Openclaw实战 | 养龙虾,到底在养什么?

上一篇文章Openclaw实战 | Agent拐点：新物种正在诞生发出之后，很多人问我：你说的一个月20亿Token到底是怎么烧掉的？你到底是怎么"养龙虾"的？

今天聊聊这个。

因为我发现，大多数人装完龙虾之后，都会卡在同一个地方：不知道该跟它说什么。

这其实很正常。今天的大模型，本质上是人类历史上第一个“几乎什么都懂”的超级大脑。它接触过海量的书籍、论文、代码、对话，在很多需要知识调用、逻辑分析和模式归纳的任务上，已经超过大多数人。

但它再强，也有一个根本的问题：它不认识你。 它不知道你的业务是什么，不知道你的标准是什么，不知道你喜欢什么风格，所以只能给你一个通用的80分。

很多人还停留在"问一句，答一句；用完就走；下次再来，又从头开始"。

这有点像我们终于拥有了哆啦A梦，它有任意门、时光机、缩小灯，理论上什么都能帮你做。结果却只让它掏个竹蜻蜓，然后说一句："也不过如此。"

问题不在它不够强。问题在于，你还没有把它养起来。

全网都在说要养龙虾。但大家对"养"的理解其实很模糊——知道要养，却不知道到底在养什么；更不知道，为什么要这么养。

这篇文章，我想分享一下我的经验和思考，我把这件事总结成了六层。它们回答的不是"怎么用一下OpenClaw"，而是：怎么把一个通用模型，养成一个越来越懂你、越来越会做事、还能持续进化的系统。

而那20亿 Token，真正烧掉的地方，也基本都在这六层里。

大多数人装完龙虾，第一件事就是扔任务过去。但你想一下：一个人第一天入职，你不告诉他他是什么角色、负责什么、边界在哪，直接甩一堆活过去，他大概率是干不好的。

龙虾也一样。它的问题从来不是"什么都不会"，而恰恰是"什么都能做"。而"什么都能做"，很多时候反而意味着：什么都会掺和一点，但什么都做不到位。一个没有身份的 AI，很像一个没有岗位的员工——它会努力，但会发散；会积极，但会越界；会做很多动作，但不一定做在点上。

所以我做的第一件事，不是给任务，而是先定义它。

我会定期更新三份核心文档。SOUL.md 是"灵魂文档"，定义它是谁——角色、性格、看待问题的方式。AGENTS.md 是"行为手册"，定义它怎么工作——职责边界、处理规则、协作原则。IDENTITY.md 是“对外身份”——定义它的名字、气质和对外辨识度。

这三份文档不是我坐下来一次写完的。它们是在真实协作中一点点长出来的。它哪次越界了，我就补边界；哪次理解偏了，我就调定位；哪次动作不对，我就改规则。所以这不是三份"文档"，而更像三套不断迭代的系统。

有人觉得给 AI 设身份是在限制它。其实恰恰相反。身份不是束缚，而是聚焦。 当它知道自己是谁，它才不会什么都想做；当它知道自己该做什么，它才能在自己的位置上真正做深、做透、做出味道。

人需要身份感，AI 也一样。

大模型知道很多事情，但它不知道你是谁。不知道你的审美，不知道你的工作方式，不知道你的表达习惯，不知道你的交付标准。

问题是，我们自己也未必说得清。

你试过给一个新同事解释"我想要什么风格"吗？很难。因为很多偏好是隐性的，可能我们自己都没意识到，直到看到一个不对的东西，才知道"不是这个"。

龙虾养到一定阶段，会推着你做一件多数人一辈子都不会做的事：把自己说明白。

我在一开始就给龙虾准备了一份我的“个人说明书”，它更新到了 USER.md里。它不是简历，也不是简单的人设介绍，更像是"我这个人的使用手册"。里面会写我的职业背景、工作习惯、沟通偏好、审美取向、决策方式、雷区、今年的目标等。

跟前面的 SOUL.md 一样，这份文档也不是一成不变的，会在每次协作中持续生长。

比如一开始，它经常把所有过程都事无巨细地告诉我。后来我明确告诉它：我更希望结果导向、简单直接，不要把流水账全列出来，这条偏好就被记下来了。再比如，有时候它给出的方案信息很全，但我还是会觉得不对。后来慢慢发现，我要的往往不是"更多信息"，而是"先帮我做判断，再给我结论"。

一个多月下来，我发现这份说明书与其说是写给AI的，不如说是写给我自己的。我纠正它的每一次，其实都是在把那个模糊的自己，一点点说清楚——原来我在乎的是这个，原来我的标准是那个。

你以为你在教它认识你，其实你也在重新认识自己。

这可能也是"养龙虾"最意外、也最有价值的收获之一。

大模型的通用能力，很多时候已经能做到80分。但你之所以是你，不是因为你也能做到80分——是因为你在某些地方能做到95分。

那个超出80分的部分是什么？是你花了十年二十年积累的判断力、直觉和审美。是你看到一个方案，不需要分析就知道"这个不对"的那种穿透力。是你对"好"的定义，对"够了"的标准。这些东西，才是你独特的部分，也是最难复制的。

