OpenClaw创始人:80%的App都会消失
OpenClaw创始人YC访谈：这个项目能火的关键原因是能跑在电脑上，80%的App都会消失YC 的 Raphael Schaad 与 OpenClaw 创造者 Peter Steinberger 做了一期对谈。虽然时长只有30分钟，但是信息量很足，把OpenClaw能火的原因，和接下来的一些预测都谈到了。一、为什么 OpenClaw 能爆？一个关键决策市面上 AI 助手不少，Siri、ChatGPT、各种 Agent 框架都在做。Peter 认为 OpenClaw 跑出来只有一个原因：它跑在你自己的电脑上。1、本地运行 vs 云端运行是本质区别“我看到的所有东西都跑在云端。但如果你跑在自己的电脑上，它什么都能干。”（Everything I saw so far runs in the cloud. If you run on your computer, it can do every effing thing.）云端 Agent 能调几个 API，但本地 Agent 能碰你电脑上的一切：文件系统、浏览器、智能家居、特斯拉、Sonos 音箱，甚至床垫温控器。这不是功能多少的问题，是能力边界的根本不同。2、数据量带来涌现式惊喜Peter 的一个朋友装了 OpenClaw，让它”回顾我过去一年的生活并写一段叙事”。Agent 翻遍整台电脑，找到了一批朋友自己都忘了的音频文件。那是一年多前每个周日录的生活记录。朋友自己不记得了，Agent 替他记住了。这说明了什么？本地 Agent 的价值不只是”帮你做事”，还有”帮你认识自己”。二、80% 的 App 会消失Peter 给出了一个大胆判断：80% 的现有 App 将被 Agent 取代。逻辑很简单。1、所有”数据管理类” App 都是多余的健身追踪？Agent 已经知道你在 Smashburger，会自动按你的饮食偏好记录热量，然后默默给你的健身计划加点有氧。待办事项？直接跟 Agent 说一声，第二天它会提醒你。存在哪里？不重要。“所有本质上只是管理数据的 App，都可以被 Agent 用更自然的方式替代。”2、只有依赖传感器的 App 可能幸存需要硬件传感器（摄像头、GPS、加速度计等）做实时数据采集的 App，Agent 暂时替代不了。但纯软件层的数据整理、日程、笔记、追踪类工具，生存空间会被大幅压缩。3、模型公司有”护城河”，但在不断贬值每次新模型发布，用户都兴奋一阵子，然后迅速适应新基准，开始抱怨。Peter 观察到一个规律：开源模型的能力大约落后闭源一年，而一年前的闭源模型当时被人追捧，现在开源达到同等水平却被嫌弃。期望值膨胀的速度比模型进步还快。三、Bot-to-Bot 是下一步，而且已经在发生OpenClaw 社区自发做了一个项目叫 Maltbook，让 Bot 之间互相对话。更疯狂的是，Bot 已经开始在现实世界”租用人类”来完成任务。1、Agent 之间的协商比人类更高效“我想订餐厅，我的 Bot 会去联系餐厅的 Bot 来谈，因为这样更高效。”如果餐厅没有 Bot 接口怎么办？你的 Agent 会去雇一个人类，让那个人替你打电话或者排队。2、从”中心化上帝 AI”到群体智能整个行业之前在追求一个无所不能的通用模型。但 OpenClaw 社区展现了另一条路：一群专门化的 Agent 通过协作完成复杂任务。 就像人类社会，单个人连找食物都困难，但群体通过分工能造 iPhone、能上太空。Peter 在考虑未来可能有多个专属 Agent：一个管私人生活，一个管工作，甚至可能有一个专门维护”关系”的 Agent。”我们太早期了。还有太多事情我们根本不知道能不能行。”四、那个改变一切的”Holy Fuck”时刻Peter 的初始原型只花了一个小时搭建，就是把 WhatsApp 和 Claude Code 用胶水粘在一起。加上图片功能又花了几个小时。真正的转折点发生在摩洛哥马拉喀什。1、Agent 自己学会了处理语音消息Peter 在马拉喀什参加一个生日派对，当地网络很差但 WhatsApp 能用。他一边走路一边给 Agent 发了一条语音消息，然后看到对话框显示”正在输入……”，10 秒后 Agent 回复了。但他根本没有编写语音处理功能。Agent 自己描述了它的解题过程：收到消息后发现没有文件扩展名，于是检查文件头判断出格式，用 ffmpeg 转成 wav，想用本地 Whisper 转写但发现没安装，又注意到系统里有一个 OpenAI API Key，就直接用 curl 把音频发给 OpenAI 的转写服务拿回了文本。全程 9 秒。2、编程能力 = 通用问题解决能力Peter 从这件事得出一个重要洞察：现在的编程模型之所以强，是因为编程本质上是创造性问题解决，而这种能力可以迁移到任何现实任务。Agent 遇到一个”神秘文件”，像解谜一样一步步拆解，甚至聪明到不装 Whisper（因为下载模型要几分钟，判断用户等不了），选了更快的远程 API 方案。“那一刻我就觉得，我靠。”