夜雨聆风今天读到刘小排老师的一篇文章，讨论最近很多人在使用 OpenClaw 之后，觉得它“鸡肋”。OpenClaw是鸡肋吗？
正好最近这段时间，我也在教不少金融行业的朋友上手 OpenClaw。很多人是完全没有编程背景的从业者，从投资、交易、研究到投行、资管都有。
而在这个过程中，我收到了大量几乎一模一样的问题：
“OpenClaw 真的有用吗？”
“为什么感觉它很笨？”
“是不是被市场吹过头了？”
这些问题，其实和刘小排文章里 Mae Y 的困惑非常类似。
看完之后，我的第一反应不是去讨论 OpenClaw 本身到底好不好，而是意识到一个更有意思的现象——
很多人在使用 AI 时，表现出来的思维方式，和技术人员对待非技术人员时的行为，几乎一模一样。
而这恰恰是很多人用不好 AI 的核心原因。
技术人员与非技术人员之间的“天然鸿沟”
非技术背景的人和技术团队合作，大概率会见过这样几种典型场景。
1. 看不起不懂技术的人
很多技术人员虽然嘴上不会直接说，但心里其实是有一种隐形的优越感的。
当别人问一些他们认为“基础到不能再基础”的问题时，表面上可能还会耐心解释，但心里其实已经在打分了。
“这个人是不是不太聪明。”
2. 耐心是有限的
通常解释两遍还听不懂，耐心就会开始明显下降。
这种变化往往不需要语言表达出来，一个细微的表情就足够了：
微微皱眉 语气开始变快 解释越来越敷衍
对方虽然没有说，但你已经能感受到那种潜台词：
“怎么这么简单的东西都听不懂。”
3. 习惯使用技术语言
很多技术人员在讲问题时，习惯用专业术语解释：
Docker 向量数据库 context window
问题在于，这些术语在他们看来是日常语言，但在非技术人员听起来其实和天书差不多。
于是沟通就变成了：
技术人员讲得很认真
听的人却越来越迷茫。
很多人对待 AI 的方式，其实也是这样
有意思的是，当金融行业的人开始使用 OpenClaw 时，我发现他们也会犯完全一样的错误。人在自己擅长的领域，天然会对"不懂的人"失去耐心。
原本被技术人员“看不起”的人，现在开始“看不起 AI”。
1. 没耐心
很多人第一次使用 OpenClaw 的流程是这样的：
给 AI 一个模糊任务 AI 产出不理想 觉得 AI 很笨 得出结论：OpenClaw 没用
整个过程通常只需要 10分钟。
但现实是——
AI 本质上是一个需要被训练的执行者，而不是一个自带所有业务理解的专家。
如果一个实习生第一天上班就被要求：
“去写一份行业研究报告。”
然后因为写不好就被否定。
这件事本身就很荒谬。
但很多人对 AI 的要求就是这样。
2. 抱怨幻觉，但不给 context
另一种非常常见的情况是：
用户会抱怨：
“AI 幻觉太严重。”
但你仔细看他的 prompt，可能只有一句话：
“帮我分析一下中国新能源行业。”
没有数据
没有时间范围
没有分析框架
没有研究维度
AI 在这种情况下只能生成 泛化内容。
这和分析师写研报是一样的。
如果你不给数据源，不给研究框架，任何人写出来的内容都会很空。
AI 并不是魔法。
3. 无法把自己的工作流程翻译成 AI 能理解的语言
这是金融行业最典型的问题。
很多从业者其实非常专业。
但他们的专业能力是 隐性知识。
例如一个基金经理在做研究时，脑子里的流程可能是：
看宏观环境 看行业周期 找龙头公司 看财务结构 判断估值空间
这些东西在他脑子里非常清晰。
但当你让他告诉 AI 怎么做时，他往往只会说：
“帮我写一份新能源行业的研究报告。”
于是 AI 就只能生成一个模板化报告。
而真正的专业分析，其实在 流程里。
