中国版OpenClaw来了！上手即用的「有道龙虾」场景实测

一、全文速览图

昨天在X上刷到一条消息——网易有道开源了一个桌面级AI Agent，叫LobsterAI（有道龙虾），定位是「中国版OpenClaw」。

本来随手划过去了，但接着看到不少AI圈的大V也在转发，评价还挺积极的。

说起来，OpenClaw全球爆火之后，国内各家反应都很快，推出了不少部署方案和云端服务。别看现在国内OpenClaw的概念这么火，从知道到使用过的转化率估计都没1%。原因很简单，其实就是OpenClaw的产品形态还是太极客，安装使用门槛太高了。

相比各种部署方案，我自己更期待的一直是——有人直接做一个中国版的OpenClaw产品，打开就能用。

所以看到有道龙虾的时候挺意外的。没想到不是那几家卷大模型的大厂，而是网易有道先做出来了。

下载试了一下，第一印象挺有趣——既像是有GUI的OpenClaw，也有点像Claude Cowork的国产平替。桌面应用不用部署，沙盒环境兜底安全，远控走飞书钉钉——几个该做的本土适配都到位了。

听着不错。但听着好的东西多了，得用过才知道。我拿三个自己的真实工作场景认真测了一圈。

二、安装：从下载到干活

先说安装。

用过OpenClaw的都知道，部署这一步就筛掉了不少人。各家推出的云端方案已经简化了很多，但多少还是需要一些技术基础。

有道龙虾的思路不太一样。它就是一个本地桌面应用——下载、安装、打开，和装个普通软件没区别。

打开之后能看到对话框、Skills管理、定时任务、模型切换这些功能入口，都在界面上明摆着。

模型这块，预置了主流大模型API，也支持通过Ollama跑本地的DeepSeek。模型配置做得比较省心，不用自己去各家官网申请Key再手动填配置文件。

安全方面，可以选择在沙盒里运行——AI只能在指定文件夹里操作，动不了系统的其他文件。 用Agent帮你干活总归得放心一点，沙盒兜了个底。

前面提到的开源也值得展开一句——和OpenClaw一样走开放路线，社区可以贡献Skills、定制功能，代码可审计。

三、场景一：两份CSV进去，一份「咨询报告」出来

第一个测试，我拿自己的真实数据开刀。

我B站做了快三年，新年正好想做点新的增长规划。最近90天的数据正好手边有——11条视频的逐条数据（播放、点赞、涨粉），加上每天的粉丝变化时间序列。两份CSV，一个问题：2026年要从15万涨到100万粉，我的内容策略到底哪里有问题？

这个问题我其实想了挺久，但一直没认真算过。主要是懒——原始数据摆在那里，可拉公式、做交叉分析、写结论这套流程太磨人了。正好拿LobsterAI试试。

操作方式很直观。对话框下面有两个按钮：一个选文件附件，一个选技能。两份CSV点一下就挂上了，技能我选了自己导入的「huashu-data-pro」——一个专门做数据分析的Skill，比内置的通用版更擅长多维度拆解。

这里插一句Skills导入的事，因为我觉得这是LobsterAI蛮有意思的一个设计。

它自带十几个技能——文档处理、表格分析、PPT制作、PDF操作、定时任务什么的，日常够用。但它也支持自己导入，三种方式：上传.zip压缩包、上传文件夹、或者直接从GitHub仓库拉取。

我平时在Claude Code里积攒了十几个自定义Skill，覆盖数据分析、内容审校、信息搜索、配图生成各种场景。打包导进LobsterAI，全部可用——相当于把我在另一个工具上积累的「工作流资产」直接迁移过来了。

这就像手机装App。出厂自带的够用，但装上你自己的专业工具之后，它就不再是「一台手机」，而是「你的手机」。一个能装自定义技能的AI Agent，和一个只有固定功能的AI Agent，上限完全不一样。

好，回到测试。我发了一句话：

这是我最近90天的视频数据，请帮我深入分析现状，如果2026年要达到百万粉，内容策略该怎么调整。

它读完两份CSV后，没有直接输出一段分析文字——而是启动了一个「多专家深度分析工作流」，同时开了四个并行的分析Agent，各自从不同角度切入同一份数据：

1. Growth PM：从增长产品视角拆解转化漏斗
2. 算法分析师：从B站推荐机制分析流量结构
3. 内容战略顾问：从AI赛道竞争格局找定位
4. 数据建模专家：建模推算百万粉的量化路径

四个Agent同时跑，大概三四分钟后全部完成。然后它把四份分析整合，生成了一份完整的HTML战略报告。

打开报告的时候我愣了一下。

这不是我预期中的「一段文字配几个表格」。它是一份视觉完整的HTML报告——暖棕色调的咨询风格排版，数据卡片、对比表格、里程碑路线图都有。说实话，看着像McKinsey出品。

