夜雨聆风你以为养了只会干活的宠物，其实请了个会烧钱的主子。
朋友圈最近有个奇怪的现象：
"我的小龙虾今天帮我写了个PPT！"
"小龙虾帮我读了50篇论文！"
"小龙虾给我整理了整个项目方案！"
仿佛一夜之间，全民都在养小龙虾。
OpenClaw 确实像一片新大陆——能帮你读文件、写代码、跑命令、操作浏览器、发消息……甚至还能帮你养更多小龙虾。
但几天下来，不少人开始发现不对劲了：
"感觉跟豆包聊天能解决的事，小龙虾也没快多少啊？"
"token 烧得比我工资涨得还快。"
"一顿操作猛如虎，一看账单心里苦。"
问题出在哪？
不是小龙虾不行，是你打开的方式不对。
一、你可能正在"把跑车当三轮车开"
先说个热梗：
有人买了台顶级游戏电脑，结果只用来斗地主。
换到 AI Agent 这里，更离谱：
有人装了个能自己动手干活的 AI，结果只用来陪它聊天。
这就是问题的本质——你把 Agent 当 ChatBot 用了。
ChatBot 的逻辑：
你问 → 它答 → 你再问 → 它再答
Agent 的逻辑：
你给目标 → 它自己想办法 → 它自己动手 → 它给你结果
很多人用 OpenClaw 的方式是：
• "小龙虾，帮我看看这个文件"
• "小龙虾，帮我总结一下这个链接"
• "小龙虾，你觉得这个方案怎么样"
这些事，豆包也能干，还不用花那么多 token。
那 OpenClaw 的正确打开方式是什么？
二、从"聊"到"让"：三个思维转换
① 别问"怎么想"，要说"要什么"
❌ 错误示范
"小龙虾，我想整理一下我的笔记，你觉得我该怎么做？"
✅ 正确示范
"把 ~/notes 目录下所有 markdown 文件整理成 topics 目录结构，按标签分组，并生成一个索引页。"
前一种是 ChatBot 用法，后一种是 Agent 用法。Agent 的价值在于它能自己动手，而不是跟你讨论怎么动手。
② 别要"建议"，要"交付"
❌ 错误示范
"帮我分析一下这个竞品的优劣势"
✅ 正确示范
"分析这三个竞品的官网，对比它们的功能、定价、用户评价，输出一个 markdown 表格，保存到「竞品分析.md」。"
前者给你一堆观点，后者给你一个交付物。token 消耗可能差不多，但你得到的可行动的结果完全不同。
③ 别做"中间商"，让它"直连"
❌ 错误示范
你：复制网页内容 → 粘贴给小龙虾 → 小龙虾总结 → 你复制到文档
✅ 正确示范
"打开这个网页，总结核心观点，保存到我的笔记目录，并标注来源链接。"
让 Agent 自己去读、自己处理、自己保存。你只负责发号施令和验收成果。
三、为什么小龙虾更"能吃"？
在说怎么省 token 之前，先搞清楚一个问题：
为什么 OpenClaw 比 ChatBot 更消耗 token？
原因 1：它要"加载装备"
每次你发一条消息，Agent 不只是在"读"你的话。它还要：
• 读取系统提示词（告诉它自己是谁）
• 加载可用工具列表（它能用什么技能）
• 读取你的背景文件（USER.md、MEMORY.md 等）
• 加载当前项目的上下文
就像你每次出门，都要把整个工具箱带上。这是"固定成本"——不管你问什么，它都得先加载这些。
原因 2：它会"自己探索"
ChatBot 只回答你问的问题。Agent 不一样，它会自己"到处看"：
你说"帮我看看这个项目"，它可能会：
1. 先列出所有文件
2. 读 package.json 看依赖
3. 读 README 了解项目
4. 随机翻几个源文件
5. 尝试运行几个命令
6. …… 20 步之后才给你答案
这些"探索"每一步都消耗 token。问题在于：你在为它的"试错"买单。
原因 3：它有"记忆包袱"
Agent 会记住之前的对话，这是它的优点，也是成本来源。聊得越久，上下文越长，token 消耗越大。就像你跟一个人聊天，每说一句话，它都要把之前所有的对话再"复习"一遍。
原因 4：来回对话，成本翻倍
"帮我写个报告"
"什么样的报告？"
"工作周报"
"哪个项目的？"
"XX 项目的"
"格式有要求吗？"
……
每一轮"确认"，都是 token 在燃烧。
四、怎么让小龙虾"吃得少，干得多"？
理解了为什么消耗，就知道怎么优化了。
心法 1：减少它的"探索"——一次说清楚
❌ 模糊指令
"帮我看看这个项目有什么问题"
Agent 会自己到处探索，消耗大量 token。
✅ 明确路径
"这个项目的问题排查：
1. 先读 README.md 和 package.json 了解项目
2. 再检查 src/ 目录下的 TypeScript 文件
3. 运行 npm run lint 看有没有报错
4. 输出问题清单，按严重程度排序"
给路径，不给悬念。减少探索，就是省钱。
心法 2：减少来回确认——一次性给齐要求
❌ 挤牙膏
"帮我写个函数"
"什么函数？"
"排序的"
……
✅ 一次说清
"写一个 TypeScript 函数：
• 功能：数字数组升序排序
• 输入：number[]
• 输出：number[]
• 要求：不改变原数组，返回新数组"
你省的是 token，它省的是理解成本。
心法 3：让它"自己读"，别"你说给它听"
❌ 你说给它听（你付费）
"这个项目是 React 项目，用的 TypeScript，状态管理是 Zustand，路由是 React Router，UI 库是 Ant Design..."
