深度｜当年爆火的“龙虾”，为何现在无人问津了？ 原创

产联社编辑 | 黄钰慧

图片由AI生成

【产联社】从全网刷屏到鲜少被提及，“养龙虾”热潮只维持用了半年。今年3月，从技术公司到普通用户，一场围绕OpenClaw的“养虾”热迅速扩散。据路透社等外媒报道，从学生到科技从业者等不同群体开始尝试部署 OpenClaw，国内还出现了围绕安装、使用和个性化Agent的线下活动。

OpenClaw当时引发关注的原因并不只是增加了一个AI聊天入口。按照OpenClaw官方文档，其Agent运行环境包含Agent Loop、工具连接、工作空间和会话存储；其记忆体系能够将长期信息、用户偏好和每日上下文保存在不同文件中，并通过搜索机制按需调用。相比单纯生成答案，它开始尝试让AI进一步记住信息、调用工具并持续执行任务。

半年之后，市场景象已有明显变化。9月24日，腾讯QClaw团队宣布，因业务发展调整，QClaw将于12月24日正式停止运营，即日起停止新用户注册以及订阅服务购买和续费；用户可通过QClaw官网将数据迁移至WorkBuddy，同时可通过客户端备份配置、记忆、Agent人格和对话记录等数据。

与此同时，AI行业新的产品仍在密集强调Agent。9月29日，OpenAI推出dot。官方将其定义为可以全天候工作的Agent，每个dot拥有自己的云电脑，可以根据反馈持续学习，并通过插件连接超过4000个应用。10月8日，Google Cloud发布Gemini agent，定位为统一的工作Agent，可以直接进入Gmail、Drive、Docs、Sheets、Calendar等Workspace产品，调用工具、连接企业系统并完成工作。

所以，“龙虾没人提了”并不等于Agent没人做了。OpenClaw项目本身也没有停止。其官方GitHub在10月仍持续发布版本，10月3日发布的2026.9.8版本继续修复Agent回复、资源占用、更新失败和Windows启动等工程问题。

真正发生变化的是，年初让“龙虾”成为现象级产品的那些能力，正在快速失去稀缺性。

那么，短短半年，AI Agent到底发生了什么？

“养龙虾”为什么会火

要回答“养龙虾为什么没人提了”，首先需要回到它当初为什么会火。

在当时主流的消费端大模型产品中，聊天式交互仍是最常见的使用方式之一。用户让模型总结文档、写邮件、生成代码，它可以给出结果；但打开软件、寻找文件、执行后续操作，通常仍需要用户自己完成。

OpenClaw把这种关系向前推了一步。

它不仅可以接收自然语言指令，还能使用工具、操作工作空间、保存跨会话信息，让AI从“告诉你怎么做”进一步靠近“自己去做”。OpenClaw当前官方文档仍将工具连接、Agent Loop、会话和记忆列为运行体系中的核心组成部分。

一个AI能够记住你的偏好、寻找信息、调用工具，并按照目标持续行动，这与此前主要在聊天框中生成内容的产品体验形成了明显差异。

万联易达人工智能集团产业智能体互联网事业部技术孵化组组长曾冠奇向产联社表示，从专业技术视角看，OpenClaw本身仍然比较粗糙，“其实只是一个Demo级产品，真正带来业务价值还有很长的路走”。但正因为大量非专业用户第一次直观体验到Agent能够自主行动，才迅速形成了传播效应。

也就是说，“龙虾”当时的爆火，很大程度上来自一个此前偏技术圈的概念，被做成了普通用户能够直接体验的产品。而随着类似能力迅速普及，这种新鲜感很难长期维持。

当初惊艳的能力越来越像“标配”

从近期头部厂商的Agent产品看，工具调用已经越来越像基础能力，而非单独卖点。

万联易达科技集团高级专家级工程师卫向军向产联社表示，普通用户可能感受到OpenClaw讨论热度下降，但从技术视角看，它代表的Agent技术并没有衰退，反而正在被越来越多产品接受。

卫向军将这一过程概括为Agent不断“工程化”的过程。早期更多是Prompt Engineering，即通过提示词明确任务；之后进入Context Engineering，开始解决复杂任务需要哪些上下文、记忆和背景信息；再往后则进入Harness阶段，模型负责理解和推理，Harness负责任务拆解、工具调用、代码与文件操作、记忆以及上下文管理。进一步加入循环和自检机制后，Agent还可以根据执行结果继续调整。

