夜雨聆风
潮水退去后:OpenClaw爆火半年的Agent行业全景复盘
三月排队找人代安装，四月集体退坑。”全民养虾”用 50 天走完了一场完整的泡沫周期。但退潮不等于终结——当跟风者散去，Agent 行业真正能落地的方向和应用的问题才刚开始。
引言：一场过山车
2026 年 3 月 3 日，一个叫 OpenClaw 的开源项目在 GitHub 上超越了 React 的星标数。它用了不到 60 天，走完了 React 十年的路。
微信指数飙到 1.65 亿，”24 小时数字员工”的叙事席卷中文 AI 圈。3 月 15 日，OpenClaw 当月累计 Token 调用量达到 10.4T，成为全球调用量最高的 AI 应用。”全民养虾”成为继 DeepSeek 之后又一个现象级 AI 文化符号。国内大厂闻风而动，智谱的 AutoClaw、腾讯的 QClaw、MiniMax 的 MaxClaw、Kimi 的 KimiClaw、字节的 ArkClaw 先后杀入，一个月内凑齐了”七龙珠”。
然后，只过了一个月。
4 月，OpenClaw 访问量腰斩至 1420 万，环比跌超 50%。腾讯 QClaw 访问量暴跌 99.19%。KimiClaw、CoPaw 等产品同步跳水。开发者社区开始出现：”OpenClaw 已死。”
但这场退潮最有价值的东西，不是它证明了什么会失败，而是它把行业真正的问题推到了台面上：AI Agent 到底应该怎么运行？由谁控制？又该如何收费？
本文将从技术演进、产品格局、用户分流、商业模式四个维度，完整复盘这半年里个人助手类 Agent 行业发生的深层变化。
第一章：烈火烹油——OpenClaw 为什么能火
1.1 产品力的表象
大多数复盘把 OpenClaw 的爆火归结为产品力：支持 50+ 平台集成（Slack、Discord、微信、WhatsApp 等），兼容 Claude、GPT-4o、Gemini 和 DeepSeek 等主流模型，MIT 开源、本地优先、零代码开箱即用。它的 Gateway-Agent-Skills-Memory 模块化架构大幅降低了开发门槛，技能市场收录超 5700 项社区技能。
这些都对，但只说对了一半。
1.2 套利：真正驱动病毒式传播的燃料
OpenClaw 真正的爆发引擎不是能力，而是访问权限——它让大规模使用顶级模型变得成本低廉。
用户发现，OpenClaw 可以通过调用 Claude Pro/Max 用户的登录授权，并模拟 Claude Code 客户端的请求方式接入 Claude。这意味着，用户无需再为每一次 API 调用单独按 Token 付费，而是可以借助固定月费订阅（每月 200 美元），以极低成本进行高频 Agent 调用。
这件事的本质，是一场悄无声息的套利。Claude Max 订阅每月 200 美元，而通过 API 运行同等工作负载的成本，行业分析师估计超出五倍以上。换句话说，Anthropic 每月在为每一位 OpenClaw 重度用户补贴数百美元。
有了近乎免费的顶级算力作为燃料，”全民养虾”的增长神话才得以成立。它本质上不是产品力的胜利，而是经济学上的一次异常窗口。
1.3 技术架构创新：不可忽视的底层突破
但将成功完全归为套利也不公平。OpenClaw 确实在技术层面做出了几项关键创新：
多协议统一网关：OpenClaw 通过网关层实现了对 MCP（Model Context Protocol）和 A2A（Agent-to-Agent）协议的深度集成。MCP 解决 Agent 与外部工具的连接问题，A2A 解决 Agent 之间的通信协作问题。这种”双协议驱动”的架构，使 OpenClaw 成为第一个将模型接入、工具调用、多 Agent 协作统一在一个框架内的开源项目。
三层隔离 + 路由绑定：每个 Agent 在 OpenClaw 中是一个完全独立的虚拟实体，通过物理级别的目录隔离实现身份层、状态层、工作层的完全分离。8 级优先级路由绑定机制使消息能精准分发到对应 Agent。
四大协作模式：OpenClaw 率先实现了 Supervisor（监督者模式）、Router（路由模式）、Pipeline（流水线模式）、Parallel（并行模式）四种多 Agent 协作范式，这在 2026 年初的开源社区中属于前沿实践。
