20260318研读Openclaw资料摘录
20260318研读openclaw资料摘录
LibTV 本身是一个 AI 视频创作工作平台，它可以把写剧本、设计分镜、生成画面、合成视频这些步骤，放在一条完整的工作流里完成。同时，它还提供了一个可以被 OpenClaw 调用的 skill。在龙虾上安装了LibTV的skill后只需输入一句话，它就可以自己写剧本、设计分镜，最后直接生成一段完整视频。
官网：https://www.liblib.tv/👉 github：https://github.com/libtv-labs/libtv-skills
创建新项目->发起创作请求->AI自动选方案->AI确认方案->AI自动执行->查询结果。
LibTV 的思路其实很简单：把整个视频创作流程放进一张画布。打开LibTV首页，点击「开始创作」，进入无限画布操作界面
从变现路径来看，OpenClaw目前主要面向专业化程度更高的B端用户，包括OPC（一人公司）。而缺少高频应用场景的普通人强装OpenClaw，要么是“大炮打蚊子”，效费比感人；要么更像是鸡肋，卸载还得再花一遍钱。
一位私募基金研究员用OpenClaw自动化处理研报，一周消耗超过1200万Token，费用近千元。背后的成本结构决定了OpenClaw的用户分层。轻度体验玩家每天10次任务，月消耗约3000万Token，成本100—300元；自媒体创作者每天50次任务，月消耗1.5亿Token，成本600—1500元；自动化团队每天200次任务，月消耗6亿Token，成本3000—10000元。
Token经济，是指智能时代以Token计价的经济运行模式。可以把Token理解为智能世界的“通用计价标尺+价值流通载体”。这意味着，Token本身具有双重属性：语义计量：它是AI处理信息的最小语义单元 —— 你和AI的每一句对话（输入）、AI生成的每一段内容（输出），都以Token计量信息处理量。计算量映射：它又是支撑AI运行的算力消耗的基本计量单位——AI每进行一步思考和推理，都需要消耗算力，计算效率决定单位算力（FLOPs）的Token产出，所以，不同性能的算力资源能够映射为以Token为单位的统一计量标准。
马斯克提出了AI发展的五层世界理论，能源(电力)处于最底层，向上依次是芯片、数据中心、模型、应用。这个框架揭示了一个底层真理：所有层级的创新，最终都要回到能源的物理约束上。智能时代，当电力被统一以Token计价，这个框架可以概括为：万物皆Token。
数据是Token的原材料。每一次训练和推理，都是将海量数据转化为Token的过程。数据的质量、规模、多样性，决定Token的价值密度。高质量的专业数据，能产出更稀缺、更昂贵的Token；海量泛化数据则产出通用但廉价的Token。算法是Token的精炼厂。同样的电力和算力投入，更高效的算法架构能产出更多Token。DeepSeek V3以十分之一的算力成本匹敌顶级模型，正是通过架构创新实现了更高的Token产出率。算法效率的每一点提升，都体现为单位电力Token产量的增加。服务是Token的流通网络。从大模型API调用，到A2A(Agent to Agent)协作，再到端到端应用场景，Token在不同层级、不同主体之间高效流转，实现Token与服务无缝交换的协作生态。更深远的是，Token会成为跨模态的“硬通货”。文本、图像、音频、视频、3D模型、传感器数据，都可以被转化为Token，进入同一个计算和计价体系。
以H100芯片推理场景为例：1度电（360万焦耳）理论可产出约923万Token，扣除散热损耗（PUE≈1.2）实际产出约550万Token。当以Token计价的电费（能源成本），成为度量经济的终极单位，货币最终将以Token的形式锚定于电力。
Token作为电力的金融化表达，正在构建“能源→算力→Token→价值”的完整价值链条。中国西部一度0.2元的绿电，经过算力转化，可以变成AI服务以数倍计价输出。而欧美0.8—1.2元/度的电价，使得其Token成本是中国模型的3—5倍。这种成本差异，直接转化为AI服务的价格竞争力。
更广泛的自由，在于Agent之间的自主协作。基于A2A协议，不同框架、不同供应商构建的智能体，能够在统一的标准下发现彼此、交换信息、协调行动。一个擅长数据分析的Agent，可以将结果传递给一个擅长可视化的Agent；一个专注金融风控的Agent，可以调用一个擅长合规审核的Agent服务。这种多Agent协作网络，正在构建一个超越单一中心化平台的分布式智能生态。
