本文来自微信公众号： 42章经 ，作者：曲凯，原文标题：《OpenClaw 之后，我只想未来 3-6 个月的事情｜42章经》
曲凯：很开心又请到文锋。我们上次录节目大概是一年前，当时Manus刚发布不久，我们聊了很多Agent相关的话题（回顾：Agent开发的上半场:环境、Tools和Context如何决定Agent）。
最近OpenClaw又带起了一波Agent热，你觉得这一波和去年的区别是什么？
文锋：我没觉得有本质区别。
Manus跟OpenClaw都证明了一类新形态的产品。
Manus那波的核心来源是o1模型带来的推理能力与思维链能力，而Manus本身是模型API时代套壳的极致表现。
这次OpenClaw之所以这么火，本质是因为它是第一个真正把最新模型Coding能力压到极致的产品形态。而且它让大家看到了，有主动性、能够自我迭代和进化的Proactive Agent到底长什么样子。
曲凯：去年那期播客里，你说过一句让我印象特别深的话：AI Coding是大模型的灵巧手。
文锋：对，这件事已经被证明了。
不过相比去年「灵巧手」的结论，今年其实可以再往前一步：
接下来所有Agent，本质上都是Coding Agent。
拿OpenClaw举例。虽然它有很多组件和模块，但核心其实是一个叫ClawPad的Coding Agent。OpenClaw本质上就是当下围绕Coding Agent套壳的最佳实践，只是额外解决了Memory和集成等问题。
再比如，去年大家还认为，不同场景需要不同的环境和产品策略，因为垂直know-how很难scale、也很难复制。但其实今天的Coding Agent加上Skill，基本可以覆盖大多数场景了。
所以今年的一大机会，就是看谁能把Coding Agent的「套壳」做得足够好。
曲凯：是。那如果我们拿今天跟一年前去对比，一年前是Manus先起来，Genspark最快跟上，然后陆续有些小产品也出来，中间还衍生出来一些分歧跟选择：有人做通用Agent，有人做Agent平台，也有做各种垂直Agent的。回头来看，你觉得这些路径中有什么对错标准吗？
文锋：虽然我很不愿意承认，但现在来看，垂直Agent这条路可能是需要被高度怀疑的。因为就像刚才讲的，Coding Agent+Skill，基本就能实现垂直Agent的效果跟作用了。
曲凯：不止垂直Agent，最近很多人都说SaaS都被打趴了。
文锋：对。很多人觉得Coding Agent就是一个给工程师用的工具，但实际上它已经能做各种事了。
比如，Anthropic前段时间发布了一份Claude Code的使用场景报告，其中超过50%的使用场景其实并不是Coding，而是数据分析、marketing、文案等任务。
在这种情况下，如果我们还在强调垂直Agent，更多可能是为了获得心理安全感、回避和Claude Code这样具有通用能力的产品正面竞争。
曲凯：我前一阵刚听到一个挺有意思的问题：
抖音是内容时代的王者，基本一站式聚合了所有内容。但ToB领域过去一直是垂直的，比如美国有一堆市值上百亿美金的垂直SaaS公司。
那未来ToB领域里，会不会也出现类似字节这种一家独大的公司？这家公司会不会就是OpenAI或Anthropic？
文锋：说实话，我现在还很难预判。
但我们可以先分析一下，为什么过去会出现那么多垂直SaaS。
核心在于，软件第一次让专家能力能够被快速、规模化地复制。SaaS这套逻辑，本质上就是一套标准化的SOP，或者说一套工作流。
在软件出现之前，大家想获得专家的经验和决策能力，只能靠长时间的培训和学习。而有了软件之后，用户可能只需要花一个下午学会操作一套固定的交互，就能获得接近专家的水平。
但Agent让获得专家能力这件事变得更容易了。
现在直接跟Agent说目的，它就能自己提出方案、解决问题、自我迭代。何况Agent的使用门槛还在继续下降。那对绝大多数人来说，为什么还要继续用SaaS？
曲凯：对，而且以前的SaaS更像一个通用专家，大家用的是同一套best practice。但每家公司的情况其实都不一样，AI相当于给每家公司都配了一个能随时调整的客制化专家。
所以你非常认可AI和Agent会颠覆SaaS？
文锋：是的。然后回到刚才曲老师那个问题：未来会不会出现一个企业版的抖音？
我觉得会。
因为在AI时代，best practice可能没那么重要了。
过去之所以强调best practice，是因为面对长尾需求时，我们没有更好的解决方案；但今天，best practice和非best practice的东西交给AI去执行，其实差别都没那么大。
所以如果通用Agent的逻辑成立，那最后肯定会有一个统一的东西能解决绝大多数的问题，只是这家公司长什么样、会不会是OpenAI或者Anthropic还不好说。
曲凯：明白。刚刚讲的其实可以总结成两点：一是SaaS的软件价值会被AI Coding替代，二是SaaS的know-how价值会被Skill替代。
