我同时养了 4 只国产"龙虾"一个月后，发现 OpenClaw 的平替没想象中那么简单
第一次刷到 OpenClaw 的帖子时，我下意识以为是某个海鲜UP主在开箱。直到看见 GitHub 上那只红色龙虾图标和 30 万+ Star，我才意识到：原来大家说的"养虾"，养的是 AI Agent。
作为一个常年被项目 deadline 追着跑的程序员，我对"让 AI 替我干活"这件事天然没有抵抗力。但说实话，原版 OpenClaw 折腾了我整整一个晚上：Node.js 版本不对、Docker 网络抽风、API Key 泄漏了一次，最后好不容易跑起来，它却把我的测试文件全整理到了一个叫 misc 的文件夹里——那里面本来有我这周要交的代码。
于是我决定换个思路：既然国产厂商都在喊"平替 OpenClaw"，那我干脆把市面上最火的四只"龙虾"一起养一个月，看看谁真的能打。
一、我选的四只虾
市面上叫 Claw 的产品多到我怀疑产品经理是不是集体去海鲜市场取过经。但为了控制变量，我只选了四个最有代表性的：
- QClaw（腾讯）：微信生态，号称"扫码即用"
- AutoClaw/澳龙（智谱）：本地一键安装，数据留本地
- ArkClaw（字节）：飞书原生，云端 SaaS
- WorkBuddy（腾讯）：企业办公向，多 Agent 并行
有人会问：怎么两只都是腾讯？因为 QClaw 是电脑管家团队出的，WorkBuddy 是腾讯云出的，产品逻辑完全不一样。而且我自己就是微信+企业微信双开用户，这俩我都离不开。
我的测试场景也很实在，不跑分、不对抗，就用日常真的会遇到的活儿：
- 每天早上 9 点整理前一天的日报和未读消息
- 每周五下班前汇总本周代码提交记录
- 临时把桌面上堆积的截图按日期归档
- 帮我在飞书群里回复一个常见技术问题
都是些看起来简单、但做起来贼烦的小事。正是这种小事，最能看出一个 Agent 到底是在"炫技"还是真的能当数字员工。
二、第一周：谁能先学会"听懂人话"
四只虾里，第一个让我发出"卧槽"的是 QClaw。
它的 onboarding 太不讲道理了：下载安装包、微信扫码、绑定电脑——完事了。我特意掐了表，从双击安装包到发出第一条指令，一共 6 分 43 秒。要知道我部署原版 OpenClaw 可是用了 4 个多小时。
第一个任务我给了它：每天早上 9 点，把微信里置顶工作群里未读的消息按发送人整理成待办，发给我自己。
QClaw 没有直接说"好的"，而是反问了一句："待办需要区分紧急程度吗？"这个追问让我有点意外。很多 AI 工具为了显得聪明，会二话不说开始干，结果做出来的东西根本不能用。QClaw 这种"先确认再执行"的风格，反而让我安心。
但第三天我就遇到了坑。
它把群里的一个表情包也列进了待办，标题是"[图片]"，点进去才发现是同事发的"收到"。我跟它说"表情包不算待办"，它当时记住了，结果第二天又犯。直到我第三次纠正，它才真正学会过滤图片类消息。这个学习能力，说好听叫"可塑性强"，说难听点就是"得反复教"。
AutoClaw 走的是另一条路。
它的安装包比 QClaw 大了不少，但确实是"一键"：双击、选安装路径、等进度条跑完。没有命令行，没有环境变量，对非技术用户非常友好。启动后它给了我一个本地 Web 控制台，所有任务都能可视化编排。
我让它做截图归档，它完成得相当漂亮。不仅能按日期重命名，还能识别截图里有没有代码片段，把含代码的单独放一个文件夹。这个功能它自己"悟"出来的——我只说了"按日期整理"，它额外做了一个分类，理由是"代码截图通常需要后续处理"。
但这种"过度发挥"也有风险。有一次我让它"整理桌面"，它把还没保存的 Figma 设计稿缓存文件也挪走了，导致我打开 Figma 时提示文件异常。还好它做了操作日志，我一条条回滚才恢复。
ArkClaw 给我的第一印象是"快"。
不是执行快，是"上线快"。在火山方舟控制台里点了几下，两分钟就创建了一个实例。而且它跟飞书的绑定非常原生，我在飞书群里 @ 它，它直接以机器人身份回复，不需要像 OpenClaw 那样配一堆 webhook。
