小龙虾所带来的冲击（六）一 永恒的治理

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

构建完整的技能管理体系

在传统的软件体系中，我们会对组件、（微）服务等各类进行集中管控。但这些很难适应AI时代，需要对每一个能够统一描述的"AI能力单元"——Skill（技能）进行强化管控。技能即一切（Skill-Centric Architecture），技能就是唯一的核心实体。无论是简单的工具函数，还是复杂的业务场景，都被抽象为"技能"。这种统一的抽象带来巨大的变化：统一抽象，降低认知成本，所有AI能力都以统一的方式描述和调用。形态灵活，通过 SkillForm 区分场景技能（容器）和独立技能（原子）。多维分类，通过 SkillCategory 和 ServicePurpose 实现多维度分类和检索。

通常企业内部都会通过集中建设一个中央知识库，并强制所有的应用共享使用。但在新时代，我们则不能将Agent视同为组件。我们需要让每一个智能体都成为一个具有数字素质的员工。这就需要为每个 Skill都建立一个独立的知识资料库，让其从"共享知识"到"专属智慧"。这种精细化的设计将从源头上规模如下问题：权限难以细化，不同应用需要访问不同范围的知识，中央知识库难以实现细粒度控制。知识污染风险，一个应用的错误数据可能影响其他应用。性能瓶颈，所有应用竞争同一套索引和存储资源。并形成独特的新优势：身份隔离，不同 Agent 需要独立的身份来进行权限控制和审计追踪。状态持久化，每个 Agent 需要维护自己的对话历史、知识库访问记录。资源配额，需要为不同 Agent 分配独立的 LLM 调用配额。协作能力，多个 Agent 之间需要像人类同事一样协作。并让数据呈现出正反馈循环：用户使用 Skill 产生交互数据，交互数据被收集和分析，洞察被用于改进 Skill（知识库更新、策略优化），改进后的 Skill 带来更好的用户体验，更多用户产生更多数据...每一次用户交互都在让系统变得更智能。

一个成功的私有原生技能生态关键在于：打破壁垒，多方参与、自主维护，让每个人都能为技能生态贡献力量。在内部造就一个数据飞轮驱动体系：通过审计日志、数据挖掘、推送反馈形成完整的数据闭环。正每一次使用中的反馈都应该成为技能后续变得更聪明的关键，核心策略应如AutoSkill所表达的那样：增加，让全新能力入库；修正，与既有技能合并，形成新的控制版本；剪接，丢弃一次性需求。并反复调用左循环（Response Generation），检索相关Skill，生成当前回答。与右循环（Skill Evolution），从用户交互中提取新Skill或更新现有Skill。

（图摘自：AUTOSKILL: EXPERIENCE-DRIVEN LIFELONG LEARNING VIA SKILL SELF-EVOLUTION https://arxiv.org/pdf/2603.01145）

图片

治理是永恒的话题

战略管理的本质是“在不确定性中寻找确定性”，这一过程需要管理者具备创造性思维、系统性思维与批判性思维，能够结合组织实际与行业趋势，做出符合长期发展的战略选择。这种意义与价值是战略管理的核心。传统战略管理的核心是针对人的活动，这包括：环境认知能力、资源整合能力、决策与风险承担能力。虽然AI工具的广泛应用，在降低管理成本，与提升工作效率方面十分明显。但对工具依赖的问题也日益凸显，最终将会成为制约战略升级的重要瓶颈。最终将呈现出收益提升，核心能力逐步弱化的特征：其一，决策依赖：过渡将AI视为答案机器，在面临战略困惑、决策难题时，优先依赖AI生成方案、给出最优解，而非先进行自身的深度思考与分析。甚至在重大战略决策中，直接将AI建议作为决策依据，忽视了AI分析的局限性与组织实际情况的差异性。其二，思维依赖：弱化战略深度洞察力。原本需要管理者进行深度思考、系统整合的战略洞察工作，变成了对AI输出内容的简单筛选与沿用。管理者不再主动挖掘数据背后的行业逻辑、用户需求变化，也不再结合组织资源与能力进行个性化优化，导致战略方案缺乏针对性与可行性。其三，能力依赖：长期依赖AI处理信息、生成方案、整理报告，导致管理者的战略思维、资源整合能力、决策魄力逐步退化，消耗核心战略素养。部分管理者甚至丧失了独立分析问题、解决问题的能力，陷入“AI主导、人被动跟随”的恶性循环，最终导致企业战略管理失去核心竞争力。人与AI的协同，需要技术、人才与制度等多重体系的同时支撑，但当前多数企业存在明显的不足问题。

从人工智能发展视角来看，AI的核心价值是“工具赋能”，其本质是基于算法与数据，完成“信息处理、方案生成、效果监测”等事务性、流程性工作。AI的优势在于高效性、精准性与规模化，能够快速处理海量数据，降低人工成本，减少人为误差，但它也存在天然局限性：AI无法理解“意义”与“价值”，无法预判行业动态中的突发因素，无法结合组织文化、核心能力等个性化因素进行灵活调整，更无法承担决策带来的风险。

决定技能价值的最大因素并不在创建之初是否已经达到完美的程度，而是在后续时间中是否拥有持续迭代的机制。我们都应该认识到：“只有持续进化，才能被称为拥有智能”这一基本理念。虽然，我们依然会担心在进化过程中，随时可能出现的失控或突变。因为在某些场景下一旦失控就没有了信任，也就意味着其将丧失协作的前提--安全导向。

