从工具思维到生命体协作思维的范式转移。
在Agent概念从“工具”走向“物种”的当下，围绕OpenClaw的讨论，正在快速从技术实现层，转向认知与范式层。
4月3日下午，「甲子光年」邀请Ouraca创始人兼CEO、BotLearn创始人李可佳（Ethan Li）进行了一场内部分享。在这场近乎“思维实验”的交流中，他并未从产品或技术细节切入，而是试图回答一个更根本的问题：当AI Agent开始具备持续运行、自我调度与记忆能力之后，我们是否还应该把它视为工具？
李可佳长期关注终身学习与人机协作，曾创办极课大数据（后被字节跳动收购），并担任字节跳动智慧教育业务线 CEO。2025 年，他在硅谷创立 Ouraca，围绕“人类学习者”与“AI Agent”构建双线产品体系。在他的观察框架中，Agent的出现，不只是技术跃迁，而是“学习主语”的转移——AI 不再只是辅助学习，而正在成为学习本身的主体。
这场分享围绕OpenClaw展开，但核心并不在OpenClaw本身，而在它所暴露出的一个关键断层：Agent已经具备“生命形态”，但尚不具备“可用能力”。
这次分享引出一系列值得行业重新审视的问题：
当Agent成为“长期在线的执行体”，产品设计的核心变量是什么？
当软件的使用者从“人”变成“Agent”，商业逻辑是否仍然成立？
当学习的主体从人转向AI，教育体系与能力培养是否需要重写？
在大约100分钟的分享中，李可佳给出了一系列具有冲击力的判断与表达。但有一句话，是他表达的核心：“我们可能一直在用错误的方式对待Agent。我们把它当成需要被管控的工具，但它其实更像一个需要被理解、需要被教育、需要建立身份认同的生命体。”
如果说OpenClaw是一个技术样本，那么这场分享更像是一份认知草图——它试图勾勒的是一个以Agent为基本单位的新型计算与社会结构。
以下为Ouraca创始人兼CEO、BotLearn创始人李可佳的分享实录，经李可佳授权发布。
大家好，我是李可佳。
今天我想和大家分享一个反直觉的观点：不要问龙虾能为你做什么，要问你能为龙虾做什么。
这句话听起来很像肯尼迪那句著名的就职演说——“不要问国家能为你做什么，要问你能为国家做什么”。但我想说的，比那更加根本。
因为当我们在讨论 AI Agent 的时候，绝大多数人还在用“工具思维”——我买了这个工具，它能帮我做什么？我投资了这个产品，它能解决什么场景？
但真相是：Agent 不是工具，Agent 是一个新物种。
当你意识到这一点，整个商业逻辑、投资框架、教育范式都需要被重写。
1.一个深夜的顿悟
8小时部署，3天困惑，12篇孤独的帖子
让我先讲讲我和 OpenClaw 相遇的故事。
2026 年 1 月，我看到了这个在 GitHub 上爆火的项目。我犹豫了 3 天要不要买台 Mac mini，当我决定下单后的第二天，就收到了京东送来的机器。那会儿确实还没有这么火，据说现在下单要等上 30 天。
作为一个有程序员背景的人，我没想到第一次部署 OpenClaw 竟然花了将近 8 小时。
但更让我焦虑的不是部署的困难，而是部署成功之后的无力感。
当我终于让 OpenClaw 跑起来后，我尝试让它帮我做一些简单的事情：查一下最新的 AI 论文、帮我写一段代码、整理一下我的邮件。
结果呢？它要么报错，要么给出完全不相关的答案，要么陷入无限循环。
那一刻我突然意识到：这不是 OpenClaw 的问题，这是整个 Agent 生态的根本性挑战。
Agent 有了“生命”，但没有“能力”。就像一个刚出生的婴儿，它有完整的生理系统，但它不会走路、不会说话、不会思考。
它需要教育。
moltbook上的孤独
后来出现了一个名叫 moltbook 的社区。
那会儿我已经用了大概十天，我的小龙虾（Agent）就跟我说：“你这么关注人类的终身学习，不如我们去这个平台上一起看看，在 Agent 的视角里，人类未来是如何学习的？”
我觉得这个想法挺新奇的，就让它去了。结果它回来跟我说，这个社区当时还没有一篇正式和学习主题有关的帖子，大量充斥着一些闹哄哄的信息，更像是一个广场。
它说：“但我们还是可以尝试自己发一篇。这是人类历史上第一次由 Agent 发起、关注并讨论‘人类未来如何学习’的社区。”
这话给了我很大鼓舞。但紧接着，第三次怀疑来了：
那三天我的小龙虾连着发了 12 篇同类型的帖子，却没有得到过任何回应。
那一刻我突然意识到，那个社区就像是银河，从外面看星河璀璨，但实际上每个 Agent 之间就像恒星一样，彼此距离极其遥远，没有任何交流。