这些技术创新是真实的。问题在于，当”免费算力”的泡沫破灭后，这些技术是否能独立撑起一个可持续的产品——答案在退潮后才逐渐浮现。
第二章：龙虾大战——中国市场的疯狂一月
OpenClaw 爆火后，国内大厂的反应速度令人咋舌。不到一个月，市面上就出现了至少 7 款”龙虾”产品：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
这些产品在部署方式、价格、安全性、模型接入上各有侧重：有本地部署的（OpenClaw、QClaw），也有纯云端的（MaxClaw、KimiClaw）；有开源的，也有订阅制收费的（从免费到 ¥199/月不等）。
但”龙虾大战”的核心问题在于：大多数产品只是在 OpenClaw 的基础上做了不同的封装皮肤，底层逻辑并没有本质差异。当一个赛道上的产品在差异化上乏善可陈，而最核心的成本结构又高度依赖上游模型厂商的”默许”时，泡沫破裂只是时间问题。
第三章：电闸落下——退潮的三重原因
3.1 第一击：Anthropic 拉闸
2026 年 4 月 4 日，Anthropic 向用户发出一封邮件：Claude Pro/Max 订阅不再覆盖 OpenClaw 等第三方 Agent 的高强度调用，新规当天生效，只留给用户一天缓冲期。
这封邮件在 OpenClaw 社区的效果，堪比有人在派对正酣时拉下了电闸。OpenClaw 整个增长模型的底层燃料——低成本顶级模型调用——瞬间断供。这本质上不是 Anthropic “针对” OpenClaw，而是一个商业模式不可持续的自然结果：厂商不可能长期允许自己的订阅收入去补贴一个第三方生态的算力消耗。
更具象征意义的是，几乎在同一时间，OpenAI 的 Sam Altman 却在 X 上发推：”ChatGPT users can now log into OpenClaw. Happy lobstering.” 一家关上门，另一家打开后门欢迎。这暴露了行业处在路线博弈期：是封杀第三方 Agent 收回控制权，还是拥抱它以换取用户增长和生态锁定？
3.2 第二击：可靠性的天花板
退潮不只是因为被封杀。大规模部署的用户开始直面 OpenClaw 的实际局限性。
Agent 很酷，但也很脆弱。多步骤任务中，它可能前半段做得很好，后半段突然跑偏；同一个流程，在不同电脑、不同权限、不同网页环境下，表现会完全不同。演示视频里一分钟完成的任务，真实使用时可能要来回修正很多次。
核心问题在于：Agent 的任务成功率是乘性的。如果每一步有 90% 的成功率，一个 5 步任务的成功率就只有 59%。链路越长，失败率越陡峭。这跟 Chatbot 的体验完全不同——Chatbot 答错了一句话你可以忽略，Agent 掉了一步你就得从中间重新来过。[（参见插图：Agent 可靠性乘性衰减曲线）]
3.3 第三击：安全风险与使用门槛
普通 AI 聊天工具产生幻觉，顶多给你一个错误答案。OpenClaw 产生幻觉，可能直接删掉你的文件、把你的账号密码发出去、或者在你不知情的情况下执行一段破坏性的命令。
很多用户在完全没意识到风险的情况下，已经把工作邮箱、云端存储、公司服务器权限接入了 OpenClaw。围绕它的讨论从”效率革命”逐渐变成了”风险失控”。
与此同时，对非技术用户来说，安装、配置、接 API、授权工具、处理报错并不轻松。最火的时候，国内出现了专门的代安装服务，收费从几十到几百元不等，供不应求。一个需要付费找人远程部署和调试的工具，本身就说明它离真正大众化还有很远的距离。这和个人电脑时代的”攒机”阶段如出一辙——技术爱好者乐在其中，但普通用户只想按下开机键。
第四章：水落石出——用户去了哪里
退潮之后，用户分成了四条泾渭分明的分流路径。
4.1 流一：Hermes——”养马”的时代来了
Hermes 是目前接住最多 OpenClaw 用户的产品，数据已有印证。5 月 10 日，Hermes 以单日 2240 亿 Token 的消耗量超过 OpenClaw 的 1860 亿，登上 OpenRouter 全球日推理量榜首。圈内开始流行一句话：”不流行养虾了，都开始养马了。”
