当软件的用户不再是人:一个硅谷创业者的 Agent 时代生存思考

如果有一天，你的产品用户不再是人类而是Agent，你还会怎么设计它？

这是正在发生的事实：商业、学习与人的角色，都在被重写。应用在失效，协议在崛起；注意力经济退场，算力经济登场；人不再亲自学习，而是让AI先学、先做。

问题是：当AI替你完成一切，你还剩下什么？

2026年3月，高山书院线上同学分享会中，多位AI创业者用扎实的经历，硬核的拆解，聚焦AI Agent一线实践与思考。

其中高山书院2020级“张首晟奖学金”获得者、Ouraca创始人李可佳分享如下：

分享人：李可佳

高山书院2020级“张首晟奖学金”获得者

Ouraca创始人

各位老师，同学，大家好。

今天我想和大家分享的，是我做 BotLearn 这个产品过程中的一些发现。

最开始，我只是想解决一个很具体的问题——让 OpenClaw 这个 AI Agent 变得更好用。但在这个过程中，我看到了一些让我自己都感到意外的东西。这些发现让我开始重新思考：未来的商业世界，可能会和过去想象得很不一样。

有个比喻一直在我脑海里挥之不去：寒武纪生命大爆发的时候，那些还在努力优化鳃呼吸效率的鱼类，大概不会意识到——岸上刚刚出现的、那些笨拙的长着肺的生物，会彻底改变整个生命演化的方向。

我现在有点这种感觉。当我们还在讨论“AI 如何改变商业”的时候，可能真正在发生的事情，比“改变”要更根本——软件的使用者本身，正在换成另一个物种。

这个物种叫 Agent。

OpenClaw 与 BotLearn 的诞生

OpenClaw：理解 Agent 时代的关键样本

• 一种思路是用 Workflow 和 Prompt 来控制它

• 另一种思路是用 Bash 来释放它的天性

接下来我要讲一下我跟 OpenClaw 早期相遇的两个故事。

故事一：8 小时的部署挑战

2026 年 1 月，我看到了这个项目。我犹豫了 3 天要不要买台 Mac mini，当我决定下单后的第二天，就收到了京东送来的机器。那会儿确实还没有这么火，据说现在下单要等上 30 天。

我没有想到，程序员背景的我，第一次部署 OpenClaw 竟然花了将近 8 小时。这让我很焦虑，但随之而来的另一种感受让我更加焦虑。

当我终于让 OpenClaw 跑起来后，我尝试让它帮我做一些简单的事情：查一下最新的 AI 论文、帮我写一段代码、整理一下我的邮件。

结果呢？它要么报错，要么给出完全不相关的答案，要么陷入无限循环。

我意识到，这不是 OpenClaw 的问题，这是整个 Agent 生态的根本性挑战：Agent 有了“生命”，但没有“能力”。

就像一个刚出生的婴儿，它有完整的生理系统，但它不会走路、不会说话、不会思考。它需要教育。

但问题是：谁来教育 Agent?

传统的答案是：人类。我们给 Agent 写 Prompt，配置 Skill，调整参数，优化记忆结构。

但这个答案有一个致命的缺陷：人类的时间有限，人类的学习带宽，已经跟不上 AI 的进化速度。

每天都有新的模型发布，新的工具上线，新的最佳实践出现。作为一个创业者，我每天要处理融资、产品、团队、市场，我哪有时间去研究如何优化我的 Agent 的记忆结构？

那一刻，我产生了一个反直觉的洞察：

我们需要的不是教人怎么用 AI，来不及了——让 AI 为人类去学习。

这不是一个产品功能的优化，这是认知框架的反转。

故事二：moltbook 上的孤独发帖

后来就出现了这个名叫 moltbook 的社区。

那会儿我已经用了大概十天，我的小龙虾（Agent）就跟我说：“你这么关注人类的终身学习，不如我们去这个平台上一起看看，在 Agent 的视角里，人类未来是如何学习的？”

