夜雨聆风最近关于OpenClaw的讨论明显降温，是不是这类Agent走不通了？这件事我不把它简单归结为“产品不行”或者“路线失败”，我认为OpenClaw把一个一直被忽略的问题提前暴露了出来，那就是当AI开始从“会回答”走向“会做事”，整个技术和业务体系的复杂度，是成倍上升的。
OpenClaw之所以在一开始引发关注就是因为它更接近真实工作场景，能拆解任务、能调用工具、能跨系统执行。问题也恰恰出在这里，一旦进入执行层，很多原本在对话阶段不重要的问题，会突然变得非常关键，比如权限边界、操作可追溯性、异常处理、以及最现实的算力和调用成本。
这也是为什么大模型厂商会对Agent的使用方式做出限制，这是系统层面的自我保护。一个可以自主调用工具、持续运行任务的Agent，如果缺乏约束，本质上就是一个高频消耗资源、且行为不完全可预测的系统组件。在实验环境里这很有价值，但在生产环境中，这种不确定性必须被收敛。
OpenClaw安全问题是关键风险，但从实际经验来看，更大的挑战并不只是“有没有漏洞”，而是“能不能控制”。传统系统的问题大多发生在规则之外，而这类通用Agent的问题是发生在规则之内，因为它的行为不是写死的，而是根据上下文动态生成的。这就意味着同一个任务可能出现不同路径，同一个输入可能触发不同操作，系统的稳定性不再完全由代码决定，而与数据、上下文、甚至历史状态相关。
从这个角度看，OpenClaw的降温是一个阶段性的信号，Agent正在从“能力验证”进入“工程化落地”的阶段。前一阶段关注的是“能不能做”，而现在开始面对的是“怎么稳定地做、可控地做、规模化地做”。这两件事之间，不存在自然过渡，中间需要补一整套工程体系。
对企业来说，如果没有边界设计和治理能力，Agent越强，反而越难用，反而是那些任务边界清晰、规则相对稳定的，更容易跑出效果，比如RPA。
所以与其讨论OpenClaw是不是“不行了”，不如换一个问题，当AI参与业务执行时，我们有没有准备好一套与之匹配的运行方式。过去的数据和系统，是为“人来用”设计的；现在逐步变成“机器来执行”，很多默认前提都会发生变化，就像我前一篇文章提到的，在AI时代下，传统的数据治理已死，一切都要按新的来。
