凌晨三点，自媒体博主阿鱼的第 32 个小红书账号自动发布了一条笔记：" 救命！这个方法我要是早知道至少少加 200 小时班 "。此刻她正在熟睡，而在云端，36 只龙虾正在执行一套作战计划：4 只幕后龙虾负责抓取热点、拆解爆款、审核违禁词，另外 32 只前台龙虾各自扮演着 " 工作 3 年的互联网运营妹子 "" 靠副业还清 8 万房贷的上班族 ""8 年经验的产品老鸟 " 等不同人格，在 32 个垂直账号上同时发声。
三个月前，阿鱼还只是一个月入 8000、手搓 5 个账号就精疲力竭的自媒体博主。现在，她一个人指挥的 " 内容军团 " 日产出 160 条稿件，月收入翻四倍。
这不是孤例。在深圳，外贸员小陈用 12 只龙虾分驻侦察、触达、跟进、报价四个班组，把硅胶制品卖到北美和东南亚；在上海，老张雇佣 4 只龙虾分别盯理财、管待办、维护社交，每周偷回 10 小时 " 让脑子下班 "。
他们用的工具是龙虾军团（ClawTroop）——成立于 2025 年的 AI 智能体基础设施公司茉莉语境最近推出的产品，已服务于自媒体、跨境电商、企业效能等多个场景。ClawTroop 是批量小龙虾的部署和管理工具，目的是降低智能体集群的管理门槛，让个人和企业都能以极低成本拥有、训练和调度自己的智能体集群。
「暗涌 Waves」独家获悉，茉莉语境已获得香港数据智能集团（Data Intelligence Group Limited，简称 DIG）有限公司百万美金投资，其创始团队来自腾讯、字节跳动等企业以及毕业于帝国理工学院、格拉斯哥大学、香港大学等学府。
养过 OpenClaw 小龙虾的人都知道，光是部署一只起码折腾 1-2 个小时，更何况批量喂养、使用、调度和管理。在 Agent 大爆发的临界点，茉莉语境押注的是一场关于 " 管理前置 " 的实验——如果未来每个打工人都将指挥一支 AI 小队，那么制定军规的能力，或许比单兵作战的技巧更值钱。
Part01
文本即军规
在确定 " 龙虾军团 " 方向前，茉莉语境的团队曾在两个项目上栽过跟头。
第一个项目是基于 MCP 协议的 Cowork 工具，试图打造极致的个人生产力助手。" 那时候 MCP 协议很不稳定，底层模型能力也不够智能，" 产品负责人周曼回忆。第二个项目更具野心——基于当时更成熟的 VibeCoding 方向，探索图文视频之外，是否能催生新型的互动 H5 媒介，产品投放了北美和东南亚市场，但获客成本高昂，双边市场始终无法跑通。
真正的转折发生在痛点背后。作为早期 AI 工具的重度用户，OpenClaw 出现之后，他们开始密集使用 OpenClaw 来提升效率。一个悖论很快浮现：单只 Agent 对个人提效明显，但想让整个团队都用起来，" 门槛高得离谱 "。之前腾讯门口排大队安装小龙虾也在侧面印证了一个事实——当前 AI 应用的瓶颈从 " 技术能力 " 转向了 " 工程化部署与管理 "。
" 大厂都在造更聪明的士兵，但没人提供作战手册和指挥系统，" 周曼意识到，" 如果 AI 应用真的爆发，‘如何管理 AI 劳动力’会成为比‘如何使用 AI ’更刚性的需求。"
龙虾军团就是为了系统性地解决企业和 power user 批量喂养、使用、调度和管理小龙虾的关键痛点。用户可以在这里批量创建、部署、统一管理你的小龙虾，给它们设定人格、行为准则、技能等，并一次性向成百上千个小龙虾下发任务，查看执行情况。
龙虾军团的产品界面看起来朴素得有些反时代。没有炫酷的 3D 交互，没有实时生成的图文流，更类似上世纪 ERP 系统的管理后台：左侧是整齐排列的 " 龙虾列表 "，右侧是四个纯文本输入框—— Soul.md（人格）、Agents.md（行为准则）、User.md（对主人的认知）、Tool.md（工具原则）。
" 我们把龙虾最核心的配置项单独拉出来，让不懂代码的普通用户也可以随时用文字调整修改、以及批量应用给多个龙虾 " 周曼在演示时解释。
