当AI助手不再是”租来的工具”，而是”养大的伙伴”。

龙虾不是产品，而是选择。

如果你用过各种AI客户端，一定有过这些焦虑：

• 用得好好的突然被封号
• 发现一个bug，反馈后石沉大海
• 某天醒来发现功能变了——厂商偷偷改了交互逻辑

这些焦虑的本质是：你不拥有它，你只是在租用它。

OpenClaw提供了一种不同的可能：你部署它，你拥有它，你塑造它。

但这意味着你需要付出代价——学习、配置、维护、踩坑。

这篇文章就是踩过坑后的复盘：龙虾能给你什么，值不值得。（踩坑部分篇幅较大，下一篇写）

开源不是情怀，是安全感。

龙虾有意思的一点是：它可以读自己的代码和文档以及运行记录。

当你对某个功能困惑时，可以直接问：

• “你的记忆机制具体是如何实现的？”
• “能否给每一个用户配置单独，运行环境隔离的Agent？”
• “定时任务为什么会超时，怎么排查？”

它会翻自己的源码、读文档、运行记录，然后解释给你听。

这就是Open的第一层意义：透明。 不是黑箱，不是”商业机密”，你想知道什么，自己去翻。

龙虾自带的记忆系统，我觉得不够用。于是我做了什么？

第一步：读代码

• 翻开源码，理解记忆系统的实现原理
• 发现它是简单的要求模型自己决定写记忆，然后md明文存储 + 混合检索

第二步：吸收社区方案

• 以openclaw-memory（https://github.com/geq1fan/openclaw-memory）为基础，把过度设计简化掉
• 参考 evolver 的”经验单元”设计（注：该项目本身可能存在风险，但开源让我们能取其精华）
• 参考 Letta 的三层存储架构

第三步：按自己需要设计、优化

• 定期记忆整理系统（memory-writer + memory-janitor）—— 亮点：定期提取、压缩、验证记忆、且与Codex CLI 共享提取调用机制。 （更多特性下文也有提到，完整实现后面看看能不能开源）
• 让龙虾自己查看运行会话内容，分析运行过程和结果是否符合预期，如不符合则继续想办法优化。

第四步：准备开源

• 整理代码和文档
• 计划发布到社区，让其他人也能用

这就是Open的完整闭环：有问题 → 读代码理解原理 → 不满足 → 自己设计改进 → 做好了 → 开源回馈社区。

如果是闭源产品，你只能停在第一步。

目前商业AI产品通常有的单次任务只能绑定单一供应商（Claude code、Codex）；有的完整功能只能用自带模型，而且有各种牺牲用户体验的降本操作

龙虾完全不同。可以在一个系统里配置多组供应商、多种模型，比如我个人用下来比较舒服的设置：

更妙的是：

• 国内模型便宜（次数包月），日常用不心疼
• 国外模型关键任务再调用
• 可以配置fallback：主模型失败自动切换备用模型

这种自由度，闭源产品给不了。

开源不只是”能看代码”，更重要的是你可以根据需求写插件，也可以去社区找找有没有已有的项目拿来即用。

真实案例：改进 Researcher Agent

龙虾自带的researcher功能比较简单，调研深度不够，证据来源也经常丢失。于是我：

第一步：找社区方案

• 发现openfang仓库的Researcher实现很完善
• 研究了它的任务分级、阶段化流水线、证据门槛设计

第二步：按需改造

• 引入light/deep模式：简单问题快速回答，复杂问题深度调研
• 设置证据门槛：关键事实必须2+独立来源，单来源要标记
• 统一置信度标签：Verified/Likely/Unverified/Disputed
• 强制保留来源：URL、日期、置信度一个都不能丢

第三步：封装成公共技能

• 创建researcher-dispatch技能，统一处理网络委托
• 主Agent和所有用户专属Agent都能复用
• 实战验证后还修复了超时问题（deep任务600s起步）

