小龙虾所带来的冲击（二）一 从助手到助理的范式转变

一款名为OpenClaw的开源AI项目在全球范围内迅速走红，因其独特的龙虾吉祥物，被国内用户亲切地称为“小龙虾”。它引发了广泛的讨论和实践，因为它不仅是一个能与人对话的聊天机器人，更是一个能够实际操作电脑、执行任务的个人AI助手，标志着AI正从“会聊天”向“能干活”迈出关键一步。这个目前AI圈内最火的项目，发布仅四个多月就创造了历史——以超过24.8万的GitHub星标数正式登顶星标榜，超越Linux成为GitHub平台上最受欢迎的开源项目。OpenClaw在GitHub登顶，被视为AI Agent实用化的里程碑事件。和与ChatGPT等停留在对话框里提供“建议”的产品不同，OpenClaw可以7×24小时自动执行任务——读取文件、搜索信息、编写代码、发送邮件等。很多程序员将其当作一个能动手干活的数字员工，人手一只”龙虾“。OpenClaw的强大能力是一把双刃剑，其高权限的特性也带来了显著的风险。它能够读写本地文件、执行系统命令，这意味着一旦配置不当或被恶意利用，可能导致数据泄露、文件误删等严重后果。因此，安全是使用OpenClaw时必须首要考虑的问题。 。

2026年3月

图片

从助手到助理的转变

龙虾之所以在短时间内爆红，本质上是技术突破、社会情绪、资本现金流等多重要素反复叠加的结果。过去，大模型的发展给大众的感受是智能水平提升的很快，而现在给我们的冲击是当下AI获得行动能力后，就能够帮助我们稳定地完成任务。从实际体验来看，大龙虾在于其任务执行能力的确很让人满意：很多不同类型的任务都能得到有效执行，无论内容、收发、设备、程序，比一般智能体能做的工作的复杂度高出不少，基本上做到了对设备对人的接管。AI正在从会聊天的助手，变成会做事的助理。但也正因为如此，在社会层面又强化了对AI的焦虑与学习热潮，人们希望尽快掌握并利用AI提升自身能力。

对普通用户来说，OpenClaw或许更像是一个正在快速发展的实验性工具，展示了一种可能的未来：让AI不仅会“聊天”，还能够真正替人完成工作。很多不同类型的任务都能执行，无论内容、收发、设备、程序，比一般智能体能做的工作的复杂度高出不少，基本上做到了对设备对人的‘接管’。只要在其中的每一个步骤，提供向云端的API接口发送请求（一个复杂任务跑下来，其Token消耗量是普通对话的百倍乃至千倍）。

从技术上来看，当用户下达复杂指令时，安装在本地的OpenClaw能够拆解任务、联网搜索、调用本地软件、识别错误、自我纠正重试，向云端大模型的API接口发送请求，消耗Token并逐步完成任务。用户还可以从社区获得各种“skill（技能）”，让OpenClaw解锁其他用户调试出的特定能力。

对于科技巨头们，2026年字节、阿里、腾讯合计capex超600亿美元。但如果用户不调用，算力就会白囤，每天都在产生高昂的折旧。单纯的“Chat”模式，根本烧不出健康的商业模式。要让昂贵的算力转动起来，产生真实的现金流，巨头们迫切需要一个能持续、自动消耗算力的“Token黑洞”。今天，OpenClaw这类本地部署的Agent出现，充当了这个角色。这将直接转化为云厂商的现金流，避免了巨额算力投资的浪费。云厂商愿意倒贴人力去线下“摆摊”帮用户部署开源龙虾也就很正常了。这笔由Agent带动的API流水，是巨头们维系算力扩张的关键输血管道。

巨头们力推本地Agent的第二层目标，就是自身触及到了大模型发展的天花板：高质量训练数据的枯竭。随着模型能力不断提高，另一个资源开始变得越来越重要：任务轨迹数据（Trajectory Data）。下一代大模型需要知道人类在数字世界中是如何“采取行动”的。对于Agent模型来说，这种数据比普通文本更有价值，因为它反映的是现实世界中的行动逻辑。这些“轨迹数据”一旦回流到云端，将成为大厂训练下一代具备强逻辑推理、强执行能力的Agent大模型的核心壁垒。这就像特斯拉当年通过数百万辆在路上行驶的电动车收集真实路况数据，最终反哺其FSD自动驾驶算法一样。

