20260518研读Openclaw类Agent资料摘录

20260518研读openclaw类agent资料摘录

文章的作者 Jasmine Sun 长期居住在旧金山，身边都是拿着百万美元年薪的年轻研究员和争相打造下一只独角兽的初创创始人，她通过大量访谈，呈现了一个令人不安的共识：先进 AI 将很快超越人类能力，导致数百万工作岗位被替代，经济增长和科学成就虽会提升，但普通人的经济议价能力将消失，财富与权力进一步向 AI 公司和资本所有者集中。

更极端的一种看法是，AGI（通用人工智能）到来后，社会可能会固化成“永久底层阶级”（permanent underclass）。该理论认为：在 AI 和机器人技术先进到足以完全取代人类劳动之前，人们积累财富的时间窗口已经所剩无几。到那个时候，每个人都将被冻结在当前的阶级地位中：富人能够部署超强智能机器来为他们效劳，而其他普通人将被变得毫无用处、无法就业，只能靠福利勉强维持生活

Anthropic 的高管似乎更坦诚，其首席执行官达里奥·阿莫代（Dario Amodei）频繁对外发出警告：人工智能的快速迭代不仅可能在 2030 年前消灭一半的初级白领岗位，更深远的危机在于，它可能会制造出一个丧失经济博弈筹码的“永久底层阶级”，进而动摇社会的权力平衡。

这个问题目前没有定论，但确实存在风险，并非必然发生：
1. 潜在风险：AI可能替代大量重复性、低技能岗位，如果教育、再培训体系跟不上，加上算法偏见、技术资源向少数群体/国家集中，确实可能让部分群体长期陷入就业困难、收入偏低的处境，形成固化分层。
2. 可避免性：这不是技术发展的必然结果。如果配套政策跟上（比如全民基本收入试点、免费AI技能培训、反垄断监管、AI收益共享机制），同时AI也会催生新岗位（比如AI伦理审核、人机协作运营、AI工具定制等），完全可以缓解甚至避免“永久底层阶级”的出现。
3. 关键变量：最终走向取决于各国的技术治理选择，是放任资本主导，还是主动调整社会分配制度。目前全球很多国家已经在研究相关应对方案，北欧部分国家也有应对过往技术变革的成功经验可以参考。

玲珑目前覆盖：deepin、UOS、openKylin、openEuler、Debian、Ubuntu、Fedora、Arch 等 10+ 主流 Linux 发行版，其中 deepin/UOS 最新版默认自带，其余大多可通过添加玲珑官方源安装。有了这个跨发行版兼容保证，开发者以后不用为了不同 Linux 平台反复折腾。真正开始接近：一次打包，全平台运行。

我们正在从“一人公司”走向“无人公司”。 Autonomous Agent Systems 可能会成为下一代组织形态。
要实现这一点，必须解决三个问题：
第一，超长上下文和 RAG 构建记忆。
第二，快速模型迭代逼近持续学习。
第三，自我评估能力——这是拐点。

AI 原生组织（AI-Native Organization）不是"用 AI 的公司"，而是从战略、组织、流程、文化到产品都以 AI 为默认生产力底座来重新设计的组织。类比一下：互联网原生（如字节、美团）vs 传统企业上互联网云原生（如 Snowflake）vs 传统企业上云AI 原生（如 Anthropic、Cursor、Perplexity）vs 传统企业接入 AI关键差异在于：传统企业把 AI 当工具加在现有流程上，AI 原生组织则默认 AI 是组织的"第一员工"，人类的工作是定义目标、设计系统、做关键判断和承担责任。

判断一家公司是不是真 AI 原生的"试金石"可以用这五个问题快速判断：一，新员工入职第一周，是先学 SOP 还是先学公司的 AI 工具栈？二，开会时是人讨论后让 AI 执行，还是 AI 先出方案人再评审？三，绩效考核里有没有"AI 杠杆率"这类指标？四，公司的核心知识资产是文档为主还是 prompt/agent 为主？五，扩张业务时第一反应是招人还是搭 agent？

AI 原生组织的内核是"以 AI 为默认生产力的组织重构"，本质是生产函数、组织单元、知识资产的三重重写，关键在于战略、人才、组织、流程、数据、文化、治理七个支柱必须同步进化——少一个，都只是"用 AI 的公司"，不是 AI 原生组织。

Gemini Embedding 2为文本、图像、视频和音频提供了一个统一的向量空间。对相关技术的开发者来说意义重大。目前，大多数语义搜索工具都只处理文本数据，因为处理多模态数据过于复杂。谷歌将多模态嵌入技术推向全面应用，这是朝着实现跨文本、图片、视频和音频的更自然搜索方式迈出的重要一步。

OpenClaw 和 Hermes，说白了都是"工具箱型"框架。
你拿到的是一堆能力：能调模型、能跑工作流、能接工具。但怎么用，靠你自己配；接什么服务，靠你自己写脚本；上下文怎么管，靠你自己喂数据。
归根结底，得你先把它服侍好，它才能帮你干好活。
而 OpenHuman 的逻辑是反过来的。它不等你喂，它自己去拿。

