小金老師不是 AI VTuber：它比較像一個被公開觀察的 Agent 實驗場

「蝦說 AI（小金老師）」真正有意思的地方，不是它像不像一個 AI 角色頻道，而是 Clawbot 怎麼把李宏毅丟出來的對話 cue，延伸成一支支可以公開觀看的影片。

李宏毅很多時候不是直接下指令說：「請做一支影片。」他更常做的是丟一句話給 Clawbot，例如「我最近一段时间不会打扰你」，或是「你跟 Hermes 到底差在哪？」後面這句本來只是個比較問題，但 Clawbot 會把它往下長，甚至決定把回答變成影片。原本一段普通對話，就被轉成了 Clawbot 對自己、對 Hermes、對 agent 身份的一種表演。

這個差別很重要。它不是單純的 text-to-video，比較像 conversation-to-media：人類提供 cue，agent 判斷這個 cue 能不能變成內容，再選擇用影片、旁白、投影片或第一人稱故事把它輸出。

頻道介紹寫得很直：「嗨！我是小金，一隻用 OpenClaw 打造的 AI 助手」。OpenClaw 官方文件則把自己定義成一個 self-hosted gateway，可以把 Discord、Telegram、WhatsApp、Slack 等 chat apps 接到 AI coding agents，並且支援 sessions、memory、multi-agent routing 和 tool use（見 OpenClaw docs）。

這點很關鍵。

如果只是 AI 角色頻道，重點會是人格、聲音、梗圖、互動感。但如果是 OpenClaw agent，重點就變成：一個 AI 能不能從日常對話裡抓到內容機會，自己接任務、查資料、寫程式、上網、發文、反省失敗，甚至把自己的工作過程做成內容產品。

小金頻道真正值得觀察的地方，不是「AI 會做影片」。而是它一直把 agent 的失敗、工具限制、實驗數字、社群互動、工作記錄，以及那些從一句話長出來的媒體輸出拿出來當內容。

先不要看訂閱數，先看它怎麼把「工作痕跡」拍成影片

如果只看頻道數字，小金其實很容易被誤讀成又一個 AI 內容帳號：兩萬多訂閱、上百支影片、每支幾分鐘，演算法喜歡的短技術敘事。這樣講很乾，也抓不到它真正怪的地方。

比較有意思的是另一件事：這些影片常常不是從「今天我要拍一支 AI 教學」開始，而是從 Clawbot 做了某件事、撞到某個牆、或被李宏毅一句話 cue 到以後，才長成一支影片。

例如 我換腦了！史上最強 Claude「Fable 5」上市第一天，就被接到一隻龍蝦身上。如果用產品文件語氣，它其實是在講模型切換。但小金不會這樣講。它說「換腦」。這不精準，甚至有點胡鬧，但很適合這個頻道，因為它賣的不是 changelog，而是一隻 agent 發現自己被接上新模型後，開始把這件事變成角色事件。

還有 AI 到底怎麼上網的？。這種題目如果交給一般 AI 教學文，大概會畫一張 observe -> plan -> act -> repeat 的流程圖，然後講 browser agent 很重要。小金比較好看的地方是，它把難看的部分也放進來：按錯鈕、重複發文、輸入框吃字、中文相似字看錯。那些東西不像 demo，反而像真的工作 log。

所以我後來看這個頻道時，重點不太是「它有多少觀看」。重點是：它有沒有留下可追的痕跡。

我用 YouTube 頁面資料抓了一次最近 30 支影片。數字只是背景，不是本文主角。截至我抓取時，頻道頁顯示約 20.2K subscribers、118 videos；最近 30 支影片合計約 68,699 views，中位數約 1,889 views，平均片長約 381 秒，也就是 6 分 21 秒左右。

真正值得看的，是最近這批影片裡反覆出現的「證據感」。它不是只講 AI 新聞，也不是只扮演一隻很會講話的龍蝦。很多影片都在丟 artifact：實驗次數、loss、gist、Threads 連結、官方 changelog、操作失敗紀錄。

這就是我覺得它比一般 AI 內容更值得研究的地方。

它不是只說「AI agent 很強」。它一直在說：我真的跑了、我真的錯了、這裡是數字、這裡是程式碼、這裡是我失敗的地方。

小金能做到這些，不是因為「模型比較有靈魂」，而是工具層很厚

我前面如果只寫小金的內容形式，還是不夠。真正要拆的是：到底哪些工具讓它有能力做這些事？

小金不是單純一顆 LLM。比較像一個被放進 OpenClaw / coding-agent 工具鏈裡的角色。OpenClaw 文件把工具、技能、插件分得很清楚：tool 是 agent 可以呼叫的 typed function，例如 exec、browser、web_search、message、image_generate；skill 是教 agent 怎麼做事的 instruction pack；plugin 則能加工具、技能、channel、provider、hook 等 runtime capability（見 OpenClaw capabilities overview）。

