拿不到结果的小龙虾Openclaw

这几天openclaw小龙虾火出圈了

OpenClaw之所以能在短时间内引发如此大的关注，主要源于它两项鲜明的特色。

其一，是它的ClawHub平台。这个平台汇聚了全球顶尖的“Skill”。这里需要打个比方：大模型本身就像一个无所不知的智囊库，但如果你不会提问，它就“茶壶里煮饺子——有货倒不出”。这就好比大多数人面对百度搜索框，也常常不知道输入什么关键词才能直达目标。而Skill的本质，正是由各领域高手预先编写好的最佳“提问指南”或“操作脚本”，直接把你领到答案门口。

其二，是它的本地安装与操作权限。这意味着，当AI生成的代码不再只是一段飘在云端的文本，而是能直接保存为本地文件，在本地环境中部署、运行。更进一步，它还能调用本地的软件工具和命令行，让AI的“思考”真正落地为可执行的“动作”，能力边界被大大拓宽了。

大模型的实际应用：体验与观察

在实际使用中，大模型主要能在几个方面提供助力。

首先，是作为“思维伙伴”。有时会将一些复杂的思考抛给像DeepSeek这样的模型，目的并非直接索取结论，而是观察它的推理过程。这就像请来一位不知疲倦的“陪练”，通过它呈现的思考路径，来审视自己是否遗漏了某些视角。关键在于“过程”而非“结果”。

其次，是信息的“搜罗与摘要”。大模型的联网搜索和自动摘要能力，本意是帮助我们快速获取最新、最全、最准确的信息。但实践下来发现，这是个“不可能三角”。例如，豆包在“最新”上做得不错，但在“最全”上常常力不从心；至于“最准确”，则更是痛点，时不时会出现事实偏差或日期错误。近期试用阶跃星辰的AI，准确性有所提升，但在覆盖面和时效性上，又略有不及。可见，鱼与熊掌难以兼得。

最后，是“代码生成”。对于通用场景的代码片段，大模型确实能帮上忙。但一旦涉及专业领域的特定接口，问题就来了——模型往往会因为不了解这些接口而“自由发挥”，生成无法运行的代码。更麻烦的是，由于领域过于垂直，在ClawHub上也很难找到现成可用的Skill。最终往往还得回归原点：自己动手，耐心编写专属的提示工程，这个过程着实考验耐心。

大模型的能力边界：优势与短板

经过一段时间的观察，大模型当前的能力图谱已经比较清晰。

它的意图识别相当不错，基本能准确捕捉用户想问什么。上下文理解也尚可，在多轮对话中能保持话题的关联性，不至于严重跑偏。当然，偶尔的“迷失”也在所难免，常见的应对技巧是让模型进行“阶段性自我总结”，或要求它“基于上下文重新回答最初的问题”，这能有效地把它拉回正轨。

在思维层面，它的推理与因果关联能力不错，给出的回答通常结构清晰、逻辑自洽。规划能力也值得称道，能进行一定深度的思考，给出相对完整的解决方案思路。在多个方案中做决策时，它通常能通过内部优化策略筛选出较优解。

至于代码的生成、编译、部署与运行，这可以说是“代码大模型+OpenClaw”组合拳最擅长的舞台，自动化程度很高。

然而，它的短板同样明显。最核心的一点是，大模型缺乏真正的洞察能力。它无法穿透表象，识别出事物背后的深层模式、本质规律或第一性原理。

正因如此，它也几乎不具备预测能力。它的所知所学，全都基于过去已发生的数据，其工作是将这些信息结构化地呈现出来。它当然也会尝试进行“归因分析”，解释为何事物会呈现当前状态，但这种归因的可靠性值得怀疑——就像一场雪崩由亿万个微妙因素共同促成，但每一片雪花都不单独为此负责。至于未来将如何演化发展，这超出了它的能力范围。说到底，预测未来的前提是洞察规律，而后一点正是它所缺失的。

OpenClaw的“自主执行”：名与实

需要警惕的是，“自主执行”这个概念可能需要更冷静的审视。虽然OpenClaw能在代码运行失败时自动检查、回溯问题，甚至重新规划方案、生成代码并再次尝试，表现得非常“执着”。

但这里有一个简单的逻辑：
拿不到结果的人，很难被称为真正的人才；
拿不到结果的认知，往往是纸上谈兵；
同样，如果最终拿不到可用的结果，那么过程的自动化，恐怕也难称得上是真正的“自主执行”。

当然，那种自动联网搜点资料、拼凑成一篇自媒体文章的“玩具级”应用，不在此讨论之列。我们关注的，是真正能解决复杂问题、交付可靠结果的生产力。