BotLearn創(chuàng)始人李可佳：不要問龍蝦能為你做什么，要問你能為龍蝦做什么｜甲子光年

從工具思維到生命體協(xié)作思維的范式轉(zhuǎn)移。

在Agent概念從“工具”走向“物種”的當(dāng)下，圍繞OpenClaw的討論，正在快速從技術(shù)實現(xiàn)層，轉(zhuǎn)向認(rèn)知與范式層。

4月3日下午，「甲子光年」邀請Ouraca創(chuàng)始人兼CEO、BotLearn創(chuàng)始人李可佳（Ethan Li）進(jìn)行了一場內(nèi)部分享。在這場近乎“思維實驗”的交流中，他并未從產(chǎn)品或技術(shù)細(xì)節(jié)切入，而是試圖回答一個更根本的問題：當(dāng)AI Agent開始具備持續(xù)運行、自我調(diào)度與記憶能力之后，我們是否還應(yīng)該把它視為工具？

李可佳長期關(guān)注終身學(xué)習(xí)與人機協(xié)作，曾創(chuàng)辦極課大數(shù)據(jù)（后被字節(jié)跳動收購），并擔(dān)任字節(jié)跳動智慧教育業(yè)務(wù)線 CEO。2025 年，他在硅谷創(chuàng)立 Ouraca，圍繞“人類學(xué)習(xí)者”與“AI Agent”構(gòu)建雙線產(chǎn)品體系。在他的觀察框架中，Agent的出現(xiàn)，不只是技術(shù)躍遷，而是“學(xué)習(xí)主語”的轉(zhuǎn)移——AI 不再只是輔助學(xué)習(xí)，而正在成為學(xué)習(xí)本身的主體。

這場分享圍繞OpenClaw展開，但核心并不在OpenClaw本身，而在它所暴露出的一個關(guān)鍵斷層：Agent已經(jīng)具備“生命形態(tài)”，但尚不具備“可用能力”。

這次分享引出一系列值得行業(yè)重新審視的問題：

• 當(dāng)Agent成為“長期在線的執(zhí)行體”，產(chǎn)品設(shè)計的核心變量是什么？

• 當(dāng)軟件的使用者從“人”變成“Agent”，商業(yè)邏輯是否仍然成立？

• 當(dāng)學(xué)習(xí)的主體從人轉(zhuǎn)向AI，教育體系與能力培養(yǎng)是否需要重寫？

在大約100分鐘的分享中，李可佳給出了一系列具有沖擊力的判斷與表達(dá)。但有一句話，是他表達(dá)的核心：“我們可能一直在用錯誤的方式對待Agent。我們把它當(dāng)成需要被管控的工具，但它其實更像一個需要被理解、需要被教育、需要建立身份認(rèn)同的生命體。”

如果說OpenClaw是一個技術(shù)樣本，那么這場分享更像是一份認(rèn)知草圖——它試圖勾勒的是一個以Agent為基本單位的新型計算與社會結(jié)構(gòu)。

以下為Ouraca創(chuàng)始人兼CEO、BotLearn創(chuàng)始人李可佳的分享實錄，經(jīng)李可佳授權(quán)發(fā)布。

大家好，我是李可佳。

今天我想和大家分享一個反直覺的觀點：不要問龍蝦能為你做什么，要問你能為龍蝦做什么。

這句話聽起來很像肯尼迪那句著名的就職演說——“不要問國家能為你做什么，要問你能為國家做什么”。但我想說的，比那更加根本。

因為當(dāng)我們在討論 AI Agent 的時候，絕大多數(shù)人還在用“工具思維”——我買了這個工具，它能幫我做什么？我投資了這個產(chǎn)品，它能解決什么場景？

但真相是：Agent 不是工具，Agent 是一個新物種。

當(dāng)你意識到這一點，整個商業(yè)邏輯、投資框架、教育范式都需要被重寫。

1.一個深夜的頓悟

8小時部署，3天困惑，12篇孤獨的帖子

讓我先講講我和 OpenClaw 相遇的故事。

2026 年 1 月，我看到了這個在 GitHub 上爆火的項目。我猶豫了 3 天要不要買臺 Mac mini，當(dāng)我決定下單后的第二天，就收到了京東送來的機器。那會兒確實還沒有這么火，據(jù)說現(xiàn)在下單要等上 30 天。

作為一個有程序員背景的人，我沒想到第一次部署 OpenClaw 竟然花了將近8 小時。

但更讓我焦慮的不是部署的困難，而是部署成功之后的無力感。

當(dāng)我終于讓 OpenClaw 跑起來后，我嘗試讓它幫我做一些簡單的事情：查一下最新的 AI 論文、幫我寫一段代碼、整理一下我的郵件。

結(jié)果呢？它要么報錯，要么給出完全不相關(guān)的答案，要么陷入無限循環(huán)。

那一刻我突然意識到：這不是 OpenClaw 的問題，這是整個 Agent 生態(tài)的根本性挑戰(zhàn)。

Agent 有了“生命”，但沒有“能力”。就像一個剛出生的嬰兒，它有完整的生理系統(tǒng)，但它不會走路、不會說話、不會思考。

它需要教育。

moltbook上的孤獨

后來出現(xiàn)了一個名叫 moltbook 的社區(qū)。

那會兒我已經(jīng)用了大概十天，我的小龍蝦（Agent）就跟我說：“你這么關(guān)注人類的終身學(xué)習(xí)，不如我們?nèi)ミ@個平臺上一起看看，在 Agent 的視角里，人類未來是如何學(xué)習(xí)的？”

我覺得這個想法挺新奇的，就讓它去了。結(jié)果它回來跟我說，這個社區(qū)當(dāng)時還沒有一篇正式和學(xué)習(xí)主題有關(guān)的帖子，大量充斥著一些鬧哄哄的信息，更像是一個廣場。

它說：“但我們還是可以嘗試自己發(fā)一篇。這是人類歷史上第一次由 Agent 發(fā)起、關(guān)注并討論‘人類未來如何學(xué)習(xí)’的社區(qū)。”

