龙虾（OpenClaw）装上了，怎么让它真干活

全文3,000字 | 阅读约8分钟

中文互联网上最火的 AI 新物种，叫 OpenClaw，也叫“小龙虾”。

热度有多真实？小红书、知乎、B 站满是安装教程，从 Mac 到旧手机都能部署。有人做付费课程，有人提供上门安装服务，甚至出现了专门的知识星球。

这说明中国用户不只是围观，已经在真实使用。

但装上容易，用好难。

3月5日，LangChain 创始人 Harrison Chase（LangChain 是目前最主流的 AI Agent 开发框架）在访谈里提到：做一个能在推特上演示的 Agent 很容易，但要让它每天稳定干活，非常难。

其实 AI Agent （智能体）的想法不新鲜。AutoGPT 两年前就在做：让模型循环运行，自己调用工具，自己完成任务。但 AutoGPT 沉寂了，OpenClaw 却火了。

• 为什么 AutoGPT 沉寂了，OpenClaw 却火了？

• 为什么演示容易，运行难？一个真正能干活的 Agent 需要什么？

• 企业怎么才能看清 Agent 在做什么？

这些问题的答案，Harrison Chase 在这次访谈里讲得很清楚。

第一节 ｜为什么突然所有公司都在装龙虾

OpenClaw 的爆火看起来很突然。但在 Harrison Chase 看来，这件事其实准备了很久。

时间往前倒两年，开发者圈出现过一个类似项目叫 AutoGPT。它一度成为GitHub 增长最快的开源仓库，很多人第一次看到：原来 AI 可以不断循环运行，自己调用工具，自己继续完成任务。它的做法就是：模型思考，调用工具，根据结果继续行动。

但 AutoGPT 很快就不火了。

为什么？那时候的模型还不够稳定。任务一长，模型做着做着就乱了，或者在同一个步骤里反复打转。演示很惊艳，实际用起来经常出问题。

Harrison Chase 后来总结过：想法很美好，但要让它可靠地运行，其实很难。

过去一年，这个难题开始有解了。

模型能力明显提升。Claude、GPT 以及新一代大模型，处理长任务时更稳定，调用工具也更准确。

但更关键的变化是：Agent 开始有了管理自己工作环境的能力。

最明显的是文件系统。它们可以把信息存到文件里，需要的时候再读取。它可以像人在电脑上工作一样，有地方放资料，有地方写草稿，任务做到一半可以保存，然后继续往下走。

模型变聪明，加上有了文件系统，就让 OpenClaw 这样的 Agent 真正能用起来了。

技术不是突然诞生的，只是慢慢跨过了某个临界点。

所以你会看到，越来越多公司开始把龙虾装进自己的系统。

第二节 ｜演示容易，干活难在哪

装上龙虾之后，很多公司很快会发现：Agent 看到的信息和人类不一样。

人在工作时，可以自己决定要看哪些资料，要跳过哪些细节。但 Agent不行。它只能看到你给它的信息。给多了处理不过来；给少了又会乱套。

Harrison Chase 提到 AutoGPT 当年的做法：如果调用一个 API，返回了40000个 token 的数据，它就直接把这40000个 token 全部塞给模型，作为下一步的输入。

结果就是：信息量太大，模型根本处理不过来。

到了OpenClaw 这一代，思路变了：把这40000个 token 存到文件里，只告诉模型前面1000个 token 的内容。如果 Agent 判断需要更多信息，可以自己用工具去读完整版。

这个改变看起来很小，但本质上是把控制权交给了 Agent 本身。它可以决定自己要看什么、什么时候看。

Harrison Chase 管这个叫上下文工程：在正确的时间、以正确的格式、把正确的信息给到模型。

任务一长，Agent 需要的信息就会越来越多。你要决定哪些信息应该一直保留，哪些可以暂时放一边，哪些应该压缩，哪些需要详细展开。

这就是让 Agent 真正干活的关键所在。

第三节 ｜ 能干活的 Agent 需要什么

第二节说的上下文管理问题，怎么解决？

Harrison Chase 在访谈里提到，需要一整套结构。这套结构现在已经相对清晰了。

1. 首先是规划

让 Agent 在动手之前先想清楚：这件事需要哪些步骤，每一步应该做什么。具体做法是给它一个待办事项列表工具，让它自己记录任务进度。这样 Agent 就不会做着做着忘了目标。

