开年至今，一场名为“养龙虾”的AI热潮正在互联网迅速蔓延。
短短数天内，大厂几乎集体下场参与“养龙虾”狂欢：阿里巴巴先后推出CoPaw、HiClaw、JVC Claw，腾讯与字节跳动在3月9日同日上线 QClaw、ArkClaw，百度、华为等公司也迅速跟进，各类云平台开始提供“一键部署”服务，试图把开源Agent带来的巨大流量转化为新的平台入口。
但和所有技术狂欢一样，喧嚣背后也夹杂着不安。随着OpenClaw需要获取电脑深度权限的问题被放大，关于隐私风险、系统安全乃至“AI会不会抢走工作”的讨论开始蔓延。3月10日，国家互联网应急中心发布风险提示，多家国企与银行也陆续限制在办公电脑中部署这类Agent工具。在社媒平台，因OpenClaw而引发“被删文件”、“系统瘫痪”等负面使用案例也开始涌现。
那么，OpenClaw究竟是下一代生产力工具的雏形，还是一场被过度放大的技术狂欢？
最近，带着这些问题，壹览商业跟三位来自不同行业的OpenClaw深度使用者聊了聊。通过他们的真实经历，我们试图还原一个真实的OpenClaw：它究竟能做什么，又离真正进入普通人的工作生活，还有多远。
01、我拥有了一个本科实习生
OpenClaw爆火后，向海在电脑里养出一支“AI投研团队”。
作为一家早期投资机构的负责人，他每天面对的是海量信息：创业公司融资、技术突破、研究报告、行业动态……如果靠人工去筛选，往往意味着大量时间被耗在信息检索上。
今年2月，他在X上*次看到OpenClaw的相关消息。但由于早期版本主要围绕Mac环境开发，而他的日常办公设备是Windows系统，他并未立即上手。直到国内厂商开始推出各种适配版本，他才真正开始尝试这套工具。
一开始，他使用的是月之暗面推出的云端版“龙虾”——KimiClaw。每个月仅需付199元的基础会员费，平台就会提供一台40GB的云服务器以及模型调用额度，不需要本地安装。
这对一个非技术背景的投资人来说，是进入Agent世界最简单的方式。但很快，向海就不满足于此。他在本地电脑上又部署了一套OpenClaw，并把两套系统同时接入飞书，做成两个机器人。为了方便管理，他甚至给它们取了名字——本地的叫Oracle，云端的叫Scott。
两者的分工很明确。Scott负责执行层面的工作：每天自动爬取新闻媒体平台的融资信息，并整理进飞书多维表格；同时抓取国内高校科研项目信息，生成每日投融资日报。Oracle则更像一位“战略顾问”。它会持续读取向海电脑中的历史文件，从几千份BP和研究资料中学习他的投资逻辑，并定期生成战略分析报告。
每天早上，他打开飞书，就能看到Scott生成的融资动态和行业情报；而Oracle则会周期性地输出战略层面的总结。
但最让他惊喜的，是OpenClaw在尽调流程中的应用。过去，投资机构在做项目初筛时，需要花不少时间去查公司背景、行业规模、团队履历以及技术路线。现在，他只需要把一份创业公司的BP发给OpenClaw。几分钟后，一份初步尽调报告就生成了。报告里不仅包含行业情况和市场规模分析，还会自动去天眼查查询专利数量、股权结构等信息。
“水平大概和一个本科实习生差不多，”向海表示，“但规范性甚至更好一点。”
最近，他又开始尝试一件更大胆的事情——让OpenClaw学习自己电脑里几十GB的历史资料。“也许有一天，它能像一个没有情绪波动的我，帮我做一些判断。”
02、龙虾军团还不够稳定
飞轨是一名深耕B2B领域的创业者，现在做的项目叫 DaretoB2B（敢于桥接），主要帮助ToB项目创始人梳理战略和品牌叙事。
在更早之前，他在某企业负责品牌市场工作，因为公司本身就有算力和AI相关业务，所以他接触AI并不算晚。只是那时，AI在他工作里的角色还比较传统：做营销脑暴、理顺文字、帮忙润色，像一个反应很快的助手，但还远远谈不上“接入工作”。
飞轨也算国内*批“养虾”人。1月24日，他用字节旗下的AI Coding工具TRAE做了早报系统；1月27日又用ClawdBot重构，把早报流程搬进OpenClaw。
除了上述早报系统外、他还部署了一个论文速记与热门论文推文生成系统，以及一个B2B行业雷达。三套项目总计每天要梳理约50个海外信源、约20篇论文，整体时间成本大概能压缩到2小时。
“模型会员与API充值一年约5000元，外加三台VPS（两台1核2G、一台2核4G）一年约4000元。”问及成本，飞轨给我们算了笔账。
在他看来，OpenClaw目前*的短板，在于稳定性和可控性。
稳定性指的是，和一些会把任务拆成明确步骤的AI IDE不同，OpenClaw往往是一口气往下执行，交互轮次一多，就可能忘记前面的要求，用户也不容易在中途插手纠偏。
可控性指的是，OpenClaw仍存在一定“漂移”。比如同样的任务，即便已经调试成固定模板，隔一天再跑，输出结果仍可能出现细微变化。
