AI Agent时代的胡思乱想与养＂虾＂心得一
我是一个好奇心比较重的人，遇到什么新鲜事物，都想尝试一下。可人的精力终究是有限的，并不是想做，就有时间做，就有心力做。想不是一次完成，执行也不是一次完成，两者间存在一条长长的链条：想 -> 挣扎 -> 执行 -> 继续想 -> 挣扎 -> 执行 -> ...... ->完成。如果把从想到完成的时间，称为一个人的执行力，那么如何增强执行力呢？但这些答案都太“鸡汤”了，我更倾向于一个“工程化”的方式：每一个节点，都可能让事情中断。链条越长，中断点越多。高执行力，并不需要更努力，而是尽可能压缩执行链：想 -> 做 -> 完成。二
将执行链变短，最好的办法是让别人去执行，或者说找个中介去执行。自身不执行，执行链就变成了：想 -> 别人做 -> 完成。当下最火的AI Agent当属OpenClaw（小龙虾），小龙虾可以操作你的电脑，大部分需要借助电脑完成的工作，小龙虾都可以帮你做。小龙虾有一套丐版记忆系统，号称越用越懂你，本质是把一些长期记忆存到了‘memory.md’文件同时小龙虾自带一个定时任务，每天会总结与用户的对话内容，按天存到memories文件夹里。每次启动一个新的session，小龙虾会导入agents.md作为启动提示词。在出厂设置里，agents.md要求小龙虾读取memory.md以及近两天的memories记录，这就为你实现了一种‘它记得’的错觉。在刚使用时，你需教小龙虾怎么工作，它会记录到记忆系统里，下次再启动时，读到相关记忆，就不需要你教了，号称越用越好用，所谓“养虾”。、开始时你会很爽，但随着使用时间继续增加，你教给它越来越多的技能，它便会变得健忘，会忘记之前所学的技能。这种时候，要么你找到这块记忆在哪里，让它读取学会，要么你重新教一遍。抽象得讲，“养虾”的本质是在openclaw系统里不断增加新的文档，是一种熵增，熵增会导致系统逐渐混乱，直至崩溃。既然知道所有“养虾”行为都会导致熵增，那么拉开虾与虾之间差距的关键，就是虾主有没有进行熵减，这是能否用好AI Agent的核心能力。指挥AI Agent就像指挥员工，这或许是很多人第一次体验当老板。一个企业需要管理制度来维持运行，管理的本质是熵减，来减缓企业在不断熵增下走向崩溃的过程。略具体得讲，对于大模型，你可以理解为输入一句话，这句话是一个向量，这个向量会激活一个向量空间，在这个空间里根据概率生成一个向量，也就是一句话来回复你。（个人理解不一定准确）当你的指令越明确，这个向量激活的向量空间越相关，生成的向量就越接近你说需要的答案。我们知道，OpenClaw每个session启动前会导入长期记忆以及近两天的短期记忆，这作为开局输入，会激活一个对应的向量空间。如果你之前教过的技能不在长期记忆里，也不在近两天的短期记忆里，那么就不可能生成到你想要的结果，除非你找到记忆所在让openclaw读取，或者重新教一遍（激活对应的向量空间）。但如果你把所有的内容都保存到长期记忆里，同样也会造成问题，因为假设你需要的是A，但作为初始导入的记忆为A,B,C,D，那么激活的向量空间不会跟A强相关，生成的结果就不会那么精准---直观感受就是变笨，能完成，但完成得不好。我采用的解决方式是将长期记忆memory.md变成了一个目录，里面不记录任何技能的详细信息，只记录索引，这个索引可以多级。第一级文档，记录有哪些skill分类及各分类文档所在目录。第二级文档，记录此分类下有哪些skill，及各skill所在位置。总得来说，就是要用最简练的初始导入内容让龙虾找到最精确的路径，最后一步记录详细内容，前面都是索引，不引入无关内容，从而使激活的向量空间与要解决的问题强相关。三
在可预见的未来，AI Agents不止于执行，还会变成每个人的注意力入口。这实际上是将注意力入口放到了AI Agent身上。个人生产力天花板将被重新定义，真正稀缺的不再是执行力，而是‘把注意力持续放在最高杠杆事情上’的能力。Agent把低价值决策和信息筛选全部接管后，人终于可以把认知资源解放出来，做真正需要人类独特创造力和判断力的事。注意力经济将进入新阶段，未来的竞争不在于内容展现形式，不在于APP形式，网页UI，而是谁能成为用户最信任的"注意力分配器"。当每个人都有一个高度私人的AI注意力入口时，内容、软件都必须转向‘如何为用户的Agent提供高价值、可结构化的信号’。
夜雨聆风