每天花 4 小时，我养了一支“龙虾”团队｜开发者说

# 每天花4小时养AI团队，这位CTO的“龙虾”军团如何帮他高效工作？ 想象一下，一位CTO每天清晨打开Telegram，收到的不只是消息，而是一份由AI团队自动生成的科技资讯早报，甚至还有一男一女对谈式的播客版本。这听起来像是科幻电影里的场景？在AI Agent的浪潮下，这已经成为现实。 **核心内容：** 1. 从本地部署AI到组建“1+6”龙虾团队的全过程 2. Telegram作为AI交互平台的独特优势与省token技巧 3. 主控Agent+专业Agent分工模式带来的效率革命 ## 本地和云端我都要：“龙虾团队”养成记 故事要从那台128G内存的华硕笔记本说起，搭载着AI Max+ 395。 一次线下分享会，台下听讲时，一个念头突然闪现：能不能在本地部署一个AI Agent，让它帮忙干活？想法到了，行动也就跟上。立刻在WSL上部署了一个DeepSeek 70B模型，下载花了不少时间，但总算跑起来了。 最开始，它被接入飞书，打算做个群聊查询机器人。结果团队成员太兴奋了，疯狂@“龙虾”，飞书API额度很快就被用爆了，只能被迫转战Telegram。 为什么选Telegram？这背后有几个很实际的优势。它支持丰富的指令体系，操作起来顺手方便；每次对话都是一个New Thread，只携带当前这一句话的上下文，不会把之前所有内容都一股脑丢给AI；还可以灵活调整Thinking Level。这些特性带来的直接效果就是——大幅降低Token消耗，这本身就是一个值得分享的省Token技巧。 **本地部署还是云端？** 很多朋友都在纠结这个问题。说实话，跑过不少测试后，其实各有千秋。本地部署的优势很明确：128G内存环境，响应极快，Token无限，数据留在本地，隐私有保障。云端的吸引力则在于门槛低、成本不高，移动办公更便捷。 最终的选择是两边都配了，走一个“本地为主、云端兜底”的组合路线。对于刚入门的朋友，建议先从云端开始，用最小成本体验一下，本地部署确实有一定门槛。 龙虾在手，接下来要解决的核心问题就是：用它做什么？ 团队成员先提了一个需求，每天早上9点投递一些投资研报。跑了几天后，又追加了新要求——在文字研报的基础上，增加一个语音播客版本，两人对话的形式。现在大家已经习惯了它每天准时投递内容。 对这位CTO来说，日常主要工作是“打代码”——严格来说，是盯着AI写代码。但精力毕竟有限，就想着能不能有一个和自己水平相当、或者至少中等水平的Agent，让它去盯其他Agent写代码，这样效率就能大幅提升。 需求越来越多，问题也随之暴露：所有任务都挤在一个Agent里，不同的信息互相串扰，龙虾开始“失忆”，上下文污染严重，使用体验很差。 怎么办？灵感来了——为什么不把龙虾拆分成一个团队？ 就这样，一个由**主控Agent**和**六个专业Agent**组成的龙虾团队诞生了。 关于这个龙虾团队，有几个值得分享的点。 **第一，给龙虾起名也是一种生产力。** 主Agent叫“符爪术士”（Clawmancer），名字带点中二气息，但很有个人风格。虽然每个Agent都可以单独聊，但每天和主Agent “xiaoc”聊得最多，它已经成了非常给力的工作搭子。 **第二，龙虾各有特性，有不同的“灵魂”。** 每个Agent都有独立的Memory和Workspace，同时也有共享Memory，通过ACP协议进行协作。 **第三，龙虾用得好，高级模型少不了；Token用得省，组合策略要取巧。** 主Agent用的是GPT 5.4，但如果全线都这么用，账单确实扛不住。怎么省Token？摸索出了一套方案：先用ZenMux Coding Plan，基本能打爆；用完后再降级用Kimi的Coding Plan——Kimi-K2.5这个模型着实不错，在硅基流动的平台上也是满血版的存在。 为了有效执行这套策略，用Skill做了封装，也写了不少Python脚本。从实践来看，基本能保证不错的ROI——Token够用，成本也控得住。核心思路有点像“给火车头加满油”：主控Agent留更多预算，用更好的模型；Sub-Agent则根据任务类型灵活适配不同模型。 ## “龙虾团队”到底能干什么？ ### 案例1：生成早报+播客 这件事主要由Briefing Agent负责。它能调用几个Skill，包括Agent Browser、Agent Reach，以及Ta vily和Exa的MCP/API能力。这些技能组合在一起，可以对检索到的信息进行双重信源校验，确保信息真实可靠。抓完信息后，再通过内部Pipeline筛选更有价值的内容，整理成可读的早报，最后进入播客生成环节。 