20260401研读Openclaw资料摘录
20260401研读openclaw资料摘录
建议每个人——只要你还想跟AI沾边，不管是做开发、做设计还是单纯的使用者——必须去申请一个 Linux.Do 的账号。它是目前国内 AI 圈子里的V2ex，待遇也跟V站一样，从两个月前开始，也要魔法上网才能访问了。
表面上，它是一个技术论坛；实际上，它是目前中文互联网上最硬核、最活跃、也是“福利”最密集的 AI 爱好者聚集地。
这里没有那么多虚头巴脑的概念炒作，只有实打实的技术分享和资源互换。从最新的大模型逆向工程，到各种自动化脚本，再到一手的薅羊毛攻略，这里聚集了大量的技术大佬和热心开发者。
它就像早期的互联网社区，纯粹、甚至带有一点理想主义色彩。在这里，“真诚、友善、团结、专业”是核心价值观。
近期，DeepTech 密集报道了一系列 AI 在具体场景中落地的新突破。在曼哈顿，一位耶鲁毕业的律师借助 Claude，仅用两小时便完成了传统中型律所团队通宵才能交付的并购提案；一位从未写过代码的管道工程师利用 AI 工具分析诊断数据，在几分钟内锁定了复杂管道网络的故障源，而过去这通常需要高级工程师上门勘测数日；与此同时，开源 AI 智能体项目 OpenClaw 继续以“人类历史上增长最快的开源项目”之势席卷全球，帮助不同行业的从业者实现了更复杂的 Agent 功能。
据报道，OpenAI 工程师团队一周处理的 token 量高达 2,100 亿，相当于复写 33 遍维基百科；而一些 OpenClaw 的重度用户晒出的算力账单更是惊人，月支出从数千美元到数万美元不等。
黄仁勋在近期 GTC 大会上提出了“token 经济学”的概念，他认为数据中心正在演变为生产 token 的“AI 工厂”，token 需要根据相应的标准进行分层定价供给。同时，token 将成为继工资、奖金、期权之后的“第四种薪酬”。在硅谷，工程师的身价评估体系也正在被呼吁重构，其中一项重要标准就是看他能高效调用多少 token。
token，这个曾经位于技术文档底部的计量单位，正在跃升为 AI 时代的新货币。它既是生产力的燃料，也是稀缺资源的象征；它既是个体实现能力跃迁的杠杆，也可能成为新的数字鸿沟。
一个关键变化在于模型已经具备完成实际任务的能力。也就是说，当用户获得一定的 token 配额后，不再只是与模型进行对话，而是可以通过模型完成具体工作。这种能力的转变，使得 token 不再只是一个技术层面的计量单位，而是成为可以直接对应生产结果的资源。因此，token 从技术参数演变为经济变量，本质上是由模型能力和整体智能水平的提升所驱动的。
输入价值→①→电能→②→token→③→生产力→④→输出价值
其中①是供电体系，②是芯片和系统，③是模型和算法，④是社会评价体系
输入价值首先是转化为电能，然后电能通过芯片与计算系统转化为算力，算力进一步转化为 token，最后 token 再通过模型转化为生产力；最终，这些生产力通过社会评价体系（例如代码、文本内容等）被赋予具体的经济价值。
在这个链条中，token 是一个关键中间环节。随着模型能力的提升，“token 到生产力”的转化效率显著提高。换句话说，每一个 token 所能承载和释放的价值变得更高。
今天AI圈子炸开了锅，Anthropic 旗下的 AI 编程工具 Claude Code 发生了源码泄露。
关键点不是黑客攻击，而是工程失误。在发布到 npm 的安装包里，包含了约 60MB 的 cli.js.map（Source Map），开发者据此几乎完整还原了 TypeScript 源码：1906 个源文件、超过 51.2 万行，更离谱的是，2025 年 2 月 Anthropic 就因同类问题泄露过一次，这次等于“同一个坑摔两次”。
在某些公司看来，人就是马。蒸汽机和汽车来了，马就该退场。
但就在差不多同一时期，另一组数据也在出现：软件工程师的招聘需求，同比增长了6%。
一边是裁员，一边是扩招。一边是“AI正在替代人”，一边是“AI正在带来新岗位”。
这两件事同时发生，并不矛盾。
