三级笔记
🎯 文章主旨
月之暗面杨植麟在中关村论坛主持了一场五人圆桌，智谱张鹏、无问芯穹夏立雪、小米罗福莉、港大黄超共同参与。对话从 OpenClaw（"龙虾"）的实际使用出发，延伸至模型定价、推理基础设施瓶颈、模型架构创新，以及未来十二个月的行业走向判断。
一、从聊天到真正干活：OpenClaw 改变了什么
张鹏（智谱）：脚手架
- OpenClaw 最大的突破：把顶尖模型的能力交给了普通人
- 「这件事不再是程序员或极客的专利。它在模型上方搭起了一个牢固又灵活的脚手架，让原来因为不会写代码而无法实现的想法，今天通过简单的对话就能完成。」
- 更愿意称 OpenClaw 为「脚手架」——提供的是一种可能性，而不是一个封闭的产品
夏立雪（无问芯穹）：从按 token 计费到帮你完成任务
- 第一反应是不适应，觉得响应慢、卡。但后来意识到：它更像一个能承接大型任务的人，而不是一个回答问题的工具
- 「从按 token 计费的模型，到能帮你完成任务的智能体，AI 的想象力空间已经做了一次大的跃升。但与此同时，对整个系统能力的要求也大幅提升。」
- 关键数据：从今年 1 月底开始，每两周 token 用量翻一番，已翻十倍。「上次见到这个增速，还是 3G 时代手机流量刚普及的感觉。」
罗福莉（小米 MiMo）：agent 框架的革命性事件
- 核心价值一：开源——让社区深度参与，把国内模型的能力上限大幅拉高，「任务完成度已非常接近 Claude 最新模型水平，靠一套完整的 harness 系统和 skills 体系把下限也保证得很好」
- 核心价值二：点燃了对智能体层的想象力——越来越多非研究员背景的人开始通过更强的 agent 框架参与 AGI 变革
- 相比 Claude Code 只能在桌面延展创意，OpenClaw 可以随时随地参与创意过程
黄超（港大）：活人感 + 轻量级 OS
- 第一个关键因素：「活人感」——以 IM 软件嵌入的交互方式，让人觉得更接近个人贾维斯。「这种活人感是很多人第一次真正觉得 AI 要来了的时刻。」
- 第二：再次验证了 agent loop 这种看似简单但极为高效的框架范式
- 第三：OpenClaw 更像一个操作系统级别的小管家，通过这个入口，社区以 skills 和 harness 的形式赋能各行各业，和开源生态天然结合
二、干一个任务，消耗原来百倍的 token
张鹏谈 GLM-5-Turbo 与提价逻辑
- 核心目标：从「对话」转向「干活」
- 模型需要自己做长时间任务规划、不断压缩上下文、随时 debug、处理多模态信息——和传统面向对话的通用模型完全不同
- 消耗的 token 量可能是回答简单问题的十倍甚至百倍
- 「长期靠低价竞争，对整个行业的发展都不利。我们需要一个良性的商业闭环，才能持续优化模型能力。」
三、现有的云计算架构，并非为 AI 设计
夏立雪谈推理基础设施
- 当前最紧迫的问题：如何打造一个更高效的 token 工厂
- 做法：接入国内几乎所有种类的计算芯片，将几十种芯片和几十个算力集群统一连接。「把能用的资源都用起来；让每一分算力都用在刀刃上。」
- 更根本的判断：当前云计算基础设施在设计上服务的是人类工程师，而不是 AI
- 「我们做了一个基础设施，上面的接口是为人做的，再往上包一层才能接入智能体。这种方式用人的操作能力限制了智能体的发挥空间。」
- 智能体能做到秒级/毫秒级思考和发起任务，但底层能力没有为这个速度做好准备
- 终极愿景：基础设施本身也应该成为一个智能体，能自我进化、自我迭代
- 「相当于基础设施有一个 CEO，这个 CEO 是一个 agent，它根据 AI 客户的需求自己提需求、迭代自己的基础设施。」
四、算力限制，反而催生意外突破
罗福莉谈中国模型创新路径
- 约两年前，中国基座大模型团队开始了一次重要突破：在有限算力、NVLink 互联带宽受限的情况下，做模型结构创新
- 产物：DeepSeek V2/V3 系列、MiniMax M1 等
- 「DeepSeek 给所有国内大模型团队带来了一个勇气和信心。」
- 具体方向：混合稀疏架构（hybrid sparse）、Kimi 的 KSA 架构、小米面向下一代的新结构——区别于当前这一代 transformer
