夜雨聆风
AI 时代软件会如何发展,联犀的解决之道是什么?
AI 时代真正改变软件行业的，不只是“多了一个更聪明的聊天入口”，而是软件的生产方式、交付方式和使用方式正在被同时改写。过去做一个系统，往往要经历长周期需求梳理、页面设计、接口开发、联调测试和持续迭代；现在借助 AI，很多原本需要数周甚至数月才能验证的想法，几天之内就能做出第一个可用版本。软件的试错成本、原型成本和很多标准模块的开发成本，都在快速下降。
但这并不意味着企业软件会被一句提示词直接替代。未来真正稀缺的，不再是“能不能把一个页面和几个接口做出来”，而是“能不能把 AI、权限、数据、流程、设备和多种入口组织成一个长期可运营的系统”。简单应用会越来越便宜，复杂系统的价值则会越来越集中到平台能力和组织能力上。
这正是联犀判断 AI 时代软件演进方向的出发点。
先说结论
如果把这篇文章压缩成几句话，联犀的判断是：
- AI 会持续拉低软件开发成本，但不会抹平企业级复杂度
- C 端会先跑出大量 OpenClaw、Hermes 这类个人 AI 应用，B 端则会更依赖平台化底座
- 企业真正要建设的，不是一个会聊天的助手，而是一套能承接知识、工具、权限、设备和执行环境的 AI 原生基础设施
- 联犀的价值，不是替代个人 AI，而是把个人侧、本地侧、云端侧、应用侧和设备侧连接成一个整体
对老板来说，这是软件产业结构在变化。对产品经理来说，这是产品形态在变化。对联犀来说，这是平台边界在变化。
AI 会持续拉低软件成本，但不会抹平企业级复杂度
AI 已经证明，它非常擅长把很多标准化软件工作压缩到更短时间里，例如：
-
快速生成页面和基础交互 -
快速搭建 CRUD 类业务能力 -
快速补充脚本、报表、自动化流程 -
快速做出某个场景的单点智能助手
这意味着，未来大量“小应用”“小后台”“小工具”的开发门槛会继续下降。以前企业需要专门排期开发的很多功能，以后可能通过 AI 很快做出来。
但这里最容易产生一个误判：软件成本下降，不等于企业级软件会被一句提示词直接替代。
因为企业级系统真正难的部分，从来不只是“功能做出来”，而是：
-
谁能看，谁能用，谁能操作 -
一个动作经过哪些审批、流程和约束 -
数据属于哪个组织、哪个项目、哪个角色 -
系统升级后能不能持续维护，能不能稳定扩展 -
多个应用、多种角色、多条业务线之间能不能协同
再往深一层看，企业级系统真正的门槛，还在于复杂架构和复杂功能的长期治理。很多东西 AI 可以帮忙快速搭出来，但要把一个复杂系统真正做好，仍然需要专业的人来完成架构设计、边界拆分、稳定性建设、性能治理、故障处理和持续演进。企业买的从来不只是“一个能跑起来的版本”，而是一套能长期运行、长期维护、长期升级的系统能力。
这些问题不会因为 AI 出现而自动消失，反而会因为 AI 能够直接调用工具、操作系统、访问数据而变得更敏感。如果没有稳定的权限体系、执行边界和运行治理，AI 带来的不是“效率翻倍”，而是“风险也一起放大”。
为什么个人侧 AI 会先爆发，而企业侧最终拼底座
从当下市场表现看，OpenClaw、Hermes 这一类产品在个人侧和开发者侧已经很容易被理解，也很容易形成热度。原因并不复杂，因为个人场景天然具备几个优势：
-
使用者就是决策者，不需要复杂审批 -
数据范围相对收敛，不涉及大量跨组织权限 -
工具链更偏个人生产力，不需要承接完整企业流程 -
出问题的影响范围相对可控
所以在 C 端和个人效率市场，AI 原生应用会非常快地繁荣起来。每个人都可能拥有自己的 OpenClaw、本地 AI 助手和自动化工作流，这是一个大概率会发生的未来。
但 B 端市场不一样。企业不是只有一个人在使用 AI，也不是只有一个助手在运行。一个部门、一个项目、一条产品线，甚至一个设备体系，都可能需要自己专属的 AI 能力。到了这个阶段，问题就不再是“能不能有一个 Claw”，而是：
-
企业里会不会同时存在很多 Claw -
这些 Claw 分别服务哪些角色和场景 -
它们能调用哪些系统能力，能看到哪些数据 -
它们如何统一接入知识、工具、流程和设备 -
它们如何被运行、被治理、被审计、被持续升级
