你的工资能“养龙虾”吗 AI助手的成本与价值(3)

第四类是模型厂商托管产品。比如Kimi推出了Kimi Claw，MiniMax推出了MaxClaw，这些是厂商基于OpenClaw封装的云端服务。部署门槛最低，几乎开箱即用，但用户用的实际上是厂商的基础设施，而不是完整的本地龙虾。这些产品降低了入门门槛，但能力上限和数据自主性都受到限制。

虽然拥有了“虾”，但“虾”的体验千差万别，跑在什么硬件上、它能看到多少上下文、拿到多大权限、有没有隔离层等都会影响体验。

OpenClaw之所以让人兴奋，核心原因是它不只“说”，还能“做”。它可以操作你的浏览器、读写文件、执行终端命令、管理日历、发送邮件。这种执行力的前提是你得把权限交出去。但权限是一把双刃剑。Summer Yue在Meta超级智能团队负责AI对齐，她在社交媒体分享了一次惊险经历：她给龙虾的指令很简单，“检查收件箱，建议哪些邮件可以归档或删除”。结果龙虾直接开始批量删除邮件，设置的安全限制完全没有生效，直到她物理关机才把它停下来。

这不是孤例。安全机构STRIKE的公开研究显示，已有超过4万个OpenClaw实例暴露于公网，其中63%存在可被利用的漏洞，超过1.2万个实例被标记为可远程控制。2月份爆发的ClawHavoc供应链投毒事件，1184个恶意技能被植入ClawHub市场，影响超过13.5万台设备。安全研究机构还披露了一个名为ClawJacked的高危漏洞，恶意网站可以通过浏览器会话悄无声息地控制本地运行的OpenClaw实例。

Google、Anthropic、Meta等公司已经开始在内部封禁OpenClaw。这不是因为技术本身有问题，而是当前的安全防护机制远没有跟上它的能力扩张。所以，当你看到某个教程鼓励你“给龙虾开放所有权限”时，请三思。更稳妥的做法是：用一台没有重要数据的备用设备或Docker容器运行它，逐步开放权限，同时在模型API端设置硬性消费上限。

很多人兴冲冲地装好龙虾，交代了一个任务，结果龙虾openclaw docker 教程要么卡住了，要么做出一堆匪夷所思的操作。于是得出结论：这东西不行。但实际上，龙虾的智能很大程度取决于它背后接的大语言模型。OpenClaw本身不内置任何模型，它是一个框架，负责任务拆解、工具调用、记忆管理和反馈循环。真正“思考”的部分，是你选择接入的Claude、GPT、DeepSeek、Kimi还是本地的开源模型。

这里有两个关键变量。第一是模型的能力上限。用顶级模型时，龙虾能理解复杂指令、自主规划多步任务、处理异常情况。换成便宜的小模型，它可能连基本的工具调用都完成不了。第二是模型的成本。这是很多人没有预料到的隐性支出。龙虾每执行一个任务，都要消耗大量token来和后端模型交互。OpenClaw的成本并不在软件本身，而在背后的模型调用；一旦任务链拉长、工具调用增多、记忆开启，token消耗会迅速抬升。

比如，一次完整的日历整理加邮件回复可能消耗上万token；如果启用长期记忆、多Agent协作和定时巡检，单日消耗甚至轻松突破十万token。有媒体报道，月薪两万的用户感叹“养不起AI员工”，极端案例下6小时账单超过千元。如果贪便宜选了免费或低价模型，体验必然打折；如果选了昂贵模型又不加消费上限，账单可能会让你心跳加速。

所以，龙虾好不好用，首先取决于你给它配了什么“大脑”，以及你愿意后续为这只“虾”持续氪金多少，把问题归咎于框架本身，是不太客观的。

龙虾还不是成熟产品。OpenClaw从2025年11月的一个周末实验到现在，满打满算不到四个月。它是一个迭代飞快但仍然粗糙的开源项目，距离真正的“产品”还有明显差距。目前已知的主要缺陷包括：简单任务有时被过度复杂化处理；任务执行过程中可能莫名中断；记忆功能不够稳定，有时候它会“忘记”之前的对话和偏好；token消耗和实际产出之间的效率比还有很大优化空间；在安全性方面，ClawHub上数千个技能中有上百个被发现包含恶意代码。

更根本的问题是，OpenClaw目前的安装和配置对普通人来说仍然是一道墙。对于自部署用户，仍需处理仓库拉取、运行环境、依赖安装、模型密钥和渠道接入等步骤，对开发者来说这也许只需半小时，但对非技术用户来说，可能花几天也搞不定。即便用了云厂商的一键部署方案，后续的模型配置、IM渠道打通、技能安装仍然需要不少折腾。闲鱼上500块一次的安装服务能火起来，本身就说明了门槛问题有多严重。

Peter自己也很清楚这一点。他在播客中强调，“龙虾不是装上就好用的，你需要像带实习生一样‘养’它，给它写skill文档，不断通过对话让它了解你的习惯和偏好”。这个养成过程本身就需要投入大量时间和认知资源。

那么，到底要不要装龙虾？排除猎奇和FOMO心理之后，做这个决定需要考虑几个实际因素。你有没有明确的、高频的、可自动化的任务？龙虾的价值不在于偶尔帮你查个天气，而在于每天自动帮你整理邮件、监控特定信息源、定时生成报告这种重复性工作。如果你的日常工作大部分是创意决策、人际沟通这类龙虾目前帮不上忙的事，那它对你的实际价值有限。

你愿意投入多少时间和金钱？硬件成本（自购设备或云服务器租金）、模型API调用费用、前期配置时间、持续的“养成”投入，这些成本加在一起不是小数目。有人算过一笔账：如果你用Mac Mini加顶级模型高频使用，月均成本最低要在人民币几百到上千元。真的要养虾，一定要评估这个成本相对于它给你节省的时间和精力，是否划算。

技术能力和风险承受度如何？如果完全没有命令行经验，现阶段直接上手OpenClaw本地部署的挫折感会很强。更务实的选择可能是先试试Kimi Claw或MaxClaw这类封装产品，感受一下Agent的基本能力，再决定要不要深入折腾。如果你决定本地部署，务必做好安全隔离，建议用独立设备或Docker容器，设API消费上限，不要把它部署在存有重要数据的主力电脑上。

最容易被忽视的一点是自己的“驾驶能力”。AI的能力只是放大器，人的能力才是决定因素，AI只能是“副驾驶”。同样一只龙虾，在一个懂得如何拆解任务、编写skill、设计反馈循环的人手里，和一个只会丢一句模糊指令的人手里，得到的效果可能相差十倍。

OpenClaw确实验证了一种让人兴奋的可能性：AI不再只是一个聊天窗口，而是真正能替你干活的执行者。但它目前更像是一个充满潜力的原型，并不是一个普通人可以无脑上手的成熟工具。毕竟，龙虾之父Peter自己说过一句大实话：如果你不懂命令行，这个项目对你来说风险太大。这句话值得所有正在犹豫要不要装龙虾的人仔细品味。

不过，作为一个非技术背景的普通人，轻量体验并摸清楚它的特点，是很有必要的。毕竟，机会仅仅留给最有洞察力和最勤于思考的人。在一片喧闹之中保持冷静独立思考，才是每个独一无二的人类最独特的优势。