昨天在X上刷到一條消息——網(wǎng)易有道開源了一個桌面級AI Agent，叫LobsterAI（有道龍蝦），定位是「中國版OpenClaw」。

本來隨手劃過去了，但接著看到不少AI圈的大V也在轉(zhuǎn)發(fā)，評價還挺積極的。

說起來，OpenClaw全球爆火之后，國內(nèi)各家反應(yīng)都很快，推出了不少部署方案和云端服務(wù)。別看現(xiàn)在國內(nèi)OpenClaw的概念這么火，從知道到使用過的轉(zhuǎn)化率估計都沒1%。原因很簡單，其實就是OpenClaw的產(chǎn)品形態(tài)還是太極客，安裝使用門檻太高了。

相比各種部署方案，我自己更期待的一直是——有人直接做一個中國版的OpenClaw產(chǎn)品，打開就能用。

所以看到有道龍蝦的時候挺意外的。沒想到不是那幾家卷大模型的大廠，而是網(wǎng)易有道先做出來了。

下載試了一下，第一印象挺有趣——既像是有GUI的OpenClaw，也有點像Claude Cowork的國產(chǎn)平替。桌面應(yīng)用不用部署，沙盒環(huán)境兜底安全，遠(yuǎn)控走飛書釘釘——幾個該做的本土適配都到位了。

聽著不錯。但聽著好的東西多了，得用過才知道。我拿三個自己的真實工作場景認(rèn)真測了一圈。

安裝：從下載到干活

先說安裝。

用過OpenClaw的都知道，部署這一步就篩掉了不少人。各家推出的云端方案已經(jīng)簡化了很多，但多少還是需要一些技術(shù)基礎(chǔ)。

有道龍蝦的思路不太一樣。它就是一個本地桌面應(yīng)用——下載、安裝、打開，和裝個普通軟件沒區(qū)別。

打開之后能看到對話框、Skills管理、定時任務(wù)、模型切換這些功能入口，都在界面上明擺著。

模型這塊，預(yù)置了主流大模型API，也支持通過Ollama跑本地的DeepSeek。模型配置做得比較省心，不用自己去各家官網(wǎng)申請Key再手動填配置文件。

安全方面，可以選擇在沙盒里運行——AI只能在指定文件夾里操作，動不了系統(tǒng)的其他文件。 用Agent幫你干活總歸得放心一點，沙盒兜了個底。

前面提到的開源也值得展開一句——和OpenClaw一樣走開放路線，社區(qū)可以貢獻(xiàn)Skills、定制功能，代碼可審計。

場景一：兩份CSV進(jìn)去，一份「咨詢報告」出來

第一個測試，我拿自己的真實數(shù)據(jù)開刀。

我B站做了快三年，新年正好想做點新的增長規(guī)劃。最近90天的數(shù)據(jù)正好手邊有——11條視頻的逐條數(shù)據(jù)（播放、點贊、漲粉），加上每天的粉絲變化時間序列。兩份CSV，一個問題：2026年要從15萬漲到100萬粉，我的內(nèi)容策略到底哪里有問題？

這個問題我其實想了挺久，但一直沒認(rèn)真算過。主要是懶——原始數(shù)據(jù)擺在那里，可拉公式、做交叉分析、寫結(jié)論這套流程太磨人了。正好拿LobsterAI試試。

操作方式很直觀。對話框下面有兩個按鈕：一個選文件附件，一個選技能。兩份CSV點一下就掛上了，技能我選了自己導(dǎo)入的「huashu-data-pro」——一個專門做數(shù)據(jù)分析的Skill，比內(nèi)置的通用版更擅長多維度拆解。

這里插一句Skills導(dǎo)入的事，因為我覺得這是LobsterAI蠻有意思的一個設(shè)計。

它自帶十幾個技能——文檔處理、表格分析、PPT制作、PDF操作、定時任務(wù)什么的，日常夠用。但它也支持自己導(dǎo)入，三種方式：上傳.zip壓縮包、上傳文件夾、或者直接從GitHub倉庫拉取。

我平時在Claude Code里積攢了十幾個自定義Skill，覆蓋數(shù)據(jù)分析、內(nèi)容審校、信息搜索、配圖生成各種場景。打包導(dǎo)進(jìn)LobsterAI，全部可用——相當(dāng)于把我在另一個工具上積累的「工作流資產(chǎn)」直接遷移過來了。

