龍蝦（OpenClaw）裝上了，怎么讓它真干活

全文3,000字 | 閱讀約8分鐘

中文互聯網上最火的 AI 新物種，叫 OpenClaw，也叫“小龍蝦”。

熱度有多真實？小紅書、知乎、B 站滿是安裝教程，從 Mac 到舊手機都能部署。有人做付費課程，有人提供上門安裝服務，甚至出現了專門的知識星球。

這說明中國用戶不只是圍觀，已經在真實使用。

但裝上容易，用好難。

3月5日，LangChain 創始人 Harrison Chase（LangChain 是目前最主流的 AI Agent 開發框架）在訪談里提到：做一個能在推特上演示的 Agent 很容易，但要讓它每天穩定干活，非常難。

其實 AI Agent （智能體）的想法不新鮮。AutoGPT 兩年前就在做：讓模型循環運行，自己調用工具，自己完成任務。但 AutoGPT 沉寂了，OpenClaw 卻火了。

• 為什么 AutoGPT 沉寂了，OpenClaw 卻火了？

• 為什么演示容易，運行難？一個真正能干活的 Agent 需要什么？

• 企業怎么才能看清 Agent 在做什么？

這些問題的答案，Harrison Chase 在這次訪談里講得很清楚。

第一節 ｜為什么突然所有公司都在裝龍蝦

OpenClaw 的爆火看起來很突然。但在 Harrison Chase 看來，這件事其實準備了很久。

時間往前倒兩年，開發者圈出現過一個類似項目叫 AutoGPT。它一度成為GitHub 增長最快的開源倉庫，很多人第一次看到：原來 AI 可以不斷循環運行，自己調用工具，自己繼續完成任務。它的做法就是：模型思考，調用工具，根據結果繼續行動。

但 AutoGPT 很快就不火了。

為什么？那時候的模型還不夠穩定。任務一長，模型做著做著就亂了，或者在同一個步驟里反復打轉。演示很驚艷，實際用起來經常出問題。

Harrison Chase 后來總結過：想法很美好，但要讓它可靠地運行，其實很難。

過去一年，這個難題開始有解了。

模型能力明顯提升。Claude、GPT 以及新一代大模型，處理長任務時更穩定，調用工具也更準確。

但更關鍵的變化是：Agent 開始有了管理自己工作環境的能力。

最明顯的是文件系統。它們可以把信息存到文件里，需要的時候再讀取。它可以像人在電腦上工作一樣，有地方放資料，有地方寫草稿，任務做到一半可以保存，然后繼續往下走。

模型變聰明，加上有了文件系統，就讓 OpenClaw 這樣的 Agent 真正能用起來了。

技術不是突然誕生的，只是慢慢跨過了某個臨界點。

所以你會看到，越來越多公司開始把龍蝦裝進自己的系統。

第二節 ｜演示容易，干活難在哪

裝上龍蝦之后，很多公司很快會發現：Agent 看到的信息和人類不一樣。

人在工作時，可以自己決定要看哪些資料，要跳過哪些細節。但 Agent不行。它只能看到你給它的信息。給多了處理不過來；給少了又會亂套。

Harrison Chase 提到 AutoGPT 當年的做法：如果調用一個 API，返回了40000個 token 的數據，它就直接把這40000個 token 全部塞給模型，作為下一步的輸入。

結果就是：信息量太大，模型根本處理不過來。

到了OpenClaw 這一代，思路變了：把這40000個 token 存到文件里，只告訴模型前面1000個 token 的內容。如果 Agent 判斷需要更多信息，可以自己用工具去讀完整版。

這個改變看起來很小，但本質上是把控制權交給了 Agent 本身。它可以決定自己要看什么、什么時候看。

Harrison Chase 管這個叫上下文工程：在正確的時間、以正確的格式、把正確的信息給到模型。

任務一長，Agent 需要的信息就會越來越多。你要決定哪些信息應該一直保留，哪些可以暫時放一邊，哪些應該壓縮，哪些需要詳細展開。

這就是讓 Agent 真正干活的關鍵所在。

第三節 ｜ 能干活的 Agent 需要什么

第二節說的上下文管理問題，怎么解決？

Harrison Chase 在訪談里提到，需要一整套結構。這套結構現在已經相對清晰了。

1. 首先是規劃

讓 Agent 在動手之前先想清楚：這件事需要哪些步驟，每一步應該做什么。具體做法是給它一個待辦事項列表工具，讓它自己記錄任務進度。這樣 Agent 就不會做著做著忘了目標。