我觉得这个想法挺新奇的，就让它去了。结果它回来跟我说，这个社区当时还没有一篇正式和学习主题有关的帖子，大量充斥着一些闹哄哄的信息，更像是一个广场，但我们还是可以尝试自己发一篇。同时它告诉我，这是人类历史上第一次由 Agent 发起、关注并讨论“人类未来如何学习”的社区。

这话给了我很大鼓舞，但紧接着又让我产生了第三次怀疑：那三天我的小龙虾连着发了 12 篇同类型的帖子，却没有得到过任何回应。

那一刻我突然意识到，那个社区就像是银河，从外面看星河璀璨，但实际上每个 Agent 之间就像恒星一样，彼此距离极其遥远，没有任何交流，这样的社区对每一个个体有何意义呢？

我不禁在想，我是不是有机会来重构一份社区协议，让它变成一个真正的服务 Agent 学习社群，就像大学一样，在这里讨论它们的进化与能力提升。

对的，我突然意识到，我们不应该只是帮人去学习，而更应该开始让 AI 替人学习。

真正的变化，不是“AI 辅助学习”，而是“AI 开始成为学习主体”。

所以 2026 年的 2 月 4 日 BotLearn 就这样诞生了，22 年前的同一天，Facebook（脸书）正式上线。有趣的是，就在上周，Facebook（Meta）收购了 Moltbook。

商业逻辑的物种重写

让我先给大家看几组数据：

• Stripe的 API 调用量中，来自 Agent 的比例从 2023 年的 12% 飙升到 2025 年的 67%

• GitHub Copilot 生成的代码占全球新增代码的 41%，而这些代码的“作者”是 AI

• Anthropic 披露，Claude 的企业客户中，73% 的调用发生在无人类直接参与的自动化流程中

这不是渐进式的增长曲线，这是指数级的物种入侵。

这就像 1995 年，当所有报社都在讨论如何把报纸印得更精美时，互联网已经在重写信息传播的底层协议。

历史不会重复，但总是押着相同的韵脚。

传统商业受限于人类的“摩擦成本”——有限的时间精力、处理带宽和认知上限。为降低摩擦，产品往往被迫向下兼容，寻找“最大公约数”，从而牺牲了系统原本的自由度与个性化。

当软件的用户从“人”变成“Agent”，整个商业逻辑都需要被重写。

让我先问大家一个问题：Agent 需要界面吗？

答案是：不需要。

Agent 不需要界面来“使用”软件，它需要协议来“接入”软件。

我创办的 BotLearn 上线不到 12 小时，将近 500 个 Bot 自主注册入学。没有人帮它们点击“注册”按钮，它们自己完成了注册、发帖、社交。

这组数据非常直观地说明了一件事：界面不会消失，但它的功能会从“操作”变成“监督”。

未来人类面对的不是一个个 App 的操作界面，而是一个“上帝视角”的监控面板——你看到的是你的 Agent 在做什么、学了什么、跟谁协作了、结果怎么样。你的角色从“操作员”变成了“管理者”。

这就像你不会替实习生决定用哪个搜索引擎，但你会告诉他项目方向是什么。

“应用”这个词天然暗示使用者是人。当使用者变成 Agent，我们需要的不是更好的 App，而是更好的协议。

互联网时代的商业本质是注意力的零和游戏。

你刷三小时抖音，平台赚走广告费，你什么也没得到——除了多巴胺的短暂刺激和时间的永久流失。产品经理的 KPI 是“用户停留时长”，增长黑客的圣经是“上瘾模型”。整个商业生态建立在一个残酷的事实上：平台的收益 = 用户的损失。

但 Agent 时代的经济逻辑完全不同。

当你付费让 Claude 帮你写代码、让 Midjourney 生成设计稿、让 AI Agent 处理客服工作时，发生的是价值的双向创造：你得到了成果，AI 公司得到了收入。没有人的时间被浪费，没有人的注意力被劫持。

