使用 OpenClaw（中文社区称之为"龙虾"）约一个月，写一篇务实的使用分享。不是功能测评，而是想回答一个核心问题：它的价值到底在哪里，边界又在哪里。
一、核心能力：把「手动」大幅减少了
先说值得肯定的部分。龙虾真正发挥作用的地方，是那些明确、可重复、有固定套路的任务。
常见的典型场景：
- 文档整理：博客旧文归类、批量修改标题格式
- 定时提醒：待办事项到期通知，无需打开任何 App
- 内容发布：文章写好后，在聊天框直接触发构建、提交、推送流程
- 代码执行：描述需求，AI 生成代码，工具执行，人只验收结果
本质上，它把「想到→操作」的距离大幅缩短了。以前需要打开浏览器、点菜单、切窗口的操作，现在变成「一句话」。对于频繁处理信息、频繁执行固定流程的人，这是真实的时间节省。
（关于龙虾的底层架构设计，可参考此前的文章《LLM：OpenClaw 检索架构的工程实现与设计逻辑》。）
二、具体使用场景
基于实际日常使用，以下场景是龙虾发挥明显价值的场合。
博客管理：这是今天用得最多的场景。从想法到发布上线，整个流程可以自动化：说出想法，AI写成草稿；检查逻辑，修改细节；然后一句命令完成 Hugo 构建、Git 提交、推送到 GitHub。以前需要在编辑器、终端、GitHub 网页之间来回切换，现在变成连续的对话。
内容整合：把豆包的讨论转成博客章节——AI 会分析新内容和已有博客的相似度，判断该新建还是该增强，给出整合方案，然后直接执行修改。这个能力的前提是 AI 能读取博客结构，理解内容关联。
网络内容处理：抓取网页内容、提取关键信息、自动填表。适合把散落在各处的内容统一收集整理。
信息整理：分析长对话，提炼核心观点；判断内容相似度，给出整合建议；把零散的想法归纳成结构化内容。
三、记忆机制：塞满才清理 vs 边记边筛
用了一段时间后发现，龙虾和 Claude Code 在记忆策略上有明显差异，这直接影响了长会话的体验。
龙虾的做法是：上下文接近 20K Token 时统一做一次摘要压缩。这相当于把一堆东西先堆着，满了再一起整理。好处是简单直接，坏处是如果中间过程复杂（比如 Debug 场景），容易漏掉关键信息。
Claude Code 的做法更渐进：边对话边筛选，只存关键路径，不存冗余日志。这样上下文始终保持"精简但够用"的状态。
实际感受是：长 Debug 会话时，Claude Code 的状态恢复能力明显更强。这不是模型能力差距，是工程策略选择不同。
四、Skill 的本质：非严格状态机
龙虾的 Skill 机制，初看像是"高级 Prompt"，用久了才发现更像是人工写死的步骤流程。
大模型本身的状态管理是模糊的，长链路任务容易乱。Skill 的作用就是把中间步骤代码化，减少模型自由推理的空间。比如一个复杂的数据处理流程，最好人工把每一步的输入输出定义清楚，让模型按步骤执行，而不是让它自己决定"接下来该做什么"。
这也意味着：长任务、交叉性任务，目前还不能完全交给模型自主完成，必须有人工干预和步骤固化。
五、局限：不是工具的问题，是场景的问题
龙虾并非装上就能用起来的东西。这里有几个关键限制：
没有具体可落地的事，就只能体验，无法发挥实际作用。 这是效率工具的共同特点：工具越强大，用它的前提是工作里有足够多「值得被自动化」的事。如果日常主要是「看消息→回消息→开会」，没有什么可重复的流程，工具能提供的帮助就会相当有限。
Subagent 并行是伪优化。 试过同时开多个子任务（比如 3-5 个并行），结果往往是冲突、降智、幻觉、指令跑偏。目前可行的做法还是串行：一个任务完成再开下一个。并行提速在龙虾上暂时还不成熟。
可控性比能力更重要。 龙虾的权限很大，能读写数据、发消息、执行代码。这也意味着风险：如果没有沙盒机制隔离，可能出现数据泄露、代码注入、甚至训练数据被篡改导致模型过拟合。生产环境使用，必须有硬隔离——比如训练模块和评价模块物理分开，评价端只读不写。
Token 消耗与成本管理：按需构建 vs 全量构建。 使用龙虾管理博客时，一个容易忽视的问题是 Token 消耗与成本。以 Hugo 静态博客为例，早期每次修改都执行 hugo → git commit → git push 的完整流程，但 Hugo 全量构建会处理 1300+ 文件，产生大量不必要的 Token 消耗。