这种矛盾，同时也被映射到我们对进化频率与人工干预程度上：人工参与度越高且迭代次数越少，进化越慢；反之则意味着可控度的风险指数级上升。无论在哪个时代，治理将是永恒的话题。我们更加忧虑的可能是当下没有可以值得借鉴的最佳实践或新的挑战：如果对人工智能中的关键技术进行治理。

Skill进化程度，决定了Agent使用的广度与场景。这也正验证了“养龙虾”这个很形象的比喻：过去，我们通过Prompt（静态提示词）创建智能体。现在，我们通过Skill（半静态固化边界与过程）。未来，通过养育Skill（动态实现其进化）。企业内部的治理认识、能力与资源，决定了私有化Skill的进化机制。

在后续很长一段时间里，基于人机协同的人与Skill，还应保持着明确的边界：人负责战略方向，AI负责事物效率。战略方向的判断、核心决策的制定、资源的整合分配、风险的权衡等“创造性、判断性、风险性”工作，必须由管理者主导。AI只能作为决策的辅助参考，提供全方位的分析支撑与备选方案，不参与最终决策。AI应用则聚焦于“事务性、流程性、信息性”工作，负责数据抓取与整理、战略方案初稿生成、常规执行效果监测、复盘报告初步撰写等。发挥AI优势，释放管理者的时间与精力，让管理者能够聚焦于核心战略工作。

在这个磨合过程中短板定律依然生效：人或SKill的短板，将是组织能力的上限；参与者的素养决定了AI输出的内容与质量；Skill输出的方案与局限性决定了应用的广度与深度。如何给Skill筛选出真正的“导师”，将碎片化资源、信息与结果进行系统性整合至关重要。长期来看，AI的普及，不仅没有降低对参与者的要求，反而提出了更高的标准。参与者必需同时具备两种能力：一是AI应用能力，学会熟练运用AI工具高效获取信息、生成方案、监测效果，发挥AI的工具价值；二是战略核心能力，在AI辅助下，强化自身的战略思维、环境认知能力、资源整合能力与决策能力，避免核心素养被弱化。

延伸阅读：

人工智能时代的核心竞争，本质上是战略管理能力的竞争；解决当前人机关系失衡、组织僵化等各类问题，唯一的解决方案是强化战略管理，以韧性和抗逆力为抓手，明确“人主导战略、AI落地执行、人管控审核”的人机共生逻辑，让AI真正成为组织的“副驾驶”，而非替代人类的“主导者”。

从宏观来看，当前生成式AI技术已经突破奇点，“人工智能+”在各行业行动全面渗透，传统“线性规划、静态适配、孤立决策”的战略管理模式，已无法应对技术迭代、市场波动、生态重构的多重挑战，战略脱节、执行低效、抗风险能力薄弱等问题日益凸显。

从微观来看，当前人-AI协同实践中的问题依然突出，尚未形成“认知-职责-流程-保障”四位一体的协同机制，各板块的核心与落地要点及规范化、常态化、高效化及依赖困境都处在探索性摸索阶段。有些企业还是老思路认为只要开展专项培训，就可以让管理者、员工，对战略管理中的应用场景及未来基于人工智能发展模式进行同，至少可以AI应用技能及能力的提升，破除“技术至上”与“人力至上”的两极误区。

AI时代的管理，并非走向退场，而是推动重要性和价值重生，并且更加坚定地维护“以人为本”宗旨，更好地服务于人的主体地位和福祉。新时代的管理，将摆脱工业时代的管控型范式，实现三大形态跃迁：第一，从“纠偏管控”到“认知协同”。第二，从“层级指挥”到“生态治理”。第三，从“效率优先”到“价值平衡”。这里所指的人机协同，并不是指简单的人机交互，而是AI作为常态化协同主体嵌入组织决策、执行、监督与迭代全过程的治理结构。人类参与到关键节点中去做决定性控制，掌握价值判断与风险兜底权力，对AI输出进行校准、约束与修正。人类认知能力的提升引导AI的应用方向与伦理边界；AI效率的提升释放人类认知资源，推动人类向更高层次思考；数据在人机互动中转化为组织知识与系统能力；组织根据技术与个体变化调整结构、制度与文化。

通过构建“哲学理念—AI宪法—管理制度—实践行动”的传导机制，将“以人为本”“公平正义”等哲学理念融入管理价值观，将AI宪法的伦理要求转化为具体的管理制度、岗位职责与操作流程，引导组织与个人在人机协同实践中遵循伦理规范、践行哲学价值；同时，建立反馈机制，将实践中的问题、AI行为的伦理偏差及时反馈给AI宪法优化与哲学理念的实践延伸，形成“理念—规范—管理—实践—优化”的完整闭环，让哲学理念真正照进现实，让AI宪法真正落地生根。要协调好人机关系、优化人机分工，是AI时代下管理学的重要使命。要打破“人类与AI对立”的误区，构建“优势互补、协同高效”的人机协同管理新体系。明确人机分工边界，基于AI与人类的优势差异，合理划分任务。优化人机协同机制，通过构建灵活的组织结构、高效的沟通机制与协同的工作流程，打破人机之间的壁垒，促进人类与AI的高效配合，例如利用AI辅助人类完成基础工作，让人类聚焦于高阶任务，最大化释放技术价值与人类潜能；同时，建立人机协同的冲突解决机制，针对AI行为失范、人机决策分歧等问题，制定明确的解决流程与责任划分，确保人机协同系统有序运行。

传统“以效率为核心、以管控为导向”的管理使命已难以适配人机协同的新时代需求。人工智能时代的管理，将更聚焦于“构建中介机制、培育核心能力、协调人机关系、实现协同发展”，突破传统管理边界，重塑管理内涵与实践路径。

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