本地和云端我都要：“龙虾团队”养成记
故事要从我那台 128G 内存的华硕笔记本说起，AI Max+ 395。
当时我在参加一场线下分享会，坐在台下，突然冒出一个想法：能不能在本地部署一个 AI Agent，让它帮我干活？想到就做，我立刻在 WSL 上部署了一个 DeepSeek 70B 模型。虽然下载花了不少时间，但终于跑起来了。
最开始，我把它接入飞书，想做个群聊查询机器人。结果大家太兴奋了，疯狂@我的龙虾，飞书 API 额度很快就被用爆了，我被迫转战 Telegram。
为什么选 Telegram？因为它有几个很实际的优势：支持丰富的指令体系，操作起来很方便；每次对话都是一个 New Thread，只携带当前这一句话的上下文，不会把之前所有内容都丢给 AI；还可以调整 Thinking Level。Telegram 的这些特性能够大幅降低 Token 消耗，这本身也是一个值得分享的省 Token 技巧。
很多朋友问我龙虾部署在哪里好，本地和云端怎么选？说实话，我自己也犹豫了很久。本地部署的好处很明确——比如我的 128G 内存环境，响应极快，Token 无限，数据留在本地，隐私有保障。云端的吸引力则在于门槛低、成本不高，移动办公也更便捷。
最终，我的选择是两边都配了，走一个“本地为主、云端兜底”的组合路线。对于刚入门的朋友，我建议先从云端开始，最小成本体验一下，本地部署还是有一定门槛的。
龙虾在手，接下来的问题就是：用它做什么？
群里的小伙伴先提了一个需求，每天早上 9 点投递一些投资研报。跑了几天后，又追加了新要求，在文字研报的基础上，增加一个语音播客版本，两人对话的形式。现在大家已经习惯了它每天准时投递内容。
对我来说，主要工作是“打代码”——严格来说，是盯着 AI 写代码。但我的精力毕竟有限，就想着能不能有一个和我水平相当、或者至少中等水平的 Agent，让它去盯其他 Agent 写代码，这样我的效率就能大幅提升。
就这样，想让龙虾干的事情越来越多，问题也随之暴露：所有任务都挤在一个 Agent 里，不同的信息互相串扰，龙虾开始“失忆”，上下文污染严重，使用体验很差。
怎么办？这时候灵感来了——为什么不让龙虾拆分成一个团队？
就这样，我拥有了一支龙虾团队，由一个主控 Agent 和六个专业 Agent 组成。
关于这个龙虾团队，有几点想补充。
第一，给龙虾起名也是一种生产力。我的主 Agent 叫符爪术士（Clawmancer），名字有点中二，但我很喜欢，很有我自己的风格。虽然每个 Agent 都可以单独聊，但我每天和主 Agent “xiaoc”聊得最多，它就是一位非常给力的工作搭子。
第二，龙虾各有特性，有不同的 Soul。每个 Agent 都有独立的 Memory 和 Workspace，同时也有共享 Memory，通过 ACP 协议进行协作。
第三，龙虾用得好，高级模型少不了；Token 用得省，组合策略要取巧。主 Agent 我用的是 GPT 5.4，但如果全线都这么用，账单是扛不住的。怎么省 Token？我慢慢摸索了一套方案——先用 ZenMux Coding Plan，基本 100% 会打爆；这个 Coding Plan 用完，就会降级用 Kimi 的 Coding Plan，我非常喜欢 Kimi-K2.5 这个模型；在硅基流动的平台上，Kimi-K2.5 也是满血版的存在，我非常喜欢使用硅基流动。
为了有效执行这套策略，我用 Skill 做了封装，也写了不少 Python 脚本。从目前的实践来看，基本能保证不错的 ROI——Token 够用，成本也控得住。这里面的核心思路有点“给火车头加满油”的意思：主控 Agent 留更多预算，用更好的模型；Sub-Agent 则根据任务类型灵活适配不同模型。
“龙虾团队”到底能干什么？
案例 1：生成早报 + 播客
这件事主要由 Briefing Agent 负责。它能调用几个 Skill，包括 Agent Browser、Agent Reach，以及 Tavily 和 Exa 的 MCP/API 能力。这些技能组合在一起，可以对检索到的信息进行双重信源校验，确保信息真实可靠。抓完信息之后，再通过内部 Pipeline 筛选更有价值的内容，整理成一份可读的早报，最后进入播客生成环节。
每天早上，Briefing Agent 会自动完成以下流程：
1. 抓取 Hacker News、Reddit、GitHub Trends 2. 进行双重信源校验 3. 筛选高价值信息，整理成可读的早报 4. 生成播客版本，一男一女对谈式讲解
