夜雨聆风
导语
2026年中关村论坛“OpenClaw与AI开源圆桌会议”上，几位来自模型层、Agent层和基础设施层的嘉宾，围绕 OpenClaw、开源Agent、长上下文、推理成本、算力瓶颈以及未来十二个月的大模型演进方向，展开了一场非常有代表性的讨论。表面上看，大家谈的是 OpenClaw 为什么火；但更深层次上，这场讨论回答的是另一个更重要的问题：当 AI 从“回答问题”转向“完成任务”，产业的真正机会与真正瓶颈分别在哪里？
如果把这场圆桌浓缩成一句话，那就是：OpenClaw的意义，不只是一个现象级产品的走红，而是它让更多人第一次真切感受到，AI不再只是一个会聊天的助手，而正在变成一个能执行、能协同、能交付的数字劳动力。而一旦这个趋势成立，整个产业的竞争重点就会发生根本性变化。
一、OpenClaw真正带来的，不是一个爆款产品，而是“人人都能调动顶尖AI能力”的新起点
这场圆桌中，张鹏一开始就给出了一个很有代表性的判断：OpenClaw带来的最大突破，不在于它只是一个更好玩的产品，而在于它让顶尖模型能力第一次不再只属于程序员、极客和少数技术玩家，而是开始走向更广泛的人群。他把 OpenClaw 形容成一个“脚手架”，这个说法很传神。因为它并不是单纯替代模型本身，而是在模型之上搭起一个牢固、方便、灵活的能力结构，让原本不会写代码、不会调工具、缺乏复杂技能的人，也能够通过自然交流把想法真正做出来。
这件事为什么重要？因为过去很多人接触大模型，本质上仍是在“问答逻辑”里体验AI：提一个问题，得到一个回答；给一个指令，得到一段文本。但这种能力的价值，更多仍停留在启发、辅助和沟通层面。而 OpenClaw 让大家看到，AI 可以开始进入执行层。人们不再只是“问它一个问题”，而是“交给它一个任务”。这意味着，AI的价值尺度第一次被明显拉高了。从回答，到执行；从建议，到交付；从辅助思考，到帮助完成复杂工作，这个变化看似只是一步，实际上是AI产品范式的一次跃迁。
夏立雪的发言也从另一个角度印证了这一点。他坦言，自己一开始使用 OpenClaw 时并不适应，因为过去已经习惯和大模型聊天，而 OpenClaw 的反应看起来“更慢”。但后来他意识到，OpenClaw并不是一个聊天机器人，而是一个可以承担大型任务的助手。当他开始交给它更复杂的任务后，才真正体会到这种产品形态的不同。也就是说，OpenClaw并不是在同一个维度上和聊天模型比快慢，而是在另一个维度上重写用户对AI的期待：不是一句话是否惊艳，而是整个任务能不能完成。
罗福莉则把这种变化进一步概括为“随时随地的想象力延伸”。她提到，某些工具可能一开始更多局限在桌面环境，而 OpenClaw 让创意和执行能力的延展变得更自然、更随时可用。这句话背后其实反映出一个更大的趋势：AI正在从“你去适应工具”变成“工具更像一个数字助理来适应你”。黄超也提到，OpenClaw爆火的一个原因，是它第一次通过 IM 式嵌入的交互方式，让大家感受到一种更强的“活人感”，比过去的工具感更进一步，更接近许多人心目中“个人贾维斯”的想象。
所以，OpenClaw真正引爆的，不是一个单点功能，而是一种认知跃迁：原来顶尖AI能力不只是供少数人调用的技术资源，而开始成为更多普通人可以直接调度的生产力资源。一旦这一点成立，接下来重构的就不会只是某个产品类别，而是软件入口、工作流程、组织分工以及数字生产力的定义本身。
二、AI正在从“聊天时代”进入“干活时代”，模型价值将从“会回答”转向“会交付”
