3 月 28 日，在 GDPS 现场，由记忆张量主办的专场论坛聚焦在：当 Agent 进入业务流程，系统如何沉淀记忆、复用能力，并在多智能体协作中保持有序与可控？

七牛云技术副总裁宿度带来《用 OpenClaw 破解 AI 焦虑本质》主题分享，回顾行业热点趋势、大模型和 Agent 能力演进与发展路径，讨论了 AI 从“会聊天”进一步走向“能干活”的边界。

AI 焦虑从哪里来：我们往往高估短期，低估长期

AI 能力上限不断刷新，企业与开发者的落地焦虑却没有同步减轻：模型能力越来越强，接入业务发挥作用还看不到眉目；工具越多，流程越不稳定；投入越来越多，产出还是越难以衡量。分享一开始，宿度借阿玛拉定律重新框定了这个问题：人们往往高估新技术的短期影响，却低估它的长期价值。

在他看来，很多 AI 焦虑都源于这种认知偏差：既容易被短期热点和能力演示牵着走，也容易因体验不稳、成本不清、链路不全而中途放弃，由此低估 AI 对工作方式和产业组织的长期改变。所以，面对 AI，与其追热点、怕落后，以平常心态 + 合理的投入：试它、玩它、了解它。

从 DeepSeek 到 OpenClaw：AI 正从 “会聊天” 走向 “能干活”

在分享中，宿度用两个“时刻”概括近一年 AI 行业的变化：

• **DeepSeek 时刻：**2025 年 1 月 20 日，DeepSeek-R1 发布。随后一周内，DeepSeek APP 超过 ChatGPT，登顶 App Store 榜首，也促使行业重新评估国产大模型的能力与成本结构。

• **OpenClaw 时刻：**2026 年春节前后，OpenClaw 快速升温，让越来越多人直观感受到，AI 不再只是对话界面，而是可以借助本地电脑、云端环境、手机沙盒等载体，进一步进入执行、流程与协作场景。

比单个项目升温更值得关注的是，AI 的应用逻辑正在变化：从“问 AI”走向“给 AI 派活”，从“问模型”走向“组织智能体”。

从 Prompt Eng 到 Harness Eng：AI 落地越来越像工程问题

回看近三年 AI 的发展脉络，业界常用几组工程化概念来概括不同阶段的关注重点。宿度在现场介绍了这几个过去出现过的和新出现的工程理念，帮助大家理解 AI 使用范式的变化：

• **2023 年 Prompt Engineering：**如何更好地与模型对话。

• **2024 年 Context Engineering：**如何给模型持续、准确的上下文信息。

• **2026 年 Harness Engineering：**用确定性的工程化工具，管控大模型的不确定性输出。

宿度借此想说明的是 AI 落地的关键问题，正从“AI大模型够不够万能”，转向“是否可通过系统工程让大模型的产出可预期、可控制”。

对开发者来说，AI 已不只是“更会说话”，而是一个需要接入、编排和管理的系统。关键在于：能否嵌入工作流、复用能力、管理边界，并在复杂协作中保持一致性。也因此，AI 落地越来越像一个工程问题，而不只是模型自身问题。

OpenClaw 为什么值得关注：控制平面、记忆、通道与技能

围绕 OpenClaw 如何缓解部分 AI 落地焦虑，宿度在现场重点谈了四个方面：控制平面、记忆体系、消息通道与技能生态，这也与论坛关注的“记忆协同”形成了呼应。

One Gateway, Multi Channels：统一控制平面，连接人与智能

分享中提到，OpenClaw 的关键特征之一，是 One Gateway, Multi Channels 架构。它不只是多端适配，而是通过统一网关调度 Agent、工具和节点，再借助 WhatsApp、Telegram、微信、QQ 等消息通道，把 AI 接入真实沟通与业务场景。

这也让 OpenClaw 大幅拉近了自己与人的距离，不再局限于单一聊天窗口，而更接近一个可长期运行的智能中枢。

记忆体系：大模型更像临时内存，OpenClaw 尝试把记忆落到本地

宿度强调，传统大模型的记忆更像上下文窗口中的临时状态，而 OpenClaw 则尝试把记忆落到本地文件或数据库中，前者更像“内存”，后者更接近“可持续保留的本地存储”。

围绕这一点，OpenClaw 通过一组标准文件来定义身份、行为准则与长期记忆，例如：

• **BOOTSTRAP.md：**用于首次运行时的初始化

• **SOUL.md：**用于定义角色风格与行为准则

• **IDENTITY.md：**用于定义身份

• **USER.md：**用于定义当前服务对象

• **MEMORY.md：**用于长期记忆管理

• **memory/YYYY-MM-DD.md：**用于记录每日会话与过程日志

宿度还提到，这组长期记忆可以分场景自定义给多个Agents，主会话与共享场景在记忆范围上会有所区分。对 Multi-Agent 来说，关键不只是“会话不断”，而是能否形成系统级的经验沉淀与边界管理。