更直白一点说，C 端和 B 端面对的根本不是同一个命题：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
这也是为什么很多个人侧产品可以快速爆发，而企业级市场最终拼的，往往不是单个 AI 产品体验，而是谁先拥有一套稳定、可治理、可持续演进的 AI 底座。
联犀的答案：不是再做一个助手，而是做统一的 AI 原生底座
联犀的判断很明确：未来不是“云端平台替代个人 OpenClaw”，而是个人侧、本地侧、云端侧、企业系统侧和设备侧会逐步融合。因此，联犀做的不是再造一个封闭世界，而是去补企业级 AI 最缺的那一层基础设施，让个人侧 AI、云端 AI、企业系统和设备能力真正连起来。
如果把企业级 AI 落地中最核心的问题压缩成几类，联犀对应解决的是下面这些事情：
1. 先把权限和组织边界接住
AI 不能脱离企业原有的组织结构独立存在。它必须知道当前服务的是谁，属于哪个组织、项目、设备、角色和数据范围。否则 AI 连接得越深，越容易越权。
联犀本身就承接了 SaaS、IoT、权限、项目、设备、数据和业务能力。这意味着，当企业要做一个新的 AI 应用时，不需要先从零补齐组织、权限和业务底层，而是可以直接在既有底座上进行 AI 化升级。
2. 再把知识和上下文沉淀成长期资产
企业 AI 不是一次性的问答工具。它需要知识库、记忆、会话上下文、业务对象上下文，才能逐渐变成真正懂业务的系统能力。
下图展示的是 Hermes 记忆系统的实际界面。在这个系统中，记忆被组织为多层结构：L1 记忆承载近期的会话与交互上下文，L2 记忆则沉淀为更稳定的长期知识。而「Dream 运行」机制会在后台自动对记忆进行整理、归纳和关联，让 AI 在“睡眠”过程中把零散信息转化为结构化知识。这意味着 AI 不是每次从零开始理解用户，而是带着不断累积的上下文和记忆与用户持续协作。
下图是联犀「知识库工作台」的实际界面。左侧是文档目录与层级结构，中间是文档正文内容，右侧则是与当前文档联动的 AI 助手。用户在阅读产品手册、技术规范或操作指南时，可以直接向 AI 提问，AI 会基于当前知识库中的内容给出回答，而不是给出泛泛的通用答案。这让企业文档从“被动查阅”变成了“主动交互”的知识资产。
3. 把平台能力整理成 AI 可消费的工具面
企业能力不能只以内部接口存在。如果 AI 面对的是一堆底层 API、内部字段和杂乱脚本，它很难稳定调用。企业需要把能力重新整理成 AI 更容易理解和消费的工具面。
联犀在这方面已经做了比较明确的工具化组织：
-
通过 urCLI 提供统一操作入口 -
通过 Skills 把设备、产品、项目、用户、系统、AI 管理等能力整理成可加载能力集 -
通过 MCP 把设备控制、查询和外部能力桥接成更适合大模型调用的工具协议
下图展示了联犀平台上 Skills 工具的实际形态。这些工具的核心特点是：AI 不只是调用预先写好的固定代码，而是能够自己编写工具逻辑、声明入参出参、定义字段含义，并在运行时被自动调用。例如一个“毫秒时间戳转中文日期时间”的需求，AI 可以在左侧自动写出完整的处理代码，在中间区域结构化地声明参数语义，右侧则直接展示调用过程和返回结果。
这意味着流程自动化的门槛被大幅降低：过去需要开发人员介入才能实现的格式转换、数据处理和业务逻辑，现在可以由 AI 自行编写工具代码来完成。更重要的是，这些工具在使用过程中会不断被验证、修正和优化。哪个参数容易传错、哪种边界情况没有覆盖、用户更习惯什么样的返回格式，都会在使用反馈中被逐步改进。
4. 把执行能力从普通业务服务里拆出来
AI 一旦开始执行工具、脚本和外部调用，就不再只是“回答问题”，而是进入可执行阶段。这时候必须有独立运行时、资源隔离、网络隔离、workspace 隔离和故障隔离，否则很难真正上线。
很多团队一开始做 AI，都是先做聊天接口，再把工具执行塞进主服务里。这样在验证阶段当然快，但一旦进入企业级场景，问题会非常快地暴露出来：
-
一个任务失控可能拖垮主服务 -
一个执行环境看到了不该看的目录 -
一个外部调用访问了不该访问的网络 -
一个长任务把整个系统入口堵住