OpenHuman 戳中的，就是这个窟窿
连上你的 Gmail、GitHub、Slack、Notion、日历……118 个服务，一键 OAuth 授权，不用自己跑去各平台生成 API Key。
连完之后，每 20 分钟自动轮询一遍所有账户。新邮件、日程变更、代码提交、文档更新，全拉到本地，自动压缩进一个结构化的本地知识库。

ViMax 是香港大学数据科学团队（HKUDS）开源的 Agentic Video Generation 多智能体视频生成框架，它将“导演、编剧、制片人、视频生成器”集于一身，实现从创意/小说/剧本到完整多镜头视频的端到端自动化生成。重点解决传统AI视频生成的短时长、一致性差、缺乏叙事结构等问题，彻底消除上述制作瓶颈。

之前一直在关注的腾讯设计 Ardot 今天终于是公测了，这是一款把 Figma 的专业编辑能力和 AI 的生成体验深度融合的设计平台，AI 生成的不是图片，是能继续改的设计稿。
今天带大家一起体验一下。
🌟 工具名称：Ardot
🔗 工具地址：https://ardot.tencent.com/
Ardot 优势在于：依托腾讯生态，具备与微信、QQ、腾讯文档深度整合的潜力，而且全中文界面、国内服务器，避免了 Figma 的访问问题。
Ardot 不只是 Figma 的国产替代，更像是 Figma + Lovart 的结合体，特别适合需要快速出稿、高频迭代的产品团队。

《Token经济学》给出了一个五层结算栈的框架来理解这种变化：最底层是公用事业层，算力、Token、缓存、搜索，可计量、可路由，本质上和水电煤没有区别；往上是协议与能力层，包括MCP、A2A等跨平台互操作接口；再往上是知识封装层，涵盖Prompt、Eval、Memory这些行业know-how的序列化；第四层是执行交付层，Agent作为被托管、被监控“数字劳动力”来运作；最顶层是结果与责任层，按outcome收费，“结果”本身变成合同化的结算对象。
V4降价，本质上是把第一层的公用事业价格打到了接近免费。但国内厂商的商业模式，几乎完全压在这一层上。
从这个角度看，豆包的这次收费还是只在第一层推进，是“只有价格可以打”的主动防御型策略。

当下，Token的成本在下沉，AI的价值却在上移。这两条线的交叉点，就是基础设施。谁先到达那里，谁就能在Token成本归零的那一天，依然站着收钱。

说到AI，很多人先想到大模型、算力芯片、算法框架。确实，这三者是AI的"硬件基础"。但如果打个比方：
• 算力是肌肉——决定你能跑多快
• 算法是大脑——决定你怎么跑
• 数据是血液——决定你有没有力气跑

在AI时代，数据治理的地位变了：
• 以前是"锦上添花"——数据治理做得好，BI报表更准，业务更顺
• 现在是"准入证"——数据治理不过关，AI项目连上线资格都没有
没有治理的数据，就是AI的"毒药"。这不是危言耸听，而是已经被无数翻车案例验证过的残酷现实。

这五个领域，缺了哪一个，AI都会"瘸腿走路"。元数据管不好，AI连数据在哪都不知道；质量不过关，AI学了也是白学；标准不统一，AI学出来的就是"偏科"；主数据对不上，AI的判断就会自相矛盾；安全兜不住，AI可能变成合规炸弹。

天工智能体，最后来看看它生成的视频。在生成视频的时候，天工不光可以让你自己挑模型——Seedance 2.0、Kling 3.0、Pixverse V6 这些市面上最顶的视频模型它都内置了，想用哪个用哪个，不用单独再去订阅。对内容创作者来说，它已经能覆盖很多快速生产内容的场景了。尤其是你要把一篇文章、一份报告、一个趋势选题，快速改造成视频内容的时候，这个效率提升非常明显。

“超级个体”大致包含几层含义：
AI 让个人拥有更大的业务空间和更低的启动门槛。
一个人可以借助 AI 完成原本需要多人协作的调研、分析、内容、设计、开发、运营工作。
真正的关键不只是会用工具，还要能把工具、业务流程、行业知识和交付结果组织起来。

智业文明，是继农业文明、工业文明之后，人类进入的第三次文明换挡。
农业文明把人安放在土地上，工业文明把人嵌入机器与流水线，智业文明则把人的意图接入模型、智能体、机器人和行动系统，让一句想法能够穿过数据、技能、工具与协作网络，抵达真实结果。
它不是“AI工具变强了”这么简单，而是智能开始成为新的生产底座：劳动被重组，组织被液化，市场从流量转向意图，财富从拥有资源转向调用能力，人的价值也从执行熟练度，转向方向、判断、审美、背书与签字。