一家AI公司的“全员龙虾化”实践:30人 X 70倍效率杠杆 | 高榕未来

Mindverse（心洲科技）就是这样一家年轻的AI公司。Mindverse旗下产品Macaron AI、实验室Mind Lab，约30位员工来自DeepSeek、OpenAI、字节、MIT、清华姚班、杜克大学等，截至目前团队成员共发表了100多篇AI顶会论文。

在行业仍在探索更强通用模型的同时，Mindverse在思考大模型“千人千面”的可能性，解决方案是用LoRA让每个人拥有一个大模型，以更好实现Personal Intelligence。公司已构建了一个万亿参数的LoRA强化学习体系，目前全球范围内，能通过LoRA技术同时开机数百个万亿级参数强化学习的团队仅有Mindverse以及由OpenAI前CTO创办的Thinking Machines Lab。

近期，Mindverse在OpenClaw的基础上封装了一系列服务，其中包括一套个性化长期记忆方案MindClaw，目前已在官网上线并开源（https://mindclaw-preview.macaron.im/）。

Mindverse创始人Andrew Chen和我们分享了团队在构建MindClaw过程中对OpenClaw应用的思考，以及“全员龙虾化”、“100% AI Coding”等有趣的组织实践，也见证了AI杠杆如何让组织效率“史诗级升级”。

Andrew本科毕业于麻省理工学院电子工程与计算机科学系，也在深圳清华大学研究院任研发中心主任。以下是他的分享：

1. 今年AI创业者都有非常强烈的感受，从年初到现在，世界在翻天覆地变化。我们感到前所未有的兴奋，比第一天在深圳湾生态公园创业的时候还要兴奋。当然也会有很多紧张的情绪，因为差一周就差很多，一周没有在思考和跟进，可能就会被甩下。

2. 春节回来后，不管是上亿DAU的Consumer App的总裁，还是头部AI硬件公司CEO，至少20位CEO告诉我：他们每天coding到凌晨三点。大家太兴奋了——以前需要一个团队花2周做的事情，现在可能让Codex跑一晚上就完成了。世界发生了fundamental的变化，人的leverage发生了fundamental的变化。

3. 今天是AI创业者最好的时代，因为市场太大了。最近埃隆·马斯克公布了TERAFAB超级芯片工厂项目——预计每年实现超过1太瓦（1TW）的算力产出，这相当于当前全球AI芯片年总算力产出的50+倍。在一个可能刚刚开始的市场，已经诞生了OpenAI、Anthropic这样万亿美金级的创业公司。所以大家其实都是同路人，都在探索不一样的未来，到目前为止真正的竞争是非常稀薄的。

4. 随着行业都在积极拥抱OpenClaw生态，大家都可以在这个生态中去build自己的产品，并从中获益。某种程度上，OpenClaw构建了AI时代的安卓生态，你怎么去做成今天这个时代的MacBook，和华为、小米、三星手机，是我们每个人的机会。

5. 近期一个强烈的行业信号：OpenAI，Anthropic的Claude Code团队，Cursor，以及最需要稳定的金融基础设施公司Stripe，都在全面转向100%的Coding Agent。

实际上在今年一季度前，包括我们公司在内，对于要不要向100%的Coding Agent迁移有很多争论。以前不用AI Coding，可能有一些借口，比如担心Agent能否产出高质量、生产级的代码，以及代码的稳定性、可维护性。但今天这些问题都不存在了。

6. 全球AI使用现状，可能和大家的认知有些不一样。全球70亿人口中，仅有20%的人口、即约15亿人使用过AI。可以根据用户付费和Token消耗量画出一个金字塔——

在15亿AI用户中，仅有约2000万人为AI付过钱，付费门槛为10美金/月的订阅；在这之上，有约200万人是Coding Agent用户，付费金额为200美金/月；最上一层，全球有约5000人每天Token消耗可以达到10亿（1B+）以上。

7. 工业革命时期，蒸汽机和电力的出现颠覆了社会生产力，对机器的使用划分出了资产阶级和工人阶级；AI时代，Token消耗也正定义“新阶级”。每天消耗1B以上Token用户的生产力和其他用户相比，是天差地别的。

大家以不同的频率、速度和体量在消耗和生产intelligence。未来决定人与人之间差别的，或许不再是你在哪家公司、你有没有买房，而是在AI的世界里，你处于金字塔的哪一层。

