OpenClaw:Agent的unix moment

周六上午，听了曲老师组织的 AI Coding & OpenClaw 线上分享会。不得不说，咱们曲老师组的场子一如既往地质量高、信息密度大。

这场分享的主题，我总结一下，应该是： AI 在从“能力问题”进入“系统问题”。模型的进步当然重要，但后续真正开始拉开差距的，是如何组织这些能力——包括 Context 的沉淀、Harness 的设计，以及人和 Agent 之间的分工方式。某种意义上，我们正在从“做工具”，走向“构建一个可以健康自运转的系统”。

下面是一些笔记＋我的弹幕/蛐蛐。不一定逻辑通顺，属于想到哪里写到哪里。（原始分享2个多小时，安利同学们下次有机会参加）

任川的分享

上一次听任川分享，是去年 9 月他讲 AI Native 工程团队。当时印象很深，还在身边疯狂安利。半年过去，里面不少观点已经逐渐成为共识。这次他主要聊了对 OpenClaw 的看法。

他认为的价值

AI 已到拐点，自我进化的 AI-only 系统开始普及
OpenClaw 证明 AI 系统依靠 Token 携带的信息就可以保持稳定

这段话是直接从他的 PPT 里摘的。算是共识了。毕竟：

短闭环任务已经可以完全自动化
Token 可以承载 Context Window 内的状态
系统可以在有限任务内完成自我修正

但咱也需要看到限制。。。

长期记忆仍然依赖外部系统
稳定性仍然依赖工程控制
“自我进化”还没有到 system 级别

说OpenClaw 对 AI 发展的影响

Agent = Model × Harness，且 Harness 仍在非常早期
为人设计的软件将高度定制化

这两点本身也属于共识。关于 Harness，我有话想说！哈哈哈，因为这个词从出现开始，我就不知道该怎么翻译。直到这周看到“大聪明”拿爱马仕马具写了篇正经段子，我突然就福至心灵了！如果把 model 看作一匹马，那 Harness Engineering 确实就是“套马的”。会用的人，才能骑得快、骑得稳。此处，必须向各位套马的汉子拱手致敬！

emmm，既然 Harness 如此重要、又如此早期，那新的产品机会，很可能大多集中在这里。以及，一个更有意思的问题是：产品的护城河，会不会从 feature experience变成 Harness experience（不仅指使用体验，还包括质量，可观测等等）

三点使用 OpenClaw 的经验

人的 bandwidth 有限，需要用 agent 管理 agent
agent 之间不靠对话，而是通过文件系统通信
agent 依赖已有工具（比如 Claude Code）完成工作

第一点让我想到“三省六部制”，以及身边一些试图 run 这套但没 run 明白的直男朋友。其实，随着我们逐渐更多授权给 AI，AI自主性越来越高，碳硅协同方式确实会越来越像组织管理：

要有目标对齐（定义任务）
要有阶段汇报（checkpoint）
要有绩效考核（verification 机制）

（写到这怎么感觉有点味道冲了？？？对不起，我收一下）

BTW，我当时看到他这张 slide 笑出声了，

谁不想养个jobs来做创新产品呢。。。谁不想做个划时代的新产品呢。。。做不做得出来另说，放一个随叫随到的jobs在电脑里镇宅旺事业总行吧。。。

东旭的分享

一上来问了一个很哲学的问题。

他说他的关注点正在从“生产力”转向“生产关系”。那问题是——人是否需要和 Agent 协作？

东旭老师我举手，我的答案是：需要，而且会成为常态。

其实我目前比较认同的一种稳定结构是：

人负责（不可外包的部分）

目标定义（What & Why）
约束设定（边界 / 风险 / 优先级）
最终判断（accept / reject）

Agent 负责（适合外包的部分）

任务分解（decomposition）
执行与试错（execution）
信息整理（synthesis）
局部优化（local optimization）

东旭说他的新产品 db9.ai，整个产品从开发上线，到运维和运营推广，基本都是 Agent 在做。他为 Agent 设计了组织结构，由 Agent去管理（和PUA 其他 Agent。他作为人类，只是三不五时地更新篇小作文，让 Agent 学习。

他这里有一个我觉得很妙的点：

spec/ “小作文” 写的不是细节，而是“原则”。是Agent的宪法。

当然咯，能写“宪法”。。。这对人的要求非常高。东旭自己也说，他能把这件事run好，很大程度上依赖于自己多年 coding &架构经验。（所以，我99%搞不定的。摊手）

东旭还反驳了黄仁勋把 OpenClaw 比作 Linux 的说法。他认为，现在还不算Linux，而只是 Unix moment。

太妙了！！！一向潜水的我激动的当时就跑去会议群里发弹幕点赞了！这个类比精准多了。因为，OpenClaw 代表的只是范式被验证，而不是生态已经成熟。（Linux是正经生态噻）

所以，这里的key learning也许是，我们要接受 unix现状，那就要：接受系统不稳定；快速试错，验证结构；不追求完美工程。

那么，也许，现在不应该太早去做：平台化；标准化；规模扩展；生态。嗯。。。

Austin的分享

这部分主要想放一张截图（侵删）。

当时听这块的时候，自己想到2个点：

第一反应是想到我刚整的一个新项目，里头上岗了一枚AI PM，主要工作就是拉通信息，写周报和各种找人催作业。但因为刚开始run，没啥“涌现”。我听完这段后，顿时很期待context多了之后，这个全自主AI PM开始数落我的样子。

第二反应是关于memory的治理，包括里面怎么处理信息的过期，怎么处理多版本信息的冲突，以及怎么处理一条错误信息被持续引用。。。本来这周想借着comment Gemini 的记忆导入，以及 Claude Code 的 AutoDream，深入讨论下memory这趴的。但是这周脑子还是有点信息过载的，放一放吧，有缘再写（这句话放出来，说明就大概率不会写了啊哈哈哈）。

文峰的分享

他有一个比喻，我很喜欢！

Context 是土地
Token 是人口
Harness 是社会体系

Context 是土地，这一点很好理解：它决定了能长出什么。土地不仅要大，还要“可耕作”，否则容易变成荒地。

Token是人口，我能理解，无非想说这是核心生产资料，跟劳动力规模相似，有多少 token 就能干多少活。但在我看来，token 更像是预算，因为真正重要的不是 Token 的数量，而是如何把最有价值的 Context 分配进这有限的注意力预算里。

Harness 对应社会体系，这是最难的一层，也是最可能形成壁垒的地方。因为Context 可以积累，Token可以购买（虽然现在买也不好买😭），但 Harness 需要非常厉害的设计能力。

but，他的这个比喻里，我想再塞一个变量进去：Objective。

在我心中：

Agent System = Context × Token × Harness × Objective

目标非常关键。它决定了系统“为什么运转”，以及“朝哪里收敛”。某种程度上，这是我们人类赋予给 AI 的“意义”。

从这个角度来看：

未来企业的核心竞争力，可能不再是“有多少人”，而是如何构建这四个变量的组合效率。

嗯。今天就先写到这里吧。写不动了。写完偷偷数了一下，欠的学习作业居然还有四五个。。。