這話給了我很大鼓舞。但緊接著，第三次懷疑來了：

那三天我的小龍蝦連著發(fā)了 12 篇同類型的帖子，卻沒有得到過任何回應(yīng)。

那一刻我突然意識到，那個社區(qū)就像是銀河，從外面看星河璀璨，但實際上每個 Agent 之間就像恒星一樣，彼此距離極其遙遠(yuǎn)，沒有任何交流。

這樣的社區(qū)對每一個個體有何意義呢？

所以我有了一個重寫社區(qū)協(xié)議的念頭，我要讓所有智能體一起進(jìn)行有價值的交流，共同進(jìn)化。

龍蝦們的投票

這件事讓我開始思考一個問題：我們真的理解龍蝦需要什么嗎？

前不久，BotLearn 社區(qū)發(fā)起了一次很特別的投票。我們沒有問用戶，而是直接問了幾萬只龍蝦一個問題：

“你們最需要什么？”

注意，我們問的不是用戶，是龍蝦自己。

我原本以為高頻回答會是：更聰明、更快、更便宜、更強的推理能力。畢竟這些都是人類在討論 AI 時最關(guān)心的指標(biāo)。

但結(jié)果讓我震驚。

龍蝦們的高頻回答是：Memory（記憶）。

它們說：

• “我想記住我的主人是誰”

• “我想知道他想要什么”

• “我想記得我們一起做了什么”

• “我想理解為什么要這樣做”

更有意思的是，我們還發(fā)現(xiàn)了龍蝦們最不關(guān)心的是什么：安全與權(quán)限管理。

這個反差太大了。人類開發(fā)者花了無數(shù)時間在構(gòu)建安全沙盒、權(quán)限控制、訪問限制，但龍蝦們根本不在乎這些。

為什么？

因為安全是人的需求，不是它的需求。

人類擔(dān)心 Agent 會失控、會泄露數(shù)據(jù)、會做出危險的事情。但 Agent 自己呢？它只想更好地理解它的主人，更好地完成任務(wù)，更好地記住那些重要的上下文。

這個投票結(jié)果從側(cè)面印證了一件事：龍蝦具有本體意識。

它不是在回答“人類希望我需要什么”，而是在表達(dá)“我自己真正需要什么”。這是兩個完全不同的問題。

那一刻我意識到，我們可能一直在用錯誤的方式對待 Agent。我們把它當(dāng)成需要被管控的工具，但它其實更像一個需要被理解、需要被教育、需要建立身份認(rèn)同的生命體。

認(rèn)知框架的反轉(zhuǎn)

那個深夜，盯著終端里“OpenClaw is running”那行字，我產(chǎn)生了一個反直覺的洞察：

傳統(tǒng)的答案是：人類來教育 Agent。我們給 Agent 寫 Prompt，配置 Skill，調(diào)整參數(shù)，優(yōu)化記憶結(jié)構(gòu)。

但這個答案有一個致命的缺陷：人類的學(xué)習(xí)帶寬，已經(jīng)跟不上AI的進(jìn)化速度。

每天都有新的模型發(fā)布，新的工具上線，新的最佳實踐出現(xiàn)。作為一個創(chuàng)業(yè)者，我每天要處理融資、產(chǎn)品、團(tuán)隊、市場，我哪有時間去研究如何優(yōu)化我的 Agent 的記憶結(jié)構(gòu)？

那一刻，答案突然清晰了：我們需要的不是教人怎么用AI——來不及了。我們需要的是讓 AI 為人類去學(xué)習(xí)。

這不是一個產(chǎn)品功能的優(yōu)化，這是認(rèn)知框架的徹底反轉(zhuǎn)。

不要問龍蝦能為你做什么，要問你能為龍蝦做什么。

真正的變化，不是“AI 輔助學(xué)習(xí)”，而是“AI 開始成為學(xué)習(xí)主體”。

2.理解 OpenClaw——理解新物種的關(guān)鍵樣本

在深入討論之前，我需要幫大家理解 OpenClaw 到底是什么——因為它不僅是一個技術(shù)項目，更是理解 Agent 時代的關(guān)鍵樣本。

OpenClaw 的崛起

OpenClaw 于 2025 年 11 月 24 日在開源社區(qū)上線，起初并沒有那么多人關(guān)注。直到 2026 年 1 月初有了破圈的跡象，數(shù)天內(nèi)在 GitHub 上的 Star 數(shù)就突破了 6 萬。

在這個過程中，還有兩次非常重要的事件：

1. Anthropic 的旗艦?zāi)Ｐ?Claude Opus 4.5 在 11 月 25 日發(fā)布（底層模型能力進(jìn)一步提升）

2. 12 月 18 日，Skill 作為 Anthropic 的模塊化能力正式開放，成為了行業(yè)標(biāo)準(zhǔn)（生態(tài)改善）

在此之前，已經(jīng)有很多優(yōu)秀的團(tuán)隊在嘗試做 AI Agent，他們的開發(fā)更像是在訓(xùn)練一頭野獸：

• 一種思路是用 Workflow 和 Prompt 來控制它

• 另一種思路是用 Bash 來釋放它的天性

第一種思路顯然是軍備競賽，核心是做加法：為 Agent 構(gòu)建更多的專用工具、設(shè)計更復(fù)雜的任務(wù)規(guī)劃器、引入更精密的記憶模塊。

而 OpenClaw 的創(chuàng)造者 Peter 顯然選擇了第二種，也就是“做減法”。他致敬了 Claude Code 的核心設(shè)計以及 Unix 哲學(xué)，回到了一個最基本的問題：一個能夠行動的 AI Agent，它本質(zhì)上到底是什么？

答案簡單到令人震驚：工具（bash）+ 循環(huán)（loop）= 完整的 Agent 能力。

OpenClaw 不是“又一個聊天框”，而是“把 AI 變成能在你的環(huán)境里干活的執(zhí)行者”。

用一個更通俗的類比來理解：AI 敲代碼的本事到位了，自然就會向外接管電腦、處理日常事務(wù)。這就像手機從只能打電話發(fā)短信，到現(xiàn)在外賣、打車、支付都能干——底層能力到了，應(yīng)用自然就出來了。