但视觉只是表面。真正让我觉得它「在认真分析」的，是几个具体发现：

转化率40倍分化。它算了一个我从来没算过的指标：每万次播放带来多少新粉丝。结果发现，播放量和涨粉量几乎没有相关性（相关系数-0.006）。我那条63.5万播放的热点视频只涨了163粉——每万播放2.6人。而一条12.9万播放的深度解读涨了1349粉——每万播放104.6人。差了40倍。

粉丝观看率只有2.7%。15万粉丝里真正看我视频的不到5000人。报告直接指出了一个恶性循环：老粉不看→冷启动流量少→只能靠标题拉泛流量→老粉更不看。

按当前速度需要27年才能达到100万粉。日均涨88人，数学不会骗人。

最后它给了一个量化路径：别追播放量（太看运气），把转化率从8人/万播提到120人/万播。砍掉泛流量内容，All in首发解读和深度实测。还配了一个318天的里程碑计划，从P0到P2三个优先级的执行清单。

说实话，这几个结论——尤其是「播放量和涨粉几乎无关」这个——我之前有模糊的直觉，但从来没人帮我用数据确认过。

这大概就是数据分析的价值：不是告诉你不知道的事，而是用数据帮你确认你隐约感觉到的事，然后给出可执行的方向。

而且数据全程在本地处理，没传到任何云端。这个细节对处理公司内部数据、业务数据的场景来说，是真的重要。

四、场景二：飞书发条消息，它帮你造了个新闻机器人

第二个测试，这次指令是从飞书发过去的。

LobsterAI支持飞书远控——配好之后，你在手机上给它发一条飞书消息，家里电脑就开始干活。直接走飞书和钉钉，不用再折腾海外通讯工具，你上班本来就开着这东西。

不过在用之前，得先把飞书连上。

飞书接入：第一次配，比想象中简单

说实话，我之前从没配过飞书群机器人。听着挺技术的，但实际操作下来发现没那么复杂，大致三步：

第一步，去飞书开放平台（open.feishu.cn/app ）创建一个企业自建应用。起个名字——我叫它「Lobster」——拿到App ID和App Secret。

第二步，给应用开通权限。在飞书开放平台左侧菜单找到「权限管理」，把消息收发、通讯录、云文档相关的权限勾上就行。具体哪些权限需要开，截图里能看到。

第三步，把App ID和App Secret填进LobsterAI。 打开设置→IM机器人→飞书，填两个字段，开关一拨，显示「已连接」，搞定。

整个过程大概十来分钟。而且这套配置逻辑是通用的——不管是LobsterAI、OpenClaw还是其他AI应用，只要支持飞书接入，都是同一套App ID + App Secret的方式。配一次就清楚了，以后换任何工具都一样。

从飞书发出第一条指令

连上之后，我从飞书给LobsterAI发了一条消息：

LobsterAI收到后先检查了系统环境（macOS支持crontab定时任务），然后问我飞书机器人的Webhook地址。

我当时不知道Webhook在哪找。直接在对话框里问它——「这个应该在哪里找？」

它立刻给了一份详细步骤：打开飞书→进群聊→群设置→群机器人→添加自定义机器人→复制Webhook地址。 我按着做，两分钟搞定。

这个细节我觉得挺有意思的。配置过程中遇到不会的，不用切出去搜教程，直接在对话框里问就行。AI Agent就坐你对面，它本身就是你的技术支持。

拿到Webhook之后，它创建了定时任务，然后为了验证效果，当场跑了一次测试。

搜索新闻的过程也值得说一下。它不是调某个新闻聚合API，而是真的打开了Chrome浏览器，用Google搜了多组关键词——「AI news today」「OpenAI ChatGPT Claude Gemini」「AI startup funding」——然后从搜索结果里筛选、排序、整理。

和你自己打开浏览器刷资讯一模一样，只不过它三四分钟干完了你半小时的活。

最终结果以一张蓝色卡片消息推送到了飞书群：

10条新闻，按重要程度从5星到3星排列，每条标题+一句话摘要+来源。格式清晰，直接转发给同事就能看。

从此以后，每天早上8点，这个任务自动执行。通勤路上打开飞书，当天的AI行业动态已经整理好了。不用我动手，不用我记着，到点自己干。

这才是「7×24小时」的真正意思——不是说你随时能找它聊天，是它自己到点把活干了，干完推给你。

同样的逻辑可以延伸。如果你把工作文档都放在一个文件夹——会议纪要、项目进展、沟通记录——它也可以每天下班前自动生成一份工作日报。你检查一遍就能发，不用自己从头想今天干了啥。

