当AI热潮退去,一定别急着停止探索

今年3月，OpenClaw掀起了一阵“养虾”热。各地组织体验活动，大厂密集跟进，原本属于技术圈的Agent，突然成了许多人想试一试的新东西。围绕下一代工作入口的争夺，也随之展开。

那时，人们对它抱有很大的期待：只要交代清楚，电脑就能自己干活。那些耗费时间、反复操作、迟迟不想动手的事情，似乎终于有了可以托付的对象。

半年过去，再回头看，气氛已经变了。至少在我接触的工作环境里，一些曾经被热烈讨论的“龙虾”工具，后来渐渐没了动静。最初的问题是“它还能做什么”，现在更多的疑问变成了“折腾这么久，到底有什么用”。

我能理解这种失望。一个工具让人花了时间，付了费用，最后却没有完成承诺的工作，当然应该接受批评。但是，我不太愿意就这样停下来。试过几次，碰到一些问题，便认定AI不过如此，这个结论下得有些早。

一款产品退场之后

最近，腾讯QClaw宣布将于2026年12月24日停止服务，同时提供向WorkBuddy迁移的安排。从3月上线，到9月宣布停运，这个消息很容易让人联想到一轮热潮的结束。不过，公告里的迁移安排也值得留意：腾讯仍然保留着Agent服务，只是在调整承载这些服务的产品。

一款产品退出，可能涉及定位、成本、内部资源分配，也可能确实没有找到足够有价值的使用场景。仅凭停运这件事，我们还无法判断究竟是哪一种原因，更不能顺势认定整个方向已经走不通了。

与此同时，新的尝试仍在发生。9月，Meta发布了个人Agent产品Muse。按照官方介绍，它运行在独立的云端环境中，可以跨应用处理任务，并在发送邮件、购买商品等敏感操作前征求用户许可。这些设计能否在日常使用中稳定兑现，还需要检验，但它至少说明，围绕个人Agent的探索并没有随着某一款产品退场而结束。

从OpenClaw到Codex，再到Muse，我不急着给它们排出一条谁取代谁的进化路线。对使用者来说，更值得关心的是，个人的事情，究竟交给哪个工具更合适？它能做到什么程度？哪些地方仍然需要我介入？

产品的名字可以换，使用方式也可以改。没有必要为了证明自己当初的判断正确，守着一个不好用的工具；同样，也不必因为某个工具让人失望，就把此前积累的经验一起扔掉。

失望究竟发生在哪里

最初接触Agent时，我们很容易高估它的独立工作能力。看过一次流畅的演示，便觉得自己的工作也能照样交出去。

可演示结束之后，麻烦才刚刚开始。Anthropic在关于长任务Agent的工程文章中，就记录过一些很具体的问题：任务跨越多个工作阶段后，Agent可能接不上此前的进度，也可能在事情尚未完成时过早宣布成功。让它连续、可靠地做事，仍然需要额外的工程设计。

这些缺陷不能全归咎于用户。一个产品宣称开箱即用，却要求普通人自己解决大量配置和维护问题，用户没有义务替它完成剩下的产品开发。对于某些任务，手动做完确实比反复纠正AI更省事，承认这一点并不丢人。

但另一方面，我也越来越觉得，有些失望值得再往下追问一步。

譬如，想让AI做一份经营分析，我们可能上传一张表，说一句“分析一下为什么下降了”，然后等待一份足够专业的报告。可这份报告要给谁看，要支持什么决策，数据口径有没有调整，哪些变化与节假日有关，哪些判断需要额外证据，这些事情并没有因为文件上传成功，就自动交代清楚。

我们自己做分析时，脑子里带着许多背景知识，也会在过程中不断核对和修正。把任务交给AI时，却很容易把这些条件省略掉，只留下最后一句要求。

我现在愿意花更多时间去弄清楚：一次任务失败，究竟卡在模型能力，还是缺少资料？是工具无法访问必要的系统，还是任务本身就没有说清楚？如果连失败发生在哪里都不知道，换一个产品重试，很可能只是再失望一次。

这也是我关注Harness的原因。这个词听起来有些技术化，实际指的是围绕模型搭建的工作环境：它从哪里获取资料，怎样调用工具，如何保存进度，出了错如何恢复，完成后又怎样检查。OpenAI分享Codex的工程实践时，也将大量工作放在了这些环节上，包括整理可访问的知识、明确约束，以及建立测试和反馈机制。

