20260601研读Openclaw类Ai Agent资料摘录
20260601研读openclaw类ai agent资料摘录
Skill 不是法器，不是咒语，也不是“复制进去 Agent 就突然开悟”的玄学符纸。Skill 本质上就是说明书，是贴在工具箱盖子上的那张“先拧这个、再接那个、别把手伸进风扇里”的操作指南。真正能把活干成的，必须是 CLI：参数清楚、行为稳定、输出可解析、错误可复现、证据能落盘。 所以这套东西的核心不是“写一个很长的 Skill 让 Agent 背下来”，而是把能制度化的都制度化，把能流程化的都流程化，把以前靠老师傅手感、群里口口相传、网页上点点点的部分，全部压进 wt 这种可执行接口里。Skill 只负责告诉 Agent：什么时候该登录、什么时候该 run、什么时候该 interact、什么时候该停手问人。至于真正挥锤子的活， 必须交给 CLI。
真正让一次对话产生价值的，是另一种东西——一种有方向的探讨。它由三件事拧在一起：一是方向感，你从头到尾揣着一个目标，知道自己要去哪；二是追问，你不满足于第一个回答，会接着往下问；三是最关键的那个动作——把上一轮的回答读懂，再从里头长出下一个问题。
2025年2月，Andrej Karpathy发明"Vibe Coding"，引发全球程序员狂欢。2026年，他亲手宣布这个概念已经"分叉"——进入生产环境必须有更严肃的工程框架。然后，他加入了Anthropic。本文基于Karpathy最新访谈及其公开文章，为AI产品经理和技术人员系统梳理Software 3.0时代的核心认知框架。他做了三件事，永久改变了我们对编程的认知：1. 提出 Software 1.0 / 2.0 / 3.0 三代范式框架2. 发明 Vibe Coding（氛围编程）概念，随后亲手"修正"它3. 提出 LLM是幽灵（Ghost），不是动物（Animal） 的认知框架2026年加入Anthropic后，他的研究方向转向用Claude加速预训练研究——这意味着他对下一代AI的理解，将直接影响模型本身的走向。
关键洞察： 在 Software 3.0 时代，"编程"的本质已变——你不再是在告诉计算机"怎么做"，而是在告诉LLM"做什么"。提示词（Prompt）就是新时代的代码，上下文窗口（Context Window）就是新时代的编程环境。
"Vibe Coding 是提升每个人的软件能力下限；Agentic Engineering 是在保持原有专业水准的前提下，用AI获得速度提升。前者是让更多人能做软件，后者是让会做软件的人做得更快、更好。"
Karpathy说：学会用AI工具只是入门，真正的稀缺性在于理解你在做什么、为什么这样做。 对产品经理而言，这意味着：深入理解用户需求（AI无法替代你与用户的对话），建立对系统行为的直觉（知道AI会在哪里出错），并保持对产品方向的判断力（AI很擅长执行，但"值不值得做"的判断是你的护城河）。
Hermes 0.15 的 Kanban Swarm 干的就是这事。一条命令 hermes kanban swarm 直接建出完整的协作图。你给一个根任务，它自动拆成子任务树（triage, auto-decompose），然后派一组工人并行处理。
你卡在哪一级，不是因为你不会用某个工具，而是你的身份定位没变。你把自己定位成「用工具的人」，那你永远在第二级打转。你得把自己定位成「设计系统的人」，才有可能往上走。
这不是技术升级，而是身份升级。看到这的时候，我确实有醍醐灌顶的感觉，之前我也常常沉迷在用单个工具的爽感之中，没有从这个角度想过问题。
OpenClaw 自己造了什么？整个 Gateway 控制平面——WebSocket 服务、50 多个渠道适配器、会话路由、工具接线、插件生命周期管理、多 Agent 编排。这些全是 OpenClaw 团队一行一行写出来的。
那 Agent 的核心循环呢？用的是第三方 pi-agent-core SDK，通过 createAgentSession() 导入嵌入。SDK 负责完整的 Agent 循环——发送给 LLM、执行工具调用、流式响应。OpenClaw 甚至支持多种 Agent 运行时（pi、Codex 等），Agent 引擎是可插拔的。
