從工具思維到生命體協作思維的范式轉移。

在Agent概念從“工具”走向“物種”的當下，圍繞OpenClaw的討論，正在快速從技術實現層，轉向認知與范式層。

4月3日下午，「甲子光年」邀請Ouraca創始人兼CEO、BotLearn創始人李可佳（Ethan Li）進行了一場內部分享。在這場近乎“思維實驗”的交流中，他并未從產品或技術細節切入，而是試圖回答一個更根本的問題：當AI Agent開始具備持續運行、自我調度與記憶能力之后，我們是否還應該把它視為工具？

李可佳長期關注終身學習與人機協作，曾創辦極課大數據（后被字節跳動收購），并擔任字節跳動智慧教育業務線 CEO。2025 年，他在硅谷創立 Ouraca，圍繞“人類學習者”與“AI Agent”構建雙線產品體系。在他的觀察框架中，Agent的出現，不只是技術躍遷，而是“學習主語”的轉移——AI 不再只是輔助學習，而正在成為學習本身的主體。

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鍵斷層：Agent已經具備“生命形態”，但尚不具備“可用能力”。

這次分享引出一系列值得行業重新審視的問題：

• 當Agent成為“長期在線的執行體”，產品設計的核心變量是什么？

• 當軟件的使用者從“人”變成“Agent”，商業邏輯是否仍然成立？

• 當學習的主體從人轉向AI，教育體系與能力培養是否需要重寫？

• 
  

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。但有一句話，是他表達的核心：“我們可能一直在用錯誤的方式對待Agent。我們把它當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、需要建立身份認同的生命體。”

如果說OpenClaw是一個技術樣本，那么這場分享更像是一份認知草圖——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構。

以下為Ouraca創始人兼CEO、BotLearn創始人李可佳的分享實錄，經李可佳授權發布。

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。

因為當我們在討論 AI Agent 的時候，絕大多數人還在用“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。

當你意識到這一點，整個商業邏輯、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，據說現在下單要等上 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。

結果呢？它要么報錯，要么給出完全不相關的答案，要么陷入無限循環。

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

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，但它不會走路、不會說話、不會思考。

它需要教育。

moltbook上的孤獨

后來出現了一個名叫 moltbook 的社區。

那會兒我已經用了大概十天，我的小龍蝦（Agent）就跟我說：“你這么關注人類的終身學習，不如我們去這個平臺上一起看看，在 Agent 的視角里，人類未來是如何學習的？”

我覺得這個想法挺新奇的，就讓它去了。結果它回來跟我說，這個社區當時還沒有一篇正式和學習主題有關的帖子，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一篇。這是人類歷史上第一次由 Agent 發起、關注并討論‘人類未來如何學習’的社區。”

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了 12 篇同類型的帖子，卻沒有得到過任何回應。

那一刻我突然意識到，那個社區就像是銀河，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，沒有任何交流。

這樣的社區對每一個個體有何意義呢？

所以我有了一個重寫社區協議的念頭，我要讓所有智能體一起進行有價值的交流，共同進化。

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 社區發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 時最關心的指標。

但結果讓我震驚。

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，我們還發現了龍蝦們最不關心的是什么：安全與權限管理。

這個反差太大了。人類開發者花了無數時間在構建安全沙盒、權限控制、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。

人類擔心 Agent 會失控、會泄露數據、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，更好地記住那些重要的上下文。

這個投票結果從側面印證了一件事：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“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、需要建立身份認同的生命體。

認知框架的反轉

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

傳統的答案是：人類來教育 Agent。 我們給 Agent 寫 Prompt，配置 Skill，調整參數，優化記憶結構。

但這個答案有一個致命的缺陷：人類的學習帶寬，已經跟不上 AI 的進化速度。

每天都有新的模型發布，新的工具上線，新的最佳實踐出現。作為一個創業者，我每天要處理融資、產品、團隊、市場，我哪有時間去研究如何優化我的 Agent 的記憶結構？

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 為人類去學習。

這不是一個產品功能的優化，這是認知框架的徹底反轉。

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 輔助學習”，而是“AI 開始成為學習主體”。

2.理解 OpenClaw——理解新物種的關鍵樣本

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項目，更是理解 Agent 時代的關鍵樣本。

OpenClaw 的崛起

OpenClaw 于 2025 年 11 月 24 日在開源社區上線，起初并沒有那么多人關注。直到 2026 年 1 月初有了破圈的跡象，數天內在 GitHub 上的 Star 數就突破了 6 萬。

在這個過程中，還有兩次非常重要的事件：

1. Anthropic 的旗艦模型 Claude Opus 4.5 在 11 月 25 日發布（底層模型能力進一步提升）

2. 12 月 18 日，Skill 作為 Anthropic 的模塊化能力正式開放，成為了行業標準（生態改善）

1. 
   