五、场景三：一句话下去，它自己拆成五步干完

第三个场景，同样是飞书发过来的指令。这次我想测的不是某个具体功能，而是LobsterAI面对一个复杂的多步骤任务，到底能自主走多远。

做竞品分析这件事，传统流程大家都知道：上网搜资料，整理成文档，提炼关键数据，做对比图表，排版成PPT。五个步骤，四五种工具，一整天。

我在之前还在上班时的一个崩溃场景是，21点终于要下班了，老板从IM上给我发来一条消息说：「帮我做一份xx产品的竞品分析报告给我，明天11点会上要沟通」。

一句话不提加班，但是，这种崩溃感懂的都懂。

现在的AI Agent，其实完全有能力让你打上车，在滴滴里用飞书给AI发个消息，让它帮你把活干了。

我就给了一句话，看它能不能自己把这个链条跑通：

发出去之后，它做的第一件事是给自己列了一个五步计划：搜索信息→整理文档→制作图表→生成PPT→推送飞书。然后按顺序一步步执行。

这个过程我没有再输入任何指令，但全程能看到它在做什么。

第一步搜索，它先跑了十几轮Google搜索——每个产品单独搜定价、功能、评测，又搜了综合对比文章，还打开了几个详细评测页面提取内容。搜完之后，它做了一件挺像人的事：去读了自己安装的Skill文档，看看怎么处理数据、怎么做PPT最合适。就像新员工接到任务后先翻了翻工作手册。

第二步整理，把搜索到的信息整合成一份结构化的Markdown竞品对比文档，覆盖6款产品（Claude Code、Cursor、Windsurf、GitHub Copilot、Codex CLI、Cline），每款包含产品定位、核心功能、定价、优劣势。

第三步做图表，生成了一份交互式HTML数据可视化报告。

第四步最有意思。它写了11页HTML幻灯片，从封面到定价对比到功能矩阵到选型建议，然后调用html2pptx工具转成PPTX文件。

第一次构建报错了——部分幻灯片的CSS样式在转PPTX的时候不兼容。

但它没有停下来问我怎么办。自己读了出错的HTML文件，定位到问题代码，用更简洁的写法重写了那几页，然后重新构建。第二次，11页全部通过。

第五步推送。它主动给飞书群发了一张绿色卡片消息：报告摘要、核心发现（Claude Code领先、定价趋同但模式分化、终端Agent vs IDE两条路线将共存）、交付物清单。

我数了一下，整个任务从头到尾调用了五六十次工具——搜索、翻页、读文件、写文件、执行脚本、推送消息。中间一次构建失败，自己诊断修复。全程没问我一句。

有个细节值得一提。虽然它在自主执行，但我作为用户随时可以介入。过程中每一步在干什么都看得见，觉得方向不对随时能打断、改指令。这次我选择不介入，想看看它到底能走多远。结果是从搜索到交付的完整链条，自己跑通了。

这就是Agent和Chatbot的区别。Chatbot你问一句它答一句。Agent你给个目标，它自己拆任务、找工具、遇到问题自己修，一直跑到交付。

能做到这一点，背后是Skills系统在起作用。搜索用web-search Skill，做PPT、Excel都有默认的Skill，以及，当然你也可以像我一样用自己制作的更符合自己品味的。关键不在于装了多少，在于AI能根据目标自己判断该用哪些、按什么顺序组合。不是预设的流水线，是它现场组装的工具链。

最后聊两句

回头看这三个场景——分析B站数据、搭建新闻机器人、做竞品分析PPT——都不是什么高深的工作。但就是这些不高深的事，每天在吃掉打工人的时间。一份竞品分析一整天，一份日报半小时，一个数据报告大半天。这些时间省下来，才能去做真正需要判断力和创造力的事。

之前我搭Claude Code写作工作流的时候有一个体会：不用追求100%自动化，但几乎所有重复性工作都可以让AI先跑一遍，跃过最难的「从零启动」那一步。 有道龙虾做的事和这个思路一致——你给目标，它执行，你验收。

OpenClaw证明了AI Agent的能力上限够高，近20万GitHub星不是白来的。而LobsterAI在试着做另一件事——让更多人真正用上这个能力。GUI界面、飞书远控、沙盒安全、适配国内工具生态，再加上开源——这不只是降低门槛，是让AI Agent真正走进每个打工人的日常工作流。

以前的AI是你的顾问，你问它问题，它给你一段文字，然后你自己去干。现在的AI Agent更像一个能动手的员工——你给目标，它去打开文件、读数据、做图表、排报告、发给你。

顾问你得自己执行，员工你只需要验收。

当Agent的门槛从「会写代码」降到「会打字」就行，这可能才是AI真正普及的开始。

欢迎关注作者微信公众号：「花叔」