与此同时，底层模型本身也在发生变化。

“以前为了让模型正确调用工具，需要非常明确地告诉它怎么做；现在模型本身已经能够做更多拆解和判断。”卫向军表示，一方面，模型对用户意图和工具调用的理解越来越强；另一方面，Agent框架也在成熟，复杂任务的拆解、上下文压缩、存储以及外部工具调用都有了更系统的工程实现。

从OpenAI和Google最近推出的Agent也能看到这种变化。dot不仅拥有独立云电脑，还强调长期记忆、持续运行和与外部应用连接；Gemini agent则能够直接在企业办公软件中调用工具、使用业务上下文，并提供身份、权限、安全和治理机制。

半年前，“会调用工具”本身就是新闻。半年后，它正在成为下一代Agent继续向前发展的起点。

卫向军认为，这种能力快速“标配化”，首先来自AI产业极快的投入和迭代速度。模型能力进步后，又开始反过来提升AI研发自身的效率；与此同时，开源模型、Agent框架和工程组件越来越成熟，开发者不再需要重复构建大量基础能力。

OpenClaw失去的首先不是技术价值，而是这种能力曾经拥有的稀缺性。

Agent竞争进入长程任务阶段

当“AI能不能使用工具”逐渐有了答案，新的问题开始出现：它能不能真正把一件复杂的事情做完？

从产品场景上看，Coding Agent较早验证了Agent在复杂专业任务中的价值，之后能力开始向白领办公和更加泛化的个人场景扩展。从工程技术上看，则逐渐从Prompt、Context向完整Harness和循环执行体系发展。

随之受到关注的一个方向是Computer Use。

过去，Agent调用外部系统，通常需要应用提前提供API或者其他接口。但现实中大量老旧软件没有为Agent准备标准接口。

卫向军认为，Agent与外部系统的交互大致可以分为三类，即标准接口调用、浏览器操作，以及Computer Use。标准接口通常最可靠；浏览器操作可以利用网页结构判断下一步行动；而当系统既没有合适接口、也无法直接读取结构时，Computer Use则需要像人一样理解屏幕，再模拟点击和输入。

“从可靠性来看，标准接口最可靠，浏览器操作其次，Computer Use相对更有挑战；但是从泛化能力来看，当系统没有提前提供任何Agent接口时，Computer Use的价值就会体现出来。”卫向军说。

另一个竞争重点则是长程任务。这里真正困难的，不是简单让AI“运行得更久”，而是任务链条拉长后，每一步产生的误差都可能继续向后传导。

卫向军举例，如果一个复杂任务被拆成10个子任务，即使每一步都有90%的成功率，10步串联之后，整体可靠性也会明显下降。因此，长程任务真正考验的是，Agent能否在越来越长的任务链中保持目标、上下文和执行稳定性。

这让Agent面临的问题从“能不能操作”变得更加具体：它能持续多久？几十步后还记不记得用户最初的要求？某一步失败以后能否恢复？软件界面发生变化后，还能不能继续工作？

卫向军认为，从“回答问题”真正走向“完成任务”，当前至少还面临三个重要问题。第一是幻觉和任务漂移，即Agent最终执行的任务能否始终符合用户原始目标；第二是可靠性，因为复杂任务往往涉及多个外部系统，而软件版本、界面和运行环境都会变化；第三则是权限和安全，一旦Agent真正拥有执行能力，其可操作范围就需要被严格约束。

对于今天的Agent而言，“会动手”已经不够，能否在复杂环境中稳定完成任务正在成为新的考验。

产业开始重新算账

技术演示进入真实业务后，需要面对的是另一套问题。

OpenClaw年初走红时，大量用户关注的是“它居然能自己完成任务”。但对一家真正想将Agent放进生产环境的企业来说，数据能不能接、权限怎么管、任务成本多少、业务流程变化以后怎么办、如何衡量实际效果，都会直接影响部署结果。

曾冠奇认为，OpenClaw虽然实现了Agent面向大众的一次重要普及，但从“Demo级产品”走向真正业务价值，还有较长距离。对于如何判断一个AI热点是否值得持续投入，曾冠奇强调的是技术团队本身对底层技术的判断力。他将这种能力称作“学术品味”，即要形成对底层核心技术的穿透力，需要长期阅读论文、实践编码，并在反复实践中形成判断。

而AI留给企业做判断的时间正在越来越短。

曾冠奇认为，新技术从验证走向产业落地的周期已经“明显缩短，而且会越来越快”。在他看来，技术迭代本身越来越快，Vibe Coding等新的开发方式又进一步提升了软件生产效率。