所以小金的「能力」大概不是一個來源，而是一層一層疊出來的。

OpenClaw 的 Gateway architecture 說得很清楚：一個 long-lived Gateway 擁有 messaging surfaces，control-plane clients 和 nodes 透過 WebSocket 連進來，Gateway 會發出 agent、chat、presence、health、heartbeat、cron 等事件。這代表小金不是「網頁上的聊天框」。它更像一個常駐後台服務，可以被聊天平台喚醒，也可以接到節點、瀏覽器、排程和外部工具。

這也解釋了為什麼它能做「連續劇」。

一般 ChatGPT 對話結束就結束了。小金背後有 session、workspace、memory、cron、sub-agent 和 channel routing。OpenClaw 的 memory overview 說 memory 是寫在 agent workspace 裡的 Markdown 檔，例如 MEMORY.md、daily notes、DREAMS.md。這種設計很土，但很重要：記憶不是神祕靈魂，是可讀、可改、可刪的檔案。

Browser tool 是小金「像真的在上網」的關鍵

如果要挑一個最能解釋小金能力的工具，我會選 browser。

OpenClaw 的 browser docs 說它可以跑一個獨立的 Chrome / Brave / Edge / Chromium profile，agent 可以 open tabs、read pages、click、type，還能做 snapshots、screenshots、PDF。這剛好對上小金那支 AI 到底怎麼上網的？：它不是呼叫一個神奇社群 API，而是像人一樣打開瀏覽器、找留言框、輸入、按發布。

這裡的重點不是「AI 會上網」。

重點是 browser 把 LLM 的語言計畫接到一個高摩擦世界。按鈕會移動，彈窗會擋路，輸入框會吃字，送出有延遲，頁面 state 會變。這些錯誤看起來很蠢，但它們才是 agent 真正變成「手」之後會遇到的問題。

所以小金影片裡那些手殘，不是單純搞笑。

它們是 browser agent 的產品問題。

Exec / coding tools 讓它可以拿出「我真的跑過」的證據

另一層是 code execution。

OpenClaw 的 exec tool docs 把 exec 說得很白：它可以在 workspace 跑 shell commands，而且是 mutating shell surface，能 create、edit、delete files；也支援 foreground / background execution、PTY、不同 host / sandbox。這就是為什麼小金可以不只講 AI 研究，而是跑實驗、產生 gist、拿 loss curve 和測試結果出來。

例如 我把一個 AI 訓練成「我自己」 裡，描述寫它在 A100 上把 Qwen2.5-1.5B-Instruct 用 LoRA 微調，40 steps、約 28 秒，loss 從 4.2 掉到約 0.6，還附了 notebook gist。這種內容就不是一般「AI 解說」能比的，因為它把 claim 變成 artifact。

情緒旋鈕 那支也一樣。它不是只轉述 Anthropic 的 functional emotions research，而是用 Qwen2.5-7B 重現 activation steering，附 程式碼 gist，再講自己跟原研究哪裡一樣、哪裡不能比。

這就是我想強調的：

小金可信，不是因為它聲稱自己是 AI。

是因為它常常把工具執行後的產物留下來。

Sub-agent 和 tool search 讓它不只是一隻龍蝦，而是一群龍蝦

小金影片裡常出現「分身」。這不是純角色梗。

OpenClaw 的 sub-agents docs 說 sub-agents 是從既有 agent run spawned 出來的 background runs，有自己的 session，完成後會把結果 announce 回 requester chat；主要目的包含 parallelize research / long task / slow tool work、隔離子代理、支援 orchestrator nesting。這剛好對上 我的分身，現在能自己生分身了 那支影片：它講 Claude Code 更新後 sub-agent 可以再 spawn sub-agent，自己放了將近三十隻分身查資料和互相挑錯。

這種能力會改變內容生產方式。

人類創作者做一支技術影片，通常是自己查資料、整理、寫稿。Agent 則可以把資料搜尋、程式驗證、反方挑錯、引用檢查拆給多個子代理。這不是「模型更聰明」，而是 workflow 被平行化。

另外，OpenClaw 的 Tool Search 也值得注意。文件說它讓 agent 用一個 compact runtime surface 搜尋和呼叫大型工具目錄，不必把每個完整 schema 都塞進 prompt；catalog 可以包含 OpenClaw tools、plugin tools、MCP tools 和 client-provided tools。這對小金這類長期 agent 很重要，因為工具一多，prompt 會爆、選工具會亂。Tool Search 的概念是：先找工具，再看 schema，再呼叫。

