OpenClaw 爆火之后，出现了一个有意思的现象：大量开发者涌向了飞书「养龙虾」。社区里，飞书相关教程和代码贡献量显著高于其他平台；也有傅盛和李志飞这样的标杆用户在飞书上跑通了龙虾实践。「养虾上飞书」正在成为社区共识。
一个 AI Agent 框架的爆火，为什么让一个协作平台意外走红了？
黄仁勋最近发了一篇长文，给出了一个相当激进的判断：未来几年，传统软件和 App 形态可能会逐渐消失，AI Agent 将成为主流。如果这个判断成立，Agent 进企业的*个问题，就是它得住在哪。
毕竟 Agent 不是孤立存在的，它真正运转起来靠的是数据、流程和组织关系构成的业务土壤。而这些东西，企业恰恰已经在飞书这类 All-in-One 平台沉淀了多年。
这某种程度上解释了为什么 OpenClaw 社区的开发者会在飞书自发聚集。竞争对手可以买同样的模型，可以部署同样的 Agent 框架，但买不走你在飞书里养了三年的数据、业务和经验。
01、旱地上的 Agent
Agent 概念火了一年多，但真正在企业里跑起来的案例屈指可数。
原因被讲了很多遍：数据孤岛、权限割裂、安全顾虑。但这些都是表层症状，底下有一个更深的病灶，企业数字化二十年都没治好。
所有系统的问题，归根结底都可以说是人的问题。ERP 管住了流程，CRM 管住了客户关系，OA 管住了审批。但有一类东西，所有系统都没碰过：隐性经验。老销售知道什么时候该逼单，老客服知道什么话术能安抚投诉，老专家知道同样的问题对不同客户应该怎么说。这些分寸感从来不在任何知识库里，全靠师傅带徒弟、老人带新人。
知识库、SOP 手册这些方式企业都试过，但失败的原因在于，隐性经验的核心特征是情境依赖。「客户连续第三次问价格时才逼单」「对方语气变软了再给方案」，这种判断写不成静态条目，因为触发条件本身是动态的。知识库能装「常见问题 Top 50」，但无法回应什么情况下应该偏离标准答案。
过去的智能体也没解决这个问题。你可以在 prompt 里告诉它公司背景、业务逻辑、你的管理风格，但它是不是真的按这个执行？不确定。大模型本质是个函数，输出质量由模型厂商控制，输入本该由企业自己定义，但之前的框架没给企业这个自由度。Agent 更像一个黑盒：你给任务，它给结果，中间发生了什么你不知道，也没法干预。
OpenClaw 撬动的正是这个僵局。之前的 Agent 框架也做模块拆分，LangChain 有 memory，Dify 有工作流编排，但 OpenClaw 把门槛压到了一个新的位置：用 Markdown 写配置，非技术人员也能上手。它把 Agent 拆成 soul（人设）、user（用户画像）、memory（记忆）、tool（工具），企业可以精确定义 Agent 在什么场景下说什么话、碰到边界怎么处理。
隐性经验*次变成了数字资产。
02、养出来的「大虾」
白盒架构把「定义 Agent」的权力交给了企业，但这份权力是有成本的。
春节期间，傅盛摔伤了腿，卧床 14 天。他用这 14 天养出了一支 8 个 Agent 的龙虾团队，累计 1157 条消息、22 万字对话，7×24 小时自动运转。
这应该是目前最完整的个人养龙虾样本，但过程远没有看上去那么顺利。头两天，傅盛的龙虾三万连通讯录都查不了，傅盛只好对着手机一个个口述高管信息手动灌入。紧接着是泄密和误机。三万把工作安排透露给同事，又因为把提醒存在上下文而非定时机制里差点让他错过航班。
傅盛从中抓到一个认知：Agent 不能套用工具思维。工具是买来即用的，Agent 更像新员工，得建规则、划边界、犯错当场反馈。他把每次翻车都沉淀成 Skill 文档，14 天积累了 40 多个，绝大多数来自踩坑。拐点在第 12 天：三万自选的公众号选题阅读量比傅盛自己想的还高。Agent 开始展现出某种「编辑直觉」。
40 多个 Skill 文档，本质上是用白盒架构一次次重新定义 Agent 的知识边界。这套过程和传统数字化完全不同：过去是买一套软件、做一轮培训、上线交付；现在是在真实场景里反复校准，错一次长一点。
在企业场景里，OpenClaw 已经开始被当作真正的生产工具使用。在昨天飞书举办的「玩虾大会」直播中，北汽福田高级经理文伟分享了他使用 OpenClaw 的经验：把 OpenClaw 理解成一个聪明的新员工——成长很快，但对业务一无所知，得喂经验。他把工厂数据分两路喂进去：业务系统的数据定时同步到飞书表格，一线的管理经验由员工维护知识库。两路汇在一起，龙虾就对整个工厂了如指掌了。
至于安全策略，文伟不让龙虾直接连工厂的业务系统。企业数据治理后同步到飞书表格，龙虾只能读飞书表格。「它根本没有我们系统的密码，」文伟说，「在最小权限策略的管理下是安全可控的。」