Skills / ClawHub：把流程沉淀成可复用能力

除了记忆，宿度还重点提到了 Skills 和 ClawHub。在他的理解里，Skills 的价值不只是“给 AI 装一个插件”，而是把标准化流程沉淀为可复用的技能单元。对应的技能仓库既包括公共仓，也包括企业或个人可维护的私有仓。

AI 的价值不再只体现在一次性回答问题上，而是可以把已经跑通的方法、流程和 SOP，逐步沉淀为可长期复用、持续演化的执行能力。

从工具到伙伴：人与 AI 的关系正在变化

宿度在现场还用“工具 vs 伙伴”来概括 OpenClaw 所代表的一种关系变化。

从工具视角看，Claude Code 更偏开发者工具，而 OpenClaw 面向更广泛的创作者和知识工作者；从伙伴视角看，它不只是聊天入口，而更接近可交流、可演化、可长期协作的数字伙伴，甚至可以延伸出“一个主体 + 多个分身”的组织方式。

这背后的变化是：人不再只是使用 AI，而是在逐步培养属于自己的 AI智能体，并始终把控制在自己的设备中。

开发者视角：OpenClaw 带来三大核心变化

从开发者视角看，OpenClaw 讨论的已不只是一款工具，而是一种新的落地方式：

• **AI 更真实地进入工作流：**不再只是孤立的问答界面，而是可以接入文档、消息通道、任务节点和执行环境。

• **AI 的能力开始可复用：**从 Prompt 到 Skill，从临时会话到长期记忆，经验开始具备持续沉淀的条件。

• **AI 的控制边界开始工程化：**记忆加载范围、技能调用方式、通道接入、运行环境与部署路径，都可以被明确管理。

这也是为什么围绕 AI 的讨论会从 Prompt Engineering、Context Engineering，进一步延伸到 Harness Engineering：开发者面对的，已经是一个更完整的 Agent 工程问题。

低成本上手：开发者如何理解“养虾”的实操路径

在“如何低成本跑通 OpenClaw”这个问题上，宿度将成本拆成两部分：Token 和运行环境。

围绕本地设备、云端 macOS 和云上环境，他在现场给出了一组偏实操向的选择建议。其中，二手 Mac mini、云端 macOS 方案和云端运行环境，都是重点提到的几类选择。

这些路径背后对应着不同取舍：本地设备更强调自主性和完整控制，云端环境更适合稳定运行和远程访问，不同方案在成本、维护复杂度和可扩展性上各有差异。

此外，宿度还区分了几类常见产品形态：原生虾、开源虾、套壳虾、一键虾。对于微信 ClawBot，他提醒：它更像是给虾提供服务的入口通道，而不是“虾”本身。

也就是说，判断一个产品或方案时，不能只看入口形式，更要看其背后的记忆体系、技能能力、控制平面和运行环境是否完整。

七牛云的角色：为 Agent 提供「虾料」与「虾盒」

在分享后半段，宿度从基础设施视角解释了七牛云在这一轮 Agent 落地中的位置，并将其概括为两部分：“虾料”和“虾盒”。

• **虾料（模型服务）：**通过 MaaS 平台提供多种模型能力，兼容 OpenAI / Anthropic API 等常见接口形态，以覆盖不同场景需求。

• **虾盒（运行环境）：**承载 Agent 运行环境，包括适合一次性长时任务的 AgentBus，以及适合长期稳定运行的 LAS 主机。

从这个角度看，七牛云更强调底层支撑能力：一端连接模型资源，一端提供运行环境，帮助开发者更低门槛地接入和运行 OpenClaw 这类 Agent 能力。

山就在那里：AI 已来，问题终将被解决

最后，宿度引用了乔治·马洛里的名言：“山就在那里。”

放在当下的语境里：AI 的演进不会因为人的焦虑而停止。从 ChatGPT、DeepSeek 到 Claude Code，再到 OpenClaw，讨论正不断转向更接近落地的问题：Agent、记忆、技能和运行环境。

结合 ARC-AGI-3 等测试结果，宿度给出了一个更冷静的判断：至少在当前阶段，AI 更现实的位置仍然是协作工具，而不是简单的“替代者”。

所以，比起焦虑“会不会被替代”，更值得思考的是：AI 如何进入工作流，如何沉淀经验，又如何与人形成更稳定的协作关系。正如宿度在现场借一本书所介绍的概念，人类在使用 AI 工具时：问题不可避免，但问题终将被解决。

这也是 OpenClaw 值得持续关注的原因——它正在把“AI 如何真正干活”这件事，推向更具体的落地阶段。