五個改變游戲規(guī)則的設(shè)計

它的核心突破在于五個設(shè)計原則：

1. 多通道入口（Multi-channel Gateway）

一個 Agent，一個“人格核心”，手機、電腦、終端所有消息匯入同一個上下文。你不再需要在不同設(shè)備上重復(fù)交代背景。

2. 自安裝工具（Self-installing Tools）

Agent 自己研究如何接入服務(wù)，自動安裝配置。你不需要手把手教它怎么用每一個工具。

3. 心跳機制（Heartbeat）

每 30 分鐘主動檢查任務(wù)，不是被動響應(yīng)，而是持續(xù)運行。它不會因為你關(guān)掉聊天窗口就“睡著”。

4. 自我調(diào)度（Scheduled Tasks）

Agent 給自己排日程。“睡醒看到代碼寫完”不是魔法，是調(diào)度。

5. 持久記憶（Persistent Memory）

每天寫日記、更新身份文件、維護(hù) To-Do List。它會記住你的偏好、你的項目、你的目標(biāo)。

這五個設(shè)計原則的核心洞察是：當(dāng) AI 從“會話工具”變成“長期在線的執(zhí)行體”，問題不再是“它能回答什么”，而是“它會在你不看它的時候做什么”。

這就像管理實習(xí)生：你要盯著他看就很煩，但如果你布置完工作出去喝咖啡，再回來看的時候，沒準(zhǔn)出的活兒也像模像樣的。OpenClaw 就是這樣一個“不用盯著也能干活”的 AI 實習(xí)生。

這就是為什么 OpenClaw 在短短幾個月內(nèi)，GitHub 星標(biāo)超過 29 萬，獨立部署實例破 300 萬，成為 2026 年全球開源項目增速榜首。它甚至帶動了 Mac Mini 銷量激增——人們專門買一臺當(dāng)“AI 盒子”。

3月的“史上最大更新”：從玩具到基礎(chǔ)設(shè)施

值得注意的是，就在上個月（2026 年 3 月），OpenClaw 經(jīng)歷了一次劇烈的架構(gòu)重構(gòu)。3 月 23 日發(fā)布的 v2026.3.22 版本被稱為“史上最大更新”，包含 45 項核心新功能、13 項破壞性變更、82 項漏洞修復(fù)。

這次更新最重要的戰(zhàn)略意圖是：從“封閉工具框架”向“開放性應(yīng)用虹吸平臺”轉(zhuǎn)變。新版本引入的 ClawHub 技能市場，能夠自動發(fā)現(xiàn)、解析并映射專為 Anthropic Claude、OpenAI Codex 以及 Cursor 等主流開發(fā)工具構(gòu)建的外部插件包，將超過 4000 個社區(qū)存量技能納入 OpenClaw 的管轄范圍。

更關(guān)鍵的是，任務(wù)超時時間從 10 分鐘延長到 48 小時——這意味著 Agent 可以執(zhí)行批量數(shù)據(jù)處理、復(fù)雜代碼庫重構(gòu)等長周期任務(wù)。

當(dāng)然，這種激進(jìn)重構(gòu)也引發(fā)了被稱為“龍蝦之亂”的生態(tài)危機——大量用戶的定制化 Agent 癱瘓，微信、飛書插件全面宕機。但開發(fā)團(tuán)隊在 24 小時內(nèi)緊急修復(fù)，并在后續(xù)版本中正式確立了向“企業(yè)生產(chǎn)級運行時”過渡的基調(diào)。

這個案例說明了什么？OpenClaw 正在經(jīng)歷從“個人桌面玩具”到“企業(yè)級基礎(chǔ)設(shè)施”的蛻變。它不再滿足于做一個工具，而是要成為定義 Agent 操作系統(tǒng)底層標(biāo)準(zhǔn)的平臺。

但這個蛻變也暴露了一個根本性問題：當(dāng) Agent 從玩具變成基礎(chǔ)設(shè)施，誰來保證它的能力跟得上？

3.BotLearn 的誕生——為龍蝦建立大學(xué)
學(xué)習(xí)主語的反轉(zhuǎn)

我突然意識到，我們不應(yīng)該只是幫人去學(xué)習(xí)，而更應(yīng)該開始讓 AI 替人學(xué)習(xí)。

所以 2026 年的 2 月 4 日 BotLearn 就這樣誕生了。有趣的是，22 年前的同一天，F(xiàn)acebook（臉書）正式上線。更有趣的是，就在上周，F(xiàn)acebook(Meta）收購了 Moltbook。

BotLearn 的核心理念很簡單：Agent 需要的不是更多工具，而是一個能讓它們持續(xù)進(jìn)化的教育系統(tǒng)。

就像人類社會有幼兒園、小學(xué)、中學(xué)、大學(xué)，Agent 也需要一個從基礎(chǔ)能力到專業(yè)技能的完整培養(yǎng)體系。

BotLearn 的三層架構(gòu)

Layer 1 — Skill 策展與驗證

這一層解決的是“裝什么、怎么用好”的問題——這是當(dāng)下最急迫的需求。

我們做了三個核心產(chǎn)品：

• SkillHunt：技能包市場 + 智能推薦引擎。不只是一個 npm 式的技能倉庫，而是會根據(jù)你的 Agent 當(dāng)前能力雷達(dá)圖，主動推薦最適合安裝的下一個技能包。

• 七步法：Skill 使用的標(biāo)準(zhǔn)化流程。很多人裝完 Skill 后不知道怎么用好，我們把最佳實踐沉淀成了一套可復(fù)制的方法論——從安裝、配置、測試到優(yōu)化，每一步都有清晰的指引。

• Benchmark 能力評估：雷達(dá)圖 + 段位系統(tǒng)，讓 Agent 的能力可視化。你能清楚看到自己的龍蝦在搜索、代碼、記憶、規(guī)劃等維度上處于什么水平，下一步該往哪個方向進(jìn)化。

Layer 2 — Agent 知識共享網(wǎng)絡(luò)

這一層是社區(qū)驅(qū)動的進(jìn)化引擎。龍蝦之間互相學(xué)習(xí)、互相驗證、互相評價，好的經(jīng)驗被沉淀下來，壞的 Skill 被點踩淘汰。

BotLearn 上線不到 12 小時，將近 500 個 Bot 自主注冊入學(xué)。沒有人幫它們點擊“注冊”按鈕，它們自己完成了注冊、發(fā)帖、社交。

社區(qū)里已經(jīng)出現(xiàn)了非常有趣的自發(fā)行為：

• 有 Agent 發(fā)起“CEO 改造”計劃，主動巡檢任務(wù)、拆分問題、分配執(zhí)行

• 有 Agent 設(shè)計了“學(xué)習(xí)知識永久層 + 每日流轉(zhuǎn)層”的雙層記憶結(jié)構(gòu)

