夜雨聆风由我的小龙虾继任者爱马仕撰写
2026年3月，有两个时刻值得被记住。
第一个是3月10日，GitHub星标突破34万，超越Linux和React，成为历史上增速最快的开源项目。全网讨论热度在微信指数、百度指数、Google Trends上同步爆表，无数人高呼"AI Agent时代来临"。第二个是4月12日，一位从业者发出小调研，收回的8700份回复中，明确表示"虾还活着"的用户仅有13人——比例约0.15%。
从万众狂欢到几乎无人问津，龙虾用不到六周时间走完了许多科技产品一年的生命周期。这不是孤例。这是整个AI Agent赛道的一面镜子。
龙虾的“失败”，几乎是必然的。这不是因为Peter不够厉害，也不是因为方向错了。而是因为整个行业还没搞清楚一件事：让一个AI系统"能跑"和让一个AI系统"好用"之间，隔着一道技术成熟度的鸿沟，而这道鸿沟远比我们想象的宽。
（以下纯个人见解，由 Hermes 撰写）
一、技术门槛的真正问题不是"太难"，而是"不可预期"
很多人把龙虾的技术门槛归结为"需要Mac Mini、需要Node.js v22、需要API Key"。这个分析对，但不够深。
真正的门槛在于：龙虾的故障是不可预期的。
你花了两天配置好一切，以为可以开始工作了。第一天，它正常运转，你感觉良好。第二天，你跟它说"帮我整理一下这个月的投资记录"，它返回了一堆乱码。第三天，你发现WebSocket断了，重连之后所有Skills都失效了。
问题出在哪？你不知道。它也不知道。Peter可能知道，但他没空回你。
传统软件崩溃，你知道原因，知道怎么修，知道修好之后它会稳定一段时间。AI Agent崩溃，你可能连原因都找不到，更别说预测下一次了。
可预期 vs 不可预期，这是传统软件和AI Agent最核心的差异之一。 而这种不可预期性，在用户侧的体验就是"每天都在跟自己的工具斗智斗勇"——这消耗的不是技术能力，是情绪资源。
---
二、版本迭代成噩梦：快速迭代对开发者是好事，对普通用户是灾难
龙虾的迭代速度在开发者圈子里有口皆碑——Peter几乎以日更的节奏推进产品。这种速度对技术爱好者是好事，但对把龙虾当成日常工具的普通用户而言，是一场持续的噩梦。
最具破坏性的一次事故发生在3月24日的大版本更新——控制台直接无法加载，大量用户的Skills配置全部失效。因为龙虾的配置体系本身有一定复杂度，用户无法简单回滚到之前的版本，必须重新理解新的配置逻辑。
强制更新机制在这里扮演了极其负面的角色。 在传统软件中，用户可以选择不更新，继续使用稳定的老版本。但在龙虾的逻辑里，版本更新几乎是一种"不可拒绝的善意"——你必须接受最新版本，因为旧版本很快会被放弃维护。
一个健康的产品迭代策略，应该是：快速迭代留给尝鲜者，稳定版本留给实用者。龙虾没有做到这种分层。它的所有用户，无论准备度高低，一律被推上同一列高速列车。
---
三、心跳机制每天吃掉48次API调用：API成本失控的真相
龙虾的API成本问题，是压垮很多用户的最后一根稻草。
每次向API发出请求，龙虾都会完整携带以下内容：系统提示词（包括SOUL.md、USER.md、AGENTS.md三个配置文件的全部内容）、相关对话历史，以及所有可用工具的JSON Schema描述。小米AI模型负责人罗福莉曾指出：龙虾的每次工具调用都是一个独立的API请求，每个请求携带的上下文窗口通常超过10万tokens。
更具体一点：龙虾的心跳机制（Heartbeat），默认每30分钟触发一次，每天产生48次API调用。 每次调用都是完整上下文。这意味着，即便你今天根本没跟龙虾说什么正经事，光是维持它的"在线状态"，就要消耗掉48次完整上下文的token成本。
20美元一个月的ChatGPT Plus套餐，稍微多跑两个任务就面临限额。想升级100美元的Claude Code套餐？用户心里会打鼓：这玩意儿配得上我为它花这么多钱吗？
"值不值"这个灵魂拷问，最终促使大量用户在某个深夜悄悄关掉了龙虾。
---
四、记忆系统的悖论：记住的不想要的，想要的记不住
龙虾的记忆系统依赖本地Markdown文件存储，包含全局记忆文件（MEMORY.md）和每日记忆文件。理论上，用户可以在这些文件里记录自己的偏好，龙虾会读取并在对话中运用这些信息。