每天早上，Briefing Agent会自动完成以下流程： 1. 抓取Hacker News、Reddit、GitHub Trends 2. 进行双重信源校验 3. 筛选高价值信息，整理成可读的早报 4. 生成播客版本，一男一女对谈式讲解 只要早上打开Telegram，就能看到龙虾发来的问候和当天的科技资讯播客。 ### 案例2：搭建网站 有一次，马上要开始直播了，突然想到可以让龙虾自己来做介绍。于是对“xiaoc”说：“你能不能带着团队，做一个介绍你们自己的网站？”它说“没问题”，事情就这样展开了：xiaoc列出Plan；Coding Agent讨论风格，决定做复古CRT荧光效果；写了一首Sonnet（十四行诗）风格的押韵诗来介绍自己；开发了贪吃蛇、打砖块、乒乓球等4个小游戏；最后自动部署上线。 整个过程，只用说一句话，剩下的全是团队协作完成的。 那能不能做一些更有实用价值的事情？于是对“xiaoc”说：“你可不可以带领团队，做一些比较有用的工具？” 龙虾团队的执行过程也相当有章法：主Agent负责列Plan，Coding Agent调用不同的Tools——用Gemini生成前端界面，Codex进行二次校验。整个流程是一条完整的Pipeline，从任务分配、通信、校验到汇报，都有比较清晰的过程。 ### 案例3：写公众号文章 有朋友来吐槽，觉得龙虾出活的质量不太好。这就要说到Skill了——龙虾对Skill的依赖是很强的。 两个王牌Skills，一个是微信公众号文章写作技能，一个是产品经理技能。这两个Skill是在Claude Code刚推出时赶紧做出来的，也发布了一个小的开源项目。虽然只有220个Star，但这个写作Skill已经帮到了上百人，收获了不少好评。 正因为先有了这些Skill，让龙虾直接用起来，出活的质量就比较符合预期。其实一直想做微信公众号，有了小龙虾之后，这件事才真正落地执行了。 ## 怎么才能写出好用的Skill？ Skill对小龙虾至关重要。ClawHub上的Skill质量参差不齐，真正好用的Skill往往需要自己来开发。从实践体验来看，有以下几点值得分享。 **1. 明确需求。** 先问自己，到底想把哪些事情交给AI？跟风解决不了问题，得找到自己清晰的使用场景。需求先行，想清楚要解决什么问题。 **2. 封装经验。** Skill本质上是把做成一件事的经验和最佳实践梳理出来——有SOP，有Pipeline设计，给足够的Reference和示例。但只有经验还不够，还需要有基于经验的洞察。积累越多、理解越深，越有可能灌注出好的Skill。 **3. 持续优化。** 一个好的Skill不可能一步到位，它是边用、边改、边优化出来的。先有一个版本，用它做具体的事，评估哪里好哪里不好，再针对性改进，反复打磨。 **4. /insights。** 如果你也在用Claude Code，特别推荐/insights这个功能。定期使用，常有启发，有一种挖掘彩蛋的快乐。值得封装成Skill的东西，一定是那些高频重复的事情，而/insights往往能帮我们发现一些新的Skill点子，再去思考细化，慢慢打磨成型。 ## 踩过一些坑，几点“养虾”心得 **第一，玩好OpenClaw并不容易，要合理预期，做好准备。** - 很多人并不清楚用它做什么，在FOMO情绪的驱动下跟风安装，结果无事可做，龙虾吃灰，紧接着就卸载了。这其实是最重要的前提——你需要有一个清醒的认知：**我的需求到底在哪里？** - 养虾是要“虾粮”的，包括足够的Token费用、已经沉淀的个人知识，还要有足够的时间投入。比如每天在龙虾上花4个小时，写代码、调试、优化。投给龙虾的“人财物”，你准备了多少？ - 管理预期同样关键。AI不是神，“一劳永逸”还只是美好愿望，对它的预期得符合AI当前的能力边界。不要追求100%的完美主义，80%的自动化就是胜利。降低一些期待，和它一起做事，AI往往能回馈惊喜。 **第二，玩龙虾，安全是基本功。** 服务器要加固，安全日志要常看，得把安全的钥匙握在自己手上。 **第三，升级自己的认知，依然是当下很重要的一项能力。** 不管是龙虾还是其他工具，很多事情都是自己去做了，才能理解，才有体会。 **第四，不要只把Agent当工具。** 可以确定的是，Agent就是LLM加上工具。但一个更值得倡导的立场是，不把Agent只当作接受命令就干活的工具，而是**人机协作的得力搭子**，和它一起去探讨并实现更好的可能。 养虾不易，常常踩坑。但每天都在AI的大海中打捞金子的感觉，让人越来越上瘾。他已经离不开Agent了。