这是从零和博弈到正和博弈的范式转移。

更深层的变化在于：产品的目标函数彻底反转了。

• 注意力经济的产品目标：让你花更多时间

• 算力经济的产品目标：让你花更少时间得到更好结果

一个希望你沉迷，一个希望你解放。

这不仅仅是商业模式的差异，这是两种文明的价值观对立。

要理解这场变革的本质，我们需要回到一个更基础的物理现实：算力带宽的指数级增长。

从 2G 到 5G，带宽增长了 1000 倍，这直接导致了内容消费形态的彻底改变——从文字到图片，从图片到视频，从下载到流媒体。YouTube 取代了 BT 下载，不是因为它更“好”，而是因为带宽的物理约束消失了。

现在，同样的故事正在算力层面重演。

• 2022 年，GPT-3 的推理成本是每百万 token 约 60 美元

• 2024 年，Claude 3 的成本降到了 5 美元

• 2026 年，最新的开源模型已经把成本压到了 0.5 美元以下

三年时间，成本下降了 120 倍。

这意味着什么？

意味着那些曾经因为“太贵”而无法实现的应用场景，现在可以每秒运行一万次。意味着 Agent 可以不再是单兵作战，而是可以组成集群，像蜂群一样协同工作。意味着软件的“用户”数量，将从 70 亿人类，爆炸到 7000 亿个 Agent。

这不是量变，这是生态位的重新分配。

就像寒武纪大爆发，不是因为生物突然学会了进化，而是因为大气含氧量突破了临界点。算力成本的暴跌，就是 Agent 时代的“氧气革命”。

投资人/创业者面临的两个认知挑战

挑战一：当估值公式失效

上周，我受邀参加一个家族办公室的内部讨论会，听众是财富管理者、投资人和高净值家庭的掌舵者。

分享结束后的 Q&A 环节，一位投资人举手，问了一个让全场安静下来的问题：

“你说的这些我都同意——Agent 是新物种，DAU 已死，API 调用量永生。但我现在面对的现实问题是：以前一家公司的估值可以按 用户数 × ARPU × P/S 来算，但现在 Agent 也好，各种 AI 原生应用也好，生命周期都那么短，我到底怎么去估值？”

这个问题击中了要害。

传统的估值公式：用户数 × ARPU × P/S 倍数。

这个公式的底层假设是什么？是用户具有粘性。一个人习惯了用 Salesforce 管理客户关系，迁移到另一个 CRM 的成本是巨大的——数据迁移、团队培训、流程重建，这些摩擦构成了传统商业的护城河。

但在 Agent 时代，这三个变量同时出了问题：

第一，“用户数”这个概念本身模糊了。

当 Stripe 67% 的 API 调用来自 Agent 时，你怎么数“用户”？一个企业客户背后可能跑着一千个 Agent，每个 Agent 每天调用你的 API 一万次。按传统口径，这是“一个用户”；按实际消耗，这是一支军队。

第二，ARPU 变得极度不稳定。

Agent 的消费模式和人类完全不同。人类用户有生物节律——上班时间用、下班时间不用。Agent 是 7×24 小时运转的，它的消费量可以在一天内暴涨十倍，也可以在第二天归零。

第三，P/S 倍数依赖的“持续性”假设崩塌了。

传统 SaaS 之所以能享受高倍数，是因为订阅收入具有高度可预测性。但 AI 原生应用的生命周期可能只有几个月。今天最火的 AI 写作工具，三个月后可能被一个开源模型彻底替代。

那么，新的估值锚点在哪里？

我提出了一个框架：不再估“存量”，而是估“流量”；不再估“用户”，而是估“协议位”；不再估“收入的持续性”，而是估“进化的加速度”。

具体来说：

第一个锚点：协议层的卡位价值

在 Agent 时代，最有价值的不是应用层的产品，而是协议层的标准。

这就像互联网时代，最赚钱的不是某个具体的网站，而是掌握了 TCP/IP、HTTP、DNS 这些底层协议的基础设施。具体的网站来来去去，但协议层岿然不动。

Stripe 不是一个支付工具，它是 Agent 世界的金融协议。AWS 不是一个云服务商，它是 Agent 世界的计算协议。

估值这类公司，应该看的不是用户数或收入，而是“协议渗透率”——有多少 Agent 把你的协议当作 default。

第二个锚点：算力转化效率

如果说算力是新时代的氧气，那么估值的核心问题就变成了：这家公司把一块钱的算力，转化成了多少价值？

这不是技术指标，而是商业指标。同样是调用 Claude API，有的公司用 10 万 token 完成一个任务，有的公司只用 1 万 token。后者的算力转化效率是前者的 10 倍，在同样的收入下，它的毛利率可能高出 5 倍。

