从 OpenClaw 到 Super-agent,AI 为什么越来越像一个同事?

想象一下，你让 AI 帮忙做一份活动复盘。

第一天，你把资料找齐，解释数据口径，告诉它哪些结论不能乱下。来回改了几次，终于有点样子了。

第二天，同事补了一份新数据。你在手机上找它，说：“昨天那份，按新的口径再看一下。”

如果它接着问你“请提供背景材料”，心里大概会冒出一句：

昨天这半天，咱俩算是白聊了？

还有一种情况更微妙。它记得昨天的结论，却不知道今天条件变了，继续很认真地把旧结论写得更漂亮。

这就更费劲了。你除了找资料，还得解释为什么昨天说过的话，今天不算数。

做出一份东西，和把一件事持续做下去，中间还隔着不少工作。

最近从 OpenClaw、Personal Agent，一路看到 DeepSeek 的 Super-agent，再结合腾讯技术工程这篇关于 Agent 演进的观察，我越来越觉得，理解这波变化，可以从这些不起眼的麻烦入手。

它们看起来在换名字、换入口、换架构，背后却反复碰到同一个问题：AI 接过一部分活以后，剩下那些找背景、传变化、盯进度、纠错误的事，谁来做？

先别把这几个名字，排成一张升级表

OpenClaw、Personal Agent、Super-agent，容易让人产生一种感觉：虾升级成了个人助手，个人助手又进化出了超级形态。

像游戏角色转职，装备越来越闪。

但这几个名字，说的并不是同一回事。

OpenClaw本来就在做个人 AI 助手：通过熟悉的消息渠道联系，背后接着运行环境、工具和记忆。它并不是一个后来被 Personal Agent 淘汰的“纯聊天机器人”。

Personal Agent 更强调一种关系：这个助手长期围绕谁的事情工作，知道哪些背景，在什么范围内可以代表这个人行动。

DeepSeek 的 Super-agent，则给出了一种组织工作的设计：事情从多个地方进来，怎样接住、分派，怎样并行推进，又不让用户挨个会话当调度员。

一个是具体实现，一个是服务关系，一个是架构探索。它们可以重叠。

所以，与其记住“上一代叫什么、下一代叫什么”，我更想看：我们开始把哪一部分工作，认真交给 AI 了？

聊天方便以后，人开始嫌它离工作太远

最初让人兴奋的，是联系方便。

不用坐回电脑前，在常用的聊天工具里发句话，就能让助手去查东西、处理文件。OpenClaw 这类产品，把这种用法带到了很多人的眼前。

但用来做复盘，你很快会发现，方便发一句“帮我分析”，只是开头。

活动目标在哪份文档？哪些数据已经更新？昨天为什么删掉那段结论？同事在群里补过的限制，它看到了吗？

这些东西，有的在文件里，有的在工具里，还有的在你脑子里。

AI 如果每次都要等你搬过去，执行的动作是少了一些，准备工作却还在你手上。

于是，工作台、IDE、桌面应用的意义就出来了。你和它能围绕同一份材料修改，能查看执行结果，也能把失败尝试和判断依据留下来。

这里真正重要的是，它能不能接上工作发生的地方。聊天窗口背后也可以有完整工作区，桌面应用也可能拿不到关键资料。换个界面，不会自动补齐上下文。

OpenClaw 自己也有工作区和记忆的设计，所以这不是“Bot 不行，桌面才行”的比赛。无论从哪里出发，只要真做事，就迟早要处理资料、工具和工作记录。

用得越深入，人越不愿意继续充当文件搬运工。

Personal Agent 的“个人”，不只是记住你爱喝什么

材料能读到了，还会冒出一个更难的问题：它为什么总得重新认识这份工作？

回到活动复盘。

你纠正过一次：“注册人数增加，不代表活动已经产生业务价值。”

如果下次，它仍然看到一条上涨曲线就写“效果显著”，那之前的沟通就没有真正用上。

我希望一个长期助手能留下来的，包括这类东西：我们怎么判断结果，哪些说法需要证据，什么情况下先来问我。

同时，它还得允许这些认识被更新。今天的项目目标改了，昨天适用的判断就可能要重看。记性好，却分不清新旧，照样会帮倒忙。

这也是我理解 Personal Agent 的一个重点：它围绕你的事情持续工作，逐渐积累能够继续合作的背景。称呼你“老板”，或者记住你的咖啡口味，离这件事还挺远。

积累越有用，你就越希望随时能联系上同一个助手。

在电脑前改完初稿，出门后从手机补个条件；它需要你确认时，也能找到你。你想延续的是昨天的工作，不是重新给另一个聊天框做入职培训。

这就解释了为什么有些工具从 Bot 走向工作台，另一些从工作台补起消息入口。

表面上像绕回去了，实际要求已经变了：入口可以换，同一件事要接得上。背后需要会话、资料和任务记录的支持，并不是加个聊天渠道就自动打通。

同事一句话改了要求，总不能等你回来再转发

不过，只靠你随时找它，还是会漏。

假设同事已经在活动讨论里说：“复盘先别发，数据口径还要调整。”你正忙着开会，没看到。AI 也不知道，照原计划继续写。

这时候，缺的就不只是记忆了。它需要接到正在发生的变化。

事件驱动，说的就是这一层：消息、评论、执行结果等变成系统的输入，按照规则进入相关任务。你不必每次亲自复制，再补一句“请注意这条”。

在 DeepSeek 的设计中，新任务先由 Router 判断和分派。某个 Worker 接下工作，并订阅相关讨论串之后，同一串里的后续事件，就可以由程序直接送过去。