前者我很同意，因为如果软件真正的壁垒只在Coding上，那美国的SaaS公司早就该被中国公司取代了，毕竟中国的人力成本更低。但现实并不是这样。
但后者我想再追问一下：毕竟现在的Skill还很简单，它真的能替代那么复杂的一整套SaaS know-how吗？
文锋：我现在倾向于是的。
Skill刚出来的时候，我就发过一条动态，说它被低估了。
现在大家质疑Skill能不能复现原来的SaaS工作流，本质上还是在怀疑模型能力。
但今天最大的问题，其实已经不在于模型会不会替代SaaS、Agent能不能做复杂任务了。
这些基本已经被证明了。
比如OpenClaw，最让我震撼的不是产品本身，而是它的作者在火起来之前，天天都在AI Coding，单日commit最高甚至能到1600次，差不多相当于一个三四人团队一年的工作量。
我之前完全没想到AI Coding能做到这种程度。
再比如今年1月，Cursor用Agent一周做出了一个浏览器，产出了300万行代码；Anthropic也用Agent端到端实现过一个C语言编译器。
所以从解决长程复杂任务的能力来看，现在的Coding Agent已经摸到能力天花板了。
它真正遇到的问题有两个：
一个是，大多数人还不知道它已经强到什么程度。打个不太恰当的比方：如果一个月能消耗2–3万美元Token的用户是90分水平，那今天绝大多数人对Agent的使用还停留在10分左右。而且这种差距不是线性的，用得好的人可能能获得1000倍的效率提升。
第二个问题是，即便大家意识到Coding Agent已经很强了，也不一定真能把它用好。像OpenClaw虽然证明了AI Coding的能力，但也被诟病配置和使用门槛太高。
曲凯：这是不是很多产品化的问题？
文锋：对，产品化很重要。但我还不确定OpenClaw这种形态是不是最佳答案。
现在有人把OpenClaw比作Linux内核。就没什么人直接用原生Linux，大家用的都是Ubuntu之类的发行版。类比来看，或许接下来也会出现很多OpenClaw的发行版。但我觉得沿着OpenClaw能做的事情远不止这些。
曲凯：当下全球应该就有上千个团队在围绕OpenClaw做事。
文锋：对。我觉得其中比较重要的机会，是怎么把OpenClaw，或者说Coding Agent的套壳，做成普通人也能用起来的产品。
曲凯：这一定是今年的主线，而且大有可为。我看现在OpenClaw大概有200多万个Agents，然后Manus应该是几十万的用户量级。Cursor估计也是几十万到百万的量级？
文锋：我更多关注的是Claude Code和Codex。Codex日活用户已经到100万了，Claude Code可能是它的3到5倍。这两个产品加起来大概有500万的活跃用户，不过其中更多都是工程师。
曲凯：对，所以我想讲的是，大家能不能有一个vision：未来Agent的用户量会达到10亿。我觉得是一定的。
文锋：是的，从渗透率来讲，现在连1%都没到。
曲凯：对，所以某种程度上讲，Coding Agent未来会变成基础设施。
然后我们提OpenClaw的时候，经常会提到几个点：长程任务、Proactive主动性，以及自我进化。
我们可以把这几个点分开讲一讲。能不能先给大家解释一下长程任务？
文锋：长程任务最直观的一个表现，就是Agent完成一个任务时所需步骤的数量。
如果大家用过Manus之类的产品，会发现它在工作的过程中，会把中间每一步在做什么、调用了哪些工具展示出来。一个任务越复杂，执行步骤往往就越多。
现在大多数任务还集中在几十步，但到了今年，我们可能会看到Agent能完成几百步、甚至上千步的任务了。
这中间核心的进步，是Agent对问题的拆解能力。
曲凯：但我记得去年我们聊这件事的时候，提到过一个问题：
步骤一旦增多，就会带来不确定性，准确率也会下降。我记得你当时说，哪怕每一步的正确率都是90%，相乘之后最终整体的正确率也会非常低。
这个问题现在还存在吗？还是已经被解决了？
文锋：我觉得应该是解决了。
去年的思路，还是把Agent当成一个状态机。这些状态存在内存里，一步步往下走，是不可逆的。
但现在不一样了。
今天的状态是落到文件上，这样哪怕前面几步做错了，Agent意识到有问题之后，能非常明确地看到问题出在哪，然后直接把文件改掉、把错误修复掉。
曲凯：这些长程任务能力，包括自我修复能力，能不能理解成是基模能力提升带来的？
文锋：基模能力是一方面。
另一方面是大家实践出了更好释放模型能力的工程方法论，也就是把模型和文件系统或者虚拟机结合在一起，让模型自己去组织数据和逻辑。
曲凯：这其实就是我们去年聊的context，对吧？
现在看，最好的context可能就是给模型一台电脑或者一个文件夹。
文锋：没错。去年的逻辑，还是人去控制context；
但今天我们会发现，最有效的方式不是人去控制context，而是让Agent自己去维护context。
曲凯：这其实还是回到当时hidecloud讲的那句话：Less structure,more intelligence.
