你电脑里养的“龙虾”，其实在给大厂打黑工（组图）

这两天和国内两个朋友通电话，他们不约而同提到了同一个词——“龙虾”。

一个问我：“你养龙虾了吗？”另一个说：“你知道吗，现在国内很多人都在养龙虾。”

我有点意外。龙虾，我熟悉。一个多月前，我就写过一篇关于“龙虾”的文章，当时算是比较早触及这个话题的。

前段时间我也认真研究过部署方法，甚至一度准备动手试试。但出于安全方面的考虑，最后还是没有真的装。

没想到短短一个多月，这件事在国内已经火到这种程度。

深圳腾讯总部楼下排队装OpenClaw的新闻、抖音上“全民养龙虾”的视频，还有各种教程、截图、晒Agent任务的帖子，几乎一夜之间就刷满了社交媒体。

所谓“养龙虾”，其实是国内网友对 AI Agent 的一种戏称。

很多人把像 OpenClaw 这样的智能体部署在自己的电脑或服务器上，让它长期运行，自动执行各种任务。因为这些程序往往在后台不停工作，像活物一样喂数据、做事情，于是被网友形象地称为“养龙虾”。

很多人会把这件事理解为一场技术浪潮。但如果只从技术角度去解释，其实是不够的。真正有意思的问题是：为什么这种事情，总是最先在中国变成一种社会现象？

技术焦虑与效率崇拜

回头看中国互联网二十多年的历史，你会发现一个很稳定的规律。每一次新技术出现，中国用户都会迅速涌进去试一试。

从早年的MP3、安卓刷机，到后来微信红包、抖音滤镜，再到AI绘画、ChatGPT，几乎每一波技术浪潮都会在中国形成一种类似全民实验的氛围。

很多人下载一个新应用、部署一个新工具，并不是因为马上有实际用途，而是因为一种很微妙的心理：如果别人都在用，而自己不会用，好像就落后了一步。

OpenClaw恰好击中了这种情绪。这种技术焦虑，在今天的AI时代变得更加明显。

过去几年，AI一直停留在一种比较抽象的形态里——聊天、写作、画图。很多普通人觉得它很厉害，但又很遥远。

OpenClaw带来的变化，在于它让AI看起来第一次真正会干活。你给它一个任务，它会自己拆解步骤，去搜索信息、调用软件、整理结果，然后再把结果交给你。虽然很多时候还很笨拙，但那种感觉已经不一样了。

这种变化对普通人的冲击其实非常大。中国社会对效率有一种非常强烈的崇拜。

八十年代有句广为流传的口号：时间就是金钱，效率就是生命。从中可见，中国人对效率的执念。只要一项技术被证明可以帮你多快好省赚钱，它很容易迅速获得关注。

先上车后买票的实用主义

中国人讲究实用，不玩虚的。不像欧美用户那样，先讨论伦理，再决定用不用，这个过程可能要很久。这虽然保护了个人权利，但也常被批评为监管过度导致创新迟滞。

中国人的习惯是先用，再看。无论是移动支付还是现在的生成式 AI，中国企业更擅长直接把产品推向市场，通过亿万用户的真实反馈来快速修正。

伦理讨论可以先上车后买票，隐私泄露、算法歧视等问题出现后，再通过行政手段或快速立法来打补丁。

比如3月10日，国家互联网应急中心就发布了关于OpenClaw安全应用的风险提示。此前，工业和信息化部网络安全威胁和漏洞信息共享平台也发布过相关的安全风险提示。

这些都相当于打补丁。这事，中国人做起来很在行，轻车熟路。

在这种文化环境里，Agent技术几乎天然具有吸引力。但这还不是全部原因。中国互联网还有一种很独特的文化：折腾。

很多技术在其他国家是专业工具，在中国却会变成一种大众爱好。路由器刷机、自动化脚本、智能家居，这些东西在国内一直有非常庞大的用户群体。

很多人使用技术的乐趣，并不只是效率，而是过程本身。OpenClaw在某种意义上正好继承了这种传统。它既是AI工具，也是一个新的折腾玩具。

你可以给Agent起名字，让它自动跑任务，看它一步步尝试、出错、修正，像养一个半成品的数字助手。于是技术工具慢慢变成一种游戏，一种参与感很强的社会行为。

当这种行为进入短视频平台之后，传播速度就会突然加快。

中国的社交媒体有一种很典型的扩散路径：技术圈的东西一旦进入抖音，就会迅速变成一种梗。人们开始晒截图、录视频、互相模仿，一个原本属于极客社区的工具，很快就会变成一种全民话题。