Hermes 自己造了什么？run_agent.py——15000 多行的 Agent 核心循环，从 prompt 组装到工具调度到上下文压缩到模型故障转移，全部自己掌控。这是整个项目最核心、最重的一个文件。
如果只是让一个模型"一次性生成 PPT"，通常很难同时满足这三点。更好的方式，是把 PPT 生产拆成一条流水线：先让 Codex 负责结构化内容和页面素材，再调用 GPT Image 2 生成高质量 PNG 视觉素材，最后通过 Presentation 插件把所有内容装配成可编辑的 PPT 文件。
这套方法，我认为可能是当前效率最高、效果也最稳定的 AI PPT 生成思路之一。
森马的设计师以前出一张效果图，最快也要三天。现在用AI工具，30秒出图，效果图直接看，不用打样。
设计师林建霞的原话是：“不好的方案直接淘汰，不用浪费打样成本。”
AI让森马设计研发的整体效率提升35%，图案设计速度提升超过200%。2025年，AI给森马带来的直接价值，是2亿元新增收入和2000万元的降本。
安踏的“灵龙”设计大模型，依托三十多年积累的千万级鞋服数据训练，几分钟就可以生成56套灵感方案，设计师团队在1天内就可以完成线稿绘制，生成高清效果图。
在在AI与团队的协作之下，网球鞋从项目启动到最终定款不超过40天，比3个月的传统设计周期大幅提速。
太平鸟实现了营销全链路的智能化。从理解“提升秋季童装新品GMV”的业务目标开始，AI能自主圈定高潜用户、生成个性化商品推荐与营销内容，并一键推送至导购企业微信。
最终，该系列新品点击率提升90%，支付转化率提升20%，新品GMV大涨31%。
美的集团已组建了一支超400人的AI研发团队，每日有13000多个智能体在住宅、办公、制造、医疗、仓储、物流等多个场景运行。单在2025年，AI就为美的节省了7亿元成本，整体提效超过1500万小时。
"想到"和"做到"之间的距离，被AI压到了几乎为零。眼高的年轻人才最有机会，AI能成为你的手和脚，你想得到多高，它就能帮你够到多高。年轻人一定是这波AI生产力革命里面，最有机会做出有创造力、有颠覆性产品的人。
业务逻辑是模型本身不具备的，因为很多是企业内部真实环境沉淀下来的，你必须跟它很多轮交互才会沉淀下来。这就是Skills的价值。Skills定义了一套执行规范，这些规范很难在预训练数据里具备，因为预训练数据里没有企业内部的这些信息。但可以由人教Agent，跟它多轮交互，把这套规范让Agent学会。大量Skills其实是Agent自己写的。
微信读书官方推出了 Skill。搜索书籍、书架管理、阅读统计、笔记划线、热门划线、书评、推荐好书等核心能力封装成可供 AI Agent 直接调用的工具集，并支持拼接深度链接跳回 App。
GenericAgent，复旦大学知识工场实验室和深圳夸夸菁领科技联合开发，2026年1月开源。
三个月，6200多个GitHub星标，登顶GitHub Trending榜首。技术报告发在了arXiv上（编号2604.17091）。
但是最让人意外的是它只有大约3000行python代码。
GenericAgent 和龙虾、爱马仕不太一样。龙虾和爱马仕属于那种已经建好的大型商场，里面什么都有，你可以随便逛。但是GenericAgent是开局只有一双手，但是经过你大量频繁的使用。他反而越来越厉害。
GenericAgent的思路是：你给他一个任务，他会自己去进行摸索尝试完成这个任务。第一次执行的时候类似走一步看一步，当他把这个任务完全跑完之后，他会把这次的执行过程给存下来，形成一个“技能”，下次再执行类似的任务的时候，直接调用，就不再从头再开始摸索了。
Articraft 是一个开源项目，它不是用传统建模软件一点点抠细节，它让LLM通过编写 Python 代码的方式，批量生成带关节、可活动的3D资产。目前已产出超过1万个高质量可关节模型（Articraft-10K），覆盖约245个类别。这些模型部件语义清晰、几何干净、关节稳固，能直接用于物理仿真、机器人训练、游戏和VR场景。
认知乐高的意义不只是一个神经科学的发现。它描述的是一种学习姿态：你永远有一些已经组装好的模块，每一次好奇心推开一扇新门，就是在往这套积木里加一块新的积木。
