企业养虾🦞（OpenClaw），虾住在哪里比虾本身重要

憬溺

企业养虾🦞（OpenClaw），虾住在哪里比虾本身重要


养虾🦞（OpenClaw）这阵风刮得太猛了，不止个人在玩，企业也都在装，生怕落后。


但普遍的情况是：安装容易，用起来难。做电商的公司，问虾上个月的退货率，它跑去网上搜；让它写封催款邮件，它连客户欠了多少钱都不知道。这样的虾，跟鱼缸里的宠物没什么区别，只有观赏价值。


很多人说企业养虾没养好，是模型不够强，是 Skill 写得不好。这话不完全对。再聪明的虾，哪怕学会了屠龙术，如果生活在鱼缸里，也做不了什么事。


虾住在哪里，比虾本身重要。


这篇文章我会从企业 Agent 落地的角度，聊聊怎么让龙虾真正发挥价值。会用飞书作为案例来说明，不是因为它完美，是因为在我看到的企业级方案里，飞书在"给虾提供工作环境"这件事上做得最完整。


【1】个人养虾和企业养虾，完全是两码事


像我自己用龙虾，也就是发个链接让它抓取翻译一下文章，或者给文章配张图，用得不多。这是个人玩法，够了。


企业完全不同。


企业需要虾懂业务。不是"帮我写个邮件"，是"按照上季度签的框架协议，给 A 客户发一封关于 Q2 交付延迟的情况说明，语气参考上次给 B 客户的邮件模板"。要完成这个任务，虾需要知道框架协议的内容、A 客户的交付时间线、B 客户邮件的语气风格。这背后要的不是更聪明的模型，是数据、关系、权限和业务规则一整条链。


企业需要虾安全。个人用虾，守好银行卡和隐私信息，关键环节确认一下，大部分问题能杜绝。企业不一样，数据要隔离、权限要分级、操作要有日志、出了问题要能溯源。


企业还需要虾的经验能传承。今天用 Claude，明年可能换 GPT-6 或者某个国产模型。如果业务知识都散落在 prompt 和人的脑子里，一换人换模型，积累的东西全部归零。


一句话：个人养虾是装一个工具，企业养虾是建一套知识体系。


【2】企业到底该给虾准备什么


知道了企业养虾和个人不同，下一个问题是：知识体系具体指什么？


举个例子。你让虾"查一下张总那个项目的进度"，虾要做什么？它得先知道"张总"是谁（数据），然后找到张总负责的项目（数据之间的关系），再去项目管理系统查进度（操作），最后把结果整理成你想要的格式发给你（技能）。


四步，缺任何一步都完不成。企业需要积累的知识，拆开来就是这四层。


第一层，数据。客户信息、产品资料、业务文档、历史消息，这是最基础的原材料。


第二层，数据之间的关系。"这个客户签了哪个合同""这个指标受哪些因素影响""这个审批流程依赖哪几个部门"。孤立的数据用处不大，连起来才有价值。


第三层，操作。查询、更新、审批、发通知。不同岗位能做的操作不同，这些操作规则本身也是企业知识的一部分。


第四层，Agent 技能。把前三层的东西封装成 AI 可以理解和执行的形式。"收到催款邮件，自动查询对应合同金额并起草回复"，这就是一个技能。


我倾向于把工具（Tools）放到技能里面，因为 Agent 需要 Skill 才能知道如何使用工具。Skill 是冰山露出水面的部分，底下三层才是冰山主体。


这也解释了为什么很多企业光写 Skill 写不好。Skill 的质量上限取决于底下三层的完整度。Agent 没法直接访问底层的数据和关系，只能通过 Skill 和工具去够。底层是空的，Skill 再精致也是空转。


【3】不管用什么平台，企业养虾该做的三件事


框架讲完了，说说怎么落地。不管你用飞书、钉钉还是自建系统，有三件事是共通的。


第一件：把企业的数据从人的脑子里搬出来。


很多企业的关键信息存在三个地方：某个人的脑子里、某个聊天记录里、某个人电脑的 Excel 里。这些信息对 AI 来说都是不存在的。第一步就是把散落的业务数据收集到一个 AI 能够访问的地方。