但它的云端属性也带来了我最担心的问题：我的代码仓库数据能不能上去？
我测试的任务是"读取本地项目目录，生成本周提交摘要"。结果 ArkClaw 告诉我："当前实例无法直接访问您的本地文件系统，建议上传至飞书云文档后处理。"我愣了一下。这确实安全，但这也意味着它不能算一个完整的"本地 Agent"，更像是一个重度集成飞书的云端助手。
WorkBuddy 是四只虾里体量最大的。
安装包最大、启动最慢、功能菜单最多。它的定位明显是面向企业团队的，个人用户用起来有点"杀鸡用牛刀"的感觉。但它的多 Agent 并行能力确实强：我可以让一个 Agent 整理邮件，另一个 Agent 汇总日程，它们同时跑，互不干扰。
不过 WorkBuddy 的"企业味"太重了。光是权限配置我就研究了半小时：什么"操作域"、"技能集"、"审计策略"……我作为一个写代码的都觉得复杂，普通用户上手门槛估计更高。
三、第二周：代码示例才是见真章的地方
光会整理文件还不够，我真正关心的是：这些 Agent 能不能帮我写代码、改代码、管代码？
我先给了它们同一个任务：
"我有一个 Python 脚本，每天从 API 拉取数据并存入 SQLite，现在想改成批量插入以提高性能，帮我修改。"
这是每个Agent都能遇到的典型场景。我把原始脚本存在一个临时文件里：
import sqlite3
import requests
def fetch_and_store():
resp = requests.get("https://api.example.com/items")
items = resp.json()
conn = sqlite3.connect("data.db")
cur = conn.cursor()
for item in items:
cur.execute("INSERT INTO items (id, name) VALUES (?, ?)", (item["id"], item["name"]))
conn.commit()
conn.close()
if __name__ == "__main__":
fetch_and_store()
QClaw 通过微信把修改后的代码发了回来，改成了 executemany，思路是对的。但它没有加错误处理，也没有说明批量插入的前提条件。对我这种能自己补的人来说够用，但如果是新手直接 copy 去用，可能会踩坑。
AutoClaw 最贴心。它不仅改了代码，还在本地 Web 控制台里展示了 diff，旁边附了一段说明："批量插入前建议先清空或更新旧数据，否则可能触发唯一约束冲突。"同时它保留了原文件，生成了一个 .optimized.py 版本。这种"不覆盖原文件"的谨慎，让我对它的信任度高了不少。
ArkClaw 没有直接操作本地文件的能力，但它引导我把代码贴到飞书文档里，然后在群里给出了修改建议。建议本身质量不错，甚至还提醒我考虑 sqlite3 的 isolation_level。但整个过程需要我人工复制粘贴，效率打了折扣。
WorkBuddy 的处理方式最让我哭笑不得。它直接创建了一个"代码优化 Agent"，然后弹出提示："检测到您有代码优化需求，是否启动研发专用工作流？"我点了确认后，它又让我选择"代码风格规范"、"目标性能提升比例"、"是否需要单元测试"。一通配置下来，我花了 15 分钟才看到结果。结果是对的，但这个仪式感也太强了。
这一轮我最大的感受是：国产 Agent 在代码理解上已经不弱，但它们的"工作流设计"差异很大。有的像贴心小助理，有的像严谨的企业系统，有的像云端咨询顾问。没有绝对的好坏，只有适不适合你的习惯。
四、第三周：我开始关注一些看不见的东西
用到第三周，新鲜感过去了，我开始在意那些第一周不会注意的细节。
隐私。