這就像手機裝App。出廠自帶的夠用，但裝上你自己的專業(yè)工具之后，它就不再是「一臺手機」，而是「你的手機」。一個能裝自定義技能的AI Agent，和一個只有固定功能的AI Agent，上限完全不一樣。

好，回到測試。我發(fā)了一句話：

這是我最近90天的視頻數(shù)據(jù)，請幫我深入分析現(xiàn)狀，如果2026年要達(dá)到百萬粉，內(nèi)容策略該怎么調(diào)整。

它讀完兩份CSV后，沒有直接輸出一段分析文字——而是啟動了一個「多專家深度分析工作流」，同時開了四個并行的分析Agent，各自從不同角度切入同一份數(shù)據(jù)：

• Growth PM：從增長產(chǎn)品視角拆解轉(zhuǎn)化漏斗

• 算法分析師：從B站推薦機制分析流量結(jié)構(gòu)

• 內(nèi)容戰(zhàn)略顧問：從AI賽道競爭格局找定位

• 數(shù)據(jù)建模專家：建模推算百萬粉的量化路徑

四個Agent同時跑，大概三四分鐘后全部完成。然后它把四份分析整合，生成了一份完整的HTML戰(zhàn)略報告。

打開報告的時候我愣了一下。

這不是我預(yù)期中的「一段文字配幾個表格」。它是一份視覺完整的HTML報告——暖棕色調(diào)的咨詢風(fēng)格排版，數(shù)據(jù)卡片、對比表格、里程碑路線圖都有。說實話，看著像McKinsey出品。

但視覺只是表面。真正讓我覺得它「在認(rèn)真分析」的，是幾個具體發(fā)現(xiàn)：

轉(zhuǎn)化率40倍分化。它算了一個我從來沒算過的指標(biāo)：每萬次播放帶來多少新粉絲。結(jié)果發(fā)現(xiàn)，播放量和漲粉量幾乎沒有相關(guān)性（相關(guān)系數(shù)-0.006）。我那條63.5萬播放的熱點視頻只漲了163粉——每萬播放2.6人。而一條12.9萬播放的深度解讀漲了1349粉——每萬播放104.6人。差了40倍。

粉絲觀看率只有2.7%。15萬粉絲里真正看我視頻的不到5000人。報告直接指出了一個惡性循環(huán)：老粉不看→冷啟動流量少→只能靠標(biāo)題拉泛流量→老粉更不看。

按當(dāng)前速度需要27年才能達(dá)到100萬粉。日均漲88人，數(shù)學(xué)不會騙人。

最后它給了一個量化路徑：別追播放量（太看運氣），把轉(zhuǎn)化率從8人/萬播提到120人/萬播?？车舴毫髁績?nèi)容，All in首發(fā)解讀和深度實測。還配了一個318天的里程碑計劃，從P0到P2三個優(yōu)先級的執(zhí)行清單。

說實話，這幾個結(jié)論——尤其是「播放量和漲粉幾乎無關(guān)」這個——我之前有模糊的直覺，但從來沒人幫我用數(shù)據(jù)確認(rèn)過。

這大概就是數(shù)據(jù)分析的價值：不是告訴你不知道的事，而是用數(shù)據(jù)幫你確認(rèn)你隱約感覺到的事，然后給出可執(zhí)行的方向。

而且數(shù)據(jù)全程在本地處理，沒傳到任何云端。這個細(xì)節(jié)對處理公司內(nèi)部數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)的場景來說，是真的重要。

場景二：飛書發(fā)條消息，它幫你造了個新聞機器人

第二個測試，這次指令是從飛書發(fā)過去的。

LobsterAI支持飛書遠(yuǎn)控——配好之后，你在手機上給它發(fā)一條飛書消息，家里電腦就開始干活。直接走飛書和釘釘，不用再折騰海外通訊工具，你上班本來就開著這東西。

不過在用之前，得先把飛書連上。

飛書接入：第一次配，比想象中簡單

說實話，我之前從沒配過飛書群機器人。聽著挺技術(shù)的，但實際操作下來發(fā)現(xiàn)沒那么復(fù)雜，大致三步：

第一步，去飛書開放平臺（open.feishu.cn/app ）創(chuàng)建一個企業(yè)自建應(yīng)用。起個名字——我叫它「Lobster」——拿到App ID和App Secret。

