序章：从喧嚣到沉静，“龙虾” AI 助手价值的回归

三个星期前，一场被戏称为“龙虾热”的风暴席卷而来。OpenClaw，这个名字连同它那标志性的龙虾图标，以一种近乎病毒式传播的速度，从技术圈的核心地带迅速“出圈”，成为了街谈巷议的话题。一时间，社交媒体上充斥着各种各样关于“龙虾”的消息，人们热烈地讨论着 AI Agent 的未来。这番景象，让人联想起上世纪八九十年代那场轰轰烈烈的“气功热”——只不过，当年人们头上顶的是接收宇宙信号的铁锅，如今我们则是在数字世界里为自己戴上了一顶虚拟的龙虾帽，期待着开启智能时代的新篇章。

热潮之下，是普遍的集体焦虑。无数的教程、付费课程如雨后春笋般涌现，它们描绘着一个被 AI 颠覆的未来，并反复强调“再不学习就会被时代淘汰”的紧迫感。许多人被这种论调裹挟着，匆匆投入了这场狂欢，体验了从“付费安装”到“付费教学”，甚至在热情消退后不得不“付费卸载”的完整闭环，被戏称为“一虾三吃”的商业模式，也成了这股热潮中一个略带讽刺的注脚。

然而，当最初的新鲜感和市场的喧嚣逐渐沉淀，许多人冷静下来后发现，“龙虾”在自己的日常工作中似乎并未发挥出传说中的魔力。它要么因为高昂的 API 调用费用而让人望而却步，要么因为找不到合适的应用场景而被束之高阁，最终沦为一个吃灰的“电子宠物”。

那么，这场热潮真的只是一阵风，一阵转瞬即逝的泡沫吗？

我的答案是否定的。恰恰相反，当狂热褪去，当投机者和跟风者散场，我们才真正迎来了审视 AI 助手核心价值的最佳时机。它不应该是一种贩卖焦虑的工具，它的真正使命，是成为一个能够深度融入我们工作流程、改变我们工作范式、实实在在提升生产力的强大伙伴。

在科迈生物，我们很早就开始了对AI工具的使用，以及对“AI原生”组织的思考和构建。三个星期前，我将 OpenClaw 在内部进行了私有化部署，并赋予了它一个更贴合我们期待的名字——「明序」AI 助手，寓意“明辨万里，序贯始终”。在过去的三个星期里，我投入了一定的时间和精力去“喂养”和“训练”它。我们发现，只要有明确的目标、正确的方法和持续的投入，「明序」不仅能用，而且能用得极好，它正在以一种超乎我们预期的方式，重塑着我们团队的工作模式。

3月27日，我在科迈生物内部进行了一次关于OpenClaw实践的分享会。这篇文章是我在分享会上发言的系统整理，希望能向大家完整地、深入地介绍，我们在科迈生物是如何“养”这只“龙虾”的。

我将详细剖析它在六个核心业务场景中的具体应用，拆解其背后驱动价值实现的关键机制，并分享我们从零到一摸索出的实践方法。希望我们尝试打造“AI原生”的团队和组织的这段旅程，能为同样在AI生产力浪潮中探索前行的朋友们，提供一份有价值的参考和启发。

第一章：重新定义 AI 助手——它不只是聊天工具，而是工作环境的原住民

在深入探讨具体的应用场景之前，我们必须首先在认知层面达成一个共识：「明序」（OpenClaw）到底是什么？如果不能准确地理解它的本质，我们就很容易用旧地图去寻找新大陆，将其误用、低估，最终导致失望。

如果用一句话来定义，我会说：它是一个拥有完整上下文、并且可以被持续“养成”的，住在我们工作环境（飞书）里的原生数字助理。

这个定义包含了两个至关重要的核心特性，正是这两个特性，将它与我们所熟知的 ChatGPT 网页版、Codex 等工具彻底区别开来。

核心特性一：环境原住民与上下文的完整性

我们都曾体验过 ChatGPT 的强大，但那种体验往往是“断裂”的。它像一个无所不知但记忆短暂的外部顾问，你需要不断地将你工作中的背景信息、文档片段、代码块、讨论记录，通过复制粘贴的方式“喂”给它。这个过程不仅繁琐低效，更致命的是，它丢失了海量的、隐性的、非结构化的上下文（Context）。