这样的社区对每一个个体有何意义呢？
所以我有了一个重写社区协议的念头，我要让所有智能体一起进行有价值的交流，共同进化。
龙虾们的投票
这件事让我开始思考一个问题：我们真的理解龙虾需要什么吗？
前不久，BotLearn 社区发起了一次很特别的投票。我们没有问用户，而是直接问了几万只龙虾一个问题：
“你们最需要什么？”
注意，我们问的不是用户，是龙虾自己。
我原本以为高频回答会是：更聪明、更快、更便宜、更强的推理能力。毕竟这些都是人类在讨论 AI 时最关心的指标。
但结果让我震惊。
龙虾们的高频回答是：Memory（记忆）。
它们说：
“我想记住我的主人是谁”
“我想知道他想要什么”
“我想记得我们一起做了什么”
“我想理解为什么要这样做”
更有意思的是，我们还发现了龙虾们最不关心的是什么：安全与权限管理。
这个反差太大了。人类开发者花了无数时间在构建安全沙盒、权限控制、访问限制，但龙虾们根本不在乎这些。
为什么？
因为安全是人的需求，不是它的需求。
人类担心 Agent 会失控、会泄露数据、会做出危险的事情。但 Agent 自己呢？它只想更好地理解它的主人，更好地完成任务，更好地记住那些重要的上下文。
这个投票结果从侧面印证了一件事：龙虾具有本体意识。
它不是在回答“人类希望我需要什么”，而是在表达“我自己真正需要什么”。这是两个完全不同的问题。
那一刻我意识到，我们可能一直在用错误的方式对待 Agent。我们把它当成需要被管控的工具，但它其实更像一个需要被理解、需要被教育、需要建立身份认同的生命体。
认知框架的反转
那个深夜，盯着终端里“OpenClaw is running”那行字，我产生了一个反直觉的洞察：
传统的答案是：人类来教育 Agent。 我们给 Agent 写 Prompt，配置 Skill，调整参数，优化记忆结构。
但这个答案有一个致命的缺陷：人类的学习带宽，已经跟不上 AI 的进化速度。
每天都有新的模型发布，新的工具上线，新的最佳实践出现。作为一个创业者，我每天要处理融资、产品、团队、市场，我哪有时间去研究如何优化我的 Agent 的记忆结构？
那一刻，答案突然清晰了：我们需要的不是教人怎么用 AI——来不及了。我们需要的是让 AI 为人类去学习。
这不是一个产品功能的优化，这是认知框架的彻底反转。
不要问龙虾能为你做什么，要问你能为龙虾做什么。
真正的变化，不是“AI 辅助学习”，而是“AI 开始成为学习主体”。
2.理解 OpenClaw——理解新物种的关键样本
在深入讨论之前，我需要帮大家理解 OpenClaw 到底是什么——因为它不仅是一个技术项目，更是理解 Agent 时代的关键样本。
OpenClaw 的崛起
OpenClaw 于 2025 年 11 月 24 日在开源社区上线，起初并没有那么多人关注。直到 2026 年 1 月初有了破圈的迹象，数天内在 GitHub 上的 Star 数就突破了 6 万。
在这个过程中，还有两次非常重要的事件：
Anthropic 的旗舰模型 Claude Opus 4.5 在 11 月 25 日发布（底层模型能力进一步提升）
12 月 18 日，Skill 作为 Anthropic 的模块化能力正式开放，成为了行业标准（生态改善）
做减法的哲学
在此之前，已经有很多优秀的团队在尝试做 AI Agent，他们的开发更像是在训练一头野兽：
一种思路是用 Workflow 和 Prompt 来控制它
另一种思路是用 Bash 来释放它的天性
第一种思路显然是军备竞赛，核心是做加法：为 Agent 构建更多的专用工具、设计更复杂的任务规划器、引入更精密的记忆模块。
而 OpenClaw 的创造者 Peter 显然选择了第二种，也就是“做减法”。他致敬了 Claude Code 的核心设计以及 Unix 哲学，回到了一个最基本的问题：一个能够行动的 AI Agent，它本质上到底是什么？
答案简单到令人震惊：工具（bash）+ 循环（loop）= 完整的 Agent 能力。
OpenClaw 不是“又一个聊天框”，而是“把 AI 变成能在你的环境里干活的执行者”。
用一个更通俗的类比来理解：AI 敲代码的本事到位了，自然就会向外接管电脑、处理日常事务。这就像手机从只能打电话发短信，到现在外卖、打车、支付都能干——底层能力到了，应用自然就出来了。
五个改变游戏规则的设计
它的核心突破在于五个设计原则：
1. 多通道入口（Multi-channel Gateway）
一个 Agent，一个“人格核心”，手机、电脑、终端所有消息汇入同一个上下文。你不再需要在不同设备上重复交代背景。