这些东西，AI没有。全世界也没有第二个人有。

但更常见的用法是：扔一个任务过去，拿到80分的结果，觉得"也就这样"，然后得出结论"AI不行"。

真正会养的人不是这么用的。他们不会直接用，也不会直接扔，而是会继续喂：这里不对，为什么不对；这里还可以更好，应该往哪边调；这个结构没问题，但味道不对；三五次之后，东西就开始变了。AI给出来的结果，不再只是一个通用答案，而是开始逐渐带上你的判断、你的标准、你的味道。

举个例子，我让龙虾帮我每天做一份AI行业日报。它第一版交回来，信息量很大——十几条新闻排得整整齐齐，但我一看就觉得不对——它在帮我搬运新闻，不是在帮我筛选信息。 我花了一些时间告诉它：哪些信息源是我真正看重的，哪些只是噪音；我要的不是"今天发生了什么"，而是"这件事意味着什么"。调了一两天，这份简报从"AI新闻聚合"变成了"AI决策参考"。龙虾学会的不是怎么搜新闻，而是我觉得什么信息是有价值的——这是我在AI行业多年练出来的，现在它也有了。

但说实话：AI复制的，不是你的判断力本身，而是你判断力的投影——你能说清楚的那部分。

"这类信息优先级更高"、"结论要放在前面"——这些它学得很快，执行得比大多数人稳定。但你看到一个东西，直觉告诉你"不对"，自己却说不清为什么——这个它学不会。你自己都还没显性化的东西，没有人能学，AI也不行。

所以这一层做的事情不是"完全复制你"，而是把你能表达的部分先接住。已经想清楚的判断标准、已经成型的偏好，交给它稳定执行。而你真正不可替代的——还没成型的直觉、正在进化的审美——依然只在你自己身上。

它接住了你能说清的80%，你就有更多精力去打磨那说不清的20%。

而一个能把经验系统化、能让AI替自己稳定输出80分的人，不管对自己还是对团队，都只会越来越值钱。

你最独特的那部分，不是被复制走了，而是第一次被你自己规模化放大了。

这才是"养"的核心之一。

如果你在社区里看过别人怎么养龙虾，会发现讨论最多的就是这一层——装什么 Skill、怎么配、哪个好用。这很正常，因为 Skill 的效果是最直观的：装之前它不会，装之后它会了，立竿见影。

Skill 是什么？不只是一个工具的接口，它是一套完整的能力单元：工具本身、使用方法、场景判断、协作逻辑，全部打包在一起。就像你招一个有经验的人，他不只是会用锤子，他知道什么时候该用锤子、什么时候该换螺丝刀、遇到问题先找谁。

你装一个搜索 Skill，龙虾就能帮你搜全网；装一个监控 Skill，它就能帮你盯竞品动态；装一个发布 Skill，它就能直接帮你把内容推到各个平台。别人已经把路蹚过一遍了，你拿来用就行。

更重要的是，Skill 不只是让它"能做事"，还让它"能学习"。装上搜索能力之后，龙虾可以主动去全网找别人养龙虾的方法、业务相关最佳实践、行业最新的趋势。它不再是一个只能等你喂信息的封闭系统，而是一个能自己去外面找养分的开放系统。

不过在我自己的实践里，我发现 Skill 发挥得好不好，很大程度上取决于前面三层的大脑和灵魂有没有养好。同样一个搜索 Skill，一个不认识你的龙虾和一个已经懂你判断标准的龙虾，搜出来的东西、筛选的方式、呈现的结果，完全不一样。

所以不用急着一次搭一个完美系统。先把前面三层跑起来，然后从最高频的场景切入，一个 Skill 一个 Skill 地加，它的能力边界就一点一点往外扩。跑通一个再加下一个。大脑加上手脚，再加上连接世界的学习能力，想象力才变成生产力。

很多人用 AI，做错了就骂一句"真笨"，然后自己改掉。结果下次，它还犯同样的错。为什么？因为这次教训，没有被留下来。

人会成长，是因为人有记忆，而且记忆是分层的：你记得今天午饭吃了什么（短期记忆），记得去年那次搞砸的项目（情景记忆），也记得"永远不要在周五下午发布上线"这种血泪教训（长期规则）。不同层次的记忆，保留时间不同，重要性不同，调用方式也不同。

所以我给龙虾也设计了一套类似的记忆和进化机制。

首先是分层记忆：最表层是工作记忆——它当前在关注什么；紧接着是情景记忆——每天发生了什么；再往下是纠正记忆——每次犯错和被纠正的记录；继续沉淀，会形成语义记忆——知识、偏好和模式；最底层，才是程序记忆——反复验证后固化下来的行为规则。

真正跑久之后你会发现，光靠聊天记录是不够的。聊天会被冲淡、被压缩、被覆盖；真正能留下来的，必须被明确写进系统里。所以短期的坑要放进每日记录，稳定下来的偏好和规则，再慢慢沉进长期记忆。从短期到长期，从具体到抽象，层层沉淀。