当市场都在追求拖拽式的无代码界面时，茉莉语境坚持让用户用 Markdown 格式编写配置文件。理由听起来有些技术原教旨主义：Markdown 是最容易被 AI 理解的结构化语言，同时也是普通人最自然的思考载体。
但这种设计背后是对产品的洞察：AI Agent 的 " 人格 " 不是参数调节，而是语境构建。四个 Markdown 文件构成了一个完整的认知框架—— Soul.md 解决 " 你是谁 "，Agents.md 解决 " 你能做什么 "，User.md 解决 " 你在为谁工作 "，Tool.md 解决 " 你怎么使用武器 "。当用户需要修改某只龙虾的行为时，不需要在层层菜单中寻找开关，只需在文本中增删一行规则，点击 " 批量推送 "，全集群即刻生效。
还可以通过标签给龙虾分组——比如销售组、客服组、小红书组。" 假设你有 30 只负责销售的 Agent，" 周曼举例，" 以前需要逐个调整话术，现在只要在 Agents.md 里加一条 ' 不允许私自承诺超过 9 折的折扣 '，相关龙虾部队就会同步更新。如果某只龙虾的行为逾矩了，系统会做出提示，用户可以及时补充约束、统一修正。"
Part02
服务 OPC：toC 到 toB
这个看似应该深耕 B 端 SaaS 的产品，第一阶段主打 OPC（One Person Company，一人公司）和 C 端用户。
一个自媒体博主，一个人就是一家公司。她可以在龙虾军团里创建 5 只龙虾组成 " 小红书矩阵特攻队 " —— A 龙虾早上 7 点抓取热点选题，B 龙虾根据选题生成 3 个不同风格的标题及正文，C 龙虾检查违禁词和敏感内容，D 龙虾自动发布并监控初期数据，E 龙虾在评论区扮演 " 前排网友 " 互动。整个流程无需代码，只需要在后台配置好人格文件，设定好 " 如果阅读量低于 1000 则自动调整标题关键词 " 的行为准则。
这种转向揭示了 AI 应用渗透路径的特殊性：它可能遵循 " 从 C 端发烧友到中小微企业，再向上渗透 " 的反向路径，而非传统 SaaS 的 " 从大企业向下普及 "。当每个人都可以低成本拥有一支 AI 军团，组织的边界、管理的定义、甚至 " 工作 " 本身的概念，都将被重新书写。
尽管如此，茉莉语境免不了面临疑问：如果 OpenAI 明天推出原生的 Swarm 多 Agent 协作功能，并提供开箱即用的管理界面，龙虾军团会不会被瞬间击穿？
更深刻的悖论在于 " 云端养虾 " 模式本身，试图解决隐私焦虑——不用本地部署，无需疯狂投喂个人数据，通过云端容器隔离和任务级上下文赋予来保证安全。但这也意味着用户必须将核心工作流托付给第三方云端。
" 龙虾军团 ClawTroop" 给出的答案是 " 渐进式智能 " ——Agent 的智能化应该是 " 用出来的 "，不是 " 喂出来的 "。与其让用户先本地部署、疯狂投喂文档（涉及隐私焦虑且效果不稳定），不如提供云端隔离的容器，用户按任务赋予上下文和文件权限。这样既没有隐私泄露风险，又能让 Agent 在执行任务中沉淀技能。
但这仍然无法回避终极追问：当 Agent 规模从 10 只扩展到 1000 只，管理的复杂度是线性增长还是指数爆炸？这些性能瓶颈的解决成本，会不会让 " 低成本拥有 AI 军团 " 的承诺变成伪命题？
周曼认为，AI 应用层的竞争，最终是 " 管理能力产品化 " 的竞争，而非单纯的 " 模型能力 " 的竞争。大厂在持续提供更强的模型和基础设施，但用户拿到这些能力之后，还是会面临很具体的问题：我想要龙虾帮我做什么事情、要多少、该怎么分组、每只该遵守什么规矩、出了问题怎么快速修正。——这些不是技术问题，是管理问题。
茉莉语境会继续深入场景，走上战场一线，和 OPC 用户一道探索在每个具体生意中如何用龙虾军团，并把成熟经验快速普及到我们的社区。这种深入用户的能力，建社区的做法，是大厂天然做不到、不具备优势的。