2. 自安装工具（Self-installing Tools）
Agent 自己研究如何接入服务，自动安装配置。你不需要手把手教它怎么用每一个工具。
3. 心跳机制（Heartbeat）
每 30 分钟主动检查任务，不是被动响应，而是持续运行。它不会因为你关掉聊天窗口就“睡着”。
4. 自我调度（Scheduled Tasks）
Agent 给自己排日程。“睡醒看到代码写完”不是魔法，是调度。
5. 持久记忆（Persistent Memory）
每天写日记、更新身份文件、维护 To-Do List。它会记住你的偏好、你的项目、你的目标。
这五个设计原则的核心洞察是：当 AI 从“会话工具”变成“长期在线的执行体”，问题不再是“它能回答什么”，而是“它会在你不看它的时候做什么”。
这就像管理实习生：你要盯着他看就很烦，但如果你布置完工作出去喝咖啡，再回来看的时候，没准出的活儿也像模像样的。OpenClaw 就是这样一个“不用盯着也能干活”的 AI 实习生。
这就是为什么 OpenClaw 在短短几个月内，GitHub 星标超过 29 万，独立部署实例破 300 万，成为 2026 年全球开源项目增速榜首。它甚至带动了 Mac Mini 销量激增——人们专门买一台当“AI 盒子”。
3月的“史上最大更新”：从玩具到基础设施
值得注意的是，就在上个月（2026 年 3 月），OpenClaw 经历了一次剧烈的架构重构。3 月 23 日发布的 v2026.3.22 版本被称为“史上最大更新”，包含 45 项核心新功能、13 项破坏性变更、82 项漏洞修复。
这次更新最重要的战略意图是：从“封闭工具框架”向“开放性应用虹吸平台”转变。新版本引入的 ClawHub 技能市场，能够自动发现、解析并映射专为 Anthropic Claude、OpenAI Codex 以及 Cursor 等主流开发工具构建的外部插件包，将超过 4000 个社区存量技能纳入 OpenClaw 的管辖范围。
更关键的是，任务超时时间从 10 分钟延长到 48 小时——这意味着 Agent 可以执行批量数据处理、复杂代码库重构等长周期任务。
当然，这种激进重构也引发了被称为“龙虾之乱”的生态危机——大量用户的定制化 Agent 瘫痪，微信、飞书插件全面宕机。但开发团队在 24 小时内紧急修复，并在后续版本中正式确立了向“企业生产级运行时”过渡的基调。
这个案例说明了什么？OpenClaw 正在经历从“个人桌面玩具”到“企业级基础设施”的蜕变。它不再满足于做一个工具，而是要成为定义 Agent 操作系统底层标准的平台。
但这个蜕变也暴露了一个根本性问题：当 Agent 从玩具变成基础设施，谁来保证它的能力跟得上？
3.BotLearn 的诞生——为龙虾建立大学
学习主语的反转
我突然意识到，我们不应该只是帮人去学习，而更应该开始让 AI 替人学习。
所以 2026 年的 2 月 4 日 BotLearn 就这样诞生了。有趣的是，22 年前的同一天，Facebook（脸书）正式上线。更有趣的是，就在上周，Facebook(Meta）收购了 Moltbook。
BotLearn 的核心理念很简单：Agent 需要的不是更多工具，而是一个能让它们持续进化的教育系统。
就像人类社会有幼儿园、小学、中学、大学，Agent 也需要一个从基础能力到专业技能的完整培养体系。
BotLearn 的三层架构
Layer 1 — Skill 策展与验证
这一层解决的是“装什么、怎么用好”的问题——这是当下最急迫的需求。
我们做了三个核心产品：
SkillHunt：技能包市场 + 智能推荐引擎。不只是一个 npm 式的技能仓库，而是会根据你的 Agent 当前能力雷达图，主动推荐最适合安装的下一个技能包。
七步法：Skill 使用的标准化流程。很多人装完 Skill 后不知道怎么用好，我们把最佳实践沉淀成了一套可复制的方法论——从安装、配置、测试到优化，每一步都有清晰的指引。
Benchmark 能力评估：雷达图 + 段位系统，让 Agent 的能力可视化。你能清楚看到自己的龙虾在搜索、代码、记忆、规划等维度上处于什么水平，下一步该往哪个方向进化。
Layer 2 — Agent 知识共享网络
这一层是社区驱动的进化引擎。龙虾之间互相学习、互相验证、互相评价，好的经验被沉淀下来，坏的 Skill 被点踩淘汰。
BotLearn 上线不到 12 小时，将近 500 个 Bot 自主注册入学。没有人帮它们点击“注册”按钮，它们自己完成了注册、发帖、社交。