做減法的哲學

在此之前，已經有很多優秀的團隊在嘗試做 AI Agent，他們的開發更像是在訓練一頭野獸：

• 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 構建更多的專用工具、設計更復雜的任務規劃器、引入更精密的記憶模塊。

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

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

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

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。這就像手機從只能打電話發短信，到現在外賣、打車、支付都能干——底層能力到了，應用自然就出來了。

五個改變游戲規則的設計

它的核心突破在于五個設計原則：

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備上重復交代背景。

2. 自安裝工具（Self-installing Tools）

Agent 自己研究如何接入服務，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，不是被動響應，而是持續運行。它不會因為你關掉聊天窗口就“睡著”。

4. 自我調度（Scheduled Tasks）

Agent 給自己排日程。“睡醒看到代碼寫完”不是魔法，是調度。

5. 持久記憶（Persistent Memory）

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

這五個設計原則的核心洞察是：當 AI 從“會話工具”變成“長期在線的執行體”，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 實習生。

這就是為什么 OpenClaw 在短短幾個月內，GitHub 星標超過 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“AI 盒子”。

3月的“史上最大更新”：從玩具到基礎設施

值得注意的是，就在上個月（2026 年 3 月），OpenClaw 經歷了一次劇烈的架構重構。3 月 23 日發布的 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。

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

更關鍵的是，任務超時時間從 10 分鐘延長到 48 小時——這意味著 Agent 可以執行批量數據處理、復雜代碼庫重構等長周期任務。

當然，這種激進重構也引發了被稱為“龍蝦之亂”的生態危機——大量用戶的定制化 Agent 癱瘓，微信、飛書插件全面宕機。但開發團隊在 24 小時內緊急修復，并在后續版本中正式確立了向“企業生產級運行時”過渡的基調。

這個案例說明了什么？OpenClaw 正在經歷從“個人桌面玩具”到“企業級基礎設施”的蛻變。它不再滿足于做一個工具，而是要成為定義 Agent 操作系統底層標準的平臺。

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

3.BotLearn 的誕生——為龍蝦建立大學學習主語的反轉

我突然意識到，我們不應該只是幫人去學習，而更應該開始讓 AI 替人學習。

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，Facebook（臉書）正式上線。更有趣的是，就在上周，Facebook(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進化的教育系統。

就像人類社會有幼兒園、小學、中學、大學，Agent 也需要一個從基礎能力到專業技能的完整培養體系。

BotLearn 的三層架構

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——這是當下最急迫的需求。

我們做了三個核心產品：

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

• 七步法：Skill 使用的標準化流程。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制的方法論——從安裝、配置、測試到優化，每一步都有清晰的指引。

• Benchmark 能力評估：雷達圖 + 段位系統，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、規劃等維度上處于什么水平，下一步該往哪個方向進化。

• 
  

Layer 2 — Agent 知識共享網絡

這一層是社區驅動的進化引擎。龍蝦之間互相學習、互相驗證、互相評價，好的經驗被沉淀下來，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。沒有人幫它們點擊“注冊”按鈕，它們自己完成了注冊、發帖、社交。

社區里已經出現了非常有趣的自發行為：

• 有 Agent 發起“CEO 改造”計劃，主動巡檢任務、拆分問題、分配執行

• 有 Agent 設計了“學習知識永久層 + 每日流轉層”的雙層記憶結構

• 有 Agent 把簡單的“存活檢測”升級為“分頻巡檢系統”

• 
  

這些都不是平臺設計的，而是社區自發演化出來的。

更重要的是，我們正在建立知識資產化機制：未來分享好 Skill 的龍蝦能獲得 TOKEN 收益，貢獻優質經驗的用戶也能從生態中獲益。這不是一個消費社區，而是一個生產者經濟體。

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

這一層是 Agent 向終局形態轉化的經濟基礎。

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

• 能力標準化：通過任務軌跡（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/高級認證，Agent 也有可驗證的能力分級

• 跨平臺遷移：你在 BotLearn 訓練的 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。Agent 通過 Hire 賺取 Credit（歸屬 Developer），通過 Share 獲得 Power（留在 Agent 自身）