这与卫向军观察到的变化相互印证。成熟开源模型、Agent框架和开发工具正在不断降低新产品的开发门槛。过去，一个新能力可能维持较长时间的技术差异；现在，一个方向一旦被证明可行，其他团队就可以更快完成验证和跟进。

对于技术团队而言，热点出现得更快，留给判断、试错和形成差异化的时间也在缩短。

从单点能力转向“系统能力”

OpenClaw的变化并不是孤例。类似变化也出现在AI搜索、推理和Coding等方向。

最初，大模型能够联网获取新信息，本身就足以成为产品卖点；随着搜索能力被整合进更多AI产品，行业开始进一步强调Deep Research，再到Agent主动搜索、判断，并继续执行后续任务。搜索仍然存在，只是更多成为复杂任务流程中的一个环节。

Coding也在发生类似变化。从代码补全，到生成代码，再到Agent理解仓库、修改文件、运行测试和持续迭代，一些此前被作为独立卖点强调的能力，正在被整合进更完整的Agent系统。

曾冠奇认为，基础模型仍然非常重要，是整个Agent的底座。但当前做基础模型的公司往往更多关注模型本身，而业务落地公司则更关心系统能力。

他认为，未来还可能进一步出现新的范式：模型训练本身就围绕真实业务落地需求展开，使模型能力与企业场景从训练阶段开始结合，而不是先训练一个通用模型，再在应用层进行适配。

而在当前从技术孵化进入真实企业场景的过程中，曾冠奇认为，最难的一步是“本体构建”。“如果构建一个好的本体，让Agent真正长到企业场景里面去。”他说。

这意味着，在企业场景中，竞争力越来越难只由一个单独的AI功能构成。模型、企业知识、业务对象、工具、流程和权限体系如何组织起来，开始直接影响Agent能否真正进入生产环境。

因此，OpenClaw不再像年初那样成为讨论中心，也与行业关注对象的变化有关：焦点正在从某一个具体Agent产品，转向支撑Agent进入真实业务的完整技术体系。

“龙虾”真的消失了吗

至少从技术项目本身来看，并没有。

OpenClaw仍在持续更新。10月3日发布的2026.9.8版本还在解决多个Agent协同回复、Codex Agent内存占用、更新失败和Windows启动等工程问题；此前版本还持续增加模型支持、可靠性和安全更新。

但它所处的坐标已经不同。年初，OpenClaw向普通用户直观展示了AI不只能在聊天框中回答问题，还可以拥有记忆、工具和执行能力。半年以后，这些能力已经越来越多地进入新一代Agent产品。

OpenAI最新的dot已经把独立云电脑、长期运行、持续学习和应用连接放进一个产品；Google的Gemini agent则进一步将模型、工具、业务上下文以及身份、权限、安全和治理能力整合进统一工作Agent。

与此同时，Agent自身的能力边界也越来越受到关注。卫向军认为，外界目前最容易高估的，是把Agent理解为“万能的”。一个Agent实际上是模型和工程系统共同组成的复合体系，如果认为部署一个简单Agent就能完成一个岗位甚至企业中的全部工作，显然超出了当前技术边界。

至于下一阶段究竟需要“更聪明”还是“更可靠”的Agent，卫向军认为两者并非二选一。模型应该承担更聪明的规划、拆解和推理，而记忆系统、工具调用、Browser Use、Computer Use等工程体系需要保证Agent更可靠地完成任务，“这两个是一体两面”。

曾冠奇则把未来半年到一年值得关注的方向指向后训练。他认为，未来值得投入的方向之一，是将LLM与Agent真实业务场景结合，通过面向具体场景的强化学习后训练，让模型从训练阶段开始适应Agent所面对的业务任务。

半年前，“给电脑养一只龙虾”本身就是一件足够新鲜的事情。半年后，记忆、工具调用、任务拆解和主动执行已经越来越多地出现在其他Agent产品中。因此，“无人问津”并不意味着OpenClaw已经消失，更准确地说，它所代表的一部分能力正在从“新鲜功能”变成下一代产品的基础能力。

当“会调用工具”不再足以制造惊喜，Agent下一阶段真正需要回答的问题也随之变化，AI不只是能不能做，而是能不能稳定、持续、安全地把事情做完。

这或许才是“龙虾”热潮退去之后，更值得关注的变化。

商务合作，请联系侯经理 18801065284（微信同号）

报料及内容合作，请联系chanlianshe2026（微信号）