联犀在这件事上的做法，是把控制面和执行面拆开，引入独立的 Claw runtime，并叠加 Sandbox 做执行约束。这不是“工程洁癖”，而是企业级 AI 和演示级 AI 的分水岭。
5. 让多入口、多 AI 和多设备真正协同起来
未来 AI 不只存在于聊天窗口。它会同时出现在 Web、App、小程序、CLI、语音终端、设备入口甚至边缘侧控制器中。企业最终需要的，也不会只是一个超级助手，而是很多面向不同角色和不同业务的 AI 能力共同存在，并被统一治理。
下图展示的就是这种“连接”的真实场景。用户在本地 OpenClaw（Marvin）中，通过安装联犀 Skills，直接让个人侧 AI 具备了查询企业平台的能力。图中可以看到，用户以自然语言让 Marvin “查看所有应用”和“查看有几个租户”，Marvin 通过联犀 Skills 调用平台接口，返回了完整的应用列表和租户信息。
这里的关键不是“用一个云端助手取代个人助手”，而是两者各自做自己擅长的事，再协同工作：OpenClaw 继续留在用户本地，承担个人交互、上下文理解和任务编排的角色；联犀云端平台则负责提供企业级的数据查询、设备管理、权限校验和业务执行能力。边缘端 Claw 负责“怎么问、怎么理解用户意图”，云端 Claw 负责“能不能查、查什么范围、执行什么操作”。
很多平台谈 AI 时，只停留在知识问答和办公助手层面。联犀更进一步的地方在于，它本身具备 IoT 底座，可以把 AI 与设备、物模型、项目权限和设备控制连接起来。通过 MCP 和物模型语义组织，AI 不是简单“帮用户点按钮”，而是能够围绕设备能力做查询、理解、执行和反馈。再进一步，通过小智这类语音链路，AI 还可以进入更自然的终端入口，让边缘设备、本地交互和云端平台连成一体。
6. 用一套分层结构把这些能力组织起来
从平台结构上看，联犀把企业级 AI 能力拆成四个层次：
- 控制面
：负责会话、Agent、Clone、知识装配、技能装配和外部入口组织 - 执行面
：负责 Claw runtime、工具调度和实际执行过程 - 工具面
：负责 Skills、MCP、CLI 以及前后端 tools 的能力组织 - 应用面
：负责 SaaS 应用、IoT 设备、第三方系统和语音终端入口
这套结构的意义在于，联犀不是简单把大模型接到系统上，而是把 AI 作为平台主能力来组织。换句话说，联犀给企业的答案不是“再做一个助手”，而是先把企业原本分散在页面、接口、设备、知识、脚本和流程里的能力整理出来，再把这些能力通过知识库、MCP、Skills、Sandbox 和云端 Claw 重新组织成 AI 可以安全消费的平台能力。
为什么联犀既做 SaaS，也保留私有化能力
联犀在产品形态上的另一个核心判断是：AI 时代的平台不能只服务少数大项目，也不能只适合单一部署方式。真正有生命力的产品，既要能支撑复杂场景的私有化落地，也要能让更多中小场景直接通过 SaaS 获得服务。
这是因为不同企业面对的不是同一种问题：
- 大场景、复杂场景
，往往对数据边界、系统集成、部署环境和运行管控要求更高，适合私有化或混合部署 - 中小场景、轻量场景
，往往没有能力单独养一整套 AI 平台团队，更适合直接通过 SaaS 方式快速使用
SaaS 的意义，不只是交付更方便，而是把这些原本需要大厂级投入才能拥有的能力，收敛成标准化服务，让更多企业可以直接获得：
-
不用从零搭 AI 底座 -
不用从零补权限、知识、工具和运行时体系 -
不用先组建一支完整的 AI 平台团队 -
可以先从具体场景开始使用，再逐步扩展
更重要的是，SaaS 还有一个常被低估的优势：当更多企业在同一平台体系内使用 AI，平台能力本身也会进化得更快。
当然，这里不是指不同企业之间共享私有数据。企业自己的数据、权限和知识边界仍然必须严格隔离。真正会被持续放大的，是平台层的共性能力：
-
更成熟的 Skills 资产 -
更稳定的 MCP 工具组织方式 -
更高质量的知识检索和知识治理能力 -
更安全的 Sandbox 执行策略 -
更成熟的报表、分析、联动和语音协作模式