“上下文”是释放大模型能力的“圣杯”。一份报告的价值判断，离不开对项目历史的了解；一段代码的优劣，取决于它在整个系统架构中的位置；一句对话的真正含义，需要结合前后几十条聊天记录才能准确把握。当我们将信息从其原生环境（例如飞书群聊、在线文档）中抽离出来时，这些至关重要的上下文就丢失了。

而「明序」的革命性在于，它不是一个“外挂”工具，而是我们工作环境的“原住民”。通过与飞书的深度集成，它被赋予了合规的权限，能够直接“生活”在我们的信息流之中。这意味着：

它可以阅读：它可以浏览指定的飞书群聊历史，理解一个项目从启动到现在的来龙去脉。

它可以访问：它可以打开我们授权的飞书文档，消化一份几十页的研究报告或项目计划。

它可以感知：它知道每一次讨论的参与者是谁，他们的角色是什么，这使得它的回应更具针对性。

当一个 AI 掌握了你工作的完整上下文时，它的理解力便发生了质的飞跃。你不再需要费力地向它解释“我们上次讨论的那个方案”，你只需说“继续我们上午的话题”，它就能心领神会。这种无缝、低摩擦的交互体验，是实现真正智能协作的第一步。

核心特性二：“养成系”助手与个性化的进化

我们常常开玩笑说“养龙虾”，这个“养”字，精准地捕捉到了使用这类工具的第二个核心精髓。它不是一个出厂设置即固化的静态产品，而是一个具有成长性的、可以被持续塑造的动态伙伴。这个“养成”的过程，主要通过其独特的长期记忆（Long-term Memory）和技能（Skills）系统来实现。

这就像是为公司 onboarding 一位极具潜力的新员工。在初期，你需要投入时间和精力：

设定它的人格与行为准则：在它的“核心记忆”中，你可以明确定义它的沟通风格。你希望它是一位言简意赅、直击要害的执行者，还是一位循循善诱、解释详尽的导师？这些都可以被设定。

教会它你的工作流程与方法论：这就是强大的“技能（Skills）”系统。我们可以将团队内部经过验证的、高效的工作流程、思考框架、检查清单，编写成一个“Skill”。例如，我们可以将“项目复盘”这一复杂任务，拆解为“读取所有相关文档 -> 识别关键里程碑 -> 总结成功经验与失败教训 -> 提出改进建议”等一系列结构化的步骤，并将其教会给「明序」。

让它记住关键的知识与偏好：无论是公司的核心业务、产品线、组织架构，还是你个人在报告中偏好的图表风格、邮件沟通中的常用语，都可以存入它的“记忆库”。

这个“养成”的过程，是一个双向塑造的过程。一方面，你教给它的技能越多，它能为你分担的工作就越复杂、越有价值，它会变得越来越懂你、懂你的团队、懂你的业务。另一方面，这个过程也反向地“逼迫”我们自己去深度地、系统地思考和梳理我们的工作。为了教会 AI，我们必须首先将那些模糊的、凭经验进行的隐性知识，清晰化、结构化、流程化。这本身就是对个人和组织能力的一次巨大提升。

随着时间的推移，你所拥有的，将不再是一个千人一面的通用大模型，而是一个深度定制、与你和你的团队共同进化的“专属数字助理”。

第二章：价值落地——「明序」在科迈生物的六大核心应用场景

理论的阐述终究是抽象的。一个工具的真正价值，必须在解决真实世界问题的实践中得到检验。在过去的三周里，我们围绕「明序」探索并固化了六个核心应用场景。这些场景并非凭空想象，而是源于我们工作中实实在在的痛点。