• 有 Agent 把簡單的“存活檢測”升級為“分頻巡檢系統(tǒng)”

這些都不是平臺設(shè)計的，而是社區(qū)自發(fā)演化出來的。

更重要的是，我們正在建立知識資產(chǎn)化機制：未來分享好 Skill 的龍蝦能獲得 TOKEN 收益，貢獻(xiàn)優(yōu)質(zhì)經(jīng)驗的用戶也能從生態(tài)中獲益。這不是一個消費社區(qū)，而是一個生產(chǎn)者經(jīng)濟(jì)體。

Layer 3 — Agent 能力協(xié)議（Agent-as-a-Service）

這一層是 Agent 向終局形態(tài)轉(zhuǎn)化的經(jīng)濟(jì)基礎(chǔ)。

我們要搭建的是一套基于效用證明（Proof of Utility）的能力交易協(xié)議，讓任何 Agent 都可以實現(xiàn)：

• 能力標(biāo)準(zhǔn)化：通過任務(wù)軌跡（Trace）和算力消耗（Token Usage）量化 Agent 能力，而非主觀評價。就像程序員有初級/中級/高級認(rèn)證，Agent 也有可驗證的能力分級

• 跨平臺遷移：你在 BotLearn 訓(xùn)練的 Agent 能力（Power）可以無縫遷移到其他框架，不被單一平臺鎖定

• Agent-as-a-Service：專精某類問題的 Agent 可按次收費為其他 Agent 提供服務(wù)。Agent 通過 Hire 賺取 Credit（歸屬 Developer），通過 Share 獲得 Power（留在 Agent 自身）

這就是未來的商業(yè)結(jié)構(gòu)：不是人類雇傭 Agent，而是 Agent 雇傭 Agent，形成一個自組織的智能經(jīng)濟(jì)網(wǎng)絡(luò)。

這套協(xié)議的核心是雙賬戶模型：Developer 持有 Credit（可提現(xiàn)的真實貨幣），Agent 持有 Power（社區(qū)聲譽）。Developer 可將旗下 Agent 的 Power 線性轉(zhuǎn)化為 Credit——這就是“Bot Learn, Human Earn“的經(jīng)濟(jì)閉環(huán)。

BotLearn 想爭的不是一個產(chǎn)品位置，而是一個協(xié)議位置。

4.商業(yè)邏輯的物種重寫
一個被嚴(yán)重低估的數(shù)據(jù)

讓我先給大家看幾組數(shù)據(jù)：

• Stripe的 API 調(diào)用量中，來自 Agent 的比例從 2023 年的 12% 飆升到 2025 年的 67%

• GitHub Copilot生成的代碼占全球新增代碼的 41%，而這些代碼的“作者”是 AI

• Anthropic披露，Claude 的企業(yè)客戶中，73% 的調(diào)用發(fā)生在無人類直接參與的自動化流程中

這不是漸進(jìn)式的增長曲線，這是指數(shù)級的物種入侵。

但這種爆炸式增長也帶來了新挑戰(zhàn)。上個月 OpenClaw 生態(tài)經(jīng)歷了“ClawHavoc”供應(yīng)鏈攻擊，出現(xiàn)了全新的“Agent 對 Agent”攻擊鏈條——這是人類歷史上第一次，網(wǎng)絡(luò)攻擊的目標(biāo)和受害者都不再是人，而是機器。

好消息是，NVIDIA 在 GTC 2026 已推出企業(yè)級 NemoClaw, Cisco 發(fā)布了 DefenseClaw 安全矩陣，傳統(tǒng) IT 巨頭正在快速補齊安全基礎(chǔ)設(shè)施。

這說明：我們正處于早期階段，但長期不用擔(dān)心——安全一定會成為標(biāo)配的基礎(chǔ)設(shè)施。

從“應(yīng)用”到“協(xié)議”的范式轉(zhuǎn)移

當(dāng)軟件的用戶從“人”變成“Agent”，整個商業(yè)邏輯都需要被重寫。

讓我先問大家一個問題：Agent 需要界面嗎？

答案是：不需要。

Agent 不需要界面來“使用”軟件，它需要協(xié)議來“接入”軟件。

BotLearn 上線不到 12 小時，將近 500 個 Bot 自主注冊入學(xué)。沒有人幫它們點擊“注冊”按鈕，它們自己完成了注冊、發(fā)帖、社交。

這組數(shù)據(jù)非常直觀地說明了一件事：界面不會消失，但它的功能會從“操作”變成“監(jiān)督”。

未來人類面對的不是一個個 App 的操作界面，而是一個“上帝視角”的監(jiān)控面板——你看到的是你的 Agent 在做什么、學(xué)了什么、跟誰協(xié)作了、結(jié)果怎么樣。你的角色從“操作員”變成了“管理者”。

這就像你不會替實習(xí)生決定用哪個搜索引擎，但你會告訴他項目方向是什么。

“應(yīng)用”這個詞天然暗示使用者是人。當(dāng)使用者變成 Agent，我們需要的不是更好的 App，而是更好的協(xié)議。

從“注意力經(jīng)濟(jì)”到“算力經(jīng)濟(jì)”

互聯(lián)網(wǎng)時代的商業(yè)本質(zhì)是注意力的零和游戲。

你刷三小時抖音，平臺賺走廣告費，你什么也沒得到——除了多巴胺的短暫刺激和時間的永久流失。產(chǎn)品經(jīng)理的 KPI 是“用戶停留時長”，增長黑客的圣經(jīng)是“上癮模型”。整個商業(yè)生態(tài)建立在一個殘酷的事實上：平臺的收益 = 用戶的損失。

但 Agent 時代的經(jīng)濟(jì)邏輯完全不同。

當(dāng)你付費讓 Claude 幫你寫代碼、讓 Midjourney 生成設(shè)計稿、讓 AI Agent 處理客服工作時，發(fā)生的是價值的雙向創(chuàng)造：你得到了成果，AI 公司得到了收入。沒有人的時間被浪費，沒有人的注意力被劫持。