第二步，給應(yīng)用開通權(quán)限。在飛書開放平臺左側(cè)菜單找到「權(quán)限管理」，把消息收發(fā)、通訊錄、云文檔相關(guān)的權(quán)限勾上就行。具體哪些權(quán)限需要開，截圖里能看到。

第三步，把App ID和App Secret填進(jìn)LobsterAI。 打開設(shè)置→IM機器人→飛書，填兩個字段，開關(guān)一撥，顯示「已連接」，搞定。

整個過程大概十來分鐘。而且這套配置邏輯是通用的——不管是LobsterAI、OpenClaw還是其他AI應(yīng)用，只要支持飛書接入，都是同一套App ID + App Secret的方式。配一次就清楚了，以后換任何工具都一樣。

從飛書發(fā)出第一條指令

連上之后，我從飛書給LobsterAI發(fā)了一條消息：

LobsterAI收到后先檢查了系統(tǒng)環(huán)境（macOS支持crontab定時任務(wù)），然后問我飛書機器人的Webhook地址。

我當(dāng)時不知道Webhook在哪找。直接在對話框里問它——「這個應(yīng)該在哪里找？」

它立刻給了一份詳細(xì)步驟：打開飛書→進(jìn)群聊→群設(shè)置→群機器人→添加自定義機器人→復(fù)制Webhook地址。 我按著做，兩分鐘搞定。

這個細(xì)節(jié)我覺得挺有意思的。配置過程中遇到不會的，不用切出去搜教程，直接在對話框里問就行。AI Agent就坐你對面，它本身就是你的技術(shù)支持。

拿到Webhook之后，它創(chuàng)建了定時任務(wù)，然后為了驗證效果，當(dāng)場跑了一次測試。

搜索新聞的過程也值得說一下。它不是調(diào)某個新聞聚合API，而是真的打開了Chrome瀏覽器，用Google搜了多組關(guān)鍵詞——「AI news today」「OpenAI ChatGPT Claude Gemini」「AI startup funding」——然后從搜索結(jié)果里篩選、排序、整理。

和你自己打開瀏覽器刷資訊一模一樣，只不過它三四分鐘干完了你半小時的活。

最終結(jié)果以一張藍(lán)色卡片消息推送到了飛書群：

10條新聞，按重要程度從5星到3星排列，每條標(biāo)題+一句話摘要+來源。格式清晰，直接轉(zhuǎn)發(fā)給同事就能看。

從此以后，每天早上8點，這個任務(wù)自動執(zhí)行。通勤路上打開飛書，當(dāng)天的AI行業(yè)動態(tài)已經(jīng)整理好了。不用我動手，不用我記著，到點自己干。

這才是「7×24小時」的真正意思——不是說你隨時能找它聊天，是它自己到點把活干了，干完推給你。

同樣的邏輯可以延伸。如果你把工作文檔都放在一個文件夾——會議紀(jì)要、項目進(jìn)展、溝通記錄——它也可以每天下班前自動生成一份工作日報。你檢查一遍就能發(fā)，不用自己從頭想今天干了啥。

場景三：一句話下去，它自己拆成五步干完

第三個場景，同樣是飛書發(fā)過來的指令。這次我想測的不是某個具體功能，而是LobsterAI面對一個復(fù)雜的多步驟任務(wù)，到底能自主走多遠(yuǎn)。

做競品分析這件事，傳統(tǒng)流程大家都知道：上網(wǎng)搜資料，整理成文檔，提煉關(guān)鍵數(shù)據(jù)，做對比圖表，排版成PPT。五個步驟，四五種工具，一整天。

我在之前還在上班時的一個崩潰場景是，21點終于要下班了，老板從IM上給我發(fā)來一條消息說：「幫我做一份xx產(chǎn)品的競品分析報告給我，明天11點會上要溝通」。

一句話不提加班，但是，這種崩潰感懂的都懂。

現(xiàn)在的AI Agent，其實完全有能力讓你打上車，在滴滴里用飛書給AI發(fā)個消息，讓它幫你把活干了。

我就給了一句話，看它能不能自己把這個鏈條跑通：

發(fā)出去之后，它做的第一件事是給自己列了一個五步計劃：搜索信息→整理文檔→制作圖表→生成PPT→推送飛書。然后按順序一步步執(zhí)行。

這個過程我沒有再輸入任何指令，但全程能看到它在做什么。

第一步搜索，它先跑了十幾輪Google搜索——每個產(chǎn)品單獨搜定價、功能、評測，又搜了綜合對比文章，還打開了幾個詳細(xì)評測頁面提取內(nèi)容。搜完之后，它做了一件挺像人的事：去讀了自己安裝的Skill文檔，看看怎么處理數(shù)據(jù)、怎么做PPT最合適。就像新員工接到任務(wù)后先翻了翻工作手冊。

