别再问龙虾能干什么了，先回答 GISer 你自己到底在干什么

一只龙虾的死因

OpenClaw火了。朋友圈里一半人在晒安装截图，另一半人在问"装好了，然后呢？"

这个"然后呢"才是真正有意思的部分。一个号称能自动化一切的Agent工具，装机量暴涨，但大量用户的使用轨迹惊人地一致：花两小时装好，玩二十分钟Demo，关掉，再也没打开过。

问题出在哪？不是工具不行。ChatGPT刚出来那阵，多少人注册完也是同样的迷茫——"它什么都能干"恰恰等于"我不知道让它干什么"。但ChatGPT后来活下来了，靠的不是功能迭代，而是一小撮人把它绑定到了自己每天必须交付的真实任务上。

OpenClaw面对的是同一道坎，只不过更陡。因为它不只是"对话框里聊两句"，它要求你把工作拆成动作链、把流程变成指令序列。这件事的前提是——你得先知道自己的工作到底由哪些动作组成。

而绝大多数职场人，对自己每天在干什么这件事，模糊得惊人。

你不是不会用工具，你是看不见自己的手

一个GIS工程师的典型一天：开会、改脚本、查报错、整理数据、写邮件、补周报、跟客户对需求。问Ta "哪些可以用AI替代"，Ta 会愣住。不是因为没有可替代的部分，而是这些动作已经变成了肌肉记忆的连续体，Ta 从未把它们一个个拆开看过。

这就像让一个老司机描述"踩离合的同时右手挂挡左脚松刹车"的精确顺序——Ta 做得行云流水，但说不出来。

工具落地的第一个障碍，不是学习成本，而是自我观察的成本。

大部分人试用AI工具的方式是"想一个场景去试"。这是倒的。正确的顺序是：先盯着自己干一天活，记下每一个让你产生"烦"这个情绪的瞬间。那些瞬间才是入口。

不是"AI能干什么"这个问题重要，是 "我每天重复做的、讨厌做的、做完觉得不值得亲手做第二次的动作是什么" 这个问题重要。前者让你变成工具的观众，后者让你变成工具的用户。

最小的虾，最先养活

说一个反直觉的判断：越小的任务，越适合先交给AI；越大的流程，越应该最后才碰。

多数人的本能是反过来的。装好OpenClaw，第一个念头是"我能不能让它自动跑完整个数据处理流程"或者"能不能自动生成完整的客户方案"。这就像刚拿到驾照就想跑川藏线——不是不行，但大概率会把车开进沟里，然后得出"开车不靠谱"的结论。

真正能养活的第一只虾，往往小到不起眼。

一个会议纪要。 开完会，把录音或者笔记丢进去，让它先出一版行动项清单。你扫一眼，改三处，发出去。省了二十分钟，而且——关键来了——你明天还会开会。 这意味着这只虾明天还能喂。后天也能。它不是一次性的烟花，它是可以日复一日重复的微循环。

一段报错日志。 GIS工程师每天都在跟报错打交道。把日志贴进去，让AI先列一个"可能原因排序+建议先查哪几个点"的清单。你不一定采纳它全部的建议，但它帮你省掉了从零开始回忆的那三分钟发呆时间。三分钟不多，但一天查五次错，就是十五分钟。一周就是一个多小时的发呆时间被回收了。

一条客户跟进记录。 销售跟完客户，微信里聊了二十条，电话里说了十五分钟。这些信息如果不当场整理成CRM格式，三天后就会变成"好像聊过但具体记不清了"。把聊天记录丢进去，让AI先抽出：客户背景、当前需求、预算信号、决策链、下一步动作。你核对一遍，存档。这个动作的价值不在于省了五分钟打字时间，而在于它让你从"我知道但没记下来"变成了"我有一份可追溯的记录"。

这些任务有几个共同特征：高频、低风险、规则清晰、做错了一眼能看出来、你本来就烦。满足其中三条以上的任务，就是你的第一批虾苗。

大模型和Agent的分界线，其实是"动词的数量"

这里有一个很多人混淆的问题：什么时候用ChatGPT就够了，什么时候才需要OpenClaw这样的Agent？

一个简单的判断标准：数你的需求里有几个动词。

"帮我润色这封邮件"——一个动词，大模型够了。 "帮我把这个文件夹里的十个Excel读出来，按区域汇总，标出异常值，生成一份摘要，存到指定目录"——五个动词，这是Agent的领地。

