「龍蝦農場」到「一隻就好」:我從OpenClaw到Claude的心路歷程
一個多月、四隻龍蝦、四台電腦、幾千塊 token 學費;最後只留一隻,搬家到 Claude。這段學習的過程跌跌撞撞,但是很值得。以下文長、有些技術名詞沒解釋,只是一段「從頭說起」,沒興趣可以跳過。
TL;DR
從二月到現在,我從最多養了四隻OpenClaw龍蝦、讓它們互修互救、燒了三千塊token學費,到現在只留一隻在Mac mini上跑,其他工作全轉Claude。
結論是:龍蝦自由但難管,Claude穩定但有牆;對我的工作來說,能隨叫隨到比功能強大更重要。近兩個月之後,除了過程中獲得許多學習樂趣之外,也清楚知道自己並不那麼需要自動化。我還是會繼續玩這類AI agent,但完全不會焦慮。
2月初:旁觀,然後入坑
這件事的起點,其實是看別人玩。
2026年2月上旬,我開始注意到朋友圈裡有人在玩「龍蝦」,也就是「OpenClaw」這套開源AI agent工具(因為logo是隻龍蝦)。簡單的說,所謂Agent就是將AI模型連上電腦本機,以便在電腦上執行各種工作。
在自己下海之前,看到外界對龍蝦的體驗很兩極:說好用的讚不絕口,說不好玩的則是摸了兩天就退坑;說好用的又分兩種:一種是串雲端API跑(然後互相分享怎麼省token、或是不小心噴錢的故事),另一種是去買台新機器、裝起來跑本地模型,就不必再燒token錢了。
(如果你不知道token是什麼,可以將它理解為「AI運算引擎用的燃料」,是要花錢買的,跑越多用越多。)
於是有點手癢,就把暫時閒置的Linux電腦拿來裝了隻龍蝦。
雖說我現在是種田的,但年輕的時候也寫過十年程式;跟年輕人比比新科技當然有點落後,但硬派實驗魂還是有的。XD
2月:從一隻到一群
2月20日,我在台中跑過年攤,利用空檔先後在三台電腦上各裝了一隻龍蝦,讓它們互相修理、玩心電感應,把token的TPM配額用爆,瞬間覺得自己有點專業(其實不是)。
一週後,桌上已經有四台電腦、四隻龍蝦在跑,我沿用兩個工讀生(我的貓)的名字、彼此以姐妹相稱。
為什麼要養四隻?因為龍蝦很容易掛。
OpenClaw對環境參數、安全權限等設定很敏感,再加上自己功力有限,很容易莫名其妙「已讀不回」。所以養多隻的邏輯是:永遠保持至少一隻活著,以便叫它去診斷、甚至「用蝦修蝦」(這樣做其實應該叫做「蝦爆了」)。
這樣做有時候會成功,但有時候派去修的那隻也跟著掛;只好又養了第三隻,越養越多,變成農場。
除了備援之外,我同時在做幾個實驗:在大姊機器上訓練好某個技能(skill)之後,叫大姊去教小妹(安裝環境、分享設定、教學流程)。當某一隻說「這個我不會」,就直接叫它「去問你大姊」。
幾隻都學會同一件事之後,就可以實驗多機協作,例如在外面用筆電(妹妹)叫家裡伺服器上的龍蝦(姊姊)做事。
我還設計了一套「snapshot」備份流程,一個指令就可以備份三隻龍蝦的穩定狀態。萬一哪一隻掛掉,可以嘗試還原;如果系統本身壞了還是救不回來,但至少在重裝之後可以很快把記憶和設定移植回去。
這段時間有個念頭飄過:我以後如果沒頭路,還可以去管機器人工廠。
3月初:架構實驗期
3月初因為玩得比較熟了,維修需求減少、可以簡化架構,所以龍蝦從四隻縮減為兩隻,開始進入比較有方向的實驗階段。
當時的架構是:Mac mini M1上一隻「比較聰明」的龍蝦,串Gemini Flash模型,擔任「特別助理」,負責判斷和規劃;Linux機上一隻「比較笨」的龍蝦,跑本地Llama 3.1模型,擔任「檔案管理員」,聽助理的命令做事。
理論很美:聰明的那隻花token動腦筋,笨的那隻在本地跑不花錢;苦工交給笨的做、需要腦子時才叫聰明的出馬,以便節省整體的token開銷。
原本還打算進一步升級Linux機上的GPU,把另一台電腦上的RTX 3060 12GB加進去,跟原本的RTX 1070 8GB組成雙卡架構,理論上可以在本地跑20B等級的模型。因為我的工作幾乎全是文字,運算負荷相對輕,說不定是條可行的路。
不過後來拆機後發現,我的Linux機和原本打算捐贈顯卡的Windows機上,都只能插一片顯示卡,所以這個計畫只好告終。
這個階段的心態跟初期不太一樣。初期是「讓它活著就好」,現在開始進入「理解它的架構邏輯」;雖然還是常常在解問題,但解的是更有意思的問題了。
3月中:Claude出現
3月12日,我把一個自動化流程設計任務交給Claude免費版,跟之前交給龍蝦做的是同類型的工作。結果做完了,而且乾淨俐落,過程中我沒有貼半條錯誤訊息、沒有去後台確認它還活著、沒有等它半天才回「在喔」。
我在筆記裡寫了一句:Claude廢話不多,跟我很像,我喜歡。
缺點是真的有:Claude不能自主寫好Python程式之後自己測試、自己抓蟲,必須手動複製、執行、把錯誤回報給它,再繼續(這是指當時的免費版)。龍蝦在這方面確實更自由。但整體工作體驗比龍蝦乾淨太多——畢竟龍蝦的工作時間裡,有一半是在確認它還在不在。