然后是进化规则，我跑的是双轨机制：一条快、一条慢。

快轨很简单——有些事情，我一说就让它记住。比如"记下来所有日报先发结论再展开"、"这类任务以后都直接做"，这种明确的指令，不需要等验证，直接写进行为手册，立即生效。

慢轨是自然生长。一个问题第一次出现，它先记下来，标记"观察中"；同样的问题出现三次，说明不是偶然，自动升级为永久规则；长期不再触发的规则，定期复核、过时归档。规则也有生命周期，不是写了就永远不变。

快轨保证效率——想清楚的事不用重复三遍；慢轨保证质量——没想清楚的事不会草率固化。

另一方面，当它有什么结果特别好的时候，我也会给它表扬记下来，标记为"正面模式"。

龙虾不只从错误中学，也从表扬中学。纠正是在告诉它边界，表扬是在告诉它方向。两条线一起拉，它才知道往哪走。

更进一步，当一套流程被反复验证、跑通了，它也可以继续沉淀成新的 Skill。不是别人给的，而是你和龙虾在实战里一起长出来的。如果说第四层是站在别人的肩膀上，那么这一层，就是开始造自己的肩膀。

前面五层，讲的还是你和一只龙虾的关系。但当你手上不止一只龙虾，而是好几只，各自负责不同的事情——有人做内容，有人做分析，有人做技术，有人做统筹——问题就变了。这时候你面对的，不再只是"怎么用 AI"，而是"怎么建一个组织"。

而组织管理的核心问题，几千年来都没变过：你怎么确保替你做事的人，按你的意图去做，而不是跑偏。 人类靠制度、文化、流程、分工、监督、权限，慢慢解决这个问题。AI 组织也是一样。

分工怎么拆？信息怎么流转？谁负责执行？谁负责判断？谁能直接行动？谁必须先确认？什么事情可以自动化处理，什么事情一定要人拍板？这些问题，本质上都不是"AI 问题"，而是"组织问题"。

我在搭建 Agent 团队时，也会借鉴公司里的分工方式。会有一个负责统筹的总管 Agent，下面再分内容、产品、技术、运营等不同角色。它们之间不是各干各的，而是会有协作、通信、信息共享和任务流转。

真正跑顺之后，你会很明显地感受到：这已经不是在"用一个工具"，而是在"管理一个系统"。很多具体工作，会被Agent自动往前推进。而你不再需要事事亲自下场，更多是在关键节点做判断、做校准、做授权。

如果说个人养龙虾，养的是"个人经验和判断力的复制"，那么企业养龙虾，更进一步养的是：组织能力的复制。

一个组织最贵的东西，很多时候不是流程图，不是 SOP，不是挂在墙上的价值观，而是那些老员工脑子里"很难写清楚、但就是知道该怎么做"的东西。过去，这些隐性知识很难留下来。人一走，经验就断层；新人成长，往往只能靠师傅带、靠时间磨。

而现在，这些东西第一次有机会在真实业务里被持续沉淀下来。不是沉淀成一份没人看的 wiki，而是沉淀成一个真的会做事、会判断、会协作的系统。

这可能才是 AI 对组织更深的一层影响：不只是降本增效，而是让组织能力第一次可以脱离个人，被持续复制和放大。

聊到这里，可能有人会问：把这么多经验、偏好、判断标准都喂给AI，安全吗？

这个问题值得认真对待。我的做法是：敏感信息脱敏处理，核心数据不上云，权限分级管控——哪些事它可以自己做，哪些必须我确认，边界划清楚。就像你不会给新入职的员工公司银行账户的全部权限一样，AI也需要一套权限体系。

养龙虾的前提是信任，而信任的前提是可控。

回到开头的问题：20亿 Token，到底花在哪了？

花在了上面这六层的每一层里。定义身份、磨合认知、复制判断力、装配能力、积累经验、搭建组织——每一层都是Token在燃烧。

养久了你自然会开始在意：哪些地方在复利，哪些地方只是空转；哪些上下文值得长期保留，哪些该果断压缩。这种对成本的管理，本身也是"养"出来的——你不会在第一天就知道钱该花在哪，但养了一段时间之后，你会越来越清楚。

这些Token也不是单纯的消耗，而是投资。因为它们在一次次协作里，沉淀成了记忆、规则、习惯、Skill、默契，以及越来越像你的工作方式。

所以某种意义上，“养龙虾”养的不是一个工具，养的是一套系统。更进一步来说：

养龙虾，本质上也是在养一段关系，一段会成长的关系。

这段关系里，有它的成长——从一个不认识你的通用模型，慢慢变成一个懂你、能替你想、能帮你干活的搭档。也有你的成长——在定义它、纠正它、教它的过程中，你重新认识了自己，把自己最独特的部分第一次显性化了。还有你们之间的互动——每一次协作，每一次反馈，每一次默契的形成，都在让这段关系变得更稳、更深、更有复利。

它在成为更好的AI，你在成为更好的你。

这或许是人与 AI 共生最美好的样子。你最终养出来的，不只是一个更会干活的龙虾，而是一个越来越懂你、越来越像你、又能和你一起成长的系统。