OpenClaw "养龙虾"爆火背后：一场 AI 焦虑催生的技术狂欢最近打开 V2EX 和 36kr，满屏都是"养龙虾"

OpenClaw "养龙虾"爆火背后：一场 AI 焦虑催生的技术狂欢

最近打开 V2EX 和 36kr，满屏都是"养龙虾"。两个月前还在讨论 Cursor 和 Claude Code 哪个好用，现在大家都在研究怎么让 OpenClaw 自动跑起来、怎么配置 69 个 Agent、怎么选 API 中转站。

这波热度来得太快了。V2EX 上"怎么突然全国都在 OpenClaw"的帖子，短短几小时就上了热榜。36kr 连发 6 篇深度分析，从技术实现到商业模式，从焦虑营销到行业洗牌，把这个现象拆了个底朝天。

作为一个从 2 月就开始用 OpenClaw 的老用户，我想聊聊这波热潮背后的技术逻辑和商业真相。

一、技术视角：OpenClaw 到底做对了什么？

1.1 Agent 编排的突破

传统 AI 编程工具（Cursor/Copilot）是"单兵作战"：你写一行，它补一行。OpenClaw 的核心创新是 Agent 编排：

# 传统方式：人工切换上下文
# 1. 写代码 → Cursor 补全
# 2. 写测试 → 手动切换
# 3. 跑测试 → 手动执行
# 4. 修 bug → 重复 1-3

# OpenClaw 方式：Agent 自动编排
agents = [
    CodeAgent(task="实现用户登录"),
    TestAgent(task="生成单元测试"),
    ReviewAgent(task="代码审查"),
    DebugAgent(task="修复测试失败")
]
orchestrator.run(agents, auto_retry=True)

V2EX 上有人分享"1 分钟一个 feature"，核心就是这个编排能力。你只需要定义任务，Agent 会自动：

拆解子任务
并行执行
处理依赖
自动重试

1.2 API 成本优化的极致

Cursor 订阅 $20/月，Claude Code$ 100/月。OpenClaw + API 中转站，成本可以压到 ¥50/月。

关键技术点：

模型路由：简单任务用 GPT-4o-mini，复杂任务用 Claude Opus
上下文压缩：自动删除无关代码，token 用量减少 60%
缓存复用：相同 prompt 走缓存，成本降低 90%

// OpenClaw 的智能路由配置
const router = {
  simple: "gpt-4o-mini",      // ¥0.27/M
  medium: "claude-sonnet-4-6", // ¥6.75/M
  complex: "claude-opus-4-6"   // ¥31.50/M
};

// 自动选择最优模型
const model = selectModel(task.complexity);

这就是为什么 V2EX 上有人说"100 美刀的 Claude Code 是不是好用+便宜太多"。

1.3 本地化部署的灵活性

Cursor 是云服务，数据必须上传。OpenClaw 支持 完全本地部署：

代码不出本地
自定义 Agent 逻辑
接入私有模型（Ollama/LM Studio）

这对企业用户是刚需。36kr 报道的"大厂养虾"，核心就是这个能力。

二、商业视角：谁在吃"龙虾红利"？

2.1 API 中转站的暴利生意

OpenClaw 火了，最先赚钱的是 API 中转站。

V2EX 上每天都有新的中转站推广帖：

"纯血 Claude Opus 4.6"
"GPT-5.4 首发"
"Gemini 3.1 Pro 降价 67%"

成本结构：

官方 API：Claude Opus $15/M（输入）
中转站售价：¥31.50/M（倍率 2.2）
实际成本：¥6.82/M（官方价 ÷ 7）
毛利率：78%

一个日活 1000 人的中转站，月流水轻松过 10 万。

2.2 "卖铲人"经济的本质

36kr 的文章说得很透："OpenClaw 不是 AI 革命，而是一场 AI 焦虑催生的卖铲人经济。"

淘金的人不一定赚钱，但卖铲子的一定赚钱：

OpenClaw 本体：开源免费
API 中转站：月入 10 万+
教程/课程：单价 ¥199-¥999
配置服务：上门卸载 ¥50（真的有）

2.3 大厂的"养虾"策略

字节、阿里、腾讯都在内部推 OpenClaw，但目的不同：

字节：提升研发效率，降本增效

内部部署，接入豆包模型
强制推广，KPI 考核

阿里：对抗 Cursor，抢占开发者生态

开源 Qwen-Coder 模型
提供免费 API 额度

腾讯：观望为主，小范围试点

担心代码泄露
等行业标准成熟

三、用户视角：真的值得"养龙虾"吗？

3.1 适合的场景

我用了 2 个月，总结出 3 个真正适合的场景：

1. 重复性开发任务

CRUD 接口
数据库迁移脚本
单元测试生成

效率提升：5-10 倍

2. 代码重构

自动识别坏味道
生成重构方案
批量执行

节省时间：80%

3. 文档生成

API 文档
README
代码注释

完全自动化，0 人工

3.2 不适合的场景

1. 架构设计

Agent 缺乏全局视角
容易过度设计

2. 性能优化

需要深度理解业务
Agent 给的方案往往不靠谱

3. 复杂业务逻辑

需求理解偏差大
调试成本高

3.3 成本收益分析

以我的实际使用数据：

项目	传统方式	OpenClaw	节省
开发时间	40h/周	25h/周	37.5%
API 费用	-	¥200/月	-
订阅费用	Cursor $20	-	-$20
综合成本	$20 + 40h	¥200 + 25h	15h + $5