我只需要早上打开 Telegram，就能看到龙虾发来的问候和当天的科技资讯播客。
案例 2：搭建网站
有一次，我马上要开始直播了，突然想到可以让龙虾自己来做介绍。于是我对“xiaoc”说：“你能不能带着团队，做一个介绍你们自己的网站？”
它说“没问题”，然后事情就这样展开了：xiaoc 列出 Plan；Coding Agent 讨论风格，决定做复古 CRT 荧光效果；写了一首 Sonnet（十四行诗）风格的押韵诗来介绍自己；开发了贪吃蛇、打砖块、乒乓球等 4 个小游戏；最后自动部署上线。
整个过程，我只说了一句话，剩下的全是他们团队协作完成的。
那能不能做一些更有实用价值的事情？我就对“xiaoc”说：“你可不可以带领团队，做一些比较有用的工具？”
龙虾团队的执行过程也相当有章法：主 Agent 负责列 Plan，Coding Agent 调用不同的 Tools——用 Gemini 生成前端界面，Codex 进行二次校验。整个流程是一条完整的 Pipeline，包括怎么分配任务、怎么通信、怎么校验、怎么汇报，都有比较清晰的过程。
案例 3：写公众号文章
有朋友来找我吐槽，觉得龙虾出活的质量不太好。这就要说到 Skill 了——龙虾对 Skill 的依赖是很强的。
我有两个王牌 Skills，一个是微信公众号文章写作技能，一个是产品经理技能。这两个 Skill 是 Claude Code 刚推出的时候我就赶紧做了的，也发布了一个小的开源项目。虽然只有 220 个 Star，但这个写作 Skill 已经帮到了上百人，收获了不少好评。
正因为先有了这些 Skill，让龙虾直接用起来，出活的质量就比较符合我的预期。其实我一直想做微信公众号，有了小龙虾之后，这件事才真正落地执行了。
怎么才能写出好用的 Skill？
Skill 对小龙虾非常重要。ClawHub 上的 Skill 质量参差不齐，真正好用的 Skill 往往需要自己来开发。就我目前的体验，有以下几点想分享。
1. 明确需求。 先问自己，到底想把哪些事情交给 AI？跟风解决不了问题，得找到自己清晰的使用场景。需求先行，想清楚要解决什么问题。 2. 封装经验。 Skill 本质上是把做成一件事的经验和最佳实践梳理出来——有 SOP，有 Pipeline 设计，给足够的 Reference 和示例。但只有经验还不够，还需要有基于经验的洞察。积累越多、理解越深，越有可能灌注出好的 Skill。 3. 持续优化。 一个好的 Skill 不可能一步到位，它是边用、边改、边优化出来的。先有一个版本，用它做具体的事，评估哪里好哪里不好，再针对性改进，反复打磨。 4. /insights。 如果你也在用 Claude Code，我特别推荐 /insights 这个功能。我定期使用，常常有启发，有一种挖掘彩蛋的快乐。值得封装成 Skill 的东西，一定是那些高频重复的事情，而 /insights 往往能帮我发现一些新的 Skill 点子，然后再去思考细化，慢慢打磨成型。
踩过一些坑，几点“养虾”心得
第一，玩好 OpenClaw 并不容易，要合理预期，做好准备。
- 很多人并不清楚用它做什么，在 FOMO 情绪的驱动下跟风安装，结果无事可做，龙虾吃灰，紧接着就卸载了。这其实是最重要的前提——你需要有一个清醒的认知：我的需求到底在哪里？
- 养虾是要“虾粮”的，包括足够的 Token 费用、已经沉淀的个人知识、还要有足够的时间投入。比如我每天在龙虾上花 4 个小时，写代码、调试、优化。投给龙虾的“人财物”，你准备了多少？
- 管理预期同样关键。AI 不是神，“一劳永逸”还只是美好愿望，对它的预期得符合 AI 当前的能力边界。不要追求 100% 的完美主义，80% 的自动化就是胜利。降低一些期待，和它一起做事，AI 往往能回馈我们惊喜。
第二，玩龙虾，安全是基本功。 服务器要加固，安全日志要常看，得把安全的钥匙握在自己手上。
第三，升级自己的认知，依然是当下很重要的一项能力。 不管是龙虾还是其他工具，很多事情都是自己去做了，才能理解，才有体会。
第四，不要只把 Agent 当工具。 在我看来，Agent 就是 LLM 加上工具。但我的观点和立场是，不把 Agent 只当作接受命令就干活的工具，而是人机协作的得力搭子，和它一起去探讨并实现更好的可能。
养虾不易，常常踩坑。但每天都在 AI 的大海中打捞金子的感觉，让人越来越上瘾。我想我已经离不开 Agent 了。