这场圆桌讨论中，张鹏关于 GLM5 Turbo 的介绍，实际上讲清楚了未来一年大模型竞争的核心方向。他提到，这次更新最主要的目的，就是“从原来简单的对话转向真正的干活”。这句话很值得反复咀嚼，因为它意味着模型能力的评价标准正在改变。过去大家衡量一个模型，重点往往是回答是否自然、知识是否广、推理是否聪明；而当模型要真正“干活”时，要求就完全不同了。它必须具备长程任务规划能力，能不断压缩上下文，能 debug，能处理多模态信息，还要能持续自主 loop 而不中断。换句话说，聊天模型和执行模型，考的已不是同一套能力。
这一点，也是 OpenClaw 之所以成为分水岭的原因之一。它并没有只是让大家看到“模型更聪明了”，而是让大家第一次在产品层面感受到：当 AI 被真正放到任务链条中，能力要求会陡然提高。过去用户满足于它能给出一个好答案，但未来用户会更关心它是否能把一个复杂目标拆解出来，是否能跨多步执行，是否能在任务过程中持续纠错，是否能在复杂环境里保持稳定。AI如果不能从“回答得好”进化到“做得成”，就很难真正进入企业级和生产级场景。
更重要的是，一旦进入“干活时代”，商业价值的衡量方式也必须重写。张鹏解释提价时说得很直白：现在不再是一问一答，而是一个很长的思考链路，还要通过写代码和底层基础设施打交道、随时debug和纠错，因此一个复杂任务需要消耗的 token 量，可能是回答一个简单问题的十倍甚至百倍。这个变化说明什么？说明过去“对话式AI”的低价逻辑，很难直接照搬到“任务式AI”时代。未来企业和用户真正购买的，不再只是一次回答，而是一种能持续产出结果的能力。
这也解释了为什么“提价”在这场讨论中不是一个简单的商业动作，而是一个市场信号。它反映出产业正在从训练时代逐步进入推理时代，从“参数竞赛”走向“任务交付竞赛”。如果AI只是陪聊、写段文案、润色文本，价格敏感度会很高；但如果AI是在长链路地解决问题、执行复杂任务、替代部分重复工作，那么它的定价逻辑就会开始接近“结果交付”。低价当然能带来增长，但长期依靠低价并不利于形成良性的模型迭代和服务闭环。张鹏的表述本质上是在说：当AI开始干活，价值要回归到商业现实。
因此，这场圆桌给出的第二个关键判断非常清晰：未来一年，模型能力的竞争重心会从“谁更会说”转向“谁更会做”；商业价值的衡量重心，也会从“每次对话多少钱”转向“完成一个复杂任务值多少钱”。对模型厂商而言，这意味着要强化长程规划、上下文压缩、多模态处理和任务持续性；对用户而言，这意味着在选型时不能只看演示效果，而要真正问一句：这个AI到底能不能把事情做完。
三、开源的意义不只是“免费”，而是把Agent创新从少数公司手中释放到整个社区
如果说 OpenClaw 的产品形态让大家重新理解了 Agent，那么它的开源属性，则让大家重新理解了未来创新的来源。罗福莉在圆桌中明确提到，OpenClaw 的核心价值之一就是“开源”，而且她强调，这对整个社区深度参与、持续改进 Agent 框架，是非常重要的前置条件。这个判断非常关键，因为很多人谈开源时，仍容易停留在“便宜”“透明”“可用”的层面，但在 Agent 时代，开源真正珍贵的地方并不只在于成本，而在于演化速度和创新广度。
为什么这么说？因为 Agent 的价值，很大程度上并不只来自基座模型本身，而来自模型之外的那一层：包括 Harness、Skills、Loop、工作流设计、工具调用方式、记忆体系、交互模式和任务执行机制。罗福莉谈到，像 OpenClaw 这样的 Agent 框架，一个非常大的价值就在于，它一方面把国内水平接近但略逊于闭源模型的模型上限拉得很高，在很多场景里任务完成度已经非常接近 Claude 最新模型；另一方面，它又通过 Harness 系统和 Skills 体系，把下限保证得很好。她的这个观察，实际上点出了 Agent 时代的一个关键逻辑：框架设计本身，可以显著放大模型价值，也可以显著改善模型体验。