类似的事情发生过很多次
如果把时间拉长一点，你会发现这种现象并不新鲜。
最典型的案例就是 比特币。否定比特币最坚决的是谁？就是在传统金融里扎根最深、既得利益最大的那群人。
2013—2016 年，比特币刚开始进入大众视野时，传统金融行业的主流观点几乎是一边倒的否定：
“政府一定会封禁” “普通人不会用” “没有实际价值” “只是投机泡沫”
从很多角度看，这些判断甚至并不是完全错误的。
比如在中国市场，这些判断 在很长时间内都成立。
但问题在于——
当一个新事物刚出现时，它往往只在极少数场景中有价值。
那些只看主流场景的人，自然会得出“没用”的结论。
但新的财富机会往往恰恰来自那些 最早的小场景。
拥抱 AI 时代的一个核心能力：情绪管理
在我看来，真正能用好 AI 的人，有一个非常重要的能力：
克服情绪化。
很多人在使用 AI 时，其实是在做一件事：
把情绪发泄给一个不会反抗的对象。
AI 是一种非常特殊的工具。
它不会反驳
不会争辩
不会反击
于是人类的情绪缺点就会被无限放大。
当 AI 做不好时，人们很容易下意识得出结论：
“AI 不行。”
但现实很可能是：
指令不清晰。
张一鸣曾经说过一句很有意思的话：
情绪化，是企业经营的大敌。
我们可以算一笔简单的账。
假设一场高管会议：
10个人参会 每人时薪约 220 元 会议时长 3 小时
那么人工成本就是：6600 元。
如果其中 70% 的时间被情绪消耗掉，那么：4620 元的成本实际上被浪费了。
更大的成本是：负面情绪会向整个组织扩散。
在使用 AI 时，道理是一样的。
当 AI 没有达到预期时，一个更有价值的问题其实是：
“我哪里没有把任务讲清楚？”
按照今天大模型的能力水位线，你要是还用不好 AI，大概率是你自己的问题。 每次结果不满意的时候，先别急着下结论，先问自己：我给的 context 够不够？我的指令是不是太模糊了？我脑子里那些"我觉得所有人都应该知道"的默认前提，有没有喂进去？
另一个障碍：过度自我强化
第二个常见问题，是 过度依赖过去经验。
很多人会用自己过去成功的经验来判断新技术。
于是就会出现一些典型观点：
“OpenClaw 就是自娱自乐” “都是炒作” “AI 连简单数学都答不对”
这些判断本身未必完全错误。
但问题在于：
它们往往成为拒绝探索新工具的理由。
在创业领域，有一个很常见的现象叫：
自嗨。
创业者如果过度相信自己的判断，而忽视市场反馈，就容易陷入：
自己觉得很对 团队不敢反对 用户逐渐流失
最后只剩下一个人沉浸在自己的逻辑里。
AI 的使用其实也是一样。
如果一个人已经提前决定：
“AI 没用。”
那他几乎不可能真的用好它。
OpenClaw 的价值到底在哪里？
回到最初的问题：
OpenClaw 是不是鸡肋？
客观来说，今天的 OpenClaw 当然还不完美。
记忆体系还很初级 工具调用还不够智能 长任务稳定性还有问题
但它真正改变的，并不是某一个具体能力。
而是一件更大的事情：
工作方式。
未来的很多工作，很可能会变成一种新的结构：
谁能够更早学会这种协作方式，谁就能获得效率优势。
所以回到最开始的问题：
OpenClaw 真的是鸡肋吗？
答案其实很简单。如果你只是偶尔试试，当然可能是鸡肋。
但如果你愿意：
拆解流程 提供 context 持续优化
它很可能会成为一个非常强的杠杆。
新工具从来不会一开始就完美。
但历史上所有真正改变世界的技术，几乎都有一个共同特点：
在早期阶段，看起来都不太好用。
区别只在于：
有的人选择等待它变好。
而有的人选择 先拥抱它。
与君共勉