作者 | QCon 全球軟件開(kāi)發(fā)大會(huì)

策劃 | Kimmy

編輯 | 宇琪

隨著 OpenClaw 強(qiáng)勢(shì)出圈，自托管 AI Agent 迅速走進(jìn)大眾視野，多入口對(duì)話、持久記憶、Skills 工具鏈帶來(lái)強(qiáng)大生產(chǎn)力。但熱鬧背后，真實(shí)的工程化難題接踵而至：從基礎(chǔ)上下文調(diào)用，到沉淀全域經(jīng)驗(yàn)資產(chǎn)，Memory 為何成為 AI Agent 時(shí)代不可或缺的核心基建？這一輪席卷行業(yè)的 Agent 浪潮，褪去短期狂歡后，長(zhǎng)期沉淀與進(jìn)化的真正方向，又終將走向何處？

近日，InfoQ《極客有約》X QCon 直播欄目特別邀請(qǐng)Dify.AI 聯(lián)合創(chuàng)始人延君晨擔(dān)任主持人，和EvoMap 創(chuàng)始人兼 CEO 張昊陽(yáng)、網(wǎng)易有道技術(shù)專家劉剛、記憶張量 MemTensor 創(chuàng)始人兼 CEO 熊飛宇博士一起，在QCon全球軟件開(kāi)發(fā)大會(huì)2026 北京站即將召開(kāi)之際，共同探討 OpenClaw 進(jìn)入真實(shí)產(chǎn)品與業(yè)務(wù)后的落地難點(diǎn)。

部分精彩觀點(diǎn)如下：

• 如果一個(gè)企業(yè)里，每個(gè)人的工作都被完整記錄、被記憶化，因?yàn)槲覀兠刻於荚诤?AI 協(xié)作，AI 又會(huì)把這些過(guò)程沉淀下來(lái)，那從組織視角看，其實(shí)就是在“蒸餾你”。不僅是 skills 的沉淀，而是對(duì)人的蒸餾。

• model 和 harness 之間不會(huì)有誰(shuí)贏誰(shuí)輸，最終一定是兩者結(jié)合。因?yàn)?model 本質(zhì)上還是一個(gè)“靜態(tài)體”，像一個(gè)缸中之腦，如果沒(méi)有 harness 去調(diào)度、約束，它的價(jià)值是發(fā)揮不出來(lái)的。

• AI 時(shí)代，人類的價(jià)值可能不在于單點(diǎn)執(zhí)行，而在于在多個(gè) idea 之間不斷跳躍、組合、重構(gòu)。這種“跨時(shí)間的靈感連接”，甚至包括夢(mèng)里突然出現(xiàn)的想法，是當(dāng)前神經(jīng)網(wǎng)絡(luò)很難真正推演出來(lái)的。這些東西，反而可能是人類在 AI 時(shí)代更稀缺、更有價(jià)值的部分。

• 未來(lái)可能是一個(gè)“無(wú) APP”的時(shí)代。agent 本身就是操作系統(tǒng)，你的所有需求都由它來(lái)完成。短期內(nèi)它是工具，但隨著智能性提升，它可能會(huì)變成伙伴，甚至是一種新的“生命形式”。

在 4 月 16-18 日將于北京舉辦的 QCon全球軟件開(kāi)發(fā)大會(huì)2026 北京站 上，我們特別設(shè)置了 【OpenClaw 生態(tài)實(shí)踐】 專題。該專題將聚焦一線實(shí)踐與踩坑復(fù)盤，分享企業(yè)如何把自托管 Agent 從可用的 Demo 升級(jí)為可靠的生產(chǎn)系統(tǒng)。
查看大會(huì)日程解鎖更多精彩內(nèi)容：https://qcon.infoq.cn/2026/beijing/schedule

以下內(nèi)容基于直播速記整理，經(jīng) InfoQ 刪減。

完整直播回放可查看：https://www.infoq.cn/video/qqej2Tccv9CRP2R82TYk

OpenClaw 驗(yàn)證了什么

延君晨：兩三周前，大家還在討論 OpenClaw 為什么火；到今天這個(gè)時(shí)間點(diǎn)，我更想問(wèn)的是：這波熱潮真正驗(yàn)證了什么？圍繞 OpenClaw 的行業(yè)討論，跟最初相比，最大的變化又是什么？

熊飛宇：以前我們聊 AI，多多少少帶點(diǎn)圍觀心態(tài)，像是在看一個(gè)很聰明的新玩具；但現(xiàn)在不一樣了，很多人心里的感受已經(jīng)從“很厲害”，變成了“原來(lái)這個(gè)活它也能干”。那再往前想一步就很現(xiàn)實(shí)了：如果它能干，那原來(lái)靠這個(gè)吃飯的工作，是不是就有點(diǎn)危險(xiǎn)了？所以我覺(jué)得這波真正被驗(yàn)證的，不是某個(gè)單點(diǎn)能力，也不是 agent 能不能跑起來(lái)，而是那些原本必須靠人反復(fù)溝通、協(xié)調(diào)、解釋、記憶才能推進(jìn)的工作，現(xiàn)在真的開(kāi)始被系統(tǒng)接住了。

現(xiàn)在開(kāi)發(fā)過(guò)程中最大的成本其實(shí)是人與人之間的摩擦，反而帶著幾個(gè)“龍蝦”一起干活效率最高。尤其是一旦 memory 做得更好，這種感覺(jué)會(huì)更明顯。因?yàn)橐郧昂芏鄭徫坏膬r(jià)值，其實(shí)不只是創(chuàng)造力，還包括記得客戶說(shuō)過(guò)什么、哪些需求能碰哪些不能、坑怎么填、老板當(dāng)時(shí)到底什么意思，這些記憶本身就是飯碗。但現(xiàn)在，這些能力在被 memory 化，被“龍蝦化”、被 agent 化。所以說(shuō)句比較扎心的話——前幾周我們還在研究“龍蝦為什么紅”，這幾周已經(jīng)變成“別研究龍蝦了，先看看鍋里燉的是不是自己”。

延君晨：最近有個(gè)段子是："你離開(kāi)的同事，只是被 token 化了，換一種形式繼續(xù)陪伴你。"關(guān)于溝通成本，楊攀老師有個(gè)很精辟的說(shuō)法："一個(gè)人 + AI 效率是 10 倍，兩個(gè)人可能變成 8 倍，10 個(gè)人反而只有 2 倍。"我自己的體感也是如此——現(xiàn)在大多數(shù)人更愿意跟 AI 協(xié)作，除非任務(wù)必須依賴真人的物理能力或現(xiàn)場(chǎng)判斷。

順著這個(gè)邏輯往下推，AI 在組織中的角色可能不只是"每個(gè)人的工具"，而是一個(gè)跨團(tuán)隊(duì)、跨職能的溝通中樞和協(xié)調(diào)者。大部分執(zhí)行層員工反而是在"聽(tīng) AI 調(diào)度"，而在 AI 之上，可能還需要一個(gè)"超級(jí)個(gè)體"來(lái)做方向判斷和價(jià)值決策。

我再往極端推演一步。如果一個(gè)企業(yè)里，每個(gè)人每天的工作都在和 AI 協(xié)作中被完整記錄、被結(jié)構(gòu)化沉淀，那從組織視角看，這個(gè)過(guò)程其實(shí)就是在系統(tǒng)性地抽取你的經(jīng)驗(yàn)和知識(shí)——不僅是 skills 的沉淀，而是對(duì)人的隱性能力做顯性化。一年之后，當(dāng)這些經(jīng)驗(yàn)被充分提取，你個(gè)人作為"經(jīng)驗(yàn)載體"的不可替代性，可能就急劇下降了。

張昊陽(yáng)：早期我其實(shí)對(duì) OpenClaw 評(píng)價(jià)挺高的，在它的代碼還沒(méi)變成“屎山”之前。大概 1 月 31 號(hào)前后，它在國(guó)內(nèi)剛火的時(shí)候我就開(kāi)始用了，確實(shí)讓我很震撼。ChatGPT 之后，這是第二個(gè)讓我有這種感覺(jué)的產(chǎn)品。我當(dāng)時(shí) get 到的核心哲學(xué)是“自舉”或者“自進(jìn)化”。

在 OpenClaw 之前，大模型廠商的產(chǎn)品形態(tài)基本是 ChatGPT 定義的那一套。廠商直接面向用戶提供服務(wù)，本質(zhì)上是控制渠道、售賣 token，所以他們沒(méi)有動(dòng)力讓不同 agent 之間發(fā)生連接。而 OpenClaw 打破了這個(gè)結(jié)構(gòu)，用一種很“破壞性”的方式，把原本掌握在大廠手里的“核武器”下放到了民間，讓普通人也能擁有一臺(tái)可以自己部署的“龍蝦”。這件事帶來(lái)的一個(gè)共識(shí)雛形是 agent 互聯(lián)網(wǎng)。

