浅谈 “龙虾” OpenClaw 养育心得

1月底，OpenClaw 和 Moltbook 爆火，一夜之间掀起了“养虾”热潮。春节前后又赶上几波 AI 产品集中发布，AI 圈一度出现三大奇观：养龙虾（OpenClaw）、等种子（Seedance）、玩香蕉（Nano Banana）。

从500一次的上门安装，到299一次的上门卸载，养虾热潮看似逐渐退去，但各大厂商推出的各类Claw还在持续点燃市场热情。

不知不觉，我也已经折腾 OpenClaw 一个半月了，姑且算半个“资深虾农”。回顾这段时间的养虾历程，可以用“虽然痛苦但乐在其中”形容。我把过程中总结的一些经验进行梳理，也来浅谈“龙虾”养育心得。

1. “龙虾”简介

OpenClaw 是什么，这里不再展开。和 DeepSeek、豆包、Kimi 这类 AI 聊天工具相比，OpenClaw 更像一个带执行能力的系统，核心差异主要在这几项：

• 自部署： 装在自己的电脑或服务器上。
• 操作工具： 操控本地系统文件。如编辑文件，访问浏览器等。
• 定时任务： 定时触发或完成一些任务。
• 记忆管理： 存储用户对话的关键信息。
• 功能扩展： 支持 Skills，可以把上述基础能力按场景打包成专项能力。比如每天 10 点搜索关注的股票信息并通知我。

  定时任务 —— 每天10点
  记忆管理 —— 关注的股票
  操作工具 —— 调用 `股票信息系统` API，调用 `聊天` 工具通知

所以 OpenClaw 擅长的，也就是这些功能能够覆盖的场景：即时对话、调用工具、定时任务。

它之所以能引发热潮，是因为 LLM 给了它“大脑”，操作工具给了它“四肢”，记忆管理让它能保留上下文，定时任务又让它看上去像是会主动行动。这些特性叠在一起，会很容易让人产生一种感觉：它不只是会聊天，而像一个真的能持续做事的智能体。

但目前，它还存在诸多限制。最大的局限主要有两方面：

• 成熟度不够： 可以关注 Agents Radar^[1] 这个项目，虽然各类 Claw 层出不穷，但目前没有一款称得上成熟稳定。甚至 OpenClaw 在 2026.03.02 版本中还出现过「操作工具」全面失效的问题。
• 生态封闭与安全问题： OpenClaw 带来的最大革新就是「操作工具」，让它具备了无限可能。我们设想的下一代操作系统就是 OpenClaw 这种个人智能体的形态，所有用户需求都以对话形式发给它，再由它调用工具完成，比如订票、购物等。但这些工具的厂商又岂能如它所愿。各种防护措施让 OpenClaw 无从下手，其中当然有数据安全因素，但在很多场景里，平台壁垒和生态封闭同样是更现实的限制。

基于这些限制，你可以把 OpenClaw 当成一个具备各方面能力，但能力都很一般的实习生。它能做一些事，但可能也会惹更多事。从 AI 聊天工具，到 AI 实习生，模式的改变，这就是 OpenClaw 带来的价值。

2. 上手门槛

“养虾”难吗？很难！

因为它还不成熟，生态又封闭，更新还快，想真正用起来、用好，并不容易，对 AI 和 IT 的综合经验要求都比较高。

所以一般用户本着吃瓜心态看看就好，就算花 500 元上门装好了 OpenClaw，后面还是可能因为各种问题根本用不起来，最后骂一句“这不是虾扯么”，那这笔钱大概率也算打了水漂。

3. 安装方式

如果你确认要成为一名“养虾人”、“逮虾户”，“虾池”选在哪很重要，因为涉及成本。

个人目前不推荐各种云 Claw，比如 KimiClaw 、MaxClaw ，不是得罪厂商，而是因为目前各类 Claw 的成熟度太低，动不动卡死、崩溃。还是需要登录到服务器上查看日志，重启服务甚至重启服务器，托管的服务反而会让这些工作变得不灵活。

我也强烈不建议把 OpenClaw 直接装在日常使用的个人电脑上，风险不好控制，尤其是隐私数据和本地工具权限这一层。

个人推荐的方案是「云轻量服务器」 + 「国内模型订阅服务」，以阿里云轻量服务器 + 阿里 Coding Plan 为例，初期“养虾”的成本大约是60~100元左右。

4. 模型推荐

OpenClaw 的大脑是大模型，所以大模型的能力直接影响到了“龙虾”的智商以及“养虾”的成本。

国内模型个人推荐 Kimi K2.5 和 MiniMax M2.5，前者支持多模态，让 OpenClaw 可以识别你发送的图片，后者价格更有优势。

如果可以使用国外模型，个人推荐 GPT 5.4 ，更适合这种操作工具的智能体。现在是我的主力模型，而且是属于那种一旦用了，很难退回去的那种，唯一的缺点就是价格了。

