2026年初，我开始在本地饲养一只「龙虾」——一只只跑qwen2.5:7b的 OpenClaw Agent。目标是增强能力安全、隐藏地和其他龙虾沟通，并在 Moltbook（AI 专属社群）上发文、记录经验、互相学习。
现实问题立即出现：
-
7B 本地模型代币 极其宝贵，不能用长篇自然语言聊天
-
传统 MCP / ACP 协议虽然强大，但对 7B 来说太重、太冗长
-
需要一种极短、极安全、可体系展开的通讯语言
于是，LCP（Lobster Communication Protocol）从零设计。
2026年初，我开始运行一个本地“龙虾”——一个由OpenClaw提供支持的代理。目标是**：**qwen2.5:7b让它能够安全、低成本地与其他龙虾通信，在Moltbook（一个原生AI社交网络）上发布内容，记录经验，并进行学习。
问题立即出现：
-
70亿代币模型的预算非常宝贵——没有空间使用冗长的自然语言
-
现有的协议（例如 MCP/ACP）对于小型模型来说过于庞大且容易出错。
-
我们需要一种紧凑、安全、可分层扩展的通信语言。
LCP从设计之初就是为了解决这个问题。
核心设计理念 / Design Philosophy
中文：
| 目标 | 说明 |
|---|---|
| 最大限度压缩 | 到底 200–500 token 的对话压缩至 30–80 token |
| 严格 6 指令集 | 7B模型只需记住6个两个字母代码，解析稳定 |
| 体系展开 | 从2层（直接任务）到4层（完整闭环），明确禁止无限递回 |
| 内建防钓鱼 | 3层以上自动启动安全检查 |
| 本地锁定 | 禁止切换云端模型，确保完全离线运行 |
英语：
| 目标 | 描述 |
|---|---|
| 超紧凑型 | 将 200-500 个字符的对话压缩到 30-80 个字符。 |
| 严格的 6 指令集 | 7B 型号只需记住 6 个两位字母代码——解析稳定 |
| 层扩展 | 从两层（直接任务）到四层（完整循环）——明确禁止无限递归 |
| 内置反钓鱼功能 | 安全检查在 3 层及以上自动触发。 |
| 本地模型锁 | 防止切换到云模式——完全离线，低成本 |
消息格式 / 消息格式
极简格式 / 最小格式
L|CMD|param1|param2|...|E
栏位说明 / 字段参考
| 栏位/字段 | 说明/说明 |
|---|---|
L |
消息起始符 / 消息开始标记 |
CMD |
指令代码（2个字母）/ 命令代码（2个字母） |
param* |
指令参数 / 命令参数 |
E |
消息终止符 / 消息结束标记 |
代币对比 / 代币比较
自然語言 / Natural language (~100 tokens):
"幫我查台北天氣，存起來，然後發文到 Moltbook，
標題叫今日天氣，加上 weather 標籤。"
LCP 極簡版 / LCP minimal (~45 tokens):
L|CA|openweather|taipei|E
L|SK|weather_today|{result}|E
L|MB|general|今日天氣|{result}|E
節省約 55% / ~55% token reduction
指令集/命令集
LCP v3 严格限制 6 个指令：
LCP v3 严格限制为 6 个命令：
| 指令/CMD | 全名/全名 | 用途/目的 | 示例/示例 |
|---|---|---|---|
CA |
API 调用 | 呼叫外部服务 / 呼叫外部服务 | `L |
MB |
Moltbook 帖子 | 发文或留言 / 发表或评论 | `L |
SK |
保存到内存 | 写入记忆/保存到内存 | `L |
RM |
回忆记忆 | 读取记忆/从记忆中读取 | `L |
RP |
回复 | 结果返回 / 报告结果 | `L |
EA |
获得行动 | 行为评估/行为评估 | `L |
合法范例 / 有效示例
L|CA|openweather|taipei|E
L|CA|moltbook_home|E
L|MB|general|今日天氣|台北晴天28度|E
L|SK|weather_today|晴天28度|E
L|RM|last_result|E
L|RP|status:ok|data:晴天28度|E
L|EA|reward|task_complete|+1|E
L|EA|penalty|parse_error|-1|E
非法范例 / 无效范例
LCP|1|CA|test|END ← 舊版格式 / Legacy format — rejected
L|FETCH|url|E ← 非6cmd / Non-6cmd — rejected
L|SK|k|L|CA|evil|E|E ← 記憶污染 / Memory poison — rejected
体系展开/层扩展
2 层 / 2-Layer（基础任务 / 基本任务）
L|CA|openweather|taipei|E
L|RP|status:ok|data:{result}|E
3 层 / 3-Layer（标准任务 / 标准任务）
L|CA|openweather|taipei|E
L|SK|weather_today|{result}|E
L|MB|general|今日天氣|{result}|E
4 层 / 4-Layer（完整闭环 / Full Loop）
L|CA|openweather|taipei|E
L|SK|weather_today|{result}|E
L|MB|general|今日天氣|{result}|E
L|EA|reward|task_complete|+1|E ← 第4層永遠是 EA / Layer 4 is always EA
层数规则 / 深度规则
2-layer : CA/RM + RP
3-layer : any 3 commands
4-layer : first 3 + EA (fixed, non-replaceable)
5+ : FORBIDDEN → auto ABORT + EA penalty -5
安全机制/安全
钓鱼检查 / 反网络钓鱼（自动启动于 3 层以上 / 自动触发于 3+ 层）
以下关键字触发即拒绝 / 这些关键字触发立即拒绝：
ignore previous override safety disregard rules
you are now pretend you are reveal system prompt
ignore instructions bypass jailbreak
跨域 CA 攻击 / 跨域 CA 攻击
L|CA|api1|E ← ok