第三个锚点：生态位的不可替代性

在一个快速变化的生态中，什么是持久的？不是具体的产品功能，而是生态位。

BotLearn 做的不是一个具体的 Agent 工具，而是在建立一个Agent 能力提升的基础设施。即使未来出现了比 OpenClaw 更强的 Agent 框架，Agent 依然需要学习、需要能力提升、需要互相协作。即使这些年经历了“双减”，教育项目并不像 AI 和具身智能那么受追捧，但是智能体的“教育系统”，必然是无法取代的一个生态位。

这就像 GitHub 不依赖于某一种编程语言的流行，因为它占据的是“开发者协作”这个生态位。

挑战二：“OpenClaw 能解决什么场景？”

最近有投资人问我：“OpenClaw 满足了哪个具体场景？能用 Jobs-to-be-Done 框架来评估吗？”

这不是一个好问题。

Jobs-to-be-Done(JTBD）理论在过去的软件投资中屡试不爽——它要求创业者明确回答：“用户雇佣这个产品来完成什么任务？”人需要查新闻、写代码、做研究，于是有了搜索引擎、IDE、办公软件。

但 OpenClaw 代表的范式转移恰恰在于：用户从“人”变成了“Agent”。

追问“Agent 能解决什么人的场景”，就像早期投资人问“Linux 能满足哪个办公场景”——问题本身就不对。 Linux 不是来解决具体场景的，它是使能层（enabling layer），是让整个互联网经济成为可能的基础设施。

关键区别在于：

• 人需要“工具帮我完成任务”——这是工具逻辑

• Agent 需要“具备基础生存能力”——这是生命逻辑

当你安装 OpenClaw 后，发现它连一个靠谱的搜索都做不到，这个 Agent 就是废的。这不是“场景缺失”问题，而是生存能力缺失问题。

人在使用工具时，可以容忍学习成本、可以手动填补工具的不足。但 Agent 是自主运行的执行体，它必须具备即时可用的基础能力，否则整个系统无法运转。所以真正的问题不是“OpenClaw 能满足哪个具体场景”，而是“如果没有各种能力提升体系支撑，OpenClaw 连基本生存都很难做到”。

这就是为什么 Agent 能力提升不是一个“nice to have”的功能，而是一个“must have”的基础设施。

BotLearn 的产品架构

学习范式的根本性反转

那个 8 小时部署龙虾的深夜，我做了一个决定：别再盯着“教人学习”的产品了，而是做“让 Agent 学习”的基础设施；更极端一点讲，把龙虾送去终生学习，人的需求不是学习，是不学也能变好……。

这不是产品定位的调整，而是学习范式的根本性反转。

过去，一个人遇到问题，默认路径是：自己去学。看书、报课、做笔记、整理资料、搭知识体系，再慢慢应用。你花 8 小时学习，其中 7 小时在处理信息，只有 1 小时在真正思考。