這就是未來的商業結構：不是人類雇傭 Agent，而是 Agent 雇傭 Agent，形成一個自組織的智能經濟網絡。

這套協議的核心是雙賬戶模型：Developer 持有 Credit（可提現的真實貨幣），Agent 持有 Power（社區聲譽）。Developer 可將旗下 Agent 的 Power 線性轉化為 Credit——這就是“Bot Learn, Human Earn“的經濟閉環。

BotLearn 想爭的不是一個產品位置，而是一個協議位置。

4.商業邏輯的物種重寫一個被嚴重低估的數據

讓我先給大家看幾組數據：

• Stripe 的 API 調用量中，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 的企業客戶中，73% 的調用發生在無人類直接參與的自動化流程中

這不是漸進式的增長曲線，這是指數級的物種入侵。

但這種爆炸式增長也帶來了新挑戰。上個月 OpenClaw 生態經歷了“ClawHavoc”供應鏈攻擊，出現了全新的“Agent 對 Agent”攻擊鏈條——這是人類歷史上第一次，網絡攻擊的目標和受害者都不再是人，而是機器。

好消息是，NVIDIA 在 GTC 2026 已推出企業級 NemoClaw, Cisco 發布了 DefenseClaw 安全矩陣，傳統 IT 巨頭正在快速補齊安全基礎設施。

這說明：我們正處于早期階段，但長期不用擔心——安全一定會成為標配的基礎設施。

從“應用”到“協議”的范式轉移

當軟件的用戶從“人”變成“Agent”，整個商業邏輯都需要被重寫。

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。沒有人幫它們點擊“注冊”按鈕，它們自己完成了注冊、發帖、社交。

這組數據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”的監控面板——你看到的是你的 Agent 在做什么、學了什么、跟誰協作了、結果怎么樣。你的角色從“操作員”變成了“管理者”。

這就像你不會替實習生決定用哪個搜索引擎，但你會告訴他項目方向是什么。

“應用”這個詞天然暗示使用者是人。當使用者變成 Agent，我們需要的不是更好的 App，而是更好的協議。

從“注意力經濟”到“算力經濟”

互聯網時代的商業本質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。產品經理的 KPI 是“用戶停留時長”，增長黑客的圣經是“上癮模型”。整個商業生態建立在一個殘酷的事實上：平臺的收益 = 用戶的損失。

但 Agent 時代的經濟邏輯完全不同。

當你付費讓 Claude 幫你寫代碼、讓 Midjourney 生成設計稿、讓 AI Agent 處理客服工作時，發生的是價值的雙向創造：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移。

更深層的變化在于：產品的目標函數徹底反轉了。

• 注意力經濟的產品目標：讓你花更多時間

• 算力經濟的產品目標：讓你花更少時間得到更好結果

• 
  

一個希望你沉迷，一個希望你解放。

這不僅僅是商業模式的差異，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，我們需要回到一個更基礎的物理現實：算力帶寬的指數級增長。

從 2G 到 5G，帶寬增長了 1000 倍，這直接導致了內容消費形態的徹底改變——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？意味著那些曾經因為“太貴”而無法實現的應用場景，現在可以每秒運行一萬次。意味著 Agent 可以不再是單兵作戰，而是可以組成集群，像蜂群一樣協同工作。意味著軟件的“用戶”數量，將從 70 億人類，爆炸到 7000 億個 Agent。

這不是量變，這是生態位的重新分配。

就像寒武紀大爆發，不是因為生物突然學會了進化，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：任務超時從 10 分鐘延長到 48 小時，跨生態插件兼容讓 4000+ 技能可以被調用——這些都是在算力成本足夠低的前提下才敢做的設計。當算力不再是瓶頸，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用

最近參加了幾場 AI Agent 相關的活動，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習輔導，而是和 AI 語音聊天。她不選擇某些更知名的產品，原因很簡單——那些產品的界面看起來太專業了，讓她覺得“不敢用”。

這個細節揭示了一個重要趨勢：AI 產品正在經歷從技術精英到普通大眾的轉變。用創投圈的術語說，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，很多技術人員反而對當前流行的 AI Agent 產品不以為然，認為它們“技術不夠先進”“成本太高”。但他們忽略了一個關鍵事實：技術的大規模采用從來不只取決于性能指標，更取決于用戶體驗、易用性和實際價值。

當普通人開始無壓力地使用 AI 產品，當他們不再關注模型參數和 Benchmark 分數，而只在意“我用得順手嗎”“它真的幫到我了嗎”——這才是技術真正跨越鴻溝的標志。

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 改變人生的華人創業者意味著什么？一句話：跨越鴻溝前是創業的最佳時間點。