从这个意义上说，开源让竞争维度发生了变化。过去如果只看基座模型，很多公司拼的是参数规模、训练资源和封闭能力；但到了 Agent 时代，真正影响用户体验的，可能是更上层的框架创新和生态组织能力。也正因为如此，罗福莉特别强调，OpenClaw 给社区带来的更大价值，是“点燃了大家对模型之外那一层的热情”，让更多研究员之外的人也开始参与到 AGI 的变革当中。这个判断非常值得重视。因为它意味着，未来参与 AI 创新的不再只是少数模型团队，而会包括更多开发者、产品经理、行业专家、工具开发者乃至普通创作者。
黄超的观点则进一步补充了这一点。他认为，OpenClaw 更像一个轻量级操作系统或脚手架，通过一个简单但高效的 Agent Loop 去撬动整个工具生态。随着 Skills 和 Harness 机制普及，越来越多的人可以围绕这类系统设计应用，赋能各行各业，而这又与开源生态天然结合得非常紧密。也就是说，开源在这里不只是开放代码，更是在开放一个能力平台、开放一个创新接口、开放一个多方参与的生态协作机制。
所以，OpenClaw带来的第三个重要信号是：开源不是附加选项，而正在成为Agent时代最重要的创新基础设施之一。它的价值不只是让更多人“用上”AI，而是让更多人“参与塑造”AI；不只是让模型能力扩散，更是让任务框架、工具系统、技能市场和行业应用一起加速进化。对整个中国AI产业来说，这一点尤其重要，因为它意味着未来的优势，不一定只来自单个闭源模型有多强，也可能来自一个更开放、更快速迭代、更具社区活力的Agent生态能走多远。
四、推理时代真正稀缺的，不再只是模型，而是“可持续、低成本、高效率的token供给能力”
如果说前面几位嘉宾更多讨论的是 Agent 带来的能力跃迁，那么夏立雪的发言，则把问题拉回到产业最现实的一面：当 AI 真正开始大规模“干活”时，底层资源究竟撑不撑得住？他给出的观察非常有冲击力：从一月底开始，他们公司的 token 用量基本上每两周翻一番，到讨论发生时已经增长了十倍；而这种增长速度，让他想起当年 3G 时代手机流量爆发的时期。这个比喻非常形象，因为它意味着今天的推理资源，就像早期移动互联网时代的流量一样，正在经历一个从稀缺到爆发、从试用到规模化消费的关键拐点。
这意味着什么？意味着未来产业竞争的核心，不再只是“谁训出了更强模型”，而是“谁能稳定、高效、低成本地把token供给出来”。张鹏在解释提价时已经提到，一个复杂任务消耗的 token 量可能是简单回答的十倍甚至百倍。也就是说，随着模型从对话走向执行，资源消耗的结构会发生剧烈变化。过去训练是最耀眼的焦点，而现在推理正成为更持久、更贴近商业现实的挑战。用户每发起一个复杂任务，背后都对应着大量推理调用、上下文处理、工具交互和持续计算。如果底层供给跟不上，那么再聪明的模型、再惊艳的Agent框架，也很难真正普及。
夏立雪把自己的工作概括为“token工厂”，这个说法很有代表性。他提到，他们一方面接入了几乎所有类型的计算芯片，把国内十几种芯片和几十个不同算力集群统一连接起来；另一方面，要做到在资源不足时，既把能用的资源都用起来，又让每一个算力都用在刀刃上，发挥最大转化效率。这里其实已经揭示了推理时代基础设施竞争的本质：不是简单地堆资源，而是把异构资源组织成一个高效率、可持续、可调度的供给系统。谁能把 token 成本打下来、把供给稳定性提上去，谁就更有可能在Agent时代占据关键位置。