这些事情没有“输入一句话，交付一个完整项目”那么令人兴奋，却更接近日常工作的实际情况。

当然，我也不赞成无限折腾。如果一个流程维护了很久，依然比自己做更慢，就应该停下来，换一种办法，或者暂时搁置。继续探索，需要对具体问题有耐心，也需要对无效投入保持警觉。

商业回报应该追问，个人学习也值得继续

谈到AI，总会遇到一个问题：投进去这么多钱，什么时候能获得回报？

这个问题完全合理。投资人需要回报，企业需要收入，使用者也需要确认付出的费用是否值得。不能只因为一项技术足够新，就要求所有人无限期地等待。未来值得期待，也无法替今天的每一笔投入作担保。

把这些质疑简单看来可以归为浮躁，但长期看，持续追问成本、可靠性和实际收益，才有可能让产品离真实需求近一点。

站在个人的角度，我们面对的选择没有那么宏大。

我使用一个AI工具，并不需要先证明它背后的公司一定会成为商业上的赢家。我更关心的是，在自己的工作中，它能否减少一些重复劳动，能否帮助我完成过去做不了的事情，能否让我更充分地理解一个问题。把沟通、检查、返工的时间都算进去之后，结果是否仍然值得。

这笔账，和一家企业投入巨额资金建设算力基础设施的账，显然不能混在一起算。

有的产品商业前景尚不清晰，但已经能解决我的具体问题；有的产品声势很大，对我却没有多少帮助。我完全可以取消不值得的订阅，停止没有收益的尝试，同时继续学习和使用其他工具。

支持AI发展，也不需要替每一个AI产品辩护。

对我来说，保持探索还有一层价值：很多判断只有亲手做过才会形成。知道一个任务在哪一步容易出错，知道什么样的资料能帮助它完成工作，知道怎样辨别一份看似完整、实际缺乏证据的结果，这些经验很难只靠阅读产品介绍获得。

当然，其中也会有过时的部分。今天花很大力气解决的配置问题，可能明天就被一次产品更新抹平了。我并不觉得所有折腾都能留下价值。值得保留的，是对任务更清楚的理解，以及对结果更严格的判断。

熟练的工作，逻辑变了

我仍然看好AI，但不愿把这种判断写成一张确定的未来时间表。

模型会发展到什么程度，Agent能承担多少工作，哪些岗位会发生怎样的变化，现在都不适合轻易下结论。尤其是“学会AI就不会被替代”这样的保证，我并不相信。工具变强以后，连今天花心思搭建Agent的工作，也可能变得更容易，甚至不再需要人工参与那么多。

正因为如此，学习AI也不能只停在熟悉几个产品、记住一些操作技巧上。

我更愿意从自己反复遇到的问题出发，尝试让AI参与其中，再根据结果调整做法。一份需要经常更新的分析，一项繁琐的资料整理，一个过去因为技术门槛而迟迟没有动手的想法，都可以成为起点。做完之后，再问问自己：到底省了什么，增加了什么，又产生了哪些新的麻烦？

相比不断收集新工具，我更希望把少数事情做得扎实一些。也希望在使用AI的过程中，保留独立思考的习惯。不能因为它总能给出一份流畅的答案，就省略了自己形成判断的过程。

前些天读到《我不得不把才华埋葬在昨天》，我对这个标题印象很深。文中谈及从亲手编写算子，转向借助Agent完成工作的变化。

它让我想到，面对技术变化，难受的有时不只是对未来收入的担忧。一个人花了很多年，终于把一件事做得熟练、漂亮，也从中获得了认可。突然有一天，完成这件事的方式变了，自己最珍惜的那部分手艺，不再需要被同样程度地使用。即使知道新方法更有效，也很难立刻释然。

我不觉得这种情绪需要被嘲笑。我们可以舍不得过去，也可以给自己一点适应的时间。

但我不愿为了维护对旧有能力的自信，拒绝了解正在发生的变化。过去的经验未必全部失效，它们还可以帮助我判断结果、发现问题、提出更好的要求。只是，这些经验需要在新的做事方式里，重新找到用处。

写下这些文字时，我正在国外旅行。这次，我没有带上厚重的电脑。就这趟旅行需要处理的交付而言，Agent已经能够承担其中的大部分工作。

这当然不代表所有人的工作都可以这样完成，也不代表结果从此无需检查。交出去的任务，仍然需要有人判断是否完成、是否可靠。但对我来说，这已经是一种很具体的改变：有些过去必须坐到电脑前才能处理的事情，现在有了别的完成方式。

相比关于未来的宏大争论，个人需要从已经发生的小变化里，形成自己的判断。

这趟旅行，我已经少带了一台电脑。接下来AI还能帮我做些什么，是一个值得持续探讨的话题。