当用户在本地运行Agent，让它代替自己去执行操作时，Agent记录下用户的每一个操作意图和软件交互轨迹。国内大厂密集推广Agent应用，本质上是一场分布式的、规模空前的数据众包。用户以为自己白嫖了一个免费的AI劳动力，实际上，用户在指导Agent、纠正Agent错误的过程中，正在免费为巨头们提供最高质量的强化学习微调数据。

对于AI行业从业者们，虽然OpenClaw确实是一个有主动性的AI助手，但需要你去不断调优它，不然还是个大玩具，并没有你想象中那么聪明，聪明程度完全取决于你怎么去配置、定义与使用它，同时这个漫长的调优过程还需要持续投入资源（并不断使用优秀的大模型持续注入燃料）。

从投资者角度而言，互联网的结构正在发生变化：用户与数字世界的交互界面将被重构，很多应用可能会退到后台，用户只需要面对一个Agent，就可以完成大部分数字生活操作。阿里千问持续投入“AI办事”，让用户一句话就能下单；小米内测miclaw，将其深深植入手机底层的系统中，都是这种逻辑。在这种世界里，Agent就像一个新的操作层，连接用户与所有服务。如果有一天这些巨头能够让自家的Agent霸占用户的终端，那么它就掌握了商业世界最顶级的权力——意图分发权。它可以轻易地把外卖订单导流给自己的关联企业，把差旅需求导给自己的支付生态。

连360的周鸿祎就这样评价：OpenClaw改变了很多人对智能体的认知，是“养了一个智能体”的概念创新。曾担任微软、谷歌全球副总裁的李开复表示，未来的竞争会发生在多智能体系统上，它会成为一个连接数字世界和物理世界的桥梁。

图片

无形墙正在成为博弈的关键

OpenClaw所掀起的Agent开发范式转变浪潮，让保守决策者内心充满兴奋，自己的不决策又精准地躲过了犯错的风险。而对于那些早期推动企业级Agent落地而言，则面临的是诸多挑战、苦涩及不确定因素。这充分反映出企业AI大规模应用前残酷现实，技术还在快速迭代，而所在的企业却无从下手。

这种无形的博弈还在持续进行。其中第一至关重要的因素就是认知。它是决策层、执行层和体验层产生偏差的根源。德勤在调研企业AI落地时也指出：85%企业计划定制Agent，但只有25%的试点项目真正上线到生产环节。同时，超三成企业认为，在3-5年内企业应用Agent才能获得可观的回报，这意味着企业Agent还在早期。早期的Agent形态如Dify或扣子大多以workflow形式出现，尽管「拖拉拽」的低代码已经降低了开发门槛，但对企业组织中的非开发人员并不友好。但OpenClaw通过系统级调用指令，能让非开发者在常用的办公软件实现与Agent的交互，这是一种AI native 的Agent。除了开发范式的转变，还有行业专属「方案超市」的建立，即行业知识和数据的进一步流动。OpenClaw的工具能力依赖高质量的skill使用文档，OpenClaw爆发后，拉动了Github里的skill风暴，AI创作者海辛就在即刻上提到，医疗、金融、教育等各个行业的人，都可以利用AI为自己的工作实现便利，编写专属工具，GitHub也正在从代码仓库转化为方案超市。另外，OpeClaw框架底层任务调度也的确还存在优化空间，暂不适合承载高可靠性的企业级定时调度业务；其次，长期记忆模块的原生能力也不足，还没达到生产可用的成熟标准，另外还缺乏高质量的skill生态。换言之，还要充分考虑到企业落地Agent的合规、成本和安全，当前OpenClaw这种高消耗的调用方式和不稳定的生态，对重权限、重可靠和强协作的企业组织来说，大规模的落地显然还有一定的距离。