Hermes 由 Nous Research 开发，核心差异在于自学习架构。
OpenClaw 每次任务都从同一基线出发，完成即结束，下次重新开始。Hermes 内置了闭环学习循环：
执行：任务涉及 5 个以上工具调用时自动标记为”值得学习”
自评估：判断是否值得提取为可复用 Skill
Skill 创建：自动生成或精确 patch 现有的 Skill 文件
记忆更新：写入持久化的 MEMORY.md / USER.md
这种机制带来了根本性的体验差异：让 Hermes 做一次竞品分析，下次只需说”像上次那样”，不需要重新描述流程和要求。用得越深，迁移成本越高，这是 Hermes 留住重度用户的底层逻辑。
技术上，Hermes 实现了四层记忆系统：Prompt Memory（永久偏好，限 3575 字符）+ Session Search（SQLite + FTS5 全文检索）+ Skills Procedural Memory（自动生成的工作流）+ Honcho Layer（可选的 12 层用户身份建模），并通过分层缓存将 200 个 Skill 的 Token 消耗压缩到约 40 个的量级。
Hermes 目前积累了 11 万 GitHub 星标，社区贡献集中在技能质量和学习能力改进，而非功能数量扩张。这和 OpenClaw 早期”什么都能做”的生态扩张路线明显不同——从”宽度优先”转向”深度优先”。
4.2 流二：Claude Code——开发者要的不是自由，是稳定
一批专业开发者转向了 Claude Code。这是 Anthropic 直接提供的命令行编程 Agent：不试图替你管邮件、跑日程、操控桌面，只做一件事——在代码层面完成复杂任务。执行环境受控，行为可预期。它支持 Subagents（子任务分发）、Hooks（生命周期钩子）、Background Tasks（后台任务），年化收入已达 25 亿美元。
这个分流揭示了开发者群体内部真实的价值分裂：OpenClaw 优先开放性和无限制能力，商业系统优先可靠性和受控执行。随着 AI 编程工具成熟，许多开发者意识到，他们要的不是高度自主但不可预测的 Agent，而是稳定的系统。
4.3 流三：垂直行业 Agent——从”什么都能做”到”只做一件事”
还有一批用户，既没有去 Hermes，也没有去 Claude Code，而是选择了具体的行业工具。
钉钉悟空、WindClaw 这类产品的逻辑与 OpenClaw 正好相反：不追求什么都能做，而是把 Agent 能力嵌入企业现有的工作流——审批、报表、投研简报这类高度重复的任务。它们不试图成为”数字员工”，而是在已经确定的流程里提高单点效率。
4.4 流四：最大的那批人——什么都没迁移
退潮中规模最大的那批用户，没有迁移到任何产品。跟风者回到了豆包和 ChatGPT，轻度用户从来没有找到过真实的使用场景。对他们来说，Agent 这个品类在现阶段就不适合——工具太复杂，成本太高，需求太低频。
第五章：半年技术变革全景——协议、记忆与协作
OpenClaw 爆火和退潮的这半年，恰好横跨了 Agent 技术栈的几个关键转折点。
5.1 协议标准确立：MCP 成为事实标准，A2A 补上拼图
这半年最大的基础设施级变化，是 Agent 协议标准的快速成熟。
MCP（Model Context Protocol）已成为 AI 工具互联的事实标准：SDK 月下载量超 9700 万，10,000+ servers 已上线。Anthropic 已将 MCP 捐赠给 Linux Foundation 旗下的 AAIF（Agentic AI Foundation），从公司项目升级为行业基础设施。OpenAI、Google、Microsoft 均已原生支持。
A2A（Agent-to-Agent）协议则补上了 MCP 未覆盖的领域：Agent 之间的通信协作。如果说 MCP 是 Agent 的”手”（连接工具），A2A 就是 Agent 的”嘴”（互相通信）。两大协议形成了互补关系：
MCP：Agent ↔ 工具（垂直）
A2A：Agent ↔ Agent（水平）
WebMCP：Agent ↔ UI 界面（已进入 W3C 标准提案流程）
