来源

• 原始链接：https://mp.weixin.qq.com/s/gwpfzrVbenZi8djz29yHRw
• 来源类型：网页正文
• 来源标题：OpenClaw 与 Agent 时代：AI 驱动的工作范式与软件生态变革

OpenClaw 与 Agent 时代：AI 驱动的工作范式与软件生态变革

这篇访谈最值得保留的地方，不是 OpenClaw 或 Claude Code 哪个工具更好，而是它把 Agent 从工具讨论推进到了工作界面、公司形态、商业模式和人的角色变化。它很适合放进汉松长期关注的 AI 共生主题里：Agent 的关键变化不是替人聊天，而是逐步成为能记忆、能调用工具、能执行任务、能嵌入私人场景的工作伙伴。

1. Agent 的亲密感来自入口、记忆和行动能力的叠加

背景：Peter Yang 对 OpenClaw 的描述很有意思。他没有先谈模型能力，而是先谈 Telegram、语音、床上和通勤路上的即时对话。这说明 Agent 产品的体感差异，很多时候来自交互入口和可行动性，而不是模型本身。

把 OpenClaw 集成在 Telegram 这类即时通讯工具里，比使用 Claude 或 GPT 的官方界面感觉更亲切、更私人。它让人感觉更像一个可以随时对话的伙伴。

亲和力这部分大概占了 70% 到 80% 的重要性，因为我主要通过语音和它互动。只要我冒出任何古怪的念头，只要告诉它，它基本都能尝试去实现。

和使用 Claude 时需要精心设计冗长提示词不同，用 OpenClaw 时，我只需要用最简单、最口语化的方式发消息。

兴趣匹配度高。这里击中了一个很关键的产品判断：Agent 的私人感并不只来自人格设定，而是来自它出现在你本来就生活的沟通界面里，并且能把一句口语化想法变成一串工具调用和代码修改。

2. 记忆系统仍是个人 Agent 的薄弱环节，也是分水岭

背景：访谈里对 OpenClaw 记忆系统的评价相当克制。它把问题说得很具体：文件式记忆、每日更新、三层记忆、检索指令，这些都说明个人 Agent 的可用性很大程度取决于记忆能否稳定、可检索、可被运行时主动调用。

OpenClaw 默认的记忆系统表现并不理想。它的工作方式是将记忆写入 Markdown 文本文件，并每天更新，这导致它非常容易遗忘信息。

我安装了一个三层记忆系统，情况有所改善，但我还必须经常提醒它。我给 Agent 设置了 Markdown 指令，要求在回答任何问题前，先检索记忆中所有相关内容。即便如此，它也常常忘记自己具备哪些能力。

兴趣匹配度高。这和汉松现在的 Hermes 使用经验高度相关：真正的个人 Agent 不是有一个 memory 文件就够了，而是要有检索策略、能力索引、触发规则和执行前的上下文装配。记忆的关键不是存进去，而是任务发生时能拿出来、拿对、用上。

3. 应用不会简单死亡，但工具型应用会被 Agent 降频

背景：应用将死这个判断容易被说成口号。访谈里更有价值的是它把应用分成了事务型、娱乐型、社交型，并指出独立 App 仍然承担意图划分和场景区隔的作用。

最先被淘汰或使用率率先下降的，是那些你仅仅为了完成一项具体任务才需要打开的应用。对于处理事务性任务的应用，未来可能只需要一个指令，让 Agent 去处理这件事。

独立的应用提供了清晰的意图划分和场景区隔，而一个单一的智能助手可能很难在调情、处理正事等不同场景间自如切换。

通过设置多个 Telegram 频道，可以在不同频道内进行独立对话。它未必能完美保持不同对话的连贯记忆，但至少能实现功能与话题的隔离。

兴趣匹配度高。这里可以抽象成一个产品命题：Agent 不是取消界面，而是重新分配界面。独立 App 的价值会从完成任务转向提供场景、状态、信任边界和审计入口。多频道、多线程、多工作区，可能就是个人 Agent 的新界面层。

4. 编程 Agent 把知识工作改造成可生成、可分叉、可迭代的工作流

背景：这组内容最贴近 AI coding 和工作流设计。Peter 的表达不是编程 Agent 只会写代码，而是它把写文档、做演示、搭内部工具这些知识工作都推向了代码化和可迭代化。

编程，或者由 Agent 驱动的自动化，将吞噬所有知识工作。趋势已经很明显。

我写博客文章时，没有直接打字，而是想：让我直接用代码来描述吧。然后我给 Agent 一堆反馈，让它来写，并分叉我的代码。它完成了前 80%，最后 20% 由我亲自调整。