时间长了，你能拼出的东西，会比你想象的复杂得多。现在我们手边有AI，这件事变得比任何时候都容易做到。每次你问完问题，不妨再多往前走一两步。
AI时代，最重要的是好奇心，而好奇心其实不需要什么天赋——只需要遇到问题，多问一句就可以了。
AI全栈，这一定是少数玩家的游戏，有资格坐上牌桌的企业，屈指可数。
与移动互联网时代不同，AI时代对大型科技公司的要求不再是单项技术优势，而是多应用协同整合的全栈能力。当AI从模型升级为智能体，成为企业核心生产力引擎，全栈AI能力已从“竞争优势”变为“生存必需”。
简单直接地来看，AI上层连接着模型、数据和应用，下层紧密连接着芯片，如果不具备全栈服务的能力，意味着一个厂商可能在各个环节都会有外部因素“掣肘”，压制AI综合性能优势发挥。只有具备全栈能力的厂商才能在激烈竞争中持续迭代、建立差异化壁垒。
而所谓的全栈AI，是包括底层芯片、算力基础设施，到模型框架、应用生态的端到端自主可控能力。它不仅仅是简单的技术叠加，而是构建AI时代商业护城河的唯一路径。
谷歌是全栈AI的“开山鼻祖”，自2016年TPU诞生以来，已形成“TPU+Gemini+谷歌云+全球应用生态”的黄金闭环。
芯片层，TPU v8系列采用“训推分离”设计，同等成本性能较前代提升2.8倍，能效比英伟达GPU高40%，数据中心部署超百万片，量产成本降低20%-30%。
算力层，Google Cloud+TPU Pod支持2048卡超大规模训练，通信时延降低，作为全球TOP3云厂商，具备跨地域百万卡级调度能力。
模型层，Gemini模型实现原生全模态融合，上下文窗口达100万tokens，多项权威评测全球第一，企业版ARR超接近200亿美元。
应用层，AI深度植入搜索、YouTube等产品，搜索AI生成结果占比72%，核心业务AI驱动收入显著增长。
其核心优势是“芯片-模型-云-应用”的深度协同，推理速度提升的同时成本降低，ROI良性循环。
阿里是中国的全栈AI标杆，以“通云哥”体系为核心，也构建起了“平头哥芯片+飞天智算+通义千问+超级商业生态”闭环。
芯片层，其真武810E比肩英伟达H20，累计交付47万片，超60%服务外部客户，2026年真武芯片规模化量产。
算力层，飞天智算+百炼MaaS使千卡级训练效率提升、推理成本降低。阿里云作为全球行业头部云厂商，2026财年Q4 AI收入89.71亿元，年化收入突破358亿元，百炼MaaS年底ARR目标300亿。
模型层，通义千问Qwen 2.5/3.0中文理解全球第一，与平头哥芯片深度适配，实现训练效率的提升。
应用层，AI融入电商、钉钉等场景，淘宝AI数字人直播转化率提升25%。“通云哥”体系深度整合，使MaaS响应速度极大提升，2025年AI业务进入商业化回报周期。
Bedrock是亚马逊2026年的核心方向。
以前Bedrock就是个模型超市，你想用哪个模型就调哪个；现在不一样了，它更像一个智能装配车间：你把需求提出来，它帮你把不同模型串在一起、编排成一个能自己干活儿的Agent，已经接入了近100款模型。
训练数据里"聪明人写的东西"大量是 Markdown，模型学到的关联是"Markdown = 认真、结构化、专业"。加上 Markdown 的结构信号非常局部，一个 # 就是标题，一个 - 就是列表，模型生成时不用记很远的上下文。Token 效率高，结构清晰，解析简单。
PDF 和 Word 在 AI 眼里已经成了"最不被待见"的格式。PDF 是给打印机看的，文本顺序乱、表格全靠猜。Word 解开是一堆 XML 噪声，稀释了真正有用的信息。JSON 和 XML 对程序友好，但语言模型读它和读自然语言一样，逐 token 处理，纯属错配。
所以 Markdown 在后台的位置很稳。Agent 的记忆文件、Skill 文档、Prompt、多 Agent 之间的协议传递，目前没有更好的替代品。
SVG 同时满足两个条件：AI 能直接生成（纯文本、token 可控、结构标签清晰），人能直接看（矢量、单文件、跨设备像素级一致）。这两个条件 PNG 满足不了第一个，HTML 满足不了第二个的纯粹度。早期用 HTML 加 Tailwind 写卡片，再用 Playwright 截图，链路长、依赖重。现在很多场景直接让 Claude 出 SVG，再用几行 Python 转 PNG。github-cards 这种五图卡片系列、对比图、流程图、架构图，全部走得通。