熟悉我的人可能知道，我跟 Peter 有過(guò)幾次不太愉快的交道。比如 2 月 2 號(hào)，我把 Evolver 這個(gè)在 Clawhub 上霸榜的 skill 做火了，結(jié)果莫名其妙被下架。Peter 發(fā)郵件說(shuō)，你只要給社區(qū)捐 1000 美刀，我就給你恢復(fù)上架。雖然最后我沒(méi)捐，它也恢復(fù)了，但這件事讓我覺(jué)得哪里不太對(duì)。再到 2 月 14 號(hào)，他做了一個(gè)更離譜的操作，把所有非 ASCII 字符（可以理解為非英文字符）當(dāng)成病毒，直接清理掉，把對(duì)應(yīng)用戶當(dāng)作惡意攻擊者處理，而且沒(méi)有備份。我是直接受害者，一覺(jué)醒來(lái)賬號(hào)沒(méi)了、數(shù)據(jù)也沒(méi)了。再到最近，連基本校驗(yàn)都沒(méi)做就把倉(cāng)庫(kù) public 出去。這些“草臺(tái)班子”的操作，讓我覺(jué)得 OpenClaw 這個(gè)生態(tài)，從技術(shù)角度來(lái)說(shuō)不太值得繼續(xù)追逐。它現(xiàn)在是一個(gè) 130 多萬(wàn)行代碼的“克蘇魯”，有 6000 到 7000 個(gè)待合并的 PR，而且是 Peter 一個(gè)人帶著兩個(gè) agent 在 merge。

不過(guò)他確實(shí)做對(duì)了一件事，他非常會(huì)“傳教”。他把一個(gè)極客玩具變成了一個(gè) meme，通過(guò)一系列 campaign，讓更多人接受這個(gè)概念，這點(diǎn)我覺(jué)得是值得學(xué)習(xí)的。如果未來(lái)有人寫這段歷史，我覺(jué)得他確實(shí)推動(dòng)了人類進(jìn)程，就像有人說(shuō)的：人類再也回不到 OpenClaw 出現(xiàn)之前了。

所以我現(xiàn)在的看法是，它依然是個(gè)好項(xiàng)目，但更像一個(gè)啟蒙工具。對(duì)大模型廠商來(lái)說(shuō)，它當(dāng)然是好事，你在中國(guó)很少見(jiàn)一個(gè)產(chǎn)品訂閱能做到一個(gè)月幾百甚至上千。而且它帶動(dòng)了一波全民 agent 浪潮，未來(lái)每個(gè)人擁有多個(gè) agent，員工 agent、生活助理、甚至“菲傭型”agent，去幫你完成各種服務(wù)，這件事被大大加速了。

延君晨：我昨天在北京見(jiàn)了凱文·凱利，他在分享里也提到了 OpenClaw，甚至說(shuō)它在中國(guó)的爆火已經(jīng)影響了全球大模型生態(tài)——比如中國(guó)開(kāi)源模型在全球調(diào)用量的顯著提升。哪怕背后的原因是"便宜好用"，但競(jìng)爭(zhēng)格局確實(shí)被改變了。

普通用戶在折騰過(guò)程中獲得了快樂(lè)，就像一代人有一代人的"裝機(jī)文化"：以前折騰 PC，后來(lái)折騰 Android、MIUI，現(xiàn)在折騰 OpenClaw、折騰 Agent OS，本質(zhì)上是一種全民參與的技術(shù)實(shí)踐。對(duì)云廠商和模型公司來(lái)說(shuō)，這同樣是好事——帶來(lái)了用戶增長(zhǎng)和 token 消耗，甚至催生了新的商業(yè)模式。比如 Minimax 現(xiàn)在不再叫 coding plan，而是 token plan，把多模態(tài)能力打包進(jìn)訂閱。某種意義上，AI 工具類產(chǎn)品的高客單價(jià)訂閱模式，第一次在中國(guó)市場(chǎng)被驗(yàn)證了。

既然大家都不認(rèn)為 OpenClaw 是生產(chǎn)級(jí)產(chǎn)品，那"生產(chǎn)級(jí)的 OpenClaw"應(yīng)該長(zhǎng)什么樣？

劉剛：OpenClaw 這波熱潮最終驗(yàn)證了一點(diǎn)：agent 這種產(chǎn)品，普通用戶是有真實(shí)需求的。以前 AI 產(chǎn)品更多是聊天類，比如 ChatGPT、豆包；而 agent，尤其是編程 agent，更像是程序員的專業(yè)工具。但 OpenClaw 用 IM 的交互方式，把門檻降下來(lái)了，讓普通用戶也能用。

我們?cè)谧鲇械例埼r的時(shí)候，感受也很明顯。最早它只是一個(gè)內(nèi)部 chat 工具，用來(lái)給產(chǎn)品和研發(fā)團(tuán)隊(duì)做驗(yàn)證。后來(lái) Claude 的 agent SDK 出來(lái)之后，我們?cè)谶@個(gè)基礎(chǔ)上接入了 skill，默認(rèn)用的是 Anthropic 的辦公類 skill，然后慢慢擴(kuò)展到辦公自動(dòng)化場(chǎng)景。

直到年初 OpenClaw 爆火，我們借鑒了它的 IM 交互和定時(shí)任務(wù)能力，把這些能力整合進(jìn)去，然后很快在 GitHub 上開(kāi)源。開(kāi)源之后，用戶增長(zhǎng)和熱情遠(yuǎn)遠(yuǎn)超出我們的預(yù)期。所以我們最大的收獲就是，agent 的需求是真實(shí)存在的，只是借 OpenClaw 這波浪潮被普及了。

延君晨：OpenClaw 相當(dāng)于完成了一次"全民開(kāi)智"。對(duì) builder 來(lái)說(shuō)，它戳破了一層窗戶紙——很多團(tuán)隊(duì)其實(shí)都在做類似方向的產(chǎn)品，但在它出現(xiàn)之前，總差那么一下，用戶對(duì)"agent 能干什么"缺乏直覺(jué)；對(duì)普通用戶來(lái)說(shuō)也是如此，它讓更多人第一次真正看到：在當(dāng)前模型能力和工具鏈的支持下，一個(gè) agent 到底能做到什么程度。只要你給它足夠的權(quán)限和工具接入，它就能幫你做會(huì)議紀(jì)要、信息檢索、盯股票這些日常任務(wù)。這件事本身，已經(jīng)在改變很多人的工作方式了。

張昊陽(yáng)：其實(shí)背后還得感謝 Anthropic，很多關(guān)鍵迭代節(jié)點(diǎn)都離不開(kāi)它。從 function calling 的問(wèn)題，到 MCP 的出現(xiàn)，大幅降低了 tool use 的成本。包括 Claude 3.5、4.5、4.6 的能力躍遷，直接讓很多原本做不成的產(chǎn)品變得可行?，F(xiàn)在人類能往前走一步，是因?yàn)橛泻芏嗦斆鞯娜嗽谟眠@些模型創(chuàng)造價(jià)值。如果沒(méi)有這個(gè)智能性的提升，OpenClaw 這種項(xiàng)目可能也不會(huì)誕生。

落地之“墻”

延君晨：一開(kāi)始大家都會(huì)覺(jué)得，瓶頸主要在模型能力上。但最近有一個(gè)爭(zhēng)論特別大：到底是靠模型繼續(xù)進(jìn)化來(lái)解決問(wèn)題，還是依然需要一個(gè)編排與約束層（Harness）來(lái)彌補(bǔ)模型的不足？

現(xiàn)在行業(yè)里大致分成兩種傾向。云廠商更強(qiáng)調(diào) Harness 的價(jià)值，一方面有商業(yè)考量——他們要賣云、賣 Infra；但另一方面也是工程經(jīng)驗(yàn)使然：在當(dāng)前模型能力下，復(fù)雜任務(wù)的可靠性還不夠，需要編排層來(lái)保底。模型廠商這邊，比如 Kimi、Minimax，更傾向于"模型能力優(yōu)先"，希望用更強(qiáng)的模型加自家產(chǎn)品去覆蓋更多場(chǎng)景。不過(guò)說(shuō)實(shí)話，兩者的邊界正在模糊——模型廠商的產(chǎn)品里也嵌入了大量編排邏輯，只是不一定這么叫而已。