到了3月18日,付了錢開始認真用Cowork和Claude Code,比較就更清楚了。
Cowork Chat的限制是很明顯的:不能直接寫入本機檔案、不能透過Tailscale SSH連到其他機器。這些限制我知道,所以可以繞路,或是手動補檔。龍蝦的限制是比較模糊的:理論上什麼都能做,所以我也不確定它什麼時候會做出意料之外的事,或是直接停止運作、假裝什麼都沒發生。
跨機記憶的問題也確實存在。Cowork各台電腦之間不共享session記憶,所以如果在A機上工作到一個段落要繼續交給B機,必須自己叫Cowork寫一份進度報告,手動餵給B。
我後來寫了一個skill,讓各台機器定期把「上面有哪些功能、怎麼用、現在狀態如何」整理成一份報告,同步到我的Obsidian資料庫,省得自己老人失憶時找不到東西。這個解法本身,某種程度上是用龍蝦式的思路在解Claude的問題,有點好笑。
Claude Code的Telegram頻道實驗則給了我另一個清醒的教訓。我以為可以從手機上派任務、電腦自動跑完。實際上,每隔幾個步驟就會停下來,要我去電腦桌面按「yes」授權繼續,不同類型的操作都要分開確認,整個工作過程我大概按了二三十次。
問過Claude本尊,它也告訴我沒有辦法在Telegram上做授權。「走開讓它自己做完」的願景,暫時還不存在。
(後來有高手教我可以一個指令跳過所有手動授權,但又有點危險,不太敢用。)
3月下旬:看清楚了
到了3月21日前後,我對兩者的比較有了比較清楚的輪廓。
龍蝦的優點:開放、權限高、機器之間溝通流暢,自主性強,工作鏈可以做很長。理論上,叫它從A機連到B機、讀個檔、改好、傳回來,一氣呵成沒有問題。
龍蝦的缺點:安全風險高、維護成本高。碰到問題容易停擺,不會自我修復,必須持續陪伴。這些維護工作的時間和token成本,往往遠超過實際使用所產生的價值。過去一個月,光是在學習和除錯上燒掉的token,大概就值3000台幣,幸好都在Google免費配額內消化。
Claude的優點:穩定,成本透明,不需要維護,隨時都在。
Claude的缺點:各服務之間的牆很高。Claude Code不認識Cowork,Cowork的session之間不互通,跨機器工作要手動傳context,本機檔案的直接操作有安全限制。
結論很清楚:龍蝦是放山雞,自由但難管。Claude是家裡養的,馴化但可靠。對一個想做事、不想管基礎設施的人來說,答案不難選。
心態的轉折
其實真正重要的轉變,並不是在比較功能,而是想清楚了一件事。
我把AI agent可以做的工作大致分成幾類:
整理過去的東西(舊檔案、舊作品)
執行現在的工作流程(寫作、開發、分析)
規劃未來的方向(系統設計、長期計劃)
然後還有一個夾在2和3中間的「2.5」:實驗學習。它跟前三類都沒有直接關係,但卻是:
有意義的打發時間
透過學習過程得到樂趣
增加哪天需要幹正事時的功力
有些人一頭熱開始玩AI agent,一來是怕落於人後、二來是期望工作產能可以大幅提升;這兩者的結果當然因人、因工作而異,這邊我只談自己:時間比一般上班族多、過去作品很多、但對自動化需求不高、喜歡自己動手的種田老人。
我現在用agent做的工作,大多數在1和3之間,其他則多半是「自己用手做比較快/有趣」和「找AI方案時間投資報酬率不高」的事情,而其實花最多時間的是花在2.5上。
講結論
回頭看這一個多月,幾乎所有時間都在「實驗學習」。開農場、讓龍蝦姐妹互修、設計備份流程、測試雙卡架構、摸清Claude各服務的邊界……,這些事情都沒什麼產能,但讓我把AI agent的架構邏輯、各模型的差異、實際應用的搭配方式等等過程從頭到尾走了一遍。
想通這一點之後,就沒什麼「AI焦慮」了。我的日常工作本來就不需要四隻龍蝦。我的工作多半是文字,有一堆稿子要整理、或許再整理出一本書,需要的是一個幫我想、幫我寫、幫我整理筆記的工具,而不是跑自動化流程的基礎設施。
只有一點思考:能給AI做的事情少,是不是代表我的工作型態已經落後時代的呢?
最近有個說法是,企業給員工的token預算最好是薪資的一半。只要可以提高工作品質、早點下班睡覺(這一點很重要,否則就是拿更時尚的牛車給人拖而已),這樣也沒什麼不好。
如果有人要給我這種份量的token,我也照樣花得完。但如果目的是拖牛車,那又何苦?我去拖真的牛車,可能對身體還好一點。XD
現在Mac mini M1上還留著一隻龍蝦,每天定時跑幾個Obsidian資料庫維護腳本,安安靜靜在角落做事。其他工作,全部交給Claude。
然後我就可以多點時間做別的事了,這樣也蠻好的。







謝謝分享,本來想要入坑,但看起來可以少走一些冤枉路以及少花一些時間👍🏻