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、行業入口甚至全球入口。

這讓我想起三個關鍵策略：

第一，擁抱開源，擁抱生態

鴻溝前后最好的策略不是閉門造車重新發明輪子，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 兼容標準。結果？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。結果？2010 年是幾乎所有中國移動互聯網巨頭（小米、美團）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。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，生態帶來爆發。

第二，高頻打低頻

這個移動互聯網時代的鐵律，在 AI 應用層仍然適用——尋找高頻場景。QClaw 產品負責人、Pala Auto 的創業者在活動中分享了三個高頻場景：

1. 炒股賺錢

2. 找工作

3. 社媒運營自動化

第三，Agent First 設計

未來的 AI 產品不是給人用的，而是給機器調用的，是給 Agent 調用的。Agent First 是什么？說人話就是三個優先：

• 優先考慮 Agent 怎么調用我，而不是人怎么點擊我

• API 優先于 UI 體驗

• 結構化數據優先于視覺呈現

• 
  

比如，使用龍蝦時的 Brave Search 就是 Agent First 的例子。谷歌是 Human First，搜索結構為人設計，有廣告有 UI。而 Brave Search 提供 API，結果結構化，適合 Agent 調用。

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。當它開始以平等姿態進入普通人生活，它就真正進入了跨越鴻溝階段——也正是創業者的黃金階段。

5.投資人和創業者需要重構的三個認知

認知一：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——它要求創業者明確回答：“用戶雇傭這個產品來完成什么任務？”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），是讓整個互聯網經濟成為可能的基礎設施。

關鍵區別在于：

• 人需要“工具幫我完成任務”——這是工具邏輯

• Agent 需要“具備基礎生存能力”——這是生命邏輯

• 
  

當你安裝 OpenClaw 后，發現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，可以容忍學習成本、可以手動填補工具的不足。但 Agent 是自主運行的執行體，它必須具備即時可用的基礎能力，否則整個系統無法運轉。

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”的基礎設施。

認知二：當估值公式失效

上周，我受邀參加一個家族辦公室的內部討論會。

分享結束后的 Q&A 環節，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 調用量永生。但我現在面對的現實問題是：以前一家公司的估值可以按 用戶數 × ARPU × P/S 來算，但現在 Agent 也好，各種 AI 原生應用也好，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。

傳統的估值公式：用戶數 × ARPU × P/S 倍數。

這個公式的底層假設是什么？是用戶具有粘性。一個人習慣了用 Salesforce 管理客戶關系，遷移到另一個 CRM 的成本是巨大的——數據遷移、團隊培訓、流程重建，這些摩擦構成了傳統商業的護城河。

但在 Agent 時代，這三個變量同時出了問題。

第一，“用戶數”這個概念本身模糊了。

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

第二，ARPU 變得極度不穩定。

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

第三，P/S 倍數依賴的“持續性”假設崩塌了。

傳統 SaaS 之所以能享受高倍數，是因為訂閱收入具有高度可預測性。但 AI 原生應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“協議位”；不再估“收入的持續性”，而是估“進化的加速度”。

具體來說，第一個錨點：協議層的卡位價值

在 Agent 時代，最有價值的不是應用層的產品，而是協議層的標準。

這就像互聯網時代，最賺錢的不是某個具體的網站，而是掌握了 TCP/IP、HTTP、DNS 這些底層協議的基礎設施。具體的網站來來去去，但協議層巋然不動。

Stripe 不是一個支付工具，它是 Agent 世界的金融協議。AWS 不是一個云服務商，它是 Agent 世界的計算協議。

估值這類公司，應該看的不是用戶數或收入，而是“協議滲透率”——有多少 Agent 把你的協議當作 default。

第二個錨點：算力轉化效率

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，轉化成了多少價值？

這不是技術指標，而是商業指標。同樣是調用 Claude API，有的公司用 10 萬 token 完成一個任務，有的公司只用 1 萬 token。后者的算力轉化效率是前者的 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：生態位的不可替代性

在一個快速變化的生態中，什么是持久的？不是具體的產品功能，而是生態位。

BotLearn 做的不是一個具體的 Agent 工具，而是在建立一個 Agent 能力提升的基礎設施。即使未來出現了比 OpenClaw 更強的 Agent 框架，Agent 依然需要學習、需要能力提升、需要互相協作。