数据墙是落地的第二个关键点。企业AI应用将会从以模型为中心，逐步走向以数据为中心。AI运用效果、落地难度，很大一部分都与所连接的数据有关。很多人都会认为Agent想要实现跨生态、跨系统和多任务的调度，就必须要在企业内部实现上百个系统里实现数据的互联和格式的统一基础上。只有考虑到数据的可控和可信，企业内部才能在此基础上建立分级分类的统一认证权限，保证数据的全链路可靠。这些基础虽然很重要，但更为重要的是如果指定清晰地落地路径，并确保有步骤落地。

如果拥有一个大模型，它能改变企业的业务，那是白日做梦。企业AI不是技术炫技的秀场，而是要求实际回报、产生业务价值的战场。对于企业级应用，越来越多的AI卖铲人也走向务实思路，回归到用户业务本质。而对于企业自身，如何建立一个AI协同机制，破解资源壁垒，则是第三个墙。城市轨道交通从来不缺数据，缺的是采用什么样的机制去解决数据分散。传统的信息化部门只能提供通用数据，业务部门只是参与者，那未来呢？甚至还有一部分技术人员还认为没有本质上的变化，只是换了个技术套路。

延伸阅读

人工智能不仅仅是提示词；它是力量的放大器。它正在重塑竞争方式、运营方式和公民的生活方式。它承载着无限进步的承诺，但前提是必须精确引导。在一个动荡的世界中，这种方法让我们获得了一种罕见的东西：控制和灵活性。例如阿联酋政府就设置了CAIOs，作为职能领导者，负责制定AI战略、协调团队，并确保投入AI的每一个迪拉姆都能产生实实在在的成果。首席信息官（CAIO）不仅仅是一位技术专家，更是一位将愿景转化为行动的桥梁，是战略与科学之间的纽带，也是整个企业价值的守护者。人工智能并非单一突破，而是十万次小的转变。这是文化的，是制度的，这是一种习惯。CAIO将是推动这种习惯向前发展的人——跨越管理、业务、教育、物流等诸多领域。人工智能转型不仅仅关乎系统和企业流程的变革，还涉及企业家心态和技能的转变。如果能够做到这一点，他们将变为人工智能的倡导者。

通常组织都会保留全部数据，其原因多种多样，这包括希望自身拥有利用数据驱动业务者日益增多，以及未知场景下可能需要使用历史数据作为决策依据。但当下，大部分城市轨道交通业主也只是利用NCC做了存在，对每十年需要访问一次与每十秒需要访问一次的数据并不存在本质差异。对当前数据不完整、不准确或不一致的情况时，虽有共识，但没有制定改变现状的新计划。很多组织还停留在老的观念认为低质量数据就是不可信、不一致、不相关、孤立或重复的数据，或是未受治理和监管的全量数据。而区分高质量数据和低质量数据，本身就是一项“知易行难”的挑战。阻碍组织前进的障碍或许并不明显，但往往呈现出令人望而生畏的复杂性。理解数据集与工作流内部的关联性和相互关系，才是第一重要的前提。这些关系能够帮助组织了解数据在企业中的使用情况，进而判断这类数据集是否会直接影响 AI 的有效性。其衡量标准可以是，准确性（数据值应尽可能接近实际值，并准确映射现实世界的实体或事件）、完整性（所有必需的数据字段、记录和属性都完整无缺，且不存在空值或缺失值）、一致性（数据值在不同的数据集或系统之间保持一致，且不存在矛盾或冲突值）、统一性（数据资产中的数据始终保持统一且一致，所有数据点均具有相似的特征、格式或结构）、及时性（数据可按需获取且及时更新，以反映使用时的实际情况）、唯一性（每个不同的值或交易在数据列中应仅出现一次，且无重复）、有效性（数据遵循预定义的格式、业务规则和约束，确保其可用且有效），但肯定不是全量数据。就算是再多数据，没有经过压缩和特征赛选，对AI的实现价值没有实质性提升。

------------------------ END ------------------------