导语：
近期，以 OpenClaw 为代表的自主智能体（Autonomous Agent）火爆技术圈。这些宣称能“完全接管电脑、自主写代码”的 AI 到底有多神？在狂热的炒作背后，技术落地的真相是什么？AI 真的要干掉程序员了吗？今天，我把我最近和内部同事研讨中我表达的内容，以问答的方式提炼出来，来聊聊 AI 时代的真实现状与未来。
一、 祛魅“网红”智能体：爆火背后的炒作与技术真相
Q：最近像 OpenClaw、Manus 这类完全接管权限的自主 Agent 非常火，甚至一码难求。作为一线开发者，您实际体验下来的感受是什么？
xindoo： 简单粗暴地说，目前的爆火有很大的 “蹭热度”和“炒作” 成分。
它的热度配不上它实际能产生的价值。背后的推手主要有两拨人：一拨是技术自媒体为了炫技找素材，另一拨是云厂商为了卖服务器和卖 Token。
对绝大部分真实研发场景来说，这些工具并没有产生增量价值。很多研发同学甚至对这种莫名其妙的爆火感到抗拒或不屑。为什么？因为从技术视角来看，它的底层实现其实非常粗糙。比如它的“记忆”能力，并不是用了什么高级的工程化实现，而是简单粗暴地将对话记录写进本地文本文件里。总体来说，目前它更偏向于一个纯技术的 Demo，而不是一个成熟的生产力工具。
Q：既然实现粗糙，那为什么它们还能引起这么大的轰动？它们和之前的普通 Agent 最大的区别是什么？
xindoo： 因为它的设计理念确实很超前，满足了普通人对 AGI（通用人工智能）的最终幻想。
它和以前那种只能查查天气、在固定上下文里对话的 Agent 有两个本质区别：
- 极高的权限与自主性： 相当于你把电脑的全部权限交给了它（这也带来了巨大的安全风险，导致很多大厂明确发文禁止员工使用）。
- 自我进化的能力： 这是最大的亮点。你可以把它当成一个聪明但没经验的小孩，在交流中它能自己生成“Skill（技能）”，甚至能够 修改自己的 Prompt（提示词） 去调整人设和逻辑。这种开放了自身迭代权限的设计，是之前市面上很少见到的。
二、 Agent 的底层逻辑：大厨、菜谱与工作流
Q：您刚才提到了“Skill（技能）”，在 Agent 的体系里，我们应该怎么通俗地理解 Agent 和 Skill 的关系？
xindoo： 业界对 Agent 有个明确的定义：大语言模型 + 记忆 + 工具调用。而“Skill”本质上就是“工具 + 工具的使用说明书”。
打个比方：
Agent 就是一个“人”，Skill 就是书架上的一本本“书”（比如《粤菜制作大全》、《家电维修手册》）。
如果你这个主 Agent（总管）收到一个做“佛跳墙”的任务，你可以创建一个叫“大厨”的 Agent，把所有关于做菜的 Skill（书）都丢给它。大厨拿到任务后，会在书架上找到《粤菜大全》翻到佛跳墙那一页，按部就班地去执行。
Q：既然自主 Agent 那么聪明，为什么现在的企业级线上产品（如各种智能客服、内部审批 AI）基本还在用 Workflow（工作流）？
xindoo： 因为自主 Agent 是个黑盒，为了达成目标它会不断去试错，在这个过程中会消耗海量的 Token（成本极高），而且结果不可控。
目前线上应用、大规模落地的唯一选择就是 Workflow（工作流）。工作流本质上是“AI + SOP（标准作业程序）”。人类把关键节点的规则（Hard Code）写死，让 AI 只在特定的节点里发挥作用。这是一种折中方案，虽然失去了部分自主性，但换来了极高的容错率和强确定性。
三、 软件工程的重塑：AI 会取代程序员吗？
Q：有很多报告指出 AI 正在重塑各行各业，您觉得目前 AI 渗透率和落地最成功的领域是哪个？
xindoo： 绝对是软件工程（写代码）。
有数据显示，目前全球 AI 消耗的 Token 中，有 50% 都是用于软件工程的。Anthropic（Claude 的母公司）的报告指出，编程领域的“AI 曝光度”已经高达 75%，意味着 75% 的编程任务 AI 是可以完成的。他们内部现在已经开启了“全员编程”模式，连财务都在用 Claude Code 搓代码。
Q：那是不是意味着程序员面临大规模失业？底层代码已经不值钱了？
xindoo： 可以用美团王慧文的一句话来概括：“以前我们以为中国 SaaS 会像美国 SaaS 一样值钱，现在看美国 SaaS 会像中国 SaaS 一样不值钱”——因为代码真的不值钱了。
从就业市场的数据来看：初级程序员的招聘需求正在大幅度下降，但对中高级程序员目前影响还不大。
为什么？因为 AI 生成基础代码的能力远超绝大部分人类（包括代码规范、高并发的规避等，只要你 Prompt 给得到位）。在 Demo 级别的小项目上，提效是几十倍的，一个不懂安卓的产品经理用 AI 也能一天写出一个可运行的 App。
但是，搭建系统级的大型工程依然离不开人类。 AI 受限于上下文和业务背景知识（很多隐性知识只存在于人的脑子里，没有被数字化）。未来的高级程序员将不再是“写代码的人”，而是“指导 AI 怎么写代码的人”，角色会快速向 架构师或 PM（产品经理） 转变。
四、 AI 落地成本与企业的战略选择
Q：我们在探索 AI 结合传统业务（比如智慧工地、视觉识别）时，目前最大的痛点是什么？
xindoo： 最大的问题永远是成本。
比如我们之前尝试用大模型做监控摄像头的特定目标检测，能力上它是达标的，但单独调用的成本太高了。用传统 CV（计算机视觉）模型千张图检测只要几分钱，用大模型千图检测便宜的要几块，贵的要十几块，中间存在上百倍的成本差距。当成本降不下来的时候，很多场景就无法形成商业闭环。
Q：对于大部分公司来说，面对大模型技术的内卷，应该采取什么样的战略部署？
xindoo： 我坚决不建议普通公司去卷基础模型的研发（除非你是字节、阿里这种为了不掉队的巨头）。
绝大多数公司应该 全面拥抱应用层，享受“确定性的技术红利” 。比如前两年 GPT-4 刚出时 100 万 Token 要 30 美金，现在 DeepSeek 出来后，超越 GPT-4 能力的模型只需要 2~4 块人民币。我们要做的就是等，等巨头们把模型能力提上去、把算力成本打下来，一旦某个场景的成本和收益打平，我们就直接拿来规模化应用。
五、 终极思考：AI 与人类社会的博弈
Q：从长期来看，您觉得 AI 会完全替代人类的工作吗？
xindoo： 从技术能力上，我从来不怀疑 AI 具备替代所有人的能力。AI 替代一项工作，不取决于这个工作有多难，只取决于这个工作的数字化程度（这也是为什么编程最先被颠覆）。
但是，从社会关系和组织结构来看，不会马上发生完全替代。
一方面是“组织惯性”，裁员和架构调整需要过程；另一方面，社会中存在很多 “关键决策者” 。比如医学诊断，即使 AI 诊断率超越了人类专家，顶级的医学大佬和现行体制也会出于责任划分、伦理等原因去阻挠和限制 AI 的直接拍板。
最后，在这个时代，AI 替代的不是人，而是那些不使用 AI 工具的人。 未来个人最核心的竞争力，将回归到对产品、对用户真实需求的理解上。