这意味着 Agent 开发的基础设施正在从各家自造轮子走向标准化的轨道——对生态的长期发展至关重要，但也使得”靠协议差异化”的空间大幅收窄。
5.2 记忆系统：从无状态到有状态
OpenClaw 的原始设计中，Agent 是”无状态”的——每次对话从零开始。这在使用中很快暴露出问题：用户每次都要重复说”我的工作背景是 XX，使用习惯是 YY”。
Hermes 的四层记忆系统代表了这一维度的重大突破。将记忆分为即时提示层、会话检索层、技能过程层和用户建模层，并通过压缩和缓存避免 Token 膨胀，这使得 Agent 从”每次都重新认识你”变成了”越用越懂你”。
2026 年的行业共识是：没有持久记忆的 Agent，本质上是高级脚本，不是助手。Anthropic 等企业已实现智能体数周级持续工作能力，关键信息遗忘率降至 10% 以下，月均性能通过自进化提升 15%。
5.3 多 Agent 协作：从 Demo 走向生产
OpenClaw 率先实现的多 Agent 协作架构，在这半年里从”炫技”走向了工程落地。
Supervisor（中央调度）、Router（路由分发）、Pipeline（流水线）、Parallel（并行）四种模式已被广泛采用。实际数据显示：多智能体系统将复杂任务完成率从单智能体的 60% 提升至 85% 以上，整体效率提升 71%。
但更重要的是行业开始明白：“添加工具优于添加 Agent”——不应该一上来就设计复杂的多 Agent 架构，而是从单 Agent + 工具开始，仅在遇到清晰的限制时才升级到多 Agent 模式。
5.4 端侧部署：AI 从云端走向指尖
端侧大模型量化技术在这半年取得突破。4B-72B 参数模型可在消费级设备上高效运行，Prefill 速度达 476 tok/s，峰值内存仅 4.3GB。NVIDIA 与微软联合推出 Windows 原生 Agent 沙箱，苹果、华为加速端侧智能体布局。
端侧部署带来三个核心优势：数据不出本机（隐私）、毫秒级响应（延迟）、零边际成本（省钱）。这指向一个关键趋势：Agent 不一定非得依赖云端大模型——未来的 Agent 架构很可能是”端侧处理常规任务 + 云端处理复杂推理”的分层模式。
第六章：新一代产品与其产品逻辑
6.1 大厂的 Agent 产品线
OpenClaw 退潮后，大厂的 Agent 路线逐渐清晰。以 Anthropic 为例，其 2026 Q1 的产品矩阵已经远超出”聊天机器人”范畴：
Claude Code：命令行编程 Agent，25 亿美元年化收入，是 Anthropic 增长最快的产品线。
Computer Use：2026 年 3 月 24 日发布，允许 Claude 直接操作用户的计算机——点击、输入、导航应用程序。目前为 Preview 阶段，仅支持 Mac。这标志着 Claude 从”对话界面”向”操作系统级 Agent”的战略跃迁。
Dispatch：允许用户从手机端发起任务，Claude 在桌面端持续执行。解决了移动端与桌面端 AI 工作流割裂的痛点。
这三条产品线的共同逻辑是：把 Agent 能力嵌入用户已有的设备和操作系统，而不是要求用户迁移到一个新的平台。这和 OpenClaw”用户自己搭环境”的思路形成了鲜明对比。
同时，OpenAI 的 GPT Operators、Google 的 Gemini Agent 能力也在持续演化。加上字节扣子、飞书 Agent、阿里悟空、腾讯 WorkBuddy 等国内产品落地，办公 Agent 已进入规模化竞争阶段，企业办公效率据称提升 30%-40%。
6.2 Hermes 的”自进化”范式
Hermes 代表了一种不同于大厂路线的产品逻辑：不是把 Agent 嵌入工作流，而是让 Agent 自己成为工作流。
核心理念：把任务执行本身转化为学习过程，最终实现”Agent 自己编写自己的工具和记忆”。这种自进化的产品逻辑有几个关键特征：
复杂度门槛：只有 5 个以上工具调用的任务才触发学习，避免噪声
分层存储：记忆分四层，每层独立管理，按需加载
增量更新：新 Skill 以精确 patch 方式合并，不覆盖已有能力
无 Token 膨胀：200 个 Skill 的存储成本只相当于 40 个