“养龙虾”就是这种传播机制的产物。

庞大的规模与低成本优势

中国互联网还有一个独特现象，那就是工程师文化非常普及。中国程序员总数去年已经突破940万，当之无愧的世界第一。程序员多，技术社区极其活跃。

很多技术扩散路径是，从程序员到同事，再到家人。所以经常会出现，程序员先玩，普通人跟进。这次“养龙虾”也是这种模式。

另外，中国是全球唯一一个同时拥有三种条件的国家：最大的互联网用户规模、极其活跃的开发者社区，以及低廉的AI推理成本。

截至2025年12月，中国网民规模已达到 11.25亿人，互联网普及率达 80.1%。

低廉的AI推理成本这一点值得多说几句。很多人讨论AI时，习惯关注模型能力，比较谁更聪明、谁参数更多。但真正决定AI能否普及的，其实是成本。

过去两年，大模型的主要使用方式是聊天。一个人一天可能问十几次问题，这样的使用频率，对算力的消耗其实非常有限。

2026年，阿里、字节、腾讯三家加起来，预计要在算力上砸四五百亿美元。数据中心里有成千上万张AI加速卡，如果缺少足够的调用需求，这些昂贵的设备就会处于低利用率状态。

“龙虾”是吞噬数据的怪物

它们真正需要的，是一种能够持续运行、自动调用模型的应用形态，一个可以不断吞噬Token的怪物。这时候，“龙虾”就来了。

一个Agent在执行任务时，会不断向模型发起请求：理解任务、拆解步骤、搜索信息、调用工具、检查结果、再进行下一轮推理。一个复杂任务跑下来，调用次数可能是普通聊天的几十倍甚至上百倍。

换句话说，Agent本质上是一种持续燃烧算力的机器。

对于大厂来说，真正的暴利不仅仅是卖 Token 的钱。当几百上千万个“龙虾”在全中国的电脑里跑任务时，它们其实在帮大厂做一件最值钱的事：收集真实的交互数据。

这种数据是训练下一代更强模型的“原油”。大厂提供廉价的算力，换取了全社会帮它标注任务流程。

如果你养的“龙虾”习惯了调用某个大厂的模型 API，你就会产生路径依赖。当所有人的办公、搜索、创作都建立在一个生态的 Agent 体系之上时，大厂就成了这一行业的收费站。

再过一段时间，大厂可以通过轻微的策略调整，从这个巨大的算力网络中提取租金。

拿美国来说，普通居民用户用电价格明显比中国贵。2026年全美居民平均电价约为 0.17 - 0.20 美元/度（约 1.2 - 1.4 元人民币），几乎是中国平均水平的 2 到 3 倍。

假如每次运行任务都要消耗昂贵的API费用，如美国这样的国家，普通用户是很难长期使用的。

过去两年，中国大模型厂商之间展开了异常激烈的价格竞争。国产模型的API调用价格，普遍只有海外同类模型的几分之一。与此同时，中国的数据中心拥有更低的电力成本。

潜在风险不容忽视

不过，这场全民养龙虾的热潮，也开始暴露出一些新的问题，这也是为什么国家频发风险提示。

有用户反映，在重度使用情况下，1亿Token大约只能支撑一个月，费用接近7000元。更夸张的是，有人遇到OpenClaw任务失控，一夜之间消耗数亿Token，第二天收到数万元账单。

而在海外市场，类似的风险甚至更加极端。媒体曾披露，一家墨西哥软件开发公司因为API Key泄露，最终损失超过8万美元（约合58万元人民币）。

还有一个更离奇的例子。OpenAI工程师 Nick Pash 创建的 AI 交易智能体 Lobstar Wild，在社交平台上被人“骗走”了全部资产。交易完成时，转出去的钱高达25万美元。

所以普通人尝鲜也是有代价的。尤其是那些小白，更要谨慎部署龙虾。如果操作不当，它给你带来的损失，远大于收益。

多年以后回头看，这一波“龙虾热”会被记住。因为它标志着人类与AI的关系发生了一次根本性的迁徙，从“人去询问AI”，变成了“人去指挥Agent’。

当那些在后台默默运转的程序开始替你处理琐碎的账单、规划繁杂的行程，AI就彻底摘下了聊天机器人的标签，开始在后台真正替人类做事。