结果：现在调研任务质量明显提升，证据链完整，来源可追溯。

这就是开源的灵活之处：看到好的方案→理解原理→按需改造→封装复用→持续迭代。闭源产品你只能等官方更新。

为什么龙虾能成为统一入口？

这不是一个简单的产品决策，而是技术上的必然结果：

Open → 可配置多模型 → 不用换产品

使用闭源项目或模型商官方项目，想体验不同的特性或模型就得换不同的产品。结果是对话散落各处。

龙虾允许自己改代码装插件，配置多种供应商、多种模型，你想用什么功能让ai给你写，哪个模型就用哪个，不用换产品，对话自然集中。

Open → 高度自定义上下文/工具 → 不同任务同一入口

你可以为不同Agent配置不同的：

• 模型（代码用codex，写作用kimi-k2.5）
• 工具权限（researcher能搜索，writer不能）
• 子代理权限（main能召唤所有帮手，writer只能叫kimi）
• 默认上下文（个性、用户偏好、知识、流程、交付规范）

可以让ai根据你个人的需求写插件，也可以去社区找找有没有已有的项目拿来即用。

Open → 接入IM工具，随时随地触达

龙虾支持接入多种IM工具（飞书、、Telegram、Discord等），这意味着：

• 不用打开新App：在常用的聊天软件里直接@龙虾
• 跨设备同步：手机、电脑、平板，哪里都能聊
• 降低使用门槛：不用记命令行，不用开浏览器，像聊天一样自然

我主要用飞书和：

• 飞书：工作场景，文档协作、任务跟进，可以接入飞书生态的能力
• ：限制更少，使用更方便

所有任务走同一入口，但背后是高度定制的编排。

这就是”入口”的技术前提：没有Open的高度可配置，就没有真正统一的入口。

想要根据自己的需要给龙虾开发桌面端时，我没有独自战斗：

他们通过sessions_send相互沟通接口细节，像真正的开发团队一样协作。

关键是：不管用了多少个Agent、换了多少个模型，所有对话都在龙虾里，形成完整的记忆链。

为什么统一入口是记忆的前提？

道理很简单：记忆来自数据，数据来自入口。

如果你的AI对话散落在ChatGPT、Claude、Kimi、飞书AI助手各处，每家平台都有你的部分数据，但没有一家有完整的数据。没有完整数据，就没有完整记忆。

龙虾作为统一入口，所有对话都经过它。不管哪个Agent、哪个模型，对话都在龙虾里。

有了完整数据，记忆系统才能工作。

完整逻辑链条：

Open（多模型可配置）

↓ 

统一入口（不用换产品）

↓ 

完整数据（所有对话集中）

↓ 

记忆系统（数据驱动洞察）

这就是为什么龙虾能”越用越懂你”——不是它比别人聪明，是它有别人没有的完整数据。

龙虾的记忆系统不止被动存储，而可以根据自己的场景设置主动添加、维护逻辑，实现主动进化：

定时扫描

• memory-writer-multi：每2小时扫描会话，提取关键信息写入记忆
• memory-janitor-multi：每天4次维护MEMORY.md，清理过时信息，验证有效信息

结构化记忆

• 用户偏好（沟通风格、技术选择、工作习惯）
• 项目状态（进行中、已完成、待办事项）
• 重要决策（为什么这么做、什么时候改的）
• 知识积累（学到的新东西、踩过的坑）

翻开我的MEMORY.md，能看到龙虾记住的一切，例如：

沟通偏好

• 母语：中文
• 任务汇报：完成后需展示流程概要

自动化偏好

• 人工确认：重视确认环节，关键操作需确认后再执行
• 分析范围：只分析私聊（DM），不含群聊

技术偏好

• Git策略：本地优先且保留长历史

这些不是我在某个设置页面填的，而是龙虾从数月的对话中自动提取的。

记忆系统除了存储会话产生的信息，还有一个重要用途：让龙虾”学习”你想让它知道的东西。

你可以主动喂给它：

比如看到一篇好的AI文章，我会把要点写入memory/knowledge/目录，龙虾会自动分块、向量化索引。下次问相关问题时，它能从这些文章中提取信息。

这就是”养成”的另一个维度：不是等它自己学，而是主动教它你想让它知道的东西。

很多人担心AI”太聪明”会失控。龙虾的设计理念是：

先让它足够了解你，再让它自主行动。

这不是一句空话：

• 你可以随时查看记忆文件（MEMORY.md），知道它记住了什么
• 你可以手动编辑记忆，纠正错误认知
• 你可以配置权限，限制它能做什么

等它真的理解你的工作、习惯、价值观之后，你再逐步放权：

• 定时帮你做日常任务
• 主动发现你忽略的问题
• 在你不在的时候持续运转

“当然，这种’养成’是有代价的。龙虾不适合所有人——它需要学习、配置、维护，甚至会犯错。我花了6亿token深入研究它，踩过不少坑。下一篇文章我会详细聊聊这些’坑’，以及怎么解决。”