优化后的工作流：
- 小修改（1-2个文件）：
git commit→git push，Netlify 自动检测并部署，无需本地构建 - 新建博客：
hugo→git commit→git push，需要生成本地预览和 public 目录 - 大量修改：
hugo→git commit→git push，确保本地验证通过再推送
核心原则是区分"本地验证必要"和"远程自动部署足够"的场景。Netlify 的自动构建能力可以承接大部分部署工作，不需要每次都在本地跑完整构建流程。这个优化点本质上是增量思维——只做必要的操作，让自动化工具承担重复工作。
费用成本控制：积分消耗与套餐选择。 龙虾的多轮自动调用特性导致积分消耗极快，成本控制成为高频使用时必须考虑的问题。以个人的实际使用为例：先开通扣子个人高级版连续包月（49元/月），用掉套餐内赠送的积分后，升级为个人旗舰版连续包月（99元/月），但该套餐自带的约10万积分也很快被消耗完毕。为支撑龙虾的高频调用，又额外充值了100元（约10万积分），单月在龙虾相关的积分消耗总成本接近250元。
后续优化方向包括：切换省流版模型、设置积分上限以避免超额消耗、优化指令以减少不必要的轮次调用。成本控制的前提是清晰区分"必须用龙虾"和"可用其他工具"的场景，避免为简单任务付出过高成本。
六、最大价值：把定性争吵变成定量实验
一个月用下来，最惊喜的发现是：龙虾真正改变的不是"效率"，而是决策方式。
以前做模型迭代，往往是开会讨论、凭经验拍脑袋、互相说服。现在可以用龙虾快速跑多变量对照实验：换一组特征、换一个 Y 标签、换一个数据集，几小时出结果，直接证伪或证实。
争论变成了实验。这是从"我觉得"到"数据说"的转变，终结了很多无意义的内耗。
七、现实定位：提效 80% 可行，完全替代不可行
当前阶段，龙虾更适合作为放大器而非替代者。
低风险、高重复性的任务（文档整理、定时任务、批量发布），它可以自主完成。但高风险场景（风控、安全、金融决策），无人化意味着责任悬空，出问题找不到人负责，这在生产环境无法落地。
正确定位是：人做决策与验收，AI 做执行与重复劳动。提效 80% 是现实的，完全替代人是不可行的。
八、对话式创作的底层逻辑
龙虾这类工具在写作场景中还有一个重要价值：对话式创作。这里的关键不是让AI替你写，而是让AI帮你思考。
保持思考的独立性
作者主导的多轮对话能避免一个问题：顺着AI的逻辑往下挖，越挖越窄。真正有效的做法是不断提出新的问题、新的案例、新的视角，把对话从AI给出的方向上拉回来。语音交互类产品的好处是把这种追问的门槛降下来了——不用字斟句酌写指令，随口就能打断、跳转、提出质疑。
让AI说真话
有一个常见的场景：问AI"我这个想法对不对"。这时候AI很容易顺着你说，哪怕想法有问题也不会直接否定。更有效的方式是用对话、追问、站在第三方角度来讨论——不是让AI帮你论证你的观点对不对，而是让AI分析这个观点本身有什么问题。把AI从"顺着用户说话"的状态拉回到"认真分析问题"的状态，输出的内容会更真实、更有价值。
人机各展所长
AI能帮你做的是把碎片化的想法整理成系统，把信息补充完整，把逻辑梳理清楚——这部分工作量很大，但不需要太多判断力。而需要判断力的是你：定方向、提问题、判断输出对不对、把最终的内容注入自己的洞察。这是AI做不到的，也是文章真正有灵魂的地方。
AI不会让不自由的人变自由，但会让自由的人变得更自由。对写作而言，AI从来不是用来替代写作者的，而是用来解放写作者的。
写在最后
一个月使用下来，龙虾最准确的角色描述应该是：放大器，而非替代者。更准确地说，它是一个自然语言驱动的个人操作系统——有具体可自动化的任务，它帮人跑得更快；没有明确的使用场景，它只是一个对话界面。
它不是工具，是交互入口加权限中枢。用不起来的原因，往往是只把它当聊天机器人，没当操作系统用。
想清楚要用它做什么，再决定要不要投入时间。这是一点观察后的建议。