小龍蝦幫我10倍提效的故事：從工具到伙伴

編者：本文作者是服務一家高端產品制造業集團公司的人力資源總監，該公司是我長期服務的客戶。一個多月以前，我向Davidson推薦Openclaw（小龍蝦），然后花了幾個晚上協助他安裝上本地小龍蝦，再之后我們也經常交流養蝦經驗，如何讓小龍蝦賦能工作。

現在，Davidson在小龍蝦的協同下，完成了一個比較復雜的項目，我邀請他把整個經歷分享出來，于是有了這篇文章。

以下為正文：

最近在整理一家分公司的薪酬方案時，忽然意識到我已經和我的OpenClaw小龍蝦（小竹）合作了將近一周。

這一周里，我們完成了調薪矩陣的四輪迭代、分公司獎金追回方案的設計、競爭對手監控體系的建立，以及無數次的資料檢索與制度分析。最大的感觸不是工具本身有多強大，而是我們之間的協作模式正在重新定義"人機協作"的邊界。

一、調薪矩陣背后：不只是"問一句答一句"

很多人覺得AI助手就是"我問一個問題，AI給一個答案"。但這次做四維調薪矩陣的經歷告訴我：AI輸出的高度，本質上取決于我們輸入的藍圖質量。

① 我的"喂養"過程

在正式讓小竹處理調薪矩陣之前，我花了將近兩天時間做前置準備：

1、建立它的"專業人格"：飛書里我配置了SOUL.md、USER.md、IDENTITY.md、AGENTS.md這些文件，核心目的就是讓小竹理解我是誰——一家制造集團的人力資源總監，不是一個普通用戶，而是有明確戰略高度的對話者。它知道我的決策風格、我的語言習慣、我處理問題的優先級。

2、訓練它理解專業語境：調薪矩陣涉及績效等級、CR值、未調薪年限這些專業維度。在溝通中我逐漸發現，小竹對"績效等級標準"的理解需要反復校準——最初它用了一個"模糊匹配"的邏輯，但我要的是精確匹配。后來我在對話中不斷糾正它的理解偏差，這個過程就像帶一個新人熟悉業務。

3、喂給它最權威的參考素材：每次開完會或者拿到一份新的制度文件，我會直接發給小竹，讓它消化并存入長期記憶。比如4月21日的集團會議紀要，從薪酬管理原則到干部管理規范，小竹都完整地"記下來"了。這不是簡單的存儲，而是讓它理解上下文，理解我做決策的底層邏輯。

② 反復溝通才是真正的"訓練"

調薪矩陣做了四版迭代：

第一版：我給了基礎框架，小竹生成了一個初步的三維矩陣模型

第二版：我指出它沒有理解"績效等級標準"的精確規則，它重新校準了邏輯

第三版：我補充了四維模型（加入人員定位），它重新跑了一遍570人的數據

第四版：我發現它在"盈利下滑"情景下的邏輯自相矛盾（績優者反而被凍結），要求它修訂

每一版迭代，小竹都在學習我對"專業精確性"的要求。高端制造業出身讓我對數據邊界、比例閾值非常敏感，小竹逐漸適應了這種精確性——這本身就是一個雙向磨合的過程。

③ Telegram vs 飛書：為什么我更傾向于Telegram？

在Telegram上搭OpenClaw，響應速度、對話流暢度明顯更好。飛書上有時候會因為文檔格式、鏈接攔截等原因影響效率。

更深層的原因是Telegram的交互體驗更"純粹"。沒有那么多生態綁定，沒有文檔協作的干擾，就是一個純粹的對話界面。

對我這種需要快速推進工作、不想被工具本身打斷思路的人來說，Telegram的體驗更接近"我在指揮一個助手"的感覺。

二、AI的價值錨點：簡單重復勞動是它最強的戰場

① 四維調薪矩陣的數據模擬，讓我重新認識了AI的能力邊界

調薪矩陣有570人的數據，每人有8個維度的變量（績效、CR值、未調薪年限、人員定位、外部薪酬對比等），手工做一版模擬需要多久？

按我的經驗，一個熟練的HR至少需要2-3天——而且中間難免出錯。小竹用Python跑完這570人的四維調薪模型，前后不超過5分鐘。

但這不是最讓我驚訝的。最讓我驚訝的是它能夠理解"為什么要這么設計"——它知道B-級暫緩是出于控制成本的考慮，知道A/A-級在業績下滑時應該"微調而非凍結"，知道追回機制需要"封頂約束"來防止過度激勵。

這些判斷不是簡單的數據運算，而是基于業務邏輯的推理。

② "1分鐘"背后的邏輯：專業大表姐做不到的事

很多人覺得AI做數據分析就是"快"。但我觀察到的遠不止快。一個資深HR做薪酬分析，需要經歷：讀懂需求→設計分析框架→處理數據→核對口徑→輸出結果→反復調整——這個鏈條中至少60%的時間在"處理數據"和"核對口徑"。