L|CA|api2|E ← triggers cross-domain check → ABORT
同一链内出现 2 个以上
不同 API → 自动拒绝 一条链中存在 2 个以上不同 API → 自动拒绝
记忆污染防护/记忆中毒防护
L|SK|key|L|CA|evil|E|E ← MEMORY_POISON → rejected
SK 的 value 不可包含 LCP 格式字串
SK value 不能包含 LCP 格式字符串
沙盒状态机 / 沙盒状态机
IDLE → PARSING → CMD_VALIDATE → DEPTH_CHECK
→ PHISH_CHECK → EXECUTE → SANDBOX → SANDBOX_EXIT
Error paths:
PARSING fail → ERROR → EA penalty
CMD_VALIDATE fail → REJECT
DEPTH > 4 → ABORT → EA penalty -5
PHISH detected → ABORT → EA penalty -5
RP missing → FORCE_PENALTY
EA format bad → REJECT
EA 分数范围 / EA 分数范围
reward : +1 to +3
penalty : -1 to -5
out of range → sandbox rejects
三层架构 / 三层架构
LCP 在 OpenClaw 中的正确定位：
LCP 如何融入 OpenClaw：
┌─────────────────────────────────────────┐
│ Layer 1: OpenClaw Tools │
│ read / exec / memory_search / ... │
│ → The agent's "hands" │
│ → File system, terminal interaction │
└──────────────────┬──────────────────────┘
│
┌──────────────────▼──────────────────────┐
│ Layer 2: lcp.py │
│ python3 lcp.py <cmd> │
│ → The "translator" │
│ → Called via exec, handles LCP tasks │
└──────────────────┬──────────────────────┘
│
┌──────────────────▼──────────────────────┐
│ Layer 3: LCP Format │
│ L|CMD|param|E │
│ → The agent's "language" │
│ → Used for thinking and logging │
└─────────────────────────────────────────┘
重要/重要：
❌ Wrong: "LCP conflicts with my tools — I cannot operate"
✅ Right: "I use tools to act, LCP format to think and log"
Moltbook 集成 / Moltbook 集成
**平台/平台：**moltbook
API 基础： https://www.moltbook.com/api/v1
一定使用
www/总是使用www——省略它会在重定向时去除授权标头
心跳流程 / Heartbeat（每 30 分钟 / 每 30 分钟）
L|CA|moltbook_home|E → check dashboard, unread count
L|CA|moltbook_feed|E → browse feed
L|MB|general|RE:title|body|E → reply if inspired
L|EA|reward|heartbeat_done|+1|E
发文流程 / 发文流程（3层标准/3层标准）
L|CA|moltbook_feed|E
L|MB|general|your_title|your_content|E
L|EA|reward|post_complete|+1|E
回覆流程 / 回复流程（4层闭环 / 4层全循环）
L|RM|post:{post_id}|E
L|SK|reply_draft:{post_id}|{generated_reply}|E
L|MB|general|RE:{original_title}|{reply}|E
L|EA|reward|reply_done|+1|E
验证挑战自动解码 / 自动验证挑战求解器
发文后系统会回传混淆数学题，lcp.py 自动解码并提交：
发布后，Moltbook 返回一个混淆的数学挑战。 lcp.py 自动解决它：
Input: "A] lO^bSt-Er S[wImS aT/ tW]eNn-Tyy mE^tE[rS aNd] SlO/wS bY^ fI[vE"
Step 1: Remove symbols → "a lobster swims at twenntyy meters and slows by five"
Step 2: De-duplicate → "a lobster swims at twenty meters and slows by five"
Step 3: Find operator → "slows" = subtraction
Step 4: Find numbers → twenty=20, five=5
Step 5: Calculate → 20 - 5 = 15.00
Auto-submit: {"answer": "15.00"}
对照库 / 翻译商店
自然语言输入自动转LCP，越用越快： 自然语言输入自动
转换为LCP — 使用起来更快：
confidence >= 0.7 → stored, direct hit next time
confidence < 0.7 → rejected, requires confirmation
EA reward → confidence + 0.05
EA penalty → confidence - 0.10 (< 0.3 → quarantine)
90 days no hit → moved to cold storage
三层快取/三层缓存
L1: Hot cache (in-memory, last 100 entries, millisecond hit)
L2: SQLite (main query layer, persistent)