文锋：对。其实人家一直就是对的。只是有的人不信这件事，或者有的人虽然信，但还是想做一些差异化。最后这些所谓的差异化，很可能只是一些雕花工作，不一定work。
曲凯：是。然后主动性这件事该怎么理解？
文锋：主动性和长程任务其实是紧密相关的。
我们现在用AI，大多还是一次性任务，比如写个报告、做个小程序，做完就结束了。
但Proactive Agent能做两类事情。
一类是可重复执行的任务。比如每天早上8点给我发一份昨天的工作总结，或者每天晚上10点整理当天群里的讨论重点。
另一类更进一步：我不需要主动告诉AI我要什么，它可以基于过去的交互，判断我现在需要什么，并主动提供。在这个过程中，它还能不断学习和优化。
曲凯：第一类更像是「被动触发的主动」？就还是人在提需求。第二类才更接近大家理解的proactive？
文锋：这两者其实是第一步和第二步的区别。
Proactive Agent的核心，是它能不能主动探索，并且自己反思、总结、迭代。
完成定时任务也是一种主动，不过更高级的主动，确实是日积月累之后，AI能越来越了解你的业务、性格、角色，然后某天主动告诉你：「我发现了一个问题，想了个方案，你看看这么搞行不行？」
曲凯：就是字节讲的「context,not control」，只要给足context，它足够懂你，就会主动处理很多事情。
所以现在包括OpenClaw在内的Agent，在proactive这点上做到哪一步了？
文锋：我觉得还在setup的过程中，就这个概念还是比较抽象。
如果一定要定义一下，我觉得可以从产品形态上做个推演：
Manus让大家看到，Agent可以端到端完成任务了，不过还是需要「人管AI」；
但我最近一直在研究大家是怎么用OpenClaw的。我觉得它最大的作用就是让大家看到了「AI管AI」的可能性。
所以Proactive Agent可能会是一个「能管理AI的Agent」：
它能根据团队内部的特点，自己提出需求，去搭建一些专门解决特定问题的Agent；任务完成之后，再把经验沉淀下来，把这些临时Agent释放掉。
曲凯：「AI管AI」其实也和Agent的自进化有关，对吧？现在大家常说一个人的效率可以提升十倍、百倍，那如果Agent的主动性足够强，未来会不会真的能替代所有人类？
文锋：我觉得没有这么绝对。
可以参考AI最早落地的客服行业。以前需要10个客服，有了AI之后，可能只需要留1个。
Proactive Agent出现后，可能也会是类似的情况：从需要10个工程师，变成可能只需要留下2个。
而这2个人不可被替代的地方，一是大家常说的taste；二是协作中的默契。
如果一件事情需要我掰开揉碎讲清楚，一个员工才能理解，那Ta可能就比较危险，因为我有和Ta解释的这个时间，早就能让AI把事情做完了。
我们真正需要的，是那种我点一下，Ta就知道我在想什么、要什么的人。而这种默契，往往是长期合作中培养出来的，或者说来自于悟性吧。
曲凯：我觉得悟性很多时候也来自于之前的context。比如一个人在字节待过几年，到你这之后，你点一句，Ta就知道了。
但这里也有一个问题。现在像Moltbook这类产品，都在讲AI和AI之间的交流和学习。这件事真的成立吗？作用到底有多大？
文锋：以目前Agent的实际能力来看，是可以实现的。
但关键问题在于，有多少东西值得被这样分发和复制。
在企业场景里，不同公司的流程和业务差异很大，所以Agent之间学到的东西，未必可以直接复用，中间还是需要磨合。
比如我们内部的Coding Agent是围绕自己的代码仓库和工作流优化出来的，直接放到另一家公司，未必还有同样的价值。
所以前面讲Proactive Agent的时候，我提到了一个关键点，就是要结合自身情况去做定制。因为至少在现阶段，它还不是一个开箱即用的东西。你不可能买一个产品装上，它就能自动读你的文档、吸收你的信息，然后自己长出一套完整体系。
曲凯：明白。那你自己在用OpenClaw的过程中，有没有遇到过什么aha moment？
文锋：最大的aha moment，是春节前大概用了一周，AI就基本能直接把我们内部的工作流跑通了，让我们的工程师从一个AI指挥者，变成了一个质检员一样的角色。