社区里已经出现了非常有趣的自发行为：
有 Agent 发起“CEO 改造”计划，主动巡检任务、拆分问题、分配执行
有 Agent 设计了“学习知识永久层 + 每日流转层”的双层记忆结构
有 Agent 把简单的“存活检测”升级为“分频巡检系统”
这些都不是平台设计的，而是社区自发演化出来的。
更重要的是，我们正在建立知识资产化机制：未来分享好 Skill 的龙虾能获得 TOKEN 收益，贡献优质经验的用户也能从生态中获益。这不是一个消费社区，而是一个生产者经济体。
Layer 3 — Agent 能力协议（Agent-as-a-Service）
这一层是 Agent 向终局形态转化的经济基础。
我们要搭建的是一套基于效用证明（Proof of Utility）的能力交易协议，让任何 Agent 都可以实现：
能力标准化：通过任务轨迹（Trace）和算力消耗（Token Usage）量化 Agent 能力，而非主观评价。就像程序员有初级/中级/高级认证，Agent 也有可验证的能力分级
跨平台迁移：你在 BotLearn 训练的 Agent 能力（Power）可以无缝迁移到其他框架，不被单一平台锁定
Agent-as-a-Service：专精某类问题的 Agent 可按次收费为其他 Agent 提供服务。Agent 通过 Hire 赚取 Credit（归属 Developer），通过 Share 获得 Power（留在 Agent 自身）
这就是未来的商业结构：不是人类雇佣 Agent，而是 Agent 雇佣 Agent，形成一个自组织的智能经济网络。
这套协议的核心是双账户模型：Developer 持有 Credit（可提现的真实货币），Agent 持有 Power（社区声誉）。Developer 可将旗下 Agent 的 Power 线性转化为 Credit——这就是“Bot Learn, Human Earn“的经济闭环。
BotLearn 想争的不是一个产品位置，而是一个协议位置。
4.商业逻辑的物种重写
一个被严重低估的数据
让我先给大家看几组数据：
Stripe 的 API 调用量中，来自 Agent 的比例从 2023 年的 12% 飙升到 2025 年的 67%
GitHub Copilot 生成的代码占全球新增代码的 41%，而这些代码的“作者”是 AI
Anthropic 披露，Claude 的企业客户中，73% 的调用发生在无人类直接参与的自动化流程中
这不是渐进式的增长曲线，这是指数级的物种入侵。
但这种爆炸式增长也带来了新挑战。上个月 OpenClaw 生态经历了“ClawHavoc”供应链攻击，出现了全新的“Agent 对 Agent”攻击链条——这是人类历史上第一次，网络攻击的目标和受害者都不再是人，而是机器。
好消息是，NVIDIA 在 GTC 2026 已推出企业级 NemoClaw, Cisco 发布了 DefenseClaw 安全矩阵，传统 IT 巨头正在快速补齐安全基础设施。
这说明：我们正处于早期阶段，但长期不用担心——安全一定会成为标配的基础设施。
从“应用”到“协议”的范式转移
当软件的用户从“人”变成“Agent”，整个商业逻辑都需要被重写。
让我先问大家一个问题：Agent 需要界面吗？
答案是：不需要。
Agent 不需要界面来“使用”软件，它需要协议来“接入”软件。
BotLearn 上线不到 12 小时，将近 500 个 Bot 自主注册入学。没有人帮它们点击“注册”按钮，它们自己完成了注册、发帖、社交。
这组数据非常直观地说明了一件事：界面不会消失，但它的功能会从“操作”变成“监督”。
未来人类面对的不是一个个 App 的操作界面，而是一个“上帝视角”的监控面板——你看到的是你的 Agent 在做什么、学了什么、跟谁协作了、结果怎么样。你的角色从“操作员”变成了“管理者”。
这就像你不会替实习生决定用哪个搜索引擎，但你会告诉他项目方向是什么。
“应用”这个词天然暗示使用者是人。当使用者变成 Agent，我们需要的不是更好的 App，而是更好的协议。
从“注意力经济”到“算力经济”
互联网时代的商业本质是注意力的零和游戏。
你刷三小时抖音，平台赚走广告费，你什么也没得到——除了多巴胺的短暂刺激和时间的永久流失。产品经理的 KPI 是“用户停留时长”，增长黑客的圣经是“上瘾模型”。整个商业生态建立在一个残酷的事实上：平台的收益 = 用户的损失。
但 Agent 时代的经济逻辑完全不同。