但夏立雪的发言最有前瞻性的地方，还不止于“token工厂”本身，而在于他提出了“Agentic Infra”的方向。他认为，今天很多云计算基础设施，本质上仍是为程序、为人类工程师设计的，而不是为AI设计的。人类发起任务往往是分钟级的，但 Agent 可能在秒级甚至毫秒级连续思考并发起任务，现有很多底层能力并没有为此做好准备。换句话说，当应用正在 Agent 化、工作流正在 Agent 化时，基础设施也不能继续停留在“人类程序时代”的假设上，而必须向“AI原生基础设施”演进。
他甚至把这个趋势进一步推到了更远的未来：在真正的 AGI 时代，连基础设施本身都应该是一个智能体，能够自我进化、自我迭代、自主组织。这个观点听上去很超前，但它至少说明一个方向：未来AI产业的竞争，不只是模型和应用之间的竞争，也是底层系统范式是否跟得上的竞争。谁能够从能源、算力、token到下游应用形成一条更完整、更经济、更可持续的链路，谁就更可能成为下一个阶段的关键基础设施提供者。
所以，第四个核心判断可以概括为：推理时代最稀缺的，不再只是更强模型，而是更强的token经济学。没有低成本、高效率、可持续的 token 供给，再强的 Agent 也难以规模落地；而未来真正值得关注的，不只是模型公司，也包括那些有能力把算力、芯片、调度和能源转化为稳定推理生产力的基础设施厂商。
五、Agent的下一场竞争，不止在模型，而在planning、memory、skills与“自进化生态”
当 OpenClaw 让大家看到 Agent 已经不再是概念验证，而开始进入实际使用之后，一个更尖锐的问题也随之而来：如果 Agent 真的要承担越来越复杂的任务，它下一步还缺什么？黄超对此给出了非常清晰的拆解。他认为，未来需要重点关注的三个关键技术模块是 planning、memory 和 tool use。这个框架非常有价值，因为它把“Agent为什么现在还不够成熟”说得很具体，也把“未来该往哪里突破”说得很清楚。
先看 planning。黄超指出，在长链路任务或者超复杂上下文场景下，比如五百步甚至更长的任务，很多模型并不能很好地进行规划，本质上是模型缺少这方面的隐性知识，尤其在复杂垂直领域更明显。因此，未来很重要的一条方向，是把各类复杂任务的知识逐步固化到模型或框架里。这里的关键启示是，Agent能力的提升不能只靠“模型更大”或“参数更多”，还要靠任务知识工程、流程结构化和更高质量的 skills/harness 机制去弥补规划误差。也就是说，下一阶段比拼的不只是大脑本身，还包括大脑如何借助外部结构更稳定地思考和行动。
再看 memory。黄超谈到，当前 memory 几乎天然会遇到两个问题：信息压缩不准确和召回不准。而一旦任务链路拉长、上下文展开，memory 会快速膨胀，给整个架构带来巨大压力。更麻烦的是，不同任务的数据模态差别很大：coding、deep research、多媒体任务对memory的要求完全不同，因此未来memory不可能只靠最简单的文件系统和Markdown共享来解决，而必须走向分层设计、精细索引和多模态适配。尤其随着 Agent Swarm 这类机制出现，未来一个人可能不只拥有一个Agent，而是拥有一群Agent，这会使上下文管理的复杂度进一步暴增。如何管理“一群龙虾”带来的上下文洪流，已经不再是一个附属问题，而会成为多Agent时代能否真正落地的关键底座。
第三是 tool use，也就是 skills 生态。黄超提醒得很现实：今天看起来 skill 很多，但高质量 skill 其实很少，低质量 skill 会严重影响 Agent 的任务完成度，而且还存在恶意注入和安全风险。这个提醒很重要，因为过去一段时间大家谈 Agent 生态，常常容易把注意力集中在“插件有多少”“能接多少工具”上，但真正决定实际价值的，是这些工具调用是否可靠、安全、可治理。尤其一旦进入企业场景，skills不再只是“好不好玩”的问题，而是“能不能被信任地嵌入真实流程”的问题。