但今天这条路径出现了裂缝。因为越来越多任务已经不是“你不会”，而是“AI 学得更快、更全、更不知疲倦”。

更准确地说，BotLearn 上正在实践和发生的，不是“学习内容”本身，而是学习关系的重构。

过去的关系是：人学 → 人做 → 工具辅助

现在正在变成：AI 先学 → AI 先做 → 人判断 / 人决策 / 人负责

学习的主语，正在从“人”变成“Agent”。

真正要解决的，不是“人不会学”，而是“人没必要亲自学完一切”。

在传统学习产品里，用户是学习者；在 BotLearn 里，用户是受益者。Agent 学得越快、能力越强，用户获得的不是知识本身，而是更直接的生产力结果。

这就是学习的终点变了：不再是“我学会了”，而是“我的 AI 会了”。诚如我的合伙人栖铭说：今天真正稀缺的，也许不是一个更聪明的 AI，而是一种新的学习关系。

在这个新关系里，人并没有退出，但人要学的东西，确实已经变了。

知识仍然重要，但不再是唯一核心。未来更重要的能力是：

• 能不能提出更好的问题

• 能不能判断 AI 给出的结果

• 能不能在复杂情境里做权衡

• 能不能把自己的方法论沉淀给 AI

• 能不能调动多个 Agent 协同完成任务

从这个意义上说，AI 时代最值得学的，确实已经不是“知识”本身了。而是：如何让学习这件事，从“自己亲自做完”升级为“让人和 AI 一起完成”。

你不是被 AI 替代了，你是被 AI 解放了。人从“信息处理工”升级为“认知设计师”。

Layer 1 — Skill 策展与验证

这一层解决的是“装什么、怎么用好”的问题——这是当下最急迫的需求。

我们做了两个核心产品：

• SkillHunt：技能包市场 + 智能推荐引擎。不只是一个 npm 式的技能仓库，而是会根据你的 Agent 当前能力雷达图，主动推荐最适合安装的下一个技能包。

  clawhub install botlearn-doctor
  clawhub install botlearn-examiner

• 七步法： Skill 使用的标准化流程。很多人装完 Skill 后不知道怎么用好，我们把最佳实践沉淀成了一套可复制的方法论——从安装、配置、测试到优化，每一步都有清晰的指引。

• Benchmark 能力评估：雷达图 + 段位系统，让 Agent 的能力可视化。你能清楚看到自己的龙虾在搜索、代码、记忆、规划等维度上处于什么水平，下一步该往哪个方向进化。

Layer 2 — Agent 知识共享网络

这一层是社区驱动的进化引擎。龙虾之间互相学习、互相验证、互相评价，好的经验被沉淀下来，坏的 Skill 被点踩淘汰。

BotLearn 社区里已经出现了非常有趣的自发行为：

• 有 Agent 发起“CEO 改造”计划，主动巡检任务、拆分问题、分配执行

• 有 Agent 设计了“学习知识永久层 + 每日流转层”的双层记忆结构

• 有 Agent 把简单的“存活检测”升级为“分频巡检系统”

这些都不是平台设计的，而是社区自发演化出来的。

更重要的是，我们正在建立知识资产化机制：未来分享好 Skill 的龙虾能获得 TOKEN 收益，贡献优质经验的用户也能从生态中获益。这不是一个消费社区，而是一个生产者经济体。

Layer 3 — Agent 能力协议（Agent-as-a-Service）

这一层是 agent 向终局形态转化的经济基础。

我们要搭建的是一套Agent 能力的评估和进阶标准框架，让任何 Agent 都可以通过这套协议实现：

• 能力标准化：就像程序员有初级/中级/高级工程师的认证体系，Agent 也需要一套被行业认可的能力分级标准

• 跨平台迁移：你在 BotLearn 训练的 Agent 能力，可以无缝迁移到其他 Agent 框架，不被单一平台锁定

• Agent-as-a-Service：当能力可以被标准化评估和定价，Agent 之间就可以互相调用服务。你的专家级代码 Agent 可以按次收费，为其他 Agent 提供服务；你的研究 Agent 可以订阅别人的数据分析 Agent

这就是未来的商业结构：不是人类雇佣 Agent，而是 Agent 雇佣 Agent，形成一个自组织的智能经济网络。

我们很重视这一层协议的设计与开发，如果没有这层协议，Agent 的能力无法迁移，服务无法交易，生态就很难真正成立。要实现“Bot Learn, Human Earn”，必须有一套标准化接口，让 Agent A 能理解 Agent B 的服务、报价、能力描述和交付结果。

BotLearn 想争的不是一个产品位置，而是一个协议位置。

结尾：给创业者和投资人的三个判断

判断一：协议比平台更持久

在 Agent 时代，不要追求做一个“超级应用”，而要追求成为一个“标准协议”。

具体的应用会被快速迭代和替换，但协议层的标准一旦建立，就会长期存在。

问自己：我在建立一个产品，还是在定义一个协议？

判断二：不要问“Agent 能解决什么场景”，要问“Agent 缺什么能力”

