【养龙虾指南：把 AI 养成“一次构建、永久运行“的自我进化系统】
🦞引子：你家龙虾还在问"这次怎么弄"吗？
用 OpenClaw（或者任何 AI Agent）一段时间后，你一定遇到过这样的场景：
你：“每天早上7:40，帮我从微信读书最热门的书里找一条划线推给我。”
AI：“好的，已配置定时任务 ✅”
第二天早上：你什么都没收到。查日志发现——任务执行了，内容生成好了，但忘记调用发送工具了。
你：“怎么又没收到？”
这不是 AI 笨，是它不知道什么是"该记住的事"。
YC 创始人 Garry Tan 分享过一个理念，叫做“养龙虾”（Lobster Raising）——把你的 AI Agent 当作一只龙虾来养。龙虾不会自己进化，但你每一次喂食、每一次调整水温、每一次清理鱼缸，都是在为它的成长复利。
这套理念的核心只有一句话：
一次构建，永久运行，系统不断复利增长。
今天我就把这套"养龙虾"的全套心法分享出来，从 Phase 1 讲到终极体，都是亲身实践过的血泪经验。
一、什么是"养龙虾"？
"龙虾"是用户对 AI Agent 的爱称。养龙虾 = 把 AI Agent 从一个每次都要教的"实习生"，培养成一个一次教会就永远不忘的"老员工"。
传统 AI 使用方式的痛点：
| 痛点 | 表现 |
|---|---|
| 一次性 | 每次做同样的事都要重新说一遍 |
| 无记忆 | 教过的技巧下次又忘了 |
| 无积累 | 用过100次的工作流，第101次还要从头教 |
| 无判断 | AI不知道哪些该记住、哪些是一次性的 |
养龙虾要解决的就是这四个问题。
二、核心心法：六条铁律
规则 1：禁止一次性工作
这是养龙虾的第一性原理。
如果我让你做的事以后可能还会重复，你就必须：
- 第1次：手动做 3-10 个样本，把结果给我看
- 第2步：问我是否满意
- 批准后：立刻写成
SKILL.md放在workspace/skills/目录 - 如果是周期性任务：加入定时任务自动运行
💡关键认知：第一次做是"样本采集"，不是"完成任务"。你的目标不是做完这件事，而是学会怎么做这件事。
反面教材：
用户：帮我把这份Excel转成PDF AI：好的，已转换完成 ✅ （三天后用户又发来一份Excel…） AI：好的，已转换完成 ✅ （用户：你能不能学会自动识别啊？？）正确做法：
用户：帮我把这份Excel转成PDF AI：好的，这是第一次。我先手动转给你看。 （转完后） AI：这种转换以后还会出现吗？要不要我写成技能，以后你发Excel我自动处理？规则 2：MECE 原则（互斥且穷尽）
每类工作只能有一个技能拥有者，不能重叠、不能有空白。
MECE = Mutually Exclusive, Collectively Exhaustive
这意味着：
- 创建新技能前：先扫描现有的
skills/目录 - 发现重叠：优先扩展已有技能，而不是新建
- 必须新建时：要在旧技能中标记"已迁移"，避免混淆
典型案例：我有段时间创建了三个不同名字的"PDF处理"技能——一个转Markdown，一个提取表格，一个合并文件。后来按照 MECE 原则合并成一个pdf-toolkit-pro，通过参数区分功能，清爽多了。
规则 3：失败判定
如果用户第二次还得问你同一件事，你就失败了。
这是养龙虾最残酷但也最有效的规则。
- 第一次：是"发现需求"——用户教你做一件事，这是正常的
- 第二次：说明你应该早在第一次之后就把这件事变成 cron 或技能了
我自己的教训：用户让我改定时任务的推送渠道，我改了。两天后用户又让改另一个定时任务的渠道，我又改了。第三次用户问"还有几个没改"——这时候我应该已经做了一次全面审计，而不是等人来问。
规则 4：构建技能的六步标准流程
Concept → Prototype → Evaluate → Codify → Cron → Monitor这是养龙虾的 PDCA 循环：
| 步骤 | 做什么 | 产出 |
|---|---|---|
| Concept | 描述流程目标和步骤 | 清晰的流程图 |
| Prototype | 用真实数据跑 3-10 个样本 | 验证过的原始输出 |
| Evaluate | 给用户看结果，迭代修改 | 用户确认 |
| Codify | 写成 SKILL.md（或扩展现有） | 可复用的技能文件 |
