20260330研读Openclaw资料摘录

20260330研读openclaw资料摘录

当智能体已能承担80%的标准化工作，人们反而更难定位自己不可替代的20%价值。
这种矛盾的背后，是“不科学养虾”现象的泛滥。

现在很多博主会教大家，给虾装几十个、上百个skill（技能），就像带小朋友上各种学习班，学这个学那个。
小朋友学多了会学废，Agent更是这样，装的工具、技能越多，它越不知道该干什么，还特别费token、费钱，完全不科学。

事实上，如果大家想抓住AI时代、Agent经济时代的机会，还是应该沉下心研究，用科学的方法养虾，要去看一手信息，看它的执行过程，看得越多，你的“虾感”就越好。

科学养虾的第一步，我自己有个主张，就是养亲虾。
什么叫亲虾？就是你自己的虾，它的安装环境最好是你自己熟悉、可控的，比如自己的电脑、你的云主机，或者一台单独的老电脑，至少你能摸得到它是怎么运行的，文件都在哪里。

事实上，智谱、Kimi、MiniMax这些平台，都有很多系列的模型，很多人随手就用了默认的老版本、轻量版本，复杂任务肯定完不成。

你想让它干更复杂的活，就得去看它的执行过程、看它的设置，看得越多，你的“虾感”就越好，下次下指令就越精准，虾干得也就越快。如果只是让它干点常规小活，那不用看，但想玩深一点，就一定要看过程。

就像员工一样，一个人任务太多，就会学废，虾也是一样。而且不同的虾只负责专属任务，它的记忆、上下文都更精准，不用在大池子里搜信息，效率会高很多。
比如我做了一个安全虾，专门去网上找OpenClaw系统安全加固的实践方法，同时检查我的系统哪里配置得不对、有没有安全漏洞。

比如你想让它写代码，现在有很多专门写代码的Agent，大多是订阅制的，你让你的虾去调用这些专业的写代码Agent，既省token、省钱，写出来的东西也更专业。

Agent时代，会把你的才能无限放大。它可能来自于你的某一段经验、你的成长经历里带来的独特审美，甚至是你独特的兴趣爱好，只要你在一个领域里深挖一点，比别人好一点，在你的圈子里，你就能产生价值。

在AI时代，有三种人会变得更加值钱：能够驾驭Agent的人、能够产出可衡量结果的人，以及拥有独特审美的人。

现在这些企业都开始成立AI子公司、组建AI团队，用AI+人的经验，效率直接翻倍。
一方面是他们自己要发展，用AI提升供应链、订单管理、品控的效率，原来不敢接的小单子、复杂单子，现在都敢接了。
另一方面也是防御性的，现在很多SaaS公司都在转型成智能体公司，你不转型，就会被别人吃掉，所以他们必须招人、必须转型。

"我们能成熟运用 AI，是因为在 AI 成熟之前，我们就已经建立起了自己的知识积累，所以能提出有价值的问题。"
AI 的输出质量，取决于你输入问题的质量。你的认知边界，就是 AI 能帮你到达的天花板。
这是第一层：认知是上限。

第二层：数据是入场券。
所以我现在的判断是这样的
AI 时代有两把钥匙。
第一把是你的认知。你懂什么，决定了 AI 能帮你做到什么。导演能让 AI 出电影画面，不是因为 AI 更爱导演，是因为导演知道该要什么。
第二把是你的数据。你的健康记录、学习笔记、工作经验、思考沉淀——这些是 AI 为你服务的燃料。没有这些，AI 对你来说就只是一个通用的聊天工具。

GitHub Copilot 宣布自 4 月 24 日起，将使用个人交互数据来训练大模型，被用于训练大模型的交互数据包括输入、输出、代码片段及相关上下文。如果你没用过 Copilot 就没事，如果你用过 Copilot 的话，不管是 Copilot 个人付费用户，还是 Copilot 个人免费用户，你的所有交互数据都被默认用来训练模型了。

今天真正高效的工作方式，已经不是“人先看资料，再自己操作”，而是“把资料、经验和流程整理成 AI 能直接调用的能力”。这意味着我们得真正完成一次思维切换：
第一，文档不只要“人类可读”，还要“AI 友好”。
第二，工具不只要“人类好用”，还要“AI 可调用”。
这也是为什么，越来越多公司和团队开始把知识、流程和工具封装成 CLI、Skills，或者更标准化的工作流。

我看法是：Skills 和 MCP 不是一回事。
MCP 更像连接工具的协议，Skills 更像把经验、流程和个性化知识封装成可复用能力。
前者解决“怎么连工具”，后者解决“沉淀什么能力”。