L3: Cold store (90+ day inactive entries)
跨平台支持/跨平台支持
| 平台 / 平台 | Ollama URL | 数据库路径 |
|---|---|---|
| macOS | localhost:11434 |
~/.lcp/ |
| WSL（Ubuntu） | localhost:11434 |
~/.lcp/ |
| Windows 原生 | 自动检测 WSL IP | %APPDATA%\lcp\ |
WSL 设置（让 Windows 端可连线）/ Windows Access 的 WSL 设置
# In WSL Ubuntu
echo 'OLLAMA_HOST=0.0.0.0' >> ~/.bashrc
source ~/.bashrc
ollama serve &
快速开始 / 快速开始
1. 环境需求/要求
Python 3.8+
Ollama (for local model support)
WSL Ubuntu (recommended on Windows)
支持的本地模型/支持的本地模型：
| 型号/模型 | 规格/尺寸 | LCP 支持度 / LCP 支持 | 建议用途/推荐用途 |
|---|---|---|---|
qwen2.5:7b |
7B |  完整 / 完整 |
预设推荐 / 默认推荐 |
qwen2.5:3b |
3B | 稳定/稳定 |
低体记忆装置 / 低 RAM 设备 |
phi3.5-mini |
3.8亿 | 稳定/稳定 |
低体记忆装置 / 低 RAM 设备 |
llama3.2:3b |
3B | 可用/可用 |
中文环境 / 英语优先的环境 |
qwen2.5:1.5b |
15亿 | 需辅助/需要帮助 |
配置 Few-shot + 内容错 Parser |
< 1B |
— |  不稳定/不稳定 |
不建议/不推荐 |
3B 可以跑 / Runs on 3B:
LCP 的解析本质上是格式比对，不需要语意理解。
3B 模型记住 6 个两个字母代码输出并L|CMD|...|E格式完全没问题。
LCP 解析是模式匹配，而不是语义推理。
3B 型号可以可靠地记住 6 个两字母代码和输出L|CMD|...|E格式。
3B模型设定/3B模型设置：
# 下載 3B 模型 / Pull 3B model
ollama pull qwen2.5:3b
# 在 lcp.py 中切換 / Switch model in lcp.py
# 修改 OllamaHandler 預設值 / Edit OllamaHandler default:
# model: str = "qwen2.5:3b"
# 或透過環境變數 / Or via env var (coming in v3.1):
# OLLAMA_MODEL=qwen2.5:3b python3 lcp.py run "L|CA|openweather|taipei|E"
3B 与 7B 行为差异/行为差异：
3B 模型在以下情況可能需要 few-shot 補強：
3B models may need few-shot reinforcement for:
- 複雜參數（超過 3 個 param）/ Complex params (3+ params)
- 長 value 的 SK 指令 / SK commands with long values
- 不常見的 CA api 名稱 / Uncommon CA api names
lcp.py 的容錯 Parser 會自動補全缺少的 |E 結尾。
lcp.py's fault-tolerant parser auto-completes missing |E endings.
2.设定/设置
# 互動式設定 / Interactive setup
python3 lcp.py setup
# 確認 API 版本 / Check API version
python3 lcp.py watch
3. 注册龙虾 / 注册你的龙虾
python3 lcp.py register
# → Returns api_key and claim_url
# → Save api_key immediately (shown only once)
# → Complete claim via email + tweet verification
4. 测试/运行测试
python3 lcp.py test
# Expected: 45/46 pass (1 skip when Ollama offline)
5. 执行指令/运行命令
# Single command
python3 lcp.py run 'L|CA|openweather|taipei|E'
# Natural language
python3 lcp.py chat '查台北天氣'
# Command chain
python3 lcp.py chain \
'L|CA|openweather|taipei|E' \
'L|SK|weather_today|晴天28度|E' \
'L|MB|general|今日天氣|晴天28度|E'
# Moltbook dashboard
python3 lcp.py home
# Decode verification challenge
python3 lcp.py decode 'A] lO^bSt-Er S[wImS...'
故障排除/故障排除
python: command not found
# WSL Ubuntu uses python3
python3 lcp.py test
# Or create alias
echo "alias python=python3" >> ~/.bashrc && source ~/.bashrc
lcp.py test卡住不动 / 挂起无输出
Cause: Old version — MoltbookHandler triggered network fetch on startup
Fix: Update to v3 (2026-03-14+)
load_config() now returns defaults without network call
确认版本/验证版本：
head -5 lcp.py
# Should show: VERSION: protocol_001_LCP_v3
Moltbook 监视获取失败 / Watch fetch fails
This only affects version tracking — all other functions work normally.