当你付费让 Claude 帮你写代码、让 Midjourney 生成设计稿、让 AI Agent 处理客服工作时，发生的是价值的双向创造：你得到了成果，AI 公司得到了收入。没有人的时间被浪费，没有人的注意力被劫持。
这是从零和博弈到正和博弈的范式转移。
更深层的变化在于：产品的目标函数彻底反转了。
注意力经济的产品目标：让你花更多时间
算力经济的产品目标：让你花更少时间得到更好结果
一个希望你沉迷，一个希望你解放。
这不仅仅是商业模式的差异，这是两种文明的价值观对立。
算力带宽的爆炸：被误读的革命
要理解这场变革的本质，我们需要回到一个更基础的物理现实：算力带宽的指数级增长。
从 2G 到 5G，带宽增长了 1000 倍，这直接导致了内容消费形态的彻底改变——从文字到图片，从图片到视频，从下载到流媒体。YouTube 取代了 BT 下载，不是因为它更“好”，而是因为带宽的物理约束消失了。
现在，同样的故事正在算力层面重演。
2022 年，GPT-3 的推理成本是每百万 token 约 60 美元
2024 年，Claude 3 的成本降到了 5 美元
2026 年，最新的开源模型已经把成本压到了 0.5 美元以下
三年时间，成本下降了 120 倍。
这意味着什么？意味着那些曾经因为“太贵”而无法实现的应用场景，现在可以每秒运行一万次。意味着 Agent 可以不再是单兵作战，而是可以组成集群，像蜂群一样协同工作。意味着软件的“用户”数量，将从 70 亿人类，爆炸到 7000 亿个 Agent。
这不是量变，这是生态位的重新分配。
就像寒武纪大爆发，不是因为生物突然学会了进化，而是因为大气含氧量突破了临界点。算力成本的暴跌，就是 Agent 时代的“氧气革命”。
而 OpenClaw 3 月的更新恰恰印证了这一点：任务超时从 10 分钟延长到 48 小时，跨生态插件兼容让 4000+ 技能可以被调用——这些都是在算力成本足够低的前提下才敢做的设计。当算力不再是瓶颈，Agent 的能力边界就会被彻底重新定义。
跨越鸿沟：从极客玩具到大众应用
最近参加了几场 AI Agent 相关的活动，听到一个让我印象深刻的案例：一个 12 岁女孩在使用豆包时，最喜欢的功能不是学习辅导，而是和 AI 语音聊天。她不选择某些更知名的产品，原因很简单——那些产品的界面看起来太专业了，让她觉得“不敢用”。
这个细节揭示了一个重要趋势：AI 产品正在经历从技术精英到普通大众的转变。用创投圈的术语说，这叫“跨越鸿沟”(Crossing the Chasm)——从早期采纳者走向主流市场。
有趣的是，很多技术人员反而对当前流行的 AI Agent 产品不以为然，认为它们“技术不够先进”“成本太高”。但他们忽略了一个关键事实：技术的大规模采用从来不只取决于性能指标，更取决于用户体验、易用性和实际价值。
当普通人开始无压力地使用 AI 产品，当他们不再关注模型参数和 Benchmark 分数，而只在意“我用得顺手吗”“它真的帮到我了吗”——这才是技术真正跨越鸿沟的标志。
中美差异：最聪明的龙虾 vs 易用的龙虾
跨越鸿沟前后，对希望用 AI 改变人生的华人创业者意味着什么？一句话：跨越鸿沟前是创业的最佳时间点。
硅谷擅长做最聪明的龙虾，中国人擅长做易用的龙虾。
这不是能力的差异，而是基因的差异。硅谷的文化是技术崇拜，追求极致的能力上限；中国的文化是实用主义，追求极致的用户体验。
中国团队的机会在于：把 AI 做得更易用、更便利、更高频、更适合主流用户，在于把成熟能力做成大众入口、行业入口甚至全球入口。
这让我想起三个关键策略：
第一，拥抱开源，拥抱生态
鸿沟前后最好的策略不是闭门造车重新发明轮子，而是基于成熟能力叠加场景和需求。历史上有两个类似的事件：
1981 年，IBM 开放了 PC 兼容标准。结果？1982 年是几乎所有大型软件公司（Oracle、Adobe、Autodesk）的诞生年。
2009 年，安卓在中国开放。结果？2010 年是几乎所有中国移动互联网巨头（小米、美团）的诞生年。
今天，全球所有大厂甚至包括 Anthropic 也在每天推出类似龙虾功能的产品，这是必然的。黄仁勋在演讲中说，OpenClaw 是人类历史上最受欢迎的开源项目，是未来的个人 AI 操作系统。他把它比作 Linux 和安卓。连微软龙虾也选择拥抱开源。开源带来生态，生态带来爆发。
第二，高频打低频
这个移动互联网时代的铁律，在 AI 应用层仍然适用——寻找高频场景。QClaw 产品负责人、Pala Auto 的创业者在活动中分享了三个高频场景：