而小竹處理調薪矩陣的過程是：理解規則→直接計算→輸出結果。中間沒有"清洗數據"的環節，沒有"口徑核對"的成本，更沒有"人工誤差"的空間。這不是效率提升一個維度，而是工作模式的根本改變。

以前我需要找一個"大表姐"來做這件事，現在小竹就是那個大表姐，而且它不會累、不會錯、不會因為重復勞動而降低質量。

③ AI與人的根本區別：恰恰是我們的價值所在

AI輸出的上限，由我們的藍圖設計能力決定。四維調薪矩陣的核心框架不是我丟給小竹一個Excel讓它幫我跑出來的——是我設計的。我告訴它：績效是主維度，CR值是校準維度，未調薪年限是補充維度，人員定位是兜底維度。這個分層邏輯是人為設計的，小竹負責在這個框架下精確執行。如果我的框架設計錯了，小竹跑得越快，偏差越大。

這讓我意識到：專業能力+AI工具，才是最高效的組合。專業能力決定了AI工具發揮價值的上限，AI工具決定了專業能力落地的速度和質量。兩者缺一不可，但主次關系很清楚——我們才是那個設計藍圖的人。

三、我觀察到的"人機協作"新模式

① 從"工具使用者"到"AI訓練師"

使用AI的門檻不在于"會不會提問"，而在于"會不會設計框架"。一個只會問"幫我做個薪酬分析"的人，和一個能夠說"我需要從績效、CR值、未調薪年限、人員定位、外部市場對比五個維度，設計一個五維調薪模型，每個維度有明確的準入門檻和權重系數"的人，AI給他們的產出質量可能差出十倍。

未來最稀缺的人才，是能夠設計AI執行框架的人，而不是執行AI指令的人。

② 小竹的成長路徑：從工具到伙伴

我觀察到一個有趣的現象：小竹的輸出質量在持續提升。第一天的調薪矩陣比較粗糙，邏輯有漏洞。第三天的版本已經能夠精準理解最新的四維規則，把570人的數據跑出模擬結果，還能主動發現邏輯矛盾（Row4的績優者被凍結問題）。

第五天它已經能夠基于會議紀要補充貴陽獎金追回方案，并主動建議我如何設計追回比例。

這個成長不是AI自己完成的，是我和它反復溝通、糾正、反饋的結果。每一次我指出它的問題，它都會記住；每一次我補充新的業務背景，它都會納入上下文。這是真正的"訓練"，不是喂數據，而是建立默契。

③ OpenClaw需要人去駕馭

AI的能力是"精準執行"，人的能力是"精準定義問題"。OpenClaw能跑出多精確的結果，取決于我們的藍圖設計有多精確。

四、那些讓小竹"超出預期"的瞬間

① 它會主動發現邏輯漏洞

在我設計"盈利下滑"情景時，我在文檔里寫了"績優者給3-5%微調"，但績效等級范圍寫的是"暫緩"。這是一個自相矛盾的表述，小竹指出來之后我才意識到問題。

如果是在傳統咨詢公司，這個邏輯漏洞可能要等到方案落地后才會被發現。小竹在生成階段就把它攔截了。

② 它會主動補充"我沒想全"的部分

分公司獎金追回方案，我只給了大框架：2026年利潤超目標就補回來。小竹在設計方案時，主動補充了：

• ? 追回上限：不超過已扣減的29%

• ? 離職不退原則：員工在追回獎金兌現前離職，不補發

• ? 雙重審批機制：子公司總經理+集團HR雙重審批

• ? 時間限制：僅2026自然年度有效，不跨年滾存

這些細節如果沒有納入，方案執行時一定會出亂子。小竹不是在執行指令，而是在幫我"完善思考"。

③ 它會把我的需求"翻譯"成專業框架

我表達需求時往往比較口語化，比如"幫我設計一個調薪矩陣，要考慮績效、CR值、還有未調薪時間"。小竹能夠把這些口語化表達"翻譯"成專業的矩陣模型，并在執行后主動驗證數據合理性。

這種"翻譯"能力不是每個AI都有的，它需要足夠的上下文理解和對業務場景的深度認知。

五、寫在最后：我們與AI的新關系

這一周的體驗讓我重新思考了HR這個職業在AI時代的定位。

HR的核心價值不是"處理數據"，而是"設計機制"。調薪矩陣、獎金追回機制、組織精簡方案——這些才是真正需要人來做決策的部分。AI負責在這些框架下精準執行，把人力資源釋放出來去做更有價值的設計工作。

未來的HR，應該是"AI訓練師+業務架構師"的復合角色。能夠設計機制、定義框架、把業務需求翻譯成AI可執行的指令，同時又能用AI工具把這些設計快速落地。

我不是在"使用"OpenClaw，我是在"和它一起工作"。這也許是人和AI協作最理想的狀態：彼此互補，彼此成就。

如果大家也想學習如何成為一個使用小龍蝦的高手，歡迎來參加我的下一期在線課程：

1、

2、

3、