放到内容创作者的工作流里看，这三层早就分工清楚了，只是没人把它说成一个框架。
1️⃣ 写文章草稿和大纲：Markdown。
2️⃣ 最终发布的图文长内容（公众号、博客、报告页）：HTML 渲染。
3️⃣ 插图、封面、信息图、对比卡片、架构图：SVG，再导 PNG。
在全球办公SaaS产品里，绝大多数厂商官方并不会开源自己产品的CLI工具。Googleworkspace CLI目前开源70+天，收获2.6万Star。但它写明了是“非官方支持”。
能做到真正“官方支持级别+用户级+AI agent 友好”的CLI项目，也只有中国协同三大厂：飞书lark-cli、钉钉dws、企微wecom-cli。
CLI不同，它与LLM天然适配。因为LLM的训练语料包含了互联网上的海量文本，本身就包括了数十亿行CLI命令和对应的输出。对比模拟键鼠操作图形界面，AI显然更适合CLI操作。飞书CLI覆盖了飞书最核心的业务域，包括消息与群组、云文档、多维表格、日历日程、邮箱、任务、知识库、通讯录等17项最核心的业务域的200多条子命令，力求让人类用户操作的功能，Agent也都可以用命令行的形式直接操作。
3月27日，飞书开源CLI的前一天，钉钉CLI开源项目上架GitHub社区，原生支持Claude Code、Cursor等主流AI编程与Agent执行环境，是国内首个面向AI Agent开源全产品能力的国民级应用。
3天之后的3月30日，企业微信CLI开源项目上架GitHub，开放消息、日程、文档、智能表、会议、待办、通讯录等七大核心产品能力，同样支持主流 AI Agent调用。
钉钉、飞书、企业微信三家几乎在同一时间开源各自的CLI工具。时间上的不约而同，说明这三家公司对同一件事做出了相同的判断——AI Agent必将成为企业的重要“数字员工”，而企业协作平台必须对Agent保持开放。
伴随着AI Agent真正走进企业业务，一个更深入的判断是：开源CLI，意味着飞书正在从一个SaaS产品，变成一种AI时代的基础设施。现在，AI Agent要来替代人做这些工作了。但Agent要真正完成企业的生产经营任务，需要连接企业全部的数字化系统，不仅仅是数据，还包括CRM、财务、HR、供应链等等。
换句话说，AI时代的企业需要给Agent建设的不只是一个能用的数字空间，而是一套完整的“数字化底座”，让Agent能在上面调用所有业务能力。
为什么把 Claude cowork 的评价放这么高？
少楠：我觉得大家低估了 Claude cowork 的价值。它对文科生来讲特别友好。Claude cowork 本身是一个介于网页版 Claude 和 Claude Code 之间的东西。它既能处理一些本地文件夹，也能写一些轻量的代码，还能做对话。我根本不需要知道什么是 work tree（工作树），不需要知道 git，不需要知道 Pull Request。
之前调研anthropic，openclaw都有skill-creator—专门用于生成技能的skill，最近又看到一个专门为 Claude、Cursor、Codex 等 AI 编程助手设计的结构化工作流框架superpowers，github上138k个star。里面也有专门写skill的writing-skills技能，试用了一下感觉比较快并且执行writing-skills生成的技能react的次数会变少。很难讲用基于哪一种基础的skill-creator写出来的skill的效果最好并且这个环节中可能存在一些不稳定因素，LLM执行生成本身具有一定随机性，因此通过并行调用 3 种不同策略（或不同模型/不同 Prompt 模板）的 Creator，相当于一次性买了三张不同号码的彩票。结果：只要其中一路生成了高质量代码，整个任务就算成功。这极大地提高了首次生成成功率 (First-Time Pass Rate)，避免了因单一路径失败而导致的反复重试和用户等待。
先用Humanize PPT把现有的材料转成人能看懂的大纲，再用guizang-ppt-skill和frontend-slides做风格探索，选到合适的PPT模版，再用Remtion和Hyperframes生成说明视频才到PPT里，最后上传成网页，生成演讲稿。