第二步整理，把搜索到的信息整合成一份結(jié)構(gòu)化的Markdown競品對比文檔，覆蓋6款產(chǎn)品（Claude Code、Cursor、Windsurf、GitHub Copilot、Codex CLI、Cline），每款包含產(chǎn)品定位、核心功能、定價、優(yōu)劣勢。

第三步做圖表，生成了一份交互式HTML數(shù)據(jù)可視化報告。

第四步最有意思。它寫了11頁HTML幻燈片，從封面到定價對比到功能矩陣到選型建議，然后調(diào)用html2pptx工具轉(zhuǎn)成PPTX文件。

第一次構(gòu)建報錯了——部分幻燈片的CSS樣式在轉(zhuǎn)PPTX的時候不兼容。

但它沒有停下來問我怎么辦。自己讀了出錯的HTML文件，定位到問題代碼，用更簡潔的寫法重寫了那幾頁，然后重新構(gòu)建。第二次，11頁全部通過。

第五步推送。它主動給飛書群發(fā)了一張綠色卡片消息：報告摘要、核心發(fā)現(xiàn)（Claude Code領(lǐng)先、定價趨同但模式分化、終端Agent vs IDE兩條路線將共存）、交付物清單。

我數(shù)了一下，整個任務(wù)從頭到尾調(diào)用了五六十次工具——搜索、翻頁、讀文件、寫文件、執(zhí)行腳本、推送消息。中間一次構(gòu)建失敗，自己診斷修復(fù)。全程沒問我一句。

有個細(xì)節(jié)值得一提。雖然它在自主執(zhí)行，但我作為用戶隨時可以介入。過程中每一步在干什么都看得見，覺得方向不對隨時能打斷、改指令。這次我選擇不介入，想看看它到底能走多遠(yuǎn)。結(jié)果是從搜索到交付的完整鏈條，自己跑通了。

這就是Agent和Chatbot的區(qū)別。Chatbot你問一句它答一句。Agent你給個目標(biāo)，它自己拆任務(wù)、找工具、遇到問題自己修，一直跑到交付。

能做到這一點，背后是Skills系統(tǒng)在起作用。搜索用web-search Skill，做PPT、Excel都有默認(rèn)的Skill，以及，當(dāng)然你也可以像我一樣用自己制作的更符合自己品味的。關(guān)鍵不在于裝了多少，在于AI能根據(jù)目標(biāo)自己判斷該用哪些、按什么順序組合。不是預(yù)設(shè)的流水線，是它現(xiàn)場組裝的工具鏈。

最后聊兩句

回頭看這三個場景——分析B站數(shù)據(jù)、搭建新聞機器人、做競品分析PPT——都不是什么高深的工作。但就是這些不高深的事，每天在吃掉打工人的時間。一份競品分析一整天，一份日報半小時，一個數(shù)據(jù)報告大半天。這些時間省下來，才能去做真正需要判斷力和創(chuàng)造力的事。

之前我搭Claude Code寫作工作流的時候有一個體會：不用追求100%自動化，但幾乎所有重復(fù)性工作都可以讓AI先跑一遍，躍過最難的「從零啟動」那一步。 有道龍蝦做的事和這個思路一致——你給目標(biāo)，它執(zhí)行，你驗收。

OpenClaw證明了AI Agent的能力上限夠高，近20萬GitHub星不是白來的。而LobsterAI在試著做另一件事——讓更多人真正用上這個能力。GUI界面、飛書遠(yuǎn)控、沙盒安全、適配國內(nèi)工具生態(tài)，再加上開源——這不只是降低門檻，是讓AI Agent真正走進(jìn)每個打工人的日常工作流。

以前的AI是你的顧問，你問它問題，它給你一段文字，然后你自己去干?，F(xiàn)在的AI Agent更像一個能動手的員工——你給目標(biāo)，它去打開文件、讀數(shù)據(jù)、做圖表、排報告、發(fā)給你。

顧問你得自己執(zhí)行，員工你只需要驗收。

當(dāng)Agent的門檻從「會寫代碼」降到「會打字」就行，這可能才是AI真正普及的開始。