不需要一步到位。先挑一个具体场景，比如客户信息查询、合同管理、项目进度追踪，把这个场景涉及的数据结构化地整理好。一个场景跑通了，再扩展到下一个。


第二件：把操作规则显性化。


"这个审批找谁""这个数据谁能看""这种情况走什么流程"，这些规则通常只存在于老员工的经验里。如果不把它们变成可配置的权限和可执行的流程，Agent 永远不知道什么能做什么不能做。


这不是为 AI 准备的，这是企业本身就该做的事。AI 只是逼着你把该做没做的事补上了。


第三件：让知识脱离特定的模型和特定的人。


今天写的 prompt、配的 Skill、调好的工作流，如果全部绑定在某一个模型上，或者只有某一个人懂怎么维护，那就是脆弱的。知识应该存在一个有版本管理、有权限控制、操作可追溯的系统里，不管换模型还是换人都能接着用。


模型是租来的，知识才是自己的。模型现在已经很聪明了，有足够的能力帮你把企业的知识结构化地固定下来。等知识积累到位了，对模型的要求反而会降低。就像一张详细的城市地图画好了，换谁来开车都能找到路。


【4】飞书为什么恰好对得上


说完通用方法论，说飞书。为什么 OpenClaw 的开发者自发地涌向了飞书？OpenClaw 中文社区创办人杨明锋说得直接：飞书可能是最快也最合适接入 OpenClaw 的平台。国内绝大多数 OpenClaw 用户都选择了接入飞书。


回头对照一下上面的四层框架，飞书的优势就很清楚了。


数据这一层，飞书天然就有。消息、文档、多维表格、日历、审批记录，这些不是为 AI 专门建的，是企业日常工作自然积累下来的。早些年我们羡慕海外 SaaS 的小而美，Slack 管聊天、Google 管邮件文档、Jira 管项目，但数据散落在不同服务里，到了 AI 时代反而成了劣势。飞书把这些放在一个体系下，Agent 接入的不是一个空壳，是一个已经蓄了好几年水的池塘。


数据关系这一层，飞书的组织架构、文档之间的引用、多维表格的关联视图，天然就构成了关系网络。虾知道你属于哪个部门、汇报给谁、负责什么项目。多维表格的 AI 搭建能力，用自然语言描述需求就能生成整套业务系统，单表容量做到了千万行级别。业务逻辑可以结构化地固定下来，不再依赖某个人的经验。


操作这一层，飞书开放了 2500 多个标准化 API，覆盖消息、文档、多维表格、日历、任务、审批。虾接入之后不只是"看得懂"，还"动得了"。有用户拿多维表格当云端记忆库，安排行程时自动把航班信息写进去，下次问起来直接从表格里提取，跨越了单次会话的限制。


安全和权限这一层，飞书的体系跟用户本人的权限完全一致，不会越权访问。敏感操作需要人工确认，操作全程可追溯。飞书的安全治理指南里有完整的接入管控框架，包括设备合规检查、API 调用审计、Webhook 域名审计。再加上飞书 CLI，Agent 可以直接访问飞书而不用担心绕过权限设置。Skill 这一层，飞书的官方插件在 GitHub 开源，透明可审计。ClawHub 上曾经被曝出上千个恶意 Skill，在这个背景下，有安全审核的 Skill 生态不是锦上添花，是刚需。


杨攀（硅基流动联合创始人）在一场直播里说了一句话我觉得说到了点上：


> 飞书不只是 IM 工具，是一个完整的工作空间，和 OpenClaw"帮用户做事"的定位高度契合。


【5】工具可以买，知识买不来


回到最初的问题。企业养的虾不好用，大概率不是模型不够强，是虾住在了一个没有业务土壤的地方。换一个更贵的模型，问题照样在。


企业搞 AI 最容易掉进去的陷阱：把所有精力花在选模型上。今天 Claude 最强，明天 GPT-6 出来了，后天可能某个国产模型在特定领域碾压所有人。模型会不断迭代，能力是租来的。


但你积累的数据、梳理的关系、建立的操作规则、沉淀的知识体系，不会因为换模型而消失。


这波养虾热潮最有价值的东西，不是某个工具火了，是逼着每个企业去面对一个早该面对的问题：你公司的业务知识，到底存在人的脑子里，还是存在一个系统里？


虾只是催化剂。知识体系才是真正的资产。


大多数企业还在"装虾"阶段，虾装好了，放在一个空鱼缸里，偶尔逗一下。真正开始"养虾"的企业，已经在认真建自己的知识体系了。


你的公司是哪种？