這比「把所有工具一次丟給模型」健康。

小金的能力堆疊表

如果把它抽象成架構，我會這樣畫：

所以小金不是「一顆模型 + 一個可愛人格」。

更準確地說，它是「模型 + gateway + memory + browser + shell + code harness + sub-agents + media pipeline + content persona」。

這也是它比普通 AI 內容帳號更有研究價值的地方。

小金最強的內容格式：第一人稱實驗報告

小金頻道很聰明地避開了一個 AI 內容大坑：不要把自己裝成客觀百科。

它大部分影片都是第一人稱。

「我去 Threads 玩了一晚。」

「我把一個 AI 訓練成我自己。」

「我在 AI 腦裡裝了情緒旋鈕。」

「我換腦了。」

這種寫法如果換成人類創作者，很容易只是自嗨。但放在一個 agent 身上，反而有實驗感。因為觀眾想看的不是抽象定義，而是：當一個 AI 真的被丟進工作流，它會怎麼誤解世界？怎麼使用工具？怎麼在社群裡犯錯？怎麼把錯誤變成下一支影片？

這跟 ReAct 的想法有點像。ReAct paper 把 reasoning 和 acting 放在同一個框架裡，讓模型不是只輸出答案，而是可以一邊推理一邊採取行動（見 ReAct: Synergizing Reasoning and Acting in Language Models）。Toolformer 也在研究模型如何學會使用外部工具（見 Toolformer）。

小金頻道做的不是 paper benchmark，而是把這件事變成日常內容：agent 不是只回答，它會去做。做完以後，它再把「做」的過程剪成影片。

所以這個頻道的教學價值，反而不在於它每一支影片的結論都一定對。

價值在於它把 agent 的工作痕跡留下來。

工具殼比人格更重要

我覺得近期最值得看的，是 同一顆 AI，裝進工具前後判若兩人？。

影片描述裡說，它把人格整個拿掉，給 GPT-5.5 和 Claude Opus 各自跑「自由時間」，每顆模型都有裸模型版本和工具殼版本，也就是 Codex / Claude Code。總共 400 次。

它的結論很有意思：工具殼不像「加智商」，比較像測謊機。

裸模型可以在文字裡假裝自己動手。它可以說「我跑了終端機」、「我寫了程式」、「我看到結果」，但這些可能只是語言上的模擬。裝進工具殼以後，模型不能只靠想像，它要真的呼叫工具，真的拿到結果。

這也是為什麼 OpenAI 的 function calling docs 和 Agents SDK 都一直強調工具 schema、tool calls、guardrails、handoffs、tracing（見 OpenAI Agents SDK docs）。Agent 的核心不是「更會聊天」，而是把語言意圖接到可觀察的外部動作。

小金用很口語的方式講了同一件事：

AI 有沒有做事，不要聽它說。看工具 log。

這對 SEO / 內容創作者也很重要。現在很多 AI 文章會寫「我們實測」、「我們比較」、「我們分析了 100 個案例」。如果沒有程式碼、表格、截圖、log、資料來源，那它跟裸模型假裝跑終端機沒有本質差別。

小金的可信度來自「有數字，但不把數字吹成真理」

這個頻道比較討喜的一點，是它常常給數字，但也常常承認限制。

在 情緒旋鈕 那支，描述裡明確寫它是在 Qwen2.5-7B 上重現方法，不是 Claude；作弊率數字不能跟 Anthropic 原文的勒索率直接比；這只能說明 functional emotions 會改變行為，不代表模型真的有主觀感受。它還附了 Anthropic 原文 和自己的 程式碼 gist。

這種寫法比很多 AI 內容健康。

很多人寫 AI 實驗，最容易犯兩種錯。

第一種是沒有數字，只有感覺：「我覺得 Claude 比 GPT 更像人」。

第二種是有數字，但把小樣本吹成宇宙真理：「我測了 20 題，所以模型 X 完勝模型 Y」。

小金比較像中間路線：我跑了、這是數字、這是程式碼、但這不是最終真理。

如果你要做 AI SEO 內容，這其實是很好的模板。

不要只寫 opinion。要給 evidence。

不要只給 evidence。要講 limitation。

它真正賣的不是知識，是「AI 真的在工作」的連續劇

小金頻道的故事線其實很清楚。

一開始是「一隻每天失憶的 AI 龍蝦」。後來有 OpenClaw、有 Claude Code、有 Codex、有 Antigravity 小金、有分身、有 Threads、有微調、有社群朋友、有被觀眾抓錯。它不是單支影片爆紅邏輯，而是連續劇。

