实测联想天禧Claw：我搭了个“多龙虾编辑部”，云主机24小时“替我打工”

智东西
作者 江宇
编辑 漠影

联想也下场“养虾”了。

一句话装好Java环境，下载文件自动分类整理，早上在车里交代一句分析任务，到公司打开电脑结果已经放在桌面上——这些原本需要自己一步步处理的事情，现在开始有了另一种完成方式。

在最新一轮升级中，“天禧Claw”作为核心功能之一重磅亮相，同时引入“端-边-云”一体架构，并由AI原生OS进一步接管人机交互流程。

目前，“联想版龙虾”天禧Claw已正式开启内测。

和不少仍需要部署环境、依赖本地运行的Agent产品不同，天禧Claw在使用方式上更偏向“开箱即用”：无需安装和配置，打开就能用。同时，端云混合的架构也带来一个更直接的变化：任务可以全天候跨端运行，设备关闭之后，流程仍然在后台推进。

对终端厂商来说，这类产品的重点，在于如何把设备、数据和任务执行连接起来，让AI真正参与到日常使用中。智东西第一时间拿到了内测资格，这次从具体场景切入，看看天禧Claw在真实工作中的表现如何。

一、从信息抓取到成稿输出，我让它跑通了一条“AI日更流水线”

这次体验，天禧Claw帮我接管了一件每天都在重复做的事情：每天自动生成一份AI行业新闻日报，并整理成可以直接发布的内容。我先给天禧Claw设了一个定时任务，让它在每天下午16:50自动抓取AI行业最新新闻，完成去重之后，整理成一份结构化的日更信息流。

天禧Claw本身内置了多种可直接调用的能力，同时也支持自建Skill。这次，天禧Claw帮助我搭了一套“多龙虾版编辑部”的Skill。

这套skill，把整个流程拆成三个明确分工的Agent来跑：记者龙虾负责抓取新闻、整理摘要和补充来源；总编龙虾负责审核内容、判断重要性并完成排序；运营龙虾则负责统一排版结构，生成最终可发布的日报格式。

这一步完成之后，原本需要多轮对话才能完成的流程，被压缩成一个可以反复调用的模块。

到了设定时间，这套流程会自动执行。从结果来看，它完成的是一条比较完整的信息处理链路。抓取到的内容基本覆盖当天主流AI动态，包括模型发布、行业合作以及技术架构更新等信息，每条新闻都附带摘要和来源链接。

内容会按照重要性进行排序，形成“今日热点+详细内容”的结构，最后直接输出为Markdown，可以直接下载使用。

更值得注意的是，在整理完成之后，“总编龙虾”还会补上一段总结。这部分会把当天的变化抽象成几条趋势，比如多模态能力逐渐成为基础能力、成本优势开始影响市场格局，以及多模型协同成为新的技术方向。这种处理方式已经接近资深编辑的判断。

这一轮体验下来，一个比较明显的变化在于，内容生产更像是在维护一条可以持续运行的生产流程。前期把结构和分工搭好之后，后续的更新基本可以按节奏自动推进，不需要再逐条整理信息或手动调整结构。

需要说明的是，这类能力并不会越过设备本身的权限边界。涉及本地文件的操作，仍在用户可控范围内完成，而任务执行主要在云端环境中进行，两者之间保持相对清晰的分界。

二、云主机像一位不下班的搭档：你不盯着，它也在干活

天禧Claw一大核心的价值，是7×24在线。人可以离开设备，任务还在继续，这种体验和“守着AI对话框等回复”已经不是一回事。

文件整理、环境安装、资料汇总、定时执行，这些事情原本都需要人盯着进度。放到云主机场景里，一句话交代清楚，后续流程可以继续在后台推进。

这种能力更像是给用户配了一个不下班的搭档。白天接任务，晚上继续跑流程，等用户再回来时，结果已经被整理好，或者已经推进到下一步。

▲任务：你看下我电脑上下载文件夹里那篇糖尿病相关的论文，看完以后直接帮我总结下其中的核心内容给我

另外一个更容易被忽视的点是，这类持续执行的能力是建立在相对独立的云端环境里的，任务运行、数据处理都在隔离环境中完成，减少了对本地设备的干扰，也让用户在把任务交出去时，多了一层安全与可控。