杰文斯的核心洞察，后来被称为"杰文斯悖论"（Jevons paradox）：蒸汽机效率提升，不会减少煤的需求，反而会扩大需求；因为效率降低了成本，成本降低拓展了应用范围，应用范围扩大带来更多总消耗。
回到软件工程师。AI让写代码更容易，于是公司开始做更多过去做不起的项目，需要更多能开发和部署AI产品的人。效率提升，需求反而扩大。程序员没有消失，他们是煤。
AI能不能替代某个工作，是技术问题。AI会不会被决策者选择去替代，才是现实问题。
组织惯性、监管框架、客户信任、人际摩擦，这些才是真正决定替代速度的变量。技术只是其中一层，而且往往不是最决定性的那层。
忽视这一层，就会产生像Hinton那样的预测：逻辑上正确，现实上失手。
AI最先吃掉的，不是整个岗位，而是岗位里最流程化、最重复、最容易量化的那些任务。结果是：你还在，但你的工作在悄悄贬值。同样的活，团队人数在变少；同样的岗位，招聘门槛在提高；同样的薪资，要求你一个人做过去两个人的工作。
AI的第一轮冲击，往往不是让你失去工作，而是先让你的工作贬值。
最先被保留的，是离客户更近、离收入更近、离关键结果更近的人。法律、咨询行业里真正能带来客户和合同的人，被替换的成本远高于收益。但支持性、执行性的角色，决策者会很快算出那笔账。
AI压缩的，恰恰就是这类基础信息差。以前需要培训才能掌握的技能，正在变成越来越便宜的通用能力，研究员、助理、分析师、初级文案、翻译，这些岗位的入门门槛都在快速下降。
危险的不是信息不重要了，而是只会处理信息、不负责最终判断的人，正在变得越来越不稀缺。
你是否安全，最终取决于三件事：
你是否接近真实结果；你是否掌握别人替代不了的判断；你是否处在组织和客户都愿意保留的位置上。
人工智能自身发展的内在五个层次：芯片、算力基础设施、数据、算法模型、能源电力。这五个层次由微观到宏观、由硬件到软件、由物质到能量，共同构成人工智能这一数字文明新物种完整的"身体图谱"，也构成当今大国科技竞争最核心的战略版图。
芯片是人工智能的心脏。芯片的本质，是将人类的逻辑运算能力以极度微缩的方式物理实现。一块指甲盖大小的芯片，可以集成数百亿个晶体管，每一个晶体管都是一个最基本的逻辑开关。这些开关每秒钟开合数以万亿次，共同完成人工智能训练与推理所需的海量矩阵运算。这种能力，是整个数字化体系运转的最底层物质基础。
以数据中心为核心、以通信网络为脉络的算力基础设施体系，是人工智能的骨骼与血管系统。骨骼提供结构性支撑，血管负责要素的高效流通；没有健壮的骨骼与畅通的血管网络，再强劲的心脏也无法驱动一个完整生命体的运转。
大语言模型的训练，本质上是一个从海量文本数据中蒸馏人类知识与推理模式的过程。GPT-4、Claude、Gemini 等顶级大模型，均是在数以万亿 token 计的文本语料上完成预训练的。这些数据来源于数十年互联网积累的网页文本、数字化书籍、学术论文、代码仓库、多语言内容等各种形态的人类知识资产。数据的规模决定了模型知识面的广度，数据的质量与多样性决定了模型推理能力的深度与可靠性。这与"五全信息"概念高度契合——全空域、全流程、全场景、全解析、全价值的数据积累，构成了训练通用人工智能模型最理想的原料体系。
算法模型是将芯片算力、算力基础设施与数据资源转化为真正智慧的方法论体系，是整个人工智能体系最具创造性、最难以复制的核心竞争力所在。
能源电力是人工智能整个体系的"底盘"——它处于最基础的支撑地位。人工智能对电力的需求，已从可选项演变为硬约束。训练一次当前前沿量级的大模型，消耗的电力可能相当于数千个普通家庭一年的用电量。而随着模型规模的持续扩张与算力集群的加速扩建，全球数据中心的电力需求正在以每年 30% 至 40% 的速度高速增长。国际能源署预测，到 2030 年，全球数据中心的用电量将达到目前的两倍以上。电力，从来没有像今天这样，直接决定着一个国家人工智能产业的规模天花板
总而言之，芯片是跳动的心脏，算力基础设施是支撑行动的骨骼与流通的血管，数据是滋养生命的五脏六腑，算法模型是感知与思考的大脑灵魂，能源电力则是维系一切的生命底盘。五者缺一，则整个体系或停滞、或残缺、或空转——其相互依存与协同演进的关系，构成了理解人工智能发展全貌不可或缺的完整逻辑。