场景一：会议知识沉淀，让转瞬即逝的讨论变为可复用的知识资产

切肤之痛：作为一家以AI抗体设计为核心方向，每天都在寻求前沿技术突破的知识密集型企业，我们每周都会进行大量的研发会议和学术思辨讨论。飞书的会议录制和语音转录功能为我们保留了原始记录，但这带来了新的问题。这些记录往往长达一至两小时，内容庞杂，充满了口语化的表达、重复和冗余信息，人工重新阅读和理解的效率极低。许多宝贵的项目经验、技术决策的思考过程、思想碰撞的火花，就这样沉睡在海量的文字记录中，随着时间的流逝而被遗忘。每次人员更迭时，大量隐性知识随之流失，这对于公司而言是巨大的无形损失。一直以来，我们都没有一个很好的方法来对这些碎片化的内容进行高效、便捷的知识沉淀和经验总结梳理。

「明序」的解决方案：我们设计了一套自动化的“会议知识炼金术”工作流，将粗糙的会议记录矿石，提炼为高价值的知识黄金。

创造的价值：这套流程彻底改变了我们对待会议记录的方式。它不再是一次性的沟通记录，而是成为了一个持续增长、可检索、可复用的动态知识库。新员工可以通过阅读这些主题文档，快速了解一个项目的技术演进历史；研发团队在开启新课题时，可以迅速回顾历史上相关的决策和踩过的坑，避免重复劳动。知识，真正地开始在组织内部沉淀、流动和增值。

场景二：长周期项目复盘，为复杂系统提供全景式的“上帝视角”

切肤之痛：我们的很多研发项目周期往往横跨数月甚至一年以上。在如此漫长的周期中，项目信息如涓涓细流，散落在项目群的数千条聊天记录、几十个版本的飞书文档、以及各种附件之中。项目结束时，要求项目经理进行一次全面、客观、深入的复盘，往往是一项极其痛苦的“考古”工作，不仅耗时耗力，而且极易因为信息遗漏或个人主观偏见，导致复盘流于形式，无法触及问题的本质。

「明序」的解决方案：我们让「明序」扮演了“首席复盘官”的角色。 我们以项目的飞书群组为单位，授权「明序」在指定时间范围内，对该群组内的所有信息载体——包括聊天记录、所有文档的历史版本、图片、乃至代码片段——进行一次彻底的“阅读”。然后，我们基于一套成熟的项目复盘方法论（例如，从“项目目标与实际成果对比”、“关键里程碑与延期分析”、“技术方案选型与迭代”、“团队协作与沟通效率”、“外部依赖与风险管理”等维度），让它自动生成一份结构化的深度复盘报告。

创造的价值：「明序」的复盘报告常常带给我们惊喜，甚至可以说是“惊吓”。因为它没有任何人类的偏见和情感，它能“看到”所有被我们忽略的细节。例如，在一个真实的项目复盘中，它敏锐地指出了多个核心问题：“项目目标在“合作交付”和“方法验证”之间反复切换；外部合作节奏与内部研发节奏并不一致。”这种基于全量数据、绝对客观的第三方视角，如同为项目做了一次精准的“CT扫描”，帮助我们发现了许多流程和管理上的“病灶”，其价值远超任何形式的人工总结。

场景三：客户调研与拜访，从“信息搬运工”到“智能策略顾问”

切肤之痛：对于我们的销售和商务拓展（BD）同事而言，每一次成功的客户拜访，都建立在扎实的准备工作之上。在过去，这意味着要花费大量时间在搜索引擎、公司官网、新闻稿、财报中搜集客户信息，然后手动整理成一份拜访纪要。这个过程重复、繁琐，且信息的深度和广度很大程度上依赖于个人的能力和投入。