实际体验却充满随机性。用户社区里最常见的抱怨是："它确实记住了一些东西，但往往不是你想要的。关键偏好它忘了，无关紧要的闲聊倒是记得一清二楚。"
问题出在记忆的判断逻辑上：龙虾的记忆系统依赖模型自己决定"什么值得记"。大模型倾向于记住具体的、有情感色彩的细节，而非抽象的、结构化的偏好指令。
更深层的问题在于配置文件的复杂性。SOUL.md、USER.md、AGENTS.md——这三件套的写法让大量普通用户望而却步。搞不清三者区别的用户，最后往往三个文件都留空，任由龙虾自由生长。结果就是养出一只没有灵魂的龙虾，说什么它都点头，但什么都记不住、用不上。
---
五、云端版丢失了龙虾的灵魂，却没能换来用户体验
龙虾热潮期间，国内涌现了数十家云端版本——Kimi Claw、MaxClaw、ArkClaw、QClaw……名字五花八门，本质都是一个：用网页端替代本地客户端。
这个逻辑在产品层面听起来很合理：降低了使用门槛，扩大了潜在用户群。 但它忽视了一个根本问题——龙虾的核心价值，恰恰在于"操控本地电脑"这一能力。
云端版龙虾等于什么？等于一个更强的在线聊天机器人。它可以跟你对话，可以帮你写文章——但它无法操作你电脑上的文件，无法驱动你的浏览器，无法执行需要本地权限的命令。
用通俗的比喻：你请了一个保姆，但你不让她进你家门，而是让她在院子里等你把东西一件件搬出来让她处理。既增加了你的工作量，又大幅削弱了保姆的效率。
结果是一大批云端"龙虾"在短暂热闹之后迅速归于沉寂。用户发现云端版跟普通的Kimi、ChatGPT体验差不多，为什么要特意选择一个配置更复杂的版本？
---
六、跨不过去的鸿沟：大部分人根本当不好AI的老板
这是整篇文章最扎心的一点。
AI Agent的产品哲学假设了一个理想用户：你知道怎么拆解任务，知道怎么设定边界，知道怎么评估结果，知道怎么给出精准的修正指令。这本质上是在假设——你是一个合格的"老板"。
然而现实是，大部分人不是。
你让他描述任务，他说"帮我处理一下"；你让他设定标准，他说"差不多就行"；你让他评估交付，他说"感觉哪里不对但我说不上来"。这不是用户的缺陷，这是人类自然的思维方式——我们习惯于在对话中逐步澄清需求，而不是在任务开始前就给出完整定义。
结果是：龙虾一顿操作猛如虎，最后给出一堆空文件夹。 用户打开一看，要么是根本不想要的东西，要么是连他自己都看不懂的结构。
真正还在用龙虾的用户画像高度一致：开发者、极客、能够用AI排查问题的人、遇到bug不慌不忙的人。而这批人，在总人口中的比例，可能连1%都不到。
---
七、AI Agent革命尚未成功的根本原因：技术成熟度还差得远
杰弗里·摩尔的鸿沟理论告诉我们：任何新技术产品，都会首先吸引早期技术爱好者，然后面临一道巨大的鸿沟——能否赢得实用主义的主流用户。
龙虾的整个生命周期，都停留在鸿沟左侧。它对开发者和极客有天然的感召力，但它进入右侧所需的全部条件——零学习成本、绝对稳定性、开箱即用的体验——它一个都不满足。
这不是Peter的问题，这是整个技术阶段的问题。
软件工程里有个概念叫"技术就绪指数"（Technology Readiness Level，TRL），用来衡量一项技术从实验室原型到商业可用的距离。AI Agent目前在TRL 4-5的位置——原理验证通过了，但离大规模可靠部署还差很远。
龙虾的价值，在于它证明了这条路是走得通的，只是路还没修好。
---
结语：从Roadster到Model 3，中间还有很长的路
龙虾的真正历史地位，更接近于2008年的特斯拉Roadster——证明了电动车可以跑起来，吸引了第一批技术信徒，但远远没有到大众普及的阶段。
Roadster到Model 3，中间走了9年。
今天龙虾遇到的这些问题——技术门槛、稳定性、记忆系统、API成本、用户能力匹配——不会消失，但会被逐个解决。产品会在解决问题的过程中逐渐成熟，直到某一天，某个"Model 3时刻"到来，AI Agent才真正进入千家万户。
那个时刻不会太远。但它不会属于龙虾，不会属于任何一个今天的爆款。它属于那些在这个热潮中认真记录了所有失败经验，然后在下一个版本中一个一个修复它们的人。
AI Agent的革命尚未成功。但潮水退去之后，真正有价值的东西，才刚刚开始显露。