- 长上下文能力是关键，与 OpenClaw 直接挂钩：
- 「OpenClaw 越用越好用、越用越聪明，前提是你的推理上下文足够长。但很多模型做不到一兆甚至十兆的 context，不是能力问题，是成本问题。」
- 终极路径：在超长 context 支撑下，模型可以在复杂环境里完成对自我的进化，包括对框架本身的优化和模型参数的迭代
- 团队数据：借助 Claude Code + 顶尖模型，研究效率已提升近十倍
五、规划、记忆与工具调用：智能体三大痛点
黄超的技术梳理
- 规划：面向复杂任务、超长上下文的规划能力仍然不足。本质是缺乏垂直领域的隐性知识。方向是把领域知识固化到模型里，skills/harness 是外部能力的补充
- 记忆：信息压缩和检索精度始终是难题
- 目前普遍采用文件系统这种最简单的共享方式
- 未来需走向分层设计，但通用化很难（coding/deep research/多媒体场景数据模态差异极大）
- 新压力：未来每个人可能同时拥有一群智能体（agent swarm），上下文暴增远超单个智能体
- 工具调用：高质量 skill 依然稀缺，低质量 skill 直接拉低任务完成率。需探索在执行中动态进化出新 skill，而非依赖人工预设
六、未来十二个月：四个关键词
- 黄超：「生态」——从个人助手转变为真正的打工人和 coworker。未来大量软件可能不再面向人类，而是面向智能体原生设计，整个生态从 GUI/MCP 模式转向 CLI 模式
- 罗福莉：「自进化」——借助足够强大的模型 + 可验证的约束条件 + 持续 loop，模型能自主运行两三天、持续拿出更好方案。「自迭代是唯一能创造出这个世界上不存在的新东西的路径。」一年前觉得需要三到五年，现在认为一到两年内可能实现
- 夏立雪：「可持续 Token」——从 made in China 到 AI made in China，把中国在能源和算力上的优势通过高效 token 工厂转化为 AI 能力输出全球
- 张鹏：「算力」——「所有技术的前提，是大家用得起。」需求十倍百倍爆发，算力是接下来十二个月最需要一起想办法的事情
🧩 思想框架
核心论点：OpenClaw（龙虾）标志着 AI 从「对话工具」到「任务执行智能体」的范式跃迁，但这个跃迁暴露了整个技术栈的系统性瓶颈——从模型架构到推理基础设施，都需要为智能体时代重新设计。
五个观察视角的互补结构：
- 张鹏（模型厂商）：能力升级 → 成本上升 → 需要良性商业闭环
- 夏立雪（基础设施）：token 用量爆发 → 现有架构为人设计 → 基础设施本身需要成为智能体
- 罗福莉（模型研究）：算力限制催生架构创新 → 长上下文是关键 → 自进化是终极方向
- 黄超（学术研究）：规划/记忆/工具三大技术瓶颈 → 生态需要 agent native 转型
- 杨植麟（主持串联）：从使用体验到定价到基础设施到未来判断，层层递进
关键概念
一、核心概念解析 (Core Concepts)
- 【OpenClaw（龙虾）】(Open-source Agent Framework)
- 【脚手架】(Scaffolding)
- 【Agent Loop】(Agent Loop)
- context：
- 费曼一下：智能体执行任务的核心机制：规划 → 执行 → 观察结果 → 修正 → 再执行，循环往复直到任务完成。看起来简单，但它要求模型具备长时间任务规划、自我 debug、上下文压缩等复合能力，这跟回答单个问题完全不同。
- 【Harness 系统与 Skills 体系】(Harness System & Skills)
- 【活人感】(Aliveness / Human-like Presence)
- 【Token 工厂】(Token Factory)
- 【基础设施为人设计 vs 为 AI 设计】(Infrastructure Designed for Humans vs. for AI)
- 【混合稀疏架构】(Hybrid Sparse Architecture)
- 【长上下文】(Long Context)
- 【自进化】(Self-evolution)
- 【Agent Native】(Agent Native)
- 【Agent Swarm】(Agent Swarm)
概念网络
费曼x3