程序负责把消息送到，Worker 再用模型理解：“这是补充材料，还是要求变了？”遇到超出原任务范围的变化，再交回协调。DeepSeek 设计原文

它不等于让模型全天候盯着所有群，也不等于看见一句话就可以行动。谁说的、属于哪件事、授权做到哪里，仍然需要规则。

公开的 Super-agent 是研究原型，与内部版本和设计文章不完全相同。但这里提出的问题很明确：如果希望 AI 接着做事，变化就不能永远靠人手动送过去。

而当很多任务同时在变，光有一个聪明助手，也会忙不过来。

用顺的专业能力，还可能被别人需要。比如复盘助手熟悉了一类业务口径，同事也想请它帮忙，未必人人都要重新搭一套。可以让各自的助手把问题送过来，补充背景，拿回结果。

这时，背后既有专业能力的维护者，也有提出问题的人。哪些资料可以用、结果由谁确认、后续变化找谁，就都得安排清楚。个人助手可以连接别人的专业能力，也不必把所有知识都装进自己脑子里。

这才进一步需要讨论分工：哪些事各自推进，哪些变化归谁处理，什么情况要重新协调。Super-agent 关注的，就是其中一套安排。它也不意味着每个个人助手，都必须养出一支 AI 大军。

事情越多，越不能只给每个助手加一句“认真点”

如果复盘助手总用错数据，你会怎么办？

最顺手的办法，是补一句：“以后务必仔细核对。”

它也很配合：“好的，我会更加严谨。”

然后下次，严谨地读了同一份旧文件。

真正该查的，可能是资料入口：它是不是根本看不到最新版？也可能是处理方法：它拿到了新文件，却没检查口径有没有改变。

这时候，要改的不只有提示词。还包括文件怎么找到、工具怎么调用、任务怎么继续，以及结果怎么检查。把这些安排放在一起，就是常说的 Harness——让模型实际干活的那套环境和机制。

有意思的是，AI 也开始参与修改这套环境。DeepSeek Harness 的 Creator mode支持通过对话创建插件，扩展工具、Skill 和界面。

它意味着，你发现一个重复卡点以后，可以让有执行能力的 Agent 帮忙补工具、调整流程，再拿实际任务验证。

腾讯那篇文章的作者还分享了另一种做法：让已经用顺的 Agent 帮忙准备例子、检查新 Agent 的结果、调整做法，人主要看有分歧的地方。

我觉得这个方向值得关注。不过，“带会了”仍然要看新助手能不能独立处理新例子；老助手一直替它收尾，不能算交接完成。

这些改进也不等于模型自动更新了参数。很多时候，变化发生在它能看到的资料、可用的工具、工作说明和测试方法里。

对于使用者，实际差别却很大：以前，发现问题之后，配置、调试、检查都得自己做；现在，有一部分也可以请 Agent 一起完成。

一次次往前走，都在碰人原来默默补上的工作

把这些变化连起来，我更愿意这样理解 Agent 的演变。

刚开始，交给它的是一个动作：找资料、改文件、跑工具。

后来，希望它接住一件持续的事：记住进展，接收变化，遇到问题别闷头往下做。

事情多了，就要把分工、交接和协调安排好；用得久了，还希望它参与维护这些做法，而不是什么都等人重新配置。

这些需求会交错出现，并不按产品发布时间整齐排队。但它们有个共同的推动力：AI 每多接一段工作，就会暴露出原来由人默默补上的那部分工作。

会写报告了，才发现找对资料很费劲。资料接上了，才发现昨天的判断没留下。前情记住了，又发现今天的变化没有送达。事情都能推进了，还得有人检查结果、处理冲突。

所以，Agent 演变不只是技能表变长。我们也在不断重新分配：哪些琐事可以交出去，哪些判断还需要自己来。

一个长期助手，既要让你少操心，也得让你知道它正在做什么、哪里拿不准。能读到材料，不等于可以转发；帮你写完复盘，也不等于能替你向外承诺。长期合作越深入，权限、暂停和纠正的办法越得清楚。

我不认为终点一定是一个包办所有事的“超级分身”。对明确、重复的工作，一个小助手就可能很好用；需要多方协作的项目，才更需要复杂的组织方式。

以后再看一个新 Agent，我想先拿一件真实的小事试试。

第一天把它带到能做；第二天换个入口，补一条新条件，看看它能不能找回前情、理解变化，继续往前走。再换一份材料，看上次纠正过的问题还会不会出现。

如果每次都得从头讲一遍，那再热闹的能力展示，离日常好用也还有距离。

你希望 AI 帮你接住的哪件事，现在还得靠自己一遍遍补背景、传消息？

关注《职场作业本》：

 如果你关心 AI 前沿如何真正影响工作、产品和商业，欢迎关注《职场作业本》。这里不只追新闻，更关注新技术进入真实业务后，到底改变了什么。

AI 使用声明：

 本文基于作者选题与观点，使用 AI 辅助资料整理、撰写和排版，封面由 AI 生成。