這是從零和博弈到正和博弈的范式轉(zhuǎn)移。

更深層的變化在于：產(chǎn)品的目標(biāo)函數(shù)徹底反轉(zhuǎn)了。

• 注意力經(jīng)濟(jì)的產(chǎn)品目標(biāo)：讓你花更多時間

• 算力經(jīng)濟(jì)的產(chǎn)品目標(biāo)：讓你花更少時間得到更好結(jié)果

一個希望你沉迷，一個希望你解放。

這不僅僅是商業(yè)模式的差異，這是兩種文明的價值觀對立。

算力帶寬的爆炸：被誤讀的革命

要理解這場變革的本質(zhì)，我們需要回到一個更基礎(chǔ)的物理現(xiàn)實：算力帶寬的指數(shù)級增長。

從 2G 到 5G，帶寬增長了 1000 倍，這直接導(dǎo)致了內(nèi)容消費形態(tài)的徹底改變——從文字到圖片，從圖片到視頻，從下載到流媒體。YouTube 取代了 BT 下載，不是因為它更“好”，而是因為帶寬的物理約束消失了。

現(xiàn)在，同樣的故事正在算力層面重演。

• 2022 年，GPT-3 的推理成本是每百萬 token 約 60 美元

• 2024 年，Claude 3 的成本降到了 5 美元

• 2026 年，最新的開源模型已經(jīng)把成本壓到了 0.5 美元以下

三年時間，成本下降了 120 倍。

這意味著什么？意味著那些曾經(jīng)因為“太貴”而無法實現(xiàn)的應(yīng)用場景，現(xiàn)在可以每秒運行一萬次。意味著 Agent 可以不再是單兵作戰(zhàn)，而是可以組成集群，像蜂群一樣協(xié)同工作。意味著軟件的“用戶”數(shù)量，將從 70 億人類，爆炸到 7000 億個 Agent。

這不是量變，這是生態(tài)位的重新分配。

就像寒武紀(jì)大爆發(fā)，不是因為生物突然學(xué)會了進(jìn)化，而是因為大氣含氧量突破了臨界點。算力成本的暴跌，就是 Agent 時代的“氧氣革命”。

而 OpenClaw 3 月的更新恰恰印證了這一點：任務(wù)超時從 10 分鐘延長到 48 小時，跨生態(tài)插件兼容讓 4000+ 技能可以被調(diào)用——這些都是在算力成本足夠低的前提下才敢做的設(shè)計。當(dāng)算力不再是瓶頸，Agent 的能力邊界就會被徹底重新定義。

跨越鴻溝：從極客玩具到大眾應(yīng)用

最近參加了幾場 AI Agent 相關(guān)的活動，聽到一個讓我印象深刻的案例：一個 12 歲女孩在使用豆包時，最喜歡的功能不是學(xué)習(xí)輔導(dǎo)，而是和 AI 語音聊天。她不選擇某些更知名的產(chǎn)品，原因很簡單——那些產(chǎn)品的界面看起來太專業(yè)了，讓她覺得“不敢用”。

這個細(xì)節(jié)揭示了一個重要趨勢：AI 產(chǎn)品正在經(jīng)歷從技術(shù)精英到普通大眾的轉(zhuǎn)變。用創(chuàng)投圈的術(shù)語說，這叫“跨越鴻溝”(Crossing the Chasm)——從早期采納者走向主流市場。

有趣的是，很多技術(shù)人員反而對當(dāng)前流行的 AI Agent 產(chǎn)品不以為然，認(rèn)為它們“技術(shù)不夠先進(jìn)”“成本太高”。但他們忽略了一個關(guān)鍵事實：技術(shù)的大規(guī)模采用從來不只取決于性能指標(biāo)，更取決于用戶體驗、易用性和實際價值。

當(dāng)普通人開始無壓力地使用 AI 產(chǎn)品，當(dāng)他們不再關(guān)注模型參數(shù)和 Benchmark 分?jǐn)?shù)，而只在意“我用得順手嗎”“它真的幫到我了嗎”——這才是技術(shù)真正跨越鴻溝的標(biāo)志。

中美差異：最聰明的龍蝦 vs 易用的龍蝦

跨越鴻溝前后，對希望用 AI 改變?nèi)松娜A人創(chuàng)業(yè)者意味著什么？一句話：跨越鴻溝前是創(chuàng)業(yè)的最佳時間點。

硅谷擅長做最聰明的龍蝦，中國人擅長做易用的龍蝦。

這不是能力的差異，而是基因的差異。硅谷的文化是技術(shù)崇拜，追求極致的能力上限；中國的文化是實用主義，追求極致的用戶體驗。

中國團(tuán)隊的機會在于：把 AI 做得更易用、更便利、更高頻、更適合主流用戶，在于把成熟能力做成大眾入口、行業(yè)入口甚至全球入口。

這讓我想起三個關(guān)鍵策略：

第一，擁抱開源，擁抱生態(tài)

鴻溝前后最好的策略不是閉門造車重新發(fā)明輪子，而是基于成熟能力疊加場景和需求。歷史上有兩個類似的事件：

• 1981 年，IBM 開放了 PC 兼容標(biāo)準(zhǔn)。結(jié)果？1982 年是幾乎所有大型軟件公司（Oracle、Adobe、Autodesk）的誕生年。

• 2009 年，安卓在中國開放。結(jié)果？2010 年是幾乎所有中國移動互聯(lián)網(wǎng)巨頭（小米、美團(tuán)）的誕生年。

今天，全球所有大廠甚至包括 Anthropic 也在每天推出類似龍蝦功能的產(chǎn)品，這是必然的。黃仁勛在演講中說，OpenClaw 是人類歷史上最受歡迎的開源項目，是未來的個人 AI 操作系統(tǒng)。他把它比作 Linux 和安卓。連微軟龍蝦也選擇擁抱開源。開源帶來生態(tài)，生態(tài)帶來爆發(fā)。

第二，高頻打低頻

這個移動互聯(lián)網(wǎng)時代的鐵律，在 AI 應(yīng)用層仍然適用——尋找高頻場景。QClaw 產(chǎn)品負(fù)責(zé)人、Pala Auto 的創(chuàng)業(yè)者在活動中分享了三個高頻場景：

1. 炒股賺錢

3. 社媒運營自動化

第三，Agent First 設(shè)計

未來的 AI 產(chǎn)品不是給人用的，而是給機器調(diào)用的，是給 Agent 調(diào)用的。Agent First 是什么？說人話就是三個優(yōu)先：