目前，飞轨一共维护着五台运行OpenClaw的机器：两台在本地电脑上，三台部署在云端VPS上。他的主工作环境仍然是一台苹果笔记本，所有核心资料和完整的工作流程都保存在本地机器里。而云端服务器则更像一个简化版的工作区，主要负责运行自动化项目。
这些自动化项目的代码都被他放在GitHub仓库中，只需要从仓库拉取代码，就可以按既定流程执行任务。相比本地环境，云端机器的上下文信息要少得多，但对于这类标准化任务来说已经足够。
飞轨也曾尝试过一个更激进的设想——打造一支“龙虾军团”。简单来说，就是让多个OpenClaw协同工作：一个负责规划，一个负责内容生成，一个负责修改和美化。比如在给客户做提案时，可以让不同Agent分别负责框架设计、PPT填充以及语言润色。
飞轨的龙虾bot
理论上，每个环节甚至可以调用不同的大模型。
例如在做结构规划时使用推理能力更强的模型，比如DeepSeek Reasoner；在文字润色和编辑环节，则换成更擅长语言表达的模型；如果涉及长文阅读和资料整理，再交给另一类模型处理。
但这套多Agent协作体系，目前还停留在实验阶段。
03、开箱即用，成了新需求
“可以把Floatboat.ai理解为一开箱即用的Openclaw。”毫无疑问，部署Openclaw有一定门槛，而少卿想做的，正是让普通人也能养上“龙虾”。
2025年12月，少卿与团队一起开发了一款名为Floatboat.ai的产品，而OpenClaw的走红，也让外界更好理解了何为Floatboat.ai。
在少卿看来，OpenClaw的爆火，很大程度上来自它的想象力，但在真实工作场景中，它仍然存在一些明显的局限。
首先是交互方式的问题。当前很多用户调用OpenClaw，往往需要借助飞书、Telegram等聊天工具来下达指令。这样一来，整个工作流程就会被切割成一段段消息：AI把文件生成后发回聊天窗口，用户再下载、打开、编辑，往往还需要再切换到WPS或Office里继续处理。
“这种方式其实更像是在‘聊天’，而不是在真正工作。”少卿说。
在他看来，人类本质上是视觉型动物，大部分信息都是通过界面来理解和处理的。如果用户看不到文件是如何被组织、浏览器是如何被操作、任务在什么阶段执行，就很难真正参与和管理整个流程。
其次，当任务变得复杂时，用户很难在中途介入、调整甚至终止流程，从而限制了Agent在复杂工作流中的应用。
基于这样的观察，Floatboat.ai在设计产品时选择了另一条路径：把Agent直接放进用户的工作环境里。
Floatboat.ai
在少卿的设想中，Agent不应该只是一个聊天机器人，而更像是一套可以直接嵌入电脑的软件。用户可以在同一个界面里查看文件、浏览网页、编辑内容，而Agent则在同一环境中协助处理任务，而不是通过聊天窗口来回传递文件。
最后，安全问题也是团队重点考虑的部分。与OpenClaw完全开放权限的设计不同，Floatboat.ai在权限管理上采用了更细致的授权机制：高风险操作默认被限制，只有用户明确授权后，Agent才能访问相关数据或执行操作。
正因为OpenClaw仍然存在各种“翻车”时刻，围绕它的一整套“平替龙虾”生态也在迅速生长。越来越多类似Floatboat.ai的开发者开始尝试降低部署门槛：有的把复杂的本地部署封装成“一键安装”，有的直接提供云端托管服务，用户甚至无需配置模型和服务器，就能在电脑或手机上调用Agent能力。KimiClaw、MaxClaw、ArkClaw等产品相继出现，本质上都是在解决同一个问题——如何把原本属于极客的工具，变成普通人也能用得起来的软件。
04、结语
无论是将OpenClaw作为生产力工具的投资人，还是试图把这种能力产品化的创业者，他们给出的判断其实相当一致：这只“龙虾”确实展示了AI Agent的潜力，但距离成熟工具仍有一段距离。
与此同时，安全问题也开始被越来越多用户重视。工信部网络安全威胁和漏洞信息共享平台（NVDB）监测发现，在默认或不当配置下，OpenClaw可能存在指令诱导、信息泄露和系统受控等风险。
一些安全机构也披露，部分部署实例存在远程代码执行漏洞，这意味着一旦配置不当，攻击者可能获取系统控制权。对于需要获取系统深度权限的AI Agent来说，信任边界始终是绕不开的话题。
从更长的时间尺度看，这场“养龙虾”热潮也释放出一个清晰信号：AI开始从“回答问题”，走向“直接做事”。开源社区、云厂商与创业团队几乎同时涌入这一赛道，本身就说明了Agent技术的吸引力。
但目前来看，OpenClaw能发挥多大价值，很大程度上取决于使用者本身。所以，不必神化OpenClaw，也不必因技术变化过早焦虑。让子弹先飞一会，未尝不是好事。