我故意在四只虾面前都提到了一个"敏感词"：我伪造了一个项目代号"Phoenix-7"，然后让它们分别帮我搜索相关资料。QClaw 和 AutoClaw 都没有把这个词上传到云端——至少从网络监控上看没有异常请求。ArkClaw 作为云端产品，我无法确定数据流向，这也是它天然的天花板。WorkBuddy 则有明确的企业审计日志，理论上可查，但个人用户看不到那么细。
记忆。
我周三跟 AutoClaw 说"以后凡是关于前端框架的截图都放到 frontend 文件夹"，周五它真的照做了。QClaw 的记忆也能跨会话保持，但偶尔会出现"我记得你说过"的错觉——它把别人的习惯误判成我的。ArkClaw 的记忆更像是"飞书文档级别的"，跟具体会话绑定。WorkBuddy 的记忆最强，但需要你手动配置记忆策略，否则它什么都会记，日志体积蹭蹭涨。
出错时的表现。
这是我最终评价一个 Agent 是否可用的核心标准。QClaw 出错会直接把错误堆栈发到微信，对程序员友好，但对普通用户可能吓人。AutoClaw 会在控制台用卡片展示错误，并提供"重试"、"跳过"、"回滚"三个按钮，体验最接近现代软件。ArkClaw 出错后会 @ 我并询问下一步。WorkBuddy 出错则是一整套"事件工单"流程，适合企业 IT 部门接管。
五、第四周：我的结论和一只"隐形虾"
一个月后，我对四只虾有了比较清晰的定位：
| 产品 | 最大优势 | 最大短板 | 适合谁 |
|---|---|---|---|
| QClaw | 微信生态无缝，上手极快 | 记忆稳定性一般，容易过度执行 | 微信办公重度用户 |
| AutoClaw | 本地优先，隐私可控，谨慎不覆盖原文件 | 占用资源较多，配置项偏技术 | 本地隐私敏感用户 |
| ArkClaw | 飞书原生，云端 7×24，响应快 | 无法直接访问本地文件 | 飞书办公、跨设备用户 |
| WorkBuddy | 企业级多 Agent 协作，权限完善 | 个人用户上手门槛高 | 团队/企业场景 |
但还有一个问题我没想明白：它们之中，有谁真正"打败"了 OpenClaw？
我的答案是：没有一只完全打败，但也不需要完全打败。
OpenClaw 的核心价值是自由度和可定制性。你想怎么改就怎么改，数据完全在本地，想接什么模型接什么模型。但这种自由是有代价的：你要会折腾、愿意维护、能接受它偶尔把你文件搞乱。
国产"龙虾"们做的不是"复制一个 OpenClaw"，而是把 OpenClaw 里某一类能力做到极致并降低门槛。QClaw 切的是微信场景，AutoClaw 切的是本地隐私，ArkClaw 切的是飞书云端，WorkBuddy 切的是企业协作。它们各自找到了一个具体战场，而不是在原版的主场上硬碰硬。
这其实也是我给大多数普通用户的建议：
- 如果你就想让 AI 在微信里帮你处理点杂事，QClaw 足够。
- 如果你担心数据安全，或者经常在断网环境工作，AutoClaw 更稳。
- 如果你的工作流已经长在飞书里，ArkClaw 最顺滑。
- 如果你是团队负责人，需要多人协作和审计，WorkBuddy 是唯一选项。
至于 OpenClaw，它依然是那只好龙虾——只是现在，你已经不必非要自己养一只了。
六、写在最后
这个月最让我意外的，不是某只虾有多强，而是我开始改变对 AI Agent 的期待。
以前我觉得 Agent 应该像科幻电影里的 AI 助手，什么都能干、什么都干得漂亮。但真正用了四周之后，我发现最有价值的 Agent，不是那个最聪明的，而是那个最懂我工作习惯的。
它会记得我把截图放哪、知道我常用什么语气回复同事、在我忘了提交日报的时候轻轻提醒我。这些看起来微不足道的细节，加在一起，才是一个真正能用起来的"数字员工"。
国产"龙虾"们也许还没有诞生一个完美的 OpenClaw 替代者，但它们正在让这件事变得越来越不遥远。而对于我等普通用户来说，与其争论"谁能打过谁"，不如先挑一只顺手的养起来——毕竟，AI Agent 这种东西，用多了，它才会真的变成你的。
你最近养虾了吗？用的哪一只？欢迎评论区聊聊。
