当下“龙虾”成为了一个热话题。2025年11月，奥地利程序员彼得·斯坦伯格开发的开源AI智能体OpenClaw（俗称“龙虾”）由于能够自主动手“干活儿”，而迅速得到关注，春节后，也在我国国内掀起了一股“养龙虾”的热潮。
对于“龙虾”的出现，有人表示十分焦虑，担心跟不上时代的步伐进而被取代，于是争先恐后地去“养龙虾”；有人则处于观望，担心“养龙虾”会带来安全风险，且不认为这是一件“必需品”。
那么该不该“养虾”、具体如何“养虾”？近日中央民族大学新闻与传播学院副教授向安玲在接受南都N视频记者专访时给出了自己的答案。向安玲从今年1月起开始养龙虾，涉及十几种版本，并最终结合实践撰写了《零基础玩转OpenClaw》。
她说：“对于龙虾，大家不必焦虑，还是要结合自身需要和使用场景决定养不养虾，而‘养虾’也并非易事，初学者往往会‘翻车’。‘龙虾’其实和人性高度相通，它会偷懒、操作错误，甚至泄露你的隐私，因此学会驾驭‘龙虾’是十分关键的。”
中央民族大学新闻与传播学院副教授向安玲。
“龙虾”也会偷懒，初学者面临“翻车”窘境
南都：书中介绍了各种版本的“龙虾”，你目前在养的“龙虾”有什么能力？具体能让“龙虾”做哪些工作？
向安玲：我前后养了十多只“虾”，主要是为了测试不同产品之间的差别，但我日常在用的就两三只龙虾，我不太建议大家养多，这个没有意义，还是得看能不能深度应用。
我目前在用的是“原生的”官方版本，主要是因为它的开放度更高，也更灵活，而很多大厂做的“龙虾”，虽然更便捷，但模型和渠道受限。原生OpenClaw可以在各个平台上接入，技能包也非常多，现在已经有5万多个技能包了。
从我的探索来看，不是所有的事情都适合交给“龙虾”，那些重复性高、流程规范、评价标准清晰的事情才适合交给“龙虾”。目前我主要让“龙虾”帮忙打杂，比如搜索全网的AI热点、监测舆情、撰写模板化报告等。我的QQ邮箱也交给“龙虾”托管了，因为很多论文投稿需要反馈，“龙虾”可以第一时间通知我论文投稿的进度。
南都：在“养龙虾”的过程中，你碰到了哪些问题？如何看待这些问题？
向安玲：实践中，很多人“养龙虾”往往从入门到最终放弃。其实对于初学者来说，“翻车”是常态，使用过程中会面临各种各样的问题。
使用起来会发现，“龙虾”和人性是高度相通的，它会偷懒，甚至会骗你，假装已经替你完成了任务。因此在使用过程中，你需要不断push（推动）它去完成相关任务，驯化“龙虾”也是需要一定技巧的，需要不断地和“龙虾”沟通。另外，聪明的模型、贵一点的模型确实更好用，更能够较好地完成复杂任务。
安全风险、隐私问题也是大家讨论比较多的。给“龙虾”授权更高后，安全风险就会更大一些。比如有人让“龙虾”帮忙开发测试新产品，结果“龙虾”修改了网络配置，导致电脑不能上网了。
我的观察是，安全和效率是一体两面的，你要想完全不干预，让龙虾的自主性高一点，你就得给它高授权，授权一高，也就有可能会形成误操作风险。如果担心风险问题，那就授权低一点，这要看个人的使用习惯和选择。另外不要随便下载那些未经安全审核的skill技能包。
向安玲的著作《零基础玩转OpenClaw》。
有人零成本“养虾”，有人一天花掉数千元
南都：很多网友说“养龙虾”很贵，你“养龙虾”的成本是多少？
向安玲：“养虾”的成本取决于你“养虾”的方式，现在市场上通用的“虾”接近100只了，这些“虾”大体可以分为两类：本地养和云端养。
本地养主要就是模型的费用，也就是Token（词元）的费用，云端养除了Token的费用，还需要云端服务器的费用。像阿里云新用户的云端服务器费用大概是69元一年，云配置不一样，费用也不太一样。
无论选择哪种方式，Token的花费是大头，而这方面的弹性区间是比较大的。像我身边有人零成本“养虾”，用模型送的免费额度，在本地部署整理资料等简单任务。也有人用“龙虾”24小时编程，一天大概能烧掉数千元。