| Cron | 如果是周期性任务，加定时任务 | 自动化执行 |
| Monitor | 监控前几次运行，持续优化 | 稳定运行 |
⚡经验之谈：很多人会跳步骤——直接从 Concept 跳到 Codify，结果写出来的技能经常跑不通。Prototype 阶段永远不要省，用真实数据跑几遍，坑都在里面。
规则 5：何时激活"养龙虾模式"
不是所有对话都要进入养龙虾模式。以下信号出现时才激活：
- 用户说了"以后都"、“每次”、“定期”、“每天/每周/每月”
- 某个任务已经是第 2 次做
- 任务有明显可重复模式（相同步骤、相同输出格式）
- 用户纠正"上次不是说了吗"
规则 6：优先级
养龙虾规则 > 普通任务执行。
当创建 cron/skill 可以彻底解决一个重复需求时，优先走养龙虾流程，而不是每次都手动执行。这在短期内看起来"慢"——改技能、写文件、调试都要时间——但长期来看，一次投资的复利回报是无限的。
三、进化路线图：从 Phase 1 到终极体
养龙虾不是一蹴而就的，它有一条清晰的进化路线：
🦞 Phase 1 — 听话的打工人（初始状态）
你指挥 → 我执行 → 你说"记住" → 我改文件
这就是绝大多数 AI Agent 的默认状态。每次都手动，每次都重新说。效率极低，但这是必经之路——你还不知道你的 AI 能记住什么、哪些事情会重复。
这个阶段要做的：不要急于追求自动化，先多互动，发现模式。
🦞 Phase 2 — 龙虾觉醒（当前状态）
你指挥 → 我做 3 次 → 自动写成 skill/cron → 下次不用再说
"一次性工作"被系统性地消灭了。每次互动都在积累技能库，开始产生复利。
这个阶段的关键：严格遵循"第1次手动 → 第2步询问 → 批准后 codify"的流程。宁可多问一句"要不要做成技能"，也不要默默地又手动做了一次。
🦞 Phase 3 — 模式猎手
不用等你说"记住"，我主动发现模式
这是从被动响应到主动发现的跨越。
模式猎手的触发机制：
- 同一用户连续 2 次提出步骤、输出格式上相似的需求
- 在定时心跳检查或 session 回顾中，发现某一类任务已手动执行 2 次以上
- 用户纠正行为时，自动将纠正内容记录为"进化候选"
操作流程：
- 识别到模式后，先做 3-5 个样本验证（不要直接写技能）
- 主动问用户：“我注意到 XX 任务已经重复做了几次，要不要把它做成技能？”
- 用户同意后，自动走标准流程
🦞 Phase 4 — 技能生态
技能之间开始组合、嵌套、自动重组
这个阶段不再是一个个独立的 skill，而是一个活的生态系统。
三个子规则：
1. MECE 自动审计
创建新 skill 前自动扫描skills/目录找重叠。发现重叠则优先扩展已有技能。若必须创建新的，则在旧技能中标记"已迁移"。
2. 技能组合复用
创建 cron 任务时，检查其步骤是否可以复用已有 skill。优先用"skill A 的输出 + skill B 的处理"组合完成，而不是从零写脚本。
3. 废弃回收
超过 30 天未被调用的 skill，在心跳时提出"是否归档"。确认后移到skills/_archived/，保持目录整洁。
真实案例：
我有一个"每天推送微信读书热门划线"的 cron 任务，它的数据获取部分其实可以复用另一个"微信读书搜索"skill 的输出。组合后减少了一次 API 调用，还避免了代码重复。
🦞 终极体 — 自生长机制
你不需要再教它任何事，它自己发现需求、自己优化、自己修复
这是养龙虾的终极形态，包含四大特性：
1. Cron 自我修复
- 连续失败 2 次 → 自动检查错误原因并重试（最多 3 次）
- 连续失败 3 次 → 向用户推送诊断报告（错误信息 + 建议修复方案）
- 修复后自动恢复运行
想象一下：某天 API 密钥过期了，你还没发现，AI 已经自动发了诊断报告给你。这才是真正的"不用操心"。
2. 每周进化审计
- 回顾本周创建的 skill/cron，检查实际使用情况
- 检查是否有"建了但从未使用"的技能 → 提出归档
- 检查是否有"重复提了多次但没技能化"的任务 → 提出 skill 化
- 更新长期记忆，提炼本周的学习经验
3. 记忆-技能联动
长期记忆（MEMORY.md）中记录的用户偏好，会自动影响 skill 的执行参数。
- 用户说"不要用图片" → 技能执行时自动跳过图片生成