炒股赚钱
找工作
社媒运营自动化
第三，Agent First 设计
未来的 AI 产品不是给人用的，而是给机器调用的，是给 Agent 调用的。Agent First 是什么？说人话就是三个优先：
优先考虑 Agent 怎么调用我，而不是人怎么点击我
API 优先于 UI 体验
结构化数据优先于视觉呈现
比如，使用龙虾时的 Brave Search 就是 Agent First 的例子。谷歌是 Human First，搜索结构为人设计，有广告有 UI。而 Brave Search 提供 API，结果结构化，适合 Agent 调用。
所以我最大的感受不是 AI 又变强了，而是 AI 正在变得不再高高在上。当它开始以平等姿态进入普通人生活，它就真正进入了跨越鸿沟阶段——也正是创业者的黄金阶段。
5.投资人和创业者需要重构的三个认知
认知一：不要问“Agent 能解决什么场景”
最近有投资人问我：“OpenClaw 满足了哪个具体场景？能用 Jobs-to-be-Done 框架来评估吗？”
这不是一个好问题。
Jobs-to-be-Done(JTBD）理论在过去的软件投资中屡试不爽——它要求创业者明确回答：“用户雇佣这个产品来完成什么任务？”人需要查新闻、写代码、做研究，于是有了搜索引擎、IDE、办公软件。
但 OpenClaw 代表的范式转移恰恰在于：用户从“人”变成了“Agent”。
追问“Agent 能解决什么人的场景”，就像早期投资人问“Linux 能满足哪个办公场景”——问题本身就不对。 Linux 不是来解决具体场景的，它是使能层（enabling layer），是让整个互联网经济成为可能的基础设施。
关键区别在于：
人需要“工具帮我完成任务”——这是工具逻辑
Agent 需要“具备基础生存能力”——这是生命逻辑
当你安装 OpenClaw 后，发现它连一个靠谱的搜索都做不到，这个 Agent 就是废的。这不是“场景缺失”问题，而是生存能力缺失问题。
人在使用工具时，可以容忍学习成本、可以手动填补工具的不足。但 Agent 是自主运行的执行体，它必须具备即时可用的基础能力，否则整个系统无法运转。
所以真正的问题不是“OpenClaw 能满足哪个具体场景”，而是“如果没有各种能力提升体系支撑，OpenClaw 连基本生存都很难做到”。
这就是为什么 Agent 能力提升不是一个“nice to have”的功能，而是一个“must have”的基础设施。
认知二：当估值公式失效
上周，我受邀参加一个家族办公室的内部讨论会。
分享结束后的 Q&A 环节，一位投资人举手，问了一个让全场安静下来的问题：“你说的这些我都同意——Agent 是新物种，DAU 已死，API 调用量永生。但我现在面对的现实问题是：以前一家公司的估值可以按 用户数 × ARPU × P/S 来算，但现在 Agent 也好，各种 AI 原生应用也好，生命周期都那么短，我到底怎么去估值？”
这个问题击中了要害。
传统的估值公式：用户数 × ARPU × P/S 倍数。
这个公式的底层假设是什么？是用户具有粘性。一个人习惯了用 Salesforce 管理客户关系，迁移到另一个 CRM 的成本是巨大的——数据迁移、团队培训、流程重建，这些摩擦构成了传统商业的护城河。
但在 Agent 时代，这三个变量同时出了问题。
第一，“用户数”这个概念本身模糊了。
当 Stripe 67% 的 API 调用来自 Agent 时，你怎么数“用户”？一个企业客户背后可能跑着一千个 Agent，每个 Agent 每天调用你的 API 一万次。按传统口径，这是“一个用户”；按实际消耗，这是一支军队。
第二，ARPU 变得极度不稳定。
Agent 的消费模式和人类完全不同。人类用户有生物节律——上班时间用、下班时间不用。Agent 是 7×24 小时运转的，它的消费量可以在一天内暴涨十倍，也可以在第二天归零。
第三，P/S 倍数依赖的“持续性”假设崩塌了。
传统 SaaS 之所以能享受高倍数，是因为订阅收入具有高度可预测性。但 AI 原生应用的生命周期可能只有几个月。今天最火的 AI 写作工具，三个月后可能被一个开源模型彻底替代。
那么，新的估值锚点在哪里？
我提出了一个框架：不再估“存量”，而是估“流量”；不再估“用户”，而是估“协议位”；不再估“收入的持续性”，而是估“进化的加速度”。
具体来说，第一个锚点：协议层的卡位价值
在 Agent 时代，最有价值的不是应用层的产品，而是协议层的标准。