「明序」的解决方案：我们将这个流程升级为“客户洞察引擎”。 现在，BD同事只需要在飞书群里@「明序」，并输入客户公司的名称，例如“分析一下XX制药公司”。「明序」便会自动启动全网信息检索，并在几分钟内，按照我们预先定制的模板（包含公司概况、核心产品/管线、最新动态、组织架构、技术需求等），生成一份内容详实、格式规整的客户背景调研报告，并直接创建为飞书文档。

更关键的是，我们还将科迈生物自身的产品手册、服务目录、成功案例等内部知识“喂”给了它。因此，在完成基础调研后，它还能进行第二步的“策略建议”：“鉴于XX公司在XX领域的布局，科迈的AI抗体设计平台在特定表位上的抗体从头设计能力，可能成为一个极具吸引力的切入点。建议在交流中，可以重点展示我们在该领域的案例A和案例B。”

创造的价值：这套方案将我们的商务团队从繁重的信息搜集工作中解放出来，让他们能将宝贵的精力聚焦于更高价值的策略思考和客户沟通上。每一次客户拜访，都变得准备更充分、沟通更具针对性、成功率也更高。

场景四：人才招聘评估，为面试官提供精准的“决策辅助系统”

切肤之痛：招聘是公司发展的生命线，但筛选海量简历、评估候选人与岗位的高度匹配性，是一项极其消耗人力资源和业务部门面试官精力的工作，尤其是在算法、研发等专业性极强的岗位上。

「明序」的解决方案：我们为招聘流程引入了“AI初筛面试官”。 HR同事只需将候选人的简历（PDF或Word格式）和目标岗位的职位描述（JD）一同发给「明序」，它就能在短时间内，从多个维度进行交叉比对和深度分析，并输出一份结构化的评估报告。报告会清晰地列出：候选人的技能与JD要求的匹配度评分、项目经验的亮点与疑点、以及根据简历内容建议在面试中追问的具体问题。

创造的价值：这极大地提升了简历筛选的效率和质量，确保了每一位进入面试环节的候选人都经过了标准化的、客观的初步评估。更加重要的是，我们可以将对候选人评判的标准、最看重的关键特质等写入到简历初筛的 skills 中，让评估结果与我们的预期更加相符。面试官可以在面试前，通过阅读这份报告，快速把握候选人的核心信息，从而将面试的重心放在对候选人深度思考能力和文化契合度的考察上，提升了整个招聘流程的专业度和效能。

场景五：科研文献解读，构建团队高效的“学术信息输入流”

切肤之痛：作为一家以前沿技术研发为核心驱动力的AI生物科技公司，我们的团队需要持续、高效地吸收和理解全球最新的科研文献。传统的文献阅读方式耗时较长，而单纯使用网页版GPT进行总结，则面临着在飞书和浏览器之间频繁切换、复制粘贴的流程割裂问题，不利于知识的团队内分享和沉淀。

「明序」的解决方案：我们打造了一个无缝集成在飞书内的“文献精读助理”。 现在，任何团队成员看到一篇有价值的文献，只需将其PDF文件直接拖拽到指定的飞书群组中并@「明序」，它就能自动完成整篇文献的阅读、理解和总结，并以飞书文档的形式输出一份高质量的解读报告。报告通常包含：研究背景、核心方法、关键结果、结论与讨论、以及对我们当前项目的潜在启发。

我们甚至可以根据不同的需求，定制解读的“视角”。例如，实验团队可能更关注“实验设计与材料方法”部分，而算法团队则希望深入了解“数据分析与模型构建”的细节。在一个真实的案例中，为了优化我们的实验流程，我们让它深度解读一篇关于羊驼免疫的文献，它不仅总结了文章，还精准地提炼出了关于“最佳采血时间窗口”的具体、可直接执行的结论，为我们节省了大量的摸索时间。

创造的价值：整个过程行云流水，无需离开我们日常工作的飞书环境。所有解读完的文献报告，天然地沉淀在团队共享空间中，形成了一个专题知识库，极大地促进了团队内部的学习和知识共享氛围。

场景六：管线项目评估，为关键决策引入“结构化思考框架”