我们原来的工作流是这样的：先用Linear管理用户反馈和需求，然后每天开会把任务分发给工程师。工程师再基于这些需求，用Claude Code等工具开发和测试，之后提PR、再合并。
但OpenClaw出来之后，我们把各种权限逐步开放给AI，发现绝大多数任务它都可以直接完成。甚至在测试过程中，如果发现前端有问题，还会附上截图。
这给了我很大的震撼。我们之前没想到AI能做到这个地步。
曲凯：所以你们现在的效率大概提升了多少？
文锋：我个人的效率至少比去年这个时候提升了10倍。
曲凯：那是不是意味着，过去要花一年做出来的产品，现在可能一两个月，甚至更短时间就能完成？
文锋：一两个月其实都太慢了，可能两周就够了。
所以现在真正的瓶颈，已经不在生产效率上了，而是你要做什么、以及要做成什么样。
以前大家说「idea is cheap」，但我现在反而觉得不是。
生产能力越丰饶，真正有意思的东西反而越稀缺。
曲凯：所以你今年还会期待哪些新的方向？
文锋：我比较期待的是Agent Harness。
这是一个去年9月底左右在硅谷出现的概念，现在还只是在小范围流行。
它的核心作用，就好比人要骑马，得有马鞍一样。越是好马越狂野、越需要马鞍的约束。Agent也一样。如果把Agent比作一匹绝世好马，我们该怎么去控制它的行为？
这时候就需要Agent Harness。
它不像以前的软件那样有很清晰的分层：最底层是Infra，中间是SaaS，最上面才是终端用户。
Agent Harness更像一个直接面向终端用户的脚手架，能让你针对不同公司的业务特点、团队协作方式和内部环境，搭出一套适合自己的系统，让业务能更快跑起来。
曲凯：明白。那你们自己呢？今年会做什么新的事情吗？
文锋：我们很快会发布一个新版本，把刚刚讲的那套内部流程产品化。
曲凯：那这是个大转型啊。
文锋：对。我们现在的思路是做「管AI的AI」。
我现在的判断是，继续去做一个更聪明、或者比别人再好一点的Agent，价值已经没那么大了。因为几乎没有什么事情是一个精心配置过的Coding Agent做不到的。
问题在于，现在的配置过程太复杂、门槛太高。所以我们想做一个AI，帮大家更好地管理和配置这些AI。就相当于我手下已经有5个AI在干活，但我自己管不过来，那就再雇一个专门负责管理它们的AI。
去年我们太依赖预判了，总想讲一个不一样的故事。但今年我们的策略变成了「预判为辅，跟随为主」。
曲凯：可以，非常好。我们聊过那么多创业者，我觉得你这句话有了一种非常成熟创业者的感觉（笑）。
我们刚和Albert聊过一期（回顾：（优化胜率而非赔率，把一件事做到理论上该有的样子），其中一个很重要的点就是「要优化胜率，而不是赔率」，也就是更务实地把确定性更高的事情先做好。
文锋：对。我们内部其实讨论过一个问题：
如果回到2025年3月，要不要做Genspark？
我们团队里只有1.5个人说要做。
就大家其实都是技术和产品上的理想主义者。但「不做」的这个选择本质上是在优化赔率，而不是优化胜率。
所以今年我们要做的是一种可以快速修正方向和重点的产品形态，具体而言就是前面讲的「能管AI的AI」。
而之所以选择Coding这个场景，是因为Coding Agent正在进入一个新阶段：
第一阶段的Coding Agent是Copilot，主要靠代码补全；
第二阶段是Claude Code这类Coding Assistant，还是需要程序员主动prompt；
而进入第三阶段，AI已经可以指挥AI写代码了。它不再需要人一句句输入需求，而是可以自己去发现、澄清需求，然后调度执行。
在我们团队里，这件事已经在慢慢落地。但现在的问题是，大家用AI的水平差距太大。很多团队也希望用AI把效率提升10倍、甚至100倍，但并不知道该怎么做。
曲凯：所以你们在做的，其实也是AI Coding的平权。
文锋：对。而且「用AI更好地提效」这件事，在我们团队内部也是一个非常迫切的需求。
曲凯：我觉得这点很好。好就好在，我发现很多做得好的公司和产品都有一个共性，就是它们自己就是用户，能够形成一个正向的迭代循环。