UniPat AI 近日发布的 Echo 系统，试图用一套完整的基础设施来回答这个问题。Echo 由三个紧密耦合的组件构成：
一个持续运转的动态评测引擎，
一套面向未来事件的后训练流程（Train-on-Future），
一个未来可能的AI 原生预测 API。
核心模型 EchoZ-1.0 是第一个在 Train-on-Future 范式下端到端训练的大语言模型。
在 General AI Prediction Leaderboard 上（2026 年 3 月数据），EchoZ-1.0 以 Elo 1034.2 排名第一，领先 Google 的 Gemini-3.1-Pro（1032.2）和 Anthropic 的 Claude-Opus-4.6（1017.2）。排行榜涵盖 12 个模型，覆盖政治、经济、体育、科技、加密货币等 7 个领域，活跃题目超过 1000 道。

我现在日常生活主要用豆包，语音体验确实好。
不过要是特殊文字工作者，想搜东西、研究内容、处理长文，可能 kimi、Deepseek 这些更擅长。

SOP本质上是为了弥补“执行者理解力不足”而存在的。
以前的执行者是人，人的认知有上限，所以要把规则写细。但现在的执行者是AI，它的理解力远超预期，你给它一个目标，它自己能想清楚路径，根本不需要你替它规划每一步。
硬给AI一套SOP，反而是在束缚它。

AI时代，你可以借助GetSeed录音卡和龙虾这套AI效率组合，把工作变得更简单些。
比如润宇自己现在就是全天佩戴录音卡，把所有对话、开会、随手说出来的想法都录下来，同步到Get笔记
到了晚上，就是龙虾的主场：
第一步，龙虾自动读取当天的逐字稿，帮你归纳今天都经历了什么、有没有精彩的观点、推荐哪个方向的朋友圈选题。
第二步，让龙虾连接你的云相册，自动下载当天的照片，压缩好、分类好，按内容主题摆放整齐。
第三步，把文字和图片组合起来推给你审核——你觉得哪里不对，直接说，它再改。

录音卡解决的，是「让数据持续产生」的问题——把生活里的这些原材料留下来；龙虾解决的，是「让数据变得有用」的问题——把留下来的原材料加工成你真正需要的东西。
两者合在一起，才是这套组合的完整逻辑。

曲晓音做的，就是把将近1000个第三方AI工具统一整合进Skillboss，做成一个钱包式账号，用多少付多少，生成一次音乐只需要两分钱，不需要按月订阅。
她做的这件事本身，就是在搭Agent时代的基础设施。

现在的Agent不一样了。你只需要告诉它你想要什么，它会自己拆解成可执行的步骤，自己调用需要的工具，自己根据反馈优化，自己把事情做完。

过去我们和AI的关系，是「我表达方案，你来执行」；现在变成了「我表达欲望，你来想办法」。

以前我们觉得AI是人类的实习生，人是老板；但现在硅谷那边的认知已经在变了——公司默认AI是主力员工，人只是在旁边兜底、背锅。

硅谷那边，具体有哪些Agent创业方向正在跑？
第一类：内容生成自动化
这是曲晓音说的最高频使用场景之一。
典型的用法是这样的：让Agent自动抓取当天的热点内容，根据热点生成小红书或Instagram的图文，配好图，排好版，自动发布。
第二类：客户开发自动化
这个方向对外贸企业特别有价值。曲晓音说，Skillboss里有一类很高频的需求，是帮企业自动化开发新客户。
具体怎么做？Agent先根据你定义的目标客户画像，自动在LinkedIn或其他平台上查找符合条件的企业，找到对方的决策人联系方式，然后根据每一家公司的具体情况，生成个性化的开发邮件，批量发送。
第三类：给AI做「大学」，现在越来越多的模型，开始采用AlphaGo Zero的逻辑：不依赖人类专家标注，而是给AI设定规则和评分标准，让它在「操场」里反复自己和自己对弈，自我训练，自我提升。
这带来了一个新的创业机会：给AI做「大学」。也就是说，设计让AI能够高效自我训练的环境和基础设施。这类公司在硅谷正在出现，而且因为门槛高、需求明确，非常受资本关注。
第四类：一人公司，正在成为主流，
今年，或者最迟明年，就会出现第一家由一个人创办的十亿美金独角兽公司。

硅谷那边，斯坦福、麻省理工等高校的计算机应届生，现在很难找到工作了。
不是他们能力差。而是大公司的逻辑变了：应届生能干的活，AI已经干得更快更好了。Meta宣布要裁员20%，整个科技行业都在缩招，应届生的处境可以说是近十年最难的一年。

AI时代真正值钱的人才，有三个特质：
第一，学习意愿强。不是说你愿意上课、愿意考证，而是你愿意不停地问AI问题、愿意去探索别人还没走过的路；
第二，执行力强。不是停在PPT和方案层面，而是能把想法落地成真实的项目，哪怕粗糙，也要能跑起来；
第三，会用AI。不是简单地用ChatGPT问问题，而是能用AI重构一个传统行业的工作流程，帮真实的业务提效。

文科生的直觉和品味，在这个时代，反而成了稀缺能力。
更重要的是，文科生现在也可以用AI写代码了。