OpenClaw的意外走红，让“养虾”在短时间内从技术圈的内部尝试，变成了大厂之间的新一轮竞赛。
过去一年还在比拼模型参数和榜单排名的厂商，如今开始集体转向Agent落地——能不能“干活”，正在取代“能不能聊天”，成为更现实的评判标准。
而就在Agent逐渐进入多步推理、多轮调用阶段后，一个过去被忽视的问题开始浮出水面：成本。
“龙虾虽然是开源免费的，但token费用在暴涨。”3月24日，京东相关技术负责人对等媒体提到。相比传统对话式模型，Agent在执行任务时往往需要反复调用模型、进行多轮思考，这使得token消耗呈指数级增长。
他在采访中多次提到“token efficiency（词元效率）”这一概念。简单来说，就是在完成同样任务的前提下，尽可能减少token消耗，或者让每一个token完成更多工作。
根据京东披露的数据，在与市面上的开源模型对比中，其自研的开源模型JoyAI-LLM Flash在任务完成率接近的情况下，token消耗仅为对方的约四分之一到五分之一。这一差异，在单次调用中或许并不显著，但在Agent长链路执行中，会被迅速放大为实际成本差距。
从技术路径上看，这种效率优化主要来自两方面：一是通过强化学习算法（如FiberPO）提升模型在长链路训练中的稳定性，使其无需依赖过长的“思维链”；二是通过推理加速机制（如MTP）提升生成效率，将推理速度提升约1.8倍。
这意味着，在京东的逻辑中，大模型竞争正在发生转向——不是单纯比谁更“聪明”，还要考虑谁更“划算”。
如果说token效率解决的是“用得起”的问题，那么部署方式则决定了“用不用得上”。
在实际应用中，无论是个人开发者还是企业用户，都面临着一个现实障碍：Agent的使用门槛依然不低。从环境配置到模型调用，再到安全控制，整体流程仍然复杂。
京东将“养虾”拆分为三种不同路径。
首先是云端方案。针对初级用户与开发者，京东提供一键部署，用户无需本地安装，即可在线体验Agent。
其次是本地部署。考虑到部分用户对数据隐私的要求，京东支持在本地环境中运行Agent，并强调“记忆共享”的能力——不同终端上的Agent可以继承统一的上下文与历史信息，从而避免当前多Agent割裂的问题。
最核心的，则是面向企业端的一体化方案。
在企业场景中，AI落地的最大障碍往往并非技术能力，而是安全与合规。京东云推出了OpeClaw一体机，支持本地化部署与一键启动，并提供标准版和个人版，满足中大型企业与个人开发者的多样化需求。
这种“软硬一体”的方式，更接近传统企业IT采购逻辑——即通过标准化设备与系统，降低部署复杂度，并确保数据不出本地环境。
几乎所有企业在引入Agent时都会面对的核心矛盾是——Agent如果开放足够权限，虽然更智能，但也更危险；如果限制权限，又可能“什么都做不了”。
对此，京东相关技术负责人表示，将Agent纳入企业既有的信息化体系之中，而不是单独构建一套新规则。例如，将Agent的操作权限与企业OA系统打通，通过既有的权限管理体系进行控制，同时强化操作的可追溯性。
本地部署与私有化模型，也被视为降低风险的重要手段。尤其是在涉及代码、业务数据等敏感信息时，企业往往难以接受调用外部模型服务。
从行业整体来看，围绕“养虾”生态，头部公司的路径正在逐渐分化。
阿里巴巴更强调“模型+云”的一体化输出。以通义千问为核心，结合阿里云平台，将模型能力以API和平台服务的形式提供给企业客户，其优势在于云基础设施与开发者生态。
腾讯则更侧重应用层渗透。依托微信、企业微信等产品，将AI能力嵌入具体使用场景中，通过高频应用推动Agent普及，其路径更接近“超级应用+AI助手”。
相比之下，京东的路径显得更“工程导向”。其重点不在于打造爆款应用，也不完全依赖云平台，而是围绕成本控制、部署方式与安全体系，提供一整套可落地的解决方案。
这种差异，也在一定程度上反映了各自的基础能力：阿里擅长云与平台，腾讯擅长应用与生态，而京东则更强调供应链与企业服务能力。
在明确了各家战略差异之后，讨论Agent本身的价值显得更有意义。该负责人给出了一个相对克制的判断：“龙虾”本身并不是核心，其真正价值在于放大模型能力。
从技术演进来看，大模型正在从对话（Conversation）走向推理（Reasoning），再进入Agent（Agentic AI）阶段，未来可能进一步发展到具备创新能力（Innovation）的阶段。
在这一过程中，Agent更像是连接模型与现实任务的桥梁。它并不会替代模型，反而会放大模型能力的应用边界。
这也意味着，当前围绕“养虾”的竞争，未必是一场短期战役。随着模型能力持续提升，Agent的形态可能不断变化，但围绕成本、效率与落地的基础问题，仍将长期存在。
