OpenClaw大版本更新之后,Agent开始向“系统级智能体”演化

关注 霍格沃兹测试学院公众号，回复「资料」, 领取人工智能测试开发技术合集

最近两个月，如果你在用一些新的 AI 工具，应该会有一个很直观的感受：

有些系统，已经不再是“你点一下，它回一句”。

它开始自己跑流程、自己调工具、甚至在你不操作的时候还在持续执行。

问题也随之出现：

• 有时候结果是对的，但过程完全不可控
• 有时候能跑通一次，但跑不稳第二次
• 有记忆，但越用越乱

这类问题，本质上不是模型能力的问题，而是系统形态变了。

这次 OpenClaw 的更新，把这件事讲得更清楚了一步：

AI正在从“被调用的能力”，变成“持续运行的系统”。

目录

1. OpenClaw这次更新，本质不在功能
2. 记忆机制正在从“存储”变成“认知”
3. Agent架构正在向“操作系统形态”演进
4. Dreaming机制到底解决了什么问题
5. 对测试的影响，不是工具升级而是边界重写
6. 下一阶段，谁在被淘汰

一、OpenClaw这次更新，本质不在功能

表面看，这次更新有几个很显眼的点：

• Dreaming 记忆机制
• 内置视频 / 音乐生成能力
• 默认接入 GPT-5.4 + 缓存优化

这些能力单独看，并不稀奇。

关键在于：

它们第一次被组织进“长期运行的Agent系统”。

换句话说：

AI不再是一次请求，而是一个持续存在的执行体

结构上可以这样理解：

核心变化：

• 执行是循环的，而不是一次性的
• 记忆参与决策，而不是只做存档

二、记忆机制正在从“存储”变成“认知”

过去很多系统的“记忆”，本质是：

• 存对话
• 做向量检索
• 用RAG补上下文

但 Dreaming 机制做的不是“多存一点”，而是：

重构记忆，让它参与决策。

可以拆成三层：

原始记忆

• 对话记录
• 执行日志
• 工具调用结果

压缩记忆

• 自动总结
• 关键信息提取
• 冗余剔除

结构化认知

• 用户偏好
• 任务模式
• 行为策略

流程如下：

记忆如果不能影响决策，本质上只是日志系统

三、Agent架构正在向“操作系统形态”演进

过去的Agent，大多是这种结构：

Prompt → LLM → 输出

稍复杂一点：

Prompt → LLM → Tool → 输出

但现在已经变成：

核心变化有三个：

有运行时

Agent不再是函数，而是持续运行的进程

有调度

任务可以动态拆解和重排

有状态

系统会记住当前阶段，而不是每次重来

Agent正在从“能力调用”，变成“系统工程问题”

人工智能技术学习交流群

四、Dreaming机制，本质是“离线思考能力”

Dreaming不是简单的“总结”。

它解决的是一个长期问题：

AI在不被调用的时候，是否还能优化自己。

可以类比人：

• 白天执行任务
• 晚上整理经验

对应机制：

它解决了三件事：

上下文混乱

通过压缩和结构化保持清晰

Agent不成长

引入经验沉淀机制

重复犯错

让策略层产生记忆

没有Dreaming的Agent，本质是一次性工具

五、对测试的影响，不是工具升级，而是边界重写

很多人还在关注：

• AI能不能生成用例
• 能不能写自动化脚本

但问题已经变了。

当系统变成“持续运行的Agent”，测试对象也变了。

从功能验证 → 行为稳定性

你要测的不是结果，而是：

• 是否进入错误循环
• 是否产生异常路径

从接口测试 → 决策链路测试

测试对象变成：

输入 → 推理 → 工具 → 记忆 → 再推理

需要验证：

• 每一步是否可控
• 是否存在放大效应

从覆盖率 → 系统演化能力

关键问题变成：

• 记忆是否污染
• 策略是否漂移
• 长期运行是否稳定

AI测试的核心，正在从“验证结果”，转向“约束系统行为”

六、下一阶段，谁在被淘汰

当这类系统进入生产环境，会出现一个明显分层：

不会系统的人，很难继续参与。

因为你面对的已经不是：

• 一个接口
• 一个模块

而是：

• 持续运行的Agent系统
• 带记忆的执行体
• 会不断演化的结构

再说得更直接一点：

• 只会写用例，不够
• 只会调接口，也不够

真正需要的是：

• 理解系统架构
• 理解行为路径
• 理解AI决策机制

最后留一个问题：

你现在在测的系统，是一次性调用模型，还是一个会持续运行、不断演化的Agent系统？