Agent的真正价值不是"更聪明"，而是 "能连续执行多个步骤"。它能打开浏览器、读本地文件、操作文件夹、调用API、按顺序串起来。这是对话框做不到的事。

所以对GIS和空间数据行业来说，Agent最甜的切入点不是"写一段更好的分析报告"，而是这种场景：从五个不同来源收到的CSV里，自动检查坐标是否越界、地址字段是否规范、行政区名称是否统一，然后把清洗结果输出到一个固定模板里。 这件事你以前可能写脚本做，但脚本要维护、要改、下次换个项目又要调。Agent的好处是你用自然语言描述一遍流程，它就能跑。跑得不对你再调。

但请注意，这是第四阶段的事，不是第一天该碰的。

副驾驶，不是无人驾驶

另一个容易掉进去的坑：期待AI给你终稿。

一上来就想"让AI写一份完整的选址方案发给客户"，结果发现出来的东西七分像三分歪，改起来比自己写还费劲。于是得出结论："AI不靠谱。"

不是它不靠谱，是你给它的角色设定错了。

更现实的定位是副驾驶：你给材料，它出初稿；你审核，你拍板。它不替你做决策，它替你完成从空白到草稿之间那段最痛苦的跋涉。

对工程师来说，这意味着：不是让AI从零写一个空间分析脚本，而是把你现有的ArcPy代码贴给它，说"加一个过滤条件""多输出一个统计项""增加异常值处理"。你有旧代码做锚点，它在你的基础上改，你一看就知道改得对不对。

对管理者来说，这意味着：不是让AI替你做项目决策，而是把团队七个人的日报丢给它，让它先归纳出"本周三个进展、两个风险集中点、一个需要你协调的资源"。你扫一眼就知道有没有遗漏。

对市场人来说，这意味着：不是让AI替你写爆款，而是把一个案例扔给它，说"给我一个公众号版、一个小红书版、一个销售朋友圈版"。你挑一个最接近的，在上面改。

这个"在上面改"至关重要。它把你的工作模式从"从零创造"切换成了"编辑和判断"。后者的认知负荷低得多，速度快得多，而且——说句得罪人的话——对绝大多数日常工作而言，质量差别并不大。

真正的卡点是触发机制，不是能力

我观察到一个有趣的现象：那些真正把AI用起来的人，几乎都不是"能力最强"的人，而是给自己设了固定触发点的人。

什么意思？就是Ta 们不靠"想起来就用"，而是把AI绑定在特定的工作时刻上。

开完会后，第一件事不是去倒水，而是把纪要丢进去。 跟完客户后，第一件事不是回微信群消息，而是把沟通记录整理了。 下班前，第一件事不是关电脑，而是让AI帮自己拉一版日报。

三个触发点，对应三个最小任务。不需要意志力，只需要条件反射。

这跟健身是一个道理。办了健身卡的人90%会放弃，但"每天到公司先做十个俯卧撑再开电脑"的人反而更容易坚持——因为触发点明确、动作极小、没有决策成本。

"翻译"才是这个行业最被低估的杠杆

最后说一个特别针对GIS和空间数据行业的观察。

这个行业有个独特的痛点：分析不难，翻译难。

热力图做出来了，怎么跟不懂GIS的客户高管解释？覆盖率分析跑完了，怎么变成一句PPT上能站住脚的结论？选址模型的权重设定完了，怎么让客户理解"为什么人流量的权重比租金高"？

工程师花80%的时间做分析，但真正决定项目能不能验收、客户满不满意的，往往是最后那20%的"翻译"工作。而这个翻译工作，恰好是大模型最擅长的事情之一。

你把一张缓冲区分析图的参数和结果描述给AI，让它输出三个版本：一个给技术团队看的精确版，一个给客户业务负责人看的决策版，一个给PPT配图用的一句话版。这件事AI做到七八十分毫不费力，而你自己做，可能卡在"怎么说人话"上耗半小时。

这不是偷懒。这是把你最稀缺的注意力从"遣词造句"释放出来，花在"判断这个结论对不对"上。 前者是文字能力，后者是专业判断力。你的不可替代性在后者，不在前者。

别去追"翻天覆地"

说到底，OpenClaw也好，Claude Code也好，codex也好，任何AI工具落地的真实路径都不是"某天突然效率翻倍"。它更像是——你每天的工作里，有三五个原本需要十分钟的小动作，现在变成了两分钟。

一天省出半小时。一周省出两三个小时。一个月下来，你突然发现自己有了一块以前从来没有过的空余时间，可以用来做那些"重要但不紧急"的事——想想业务方向、研究个新技术、跟团队深聊一次。

翻天覆地的变化不是某个戏剧性的瞬间，而是无数个"两分钟"的累积效应终于越过了一个阈值。

但这一切的前提，是你今天就挑出一个最小的任务，试一次。

不是明天。不是等更好的工具出来。不是等别人总结出最佳实践。

就是今天，就是手头这个让你皱眉的小活儿。

那就是你的第一只虾。