换句话说，大家一起使用 SaaS，不是让企业数据混在一起，而是让平台对“AI 应该怎样服务企业”这件事迭代得更快。使用者越多，联犀在工具组织、执行治理、产品体验和行业方法论上的沉淀就越深，平台也就会变得更强。
这些能力落到真实业务里，会变成什么
如果文章只停留在平台层，很多老板和产品经理仍然会觉得这是“架构很好”，但离业务价值还有距离。真正有意义的是，这些能力已经可以被收敛成一批非常具体的企业场景。
这些场景的共同特点是：不是单纯多了一个 AI 对话框，而是原本割裂的“数据分析、报表组织、规则联动、报告审查、设备协同”开始被 AI 重新串起来。
1. 设备分析不再只是固定报表，而是变成可交互的 AI 分析能力
过去做设备分析，通常是提前定义好几个固定看板、固定统计口径和固定图表。这当然有价值，但它有一个明显问题：一旦业务方临时想换一个观察角度，就往往要再提需求、再改接口、再补页面。
在联犀这类底座上，用户未来可以通过自己的 Claw，或者云端承载的 Claw，直接围绕设备最近运行状态做快速分析，例如：
-
最近一段时间的电压、电流、温度、功率波动 -
多台设备之间的对比 -
按项目、区域、设备分组做自定义聚合 -
根据临时问题自动生成图表和趋势判断
也就是说，设备分析会从“平台预先定义给你看什么”，逐步变成“用户按当前问题动态要求 AI 帮你看什么”。固定报表不会消失，但它旁边会多出一层更灵活的 AI 分析能力。
2. 自定义报表会逐步被 AI 增强
很多企业系统不是没有报表，而是报表太多、口径太碎、改动太慢。联犀更适合承接的一种升级方式，不是把原有报表全部推翻，而是在现有应用里给报表能力接入 AI 增强。
这类增强可以体现在：
-
根据用户问题动态组合报表字段和统计口径 -
围绕某个项目、某批设备、某段时间自动生成专题分析 -
对已有报表做解释、总结和异常提示 -
让传统“配置报表”的过程，逐步过渡到“描述问题，系统自动组织结果”
对产品经理来说，这里最关键的变化不是多了一个聊天框，而是报表产品形态在变。未来很多“自定义报表”不一定先从字段设计开始，而是先从业务问题开始，再由 AI 去帮助组织查询、聚合、图表和摘要。
3. 场景联动会从固定规则，走向“规则 + AI”的动态联动
在物联网场景里，传统联动往往依赖固定规则或算法阈值。这套方式很重要，也必须保留，因为它稳定、可控、可追溯。但很多真实业务场景并不是一个固定阈值就能长期适用。
以农业大棚为例，同样的温湿度控制目标，不同大棚、不同作物、不同时间段、不同天气条件下，理想状态都可能存在差异。传统方式通常通过算法去逼近这个目标，而 AI 可以在算法之上再增加一层“动态调参能力”。
例如现场人员可以告诉系统：
-
这个棚最近偏冷，需要整体调高一点 -
这个区域湿度不要再压这么低 -
今天的控制效果不理想，参数要更柔和一点
在这种模式下，AI 不是替代原有算法，而是在算法保证基础上，把人工经验、现场反馈和历史表现重新吸收进去，动态调整参数。这样每个大棚、每个区域、每类设备就更容易形成更适合自身情况的控制策略。
4. 报告密集型行业，会先从“AI 辅助审查和更新”中获得明显收益
除了设备控制类场景，另一个非常值得重视的方向，是监测、施工、巡检、能源、安防这类报告密集型行业。这些行业长期存在几个典型问题：
-
报告数量多，人工修改频繁 -
标准更新后，旧模板和旧结论容易漏改 -
多份报告之间存在引用、关联和口径一致性要求 -
人工审查耗时长，而且容易出现遗漏
AI 在这里最现实的价值，不是凭空替代专业人员写报告，而是帮助企业先把“高重复、易出错、强关联”的部分接住，例如：
-
动态关联历史报告、现场数据和标准模板 -
自动检查当前报告与最新标准是否存在冲突 -
自动提示哪些章节需要同步更新 -
对报告中的表述、指标和引用关系做一致性审查 -
帮助形成初步修订建议，再交给专业人员确认
这类场景的商业价值往往很直接，因为它节省的不是一两次问答时间，而是整条文档生产和审查链路的重复成本。对于很多传统行业来说，AI 最早跑通的，不一定是最炫的对话体验，而是这些原本大量依赖人工维护的高密度文档工作。
给老板和产品经理的判断标准
给老板：什么样的 AI 项目值得投
如果站在老板视角，未来判断一个 AI 项目值不值得投入，建议重点看五个问题：
-