我几乎不从零开始，总是先借助 Agent 完成绝大部分基础工作。

Excel 之所以流行，是因为它超级易于上手。代码被抽象、隐藏了。未来，你只需与 Agent 对话就能完成任务。

兴趣匹配度高。这里可以和汉松的求解、创造、担当模型接上：Agent 负责快速生成可操作对象，人类负责问题定义、分支选择、最后 20% 的判断和收束。知识工作的核心对象从文档变成了可运行、可回滚、可分叉的工作流。

5. 公司会更小，但人的价值会更集中在判断、创造和边界管理

背景：访谈对未来组织形态的判断很直接：小团队加大量 Agent。值得注意的是，它没有把人从系统里删除，而是把人的角色从低效协调中移到引导、监督、沟通和判断。

我希望更多公司能保持小规模。与其维持一个占公司 10% 规模的产品团队，不如只保留 2% 到 3% 的核心产品团队，然后配备一群 Agent 助手来协助工作。

Agent 系统移除了情绪因素。未来的方向或许是将这些充满情绪负载的客观工作交给系统处理，人类更多地引导和监督整个过程，而不是深陷其中。

产品经理的核心技能，与用户沟通、厘清真正需要解决的问题、决定做什么，这些能力依然至关重要。

兴趣匹配度高。这个判断对管理者尤其有用：Agent 化不是单纯裁人，而是把组织里大量协调性、事务性、格式性工作自动化。人留下来的部分更像产品判断、问题定义、用户理解、权限设计和责任承担。

6. 未来的节奏是快慢结合，而不是一直加速

背景：这组摘录很好地抵抗了生产力崇拜。Agent 可以让局部探索极快，但寻找下一座山丘需要停下来。这个判断比运行 20 个 Agent 更有价值。

在有了这么多 AI 工具后，很容易同时向十个不同方向冲刺。所以有时你确实需要放慢速度，想清楚自己真正要去哪里。

当你在局部最优解里探索时，应该行动得非常快。借助 Agent，你可以极快地登上当前这座山丘的顶峰，获得新洞见，围绕它构建一切，并充分实现其价值。

但随后，为了到达下一个山丘，你可能需要几乎完全停下来，放慢节奏，摸索、探索，做些不同的事情。所以未来是快与慢的结合，一种动态节奏。

兴趣匹配度高。这是汉松应该长期保留的节奏原则：Agent 让执行速度变得便宜，但方向判断仍然昂贵。快用于爬坡，慢用于换坡。

7. Agent 时代会重构产品接口、收费模式和品牌资产

背景：这部分讨论从用户留存转向 Agent 优先访问产品，涉及 API、MCP、支付、身份认证、营销和 Token 收费。它把 Agent 时代的软件生态说成一整套新技术栈，而不是单点功能。

未来可能会出现两种界面。一种是 API 接口，供你的 Agent 交互或执行交易类操作。另一种是基于消费的直接操作界面。

整个 Agent 技术栈，包括身份认证、支付、营销等，正在兴起。我们还没有看到像 MCP 这类新兴标准与现有生态的全面竞争，这些都是真正的新范式。

在消费端，我们首次看到了基于 Token 的收入模式，结合订阅费和按用量计费。商业模式的简化，会对许多情况大有帮助。

兴趣匹配度高。这里的关键不是 MCP 本身，而是软件产品的对象从人类用户扩展到 Agent 用户。产品需要面向 Agent 暴露可执行接口，同时保留面向人的审计、解释、情境和体验界面。

8. 100% 自动化很少见，最后的责任仍在人类

背景：访谈最后把 AI 产品分成两类：大幅提升效率，以及追求端到端完全自动化。它对后者很谨慎，认为大多数场景还是增强人，而不是完全替代人。

我们观察到两种不同情况。一种是大幅提升个人或团队的生产力，另一种是追求某项职能的 100% 自动化。

第二种，也就是实现 100% 自动化，实际上非常罕见。几乎所有 AI 原生产品都能带来显著效率提升，但几乎都无法做到 100% 取代人力。

最后的 10%，往往还是需要人类来完成。

兴趣匹配度高。这一点可以和担当对应起来：AI 能把前 80% 或 90% 的生成、整理、执行做得很快，但最终选择、风险、边界和后果仍然要由人承担。AI 共生的成熟形态不是人退出，而是人把注意力从机械产出转向判断和负责。

整体判断

这篇文章适合纳入 Agent 系统和 AI 共生主题。它有三条主线值得后续复用：第一，个人 Agent 的体感来自通信入口、记忆和行动能力的组合；第二，Agent 会降低事务型 App 和传统 SaaS 的使用频率，但会强化 API、审计、权限和场景界面的重要性；第三，AI 工作不是一路加速，而是在快速爬坡和慢速换坡之间切换。

如果要从中提炼一个最有价值的判断，我会选：Agent 时代真正稀缺的不是执行速度，而是任务边界、记忆调用、权限控制和方向判断。