从3月29日晚21:35开始，一直到30日上午10:33，整整12小时58分钟。国产大模型之光DeepSeek经历了其自2025年初爆红以来，史上最长的一次服务器大罢工。种种蛛丝马迹显示：这可能不是事故，而是一场盛大的前奏。DeepSeek V4，或许已经趁这个至暗时刻，悄悄潜入了我们的电脑！回顾DeepSeek的成名史，无论是年初R1震撼全球，还是V3横扫基准测试，DeepSeek虽然也会偶尔卡顿，但网页端服务从未出现过超过2小时的中断。V4 Lite的版本规模，就达到了200B参数。
另外，它还支持1M Token的上下文窗口。扔进整个项目的底层源码，它都能瞬间秒懂。
V4的多模态全家桶，将文本、图像、视频全覆盖。
最颠覆级的，就是mHC架构更新。通过这个新架构，V4最高可扩展至1万亿（1T） 参数级别！
AI Agent时代，命令行成了智能体的母语。
2026年3月的最后几天，钉钉、飞书、企业微信几乎同时开源了自己的CLI（Command Line Interface，命令行界面）工具。
目前，钉钉dws拿到了1300多颗星，飞书lark-cli冲到了4400多颗，企业微信wecom-cli十几小时就攒了700多颗。
GitHub上早期著名的开源项目，CLI-Anything收获近2.5万+星标，OpenCLI也已经9000+星标，两个独立开源项目，用不同的方式，都想把整个互联网变成命令行。
OpenClaw的核心定位就是完全本地运行加全平台CLI兼容，它用事实证明了CLI作为AI交互接口的巨大吸引力。
CLI还继承了Unix系统最经典的管道能力。
通过管道运算符，多个单功能命令可以串联成复杂工作流。
对企业而言，CLI的价值还体现在安全、性能和合规三个刚性需求上。
性能方面，AI原生CLI的内存占用仅为同类GUI工具的1/10。某头部金融机构的测试数据显示，同时调度100个客服Agent时，CLI版本的资源占用仅为GUI的12%，单个Agent的响应延迟从1.2秒降至0.3秒。企业需要大规模部署Agent时，这个性能差距会直接转化为成本差距。
安全方面，钉钉dws用PBKDF2加AES-256-GCM加密存储用户凭证，密钥由设备MAC地址生成，凭证无法跨设备解密。
微软Copilot CLI通过三重权限校验将越权操作风险降低97.3%。
所有操作都生成可追溯的审计日志，管理员可配置域名白名单进行访问控制。
合规方面，CLI的纯文本交互天然适配数据本地化要求。数据不出终端，日志全程留痕，这对受强监管的行业来说是硬性门槛。
钉钉、飞书、企业微信是在为自己的生态搭建CLI入口，CLI-Anything和OpenCLI做的事情则更加彻底：它们想要把整个软件世界都变成命令行。
CLI-Anything由香港大学数据科学实验室（HKUDS）开发。
它的思路是从源码出发：扫描桌面软件的源代码，把GUI操作映射到底层API，然后用Python的Click框架自动生成一套CLI。
GIMP、Blender、LibreOffice、Inkscape、Krita、Audacity这些有开源代码的桌面软件，它都能自动生成对应的命令行工具。
CLI-Anything的工作流程是一个7阶段流水线：分析源码结构、设计CLI接口、实现命令逻辑、规划测试用例、编写测试代码、生成文档、发布到CLI-Hub注册中心。
开发者只需提供一个软件路径或GitHub仓库地址，CLI-Anything就能自动完成从分析到发布的全流程。
目前已支持16款以上的桌面应用，生成的CLI通过了1839个以上的单元测试和端到端测试。每个生成的CLI还附带SKILL.md文件，AI Agent可以通过这个文件自动发现和使用对应工具。
OpenCLI由开发者jackwener创建，2026年3月14日上线。技术路线与CLI-Anything截然不同，它从浏览器出发。不需要源码，不需要API文档，直接通过Chrome浏览器操作目标网站或桌面应用，把你在浏览器里能做的事情变成一条条命令。
OpenCLI的架构颇为巧妙。
它在Chrome浏览器中安装一个轻量级扩展（Browser Bridge），本地运行一个小型守护进程（Daemon），通过WebSocket将CLI命令和浏览器连接起来。