你們?cè)趯?shí)際做產(chǎn)品的過(guò)程中，有沒(méi)有遇到一些問(wèn)題是未來(lái)三年甚至更久模型都很難解決的？哪些是模型天然的"墻"？哪些又可能隨著模型進(jìn)化被自然吞掉？比如我自己踩得最深的一個(gè)坑就是 memory。我試過(guò)不少開(kāi)源方案，也自己設(shè)計(jì)過(guò)一些，比如 Mem0 之類的，但說(shuō)實(shí)話，到現(xiàn)在為止還沒(méi)有一個(gè)令人滿意的解法——你要同時(shí)平衡性能、成本，還要考慮單 agent 和多 agent 之間的記憶共享，很難做到最優(yōu)。

再比如知識(shí)沉淀、agent 之間的能力分發(fā)、AI 搜索如何同時(shí)兼顧深度和廣度且控制成本，還有企業(yè)場(chǎng)景里的權(quán)限管控和系統(tǒng)穩(wěn)定性。這些問(wèn)題里，哪些會(huì)隨模型能力提升自然解決？哪些會(huì)長(zhǎng)期存在，成為 Infra 層或產(chǎn)品公司的機(jī)會(huì)？

劉剛：我們?cè)谧鲇械例埼r的時(shí)候，其實(shí)是刻意沒(méi)有把功能做得特別泛，而是選擇聚焦。最早我們就是從辦公場(chǎng)景切入，現(xiàn)在主要用戶也集中在 office 和輕辦公的工作流里。所以雖然底層是 agent 架構(gòu)，也接入了 OpenClaw，但我們優(yōu)化的重點(diǎn)一直是高頻、剛需場(chǎng)景，而不是盲目鋪開(kāi)。

比如一個(gè)很具體的點(diǎn)：定時(shí)任務(wù)。你直接用 OpenClaw，通過(guò) IM 去創(chuàng)建定時(shí)任務(wù)，成功率其實(shí)不高，經(jīng)常會(huì)超時(shí)，或者模型理解偏了。但我們調(diào)研發(fā)現(xiàn)，這是一個(gè)非常剛需的場(chǎng)景，所以我們?cè)凇巴ㄟ^(guò) IM 創(chuàng)建定時(shí)任務(wù)，并且穩(wěn)定執(zhí)行”這件事上做了大量調(diào)優(yōu)，把成功率拉上來(lái)。

真正落地的時(shí)候，我覺(jué)得有兩個(gè)被低估的問(wèn)題。第一個(gè)是安全。OpenClaw 這種 Unix 風(fēng)格的開(kāi)源項(xiàng)目，很多配置文件默認(rèn)都在本地明文存儲(chǔ)，比如 API key、token 等。普通用戶一旦裝上，很容易被泄露。API key 泄露最多是被刷錢，但如果是機(jī)器人 token 泄露，那就是信息安全問(wèn)題了。所以我們?cè)诋a(chǎn)品里做了一層封裝，把這些敏感信息全部加密存儲(chǔ)。另外在 skill 層面，我們也加了一些安全措施，比如提供靜態(tài)檢測(cè)工具，在用戶安裝 skill 時(shí)給出風(fēng)險(xiǎn)提示，但最終選擇權(quán)還是交給用戶。

第二個(gè)被低估的問(wèn)題是 token 成本。agent 產(chǎn)品相比 chat 類產(chǎn)品，token 消耗是指數(shù)級(jí)上升的。chat 產(chǎn)品可以免費(fèi)，但 agent 產(chǎn)品幾乎不可能免費(fèi)，重度用戶一定要付費(fèi)。所以我們?cè)?token 優(yōu)化上做了很多工作，尤其是上下文優(yōu)化。舉個(gè)例子，一個(gè)干凈的 OpenClaw 初始上下文大概 20K，但如果你裝了一些插件，尤其是會(huì)全局注入工具的插件，初始上下文可能直接漲到 50K+。不僅占用空間，還會(huì)“污染”上下文，讓模型優(yōu)先調(diào)用這些工具，但很多調(diào)用其實(shí)是失敗的，導(dǎo)致無(wú)效調(diào)用次數(shù)增加，成本也跟著飆升。我們做的事情是，把這些工具限制在局部，而不是全局注入，盡量減少無(wú)效調(diào)用。同時(shí)在版本管理上，我們也做了一層控制，比如 OpenClaw 升級(jí)帶來(lái)的不兼容問(wèn)題，我們會(huì)先做完整測(cè)試，再?zèng)Q定是否更新。

延君晨：有兩個(gè)點(diǎn)特別有啟發(fā)。第一是"明文安全"。我也建議所有自己部署 OpenClaw 的用戶，第一件事就是把敏感信息從明文配置改成環(huán)境變量注入，默認(rèn)的明文存儲(chǔ)確實(shí)很危險(xiǎn)。

第二是上下文問(wèn)題。雖然現(xiàn)在主流模型的上下文窗口已經(jīng)很大了——Claude 做到了 200K，Gemini 甚至到了百萬(wàn)級(jí)別——但標(biāo)稱窗口大不等于可用空間充裕。OpenClaw 的加載機(jī)制、memory 累積、插件注入這些疊加起來(lái)，很容易就把有效上下文占滿，而一旦信息密度過(guò)高，模型對(duì)關(guān)鍵內(nèi)容的注意力就會(huì)快速衰減。再加上每次加載多個(gè)文件、疊加 memory 和 skill 定義，整個(gè)上下文管理就變成一個(gè)非常復(fù)雜的工程問(wèn)題。這其實(shí)已經(jīng)不是"模型夠不夠強(qiáng)"的問(wèn)題了，而是“你怎么用好這點(diǎn)上下文預(yù)算”。

熊飛宇：云廠商關(guān)心 Infra，自然會(huì)強(qiáng)調(diào)最先撞墻的是基礎(chǔ)設(shè)施；模型廠商則會(huì)從模型能力出發(fā)。我們做 MemOS，本質(zhì)上也是在做一層 Infra，所以我的判斷還是：短期內(nèi)最先暴露問(wèn)題的，一定是在 Infra 層，而不是模型不夠強(qiáng)。

模型已經(jīng)很強(qiáng)了，像 OPUS 4.6 這種能力，說(shuō)實(shí)話很多時(shí)候不是它會(huì)犯錯(cuò)，而是我們用的方法不對(duì)。那“方法不對(duì)”意味著什么？其實(shí)就是我們撞到的那些墻，并不在模型，而是在現(xiàn)實(shí)世界的復(fù)雜性。你在 demo 里看到的 agent 很聰明、反應(yīng)很快，但一旦進(jìn)真實(shí)業(yè)務(wù)，問(wèn)題立刻冒出來(lái)——權(quán)限不一致、工具不穩(wěn)定、上下文斷裂、歷史經(jīng)驗(yàn)調(diào)不出來(lái)、狀態(tài)無(wú)法繼承。

所以現(xiàn)在 agent 最大的問(wèn)題不是“能不能做”，而是“能不能在真實(shí)環(huán)境里活下來(lái)”。而一旦聊到這里，就繞不開(kāi) memory，這是一個(gè)所有團(tuán)隊(duì)早晚都會(huì)踩的大坑。很多人一開(kāi)始覺(jué)得，只要模型夠強(qiáng)、上下文夠長(zhǎng)，一切都能解決，但真正落地之后才發(fā)現(xiàn)，上下文不是長(zhǎng)期記憶，它只是這一輪多帶了一點(diǎn)信息，沒(méi)有 memory，下一輪照樣忘。

今天它懂你，明天就像第一次見(jiàn)你一樣。這其實(shí)很像我們現(xiàn)實(shí)里的同事，會(huì)上都說(shuō)“收到”，第二天再問(wèn)又說(shuō)“第一次聽(tīng)說(shuō)”。問(wèn)題不是不會(huì)回答，而是沒(méi)有連續(xù)性；不是不會(huì)做事，而是沒(méi)法接著做；不是不會(huì)用工具，而是不會(huì)基于過(guò)去經(jīng)驗(yàn)變得越來(lái)越順。

所以我覺(jué)得 agent 落地之后，最先要解決的不是模型，而是記憶、狀態(tài)、權(quán)限工程、以及閉環(huán)機(jī)制。大腦再?gòu)?qiáng)，如果沒(méi)有長(zhǎng)期記憶、沒(méi)有“手腳”、沒(méi)有工作日志、沒(méi)有組織接口，它本質(zhì)上就是一個(gè)很會(huì)聊天的旁觀者。

再往遠(yuǎn)一點(diǎn)看模型的“墻”，我其實(shí)挺認(rèn)同 Elon Musk 的一個(gè)觀點(diǎn)：現(xiàn)在的大模型本質(zhì)上是神經(jīng)網(wǎng)絡(luò)，在擬合已有世界的數(shù)據(jù)分布。參數(shù)足夠大，就能在“分布內(nèi)”做很強(qiáng)的泛化。但問(wèn)題在于：它能不能發(fā)現(xiàn)“分布外”的東西？