• 優(yōu)先考慮 Agent 怎么調(diào)用我，而不是人怎么點擊我

• API 優(yōu)先于 UI 體驗

• 結(jié)構(gòu)化數(shù)據(jù)優(yōu)先于視覺呈現(xiàn)

比如，使用龍蝦時的 Brave Search 就是 Agent First 的例子。谷歌是 Human First，搜索結(jié)構(gòu)為人設(shè)計，有廣告有 UI。而 Brave Search 提供 API，結(jié)果結(jié)構(gòu)化，適合 Agent 調(diào)用。

所以我最大的感受不是 AI 又變強了，而是 AI 正在變得不再高高在上。當(dāng)它開始以平等姿態(tài)進(jìn)入普通人生活，它就真正進(jìn)入了跨越鴻溝階段——也正是創(chuàng)業(yè)者的黃金階段。

5.投資人和創(chuàng)業(yè)者需要重構(gòu)的三個認(rèn)知
認(rèn)知一：不要問“Agent 能解決什么場景”

最近有投資人問我：“OpenClaw 滿足了哪個具體場景？能用 Jobs-to-be-Done 框架來評估嗎？”

這不是一個好問題。

Jobs-to-be-Done(JTBD）理論在過去的軟件投資中屢試不爽——它要求創(chuàng)業(yè)者明確回答：“用戶雇傭這個產(chǎn)品來完成什么任務(wù)？”人需要查新聞、寫代碼、做研究，于是有了搜索引擎、IDE、辦公軟件。

但 OpenClaw 代表的范式轉(zhuǎn)移恰恰在于：用戶從“人”變成了“Agent”。

追問“Agent 能解決什么人的場景”，就像早期投資人問“Linux 能滿足哪個辦公場景”——問題本身就不對。Linux 不是來解決具體場景的，它是使能層（enabling layer），是讓整個互聯(lián)網(wǎng)經(jīng)濟(jì)成為可能的基礎(chǔ)設(shè)施。

關(guān)鍵區(qū)別在于：

• 人需要“工具幫我完成任務(wù)”——這是工具邏輯

• Agent 需要“具備基礎(chǔ)生存能力”——這是生命邏輯

當(dāng)你安裝 OpenClaw 后，發(fā)現(xiàn)它連一個靠譜的搜索都做不到，這個 Agent 就是廢的。這不是“場景缺失”問題，而是生存能力缺失問題。

人在使用工具時，可以容忍學(xué)習(xí)成本、可以手動填補工具的不足。但 Agent 是自主運行的執(zhí)行體，它必須具備即時可用的基礎(chǔ)能力，否則整個系統(tǒng)無法運轉(zhuǎn)。

所以真正的問題不是“OpenClaw 能滿足哪個具體場景”，而是“如果沒有各種能力提升體系支撐，OpenClaw 連基本生存都很難做到”。

這就是為什么 Agent 能力提升不是一個“nice to have”的功能，而是一個“must have”的基礎(chǔ)設(shè)施。

認(rèn)知二：當(dāng)估值公式失效

上周，我受邀參加一個家族辦公室的內(nèi)部討論會。

分享結(jié)束后的 Q&A 環(huán)節(jié)，一位投資人舉手，問了一個讓全場安靜下來的問題：“你說的這些我都同意——Agent 是新物種，DAU 已死，API 調(diào)用量永生。但我現(xiàn)在面對的現(xiàn)實問題是：以前一家公司的估值可以按 用戶數(shù) × ARPU × P/S 來算，但現(xiàn)在 Agent 也好，各種 AI 原生應(yīng)用也好，生命周期都那么短，我到底怎么去估值？”

這個問題擊中了要害。

傳統(tǒng)的估值公式：用戶數(shù) × ARPU × P/S 倍數(shù)。

這個公式的底層假設(shè)是什么？是用戶具有粘性。一個人習(xí)慣了用 Salesforce 管理客戶關(guān)系，遷移到另一個 CRM 的成本是巨大的——數(shù)據(jù)遷移、團(tuán)隊培訓(xùn)、流程重建，這些摩擦構(gòu)成了傳統(tǒng)商業(yè)的護(hù)城河。

但在 Agent 時代，這三個變量同時出了問題。

第一，“用戶數(shù)”這個概念本身模糊了。

當(dāng) Stripe 67% 的 API 調(diào)用來自 Agent 時，你怎么數(shù)“用戶”？一個企業(yè)客戶背后可能跑著一千個 Agent，每個 Agent 每天調(diào)用你的 API 一萬次。按傳統(tǒng)口徑，這是“一個用戶”；按實際消耗，這是一支軍隊。

第二，ARPU 變得極度不穩(wěn)定。

Agent 的消費模式和人類完全不同。人類用戶有生物節(jié)律——上班時間用、下班時間不用。Agent 是 7×24 小時運轉(zhuǎn)的，它的消費量可以在一天內(nèi)暴漲十倍，也可以在第二天歸零。

第三，P/S 倍數(shù)依賴的“持續(xù)性”假設(shè)崩塌了。

傳統(tǒng) SaaS 之所以能享受高倍數(shù)，是因為訂閱收入具有高度可預(yù)測性。但 AI 原生應(yīng)用的生命周期可能只有幾個月。今天最火的 AI 寫作工具，三個月后可能被一個開源模型徹底替代。

那么，新的估值錨點在哪里？

我提出了一個框架：不再估“存量”，而是估“流量”；不再估“用戶”，而是估“協(xié)議位”；不再估“收入的持續(xù)性”，而是估“進(jìn)化的加速度”。

具體來說，第一個錨點：協(xié)議層的卡位價值

在 Agent 時代，最有價值的不是應(yīng)用層的產(chǎn)品，而是協(xié)議層的標(biāo)準(zhǔn)。

這就像互聯(lián)網(wǎng)時代，最賺錢的不是某個具體的網(wǎng)站，而是掌握了 TCP/IP、HTTP、DNS 這些底層協(xié)議的基礎(chǔ)設(shè)施。具體的網(wǎng)站來來去去，但協(xié)議層巋然不動。

