夜雨聆风最近 AI 圈最火的不是什么大厂发布会，是一个叫 OpenClaw的开源项目。
它能做什么？简单说：你发一条消息，它帮你查邮件、订会议、整理文件、回复客户——像个不睡觉的私人助理，24小时在线。一上线就登顶 GitHub 全球热榜，有用户说第一次用完，"感觉世界又变了一次"。
但绝大多数人在惊叹它神奇的时候，没人去问一个更根本的问题——
这东西，为什么现在才出现？凭什么现在的 AI 能"干活"了？
AI 以前为什么"干不了活"？
用过早期 AI 的人大概都有过这种感受：你让它帮你安排今天的工作，它给你洋洋洒洒写一大段"建议"，但就是不会真的帮你去操作。你让它查一件事，它"知道"的全是训练时学到的旧知识，查不了实时的信息。
原因说穿了其实很简单：以前的 AI 只会"想"，不会"动"。
当时流行一种叫"思维链"的方法——让 AI 做题时把推理过程一步步写出来，"首先……其次……因此……"，逻辑确实变清晰了，但它所有的知识都锁死在训练数据里。就像一个参加闭卷考试的书呆子，教材以外的事一问三不知，而且还会一本正经地胡说八道。
也有人反过来，给 AI 配上工具——搜索引擎、计算器、数据库——让它直接去执行动作。但问题是，它"手快脑慢"，知道怎么查，不知道为什么查，查完也不知道下一步该干什么，像个没有方向感的实习生，容易原地打转。
一个只会想，一个只会动。这两条路，各有各的死胡同。
一篇论文，把这两条死胡同打通了
2023年，一个在普林斯顿念博士的中国年轻人，发表了一篇后来被无数人引用的论文。
论文的名字叫 ReAct，作者叫姚顺雨。
ReAct 的核心思路，说起来朴素得有点出乎意料——
让 AI 把"想"和"动"交织在一起：想一步、动一步、看结果、再想、再动。
用一个比喻来说，就像一个有经验的老侦探破案。他不会坐在家里把案子想完再出门，也不会毫无头绪地满城乱跑。他是这样的：
心里先想"凶器可能是刀"→ 去现场找证据 → 没找到，但发现了其他线索 → 调整判断："也许凶器是绳子" → 再去找 → 找到了 → 再想下一步……
想和动交替进行，互相喂养，互相修正，一步步逼近真相。
这就是 ReAct：Reasoning（推理）+ Acting（行动），两件事同时发生，循环往复，直到任务完成。
来看一个论文里的真实案例——这是姚顺雨在论文中展示的 ReAct 实际运行过程，我把它翻译成中文：
问题：除了 Apple Remote，还有什么设备可以控制 Apple Remote 最初设计用来操作的那个程序？
🧠 想（Thought 1）：我需要先搜索 Apple Remote，找到它最初被设计用来操作的程序是什么。
⚡ 动（Action 1）：【搜索】Apple Remote
👀 看（Observation 1）：Apple Remote 是苹果公司于 2005 年 10 月推出的遥控器，最初设计用来控制 Front Row 媒体中心程序……
🧠 想（Thought 2）：Apple Remote 最初是用来控制 Front Row 这个程序的。我接下来需要搜索 Front Row，看看还有什么设备可以控制它。
⚡ 动（Action 2）：【搜索】Front Row
👀 看（Observation 2）：找不到 Front Row。相似词条：「Front Row Seat to Earth」「Front Row Motorsports」「Front Row（软件）」……
🧠 想（Thought 3）：没找到，需要搜索更精确的词条「Front Row 软件」。
⚡ 动（Action 3）：【搜索】Front Row 软件
👀 看（Observation 3）：Front Row 是一款已停产的媒体中心软件，可以通过 Apple Remote 或键盘功能键控制……
🧠 想（Thought 4）：Front Row 软件可以通过 Apple Remote 或键盘功能键控制。所以答案是键盘功能键。
✅ 最终回复：键盘功能键（Keyboard Function Keys）
注意看这个过程：第二步搜索没找到结果，AI 没有放弃、没有乱猜，而是看了观察结果之后，自己想出了"换个词再搜"的策略，然后找到了答案。
这就是"想-动-看"循环最关键的地方——它能处理意外，能在出错后自我修正。而这一点，是之前那些"只会想"或"只会动"的方法都做不到的。
这个思路，到底有多重要？
你可能会想：这不是很"显然"的事吗？边想边做，谁不会？
但在 2022 年之前，整个 AI 领域都没有把这件事做成一个通用框架，更没有人严格证明它的效果。
ReAct 论文一出，AI 在复杂推理任务上的成功率，比此前最好的方法提升了三到四成。这不是小修小补，是质变。论文投到了 AI 顶级学术会议 ICLR，拿到了"口头报告"——那是含金量最高的那一档，全场不到 5% 的论文才能入选。
但更大的意义不是数字，而是它打开的那扇门：
AI 不再只是一个"回答问题的机器"，而是可以成为一个"替你完成任务的代理人"。
从一篇论文，到 OpenClaw
ReAct 之后，开发者们开始想：既然 AI 能"想一步、动一步、看结果再调整"，那能不能让它替我管邮件？能不能替我安排日程？能不能帮我在网上查完资料、整理好、直接发出去？
于是一大批"AI Agent"工具陆续出现。
OpenClaw，就是这股浪潮里目前跑得最快的那一个。
它让任何人都能在自己的设备上，搭建一个真正替你"跑腿"的 AI 助手。它之所以能做到这些，底层逻辑正是"先想清楚要干什么、去执行、看结果、再调整"——和 ReAct 的框架一脉相承。
没有 ReAct 这类研究打下的地基，今天这批能真正"干活"的 AI 助手，根本站不起来。
顺便说说这个年轻人
姚顺雨，1998年生。高考704分入清华"姚班"，普林斯顿博士，2024年加入 OpenAI。2025年底被腾讯挖走，出任首席 AI 科学家，向腾讯总裁刘炽平汇报。彼时，27岁。
他自己怎么看现在的 AI？他在一篇文章里写道：上半场打完了，下半场刚开始。
上半场，大家比谁的模型更大更强。下半场，要比的是 AI 能不能真正嵌入现实世界，把事情实实在在做完。
OpenClaw 的爆火，大概就是下半场开场哨响的声音。
参考来源
① 姚顺雨入职腾讯：南方网《27岁便掌舵腾讯核心部门，天才少年姚顺雨有何来历？》（2025年12月24日）
② ReAct 论文原文：Shunyu Yao et al.《ReAct: Synergizing Reasoning and Acting in Language Models》，发表于 ICLR 2023（arXiv 预印本首发于 2022 年 10 月，arXiv:2210.03629），https://arxiv.org/abs/2210.03629
③ OpenClaw 项目主页：https://openclaw.ai / GitHub: https://github.com/openclaw/openclaw