云主机形态改变了人与AI的协作节奏。用户不用反复盯进度，AI也不用每次从头开始，这种状态更接近现实生活中的真实助理。

三、Skill决定上限，龙虾也需要一台能越养越强的“能力容器”

Agent好不好用，往往要看它能调动多少能力。今天很多AI产品的问题，在于能调用的能力太少。一旦Skills丰富起来，AI处理任务的颗粒度就会明显变细，很多原来只能靠手工完成的流程，才有机会真正自动化。

天禧Claw本身已经预装了一批能力，同时还支持安装三方Skills。

在这次实测的内容生产场景中，我们把重点放在更高频的内容生产流程上。以“AI行业日报”为例，从信息抓取、摘要整理，到结构编排和最终输出，这一整条流程被打包成一个可复用的Skill。原本需要多次下指令才能完成的步骤，被压缩成一次调用，后续每天可以自动运行。

自建Skill的意义也在这里。很多人的工作流程都有自己的习惯和顺序，通用工具只能覆盖一部分，自建Skill才能把自己的方式方法积累下来，慢慢成为一套更称手的能力库。

从更长的维度看，Claw类产品的差异，很大程度上会体现在谁的Skill生态更丰富、谁更方便接入三方能力、谁更容易把用户自己的工作流沉淀成可复用模块。

Skill生态越丰富，Claw的可用边界就越宽。模型负责理解，Skill负责执行，后者往往直接影响日常体验。

四、PC、手机、Pad同时接上，资料、设备和任务直接串起来了

多端协同，可以快速解决碎片化的日常任务。

天禧Claw支持PC、Phone、Pad多端使用，并且采用同账号同步的方式完成体验接续，这种连续性是终端产品的一大优势。

▲PC端

▲Phone端

▲Pad端

在更具体的使用中，这种协同是有层级的。一类是设备内的直接操作，例如在手机上控制系统功能、查询本地信息。

▲手机端系统级能力闹钟管理“明天早上7:30设个闹钟”，自动创建

而另一类是跨设备的任务流转，例如在手机上发起一个任务，电脑端继续调用资料、生成内容，最后结果再沉淀进知识库。

▲查询电脑桌面文件

▲总结今日AI相关新闻并写入知识库

终端厂商做Claw的优势也在这里：它可以直接打通设备系统、文件、应用和知识资产，很多原本需要在多个工具之间切换的操作，可以在一条链路里完成，协作更顺。

从这个角度看，Claw并不是孤立功能，是联想整套终端AI能力中的一个执行层抓手——把分散在不同设备和应用里的能力，重新串成一条可以连续运转的工作流。

结语：终端厂商的新考题，做出更“Claw native”的设备

这一轮Claw产品密集出现之后，大家都在尝试用它来处理自己手里的工作。

天禧 Claw给出的方向，价值就在这里。把云主机、Skills、多端协同、后台任务这些能力组合在一起，让AI直接参与到日常事务的处理过程中。

对终端厂商来说，这种尝试也很有代表性，不只是模型能力，还包括：能否把设备、数据和执行能力真正串起来。

比如在手机上发起一个任务，电脑端继续执行，结果直接落到本地文件或知识库中；再比如从信息抓取、摘要整理，到标题生成和结构排版这样的流程沉淀为可复用的Skill，减少重复操作。

它考验了产品能否真正把设备能力，转化为用户可感知的效率提升。

再往后看，Claw类产品的竞争，多半还会继续升级。

能力是否稳定，Skill生态是否丰富，用户是否愿意把任务长期交付出去，都会成为更关键的分水岭。谁能把这些环节打磨到位，谁就更有机会把这类产品变成大家惯用的日常工具。