✅ 让它自己读（它自己找）
"先读 package.json 了解技术栈，然后帮我..."
你说的话要消耗 token，让它自己读文件——免费。
心法 4：建立"背景档案"，避免重复介绍
"我之前不是跟你说过吗..."
每次重复说明，都是 token 浪费。OpenClaw 有个机制：启动时自动读取你的背景文件。
workspace/
├── USER.md # 你是谁、你习惯什么
├── MEMORY.md # 长期记忆、重要决策
├── TOOLS.md # 环境信息、工具配置
└── README.md # 项目背景
一次配置，永久生效。不需要每次重复。
心法 5：分清"想问题"和"干活"
想问题 → 用 ChatBot（便宜）
• "给我一些产品命名的创意"
• "这个方案有什么优缺点"
• "帮我头脑风暴一下"
干活 → 用 Agent（值回票价）
• "把这些命名创意整理成表格，保存到文件"
• "按这个方案写代码实现"
• "把头脑风暴的结果整理成可执行的任务清单"
Agent 的优势是执行，不是思考。用 ChatBot 想，用 Agent 干，两者配合，才是最优解。
五、一个真实的对比
场景：整理 50 篇笔记
用 ChatBot 的方式（你当中间商）
1. 你打开第一篇笔记2. 复制内容3. 粘贴给 ChatBot4. ChatBot 总结5. 你复制总结6. 粘贴到新文件7. 重复 50 次……
token 消耗：中等你的工作量：巨大总时间：2 小时+
用 Agent 的方式（让它直连）
"读取 notes/ 目录下所有 md 文件，按主题分类，每个类别生成一个汇总文件，最后创建一个总索引页。"
token 消耗：可能更多（但这是一次性的）你的工作量：说一句话总时间：5 分钟
Agent 消耗的 token 可能更多，但你的时间成本几乎为零。
token 是钱，时间也是钱。算总账，Agent 更划算。
六、小龙虾的正确食谱 🦞
✅ 适合喂给小龙虾的任务
批量操作"重命名 100 个文件，按日期+项目命名"人工做要 1 小时，Agent 做要 5 分钟
跨工具协作"从飞书读任务 → 完成后发通知到 Discord"需要操作多个工具，Agent 的强项
文件处理"把这 50 个 PDF 的关键信息提取出来"需要读文件 + 处理 + 输出
定时任务"每天早上汇总昨天的日志，发给我"一次配置，长期自动化
代码重构"把这些 class 组件改成函数式组件"需要读代码 + 改代码 + 验证
❌ 不太适合的任务
纯聊天 → 浪费 Agent 的执行能力 → 用豆包/ChatGPT
简单问答 → 杀鸡用牛刀 → 直接搜索
纯创意脑暴 → 不需要工具能力 → 用 ChatBot
单文件简单处理 → 人工更快 → 自己动手
写在最后
OpenClaw 不是更好的聊天机器人，是能自己干活的 AI。
把它当 ChatBot 用，你得到的是一个会烧钱的聊天搭子。把它当 Agent 用，你得到的是一个 24 小时待命的数字员工。
不是让你少用，是让你用对地方。
下次喂小龙虾之前，先问自己三个问题：
① 这件事需要它"动手"吗？→ 不需要就用 ChatBot
② 我能一次说清楚吗？→ 能说清就别让它猜
③ 这件事重复吗？→ 重复的任务交给定时任务
想清楚了，再开喂。🦞
极思社
用思维模型驾驭 AI，而不是被 AI 带着走
关注我们，每周解锁一个思维方式