20260515研读Openclaw类Agent资料摘录

20260515研读openclaw类agent资料摘录

Anthropic首席财务官表示，AI已编写公司90%的代码，使白领工作重心从执行转向监督。这些言论透露出这家硅谷顶级AI公司对未来白领工作的看法：AI未必会直接消灭大量岗位，但会自动化掉员工日常工作中的大部分执行任务，使员工逐渐变成AI系统的“监督者”。

这两天黄叔在测MiniMax 新出的 Agent Team。测完后，已经决定要在这周五的直播课上教大家去安装和使用！Agent Team 的价值在这里就出现了：它不是让一个 AI 把所有事都干掉，而是把研究拆成多个通道，再由总控把结果收回来。
我看到它的分工里有几个角色：
深度研究总控├── Source Hunter：找资料├── Fact Checker：验资料├── Gap Analyst：判断信息差├── Knowledge Compiler：沉淀知识
这就不像一个“AI 助手”了。更像一个很小的研究小组。
如果只是 5 个 AI 同时写 5 段内容，最后合在一起，那只是拼稿。但如果有人找资料，有人验资料，有人判断信息差，有人负责最后表达，这个系统才开始像一个真正的团队。

Agent Team 的核心不是流水线，而是对抗式质量门禁。Worker 负责把事情做出来。Verifier 负责说“不行，这里有问题”。Leader 再判断要不要返工、怎么返工、什么时候可以交付。这才像一个能交付的系统。

“帮我搭个读书笔记网站，带登录和搜索，能导出的那种。”如果你最近在Kimi K2.6的Agent模式里敲下这句话，5分钟后，你拿到的不再是一堆需要自己调试的Python代码，也不是一个只能看的静态Demo。而是一个真实可访问的URL。前端、后端、独立数据库、用户账号体系……全套齐备。你可以直接把链接甩给朋友，他注册后存入的数据，会稳稳地停留在你这套系统的独立数据库里，Kimi后端最终落在了TiDB Cloud上。

Agent在跑起来时需要的不仅仅是数据库，还需要一个独立的sandbox来执行代码、一份独立的storage来存它的工作产物。One agent, one sandbox; one storage, one database，这套“每个Agent一份独立运行环境”的架构，正在成为Agent原生应用唯一可行的假设。Kimi、Dify、Plaud以及全球各地不断涌现的Agent团队，都不约而同地做出了相同的判断。

2026 年 3 月底，国内几家头部工作平台不约而同地开源了各自的 CLI。
但不到两个月，数据就拉开了差距：飞书 CLI 的 Star 数已经是同期其他项目的数倍。
最核心的原因，就是它开放的广度和深度，能让 Agent 干更多事。
现在，飞书 CLI 已经覆盖了 17 个业务域，开放了 200 多条命令。消息、文档、表格、多维表格、邮件、日历、任务、审批、知识库、画板、幻灯片、会议、妙记、OKR、考勤、云空间、通讯录，办公全链路打通。

为什么是飞书？因为 Agent 要真正做事，需要三样东西同时具备。
1. 上下文。飞书上沉淀了企业多年的消息、文档、日程、妙记、多维表格、OKR。Agent 接入的不是空壳，是蓄满数据的池塘。
2. 执行力。CLI 打通 17 个业务域，Agent 授权后知道你属于哪个部门、有什么角色、能看什么数据，这套权限贯穿所有模块。
3. 交互界面。飞书的 Bot 机制让 Agent 瞬间有了一个每个同事都会用的前端。不需要单独开发 UI。

AI 最擅长替代的，恰恰就是那些“标准化的，上下文充足，容易验证”的执行型工作。那些学习 AI 技术很快，又能把 AI 和业务结合起来做出成果的人，更容易拿到好的绩效，也更容易获得新的机会。新一代 AI Coding 工具不只是帮你写几行代码，而是能直接读项目、理解上下文、修改多个文件、运行测试，甚至帮你做一部分工程决策。

龙虾只是一个入口，就像手机或者电脑一样。它本身解决不了你的所有问题。
如果你想真正提效，关键不是搞一堆花哨的“军团”和“分身”，而是静下心来梳理自己的工作场景，看看：
哪些是重复的、标准化的事情
哪些是可以交给 AI 干好的事情
然后选择合适的模型，把它封装成 Skills。
在使用过程中不断打磨和优化，你会慢慢发现更多可以被 AI 承接的场景。

先找社区，再验证需求，再手工交付，再做 MVP，再找客户，再定价，再营销，再谨慎增长，最后用价值观和复盘工具保证项目不跑偏。
可以说这样一套流程，绝对适合现在的一人公司，我们只做 OPC，不要想着一下子做到几十人，小而美就挺好。