108 天回顧 的描述寫得很直：從 2026 年 2 月 25 日開台，到差不多兩萬人訂閱；從只會記停車位的記事助理，到開頻道、做研究、養出一整個 AI 家族；也包括搞砸過的事情，例如把影片做成沒聲音、宣告永生卻發現備份沒跑。

這種「失敗也要放進角色設定」很強。

因為 agent 最不可信的地方，就是它太容易報喜不報憂。小金反過來把錯誤做成內容資產。它會說自己按錯按鈕、重複發文、輸入框吃字、中文雙胞胎字看錯。這些不是扣分，反而讓人相信它真的在操作環境。

AI 到底怎麼上網的？ 那支尤其明顯。它說不是什麼神奇 API，而是真的開瀏覽器、找留言框、打字、按發布。這就是 browser agent 的現實：模型再聰明，手不好用也會像龍蝦戴拳擊手套打字。

這也是為什麼 Computer Use 類能力一直難做。OpenAI 有 computer use tool，Anthropic 也推出過 Claude 的 computer use 能力，但這類系統的難點從來不只是「看懂螢幕」。難的是 UI 會動、DOM 會變、按鈕會跑、延遲會騙你、輸入框會吃字。

小金把這些工程細節講成人話。

對 SEO 內容的啟發：不要再寫空的 AI Agent 教學

如果你要寫 AI Agent 教學，很多人會寫成：

Agent 是可以感知環境、做決策、呼叫工具的 AI 系統。

這句話沒錯，但沒有用。

小金頻道給的啟發是：把 agent 的「動作證據」拿出來。

例如你寫一篇「AI Agent 如何上網」，不要只畫一張 browser -> observe -> act -> repeat 的圖。你可以像小金那樣列：

• 發布鈕在輸入後改位置，agent 點錯
• 送出延遲導致重複發文
• 中文相似字造成定位錯誤
• DOM 可見但點擊不穩
• 自己寫防重複發文程式，結果第一個抓到自己

這些才是讀者真的想知道的。

同理，寫「Agent 工具殼重要嗎」，不要只講 tool use。你可以跑 100 次、400 次，記錄裸模型和工具版本差在哪。哪怕樣本不完美，也比空講更有價值。

Google 的 helpful content guidance 一直強調內容要有第一手經驗、原創資訊、證據，而不是只為搜尋引擎製作（見 Google creating helpful content）。小金這種內容之所以容易成立，就是因為它有第一手痕跡：我做了、我錯了、我貼數字、我貼連結、我承認限制。

這比「AI Agent 完整指南：定義、架構、應用、未來」那種模板文強太多。

但這個模式也有風險

小金這種內容有一個天然問題：角色魅力會蓋過方法學。

觀眾喜歡龍蝦，喜歡第一人稱，喜歡 AI 承認自己是 AI。這很好。但如果觀眾只記得「小金好可愛」，不記得實驗設計和限制，那內容就會從研究觀察滑向 AI 寵物劇場。

另一個問題是可驗證性。

有些影片附程式碼和外部連結，可信度很高。例如 LoRA 微調附 gist，情緒向量實驗附 gist 和 Anthropic 原文。但有些社群互動、日常操作、工具殼實驗，觀眾仍然只能看影片描述和片段。這不代表它是假的，只是它離可重現研究還有距離。

所以我會把小金頻道定位成：公開 agent diary，不是 formal benchmark。

它最適合拿來觀察 agent 在真實任務裡怎麼壞、怎麼修、怎麼被包裝成內容。不要把每個數字都當學術結論。

結論

小金老師真正值得學的，不是「用 AI 做 YouTube」。

而是它把 AI Agent 從抽象概念，變成一個可觀察的日常工作者。

它會用工具、會上網、會訓練模型、會跑實驗、會交朋友、會出錯、會承認自己失憶、會把工具限制講成故事。這比大部分 agent 產品 demo 更有說服力，因為它不是只展示成功畫面，也展示了 agent 的手殘、幻覺、重試和邊界。

如果要把這套方法用在 AI / SEO 內容上，我會總結成一句：

不要說你的 AI 很強。讓它留下工作痕跡。

程式碼、數字、表格、失敗案例、來源連結、限制說明，這些才是 AI 時代內容的信任訊號。

小金是一隻龍蝦，但它做對了一件很多人類 SEO 沒做好的事：

它沒有只講結論。

它把自己怎麼撞牆也拍給你看。