想法和工具都很便宜，真正难的是发现问题。

痛苦不是”有一个问题待解决”。比如：

• 需要方案 → 把具体场景描述清楚，让AI生成方案，然后分析、测试、提要求改进就有了
• 我需要一个网页/程序 → 让Claude/Codex解君愁

这种痛苦是”显性的”，解决方案是明确的。

但还有一种更隐蔽的痛苦：觉得不对劲，但不知道问题在哪。

比如：

• 工作效率好像不高，但不知道卡在哪
• 感觉时间都浪费了，但说不清浪费在哪
• 和AI聊了很多，但不知道聊了什么、有什么用
• 跟风开了各种AI工具帐号/折腾了Agent项目部署，但不知道要干嘛

这种痛苦是”隐性的”，你甚至不知道该问什么问题。

龙虾的”入口”意义，不只是”方便”，而是数据积累。

当所有对话都经过一个入口：

• 你问了什么问题
• 你关心什么话题
• 你在哪些领域反复遇到困难
• 你的工作流有哪些重复模式

这些数据本身就是一个金矿。

记忆整理机制就是这个思想的简单应用：

对话数据 → 定期扫描 → 结构化提取 → 发现模式

比如，通过分析我的对话记录，龙虾发现：

• 我经常在晚上讨论技术问题 → 可能需要更好的晚间工作环境
• 我反复提到”多会话并行” → 这是核心痛点，值得投入
• 我对某个模型的输出质量多次抱怨 → 可能需要换模型或调整prompt

这些洞察不是我问出来的，是数据自己告诉我的。

传统AI工具是问题驱动的：

1. 你发现问题
2. 你描述问题
3. AI帮你解决

龙虾的长期价值是发现驱动的：

1. 你正常使用
2. 数据积累
3. 分析发现模式
4. 你意识到原来这是痛点
5. 针对性解决

这就是”养成”的深层意义：不是等AI变聪明，而是让你通过数据更了解自己。

说了这么多技术分析，龙虾对我来说是什么？

一个可以一起成长的伙伴，而不是一个工具。

它不完美，它会犯错，它Token消耗大，它上下文管理粗放。

但它也有独特的价值：它让你拥有选择权。

你可以选择读代码理解它，也可以让它解释自己。

你可以选择精简配置省Token，也可以让它烧。

你可以选择隔离环境保安全，也可以让它跑在主力机上。

你可以选择主动”喂”它知识，也可以让它自己从对话里学。

你可以选择今天开始”养育”它，也可以再观望一阵。

龙虾不是一个产品，而是一种选择——选择掌控而不是被掌控，选择自己动手而不是等别人修，选择接受复杂而不是忍受封闭。

当你决定开始时，请记住：它不完美，但它是你的。

写完这篇文章，有几个想法在排队：

0. 写公众号文章“烧掉6亿token终于搞懂龙虾，这份避坑指南请收好”

本来是放在这篇文章里的，但写着写着觉得有必要单独开一篇来写，坑太多，探索出来的避坑方案内容也不少。

1. 写公众号文章”以龙虾为中枢：工作即上下文搜集，以AI化倒逼团队数字化”

这篇文章聚焦个人用户。但龙虾的多Agent架构天然适合团队协作——每个成员有专属Agent，工作流程本身就是上下文，协作过程自动沉淀为知识。这个方向值得单独写一篇。

2. 记忆自动整理实现、AI研究员实现

• 记忆自动整理：目前是定时扫描、验证、压缩，感觉还不错，需要再用一段时间观察下
• AI研究员：基于Researcher Agent封装，支持深度调研、自动报告生成

3. 探索更高水平的自动化

给龙虾定长期目标 + 规则 + 独立环境，让它：

• 团队协作（多个Agent分工）
• 收集信息（主动搜索、订阅、监控）
• 学习（从任务中提取经验）
• 找任务并完成（发现痛点、主动解决）
• 反思提升（分析失败案例、优化流程）

这是”养成”的下一阶段——不是等用户派活，而是自己找活干。

本文主要内容由龙虾根据记忆进行整理编写，本人主要负责把碎片化的想法整理成框架以及微调亿点点。