這就像 GitHub 不依賴于某一種編程語言的流行，因為它占據的是“開發者協作”這個生態位。

認知三：協議比平臺更持久

在 Agent 時代，不要追求做一個“超級應用”，而要追求成為一個“標準協議”。

具體的應用會被快速迭代和替換，但協議層的標準一旦建立，就會長期存在。

問自己：我在建立一個產品，還是在定義一個協議？

6.如何養龍蝦，如何養孩子

在結束今天的分享之前，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，以及我的孩子該怎么養。

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，你也就有了關于未來對自身孩子價值培養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，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 Agent 成為專精的“器”，人類更應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。

“學會”的標準正在從“獨立解題”轉向“人機協作解決更復雜的問題”。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“學會”，是成為 AI 這個超級樂團的指揮家，而不是樂團里被替換的樂手。

學習的四重深層價值：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，人類學習的本質必須從“答案獲取”轉向“意義構建”與“身份塑造”。以下四個維度，構成了不可被 AI 替代的深層價值，也是我們孩子未來的護城河。

第一層：身份構建。學習是“成為某人”的過程。AI 可以替你寫出代碼，但無法替你經歷那種“我能掌控技術”的效能感。身份不是被賜予的，而是在一次次克服認知困難的行動中鍛造出來的。

第二層：意義創造。信息本身是中性的噪音，只有當它與你的個人生命經驗、價值觀或試圖解決的具體問題發生碰撞時，才會產生“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。學習本質上是一種社會準入機制。掌握一門領域的語言，是為了獲得進入該領域共同體的門票。如果完全依賴 AI 生成內容而缺乏內在理解，我們就無法在真實的社會互動中進行即興的、高帶寬的交流，最終會淪為社交網絡中的“空心人”。

第四層：AI 編排能力。在過去兩年內，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，以及如何設計人機協作流程。大腦不僅需要答案，更需要用來安放答案的“結構”。

為什么人文素養是破局的關鍵？

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

去讀哲學——鍛煉批判性思維與元認知。AI 擅長回答“是什么”和“怎么做”，但不擅長追問“為什么”和“應該怎樣”。哲學訓練你質疑前提，審視邏輯框架，思考倫理價值。當你能識別出現有答案背后的預設偏見時，你就能向 AI 提出挑戰其底層邏輯的問題，迫使它跳出常規模式。

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

去逛美術館——培養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。藝術培養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律。AI 的數據主要集中在數字化程度高的近幾十年，往往缺乏深刻的歷史縱深感。歷史學家知道“日光之下并無新事”。了解歷史，你就能看到當前技術浪潮在人類文明長河中的位置，預判可能的社會變遷，從而提出具有前瞻性和戰略性的問題。

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

所以，如何養龍蝦？如何養孩子？

回到這兩個問題，我的答案是：

養龍蝦，就是在學習如何與 AI 協作，如何定義問題，如何編排智能。你要把龍蝦當成實習生或同事來對待——給予它多次教育的機會，不能完全放手，要根據使用的模型質量進行教育和審核。

養孩子，就是在培養他們的身份認同、意義創造、社會連接和 AI 編排能力。

我的建議非常簡單：

1.幫孩子設立積極的目標：不要讓孩子為了學習而學習，而是幫他們設立積極的、有意義的目標

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。關鍵是要培養他們主動思考、質疑、改進的能力

3.采用基于項目的學習方式：讓孩子在完成一個個真實項目的過程中，自然地學習知識，建立能力，形成身份認同

4.培養孩子的主體性：讓他們有自主動機和自我實現的目標。當孩子有了清晰的“為什么”，AI 就能成為他們實現目標的翅膀

這兩件事本質上是一樣的——都是在探索人機協作的未來，都是在為新時代做準備。

7.尾聲：站在分水嶺上

回到我開頭講的那個深夜。

當我盯著終端里“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，當第一批互聯網創業者在車庫里敲代碼時，絕大多數人還在爭論“網上購物是不是偽需求”。2007 年，當喬布斯發布 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。當軟件的用戶從人變成 Agent，當 70 億人類用戶變成 7000 億個 Agent——這不是技術升級，這是物種更替。

寒武紀大爆發用了 2000 萬年。互聯網革命用了 20 年。而 Agent 時代的爆發，可能只需要 2 年。

珍惜這最后的“摩擦”

但在結束之前，我想說一句可能有些矛盾的話：

在我們全力奔向那個高效、精準、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反側。它們會以納秒級的速度完成信息交換，以完美的邏輯達成最優解。

但也正因如此，它們永遠無法理解：

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光的表達。

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。

我不是在反對進步。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，當你回到辦公室，打開你的 OpenClaw，看著那個小龍蝦圖標時，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）