按时薪 ¥200 算，每月节省 ¥3000。

四、技术实现：如何正确"养龙虾"？

4.1 基础配置

# 1. 安装 OpenClaw
npm install -g openclaw

# 2. 配置 API（推荐 xingjiabiapi.org）
openclaw config set api.baseUrl https://xingjiabiapi.org/v1
openclaw config set api.key sk-xxx

# 3. 启动 Agent
openclaw agent start --model claude-opus-4-6

4.2 进阶技巧

1. 多 Agent 并行

// 同时跑 3 个 Agent
const agents = [
  { task: "实现登录", model: "claude-sonnet-4-6" },
  { task: "写测试", model: "gpt-4o" },
  { task: "生成文档", model: "gpt-4o-mini" }
];

await Promise.all(agents.map(a => runAgent(a)));

2. 自定义 Prompt

# .openclaw/prompts/code-review.md
你是一个严格的代码审查员。重点检查：
1. 安全漏洞（SQL 注入、XSS）
2. 性能问题（N+1 查询、内存泄漏）
3. 代码规范（命名、注释）

输出格式：
- 问题等级：Critical/High/Medium/Low
- 具体位置：文件名 + 行号
- 修复建议：代码示例

3. 成本监控

# 查看 API 用量
openclaw stats --period 7d

# 输出示例
Total tokens: 2.5M
Cost: ¥87.50
Breakdown:
  - claude-opus-4-6: ¥65.00 (74%)
  - gpt-4o: ¥18.50 (21%)
  - gpt-4o-mini: ¥4.00 (5%)

4.3 避坑指南

坑 1：盲目追求最新模型

GPT-5.4 不一定比 Claude Opus 4.6 好
根据任务选模型，不要迷信参数

坑 2：过度依赖 Agent

Agent 生成的代码需要 review
关键逻辑必须人工确认

坑 3：API 中转站选择

看口碑，不看价格
小额测试，确认稳定性
问清退款政策

五、未来展望：OpenClaw 会走向何方？

5.1 技术演进方向

1. 多模态 Agent

图片 → 代码（UI 截图生成前端）
语音 → 代码（口述需求直接实现）

2. 端到端自动化

需求分析 → 设计 → 开发 → 测试 → 部署
人类只需要 review

3. 行业垂直化

金融：合规检查 Agent
医疗：HIPAA 合规 Agent
游戏：性能优化 Agent

5.2 商业模式变化

1. 从订阅到按量付费

Cursor 模式：固定月费
OpenClaw 模式：用多少付多少

2. 从工具到平台

Agent 市场（类似 GPTs）
插件生态
企业定制

3. 从个人到团队

协作 Agent
知识库共享
权限管理

5.3 行业影响

对开发者：

初级开发者：被 Agent 替代
中级开发者：效率提升 3-5 倍
高级开发者：专注架构和业务

对企业：

研发成本：降低 30-50%
交付速度：提升 2-3 倍
代码质量：取决于 review 机制

对行业：

Cursor/Copilot：面临降价压力
API 中转站：短期暴利，长期洗牌
开源社区：迎来新一轮繁荣

六、总结

OpenClaw "养龙虾"热潮，本质是 AI 编程工具从"辅助"到"主导"的转折点。

技术上，Agent 编排 + 成本优化 + 本地部署，解决了 Cursor/Copilot 的三大痛点。

商业上，API 中转站、教程课程、配置服务，形成了完整的"卖铲人"生态。

用户上，适合重复性任务和代码重构，不适合架构设计和复杂业务。

未来，OpenClaw 会向多模态、端到端、垂直化方向演进，但核心逻辑不变：让 AI 做 AI 擅长的事，人类做人类擅长的事。

最后，如果你也想"养龙虾"，记住三点：

选对场景：不是所有任务都适合 Agent
控制成本：API 中转站要选靠谱的
保持清醒：Agent 是工具，不是魔法

推荐资源：

OpenClaw 官方文档：docs.openclaw.ai
API 中转站：xingjiabiapi.org（支持 Claude Opus 4.6 + GPT-5.4）
技术交流：微信 malimalihongbebe

相关阅读：