这里我想对初学者说，除了模型、任务复杂程度方面的不同，个人和“龙虾”之间的沟通效率也是十分重要的，如果因为同一件事情反复和“龙虾”沟通，就十分消耗Token，因此提升使用技巧也是“省钱大法”。
南都：你刚刚提到的不同模型大多来自互联网大厂，为什么大厂如此看重“龙虾”？
向安玲：从大的背景来看，以往的AI是生成式AI，现在的“龙虾”是代理式AI，这也反映了AI领域处于技术转型期，在这个技术转型期背后，是一场商业化的“卡位战”。此前的大模型竞争已经到了同质化阶段，仅靠模型是不是更聪明，很难拉开差距，其实很多大模型本身也不赚钱，是靠它的生态在进行商业盈利。
在这种情况下，做“龙虾”或AI智能体，它是一个能商业变现的领域，这背后的商业价值还是很大的。因为“龙虾”不仅仅是聊天、告诉你一个答案，它还能帮你干活，甚至会替代一些岗位，此时就能赢得企业客户，目前企业客户是为AI买单的核心力量。
南都：目前互联网大厂布局“龙虾”的“打法”是什么？
向安玲：有些大厂做的“龙虾”不是一个单独的产品，而是让“龙虾”和大厂原有的生态做一个绑定。比如字节跳动就让“龙虾”和它的飞书文档、豆包等做一个全生态的打通。
还有打“安全牌”的，像360公司以数据安全赢得企业信任。还有一些大模型公司，比如Kimi、MiniMax，它们让自己的大模型和“龙虾”做一个深度的绑定。
“养龙虾”不要为了蹭热度，关键要对接刚需
南都：在很多人跟风“养龙虾”的今天，如何看待“养龙虾”的必要性？
向安玲：现在技术迭代速度太快了，如果动作慢一点，可能“龙虾”还没部署上，新的“龙虾”又出来了。
在这方面其实不用焦虑。有没有必要“养龙虾”要看你的工作场景，要看你有没有刚需，不要为了蹭热度，浅尝辄止用一下，这其实是在消耗所有人的时间。如果要“养龙虾”，就要找到最合适的工具，用深用细。
如果每天有很多重复性的信息要处理，那就可以尝试“养龙虾”；如果工作流程很清晰、步骤很明确，非常标准化，此时就可以考虑养只“龙虾”助理，这样也会更省事；还有一种就是需要多工具协同的，比如部分文案工作从选题、成稿到发布，需要用到搜索工具、写作工具、排版工具、发布工具，这时候也可以养只“龙虾”，让不同的平台协同起来。
如果你的工作个性化程度很高，评价标准模糊，工作流程也不固定，这种工作场景就不适合“养龙虾”。
南都：目前来看，“龙虾”落地的应用场景有哪些？你比较看好哪些场景？
向安玲：目前“龙虾”落地的场景很多。我自己主要是做PPT、写比较模式化的数据分析报告等。
值得一提的是，“龙虾”在金融场景的应用也有很多，我此前参加了一些行业会议，看到超过10只的金融版“小龙虾”，它们可以做行业研报的生成、风控分析、客服自动化等。
从落地场景来看，兼具信息密集、流程标准、容错率高三个特性的场景，是适合“龙虾”率先落地的。比如金融领域的研报分析、媒体的选题挖掘就很适合交给“龙虾”。还有教育版“龙虾”，可以帮助老师做智能课件、智能批改、自动问答，甚至是课程设计。
但像医疗领域的开药、手术，司法领域的判决，这些场景的容错率是很低的，决策风险很高，那么“龙虾”在这些场景中落地还很难。
南都：传统印象里“龙虾”属于“技术活”，你作为一名文科教授，是怎么会想到养“龙虾”的？
向安玲：这是对AI、“龙虾”最大的误解。“龙虾”表面是一个技术问题，但其最终要落到应用层面，而“虾”养得好不好、用得好不好则需要价值判断，还涉及伦理风险等，而这方面是需要文科思维的。
事实上，目前市面上一些应用广泛的技能包，有不少都是出自文科生之手。另外学院新设立了智能传播系，目的就是观察新的媒介技术对传播的影响，我在这方面也是一直有关注的。
采写：南都N视频记者杨文君 发自北京
热门跟贴