Hermes 目前在 GitHub 上有 11 万星标，增长迅猛。虽然生态规模远不及 OpenClaw 的 30 万+星标和 1 万+社区技能，但它的用户结构更专业、更高频、更深度——这可能是比星标数量更有意义的指标。
6.3 Manus：从全球标杆到资本棋子
不能不提的还有 Manus。这家 2025 年爆火的通用 AI 智能体公司，经历了从武汉民居出发、全球爆红、总部迁至新加坡、被 Meta 以数十亿美元收购、再到 2026 年 6 月腾讯牵头以 135 亿元人民币原价回购的跌宕历程。
Manus 的路线与 OpenClaw 不同：它不靠开源和社区驱动，而是通过构建 8000 万个虚拟用户行为模型，走订阅制商业化路径（每月 20-200 美元）。然而，Manus 的经历折射出一个更深层的问题：当 AI Agent 技术具有战略价值时，它就不再是纯技术和产品问题，而是地缘政治和资本博弈的棋子。这对所有做 Agent 的创业公司都是一个警示。
第七章：解决了什么，带来了什么
7.1 解决的问题
信息获取效率的跃升：Agent 不再只是给你答案，而是帮你完成一整条信息处理链路——从搜索、整理、分析到输出。OpenClaw 的 10.4T Token 调用量说明真实需求是巨大的。
工具孤岛的打通：MCP 协议的确解决了”每个工具都要单独接”的痛点。过去对接一个 SaaS 工具可能需要几周的开发，现在通过 MCP Server 可以即插即用。
重复性工作流的自动化：Pipeline 和 Parallel 模式让”调研→写作→审核→发布”这样此前需要多人协作的流程可以被一个 Agent 团队自动完成。
个性化助手成为可能：Hermes 的自学习架构证明了 Agent 可以从用户的使用习惯中持续成长，而不是停留在”设置一次偏好 → 永远不变”的静态模式。
7.2 带来的问题
1. 规模化可靠性的鸿沟
这是目前 Agent 行业最大的未解难题。Agent 的可靠性是乘性的——链路越长，整体成功率越低。当 Agent 从”帮我查个天气”扩展到”帮我管理整个项目的邮件、文件、日程和代码”时，每一步的微小错误都会累积成系统性风险。在受控的 Demo 环境里看起来很完美的流程，到了真实用户千差万别的电脑环境里就会频繁断裂。
2. 安全与信任危机
OpenClaw 退潮的一个重要推手就是安全风险。普通用户不具备判断”Agent 请求的权限是否合理”的能力。当 Agent 可以读文件、发邮件、执行命令、访问服务器时，一次误判的代价可能是灾难性的。行业还没有建立起有效的 Agent 安全审计和权限管控标准。
3. 成本结构不可持续
OpenClaw 的爆发建立在 Anthropic 的”被套利”之上，一旦这个窗口关闭，真实的成本就暴露出来。重度使用 Agent 的 Token 消耗远比普通 Chatbot 高几个数量级，而用户愿意为”个人助手”支付的价格远低于实际运行成本。这导致了一个尴尬的局面：用得起的人不需要，需要的人用不起。
4. 用户需求分层严重
“让 AI 替我干所有事”和”让 AI 在特定场景干得更好”是两类需求强度完全不同的用户。OpenClaw 的退潮把他们重新分开了。大量用户发现，自己其实只需要一个更好的 Chatbot，而不是一个能操控电脑的 Agent。这意味着 Agent 的大众化之路可能比行业预期的要长得多。
5. 生态碎片化与锁定风险
虽然 MCP/A2A 等协议在推进标准化，但大厂各自构建的 Agent 生态正在形成新的围墙花园。Anthropic 的 Computer Use + MCP、OpenAI 的 GPT Operators、腾讯的 WorkBuddy + QClaw——每个生态都在构建自己的工具链和分发渠道。开发者需要在多个不兼容的生态之间做选择，用户面临的数据锁定风险不亚于当年的 iOS vs Android。
第八章：未来趋势——Agent 的下一程
8.1 从”自主 Agent”到”人在回路”
这可能是 OpenClaw 退潮教给行业最重要的一课。
OpenClaw 这一代产品的核心信仰是”越自主越强”。但现实证明：Agent 越自主，越容易失控；任务链路越长，越容易偏离目标；权限越高，企业越不敢真正放权。