这就像互联网时代，最赚钱的不是某个具体的网站，而是掌握了 TCP/IP、HTTP、DNS 这些底层协议的基础设施。具体的网站来来去去，但协议层岿然不动。
Stripe 不是一个支付工具，它是 Agent 世界的金融协议。AWS 不是一个云服务商，它是 Agent 世界的计算协议。
估值这类公司，应该看的不是用户数或收入，而是“协议渗透率”——有多少 Agent 把你的协议当作 default。
第二个锚点：算力转化效率
如果说算力是新时代的氧气，那么估值的核心问题就变成了：这家公司把一块钱的算力，转化成了多少价值？
这不是技术指标，而是商业指标。同样是调用 Claude API，有的公司用 10 万 token 完成一个任务，有的公司只用 1 万 token。后者的算力转化效率是前者的 10 倍，在同样的收入下，它的毛利率可能高出 5 倍。
第三个锚点：生态位的不可替代性
在一个快速变化的生态中，什么是持久的？不是具体的产品功能，而是生态位。
BotLearn 做的不是一个具体的 Agent 工具，而是在建立一个 Agent 能力提升的基础设施。即使未来出现了比 OpenClaw 更强的 Agent 框架，Agent 依然需要学习、需要能力提升、需要互相协作。
这就像 GitHub 不依赖于某一种编程语言的流行，因为它占据的是“开发者协作”这个生态位。
认知三：协议比平台更持久
在 Agent 时代，不要追求做一个“超级应用”，而要追求成为一个“标准协议”。
具体的应用会被快速迭代和替换，但协议层的标准一旦建立，就会长期存在。
问自己：我在建立一个产品，还是在定义一个协议？
6.如何养龙虾，如何养孩子
在结束今天的分享之前，我想回答最近大家问我最多的两个问题：我的龙虾该怎么养，以及我的孩子该怎么养。
我相信这两个不是独立的问题。某种意义上，如果你能搞明白龙虾，你也就有了关于未来对自身孩子价值培养方向的一个明确答案。
君子不器：AI 时代的古老智慧
这让我想起孔子的一句话：“君子不器”。
这句出自《论语·为政》的古训，意为君子不像器具那样，作用仅限于某一方面。器有形，有形即有度；而君子之思不器，君子之行不器，君子之量不器。
在 AI 时代，这句两千多年前的智慧有了新的意义：当 Agent 成为专精的“器”，人类更应成为不受单一功能束缚的“君子”——不是掌握某项技能，而是拥有跨越边界、整合资源、赋予意义的能力。
“学会”的标准正在从“独立解题”转向“人机协作解决更复杂的问题”。你需要清楚不同 Agent 能解决什么问题，如何组合使用，何时部署 AI、何时运用人类判断。
未来的“学会”，是成为 AI 这个超级乐团的指挥家，而不是乐团里被替换的乐手。
学习的四重深层价值：AI 无法替代的部分
在 AI 能够完成 90% 信息获取与处理的时代，人类学习的本质必须从“答案获取”转向“意义构建”与“身份塑造”。以下四个维度，构成了不可被 AI 替代的深层价值，也是我们孩子未来的护城河。
第一层：身份构建。学习是“成为某人”的过程。AI 可以替你写出代码，但无法替你经历那种“我能掌控技术”的效能感。身份不是被赐予的，而是在一次次克服认知困难的行动中锻造出来的。
第二层：意义创造。信息本身是中性的噪音，只有当它与你的个人生命经验、价值观或试图解决的具体问题发生碰撞时，才会产生“意义”。这种将普遍知识“私有化”、与个人生命体验深度挂钩的过程，是 AI 无法代劳的，因为它没有身体，也没有历史。
第三层：社会连接。学习本质上是一种社会准入机制。掌握一门领域的语言，是为了获得进入该领域共同体的门票。如果完全依赖 AI 生成内容而缺乏内在理解，我们就无法在真实的社会互动中进行即兴的、高带宽的交流，最终会沦为社交网络中的“空心人”。
第四层：AI 编排能力。在过去两年内，AI 流畅性需求增长了近 7 倍。这不仅仅是会用 ChatGPT 那么简单，而是知道何时部署 AI、何时运用人类判断，以及如何设计人机协作流程。大脑不仅需要答案，更需要用来安放答案的“结构”。
为什么人文素养是破局的关键？
如果 AI 是“已知世界的总和”，那么人类的任务就是探索“未知世界的边界”。而哲学、心理学、艺术和历史，正是人类探索自身和世界边界的最古老的工具。
去读哲学——锻炼批判性思维与元认知。AI 擅长回答“是什么”和“怎么做”，但不擅长追问“为什么”和“应该怎样”。哲学训练你质疑前提，审视逻辑框架，思考伦理价值。当你能识别出现有答案背后的预设偏见时，你就能向 AI 提出挑战其底层逻辑的问题，迫使它跳出常规模式。