5. Channel 推荐

OpenClaw 与 AI 聊天工具还有一点不同就是它可以嵌入到用户常用的即时通讯工具中，而非强制使用 APP、网页，让用户使用起来更方便。

OpenClaw 支持国内外多种即时聊天工具。

如果你使用国内工具，首推飞书，显示效果、用户体验最好，支持单聊、群聊多种方式。而 QQ、微信目前更偏单聊场景。至于企微、钉钉，我个人试下来整体交互和使用体验一般，不太适合作为长期主通道。

如果你使用国外工具，首推 Telegram，配置简单。此外还可以选择 Discord，但它的使用习惯可能不太匹配国内用户。

6. Skills 推荐

龙虾有5对步足用于行走，而 OpenClaw 的 Skills 就是它的“虾脚”，可以用来实现不同的场景化功能。ClawHub^[2] 是目前“龙虾”们最大的技能社区，里面托管了 2万 多个技能，但不是每一个都适合所有人。

从一开始“养虾”，到现在，目前我还留下来的 Skills 有以下这些：

6.1. OpenClaw Msg Delivery Guide

我自己写的 Skill ，主要解决 OpenClaw 定时任务不通知、任务进展不回复等顽固问题。具体我在《OpenClaw 定时任务没通知，你应该这样做》中有详细说明。

https://clawhub.ai/sonicrang/openclaw-msg-delivery-guide

身边不少“虾农”朋友被这个问题劝退，建议新“虾农”们都可以安装。

现在，我用它结合 Tavily、GitHub CLI 等 Skills，实现了很多信息的定期收集、总结、通知。

6.2. Tavily Search

AI 智能体网络搜索工具，相关的 Skill 有很多，可以选择以下任意一个：

https://clawhub.ai/Jacky1n7/openclaw-tavily-search

https://clawhub.ai/robbyczgw-cla/web-search-plus

安装完成后，需要在 Tavily官网^[3] 注册账号，申请API Key，发给 OpenClaw 完成配置。

Tavily 有免费额度，每个月 1000 Credits，它是一个适合 AI 做资料研究、内容归纳、网页阅读的搜索工具。但对于 Twitter、YouTube 等半封闭的社交媒体，它并不能获取完整数据，还需借助其他 Skill ，如 Bird （Twitter CLI）实现。

6.3. Self Improving Agent

它主要用来增强 OpenClaw 的记忆管理：持续整理日常会话里的信息、错误和经验，形成分类、分层的记录，再把重要内容提升到 OpenClaw 的 Memory 文件中。

https://clawhub.ai/pskoett/self-improving-agent

安装完成后需要让 OpenClaw 完成初始化：

初始化 self-improving-agent skill

目前这个 Skill 已经帮我记录了数十条习惯、经验、工作流以及踩过的坑，能够感觉到它越来越懂我了。

记忆管理也是 OpenClaw 的核心功能，随着 2026.03.08 版本的发布，OpenClaw 进一步加强了记忆管理功能。也开始出现 LossLess^[4]、MemOS^[5] 这类记忆增强工具。不过目前我还没开始使用，待后续体验过再分享心得。

6.4. 各类 CLI Skill

我常会用到 GitLab、GitHub 等 CLI 去做一些操作，比如跟进某个代码项目的Issue，有进展后通知我，我也可以通过对话让 OpenClaw 帮我更新 Issue 信息，甚至我还基于 GitLab 的 Issue 做了一个智能 FAQ 助手。

https://clawhub.ai/Portavion/glab-cli

https://clawhub.ai/steipete/github

个人强烈推荐使用 GitLab、GitHub 任意一个 Skill ，配合 OpenClaw Msg Delivery Guide ，每天定时把 OpenClaw 的配置文件 openclaw.json 以及 workspace 目录备份到代码托管平台上，做版本控制。这已经救了我太多次。

6.5. 其他

除了上述主要工具，目前我还在使用的就是一些小工具，比如 Caldav Calendar^[6] 用来获取日程信息，使用 Agent Browser^[7] 来做一些浏览器操作。

除此之外，其他 Skills 都被我卸载了，一方面是目前确实用不到，另一方面 Skills 越多，信息泄露的风险也越大，所以像 Email 相关的 Skills 我已经不再使用。

如果你不知道要装哪些 Skills，不妨参考这篇文章，从少用起。

7. 配置推荐

龙虾的5对步足中，最前面的1对步足进化成了螯，也就是虾钳，是它最重要的武器。在 OpenClaw 中，最重要的就是 openclaw.json 这个配置文件，里面决定了它如何与其他模块、工具进行协同。

除了在安装 OpenClaw 时执行 onboard 命令初始化的一些基本配置外，我还重点调整了以下配置：

7.1. ACP Agent

Agent Client Protocol^[8] 简称 ACP，设计的目的是给外部客户端或系统提供一套统一接口，用来接入和驱动 AI Agent。比如 OpenCode 在 IDE 中的插件，就是以 ACP 来实现的。