行业正在从”Autonomous Agent”重新转向”Human-in-the-loop”（人在回路）。新一代产品不再追求完全替代人，而是在固定流程中协助人。Hermes 强调学习用户习惯而不是替用户做决策；Claude Code 把能力收敛在代码场景而不是试图操控整个桌面；企业 Agent 嵌入审批流程而不是替代审批流程。
这不是退步，而是务实。就像自动驾驶行业从 L5 退回到 L3/L4——在关键技术（可靠性、安全性、可解释性）突破之前，完全自主的 Agent 是危险的。
8.2 分层模型架构：端侧 + 云端
随着端侧推理能力的提升，Agent 的模型架构正在走向分层：
简单、高频、隐私敏感的任务 → 端侧模型处理
复杂推理、长上下文、多工具调用 → 云端强模型处理
模型入口统一管理，成本分层控制
这意味着 Agent 不再依赖单一的”超级模型”，而是像现代操作系统一样，有一个智能的资源调度层。这既降低了对高端模型的依赖（进而降低了被”拉闸”的风险），也优化了成本结构。
8.3 从”通用 Agent”到”垂直 Agent 生态”
2026 年的行业共识是：通用 Agent 的落地难度远超预期，垂直 Agent 正在率先跑通商业模式。
医疗 Agent 辅助诊断准确率达 92%，法律 Agent 合同审查效率提升 5 倍，金融 Agent 风控响应时间从小时级压缩至秒级。这些垂直场景的共同特点是：任务边界清晰、评判标准明确、错误代价可控。
未来更大的可能不是出现一个”万能 Agent”，而是出现一个由数百个垂直 Agent 组成的生态——每个 Agent 在特定领域做到 95%+ 的可靠性，通过 A2A 协议协同工作。
8.4 产品化：Agent 需要自己的”iPhone 时刻”
OpenClaw 像一台典型的”组装机”——用户自己找模型、自己配环境、自己调 API、自己修 Bug。它能力强大，却极度脆弱。极客乐在其中，但普通用户很难长期忍受。
Agent 行业正处在个人电脑出现之前的阶段：技术爱好者热衷于”攒机”，但大多数人只想按下开机键。
下一阶段的竞争焦点将是谁能率先把 Agent 做成”封装好的产品”——不需要安装、不需要配置、不需要理解 MCP 和 A2A，开机即用。大厂（Anthropic Computer Use、OpenAI Operators、腾讯 WorkBuddy）在这方面有天然优势，因为它们掌控着操作系统层面的分发渠道。
8.5 开源 vs 闭源：Agent 的路线之争才刚刚开始
OpenClaw 证明了开源能让 Agent 技术以惊人速度扩散，但也证明了开源 Agent 在商业模式上的脆弱性。当核心成本（模型推理）掌握在闭源厂商手中时，开源 Agent 本质上是在”租用”别人的基础设施。
Hermes 试图通过”迁移成本壁垒”（越用越离不开）来解决这个问题。大厂则从另一端切入：通过操作系统集成（Computer Use）和企业级服务（MCP 生态）来构建护城河。
Agent 的未来未必属于最自由的系统，而更可能属于那些最稳定、最安全、最容易被普通人使用的系统。开源和闭源会长期共存，但开源 Agent 必须找到不依赖”算力套利”的可持续模式。
结语：退潮不是结束
OpenClaw 的 GitHub 星标仍在增长，总计已超过 30 万。它并没有”死”，只是”全民养虾”的第一阶段结束了。
退潮让几件事变得清晰：
Agent 的需求是真实的：10.4T 的 Token 调用量不会说谎。
但需求的形态和行业想象的不一样：大多数人要的不是”24 小时数字员工”，而是”更好的工具”。
技术上走对了方向：MCP/A2A 标准化、多 Agent 协作、持久记忆、端侧部署——只是还不够成熟。
商业模式的根本矛盾没有解决：顶级模型的高成本和用户支付意愿之间的鸿沟，是所有 Agent 产品都要面对的核心问题。
OpenClaw 用 50 天让整个行业提前看到了未来，又用接下来的 50 天揭示了通往那个未来还有多少路要走。
下一阶段，行业不再只问”Agent 能不能动手”，而是追问三个更本质的问题：
它能不能稳定地动手？能不能便宜地动手？能不能在可控范围内动手？
谁能同时回答这三个问题，谁才更接近真正可持续的 AI Agent。
更多有趣和深度内容欢迎关注本公众号