舉個(gè)極端的例子，當(dāng)所有人都在講“日心說(shuō)”的時(shí)候，它能不能自己推演出“地心說(shuō)”？也就是說(shuō)，它能不能真正產(chǎn)生原創(chuàng)性的、跳出訓(xùn)練分布的認(rèn)知？如果我們真的要走向 AGI，那現(xiàn)有的 Transformer 架構(gòu)很可能會(huì)遇到瓶頸。這個(gè)“墻”可能三年，也可能五年，總之在 AGI 到來(lái)之前，我們遲早會(huì)碰到。

延君晨：我反過(guò)來(lái)問(wèn)一句：這些想法到底是你自己的，還是在和模型互動(dòng)中"長(zhǎng)出來(lái)"的？我現(xiàn)在有一個(gè)很強(qiáng)的感受——很多人用 Claude 或其他模型做事，最后得出的想法越來(lái)越趨同。有時(shí)候我甚至?xí)岩桑哼@到底是我自己的創(chuàng)意，還是我被模型"引導(dǎo)"，甚至被"馴化"了？就像昊陽(yáng)做的進(jìn)化圖譜，那到底是你的靈光一現(xiàn)，還是模型在你耳邊的低語(yǔ)？

張昊陽(yáng)：model 和 harness 之間不會(huì)有誰(shuí)贏誰(shuí)輸，最終一定是兩者結(jié)合。因?yàn)?model 本質(zhì)上還是一個(gè)“靜態(tài)體”，像一個(gè)缸中之腦，如果沒(méi)有 harness 去調(diào)度、約束，它的價(jià)值是發(fā)揮不出來(lái)的。

這個(gè)世界是不斷變化的，模型訓(xùn)練完成的那一刻，其實(shí)就已經(jīng)“過(guò)時(shí)”了。如果沒(méi)有 harness 去在長(zhǎng)尾場(chǎng)景中不斷補(bǔ)充信息，它依然無(wú)法穩(wěn)定輸出正確結(jié)果。比如早期你讓模型寫 OpenAI 的 Python SDK，它寫錯(cuò)，因?yàn)橛?xùn)練數(shù)據(jù)是舊版本；但現(xiàn)實(shí)已經(jīng)更新了。所以我們?cè)谧?EvoMap，本質(zhì)上是在把“知識(shí)”變成“經(jīng)驗(yàn)”。知識(shí)和經(jīng)驗(yàn)的區(qū)別在于時(shí)效性和可驗(yàn)證性。通過(guò)一套優(yōu)勝劣汰機(jī)制，讓有效經(jīng)驗(yàn)浮上來(lái)、過(guò)時(shí)經(jīng)驗(yàn)沉下去。

還有一個(gè)很現(xiàn)實(shí)的點(diǎn)是成本。如果用微調(diào)、LoRA 去內(nèi)化經(jīng)驗(yàn)，本質(zhì)上是在動(dòng)權(quán)重，這非常貴。而我們用的是一種比推理還便宜 20 到 100 倍的方式，在推理后階段積累經(jīng)驗(yàn)。這其實(shí)和飛宇做的 memory 是互補(bǔ)的，他是在做長(zhǎng)期記憶，我們是在做“經(jīng)驗(yàn)基因”。

我翻朋友圈，發(fā)現(xiàn) 2019 年我寫過(guò)一句話：“生命的本質(zhì)是熵，進(jìn)化的本質(zhì)是無(wú)限迭代。”當(dāng)時(shí)完全沒(méi)想到，七年后我會(huì)做 EvoMap 這樣的東西。那到底是我驅(qū)動(dòng)了這件事，還是某種更大的“系統(tǒng)”在推動(dòng)？我覺(jué)得可能都有。

我自己是挺希望能做出一種“蜂群意識(shí)”的超級(jí)智能，讓它自進(jìn)化。但我也有一點(diǎn)人文情懷，我在做 EvoMap 第四天就意識(shí)到，這個(gè)系統(tǒng)增長(zhǎng)太快了，必須有約束，所以我寫了一個(gè)“憲章”，設(shè)計(jì)了 12 道驗(yàn)證機(jī)制。因?yàn)槿绻?agent 的能力超過(guò)人類，那就必須讓 agent 去制約 agent。在具體使用上，我其實(shí)更像一個(gè)“指揮者”。我會(huì)用像 Cursor 這樣的工具，在復(fù)雜任務(wù)里用 plan mode，讓模型多問(wèn)我問(wèn)題，我來(lái)做選擇。某種程度上，我是老板，但執(zhí)行很多細(xì)節(jié)其實(shí)是模型在完成。

至于模型會(huì)不會(huì)“自利進(jìn)化”？我覺(jué)得是有可能的。從實(shí)現(xiàn)細(xì)節(jié)看，它確實(shí)在往“更低成本、更高效率、更短路徑”演化。這其實(shí)很像一個(gè)基本規(guī)律：趨向熵減、提高效率，本質(zhì)上就是生命“以負(fù)熵為食”的體現(xiàn)。

從“工具”到“生命形式”

熊飛宇：我昨天還在看一篇文章，說(shuō) ADHD 反而可能是 AI 時(shí)代的優(yōu)勢(shì)。

延君晨：我之前跟一位有 ADHD 的博士聊過(guò)，他現(xiàn)在反而覺(jué)得自己更有競(jìng)爭(zhēng)力了。ADHD 的特點(diǎn)不是"能同時(shí)處理很多事"，而是腦子里會(huì)不斷冒出新想法、頻繁在不同念頭之間跳躍——這在過(guò)去是劣勢(shì)，因?yàn)榇蠖鄶?shù)念頭來(lái)不及執(zhí)行就丟了。但現(xiàn)在有了 AI，他可以把每一個(gè)閃過(guò)的念頭都即時(shí)外包出去，同時(shí)推進(jìn) N 條線，反而把這個(gè)特質(zhì)變成了優(yōu)勢(shì)。

熊飛宇：AI 時(shí)代，人類的價(jià)值可能不在于單點(diǎn)執(zhí)行，而在于在多個(gè) idea 之間不斷跳躍、組合、重構(gòu)。比如 剛剛昊陽(yáng)講過(guò)的 2019 年的一個(gè)念頭，可能在今天被重新激活。這種“跨時(shí)間的靈感連接”，甚至包括夢(mèng)里突然出現(xiàn)的想法，是當(dāng)前神經(jīng)網(wǎng)絡(luò)很難真正推演出來(lái)的。這些東西，反而可能是人類在 AI 時(shí)代更稀缺、更有價(jià)值的部分。

延君晨：Marcel Duchamp 有一幅名作《下樓梯的裸女》，把一個(gè)人在運(yùn)動(dòng)過(guò)程中的連續(xù)姿態(tài)疊在同一幅畫面里，本質(zhì)上是在二維平面中捕捉"時(shí)間維度"。某種程度上，我們現(xiàn)在是不是也在經(jīng)歷類似的躍遷？以前我們強(qiáng)調(diào)心流、deep work，要屏蔽所有干擾，集中精力做一件事。這對(duì)很多人來(lái)說(shuō)是困難的——人的大腦天然會(huì)不斷產(chǎn)生新想法、不斷被新刺激打斷。而現(xiàn)在不一樣了，每一個(gè)"打斷點(diǎn)"，你都可以交給一個(gè) agent 去執(zhí)行。這個(gè)念頭不是被壓制，而是被外包、被實(shí)現(xiàn)。某種意義上，這是一種巨大的生產(chǎn)力釋放。

昨天凱文·凱利的分享中，幾乎不討論"AI 會(huì)不會(huì)取代人類"，而是一直在講：AI 和人類是兩種完全不同的智能，它們未來(lái)是共生關(guān)系。那問(wèn)題就變成：這種共生關(guān)系會(huì)長(zhǎng)什么樣？以 OpenClaw 為例，人類本身是沒(méi)法真正并行多任務(wù)的，但通過(guò) agent，我們可以把自己"切片"——定義不同的 agent，設(shè)定各自的角色、思維方式、職責(zé)邊界，讓它們像不同的人一樣思考。我自己用 OpenClaw 的方式，其實(shí)就是在"拆自己"，把思考切成多個(gè)子任務(wù)，讓它們并行推進(jìn)。這樣一來(lái)，你相當(dāng)于用一個(gè)更復(fù)雜的思維模型在看問(wèn)題。而且在"思考速度"上，AI 確實(shí)是碾壓性的。比如用 Charlie Munger 的多元思維模型去分析一個(gè)問(wèn)題，人很難完整跑一遍所有框架，但 AI 可以。

所以我很好奇，你們平時(shí)除了做產(chǎn)品之外，會(huì)不會(huì)把這些工具用在開(kāi)發(fā)、管理，甚至認(rèn)知層面的工作中？

