。你只要告訴它“我要干什么”，它就應該大概率幫你干成。

筆者認為，未來真正能把 Agent 推向大眾市場的，很可能是更本土化、更傻瓜化，也更符合國內用戶習慣的國產 Agent。

總的來說，小龍蝦現在更像是一個潛力巨大的半成品，它已經能幫人分擔一部分重復勞動，但離真正開箱即用的生產力工具，還有不短的路要走。

折騰完這只“小龍蝦”后，筆者也確實能體會到行業對AI的焦慮。并非它有多神，而是它已經到了一個你沒法假裝看不見的階段。

今天它也許還只是幫忙，明天卻很可能會改寫游戲行業里一部分最基礎、也最重復的工作。真正讓人不安的，不是它現在有多強，是它還在越來越強。

但至少現在，真正決定內容和產品上限的，仍然不是生成速度，而是人的判斷力。

??

＊爆料丨合作丨招聘：點擊或戳微信號 luoxuanwan111