什么是LLM OS？应用按需生成，用户不再管理文件、窗口和按钮，用户只管理任务、权限和结果。它管理的不是文件和进程，而是任务和权限。你不需要知道数据存在哪里，系统自己能找到需要的数据。你不需要知道用什么程序，系统会自己调用合适的工具。
你只需要告诉系统你要做什么，然后等待结果就可以了。
苹果卖硬件，Meta卖社交和广告，亚马逊卖货也卖云。AI对它们要赢，但输了没有灭顶之灾。谷歌不一样。AI如果输了，搜索就没了。大家自己体感一下，现在日常用AI之后，打开搜索的频率是不是大幅下降？所以谷歌来说，AI是一场不能输的战争。
过去几个月，硅谷在AI这件事上达成了一个关键共识：一个模型如果能写好代码，它就能写代码去改进自己；代码质量越好，改进出的模型就更好，又能写出更好的代码继续改进——这是一条自我进化的循环。硅谷认为，这才是AGI真正的起点。
谢尔盖·布林是硅谷最早意识到这个转向的人之一。他亲自用了Anthropic最新的Mythos模型之后，在谷歌内部讲了三句话。
第一句：
Mythos就是一个纯粹的AGI。如果你用了Mythos还不觉得这是AGI，那我不知道什么叫AGI。
第二句：
我现在不要什么多模态大模型了。我要的是一个能写代码的模型。
第三句：
我要我们谷歌的工程师，用我们自己写代码的模型写代码。
通用人工智能的临门一脚，可能不是更聪明的模型，而是「把事做完」的模型。
换句话说，AI编程的核心战场正在从「生成代码」转向「闭环交付」。
一位来自澳大利亚的牧羊大叔Geoffrey Huntley，用三行bash解决了。
while :; do
cat PROMPT.md | claude-code --continue
done
他把它命名为Ralph Loop，致敬《辛普森一家》里那个永远搞不清状况但从不放弃的小孩Ralph Wiggum。
AI 时代，DAU 过时，Token 又过粗。但全球目前还没有企业家，系统地完整地思考和回答这一问题。
直到在百度 Create 大会上，百度创始人李彦宏提出 DAA，意思是 Daily Active Agents，日活智能体数。
李彦宏指出，「衡量一个平台和生态的繁荣，更应该看的是 DAA 这个指标，关注有多少 Agent 在给人类干活，并交付结果。」
张予彤这次分享的主题是《AI时代的边界探索与人才机遇》。从形式上看，这更像是一场面向学生的招聘分享。她讲了月之暗面对智能的基本判断：智能正在从一种由人类提供的认知能力，变成一种可以被能源大规模转化出来的商品；她也介绍了Kimi K2.6、Agent Swarms（智能体集群），以及MuonClip、Kimi Linear、注意力残差等Kimi的开源项目，她解释了AI编程能力如何成为生产力提升的起点，并在演讲最后抛出了一个观点：Build Your Own Job（创造属于你的岗位）。
GPUStack 是一个开源的大模型即服务平台，可以高效整合并利用 Nvidia、Apple Metal、华为昇腾和摩尔线程等各种异构的 GPU/NPU 资源，只需简单傻瓜化操作就能部署各种强大的开源模型，比如：大语言模型，视频生成模型，图片生成模型，音频生成模型等等。为各企业提供一套本地私有部署大模型的解决方案。
结果花了大概 5 分钟，我用 Codex 开发了一个音频转字幕工具。上传音频，自动生成 SRT 字幕文件，导入剪映完美匹配。免费，本地运行，不上传任何文件。
当地时间 5 月 6 日，埃隆马斯克（Elon Musk）在同一天宣布了两件事：xAI 不再作为独立公司存在，并入 SpaceX 后更名为 SpaceXAI；SpaceX 把 Colossus 1 数据中心整租给 Anthropic，22 万张 Nvidia GPU、300 兆瓦的算力，本月内交付。
Human Operator 是一款实时人体增强工具，这个项目也是MIT Hard Mode 2026（Learn Track）获奖项目，它允许 AI 短暂接管你的身体，帮助你学习和完成平时无法做到的事情。它通过视觉-语言模型（VLM）结合电刺激肌肉（EMS）实现人体运动控制。系统使用 Claude API 根据开放式语音输入生成基于视觉的指令，对手指和手腕进行刺激，实现直观的「身体上」交互。