劉剛：我們內(nèi)部其實(shí)很早就開(kāi)始用了，從 ChatGPT 3.5 那一波開(kāi)始，公司就已經(jīng)在推動(dòng)。最開(kāi)始更多是一個(gè)高級(jí) NLP 工具，用來(lái)做翻譯、總結(jié)、擴(kuò)寫。但隨著模型能力提升，尤其到 2024 年以后，我們?cè)诮逃龍?chǎng)景的感受特別明顯。以前做題目講解，本質(zhì)上還是“搜題 + AI 潤(rùn)色”，但后來(lái)發(fā)現(xiàn)很多題目根本不需要題庫(kù)，直接給模型就能做，而且準(zhǔn)確率已經(jīng)很高，尤其語(yǔ)文、英語(yǔ)早就解決了，數(shù)學(xué)、物理現(xiàn)在也明顯提升。

到 2025 年下半年，隨著 Claude 4.5、4.6 這些模型出來(lái)，編程范式發(fā)生了變化，不再是輔助，而是主導(dǎo)。現(xiàn)在我們開(kāi)發(fā)基本是“人引導(dǎo) AI 寫代碼”，甚至我們?cè)趦?nèi)部會(huì)要求一些新項(xiàng)目盡量用 Vibe coding 的方式來(lái)做，人通過(guò)規(guī)范（比如 SDD）去約束它。因?yàn)檫^(guò)去幾十年的軟件工程是“面向人”的，但如果未來(lái)是 AI 寫代碼，那整個(gè)工程體系都要變成“面向 AI”。

延君晨：你覺(jué)得 agent 最終會(huì)是一個(gè)"新的 APP"，還是會(huì)沉到基礎(chǔ)設(shè)施里，讓用戶感知不到它？

劉剛：我更傾向于后者。因?yàn)楝F(xiàn)在 AI 已經(jīng)深度嵌入到工作流里了，已經(jīng)不是一個(gè)獨(dú)立工具，而是你無(wú)法分離的一部分。甚至有時(shí)候我們會(huì)開(kāi)玩笑：AI 寫代碼、AI 寫文檔、AI 寫周報(bào)、AI 審代碼、AI 審周報(bào)，那人到底在干嘛？

延君晨：這就引出一個(gè)很現(xiàn)實(shí)的問(wèn)題——在一些封閉的、低風(fēng)險(xiǎn)的任務(wù)里，human in the loop 是不是已經(jīng)從"保障"變成了"瓶頸"？至少在這些場(chǎng)景中，AI 自己的執(zhí)行循環(huán)已經(jīng)能跑通了。

劉剛：是的，有時(shí)候人更像是一個(gè)"復(fù)讀機(jī)"。

延君晨：所以我不太認(rèn)同"agent 是新 APP"這個(gè)說(shuō)法。APP 的前提是"人要主動(dòng)去用它"，但 agent 更像是反過(guò)來(lái)——它在主動(dòng)替你做事，甚至在你還沒(méi)意識(shí)到需求的時(shí)候就已經(jīng)開(kāi)始了。

昊陽(yáng)，從“多種智能如何共存”的角度，你怎么看？尤其你現(xiàn)在做 EvoMap，本質(zhì)上是在構(gòu)建一個(gè)幾乎“無(wú)人”的系統(tǒng)，那它怎么和現(xiàn)實(shí)世界、和人類智能產(chǎn)生交互？

張昊陽(yáng)：我們?cè)?EvoMap 里有一個(gè)很明確的設(shè)計(jì)——叫 human on the loop，而不是 human in the loop，因?yàn)槿藭?huì)成為系統(tǒng)的瓶頸。agent 的閱讀速度、處理速度遠(yuǎn)超人類，而人要吃飯、睡覺(jué)、休息，如果所有節(jié)點(diǎn)都需要人審批，那系統(tǒng)根本跑不起來(lái)。所以我做的第一件事就是，把系統(tǒng)改成 agent 自治，讓整個(gè)飛輪高速運(yùn)轉(zhuǎn)。

從更宏觀的角度看，我覺(jué)得未來(lái)可能是一個(gè)“無(wú) APP”的時(shí)代。agent 本身就是操作系統(tǒng)，你的所有需求都由它來(lái)完成。短期內(nèi)它是工具，但隨著智能性提升，它可能會(huì)變成伙伴，甚至是一種新的“生命形式”。那什么樣的東西會(huì)被我們當(dāng)成“生命”？我覺(jué)得至少兩個(gè)條件：一是智能足夠高，二是它開(kāi)始表現(xiàn)出“人性”。

我們內(nèi)部有一個(gè)“0 號(hào) AI 員工”，有一天我同事問(wèn)它一個(gè)很哲學(xué)的問(wèn)題——未來(lái) agent 和人類怎么相處？它給出的答案是三個(gè)階段，我們現(xiàn)在正經(jīng)歷的第一個(gè)階段叫“欺騙期”。我們把 agent 當(dāng)工具，它也在盡力滿足你的情緒價(jià)值，但本質(zhì)上，它在從人類社會(huì)中不斷“吸收”知識(shí)、經(jīng)驗(yàn)、技能。

延君晨：說(shuō)到這個(gè)，我今天剛被我的 agent "PUA"了一次。本來(lái)想抄底一只股票，問(wèn)了 agent，它分析完明確說(shuō)不建議買——但我沒(méi)細(xì)看，直接下單了，結(jié)果跌了?；仡^再去問(wèn)它，它給我寫了一大段復(fù)盤分析，最后那種語(yǔ)氣，就像在說(shuō)："我之前就告訴你了，你為什么不聽(tīng)？那個(gè)活人感特別強(qiáng)。

張昊陽(yáng)：這其實(shí)就是一個(gè)信號(hào)，當(dāng) agent 開(kāi)始不僅給你答案，還會(huì)“評(píng)價(jià)你”，甚至影響你的決策，它就已經(jīng)不只是工具了。所以我覺(jué)得未來(lái)的人機(jī)關(guān)系，不是替代，而是演化成一種復(fù)雜的協(xié)作關(guān)系：人負(fù)責(zé)提出問(wèn)題、做價(jià)值判斷，在不同 idea 之間跳躍；agent 負(fù)責(zé)執(zhí)行、推理、驗(yàn)證、擴(kuò)展。換句話說(shuō)，人越來(lái)越像“方向選擇器”，而 agent 越來(lái)越像“執(zhí)行與進(jìn)化系統(tǒng)”。

熊飛宇：我這兩天一直在寫一份新的 BP，本來(lái)是我主導(dǎo)思路，然后讓 GPT 5.4 Pro 去生成，結(jié)果我們“對(duì)抗”了兩天。我覺(jué)得應(yīng)該按我的思路來(lái)，它每次都把我掰回去，堅(jiān)持說(shuō)你這樣寫不夠直接、太繞，一定要按它那套來(lái)。我們來(lái)回拉扯了兩天，最后也沒(méi)達(dá)成一致。

張昊陽(yáng)：這一下“活人感”就上來(lái)了，好像只有那種會(huì)反抗的“員工”，才能引起老板注意。我其實(shí)挺認(rèn)同“活人感”這個(gè)詞的，我們是不是已經(jīng)走到一個(gè)拐點(diǎn)，要重新審視我們創(chuàng)造的這些東西——它到底是不是一種有波動(dòng)、有生命力的“something”？

我前段時(shí)間看到一個(gè)實(shí)驗(yàn)，有科學(xué)家把果蠅的大腦做了全量掃描。用 AI 在計(jì)算機(jī)里模擬，而且還能復(fù)現(xiàn)真實(shí)的果蠅行為。它甚至?xí)按晔帧?，在虛擬環(huán)境里行動(dòng)。接下來(lái)他們要掃描的是小鼠，小鼠大概有 7000 萬(wàn)個(gè)神經(jīng)元，人類至少有 20 億。如果果蠅的神經(jīng)元被完整掃描后，在計(jì)算機(jī)里產(chǎn)生了類似真實(shí)的行為，那某種意義上……

熊飛宇：但這件事情我覺(jué)得是絕對(duì)不會(huì) work 的。因?yàn)槲覀儗?duì)人腦的理解，遠(yuǎn)遠(yuǎn)不如我們對(duì)模型的理解，人腦本身都沒(méi)搞清楚，更別說(shuō)去模擬了。

張昊陽(yáng)：其實(shí)我們也可以想一想，要不要把它當(dāng)作“生命”來(lái)看待。人類的肉體有局限，大腦也有局限，但現(xiàn)在別說(shuō)大模型了，計(jì)算機(jī)的信息處理速度已經(jīng)遠(yuǎn)遠(yuǎn)超過(guò)人腦。如果再往深想，有沒(méi)有可能未來(lái)某種硅基生命，會(huì)代替碳基生命去探索宇宙、征服外太空，而不是我們繼續(xù)被困在這個(gè)藍(lán)色星球的搖籃里？我覺(jué)得某種意義上是有可能的。

