「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👍🏻