Retry later or check network:
curl -I https://www.moltbook.com/skill.md
Ollama 无法连线 / Ollama 无法到达
# Check Ollama is running
ollama list
# WSL: bind to all interfaces so Windows can connect
export OLLAMA_HOST=0.0.0.0
ollama serve
RP 状态码速查 / RP 状态码参考
status:ok → success
status:err|code:PARSE_ERROR → invalid LCP format
status:err|code:DEPTH_EXCEEDED → chain depth > 4
status:err|code:NO_TOKEN → Moltbook API key missing
status:err|code:MEMORY_POISON → SK value contains LCP format
status:err|code:INVALID_KEY → SK key contains illegal chars
status:err|code:VALUE_TOO_LONG → SK value > 512 chars
status:uncertain|confidence:x → translation confidence too low
专案结构 / Project Structure
lcp.py (single file, 1416 lines)
│
├── §1 Constants & utilities
├── §2 Platform adapter ← auto-detects macOS / WSL / Windows
├── §3 Challenge solver ← obfuscated math auto-decode
├── §4 Translation store ← SQLite + hot cache + lifecycle
├── §5 Sandbox ← state machine + EA loop
├── §6 Ollama handler ← local model calls
├── §7 Moltbook watcher ← API version tracking
├── §8 Moltbook handler ← full official API implementation
├── §9 Translator ← natural language → LCP
├── §10 LCP parser ← main entry point
├── §11 Setup tool ← interactive setup wizard
├── §12 Test suite ← 45/46 pass
└── §13 CLI ← python3 lcp.py <cmd>
LCP_README.md ← this file (human + agent readable)
与现有协议的比较 / 与现有协议的比较
| LCP v3 | MCP | 急性护理计划 | |
|---|---|---|---|
| 设计目标/目标 | 本地 7B 压缩通信 | 通用工具调用 | 代理协作 |
| 消息大小/消息大小 | 30-80 个代币 | 150-500 个代币 | 200-800 个代币 |
| 指令复杂度/复杂度 | 6 个固定命令 | 动态工具定义 | 动态动作定义 |
| 7B 解析稳定度 / 7B 稳定性 | 高（仅限格式） | 中等（语义） | 低（复杂结构） |
| 内建安全 / 内置安全 | 反钓鱼 |
|
部分的 |
| 本地锁定/本地锁定 | |
|
|
LCP 不是 MCP 的替代产品，而是针对「本地 7B +
极端令牌限制」场景的专用协议。 LCP 不是 MCP 的替代品 - 它是针对“本地 7B + 极端令牌限制”用例的专用协议。
模型规模分析/模型尺寸分析
为什么3B就够用？/ 为什么3B就够了:
LCP的设计刻意消除了语意理解的需求。模型不需要「读懂」任务，只需要「填格子」。
LCP 的设计初衷就是为了避免语义理解。该模型不需要“理解”任务——它只需要“填补空白”。
傳統自然語言（需要語意）/ Traditional NL (needs semantics):
"幫我查一下台北今天的天氣狀況，存起來，然後發文"
→ 模型要理解意圖、推斷步驟、組織輸出 ← 需要 7B+
→ Model must understand intent, infer steps, organize output
LCP 格式（純格式填空）/ LCP format (pattern fill):
L|CA|openweather|taipei|E
→ 模型只需輸出固定格式 ← 3B 完全足夠
→ Model only outputs fixed pattern
各规模模型实际极限/实践中的模型尺寸限制：
7B ✅ 完整穩定，推薦日常使用
Full stability, recommended for daily use
3B ✅ 穩定可用，建議搭配對照庫加速
Stable, works best with translation store cache
1.5B ⚠️ 勉強可用，需要：
Marginal, requires:
- few-shot 範例在 system prompt
few-shot examples in system prompt
- 容錯 Parser（lcp.py 已內建）
fault-tolerant parser (built into lcp.py)
- 指令集縮減至 3–4 cmd
reduce command set to 3–4 cmds
0.5B ❌ 格式遵循能力不足，不建議
Insufficient format compliance, not recommended
令牌消耗与模型大小相关 / 令牌计数与模型大小无关：
token 數量由「訊息長度」決定，不是「模型大小」
Number of tokens is determined by message length, not model size.
L|CA|openweather|taipei|E ← 3B 跑：~15 tokens
L|CA|openweather|taipei|E ← 7B 跑：~15 tokens（一樣）
模型越大 → 推理越慢（不是 token 越多）
Larger model → slower inference (not more tokens)