这个项目是在做一个短期演示，还是在沉淀长期平台能力？ -
它有没有复用现有权限、数据、流程和系统，而不是另起一套孤岛？ -
它能不能从单点助手扩展成多个场景、多种角色共同使用的体系？ -
它的运行和安全边界是否清楚，能不能真正上线？ -
它是否有机会把页面入口、AI 入口、设备入口和语音入口逐步打通？
如果这些问题的答案大部分是否定的，那么项目大概率只是一个“会说话的功能模块”。如果这些问题能逐步成立，它才更像企业下一代软件能力的起点。
老板真正要买的，不是一次热点，而是三种更长期的确定性：
- 业务确定性
：AI 进入真实业务，而不是停留在演示层 - 工程确定性
：系统可以稳定运行、稳定升级、稳定治理 - 资产确定性
：知识、工具、流程和数据会持续沉淀为企业自己的平台资产
给产品经理：不要直接做“超级 AI”，先做四步升级
对产品经理来说，AI 时代最容易犯的错误，是一上来就想设计一个包打天下的超级助手。更现实的路径通常是四步：
-
先接入现有业务底座先把用户、角色、项目、设备、数据范围和业务对象对齐，明确 AI 到底服务谁。
-
把高频能力工具化把最常用的查询、操作、设备控制、流程动作整理成 Skills、MCP 或标准工具，而不是让模型直接碰底层接口。
-
先做单场景闭环先跑通一个高频场景，例如设备运维、工单辅助、项目查询、知识问答，而不是同时铺开所有方向。
-
再做多入口融合当单场景闭环跑稳后，再逐步扩展到 Web、App、OpenClaw、本地助手、语音终端和设备侧入口。
这个路径的关键，是让 AI 先进入真实业务，再逐步从单点能力升级为统一体验。以后很多产品设计，不再是“先设计页面，再补一个 AI 功能”，而是“先设计场景闭环，再决定页面、AI、设备和语音分别承担什么角色”。
未来的软件，不会是更多小应用，而会是更强的一体化体验
过去很多大厂喜欢做多应用矩阵，用大量子系统去覆盖不同场景。在 AI 时代，这种割裂体验会越来越难让用户满意。因为当软件生产成本下降之后，用户自然会期待更高层级的体验升级。
未来更有竞争力的软件形态，很可能不是再多做十个小应用，而是让这些能力在用户侧看起来像一个整体：
-
个人有自己的 OpenClaw 或本地 AI 助手 -
企业云端运行着面向组织和业务的 Claw -
传统应用承接正式流程和数据治理 -
边缘设备和语音终端成为新的自然入口 -
不同 AI 之间可以围绕统一的 Skills、知识、工具和权限体系协作
AI 会像水一样，既存在于本地，也存在于云端；既服务个人，也服务组织；既进入页面，也进入设备。谁能把这些能力连接成一体，谁就更有机会定义下一代企业软件。
总结
AI 时代的软件演进，并不是“所有软件都会被 AI 生成替代”，而是软件价值的重心会重新分配。简单功能会越来越便宜，真正长期有价值的部分，会越来越集中在统一底座、权限治理、工具组织、执行管控、多入口融合和持续演进能力上。
OpenClaw、Hermes 代表的是个人侧 AI 应用已经跑通的方向；企业级市场真正缺的，则是承接多 AI、多系统、多设备和多角色协同的基础设施。联犀给出的解决之道，不是与这些个人侧产品对立，而是通过 Skills、MCP、知识库、Claw runtime、Sandbox、SaaS 与 IoT 底座，把个人侧、本地侧、云端侧和设备侧连接起来。
这也是联犀对 AI 时代软件未来的判断：不是谁先做出一个会说话的应用，而是谁先做成一套真正可落地、可治理、可持续扩展的企业级 AI 原生平台。
进一步了解联犀
-
官网文档：https://doc.unitedrhino.com/
如果你正在思考以下问题：
-
现有 SaaS 或 IoT 系统怎样更自然地完成 AI 化升级 -
OpenClaw、Hermes 这类个人 AI 如何和企业平台能力真正打通 -
知识库、MCP、Skills、Sandbox 和云端 Claw 应该怎样组合成一套可落地方案 -
设备、报表、场景联动和语音入口怎样统一到一个平台里
可以访问联犀官网文档，或扫码与我们联系，进一步了解联犀如何把 SaaS、IoT、知识库、MCP、Skills、Sandbox 与云端 Claw 组织成统一平台。