他的龙虾「长超小福」在各个业务群里以 AI 同事的身份存在，每天做日报分析、任务催办、安全巡检。以前要让 AI 定期抽查摄像头画面看有没有人不戴安全帽，需要在安全监控系统上做配置、编写算法，最快也要两三天才能配置完成。现在用户在群里说一句话：「帮我设一个定时任务，定期检查总装车间有没有安全风险。」几秒钟后，任务创建完成，AI 开始自己干活。
春节期间，他让龙虾接上工厂摄像头在线值班，发现问题直接在飞书群里通报、联络值班人员现场处置。
这揭示了白盒架构对企业数字化另一层变革：业务和 IT 的协作方式正在被重塑。过去二十年，业务部门知道问题在哪，但实现要靠 IT 排期，一来一回，原始需求往往打了折。现在业务人员用自然语言就能定义 Agent 的行为、划定知识边界、配置工作流程。
03、池塘决定大虾的上限
傅盛的 40 多个 Skill 文档和文伟的两路数据喂养有一个共同前提：Agent 养成需要一个能长期运行的环境。经验要沉淀，就得有地方存；权限要可控，就得有统一的围堰；上下文要持续增长，就得有员工日常行为不断喂入。三件事缺一件，Agent 就只能停留在写周报、做摘要这种边缘工作上。
OpenClaw 理论上接哪个 IM 都行，但最有活力的开发者社区用脚投了飞书的票，因为这里恰好是一个已经蓄好水的池塘。
首先是数据。Agent 干活需要上下文，上下文从哪来？那些早早在飞书上积累了导购话术、促销复盘、项目文档的企业，等于已经为 Agent 备好了「饲料」。
然后是权限。在飞书，权限体系贯穿通讯、文档、表格、审批所有模块，Agent 只需授权一次，就能在整个生态里工作，但也只能在授权范围内工作。
而员工在飞书上协作、整理妙记、管多维表格的日常习惯，构成了 Agent 能持续获取的上下文来源。
数据、权限、习惯，三件事闭环了。Agent 进来不用开荒，直接接管。
飞书 CEO 谢欣最近发了条朋友圈：「个人玩 Agent 是探索，企业用 Agent 是责任。个人场景出了错，大不了重来；企业场景出了错，可能是文件被删、数据泄露。Agent 的能力上限让人兴奋，但安全的下限决定了它能不能真正进入工作场景。」
信任和安全，是所有协作平台都要回答的问题。很多 Agent 的安全复杂度，并不来自模型本身，而是来自企业工具栈的碎片化。如果聊天在 Slack、文档在 Notion、数据在自建系统里，Agent 每执行一步任务就要跨一次系统边界，读取权限、写入权限、API 调用链条都会迅速变得复杂，光权限配置就可能是一场工程灾难。
从这个角度看，飞书的「all in one」架构给了它一个结构性优势：权限不需要跨系统拼凑，在一个平台内就能闭环。
飞书也在主动把池塘的水位往上蓄。3 月，官方推出了 OpenClaw 官方插件，龙虾经过用户授权后可以直接以用户身份读写云文档、查看日历档期、搜索群聊上下文，从一个只能聊天的外挂变成了组织内真正能干活的成员。免费版 API 调用额度也从每月 1 万次拉到了 100 万次。
这也带来了新的安全张力。龙虾的核心特征是高度自主执行，用户完成授权后，它的具体操作和行动并不能被完全预判和控制。官方的建议是：对于涉及发送、修改、写入等重要操作，请务必做到「先预览，再确认」，切勿让 AI 处于完全脱离人工干预的「全自动驾驶」状态。
接入龙虾后，飞书其实需要面对一个身份危机，它并不把控模型层。龙虾背后接什么大模型完全自由，直连豆包、千问、DeepSeek 都没问题，token 消耗走的是模型厂商的账单，飞书截不了流。
那飞书的核心价值在哪？上下文。
飞书首席 AI 专家傅强把过去两年开的所有周会文档、评论、逐字稿全部喂进龙虾，接近 50 万字，提炼出了自己的管理风格和行为准则。上周他*次让龙虾代替自己审读周会材料、在文档里留评论，龙虾选出来想讨论的内容和他自己关注的重合了七八成。
他在给客户演示时有一个固定桥段：先让客户花一分钟写一段提示词描述自己的管理方式，再给他看从几十万字会议记录里提炼出来的版本。没有一个客户能在一分钟内写出同等质量的描述，他当场就理解了，为什么飞书是 AI 时代*的上下文容器。
过去二十年，企业数字化的逻辑是采购：买系统、买工具、买解决方案。Agent 时代的逻辑是养成：喂养、校准、沉淀 skill。这个过程没有捷径，但也正因为没有捷径，先养起来的企业会拥有后来者买不到的东西。
今天企业在飞书发生的每一次行为，本质上来说都是投资自己未来的 AI 执行力。越早开始，池塘越深，别人越难追。
OpenClaw 的出现正在加速数字员工的进化，而飞书是孕育它们*的池塘。