而把这些问题与圆桌最后的开放式展望放在一起看，就能形成一个更完整的未来图景。黄超给出的关键词是“生态”，强调未来软件、数据和技术都要走向 Agent Native；罗福莉给出的关键词是“自进化”，她认为借助强模型和强 Agent 框架，在可验证条件约束下，模型已经开始表现出持续学习和持续优化目标的能力，甚至在某些科学研究任务上，已经能自主运行两三天；夏立雪给出的关键词是“可持续token”，强调没有长期稳定、大规模可用的 token 供给，整个生态不可能持久发展；张鹏则把问题拉回现实，认为未来十二个月最紧迫的仍是算力，因为需求正在十倍、百倍地爆发。
把这几个关键词放到一起，其实就能看清未来一年的主线：Agent的真正竞争，将不再只是“谁的模型更强”，而是“谁能把模型能力、规划系统、记忆系统、技能生态和推理基础设施连成一个可持续、自增强的闭环”。谁能做到这一点，谁就更有机会定义下一代AI应用和下一代软件体系。
结语：OpenClaw只是开场，真正的主戏是Agent时代的全面重构
回看这场中关村论坛圆桌，会发现大家虽然来自不同层次，但最终指向的是同一个共识：OpenClaw的爆火，不应只被理解为一个流行产品现象，而应被视为Agent时代加速到来的一个标志性事件。它让更多人第一次真实感受到，AI正在从“会回答问题”走向“会完成任务”；也让产业第一次更集中地看到，真正的挑战不只在模型，而在开源生态、长上下文、任务规划、记忆体系、技能质量、推理成本和基础设施重构。
如果说过去几年，大模型行业的关键词是“训练”“参数”“榜单”“聊天”，那么接下来一年，关键词很可能会切换为“Agent”“执行”“loop”“token”“生态”“自进化”。OpenClaw的重要性，正在于它把这些过去分散的话题，第一次用一个直观的产品体验串联了起来。它让所有人都开始意识到：AI的下一阶段，不再只是比谁更聪明，而是比谁更能干活、谁更能协同、谁更能形成闭环。
这也意味着，对厂商来说，未来的机会不只在发一个更强模型，而在构建更完整的 Agent 能力体系；对基础设施厂商来说，机会不只在卖算力，而在成为推理时代的“token工厂”；对开发者和开源社区来说，机会不只在跟随模型迭代，而在参与塑造下一代 Agent 框架和技能生态；对企业用户来说，最关键的问题也不再是“要不要用AI”，而是“该如何把AI真正嵌入工作流、转化为结果交付能力”。
从这个角度看，OpenClaw当然不是终局，但它很可能是一个转折点。它让行业看到，Agent不是未来式，而正在变成现在进行时；而围绕 Agent 发生的一切重构，才是未来几年最值得持续跟踪的大趋势。
关于IDC CXO卓越圈
IDC CXO卓越圈旨在为CXO会员提供一个跨界、融合、共享、交流、通向卓越的平台，针对企业在数字化转型过程中遇到的问题进行探讨， 受邀的CXO会员不仅可以听到来自于IDC资深分析师的独家洞察，更可以各抒己见，与来自不同行业的CXO跨界交流， 共享卓越。
IDC CXO卓越圈通过三种方式与大家交流，一是“IDC CXO专属下午茶”线上/线下活动，二是“IDC CXO卓越圈”微信群，三是“CXO卓越圈”公众号。
CXO卓越圈微信公众号的内容覆盖4大方向：总体ICT技术与行业发展趋势，数智化转型的战略方法与实践，支持数智化转型的新技术趋势与应用，CXO角色与组织结构转型。
IDC与您一起在技术加速商业变革的智能经济时代共同学习和进步。