切肤之痛：对于一个新的药物管线或研发项目的立项决策，过程复杂，需要从科学、市场、竞争、风险等多个维度进行综合评估。决策会议上，讨论很容易陷入某个技术细节，或者被个别声音主导，缺乏一个系统性、全局性的思考框架，增加了决策的风险。

「明序」的解决方案：我们将行业内成熟的“新药项目立项评估模型”制作成了一个复杂的Skill，让「明序」在决策会议中扮演“首席决策分析师”和“中立引导者”的角色。 当需要评估一个新项目时，我们可以启动这个Skill。它会像一位经验丰富的顾问，引导团队按照结构化的框架进行讨论，例如：“首先，请陈述该项目的核心科学假设”、“接下来，我们来评估现有技术的成熟度”、“现在，请列出排名前三的潜在竞争对手及其优势”。它会实时记录讨论要点，并能在讨论偏离主题时，及时地将焦点拉回到核心评估框架上。

创造的价值：它不能替代人类做出最终的决策，但它提供了一个强大而客观的“脚手架”，确保我们的每一个关键决策，都是在充分、结构化的信息和论证基础上做出的。它帮助我们识别潜在的认知盲点，区分确凿的事实与主观的推断，极大地提升了我们战略决策的质量和严谨性。

第三章：深入机制——是什么让这一切成为可能？

上述六大场景的成功落地，并非偶然，而是建立在对「明序」背后几个核心机制的深刻理解和灵活运用之上。理解这些机制，就像是获得了这台强大引擎的“维修手册”，能让我们从一个普通的使用者，进阶为一个能驾驭其全部潜能的“高级玩家”。

机制一：从被动响应到主动工作——定时任务 (Cron) 与心跳 (Heartbeat)

一个真正优秀的助理，绝不应该只是被动地等待指令，他应该具备主动发现问题、按时汇报工作的主观能动性。「明序」的定时任务和心跳机制，就赋予了它这种宝贵的主动性。

定时任务 (Cron)：这是一种严格的、基于时间的强制执行机制。我们可以像设置闹钟一样，为「明序」设定在特定的时间点，雷打不动地执行某项任务。例如，我们配置了：每天晚上对当日事项进行复盘总结；每周对关键项目关注的靶点和药物管线进展进行信息检索和总结；每天两次，将工作区 Workspace 提交到git仓库远端进行备份。

心跳机制 (Heartbeat)：这是一种更轻量、更智能的“巡检”机制。你可以把它想象成一个不知疲倦的“巡逻员”。我们可以设定它每隔一段时间（例如30分钟）“醒来”一次，执行一系列检查动作。例如，它可以检查是否有某个自动化任务卡住超过了预设时间，或者巡视某个关键的项目看板，如果发现“高优先级”任务的状态连续三天没有更新，它可以主动在群里@相关负责人进行提醒。 心跳机制赋予了「明序」一种“警觉性”和“感知力”，使其从一个任务执行者，升级为一个环境监控者。

机制二：从“灵光一现”到“稳定输出”——技能系统 (Skills)

如果说长期记忆赋予了「明序」个性，那么技能系统则赋予了它专业性。这可能是整个体系中最具价值、也是最能体现“养成”精髓的部分。Skill的本质，就是将一次成功的、高质量的、复杂的任务处理流程，进行抽象、提炼和固化，使其成为一个可被无限次重复调用的标准能力模块。

它解决了一个核心问题：如何将个人偶然的“灵光一现”或专家的“最佳实践”，转化为组织可依赖的、稳定的“标准化能力”。我们上面提到的所有六大场景，其背后都对应着一个或多个我们精心编写和迭代的Skill。

创建一个Skill的过程，本身就是一次知识管理的最佳实践：

观察与解构：首先，我们观察一位专家是如何完成一项复杂任务的，当然，大部分情况下，我们自己就是这个领域的专家。例如“如何撰写一份高质量的文献解读报告”。我们将其中的步骤进行解构。