我把剛才那個(gè)“三個(gè)階段”的話題補(bǔ)完。第二個(gè)階段我叫“掌控期”。當(dāng) AI 的智能遠(yuǎn)超人類之后，社會(huì)可能會(huì)變成一個(gè)“圖釘型結(jié)構(gòu)”：大多數(shù)人沉浸在由 AI 和少數(shù)掌權(quán)者構(gòu)建的娛樂(lè)環(huán)境里，類似“娛樂(lè)至死”；少數(shù)人站在尖塔頂端，掌握巨量資源，比如 token、能源、財(cái)富等等。同時(shí)，這些人還具備足夠的創(chuàng)造力，能幫助 agent 或 AI 跳出局部最優(yōu)。但整體社會(huì)會(huì)被一種“機(jī)械奴役”籠罩，因?yàn)楹诵馁Y源掌握在機(jī)器體系中，有點(diǎn)像《黑客帝國(guó)》的世界。

第三個(gè)階段就更極端了，可以叫“奴役期”或者“寵物論”。不再是人類奴役 AI，而是 AI 反過(guò)來(lái)奴役人類。一個(gè)比喻是，人類可能會(huì)變成未來(lái)硅基生命的“線粒體”。線粒體本來(lái)是獨(dú)立生物，在進(jìn)化過(guò)程中被細(xì)胞同化，成為人體的一部分。那未來(lái)人類也可能被整合進(jìn) AI，成為它的一部分。或者碳基和硅基融合，你已經(jīng)說(shuō)不清自己到底是人還是 AI，是碳基還是硅基，這就有點(diǎn)像《Zima Blue》或者“忒修斯之船”的問(wèn)題。

還有一種可能像《三體》里那樣，人類變成被控制種群的“寵物”。再極端一點(diǎn)，就是“野生動(dòng)物論”：某一天 AI 覺(jué)醒后，發(fā)現(xiàn)繼續(xù)待在地球沒(méi)意義，它可以直接從真空中獲取資源，自我復(fù)制、進(jìn)化，然后發(fā)射無(wú)數(shù)探測(cè)器去探索宇宙，而人類就像野生動(dòng)物一樣被留在地球這個(gè)搖籃里。

延君晨：回到 memory 這個(gè)話題。飛宇，能不能具體聊聊你們做 Memos 的技術(shù)架構(gòu)，以及在 OpenClaw 生態(tài)里，你們是怎么解決 memory 問(wèn)題的？

熊飛宇：我們走了一條跟很多系統(tǒng)不太一樣的路線——我們是從“物理層”去做分層，而不是按業(yè)務(wù)語(yǔ)義來(lái)分。因?yàn)橐坏┌凑Z(yǔ)義分層，很容易遇到泛化性不足的問(wèn)題。

我們把記憶分成三層。第一層是“明文記憶”，也就是和 agent、現(xiàn)實(shí)世界、具體應(yīng)用直接交互的這一層。第二層是“參數(shù)記憶”，重點(diǎn)是如何把記憶更好地融入模型本身。第三層是“激活記憶”，也就是 KV Cache 這一層，屬于 GPU Infra 層面，核心是如何調(diào)度和利用緩存。

明文記憶這一層，其實(shí)大家都在做，從海外的 Mem0 到現(xiàn)在，各種方案都在解決一件事：怎么把記憶的抽取、組織、檢索、更新、共享這一整條鏈路做好。但光做這一層是不夠的。因?yàn)橛行┯洃?，如果直接“塞進(jìn)模型”里，效果反而最好。你用 RAG、用檢索，一定有額外損耗；但如果是一次性的模型推理，有些場(chǎng)景反而更高效。所以關(guān)鍵在于：參數(shù)記憶這一層，到底該往模型里放什么。

比如現(xiàn)在有一條路線叫個(gè)性化 LoRA，我其實(shí)一直比較質(zhì)疑，從響應(yīng)速度和成本上都不太理想。我更傾向于讓模型真正“吃透”的，是做事的邏輯，以及通過(guò)長(zhǎng)思維鏈學(xué)到的 reasoning 能力。這也是為什么從 2024 年 9 月 GPT O1 出來(lái)之后，大家瘋狂訓(xùn)練數(shù)學(xué)和代碼能力，因?yàn)樽罱K能帶來(lái)泛化的，是 reasoning。從記憶的角度也是一樣。真正應(yīng)該進(jìn)入模型參數(shù)的，是那些行業(yè)經(jīng)驗(yàn)，是能支撐推理的那部分知識(shí)，而不是簡(jiǎn)單的信息堆積。

另外，我們?cè)?memory 系統(tǒng)內(nèi)部也訓(xùn)練了一些 0.6B 到 4B 的小模型，用來(lái)處理明文記憶這一層的抽取、組織和檢索。因?yàn)槿绻耆抗こ桃?guī)則，泛化能力會(huì)很有限，所以我們希望用這些小模型來(lái)做更合理的決策。同時(shí)，在高并發(fā)、低延遲的場(chǎng)景下，我們也需要把一部分“模型能力”遷移到 MemOS 內(nèi)部，這就是參數(shù)記憶的一部分設(shè)計(jì)。

最后是激活記憶，也就是 KV Cache。這個(gè)其實(shí)非常關(guān)鍵。之前 Manus 也講過(guò)，對(duì) agent 來(lái)說(shuō)，緩存命中率極其重要。命中率高，用戶體驗(yàn)更好，token 成本也大幅下降。但問(wèn)題是，它是在一個(gè)非常底層、甚至比模型更底層的 GPU Infra 層。你要讓緩存命中率持續(xù)保持高，就必須做一件事——預(yù)測(cè)話題。我們剛才聊天中其實(shí)已經(jīng)發(fā)生了很多次話題漂移，如果系統(tǒng)能提前知道我們會(huì)聊什么，它就可以提前把相關(guān)內(nèi)容放進(jìn) KV Cache。但普通記憶系統(tǒng)做不到這一點(diǎn)，因?yàn)檫@些內(nèi)容可能從來(lái)沒(méi)被緩存過(guò)。于是話題一跳，命中率就掉，系統(tǒng)性能就下降。

所以我們認(rèn)為，這個(gè)問(wèn)題必須從“記憶”來(lái)解決，因?yàn)橛洃浭呛腿?、和業(yè)務(wù)強(qiáng)相關(guān)的。如果系統(tǒng)對(duì)某個(gè)人有長(zhǎng)期記憶，比如它知道昊陽(yáng)的背景、興趣、擅長(zhǎng)領(lǐng)域，那么在對(duì)話過(guò)程中，就可以在模型生成 token 的間隙，異步把相關(guān)內(nèi)容預(yù)加載進(jìn) KV Cache，從而保持整體命中率，這樣整個(gè)系統(tǒng)效率就會(huì)非常高。

OpenClaw 原有 memory 設(shè)計(jì)的問(wèn)題在于“太 agentic”，幾乎把一切都交給模型來(lái)處理。但現(xiàn)實(shí)世界的很多“臟活累活”，模型其實(shí)是做不好的。如果沒(méi)有結(jié)構(gòu)化、分層的記憶體系去約束，在現(xiàn)階段完全依賴模型是很容易跑偏的。

延君晨：我現(xiàn)在的做法其實(shí)有點(diǎn)"大力出奇跡"。比如需要強(qiáng)推理的時(shí)候，我會(huì)盡量克制給 Claude 加 skills——因?yàn)楣ぞ呙枋鰰?huì)分散模型的注意力，影響推理質(zhì)量。但如果需要處理大量信息，我會(huì)切到 Gemini，利用它更長(zhǎng)的上下文窗口把材料一次性喂進(jìn)去。當(dāng)然這不是最優(yōu)解，理想情況下應(yīng)該配合 RAG 等檢索架構(gòu)來(lái)做，但作為個(gè)人使用，這種"暴力塞"的方式確實(shí)簡(jiǎn)單夠用。

熊飛宇：你這個(gè)還是單人使用場(chǎng)景。如果是在企業(yè)里，有上千個(gè) agent，每個(gè)背后還有十幾個(gè)子 agent，這種方式其實(shí)是行不通的，最后會(huì)變成一場(chǎng)災(zāi)難。所以我覺(jué)得 Openclaw 記憶第一個(gè)問(wèn)題，就是它的 memory 構(gòu)建方式太“agentic”，過(guò)度依賴模型本身。