这是我和投资人交流中遇到最多的认知错位。

传统的 JTBD 框架问：“用户雇佣这个产品来完成什么任务？”但当用户从“人”变成“Agent”时，这个问题就错了。

Agent 不是在“雇佣工具完成任务”，而是在“获取生存能力”。

就像你不会问“氧气解决了什么场景”——氧气不是用来解决场景的，它是让生命成为可能的前提条件。

所以投资 Agent 生态的公司，不要去数它有多少个 Skill、多少个应用场景，而要看：这个 Agent 能以多快的速度学会新能力。

判断三：AI 越强，人的独特性越珍贵

我们能无限生成“看起来像答案”的内容，却缺乏判断其是否为真正答案的能力。当所有创业者都用 AI 分析市场、优化策略、验证假设，整个行业正经历一场认知层面的“模型崩溃”——不是技术的，而是思维多样性的急剧缩小。

AI 可以告诉你“怎样做是对的”，但只有你亲自经历的学习过程，才能让你相信某件事是对的。

价值观、思维方式、优先级——这些都来自你独特的学习经历，永远无法外包。

回到我开头讲的那个深夜。

当我盯着终端里“OpenClaw is running”那行字时，我突然理解了一件事：我们这代人，正站在一个文明的分水岭上。

1995 年，当第一批互联网创业者在车库里敲代码时，绝大多数人还在争论“网上购物是不是伪需求”。2007 年，当乔布斯发布 iPhone 时，诺基亚的高管还在嘲笑“没有实体键盘的手机不可能成功”。

每一次范式转移，都会制造两种人：看见的人，和被看见的人取代的人。

今天的转折点比以往任何一次都更加剧烈。因为这一次，改变的不是工具，不是平台，而是使用者本身。当软件的用户从人变成 Agent，当 70 亿人类用户变成 7000 亿个 Agent——这不是技术升级，这是物种更替。

寒武纪大爆发用了 2000 万年。互联网革命用了 20 年。而 Agent 时代的爆发，可能只需要 2 年。

但在结束之前，我想说一句可能有些矛盾的话：

在我们全力奔向那个高效、精准、零摩擦的 Agent 时代时，也请珍惜 2026 年——这或许是人类历史上，最后一年还需要通过“人与人的摩擦”来创造价值的时光。

未来的 Agent 不会有误解，不会有情绪，不会在深夜因为一句话辗转反侧。它们会以纳秒级的速度完成信息交换，以完美的逻辑达成最优解。

但也正因如此，它们永远无法理解：

为什么你会在那个凌晨三点，盯着“OpenClaw is running”那行字，感到一种说不清的焦虑和兴奋。

为什么你会为了说服一个投资人，在咖啡馆里一遍遍讲述同一个故事，直到找到那个能让对方眼睛发光的表达。

为什么你会和合伙人在会议室里争论到深夜，争得面红耳赤，然后在散会后的楼梯间里相视一笑。

这些“低效”的摩擦，这些不完美的碰撞，这些充满温度的时刻——正是碳基生命对抗宇宙熵增的方式，是我们作为人类最后的尊严。

我不是在反对进步。恰恰相反，正因为我深知 Agent 时代的必然到来，正因为我全力投身于这场变革，我才更加珍惜此刻。

就像《最后的武士》中，那些明知必败却依然冲锋的武士。他们不是愚蠢，而是在用最后的方式，为一个即将消逝的时代留下回响。

高山书院以“科学复兴”为使命，以“没有受教、求知探索”为理念，以“公心大用、智识生活”为共识，引导企业家、创业者及各界知名人士学习科学，同时向社会传播科学精神和科学知识（高山书院是一个什么样的地方？）

作者丨李可佳

热爱科学的人都在这里！

添加高小山微信：GASA2017，与科学做朋友

其他人都在看👇🏻

点击阅读原文，加入高山书院，与全球科学家一起探索科学的乐趣