8. 变革一：全员龙虾化。我们把Coding Agent的能力打包给团队每个人，并且一开始“强制执行”每人每天使用至少20分钟的OpenClaw或者Coding Agent。从结果上看，核心团队每一位同学都100%成为Coding Agent的信徒，工作效率迎来史诗级提升。比如我们的增长团队只有3位同事，但是养了20多只龙虾，每个投放渠道有一个专属Agent，负责7*24小时跟踪数据、复盘，并持续迭代增长策略。

以前可能团队有人不用AI Coding是因为不会写代码，但OpenClaw把AI Coding和Agent能力，用聊天的方式打包提供给了不会代码的普通用户，那么今天不用龙虾没有任何的借口，懒惰是唯一的借口。

9. 变革二：100% AI Coding。行业里包括Stripe这类金融服务公司都开始100% AI coding了，“我们比他们更需要稳定吗？”以前我们或许会说AI不好，因为模型能力确实不够；但从今以后，一定是我们没把AI用好。

10. 变革三：Context全面线上化。Agent能够完成复杂任务的前提是提供足够的Context。近期我们把公司会议、文档等全面线上化，让所有沟通、决策和数据在线上留痕，沉淀Context。

11. “Token即战力”。过去几周，团队每人每天消耗Token量在每周翻倍——3周前中位数是1000万，2周前到了2000万，到3月底的一周已经是7000万了。

7000万Token是什么概念？人类每分钟的读写思考差不多相当于1000个Token，1天按100万Token计算，那么消耗7000万Token已经相当于70X的人类了。所以我们或许不是一个30人公司，而是30人 X 70倍AI杠杆，相当于2100人的等效产出。

12. 我们内部有一个员工Token消耗量排行榜，TOP 5%的同学已经可以做到每天消耗1B+ Token。我经常观察他们的工作状态，已经是另一个世界。很多时候他们写代码手是不碰键盘的，而是语音输入，Agent也会语音汇报，因为有好多Agent在同时工作。

13. 不同团队角色都开始了各自的AI实践：产品团队，不再交付Figma稿件，而是直接交付可以点击的demo；增长团队完全龙虾化，每个渠道一个专属Agent；HR团队用AI自动发帖，每周平均收到30多份优质简历。

OpenClaw之后，还能做什么？

Macaron & MindClaw

14. 目前对于OpenClaw应用的构建，有三个共识性的关键方向——记忆、测试、安全。其中Agent的长期记忆能力是约束其执行真正复杂任务的核心卡点。OpenClaw目前采用的File System有两个局限：第一，File System对Agent的约束不足，看起来有一个很大的File System，但实际真正起作用的还是Context Window里的条件；第二，File System有一个很大的弊端，一开始好用，随着file数量的增加，命中率越来越低，导致长期越来越难用。

以往互联网产品，不管是抖音、美团还是微信，都是越用越好用的，但OpenClaw可能越用越难用，因此需要提出新的记忆方案。

15. MindClaw提供了一套“参数化记忆”和File System共存的长期记忆方案。简单说是为每位用户的OpenClaw训练一个专属LoRA，并在对话中持续更新，“逐渐把用户的偏好压入模型参数中”，从而让模型不断进化、越来越个性化。

对比传统的Context Engineering旨在“帮助模型在这一轮对话中做得更好”，依赖检索、噪声会持续积累；MindClaw采取的是Context Learning，用LoRA强化学习方法，让模型真正变得更好。

16. 当代码100%由AI编写，测试标准必须升级，需要有更好的Hardness。类似Claude Code这些工具，是有约束和检查代码能力的；对于OpenClaw来说，AI代码如何才能够有更强的保障，如何把测试做好，逐个节点去检查代码，让Agent长时间稳定运行，也是OpenClaw需要改进的地方。

17. 安全问题是OpenClaw进入生产级场景需要迫切解决的问题。目前Macaron产品中也在提供基于OpenClaw的多租户架构，有一系列安全工作要做——首先要做数据隔离，让每个租户的对话、记忆、模型参数严格隔离；其次是权限管理，包括细颗粒度的访问控制，明确Agent行为边界；再次是一系列资源调度，让计算资源公平分配，避免单一租户影响整体服务。解决了这些安全问题，才能真正将OpenClaw从个人工具变成一个能够长时间运行的生产级系统。