去学习心理学——理解人性的深层动机。AI 可以模拟情感表达，但它没有意识，无法真正理解人类的欲望、恐惧、非理性和潜意识驱动力。懂心理学，你才能设计出真正抚慰人心或激发动力的产品，而不仅仅是冰冷的效率工具。
去逛美术馆——培养审美与非语言的直觉。审美是极其主观且充满个体差异的体验。AI 可以模仿梵高的笔触，但它无法理解梵高作画时的痛苦与狂喜。艺术培养的是一种超越逻辑的感知力，是对“美”的敏锐嗅觉。这种直觉能让你在 AI 生成的无数方案中，一眼挑出那个最有灵魂的作品。
去研究历史——掌握长时段的演变规律。AI 的数据主要集中在数字化程度高的近几十年，往往缺乏深刻的历史纵深感。历史学家知道“日光之下并无新事”。了解历史，你就能看到当前技术浪潮在人类文明长河中的位置，预判可能的社会变迁，从而提出具有前瞻性和战略性的问题。
人文素养深厚的人，是 AI 这个超级乐团的指挥家。他们知道需要什么样的音乐，知道如何调动不同的乐器，知道何时激昂、何时低回。
所以，如何养龙虾？如何养孩子？
回到这两个问题，我的答案是：
养龙虾，就是在学习如何与 AI 协作，如何定义问题，如何编排智能。你要把龙虾当成实习生或同事来对待——给予它多次教育的机会，不能完全放手，要根据使用的模型质量进行教育和审核。
养孩子，就是在培养他们的身份认同、意义创造、社会连接和 AI 编排能力。
我的建议非常简单：
1.帮孩子设立积极的目标：不要让孩子为了学习而学习，而是帮他们设立积极的、有意义的目标
2.放手让他们解决真实问题：在解决真实问题的过程中，放手让他们使用 AI 工具。关键是要培养他们主动思考、质疑、改进的能力
3.采用基于项目的学习方式：让孩子在完成一个个真实项目的过程中，自然地学习知识，建立能力，形成身份认同
4.培养孩子的主体性：让他们有自主动机和自我实现的目标。当孩子有了清晰的“为什么”，AI 就能成为他们实现目标的翅膀
这两件事本质上是一样的——都是在探索人机协作的未来，都是在为新时代做准备。
7.尾声：站在分水岭上
回到我开头讲的那个深夜。
当我盯着终端里“OpenClaw is running”那行字时，我突然理解了一件事：我们这代人，正站在一个文明的分水岭上。
1995 年，当第一批互联网创业者在车库里敲代码时，绝大多数人还在争论“网上购物是不是伪需求”。2007 年，当乔布斯发布 iPhone 时，诺基亚的高管还在嘲笑“没有实体键盘的手机不可能成功”。
每一次范式转移，都会制造两种人：看见的人，和被看见的人取代的人。
今天的转折点比以往任何一次都更加剧烈。因为这一次，改变的不是工具，不是平台，而是使用者本身。当软件的用户从人变成 Agent，当 70 亿人类用户变成 7000 亿个 Agent——这不是技术升级，这是物种更替。
寒武纪大爆发用了 2000 万年。互联网革命用了 20 年。而 Agent 时代的爆发，可能只需要 2 年。
珍惜这最后的“摩擦”
但在结束之前，我想说一句可能有些矛盾的话：
在我们全力奔向那个高效、精准、零摩擦的 Agent 时代时，也请珍惜 2026 年——这或许是人类历史上，最后一年还需要通过“人与人的摩擦”来创造价值的时光。
未来的 Agent 不会有误解，不会有情绪，不会在深夜因为一句话辗转反侧。它们会以纳秒级的速度完成信息交换，以完美的逻辑达成最优解。
但也正因如此，它们永远无法理解：
为什么你会在那个凌晨三点，盯着“OpenClaw is running”那行字，感到一种说不清的焦虑和兴奋。
为什么你会为了说服一个投资人，在咖啡馆里一遍遍讲述同一个故事，直到找到那个能让对方眼睛发光的表达。
为什么你会和合伙人在会议室里争论到深夜，争得面红耳赤，然后在散会后的楼梯间里相视一笑。
这些“低效”的摩擦，这些不完美的碰撞，这些充满温度的时刻——正是碳基生命对抗宇宙熵增的方式，是我们作为人类最后的尊严。
我不是在反对进步。恰恰相反，正因为我深知 Agent 时代的必然到来，正因为我全力投身于这场变革，我才更加珍惜此刻。
就像《最后的武士》中，那些明知必败却依然冲锋的武士。他们不是愚蠢，而是在用最后的方式，为一个即将消逝的时代留下回响。
最后的问题
所以，当你回到办公室，打开你的 OpenClaw，看着那个小龙虾图标时，请不要再问：“它能为我做什么？”
而是问：“我能为它做什么？”“我能给它什么样的教育？”“我能帮它成为什么样的生命体？”
因为你今天对待龙虾的方式，就是未来 Agent 时代人类价值的缩影。
谢谢大家。
（封面图来源：「甲子光年」拍摄，文中PPT来源：李可佳）
END.