整个链路是：CLI命令输入终端，本地Daemon接收指令，通过WebSocket发送给Chrome扩展，扩展在浏览器中执行操作，结果格式化输出回终端。你在终端输入opencli bilibili hot，Daemon就把指令通过WebSocket发给Chrome扩展，扩展在B站页面中抓取热门视频数据，格式化后返回。
关键的一点是，整个过程复用的是Chrome浏览器中已经登录的session。
Google DeepMind的研究团队在这项研究中明确区分了两种截然不同的人类与AI交互中的说服方式。
一种是理性说服，它依赖透明目标，尊重被说服者的自主判断能力，通过提供相关事实、合理理由和可靠证据来帮助人做出决策。另一种是有害操纵，它在过程中绕过或削弱目标对象的推理能力，通过利用认知偏差、夸大或歪曲信息来实现改变对方决策的目的。
欧盟人工智能法案（AIA）第5条已经明确禁止部署利用潜意识技术或在可能造成重大伤害的情况下利用人类脆弱性的AI实践。
Google DeepMind的这项研究给出了一个重要的方法论起点：评估AI有害操纵需要同时关注过程和结果，需要在真实的高风险场景中进行测试，需要覆盖不同的文化和社会背景。
AI竞争正在换题。
过去两年，行业争的是谁能把模型做得更大；到了今天，真正拉开差距的，已经是谁能让模型更快进入产业、进入场景、进入真实世界。参数红利在退潮，转化效率开始接管叙事；资本也不再为所有想象力买单，而是重新流向那些能把技术变成产品、把产品变成订单、把订单变成产业能力的地方。
大模型正在完成从“玩具”到“工具”、从“奇观”到“基座”的关键转变。
是否向智能化转型已不再是需要讨论的话题。实际上，“转型”这个词也不够用了。未来只有两种公司：AI原生型公司和AI边缘型公司。
“边缘型”不是倒闭，而意味着在AI时代存在感持续稀释：失去行业话语权，从价值创造的主动方变成被动响应者。
过去三年，AI完成了三次关键跃迁：
2023年初，ChatGPT点燃了“大脑军备竞赛”。各大厂疯狂堆参数、拼算力，模型一个比一个大，参数一个比一个多，开启了大力出奇迹的百模大战。
2025年初，DeepSeek打响了“推理成本革命”。顶尖模型调用成本断崖式下跌，AI从“卷模型”变成了“卷应用”。
2026年初，OpenClaw让AI具备了物理世界的操作能力。从“能思考”到“能执行”，AI完成了从认知到行动的闭环。
结合我们的交流，以及对多位企业家的深度观察，AI原生型公司有三大核心特征：
特征一：AI原生型公司与成立的时间长短无关，只与能否构建“以人来协助AI”的组织架构有关。
OpenClaw已展现了这一雏形：它赋予大模型本地系统操作权限，让它能够完成复杂任务的闭环。人在设定目标后，站在流程之外，观察AI的操作，在关键节点进行决策或纠偏。
特征二：AI原生型公司不再以流量为中心，而是要将词元（Token）视为重要资产进行管理。
特征三：AI原生型公司的领导者，不再是最懂业务的人，也不再是最会发号施令的人。
而是最擅长“在高度不确定性中设定目标，在机器逻辑中注入人性意义”的人。
因为日常运营决策权正在大规模让渡给AI Agent。
理解Token，需要穿透三个层面：
技术层，它是计量单位——是大模型处理信息的最小信息单元，类似“AI的单词”。AI生成每一段回答，都会产生Token消耗。中文1个字约等于0.5~1个Token。资产层，它是生产资料——就像工厂的用电量、钢铁厂的矿石量，Token是企业智能化生产的“原材料投入”。每天消耗多少Token，意味着AI“产能”有多大。
战略层，它是新型货币——当算力成为基础设施，Token将成为可储备、可交易、可优化的战略资源。
最后提出三个马上行动的建议：
1.重构组织架构
识别可以被AI替代的中层管理岗位。设计人机协作的新工作流程。建立AI Agent的管理机制。
2.启动Token审计
统计公司当前的Token消耗情况。评估每Token的业务产出效率。制定Token优化策略。
3.重新定义领导力
从“业务专家”转向“意义守护者”，培养“非计算性判断力”。建立人机共生的组织文化。