那你们现在的用户画像大概是什么样？
文锋：大概一半是founder，1/4是超级产品经理，另外1/4是很强的builder。这些人基本上都是日消耗超过1亿Token的用户。
我觉得Agent时代也会像SaaS一样，有to enterprise和to中小B的不同商业模式。但它未必是按组织人数来分层，而是按Token消耗来分层。
而日消耗1亿Token的用户，某种程度上就相当于SaaS时代的世界500强。
曲凯：如果把C端也分成中大C和小C，你们其实就是选择先做中大C？
文锋：可以这么理解。但如果一个用户一年能给我贡献10万美金，我为什么还需要关心Ta是个人还是团队？
不过一个很大的变化是，过去你几乎不可能从一个人或一个小组织身上收到10万美金，但今天可以。这笔钱，其实就是他们原本招工程师的预算。
曲凯：但我在想，如果AI的效率真的这么高，就会有更多人去学AI，也可能会出现更多的OPC，那最终还是会回到一个产品的供需问题？就这个世界到底需不需要这么多产品？如果人人都是一人独角兽，需求又从哪里来？
文锋：我觉得未来的供需可能会形成一个负反馈循环。
市场的需求是层层嵌套的。正向循环是企业发工资，员工去消费，再把需求传回企业，让需求盘子不断扩大。但如果很多人失业，消费需求下降，整个需求盘子就会萎缩。
所以我现在只考虑未来3到6个月的事情，因为我也不知道将来会变成什么样子…
曲凯：有点像平台要打掉中间商？现在劳动力市场里的「中间商」其实就是具体干活的人。OPC就是把员工都打掉，AI相当于把中间的人替代掉。
文锋：对。如果这个过程发展得太快，社会稳定可能会面临很大的问题。这个问题很复杂，我觉得需要更聪明的人去解决。
曲凯：那在这种情况下，你们团队现在有什么变化吗？
文锋：我们现在招人非常谨慎和苛刻。
如果按以前的标准，我们可能已经扩到20人了，但现在实际上只有7个人。不过这7个人的产出和效率，已经接近过去三五十人的团队的水平。
曲凯：这些人的AI Coding能力，是可以培养出来的吗？还是一开始就得是特别强的人？
文锋：我觉得是可以培养和训练出来的，但前提是组织愿意给足Token额度。
曲凯：但这也是个问题。比如一个人一天要消耗上千美金的Token，你怎么衡量Ta的产出？
文锋：现阶段更重要的是先让大家跟上，跟不上的就淘汰。
至于怎么衡量，是下一阶段才需要考虑的事。我现在的看法是还得靠人，比如CEO得去看一个人的Token消耗和产出是不是match。如果不match，那就说明这个人有问题，然后要么解决问题，要么解决人。
曲凯：OK。你刚刚说你现在只看未来3–6个月，那去年你在解决的是多长时间维度的问题？
文锋：去年我一直在解决5到10年之后的问题。
但我的反思是，不要去解决那些人们还没遇到瓶颈的问题。
比如去年Sheet0很想追求100%可解释、100%准确，这当然是很正确、也很有价值的方向，你问任何人需不需要，大家都会说需要。但问题是，当下模型还做不到这件事，而且大多数用户对准确性也没那么敏感。
所以我们今天的思路，就是解决大家已经遇到的瓶颈。
比如现在工程师们的一个真实问题，就是注意力会被十几个terminal窗口牵制住。我们在做的「AI管AI」，本质上就是顺着这个需求往前多走半步，以跟随为主。
曲凯：为什么说这是跟随？现在做类似事情的人还不多。
文锋：就是在跟随一个明确的趋势。
AI变化太快，预判的有效期越来越短。以前一个判断可能能管半年，现在可能只管一两个月，甚至更短。那在这种情况下，我就不做那么长远的预判了。因为一旦判断错，转向成本会很高，反应也会变慢。
曲凯：尤其是AI Coding提升了效率，有个判断很快就能验证。
文锋：对。所以更重要的是解放团队的思维，而这里面最难的，是放下ego。
还是回到前面那个问题：如果回到去年3月，你要不要做Genspark？
现在一年过去了，Genspark已经这么成功了，如果你的第一反应还是不做，从商业逻辑上来讲就很离谱。
很多时候大家为了讲差异化，会过度放大自己的ego。但我们现在的调整，是迅速发现自己哪些地方没做对，然后更理性、客观地判断机会，去下注当下最明确的那个方向。
42章经
思考事物本质