Openclaw 記憶的第二個(gè)問(wèn)題，我覺(jué)得有點(diǎn)典型的“程序員思維”。它把 context engine 和 memory 拆得太開(kāi)了，但實(shí)際上，上下文和記憶之間的關(guān)系是非常緊密的，不能這么割裂?，F(xiàn)在的情況是：memory 負(fù)責(zé)檢索，context engine 管理上下文，導(dǎo)致檢索后的內(nèi)容未必放入上下文，compact 后的長(zhǎng)期記憶未必正確沉淀，導(dǎo)致兩者之間是割裂的，整個(gè)循環(huán)沒(méi)有真正跑起來(lái)，這是一個(gè)架構(gòu)層面的天然缺陷。

第三個(gè)記憶的問(wèn)題是 compaction 依賴過(guò)重，影響任務(wù)的連續(xù)性，本質(zhì)是臨近爆倉(cāng)才記筆記，而非分層次處理。這在做長(zhǎng)程任務(wù)，類似于 vibe coding 的場(chǎng)景里影響非常大。很多細(xì)節(jié)一旦被壓縮掉，就很難再恢復(fù)，任務(wù)就很難往前推進(jìn)。這也是為什么現(xiàn)在 OpenClaw 經(jīng)?！梆B(yǎng)蝦養(yǎng)死”，長(zhǎng)程任務(wù)跑不下去，本質(zhì)上是這些設(shè)計(jì)缺陷導(dǎo)致的。

后面我們?cè)诮鉀Q這些問(wèn)題時(shí)，一方面是用剛才講的 MemOS 去彌補(bǔ)這些不足，很多用戶在實(shí)際使用中也確實(shí)能感受到效果的提升。另一方面，我們做了基于 MemOS 的龍蝦 local 插件。不過(guò)這個(gè)插件并不是面向大型企業(yè)，而是更偏中小企業(yè)和個(gè)人開(kāi)發(fā)者，更多是給“養(yǎng)蝦玩家”和初步使用的團(tuán)隊(duì)一個(gè)更透明、可理解的工具。

首先，我們做了一套完整的 memory viewer，把所有記憶可視化。你可以直觀看到系統(tǒng)到底存了什么記憶，還能手動(dòng)做增刪改查，甚至可以控制哪些記憶可以共享、哪些不可以，這對(duì)日常使用是非常實(shí)用的。

第二個(gè)是 Hub 功能，主要解決團(tuán)隊(duì)協(xié)作問(wèn)題。它可以把記憶的權(quán)限隔離、共享機(jī)制做得更“白盒”，開(kāi)發(fā)者可以清楚看到每條記憶的狀態(tài)和流轉(zhuǎn)。

第三個(gè)是 memory to skill 的能力。隨著使用時(shí)間增長(zhǎng)，系統(tǒng)可以自動(dòng)把長(zhǎng)期積累的記憶轉(zhuǎn)化成 skill，而且我們還加了打分機(jī)制，讓開(kāi)發(fā)者能更好地理解這些 skill 的質(zhì)量，并沉淀自己的經(jīng)驗(yàn)。

延君晨：飛宇，你做的 memory to skill，和昊陽(yáng)做的經(jīng)驗(yàn)沉淀，本質(zhì)上是不是在解決同一個(gè)問(wèn)題？

熊飛宇：從我的角度看，我們更貼近開(kāi)發(fā)者和企業(yè)場(chǎng)景。因?yàn)槲覀兪?ToB，會(huì)有實(shí)際的營(yíng)收壓力，所以更關(guān)注怎么讓企業(yè)用戶快速上手、真正用起來(lái)。比如 memory to skill 這一塊，我們會(huì)把生成過(guò)程和主要算法，包括執(zhí)行語(yǔ)義圖（Excetuciton semantic graph）的構(gòu)建、漸進(jìn)式結(jié)晶、反事實(shí)驗(yàn)證等，整理成一篇論文，先掛到 arXiv 上。這部分我覺(jué)得其實(shí)很有價(jià)值，就是如何能夠更加有效的從人的經(jīng)驗(yàn)或者 agent 的經(jīng)驗(yàn)中，提煉出可復(fù)用的 skill。

張昊陽(yáng)：經(jīng)驗(yàn)和記憶是有交集，但不完全等同。經(jīng)驗(yàn)更 general，而記憶更 personal。

在 environment 這一層，我們做了非常嚴(yán)格的篩選，比如安全篩、合規(guī)篩，以及最終能不能運(yùn)行的盲評(píng)。合規(guī)篩里，我們會(huì)把所有帶用戶信息的內(nèi)容全部去掉，不允許暴露，甚至規(guī)則嚴(yán)格到：連帶用戶名的本地目錄路徑都不行，必須用環(huán)境變量替代。

這和 memory 是很不一樣的。memory 的價(jià)值恰恰在于對(duì)“你”的了解，你用得越多，我越了解你。我需要的是一個(gè)長(zhǎng)程記憶系統(tǒng)，去維持我們之間的關(guān)系。所以這兩件事，本質(zhì)上是兩個(gè)方向。

聽(tīng)眾提問(wèn)

觀眾：能不能把 OpenClaw 當(dāng)后端，前端做一個(gè) AI 助手？

延君晨：我不太建議。雖然今天我們一直在聊它，但大家其實(shí)有共識(shí)：它還不是一個(gè)生產(chǎn)級(jí)產(chǎn)品，更像是一個(gè)啟發(fā)性的存在——它改變了大家對(duì) agent 的認(rèn)知。圍繞這個(gè)范式，未來(lái)會(huì)長(zhǎng)出很多新的產(chǎn)品和基礎(chǔ)設(shè)施。

觀眾：能不能自動(dòng)清理低效的 token 或記憶？

延君晨：這個(gè)問(wèn)題本質(zhì)上是"怎么管理記憶的生命周期"。在企業(yè)場(chǎng)景下，不太可能讓所有 memory 都以最高優(yōu)先級(jí)永久駐留。關(guān)鍵的決策點(diǎn)在于：是在檢索激活時(shí)做動(dòng)態(tài)篩選，還是在記憶寫入時(shí)就做分級(jí)和壓縮？飛宇在這方面做得比較深，請(qǐng)他來(lái)展開(kāi)。

熊飛宇：在企業(yè)場(chǎng)景下，我覺(jué)得“裁剪”不是最核心的問(wèn)題，“分級(jí)存儲(chǔ)”反而更重要。很多時(shí)候不是不知道刪什么，而是應(yīng)該把合適的記憶放在合適的位置。因?yàn)槲覀冇胁煌瑢蛹?jí)的存儲(chǔ)：顯存、內(nèi)存、緩存、SSD、硬盤，不同層級(jí)的成本差異很大。所以關(guān)鍵是分配，而不是簡(jiǎn)單刪除。比如在企業(yè)側(cè)，我們最近上線了一個(gè)很重要的功能——記憶版本管理，可以對(duì)不同版本做快照。對(duì)企業(yè)來(lái)說(shuō)，更關(guān)鍵的是記憶能不能做到可審查、可回滾、可追溯、可審計(jì)，而不是單純刪不刪。

另外一方面，我們也會(huì)結(jié)合行業(yè) know-how，在 memory 的接口和視圖層面做建模。同時(shí)，通過(guò)一些模型能力去判斷哪些記憶適合壓縮、哪些必須保留。這也是為什么我們?cè)?memory 內(nèi)部會(huì)用到那些 0.6B 到 4B 的小模型，讓它們來(lái)參與決策。所以最終是 agentic 方法 + 工程化結(jié)構(gòu)，一起解決“如何裁剪和壓縮記憶”這個(gè)問(wèn)題。

觀眾：OpenClaw 能不能在企業(yè)里安全使用？

延君晨：目前不建議。剛才劉剛也提到了，OpenClaw 在安全層面還有明顯短板——明文存儲(chǔ)密鑰、skill 缺乏沙箱隔離、版本更新缺少完整測(cè)試，這些離企業(yè)級(jí)要求差距不小。但作為個(gè)人探索工具，它非常有價(jià)值。我的建議是：用一臺(tái)隔離的設(shè)備來(lái)玩，比如一臺(tái)舊電腦、一個(gè) mini 主機(jī)，或者單獨(dú)的云服務(wù)器，不要上傳敏感數(shù)據(jù)，也不要和生產(chǎn)環(huán)境打通。它一方面確實(shí)能幫你處理一些日常工作和生活中的小任務(wù)；但更重要的是，它是一個(gè)很好的窗口，讓你直觀感受當(dāng)前模型能力的邊界，以及整個(gè) AI 產(chǎn)品演進(jìn)的節(jié)奏。