则是Agent的经济自治。当智能体拥有独立的Token账户，能够在市场中自主交易服务、购买算力、优化收益，人类可能成为这个智能经济网络的“发起者”而非“管理者”。OpenClaw等自主智能体的开源，正是朝着这个方向迈出的第一步——它们拥有执行权、记忆系统和工具调用能力，本质上已经是“数字公民”的雏形。
从生成式LLM爆发的变革到催生Agent的快速发展，AI发展的浪潮从未停歇。随着近半年来，Anthropic在Claude Code上前后实践和推出了Agent Skills、Agent Teams等新技术范式，Agent的构建逻辑与能力边界正在被重新定义。站在当前这个时间节点，当我们再次探讨“如何构建一个优秀的 Agent”以及“如何进行技术架构选型”时，原有的视角或许已不足以应对各种场景及的变化。我认为，在深入讨论具体的技术选型之前，首要任务是理清Agent的演化路径。这条路径其实整体上是清晰且可循的：从最初的单点提示词调用、工作流编排，再到多智能体协同、自主规划，到后来Agent Skills的可复用能力、Agent Teams的并行探索。只有理解了这一演化脉络，我们才能在面对复杂场景时，做出更精准的技术选型。
总结来说，单Agent优势和劣势非常明显：优势：最原生的架构、开发链路最短、运行效率极高，适合快速构建Demo或处理知识依赖较少的场景。劣势：极度依赖上下文窗口的质量与长度。一旦涉及大量领域知识的注入，极易引发上下文爆炸，导致模型注意力分散，稳定性大幅下降。
面对单Agent在海量知识注入和复杂场景处理上的局限，Multi-Agent架构（多智能体）应运而生。这不仅是Agent数量的堆叠，更是质量的飞跃。以我们阿里云客户服务领域云小二Aivis的实践为例，通过构建 Planner（规划者）、Reasoner（推理者）、Executor（执行者） 等角色协同的架构，我们将复杂的宏观问题拆解为微观的子任务，由不同的Agent各司其职。Multi-Agent的模式其实有很多种，在Google的论文里，主要列为四种：独立的（Independent）、去中心化（Decentralized）、中心化的（Centralized）、混合模式（Hybrid）。
主Agent（Orchestrator）：扮演“大脑”角色，仅负责意图识别与任务路由，判断“这个问题该交给谁”，而无需背负所有领域的知识重担。子Agent（Sub-Agent）：拥有独立的 Identity 空间，内化特定领域的专业知识（如ECS远程诊断、RDS性能优化等）。每个子Agent只需专注于解决某一类垂直场景，其Prompt指令更精简，领域知识更聚焦。这样，Multi-Agent架构带来了显著的优势：降低单体复杂度：将庞大的领域知识打散，避免了单个Agent Context Window的爆炸的可能性。独立调优：各个子Agent可独立迭代。若"ECS远程诊断”效果不佳，仅需针对性优化这一个子Agent的提示词或工具链，而不影响其他模块，极大提升了维护的灵活性。
https://mp.weixin.qq.com/s/Z8JYgxUdHSLo4ywgyt4ljg
物流行业充斥着大量重复性工作：运单录入、对账、库存盘点……OpenClaw可以自动登录TMS（运输管理系统）、WMS（仓储管理系统），抓取数据、核对差异、生成日报，把原本数小时的手工操作压缩到几分钟，而且几乎不出错。在客服端，它能7×24小时自动回复客户的查件、询价，主动推送物流节点更新，让人工客服从重复劳动中解放出来。
传统AI只能告诉你“这条路线最优”，而OpenClaw在接到“把这批货从A运到B”的指令后，可以自主完成：查询最优路线、比价、预订车辆、通知仓库备货……一系列操作一气呵成。在更高层面，它还能调用仿真工具、分析历史数据，自动完成部分物流网络规划、仓配布局优化的工作，把项目周期大幅缩短。
货主、物流公司、承运商、收货方之间的信息壁垒，OpenClaw可以帮忙打通。订单、运单、结算单自动流转、自动核对，沟通成本和出错率双双下降，整个链条跑得更顺。
总结来看，如果说春节前后的“养龙虾”热潮更多是极客和职场人的个人探索，那么现在，大厂们正在把这只龙虾带进企业的大门。当 Skills 足够丰富、成本足够摊平、安全足够闭环时，“养龙虾”在物流行业的想象空间，才刚刚打开。