夜雨聆风
先别急着觉得“大龙虾无敌”，我把真实体验讲清楚。
一开始我其实没太在意这个东西。
我本身是程序员，AI Agent 很早就接触了，平时用 ChatGPT、Gemini、Manus、Claude Code，已经完全够用。
但这波“大龙虾”火起来后，一个概念特别猛——OPC（一人公司）。
说白了就是：一个人，带一堆 AI，干一家公司干的活。
那我就试了试。
我在 Windows 上搭了原版 OpenClaw，配上飞书，直接组了一个“公司”：
1. 项目经理
2. 架构师
3. UI
4. 前端
5. 后端
6. 管家
一共 6 个 AI 员工。
流程也很简单：
我只负责下任务，其他全让他们自己干。
我给的任务也不复杂：
做一个 Web 版贪食蛇，
要有后端，能记录玩家状态、分数，还要做排行榜。
接下来是让我觉得最惊艳的地方。
我把任务丢给“项目经理”之后，它没有直接开干，而是反过来“盘我”。
一个小游戏，它问了我 20 多个问题：
规则怎么定？
是否支持多人？
排行榜怎么算？
UI风格要偏什么？
是否要做移动端适配？
问得比真人还细。
等我全部确认完，它直接给我出了一份 像样的 PRD。
然后开始自动往下走流程：
* 找架构师拆方案
* 架构师去对 UI
* UI 出设计再被审核
* 再出接口文档
* 前后端分别开干
* 最后整合测试汇报
这一整套流程，是自动跑起来的。
说实话，这一段体验——真的有点东西。
结果拉跨
但问题来了。
东西是做出来了。
但不好用。
bug 很多，而且很顽固。
我尝试让它自己修：
修一个 → 又冒出两个
再修 → 又换一批新问题
几轮下来，我直接放弃了。
不是做不出来，是 成本不值得。
再说一下大模型的真实体验。
我开始用的是 Kimi，后来换成 MiniMax。
原因很简单：MiniMax 便宜，能包月。
因为你只要开始跑这种多 Agent 协作，
token 消耗是很吓人的。
（这里不提国外模型，如果换了国外模型，龙虾会更聪明，但token也更贵，普通人也更用不起，我最开始的出发点是想摸清所有坑后，能让公司其他没有电脑基础的普通人用上，现在看门槛确实高）
折腾到最后，我反而做了一件事：
裁员
从 6 个 AI 员工，砍到 4 个。
精简之后，反而更顺了。
这也是我一个很直观的感受：
模型不够强的时候，你堆再多 Agent，其实没意义。
再说说踩坑。
真的不少。
1. 配置文件乱掉
2. agent 新增后直接报错
3. skill 装崩
4. 修 bug 修出新 bug
5. 等等等等等等等等等等等等等等等等等等等等
最离谱的一次是：
我让它修问题，它真的修好了——然后顺手把别的地方改坏了。
那一刻我人是懵的。
新的发现
不过有一点必须说：
它有个体验很惊艳。
很多操作，你不用按教程敲命令，
直接一句话： “帮我装这个 skill”
它自己就装好了。
这种感觉，第一次用是真的爽。
但也要小心：
有些操作（比如新增 agent），
用对话搞，很容易把配置搞崩。（别问，问就是踩过坑）
后来我也试了不少“国产龙虾”：
molili、QClaw、Kimi 的、阿里的……
说实话，都差点意思。
QClaw算是对普通人最友好的，
但我最后还是回到了原版 OpenClaw。
这东西，被吹高了。
对程序员来说—— 提升开发效率，还是老老实实用 Claude Code
对普通人来说—— 没你想的那么有用
但有一类人，真的适合：
1. 做内容的
2. 做信息整理的
3. 做自媒体的
这种“批量处理 + 自动流转”的场景，
它是能创造价值的。
我自己的结论很简单
AI 你必须用，
但你不能迷信它。
它现在很强，
但还没强到可以替你兜底一切。