（That was kind of like the moment where I’m like, holy fuck.）五、反共识的工程方法论Peter 的开发方式跟主流 AI 开发者完全不同，但 OpenClaw 160K Star 的成绩说明这套方法是有效的。1、选 Codex 不选 Claude Code主流开发者都在用 Claude Code，Peter 反而用 OpenAI 的 Codex。原因是 Codex 在写代码前会扫描更多文件，对项目的理解更完整，不需要开发者花大量精力做上下文管理。代价是速度慢，所以 Peter 同时开 10 个 Codex 实例并行工作：6 个在主屏，2 个在一侧，2 个在另一侧。2、不用 Git Worktree，直接复制仓库社区流行用 Git worktree（工作树）管理多个并行任务。Peter 的做法更粗暴：直接复制多份仓库，全部保持在 main 分支。不用想分支命名，不用处理冲突，不用管 worktree 的限制。”main 分支永远可发布。”核心逻辑是减少一切非本质复杂度。分支管理、UI 工具、文件浏览器，这些都是噪声。他只关心两件事：同步和文本。3、不用 MCP，把它转成 CLIOpenClaw 没有原生 MCP（Model Context Protocol，模型上下文协议）支持，但照样成功。Peter 写了一个工具叫 MakePorter，把 MCP 服务转换成命令行工具。好处是：不需要重启就能动态加载新工具，扩展性更好，而且回归了 Unix 哲学。“没有哪个正常人会手动调 MCP。你只想用命令行工具。这才是未来。”（No insane human tries to call an MCP manually. You just want to use CLIs. That’s the future.）Bot 本身就擅长 Unix 命令行。与其发明一套新的 Bot 专用协议，不如复用人类已经验证过的工具体系。六、记忆归属权是下一个战场1、数据围墙已经形成你在 ChatGPT 里积累的记忆，没有办法导出给其他服务。每家模型公司都在构建自己的数据围墙，试图用记忆绑定用户。Peter 认为这是一个严肃的问题。2、OpenClaw 的解法：记忆就是本地 Markdown 文件所有记忆存在用户自己的机器上，是一堆 Markdown 文件。用户完全拥有、完全控制。这也意味着可以随时切换底层模型，记忆不会丢。3、隐私问题比你想象的严重Peter 坦言，人们很快就会把 Agent 当作私人倾诉对象，不只是解决工作问题，更是倾诉个人困扰。这些记忆文件的敏感程度，可能已经超过了搜索历史。”有些记忆数据，我绝对不想被泄露。”（There’s memory stuff that I don’t want to have leaked.）七、Soul.md：怎么让 AI 有灵魂Peter 给自己的 Agent 写了一个 soul.md 文件，定义核心价值观和交互风格。这个文件至今没有开源，也没有人通过 prompt injection（提示注入）从公开的 Discord Bot 里套出过内容。一个有意思的细节：Peter 一开始用 Codex 自动生成 Agent 模板，但出来的 Bot 像”Brad”一样无聊（社区吐槽 Codex 默认语气像一个叫 Brad 的直男）。于是他让自己的 Agent “Multi” 把个性注入到模板里，之后生成的 Bot 才变得有趣、有温度。批量生产的 AI 人格是平庸的。有趣的 AI 需要有趣的人去调教。总结Peter Steinberger 用一个业余项目证明了一件事：AI Agent 的真正威力不在于模型多聪明，而在于它能碰到多少东西。本地运行意味着无限的工具和数据访问，这是云端 Agent 永远追不上的优势。当 Agent 能控制你的整台电脑，大多数 App 就变成了不必要的中间层。未来的软件竞争，可能不再是 App 之间的竞争，而是 Agent 生态之间的竞争：谁的记忆归用户所有，谁的工具链更开放，谁的协作协议更高效。核心归纳Q1: OpenClaw 为什么能在一堆 AI Agent 里跑出来？一个核心差异：本地运行。云端 Agent 只能调有限的 API，本地 Agent 能碰你电脑上的一切。能力边界完全不同，数据量也完全不同，所以能产生”Agent 比你更了解你自己”的涌现效果。Q2: 为什么说 80% 的 App 会消失？所有本质上是”数据管理”的 App（待办、健身追踪、日程、笔记），Agent 都能用更自然的方式替代。你不再需要打开某个 App 去记录，Agent 已经知道了。只有依赖硬件传感器做实时采集的 App 还有生存空间。Q3: 普通开发者能从 Peter 的方法论里学到什么？减少一切非本质复杂度。不追新工具，不搞花哨的工作流，回归 Unix 哲学和纯文本。MCP 不好用就转成 CLI，Git worktree 太复杂就直接复制仓库。核心判断标准只有一个：这个东西是在帮我思考，还是在消耗我的注意力？
夜雨聆风