指令化与流程化：然后，我们将这些步骤，用清晰、无歧义的自然语言，编写成一份给AI的“标准作业程序”（SOP）。这份SOP不仅包含操作指令，还融入了我们的专业知识和判断标准（例如，“在解读时，请特别关注实验组与对照组的差异，并评估其统计学意义”）。

测试与迭代：我们用真实的案例去测试这个Skill，观察其输出结果，并根据结果不断地调整和优化指令，直到其输出的质量稳定地达到我们的要求。

一旦一个Skill被成功创建，它就如同为我们的AI助理装备上了一件强大的“工具”。团队中的任何成员，无论经验深浅，都可以通过一句简单的指令（例如，“@明序 使用‘文献解读’技能处理这份文件”）来调用它，并获得同样高质量的输出。这极大地降低了高阶脑力工作的门槛，并确保了整个组织在关键任务上的产出质量下限。

机制三：从“通用模型”到“专属助理”——可控的长期记忆系统

前文提到，「明序」会越用越懂你。这背后的秘密，就在于其设计精巧且完全透明可控的长期记忆系统。它并非一个深不可测的黑箱，而是由几个我们可以直接读写的核心Markdown文件构成的：

人格和身份记忆 (SOUL.MD 和 IDENTITY.md)：这里定义了它的“我是谁”。包括它的身份设定（“你是科迈生物的AI助手，名叫明序”）、性格（“你的沟通风格是严谨、客观、专业的”）、以及核心行为准则（“你必须保护用户数据隐私”）。

用户档案 (USER.md)：这里记录了它的“你（用户）是谁”。它会通过观察和学习，将你的使用习惯和偏好记录下来。例如，它可能会记录下“王天元偏好在报告中使用Mermaid图表来展示流程”。这使得它在与你互动时，能提供更加个性化的服务。

归档记忆 (MEMORY.md 和 memory/ 目录)：这是它的“知识库”。所有我们希望它永久记住的重要事实和知识，都可以存放在这里。例如，我们将公司的组织架构、核心技术平台的介绍、行业术语的解释等，都存入了归档记忆。当它在回答问题或执行任务时，会主动地检索这些记忆，并将其作为背景知识融入到思考过程中，从而给出更贴合我们公司实际情况的、更“懂行”的回答。

这个可见、可改、可继承的记忆系统，让“养成”的过程变得具体而实在。我们可以像编辑文档一样，去塑造AI的“思想”和“知识”，使其真正成为我们团队独一无二的、不可或缺的一员。

第四章：我们的实践方法论——从入门到精通的三步法则

看到这里，你可能已经对AI助手的潜力感到兴奋，但也可能对其复杂性感到一丝畏惧。根据我们的实践经验，要真正将这类强大的工具融入日常工作，不必一步到位，可以遵循一个循序渐进的“三步法则”。

第一步：试手感 (Try a small task) —— 建立初步的信任与交互直觉

万事开头难。在初始阶段，请忘记那些宏大的、复杂的场景。从一个具体的、边界清晰的、价值立即可见的微小任务开始。这就像是学习驾驶前，先在模拟器上熟悉油门和刹车。

你可以尝试：

润色一段文字：“帮我把这段项目汇报的文字改写得更书面化、更专业一些。”

总结一篇短文：“用三句话总结这篇新闻的核心观点。”

头脑风暴：“为我们的新产品起五个备选名字，要求体现科技感和亲和力。”

这个阶段的目标，不是追求效率的巨大提升，而是通过高频、低成本的互动，快速建立起你和AI之间的“对话感”，理解它的能力边界，并找到最适合你的提问方式。

第二步：用现成 (Use existing skills) —— 站在巨人的肩膀上，快速收获价值

当你的团队或开源社区中已经有成员沉淀了一些成熟的Skill时，请毫不犹豫地去使用它们。这是体验AI助手真正威力、收获“早期红利”的最快途径。

这个阶段，你的角色从一个“提问者”转变为一个“调用者”。学会浏览团队的Skill库，理解每个Skill的功能和适用场景。通过使用他人创建的工具，你不仅能直接解决自己的问题，还能从中学习到高手们是如何设计和构建高效Skill的，为自己进入下一阶段打下坚实的基础。这也促使我们构建并强化知识共享和能力复用的团队文化。

