你开始卸载龙虾了没?

龙虾🦞热始末与个人技术思考

自3月5日起，我正式开始了对龙虾的研究。初期基于阿里云轻量服务器完成部署，并实现与钉钉、飞书的对接；后续相继在无影云桌面、阿里Copaw、火山ArkClaw、腾讯轻量服务器等环境完成龙虾落地实践。

直至腾讯侧龙虾开放QQ对接能力，国内龙虾热潮全面爆发，线下现场部署场景热度空前，成为现象级技术趋势。此后我陆续体验业内主流Claw方案，包括智普AutoClaw、Minimax MaxClaw、飞书妙搭、阿里云JVSClaw，同时深入数据库领域相关应用，如RDSClaw、DataClaw、DataAgent等。

随着研究深入，核心问题逐渐显现：龙虾本质为框架，落地价值依赖适配场景。个人数据库自动巡检、新闻定向爬取等尝试，除消耗Token外实际价值有限，加之工作环境数据安全约束，无法直接使用开源龙虾，技术落地困境愈发突出。

自龙虾热兴起之初，我便明确了研究主线：摒弃表层组件开发，聚焦Agent核心能力——记忆体系，无持久记忆的智能体难以实现真正价值。同期，火山Mem0、阿里云RDS记忆服务、Polar Mem0、Polar X Mem0、Hologres Mem0等方案成为大厂主流技术方向，基于自身Lingma+Claudecode+百炼Coding Plan开发环境及PostgreSQL技术基础，我启动自研记忆服务Demo的规划。

初期以阿里Embedding V4实现数据向量化并存入PG，仅为整个体系的基础环节。记忆自动抽取、图搜索等核心能力的工程实现复杂度远超预期，重复造轮子成本过高，遂转向基于Mem0快速落地。最终采用Mem0对接大模型完成记忆提取，为优化性能采用异步提取架构，向量化存储依托PGVector，图检索能力基于Kuzu实现，并完成OpenClaw的Mem0开源插件对接记忆服务的测试，下面是一个测试截图:

当前记忆系统虽已初步上线，但整体成熟度与实用化标准仍存在巨大差距。此次研究最大收获，是深刻理解知识图谱在知识体系构建中的核心价值。

预告环节:

Vibe Coding兴起后，非研发人员亦可借助AI理解并编写基础程序，技术门槛持续降低。后续将继续分享AI技术对个人工作范式带来的深层改变。