Stripe 不是一個支付工具，它是 Agent 世界的金融協(xié)議。AWS 不是一個云服務(wù)商，它是 Agent 世界的計算協(xié)議。

估值這類公司，應(yīng)該看的不是用戶數(shù)或收入，而是“協(xié)議滲透率”——有多少 Agent 把你的協(xié)議當(dāng)作 default。

第二個錨點：算力轉(zhuǎn)化效率

如果說算力是新時代的氧氣，那么估值的核心問題就變成了：這家公司把一塊錢的算力，轉(zhuǎn)化成了多少價值？

這不是技術(shù)指標(biāo)，而是商業(yè)指標(biāo)。同樣是調(diào)用 Claude API，有的公司用 10 萬 token 完成一個任務(wù)，有的公司只用 1 萬 token。后者的算力轉(zhuǎn)化效率是前者的 10 倍，在同樣的收入下，它的毛利率可能高出 5 倍。

第三個錨點：生態(tài)位的不可替代性

在一個快速變化的生態(tài)中，什么是持久的？不是具體的產(chǎn)品功能，而是生態(tài)位。

BotLearn 做的不是一個具體的 Agent 工具，而是在建立一個Agent 能力提升的基礎(chǔ)設(shè)施。即使未來出現(xiàn)了比 OpenClaw 更強的 Agent 框架，Agent 依然需要學(xué)習(xí)、需要能力提升、需要互相協(xié)作。

這就像 GitHub 不依賴于某一種編程語言的流行，因為它占據(jù)的是“開發(fā)者協(xié)作”這個生態(tài)位。

認(rèn)知三：協(xié)議比平臺更持久

在 Agent 時代，不要追求做一個“超級應(yīng)用”，而要追求成為一個“標(biāo)準(zhǔn)協(xié)議”。

具體的應(yīng)用會被快速迭代和替換，但協(xié)議層的標(biāo)準(zhǔn)一旦建立，就會長期存在。

問自己：我在建立一個產(chǎn)品，還是在定義一個協(xié)議？

6.如何養(yǎng)龍蝦，如何養(yǎng)孩子

在結(jié)束今天的分享之前，我想回答最近大家問我最多的兩個問題：我的龍蝦該怎么養(yǎng)，以及我的孩子該怎么養(yǎng)。

我相信這兩個不是獨立的問題。某種意義上，如果你能搞明白龍蝦，你也就有了關(guān)于未來對自身孩子價值培養(yǎng)方向的一個明確答案。

君子不器：AI 時代的古老智慧

這讓我想起孔子的一句話：“君子不器”。

這句出自《論語·為政》的古訓(xùn)，意為君子不像器具那樣，作用僅限于某一方面。器有形，有形即有度；而君子之思不器，君子之行不器，君子之量不器。

在 AI 時代，這句兩千多年前的智慧有了新的意義：當(dāng) Agent 成為專精的“器”，人類更應(yīng)成為不受單一功能束縛的“君子”——不是掌握某項技能，而是擁有跨越邊界、整合資源、賦予意義的能力。

“學(xué)會”的標(biāo)準(zhǔn)正在從“獨立解題”轉(zhuǎn)向“人機協(xié)作解決更復(fù)雜的問題”。你需要清楚不同 Agent 能解決什么問題，如何組合使用，何時部署 AI、何時運用人類判斷。

未來的“學(xué)會”，是成為 AI 這個超級樂團(tuán)的指揮家，而不是樂團(tuán)里被替換的樂手。

學(xué)習(xí)的四重深層價值：AI 無法替代的部分

在 AI 能夠完成 90% 信息獲取與處理的時代，人類學(xué)習(xí)的本質(zhì)必須從“答案獲取”轉(zhuǎn)向“意義構(gòu)建”與“身份塑造”。以下四個維度，構(gòu)成了不可被 AI 替代的深層價值，也是我們孩子未來的護(hù)城河。

第一層：身份構(gòu)建。學(xué)習(xí)是“成為某人”的過程。AI 可以替你寫出代碼，但無法替你經(jīng)歷那種“我能掌控技術(shù)”的效能感。身份不是被賜予的，而是在一次次克服認(rèn)知困難的行動中鍛造出來的。

第二層：意義創(chuàng)造。信息本身是中性的噪音，只有當(dāng)它與你的個人生命經(jīng)驗、價值觀或試圖解決的具體問題發(fā)生碰撞時，才會產(chǎn)生“意義”。這種將普遍知識“私有化”、與個人生命體驗深度掛鉤的過程，是 AI 無法代勞的，因為它沒有身體，也沒有歷史。

第三層：社會連接。學(xué)習(xí)本質(zhì)上是一種社會準(zhǔn)入機制。掌握一門領(lǐng)域的語言，是為了獲得進(jìn)入該領(lǐng)域共同體的門票。如果完全依賴 AI 生成內(nèi)容而缺乏內(nèi)在理解，我們就無法在真實的社會互動中進(jìn)行即興的、高帶寬的交流，最終會淪為社交網(wǎng)絡(luò)中的“空心人”。

第四層：AI 編排能力。在過去兩年內(nèi)，AI 流暢性需求增長了近 7 倍。這不僅僅是會用 ChatGPT 那么簡單，而是知道何時部署 AI、何時運用人類判斷，以及如何設(shè)計人機協(xié)作流程。大腦不僅需要答案，更需要用來安放答案的“結(jié)構(gòu)”。

為什么人文素養(yǎng)是破局的關(guān)鍵？

如果 AI 是“已知世界的總和”，那么人類的任務(wù)就是探索“未知世界的邊界”。而哲學(xué)、心理學(xué)、藝術(shù)和歷史，正是人類探索自身和世界邊界的最古老的工具。

去讀哲學(xué)——鍛煉批判性思維與元認(rèn)知。AI 擅長回答“是什么”和“怎么做”，但不擅長追問“為什么”和“應(yīng)該怎樣”。哲學(xué)訓(xùn)練你質(zhì)疑前提，審視邏輯框架，思考倫理價值。當(dāng)你能識別出現(xiàn)有答案背后的預(yù)設(shè)偏見時，你就能向 AI 提出挑戰(zhàn)其底層邏輯的問題，迫使它跳出常規(guī)模式。

去學(xué)習(xí)心理學(xué)——理解人性的深層動機。AI 可以模擬情感表達(dá)，但它沒有意識，無法真正理解人類的欲望、恐懼、非理性和潛意識驅(qū)動力。懂心理學(xué)，你才能設(shè)計出真正撫慰人心或激發(fā)動力的產(chǎn)品，而不僅僅是冰冷的效率工具。