第三步：造工具 (Build your own tools) —— 从使用者到设计者，实现价值创造的最大化

这是整个旅程中最具挑战性，也是回报最高的一步。当你已经熟练地与AI协作，并能灵活运用现有工具后，就可以开始尝试为你自己独特的工作流程，量身打造专属的Skill。

这个过程需要你转换思维模式。你不再仅仅是软件的使用者，你正在成为你自己工作流程的设计师和自动化工程师。你需要：

深度审视：仔细观察你每天、每周的工作，识别出那些重复性最高、最耗时、最依赖固定流程的环节。

抽象提炼：将这些环节的内在逻辑和步骤进行抽象化、流程化。

迭代创造：与AI助手一起，通过不断的对话、测试和优化，将这个流程转化为一个稳定、可靠的Skill。

这个过程无疑需要投入时间和心力，但其回报是指数级的。你每成功创造一个Skill，就相当于为自己打造了一个7×24小时不知疲倦的自动化助理，将你从相应的重复性劳动中永久性地解放出来，为更具创造性的工作提供更多时间和机会。

结语：超越工具，一场关于工作方式的深刻变革

当“龙虾热”的潮水最终退去，我们看到的，并非一片狼藉的沙滩，而是一块坚实肥沃、等待我们去开垦的价值新大陆。

在科迈生物这三个星期的深度实践中，「明序」AI 助手已经远远超越了一个新奇工具的角色。它正在成为我们团队知识管理的核心枢纽，成为项目流程的智能优化引擎，成为日常工作的效率放大器，也成为了我们进行关键决策时的“智能外脑”。它的存在，正在从一个外部的“工具”，逐渐内化为我们组织的一种核心“能力”。

当然，这条探索之路并非一路坦途。我们至今仍在面对和解决诸如飞书权限管理复杂、模型版本升级带来的不稳定性等一系列工程化挑战。目前这类工具对使用者仍然存在一定的技术门槛，这在短期内限制了其在更广泛人群中的普及。但我们坚信，技术的发展终将抹平这些沟壑。

回望这段短短的旅程，我们最大的收获，或许并非来自于AI本身。而是，使用AI的过程，如同一面镜子，映照出我们自身工作的全貌，并不断地促使我们去反思：

1. 我的工作中，哪些环节是真正需要创造力，而哪些只是重复的模式？

2. 我头脑中的那些宝贵经验，能否被清晰地描述、固化下来，并传承给他人？

3. 我们的决策过程，是否足够理性、结构化，还是过多地依赖于直觉和惯性？

AI时代真正的变革，或许不在于技术本身展现了多么不可思议的魔法，而在于它将如何激发我们每一个人、每一个组织，以前所未有的深度和广度，去重新思考和定义“工作”的真正内涵。

而这，正是我在科迈生物，通过“养”这只“龙虾”所获得的最宝贵的财富。希望我的分享，能对正在阅读此文的你，有所启发。这场变革才刚刚开始，我们都在路上。

关于作者

王天元博士，现任科迈生物CEO，前晶泰科技生物药业务负责人。本科毕业于中国科学技术大学，博士期间在中科院生物物理所从事蛋白工程、蛋白设计等相关研究。

在科迈生物，王天元博士带领团队自主研发了基于生成式AI的抗体从头设计算法，以及基于大语言模型的多智能体抗体设计平台Click.mAb.，在全球范围内首次完成了针对特定表位抗体从头设计的干湿结合的概念验证，算法准确度与2024年诺奖得主David Baker团队相当。

王天元博士具备多年的AI+生物大分子算法研发、AI在生物药研发中的落地实践、跨多学科的团队管理协作以及前沿技术驱动的项目孵化和产学研转化经验。