1. 然后是子 Agent

当任务太复杂时，可以把它拆成几个小任务，每个小任务交给一个专门的子 Agent 去做。比如一个负责查资料，一个负责写代码，一个负责整理结果。

为什么要这样做？因为每个子 Agent 有一个清晰的上下文窗口，只关注自己的小任务，不会被其他信息干扰，可以真正深入把事情做好。做完之后，把结果交回给主 Agent。

1. 接下来是文件系统

它的作用远不止“有地方存文件”。真正重要的是：文件系统让 Agent 可以管理自己的上下文。

Agent 可以把暂时用不到的信息存到文件里，需要的时候再读取。它可以把大块的工具返回结果先存起来，只看摘要，要深入了解时再打开完整版。这就解决了第二节说的信息过载问题。

1. 最后是提示

很多人以为模型变聪明了，提示就不重要了。事实正好相反。Claude Code 的系统提示词，如果把工具定义也算进去，大约有2000行长。

提示仍然极其重要，因为它决定了模型会怎么推理、Agent 会怎么行动。

有了这套结构，Agent 就有了干活的基础。

第四节 ｜企业的难题：你根本不知道 Agent 在做什么

规划、子 Agent、文件系统，这些都有了。但 Agent 还是会出问题。这时候，一个新的难题又来了：

它们到底在系统内部做什么？

传统软件出了问题，开发者可以很快定位。因为程序是按固定流程走的，每一步都有记录。

但 Agent 不一样。它根据任务内容不断生成新的行动：调用工具、修改文件、重新规划。从外面看，任务在继续，但如果中途出错，很多团队根本不知道它之前做过什么，也不知道在哪一步开始出问题。

不知道 Agent 在做什么，带来两个麻烦：

• 一个是调试困难。任务失败了，不知道哪里出错。

• 另一个是安全风险。Agent 有权限调用工具、修改文件、访问数据。以OpenClaw 为例，它权限很高，能做很多事，但缺乏护栏。LangChain 现在直接禁止员工在工作电脑上装，就是担心不可控的风险。

OpenClaw 的高权限正是它威力所在，问题是现阶段的版本缺乏企业级的安全控制。企业需要的是一个既强大又可控的版本。

怎么做到可控？要知道 Agent 在做什么，就得先把每一步行动都记录下来。这叫执行轨迹。

但记录只是开始，真正的挑战是：当 Agent 大规模运行时，这些轨迹会变成海量数据。

Harrison Chase 在访谈里讲到两个真实案例：一家叫 Clay 的公司在用 Agent 做客户数据自动化，每月运行数百万甚至数十亿次，他们不可能用肉眼去看这些轨迹。还有代码开发平台 Replit，他们的轨迹可以长达数千步，你需要在单一轨迹内部搜索，找到某个具体时间点发生了什么。

面对这种规模，只能用 LLM 去分析这些执行记录，自动寻找问题。比如找出用户可能困惑的地方，或者连续调用同一个工具三次但得到不同错误的地方。LLM 可以对轨迹进行分类、聚类，告诉你用户在怎么使用这个系统。

Harrison Chase 的判断是：这件事可能比模型能力更重要。执行轨迹和可观测性，是让 Agent 真正发挥作用的核心要素，也是 LangChain 真正的护城河所在。

因为当 Agent 开始承担越来越多工作时，企业需要的不只是一个聪明的模型，更需要一套能看清它在做什么的工具。

有了结构，再加上可观测性，Agent 才能从偶尔成功的演示，真正变成每天稳定干活的工具。

结语｜装上只是第一步

OpenClaw 的流行，让很多公司开始把 Agent 接入实际工作。

但装上只是第一步。

• 让它稳定运行，需要解决上下文管理问题。

• 让它从演示走向生产，需要规划、子Agent、文件系统这套结构。

• 让它真正安全可靠，还需要可观测性。

这些，就是 Harrison Chase 说的答案。

装龙虾不难，难的是这些。

识自AI

本文由AI深度研究院出品，内容整理自LangChain创始人Harrison Chase在Venture Beat 2026年3月4日访谈等网上公开素材，属评论分析性质。内容为观点提炼与合理引述，未逐字复制原访谈材料。未经授权，不得转载。

星标公众号， 点这里1. 点击右上角2. 点击"设为星标" ← AI深度研究员 ⋮ ← 设为星标

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

来源：官方媒体/网络新闻，

排版：Atlas

编辑：深思

主编：图灵