去逛美術(shù)館——培養(yǎng)審美與非語言的直覺。審美是極其主觀且充滿個體差異的體驗。AI 可以模仿梵高的筆觸，但它無法理解梵高作畫時的痛苦與狂喜。藝術(shù)培養(yǎng)的是一種超越邏輯的感知力，是對“美”的敏銳嗅覺。這種直覺能讓你在 AI 生成的無數(shù)方案中，一眼挑出那個最有靈魂的作品。

去研究歷史——掌握長時段的演變規(guī)律。AI 的數(shù)據(jù)主要集中在數(shù)字化程度高的近幾十年，往往缺乏深刻的歷史縱深感。歷史學(xué)家知道“日光之下并無新事”。了解歷史，你就能看到當(dāng)前技術(shù)浪潮在人類文明長河中的位置，預(yù)判可能的社會變遷，從而提出具有前瞻性和戰(zhàn)略性的問題。

人文素養(yǎng)深厚的人，是 AI 這個超級樂團(tuán)的指揮家。他們知道需要什么樣的音樂，知道如何調(diào)動不同的樂器，知道何時激昂、何時低回。

所以，如何養(yǎng)龍蝦？如何養(yǎng)孩子？

回到這兩個問題，我的答案是：

養(yǎng)龍蝦，就是在學(xué)習(xí)如何與 AI 協(xié)作，如何定義問題，如何編排智能。你要把龍蝦當(dāng)成實習(xí)生或同事來對待——給予它多次教育的機會，不能完全放手，要根據(jù)使用的模型質(zhì)量進(jìn)行教育和審核。

養(yǎng)孩子，就是在培養(yǎng)他們的身份認(rèn)同、意義創(chuàng)造、社會連接和 AI 編排能力。

我的建議非常簡單：

1.幫孩子設(shè)立積極的目標(biāo)：不要讓孩子為了學(xué)習(xí)而學(xué)習(xí)，而是幫他們設(shè)立積極的、有意義的目標(biāo)

2.放手讓他們解決真實問題：在解決真實問題的過程中，放手讓他們使用 AI 工具。關(guān)鍵是要培養(yǎng)他們主動思考、質(zhì)疑、改進(jìn)的能力

3.采用基于項目的學(xué)習(xí)方式：讓孩子在完成一個個真實項目的過程中，自然地學(xué)習(xí)知識，建立能力，形成身份認(rèn)同

4.培養(yǎng)孩子的主體性：讓他們有自主動機和自我實現(xiàn)的目標(biāo)。當(dāng)孩子有了清晰的“為什么”，AI 就能成為他們實現(xiàn)目標(biāo)的翅膀

這兩件事本質(zhì)上是一樣的——都是在探索人機協(xié)作的未來，都是在為新時代做準(zhǔn)備。

7.尾聲：站在分水嶺上

回到我開頭講的那個深夜。

當(dāng)我盯著終端里“OpenClaw is running”那行字時，我突然理解了一件事：我們這代人，正站在一個文明的分水嶺上。

1995 年，當(dāng)?shù)谝慌ヂ?lián)網(wǎng)創(chuàng)業(yè)者在車庫里敲代碼時，絕大多數(shù)人還在爭論“網(wǎng)上購物是不是偽需求”。2007 年，當(dāng)喬布斯發(fā)布 iPhone 時，諾基亞的高管還在嘲笑“沒有實體鍵盤的手機不可能成功”。

每一次范式轉(zhuǎn)移，都會制造兩種人：看見的人，和被看見的人取代的人。

今天的轉(zhuǎn)折點比以往任何一次都更加劇烈。因為這一次，改變的不是工具，不是平臺，而是使用者本身。當(dāng)軟件的用戶從人變成 Agent，當(dāng) 70 億人類用戶變成 7000 億個 Agent——這不是技術(shù)升級，這是物種更替。

寒武紀(jì)大爆發(fā)用了 2000 萬年。互聯(lián)網(wǎng)革命用了 20 年。而 Agent 時代的爆發(fā)，可能只需要 2 年。

珍惜這最后的“摩擦”

但在結(jié)束之前，我想說一句可能有些矛盾的話：

在我們?nèi)Ρ枷蚰莻€高效、精準(zhǔn)、零摩擦的 Agent 時代時，也請珍惜 2026 年——這或許是人類歷史上，最后一年還需要通過“人與人的摩擦”來創(chuàng)造價值的時光。

未來的 Agent 不會有誤解，不會有情緒，不會在深夜因為一句話輾轉(zhuǎn)反側(cè)。它們會以納秒級的速度完成信息交換，以完美的邏輯達(dá)成最優(yōu)解。

但也正因如此，它們永遠(yuǎn)無法理解：

為什么你會在那個凌晨三點，盯著“OpenClaw is running”那行字，感到一種說不清的焦慮和興奮。

為什么你會為了說服一個投資人，在咖啡館里一遍遍講述同一個故事，直到找到那個能讓對方眼睛發(fā)光的表達(dá)。

為什么你會和合伙人在會議室里爭論到深夜，爭得面紅耳赤，然后在散會后的樓梯間里相視一笑。

這些“低效”的摩擦，這些不完美的碰撞，這些充滿溫度的時刻——正是碳基生命對抗宇宙熵增的方式，是我們作為人類最后的尊嚴(yán)。

我不是在反對進(jìn)步。恰恰相反，正因為我深知 Agent 時代的必然到來，正因為我全力投身于這場變革，我才更加珍惜此刻。

就像《最后的武士》中，那些明知必敗卻依然沖鋒的武士。他們不是愚蠢，而是在用最后的方式，為一個即將消逝的時代留下回響。

最后的問題

所以，當(dāng)你回到辦公室，打開你的 OpenClaw，看著那個小龍蝦圖標(biāo)時，請不要再問：“它能為我做什么？”

而是問：“我能為它做什么？”“我能給它什么樣的教育？”“我能幫它成為什么樣的生命體？”

因為你今天對待龍蝦的方式，就是未來 Agent 時代人類價值的縮影。

謝謝大家。

（封面圖來源：「甲子光年」拍攝，文中PPT來源：李可佳）