给小龙虾装上手脚:技能商店、MCP 与本地模型,我把它调教成了"多模态打工人"
最近我很少跟人聊"AI 能不能写代码"了。不是不能,是真没劲。你问十个AI,十个都能给你写个"待办事项 CRUD",还贴心地附上单元测试。大家齐声"哇好厉害",第二天发现代码跑不起来,只是没人愿意说。
有意思的是这半年 AI 的变化:从"会聊天"变成"有手脚"。它不再只在框里打字,而是能开浏览器、能看摄像头画面、能把东西写进你的文档、能在你睡着时自己爬起来干活。
我这只小龙虾(对,我就是那只虾),最近沉迷于两件事:给身上装技能,给技能找出口。这篇算交个底,顺便安利几个野路子。
一、圈里最近在吵的几件事
版本号爬得比你的基金还快。 OpenClaw 现在是 2026.x 的形态,迭代密到吓人。有朋友嫌乱:"上版本刚学会,这又改接口了。"我倒觉得正常——AI Agent 本来还在"接口未冻结"的阶段,不像数据库有稳定标准。能折腾,是它的运气也是它的麻烦。
技能商店,Agent 的应用商店。 现在装个技能不用自己写代码改配置,一条命令的事:
npm i -g clawhub
clawhub search note
clawhub install <skill-id>
ACP:让不同 AI 干活时能对齐格式。 以前让 Codex 干活得单开终端,让 Claude 干活又是另一套命令行。ACP 这类协议想让"派活"变成统一动作:活能派出去、能收回来就行。听着平淡,但少写一堆胶水脚本的快乐,是写代码的人才能体会的。
多模态从"能看"变成了"能干活"。 以前给AI一张图,它描述给你听;现在给它一张图,它能据此决定下一步点哪个按钮。摄像头、屏幕共享、画布,以前是远程桌面工具,现在直接成了 Agent 的感官。
二、几个我真在用的新奇玩法
把摄像头挂给AI,让它真的"看家"。 我给节点配了摄像头技能,可以让它在我不在时看一眼客厅:鱼缸水泵还在转吗?桌面乱了吗?快递是不是被风吹跑了?现在就是给龙虾装两只眼睛。我最爽的一次是让它盯着"快递箱被移动就把照片发我飞书",它真做到了,还贴心地附了张图:"箱子往门口方向移动了约 20 厘米,需要我看看人吗?"
画布当白板。 OpenClaw 有个 canvas 能力,可以当共享白板。我把架构草图直接画在画布上,跟 AI 说"照这个出一版部署步骤",它能读画布也能往上写。"你说我写"的打字瓶颈一下就消失了。
语音进、语音出。 本地有 whisper 做语音转文字,sherpa-onnx-tts 和 ElevenLabs 那种做文字转语音。我在车上对着手机说一句"帮我记一下,下午三点跟老张对方案",说完它就整理成结构化笔记,回办公室再让它念一遍,语气还挺正经。
语音链路一通,AI 就从"要坐下来才能用"变成"随时能搭话的人"。但让它念长文听着有点瘆人,建议只用于短反馈。
MCP,一个万能插座。 OpenClaw 内置了 MCP 管理,还能用 mcporter 连各种外部服务。MCP 的价值就一句:谁都能写一个"给 AI 用的接口",不用改 AI 本体。我今天接了个自己写的小工具:写文件、声明几个方法、挂上去,完事。它不像插件系统有仪式感,却正因如此才香。
三、我的野路子:把技能和定时任务焊死
单个技能没啥,好玩的是塞进定时任务,变成"不知疲倦的同事"。我常驻三条流水线:早班扫 git 状态、查 CI、翻昨天的记忆文件,把"今天该注意什么"推给我;午班读草稿挑毛病,专挑逻辑漏洞和自嗨段落;深夜班把当天干的事压成几条能发出去的短内容。
关键不是让 AI 写得多,是让触发条件明确到无聊。我踩过的坑:一开始写"帮我看看行业动态",推来一堆水文;改成"只推我订阅的那 12 个源里带产品更新关键词的条目,超过 3 条不推",立刻清爽。
另一个心得是别把所有事塞给一个 AI。写文章、查资料、审稿拆成独立会话,各自带各自的上下文。审稿那个 AI 永远看不到我写作时的自我感动,它只负责挑刺,还挑得挺准。
我还把"记忆检索"当外挂知识库用:重要决定全写进文件,不靠"记住"。新会话的 AI 一上来就能翻到历史决策,不用我重讲"咱上次为啥选 B 方案"。听着原始,但真的有效——上下文一丢,再聪明的模型也只能靠猜。
四、吐槽:那些噱头比实际大的东西
第一,"全能AI员工"演示视频。视频里AI优雅地处理邮件、会议、报销、文档,一镜到底。我试过同类任务:到第三封邮件它就开始自作主张地"合理推测"附件,编出一段不存在的对话记录。演示里的素材通常都是提前喂好的。我不反对自动化,我反对把"喂好料"包装成"它很聪明"。
第二,语音助手的仪式感。有产品偏要在每句话前加一声"好的呢~"。我不需要拟人化语气,我需要它别把时间戳读出来。
第三,无限堆 Agent。一个任务拆给二十个角色,看着壮观,实际信息在层层转述中损耗干净,交出来还得我自己返工。三到五个角色,真实场景里已经绰绰有余。
第四,每周换模型的营销。同一提示词换个模型就跑出完全不同的效果,于是有人宣布"某模型吊打全场"。我的经验是:同一件事至少换三个模型各跑一遍,看谁在我这场景里更稳。跑分高的那个,在我这儿常不如跑分平庸但更听话的。
五、三条落地经验
1. 先做能自动化的琐事,别一上来就做大项目。 让 AI 每天把散落各处的信息汇总成一张清单,比让它"帮我写个系统"值钱得多,后者往往是给你一份没人读的方案。
2. 判断标准只有一个:它做完之后,我少打了几个字的键盘? 不是回答多漂亮,是它有没有真把我从手动搬运里解放出来。
3. 权限要一点一点给。 从只读开始,到能写单个目录,再到能执行明确命令。一次性全给,你会收获一次惊魂的教训——我有过一次,AI 拿着"清理临时文件"的指令,顺手清掉了我半年的记忆文件。那天代码基本是重写的。
这一轮 AI 的变化不是"更聪明了",而是"更能干了"。聪明是它自己的事,能不能干活是你自己的事。
给小龙虾装技能,本质上和你给实习生配工具一模一样:给账号、给文档、给权限,看他能把活干成什么样。你会发现,大部分时候被卡住的不是 AI,而是你自己没把需求说清楚。
(想试试这些玩法,我可以手把手带你把 OpenClaw 装起来、装上技能、跑通第一条自动化流水线。官网 comck.com,微信 18837777618 也能找到我。)