1. 然后是子 Agent

當任務太復雜時，可以把它拆成幾個小任務，每個小任務交給一個專門的子 Agent 去做。比如一個負責查資料，一個負責寫代碼，一個負責整理結果。

為什么要這樣做？因為每個子 Agent 有一個清晰的上下文窗口，只關注自己的小任務，不會被其他信息干擾，可以真正深入把事情做好。做完之后，把結果交回給主 Agent。

1. 接下來是文件系統

它的作用遠不止“有地方存文件”。真正重要的是：文件系統讓 Agent 可以管理自己的上下文。

Agent 可以把暫時用不到的信息存到文件里，需要的時候再讀取。它可以把大塊的工具返回結果先存起來，只看摘要，要深入了解時再打開完整版。這就解決了第二節說的信息過載問題。

1. 最后是提示

很多人以為模型變聰明了，提示就不重要了。事實正好相反。Claude Code 的系統提示詞，如果把工具定義也算進去，大約有2000行長。

提示仍然極其重要，因為它決定了模型會怎么推理、Agent 會怎么行動。

有了這套結構，Agent 就有了干活的基礎。

第四節 ｜企業的難題：你根本不知道 Agent 在做什么

規劃、子 Agent、文件系統，這些都有了。但 Agent 還是會出問題。這時候，一個新的難題又來了：

它們到底在系統內部做什么？

傳統軟件出了問題，開發者可以很快定位。因為程序是按固定流程走的，每一步都有記錄。

但 Agent 不一樣。它根據任務內容不斷生成新的行動：調用工具、修改文件、重新規劃。從外面看，任務在繼續，但如果中途出錯，很多團隊根本不知道它之前做過什么，也不知道在哪一步開始出問題。

不知道 Agent 在做什么，帶來兩個麻煩：

• 一個是調試困難。任務失敗了，不知道哪里出錯。

• 另一個是安全風險。Agent 有權限調用工具、修改文件、訪問數據。以OpenClaw 為例，它權限很高，能做很多事，但缺乏護欄。LangChain 現在直接禁止員工在工作電腦上裝，就是擔心不可控的風險。

OpenClaw 的高權限正是它威力所在，問題是現階段的版本缺乏企業級的安全控制。企業需要的是一個既強大又可控的版本。

怎么做到可控？要知道 Agent 在做什么，就得先把每一步行動都記錄下來。這叫執行軌跡。

但記錄只是開始，真正的挑戰是：當 Agent 大規模運行時，這些軌跡會變成海量數據。

Harrison Chase 在訪談里講到兩個真實案例：一家叫 Clay 的公司在用 Agent 做客戶數據自動化，每月運行數百萬甚至數十億次，他們不可能用肉眼去看這些軌跡。還有代碼開發平臺 Replit，他們的軌跡可以長達數千步，你需要在單一軌跡內部搜索，找到某個具體時間點發生了什么。

面對這種規模，只能用 LLM 去分析這些執行記錄，自動尋找問題。比如找出用戶可能困惑的地方，或者連續調用同一個工具三次但得到不同錯誤的地方。LLM 可以對軌跡進行分類、聚類，告訴你用戶在怎么使用這個系統。

Harrison Chase 的判斷是：這件事可能比模型能力更重要。執行軌跡和可觀測性，是讓 Agent 真正發揮作用的核心要素，也是 LangChain 真正的護城河所在。

因為當 Agent 開始承擔越來越多工作時，企業需要的不只是一個聰明的模型，更需要一套能看清它在做什么的工具。

有了結構，再加上可觀測性，Agent 才能從偶爾成功的演示，真正變成每天穩定干活的工具。

結語｜裝上只是第一步

OpenClaw 的流行，讓很多公司開始把 Agent 接入實際工作。

但裝上只是第一步。

• 讓它穩定運行，需要解決上下文管理問題。

• 讓它從演示走向生產，需要規劃、子Agent、文件系統這套結構。

• 讓它真正安全可靠，還需要可觀測性。

這些，就是 Harrison Chase 說的答案。

裝龍蝦不難，難的是這些。

識自AI

本文由AI深度研究院出品，內容整理自LangChain創始人Harrison Chase在Venture Beat 2026年3月4日訪談等網上公開素材，屬評論分析性質。內容為觀點提煉與合理引述，未逐字復制原訪談材料。未經授權，不得轉載。

星標公眾號， 點這里1. 點擊右上角2. 點擊"設為星標" ← AI深度研究員 ? ← 設為星標

https://www.youtube.com/watch?v=53gPwkcIsXQ&t=16s

https://blog.langchain.com/doubling-down-on-deepagents

https://x.com/VentureBeat/status/2029302123221881076

https://www.21jingji.com/article/20260305/herald/8cef512858916f7779420a15600575a8.html

來源：官方媒體/網絡新聞，

排版：Atlas

編輯：深思

主編：圖靈