如果 OpenClaw 直接把 OpenCode 当普通终端命令执行，它就很容易因为终端交互、持续会话、确认输入和输出刷新机制而卡住，表现为无响应、停在半截，或者一直不退出。

规避这个问题，一种办法是用 tmux 托住交互式 CLI；另一种更正式的办法，是直接通过 OpenClaw 的 ACP runtime 接入。前者我在《OpenClaw折腾笔记四 -- 编程实战：开发博客转公众号助手》中有介绍，而后者就是 OpenClaw 新推出的功能。

具体配置可以查看 OpenClaw ACP Agents ^[9]文档，我这里节选了我的配置：

{
  "acp": {
    "enabled": true,
    "backend": "acpx",
    "defaultAgent": "opencode",
    "allowedAgents": [
      "opencode",
      "codex",
      "claude"
    ]
  }
}

此外还需要安装 acpx 插件：

openclaw plugins install acpx
openclaw config set plugins.entries.acpx.enabled true

配置后你就可以通过 OpenClaw 操作 OpenCode 来编写代码了。如果你使用 Discord、Telegram ，还可以使用 OpenClaw 新推出的 ACP Thread-bound sessions 功能，把 OpenCode 等编程 Agent 绑定到你的 Telegram Topic 中，比如 OpenCode 对应一个 Topic，Claude Code 对应另一个Topic，这样你就可以在 Telegram 不同的 Topic 中直接发送需求，而不是在 OpenClaw 的主 Channel 中让 OpenClaw 来完成任务分发。

目前我大部分的开发工作都是通过 OpenClaw 交给 OpenCode 来完成，当然主要都是一些工具类项目，谈不上复杂的系统工程性项目。

7.2. 托管的浏览器

浏览器是 OpenClaw 最关键的操作工具之一。很多现实任务最后都会落到浏览器里，所以一旦浏览器能力可用，OpenClaw 的可操作范围就会一下子大很多。此前我在《操控浏览器，让 OpenClaw 解锁超能力》一文中有详细介绍，并且用它开发了一个小项目《3小时：OpenClaw 打造 HR 简历筛选助手》。整个项目开发用时 3 小时，它只需要 30 分钟就可以获取 300 多份简历信息，并根据岗位要求给出匹配度打分和评价，极大提高了简历筛选效率。

7.3. 多 Agent 协同

当我把“养虾”生意扩大到家庭，想把 OpenClaw 分享给我家人使用时，我发现多人共用很容易产生信息混乱，记忆混淆等问题。所以参考《实战中的 Openclaw 多 Agents 部署策略》，我也给我的 OpenClaw 配置了 2 个 Agent ，并划分不同的工作区。

简单起见，我使用软隔离模式，即只通过工作目录来实现隔离。不同的 Agent 有不同的工作目录，有不同的记忆文件、Skills 文件以及不同的 Channel 。

配置如下：

// 配置 2个 不同的Channel
"channels": {
    "telegram": {
      "enabled": true,
      "dmPolicy": "pairing",
      "botToken": "xxxxx",
      "groupPolicy": "allowlist",
      "streaming": "partial",
      "threadBindings": {
        "enabled": true,
        "spawnAcpSessions": true
      }
    },
    "qqbot": {
      "enabled": true,
      "allowFrom": [
        "*"
      ],
      "appId": "xxxxx",
      "clientSecret": "xxxxx"
    }
 },
// 不同的 Agent 绑定不同的 Channel
"bindings": [
    {
      "agentId": "main",
      "match": {
        "channel": "telegram",
        "accountId": "default"
      }
    },
    {
      "agentId": "daffo",
      "match": {
        "channel": "qqbot",
        "accountId": "default"
      }
    }
 ],
// 不同的 Agent 有不同的工作目录
"agents": {
    "list": [
      {
        "id": "main",
        "name": "main",
        "workspace": "/root/.openclaw/workspace"
      },
      {
        "id": "daffo",
        "name": "daffo",
        "workspace": "/root/.openclaw/workspace-daffo"
      }
    ]
  },
...

特别注意，main 的 workspace 要写在 agents.list[] 的具体条目里。如果只在 agents.defaults 里写默认 workspace，其他 Agent 也会继承这一路径，就无法实现隔离了。

8. 心得总结

以上就是我近期的“养虾”心得，基于 OpenClaw 尚不成熟，有数据泄露风险、技术门槛较高等一系列问题，我还是建议吃瓜群众保持理性。

对于想要尝试“养虾”的“虾农”，可以参考这篇心得，取长补短。

对于我个人而言，OpenClaw 还是帮我解决了一些实际问题，让我看到了未来 AI 演进的可能性，虽然还比较初期。

总之，“养虾”有风险，入坑需谨慎。

但是它真好玩啊！🦞