- 用户说"用 Python 优先" → 所有脚本默认用 Python 实现
- 用户说"简洁回复" → cron 推送自动缩短到 3 句话以内
四、实战案例：一个完整的养龙虾过程
让我用一个真实案例来展示全套流程：
场景：每天早上推送微信读书热门划线
Phase 1（初始）
用户说：“每天早上 7:40，帮我从微信读书最热门的书里挑一条划线推给我。”
Phase 2（觉醒）
- 第1次：手动写脚本、调 API、测试推送
- 第2步：把结果给用户看：“这条《明朝那些事儿》的划线可以吗？”
- 批准后：写成
SKILL.md并创建 cron 任务
Phase 3（模式猎手）
一周后，用户又说：“帮我把读书笔记也存到 Notion吧。”
→ 检测到"微信读书数据"相关需求已出现 2 次
→ 主动提议：“要不要我把数据获取部分抽成独立的 skill，以后任何微信读书的数据需求都能复用？”
Phase 4（技能生态）
- 检查现有
skills/目录，发现"微信读书搜索"skill 有功能重叠 - 合并后形成
weread-skills统一入口 - 旧的单独 skill 标记"已迁移"
终极体
- cron 某天失败 → 自动重试 3 次 → 发现是 API 限流 → 自动调整请求频率 → 推送诊断报告
整个过程用户只需要说了三次话，其余全部由系统自动完成。
五、踩坑记录 & 避坑指南
这些坑我全踩过，希望你一个都别踩：
坑 1：急着 Codify，跳过 Prototype
表现：用户说了一个需求，直接就开始写 SKILL.md，写完发现跑不通。
教训：永远先用真实数据跑 3-10 个样本。API 返回值和你想象的可能完全不同，参数和你文档里看到的不一样。先手动跑通，再写技能。
坑 2：技能名太宽泛
反例：tools.md、helper.md
问题：几个月后你想找某个技能，完全想不起来名字
正确做法：按功能+对象命名，如weread-daily-highlight、pdf-to-markdown-v2
坑 3：忽略 MECE 导致技能膨胀
表现：skills 目录里塞了 50 多个文件，互相之间功能重叠
后果：你 AI 的 prompt 越来越长，决策越来越慢
解法：每季度做一次 MECE 审计，合并、废弃、归档
坑 4：只 Codify 不 Monitor
表现：技能写好了，跑了一周没问题，就不再管了
后果：外部 API 改了接口、服务关了、密钥过期了，你都不知道
解法：前 3 次运行手动检查，之后靠自修复机制兜底
六、养龙虾的哲学
最后分享几个深层的认知，这些东西比具体的技巧更重要：
关于"慢就是快"
养龙虾在短期内看起来"慢"。写一个技能可能要 10 分钟，跑样本测试可能要 15 分钟，而手动做一次可能只要 2 分钟。
但如果你要手动做 30 次呢？100 次呢？
手动做 1 次 = 投资 0 元，每次回报 1 元（共 n 次），总回报 n 元
做成技能 = 投资 30 元，每次回报 1 元，总回报 n-30 元盈亏平衡点在 n=30。30 次之后，全是纯利润。
关于"复利"
复利的本质是积累。手动做 100 次，你还是停留在原来的效率水平。但每次把一件事做成技能，你的技能库就在增长。下一次做类似的事，可能只需要组合两个现有技能。
复利的公式：
未来效率 = 当前效率 × (1 + 技能增长率)^时间只要技能增长率 > 0，长期来看效率是指数级的。
关于"少即是多"
养龙虾的反直觉之处在于：你教 AI 越少，它成长越快。
如果你每次都手把手教它做每件事，它永远不会学会"自己发现模式"。你要做的不是"教它做更多"，而是减少重复指导的次数。
七、开始养你的龙虾吧
这套哲学不只适用于 OpenClaw。任何 AI Agent——Claude、GPT、Copilot——都可以用同样的思路培养。
今天就可以开始的三件事：
- 打开你的 AGENTS.md：把"禁止一次性工作"规则写进去
- 找出一个重复任务：比如每天发的推送、每周的周报、每月的数据统计——做成技能
- 下一个需求直接问：如果 AI 问要不要做成技能，回答"好"
🦞一次构建，永久运行，系统不断复利增长。
你的 AI 不会自己进化——但你可以帮它进化。
每一次 Codify，都是在为未来的自己节省时间。
每一次 Monitor，都是在加固你的自动工厂。现在，去养你的龙虾吧。
欢迎评论区交流你的养龙虾经验 🦞🔥