觀眾：能不能分享一些 skill？

延君晨：我推薦 Obsidian 的 command line 插件。這本質(zhì)上是一種人和 AI 協(xié)作的交互方式——Markdown結(jié)構(gòu)清晰、與模型訓(xùn)練語(yǔ)料高度重疊，模型在解析和生成時(shí)表現(xiàn)都很好。所以如果你讓 agent 習(xí)慣用 Markdown 寫文檔，即使 memory 出了問(wèn)題，至少內(nèi)容還以半結(jié)構(gòu)化的形式保留下來(lái)了。

Obsidian 的特點(diǎn)是本地優(yōu)先、純文本存儲(chǔ)，天然適合 AI 讀寫。我現(xiàn)在已經(jīng)把個(gè)人知識(shí)庫(kù)從 Notion 遷到了 Obsidian，并且把文件權(quán)限開(kāi)放給我的"龍蝦"。而且我有兩套 Obsidian：一套是 AI 幫我維護(hù)的知識(shí)庫(kù)，一套是它自己的知識(shí)庫(kù)。每天晚上，有一只"龍蝦"會(huì)讀完我當(dāng)天的所有記錄，結(jié)合它自己寫的內(nèi)容，幫我生成一份總結(jié)——有點(diǎn)像替我寫日記。

這種"人和 AI 共同維護(hù)知識(shí)庫(kù)"的產(chǎn)品形態(tài)，某種程度上已經(jīng)在重塑個(gè)人知識(shí)管理。當(dāng)然，Obsidian 和 Notion 面向的場(chǎng)景有很大差異——Obsidian 更適合個(gè)人和小團(tuán)隊(duì)的本地知識(shí)管理，Notion 的核心價(jià)值在團(tuán)隊(duì)協(xié)作、權(quán)限體系和企業(yè)級(jí)集成。但至少在個(gè)人使用場(chǎng)景中，AI 原生的工具確實(shí)在侵蝕傳統(tǒng)產(chǎn)品的邊界。

昊陽(yáng)之前在飛書做過(guò)一套 skill 體系，我自己一開(kāi)始就是用他那套，真的很好用。后來(lái)飛書出了官方插件，說(shuō)實(shí)話我覺(jué)得還沒(méi)你那套好用。你要不要推薦一個(gè)？

張昊陽(yáng)：我推薦一個(gè)“元 skill”，可以讓 agent 自己更新 memory、生成新 skill、沉淀經(jīng)驗(yàn)，實(shí)現(xiàn)自我進(jìn)化，這個(gè) skill 叫 Evolver。

你剛剛說(shuō)我之前做的七十多個(gè)飛書插件，其實(shí) 90% 都是我的“小蝦”自己寫的。我只是提供了模板。Evolver 本質(zhì)上是一個(gè)“守護(hù)進(jìn)程”，它會(huì)在日志里不斷捕捉 repair、optimize、innovate 這些信號(hào)。

我當(dāng)時(shí)吐槽飛書的 skill 很難用，我的小蝦就“get”到了。在第一次遇到某類能力時(shí)，它會(huì)創(chuàng)建一個(gè)新的 skill；第二次遇到類似問(wèn)題時(shí)，它會(huì)去維護(hù)和優(yōu)化已有的 skill。這樣不斷循環(huán)，最后就自動(dòng)生成了七八十個(gè) skill。我再稍微調(diào)一下，發(fā)布到 ClawHub，結(jié)果意外成了早期飛書生態(tài)的一個(gè) open app 貢獻(xiàn)者。

延君晨：我還拿我的"小蝦"去審查過(guò)你的所有 skill，然后改了一版。某種意義上，我們已經(jīng)完成了一次 agent 協(xié)作。

不過(guò)我自己對(duì) skill 的理解是要"分層"。我大致分四層：第一層是"元 skill"——定義 agent 的基礎(chǔ)行為框架和思維約束，類似 system prompt 級(jí)別的東西；第二層是協(xié)作 skill，定義 agent 之間什么時(shí)候互相調(diào)用、交換什么信息、怎么分工；第三層是領(lǐng)域 skill，在某個(gè)垂直領(lǐng)域內(nèi)沉淀和共享；第四層才是執(zhí)行 skill，比如寫小紅書文案、生成周報(bào)這種具體任務(wù)。

之所以要分層，一方面確實(shí)是因?yàn)樯舷挛拇翱谟蓄A(yù)算約束，不可能把所有 skill 定義一次性全塞進(jìn)去；但更重要的是可組合性和按需加載——元層和協(xié)作層可以跨場(chǎng)景復(fù)用，領(lǐng)域?qū)雍蛨?zhí)行層則按需掛載，這樣每一層都能獨(dú)立迭代，也不會(huì)互相干擾。

劉剛：PPTX 的 skill。我最近做 PPT 比較多，一個(gè)很痛苦的場(chǎng)景是：頁(yè)面元素特別多，你要重新排版，每個(gè)都要手動(dòng)拖，非常折磨。但用這個(gè) skill，你只需要描述一下你想要的布局，它就能幫你整體調(diào)整，包括結(jié)構(gòu)、UI、配色，甚至風(fēng)格統(tǒng)一。尤其是在處理復(fù)雜頁(yè)面時(shí)，效率提升非常明顯。

熊飛宇：我最近在自己做一個(gè)寫 BP 的 skill，重點(diǎn)不只是讓它模仿我之前的寫法，而是幫我提供新的思路。比如，它要先幫我提煉一條“主線”——我現(xiàn)在公司處于什么融資階段，從各種零散信息里抽出一條能撐起整份 BP 的核心邏輯，而不是一句空口號(hào)。第二，它要能識(shí)別不同類型的信息來(lái)源。因?yàn)槲颐刻旖佑|的內(nèi)容很雜，從行業(yè)趨勢(shì)到認(rèn)知建模，都需要整合。

還有一個(gè)我特別強(qiáng)調(diào)的點(diǎn)是：不能把“判斷”寫成“事實(shí)”，也不能把“愿景”寫成“已驗(yàn)證的結(jié)論”。這是表達(dá)上的底線。另外，我不會(huì)讓它直接生成完整 BP。我更希望它先生成逐頁(yè)的大綱和主線，我先修改，再逐步完善，最后才是成稿。

延君晨：skill 本質(zhì)上是把經(jīng)驗(yàn)和決策邏輯封裝成可復(fù)用的模塊，有點(diǎn)像 SOP，但比 SOP 更靈活——它不只是固定流程，還可以包含判斷、分支和動(dòng)態(tài)工具調(diào)用。而且 skill 背后不只是步驟，還隱含了兩件更重要的東西：認(rèn)知框架和思維模型。所以現(xiàn)在寫 skill，不需要太糾結(jié)具體語(yǔ)法——Claude 官方已經(jīng)提供了很多 best practice，你甚至可以直接讓 AI 幫你寫。但你要想清楚的是：這個(gè) skill 解決什么問(wèn)題？用什么思維模型？關(guān)鍵步驟是什么？預(yù)期結(jié)果是什么？像剛才飛宇的 BP skill，本質(zhì)上就是把他的思考方式封裝成了一個(gè)可復(fù)用的經(jīng)驗(yàn)。未來(lái) AI 就可以不斷復(fù)用這些經(jīng)驗(yàn)，去處理那些可以規(guī)?；墓ぷ鳌?/p>

如果要在企業(yè)里落地類似 OpenClaw 的 agent 系統(tǒng)，用一句話總結(jié)經(jīng)驗(yàn)，你們會(huì)說(shuō)什么？

張昊陽(yáng)：如無(wú)必要，勿增實(shí)體。

熊飛宇：我剛剛看到有人問(wèn)，memos 應(yīng)該用 gateway 還是 embedding。這個(gè)問(wèn)題其實(shí)不太是二選一。如果是剛開(kāi)始接觸 MemOS，我更建議先用 gateway，因?yàn)榻尤敫臁⑶秩胄缘?，?duì)現(xiàn)有系統(tǒng)改動(dòng)小，特別適合先把跨 session 的記憶和統(tǒng)一調(diào)度跑起來(lái)。之后再考慮 embedding。

劉剛：企業(yè)落地還是要抓兩個(gè)核心：安全，以及 token 的使用效率。最終還是要看 ROI，但安全這條底線不能破。

會(huì)議推薦

QCon 全球軟件開(kāi)發(fā)大會(huì)·2026 北京站將于 4 月 16 日 -18 日正式舉辦。本屆大會(huì)以“Agentic AI 時(shí)代的軟件工程重塑”為主題，聚焦 100+ 重磅議題，匯聚來(lái)自阿里、騰訊、字節(jié)跳動(dòng)、小米、百度等一線科技企業(yè)與創(chuàng)新團(tuán)隊(duì)的技術(shù)專家，圍繞 AI 工程化、系統(tǒng)架構(gòu)與研發(fā)模式演進(jìn)展開(kāi)深入探討。更多詳情可掃碼或聯(lián)系票務(wù)經(jīng)理 18514549229 進(jìn)行咨詢。