当OpenClaw以'龙虾'之名席卷全球，工作方式的底层逻辑正在被彻底重构。从对话式AI到具备执行力的智能体，这场变革不仅是技术升级，更是人机协作范式的根本性转变。本文深度解析智能体如何从'脚手架框架演变为数字世界的通用劳动力，探讨在AI成为'新员工'的时代，组织管理、知识沉淀、安全边界将面临的全新挑战与机遇。
成立于2019年的智谱，在短短6年多时间，登上了港股市场，市值一度超越移动互联网巨头京东、百度。这背后，其实都显示了AI趋势势不可挡。
融合推理、编程、智能体的智谱GLM4.5模型取得了编程能力全球并列第一，API调用国内付费榜第一的好成绩。这不仅体现了对技术的深耕，也展现了对技术的前瞻性。
其实，在龙虾（OpenClaw）大火之前，智谱也推出类似的自动化流程工具AutoGLM，只不过安全边界更为严格。而龙虾爆火之后，智谱也迅速跟上，推出了AutoClaw，并取了个中国人更喜欢的名字——澳龙。
趋势面前没有旁观者，作为AI浪潮弄潮者，对这番趋势或有更深的体验与体会。
如果用“AI一日，人间一年”来形容AI行业卷的程度，一点也不夸张。作为AI行业从业者，不仅要关注自己产品的开发节奏，也必须关注市场所有玩家、所有团队的动作，这已经成为一种常态。
即便如此，过去几个月我的感触还是比较深的。
早在去年年底，公司在做复盘和未来展望的时候，就预判2026年将会是智能体发展革命性的一年，会爆发出大家想象不到的事，但没想到来得这么快。
也算是一点幸运，我们发布的新模型，恰好特别适配这种智能体场景，这也是我们常年积累、对未来趋势预判的一个体现。
其实在OpenClaw（龙虾）火之前，它还叫Clawdbot的时候，我们就对这个技术方向有预判，知道未来这里一定会有爆发，所以GLM-5包括之前的4.7版本，研发路径都是为这个方向做准备的，这也是我们在龙虾火之前就开始布局的根本原因。
龙虾发布之后，我们第一时间就做了研判，我自己也第一时间开始用。我找了一台闲置的电脑，从最早还叫Clawdbot、功能还很简陋的版本就开始折腾。
一上手就发现，确实不一样，比之前那种需要专业人员编排、调教，只能完成固定任务的智能体，要更好、更自由、更高阶。
深入用下来、研究下来，就会发现它能火是有原因的：
首先，基座模型本身的智能水平实现了整体性的提升。这是一切的基础。
其次，OpenClaw有一个非常强大的框架。我喜欢把它叫做“脚手架”——它不是一个封装完美的成品，而是面向开发者开放了无限的可能性，你可以任意插插件、插技能，用户能在上面做各种开放性的任务，这个脚手架能成倍放大基座模型的智能能力，这是它非常伟大的地方。
最后，AI能力从开发者圈层外溢到了普通人身上。
它是怎么做到的？其实很简单，它打通了IM即时聊天渠道，不管是飞书还是企微，都是普通人最常用的沟通方式，它把AI和大家日常用的IM打通了，这是它能破圈的先决条件。
大家会觉得，跟它说话就跟跟人聊天一样，直接给它布置任务就行，非常方便。
在ChatGPT出来之后的这几年，其实所有人都在面对一个核心问题：有了新技术、新产品，到底要怎么用？怎么才能发挥它最大的威力，最大程度帮到自己？
从哲学角度来说，这其实是人类终于遇到了一个非碳基生命、但智能水平和自己差不多的存在，你要如何跟它相处的问题。
你没法再把它当成一个简单的工具——普通工具看一遍说明书就知道怎么用，功能是固定的，不会超出范围。但这一代AI，它的可能性远远超出一般人的想象，也远远不是一本说明书能讲明白的，这就是大家最困惑的地方。
我跟内部同事说，如果你只把它当锤子，它永远只是一把锤子，永远变不成刀、变不成电锯。但今天的龙虾、今天的AI，就有这个能力，今天是锤子，明天是刀，后天是电锯，完全看你需要什么。
如果你不打开认知，不尝试更多可能性，永远只能把它当一个普通工具用，发挥不出它最大的价值。
我从第一天开始我就用单人旁的“他”。有一次我把机器人拉到群里，同事们调戏它，都用动物的“它”，我就跟大家说，建议用单人旁的“他”。这其实是个潜意识的问题，你怎么看待他，会直接影响你和他的交互方式。
如果你把他当成一个类人的智能个体，你会用更自然的方式跟他交流，而不是用命令工具的生硬方式，这是个很有意思的事。
模型侧能力的范式跃升，是龙虾热潮的最根本原因。
最早的预训练模型，解决的是让机器学习、存储、压缩海量自然语言知识的问题，然后通过SFT对齐等方式，把压缩的知识诱导出来，这才有了最基础的Chatbot聊天机器人。
但聊天机器人解决的只是图灵测试的问题，能扮演一个人跟你对话，可大家很快就不满足了——你就只能写点文字、聊聊天、回答几个问题，在现实世界的需求里，这只是很小的一部分，肯定不够。
那下一步怎么办？后来就出现了Vibe Coding（自然语言编程），现在回头看，这真的是水到渠成的一件事。自然语言是人和人交流的方式，Chatbot让人和机器能用自然语言沟通了，那接下来，除了现实世界，还有一个更庞大的数字世界。
如果AI能理解人的意图，还能跟数字世界产生连接，指挥数字世界里的所有东西，那人就能通过AI，在数字世界里做无限多的事。Vibe Coding解决的就是这个问题。
现在的模型，既能跟人正常对话，又能通过代码这种数字世界的通用语言，和数字世界沟通，这件事是革命性的。
原来只有程序员、开发者能通过写代码指挥数字世界，门槛极高，全球也就千万量级的开发者，和几十亿人口比起来太少了。其他人只能用开发者做出来的软件，非常受限。
但现在不一样了，你有想法，AI就能把你的自然语言翻译成数字世界的语言，帮你把想法落地，这个事太不得了了。
智谱之前做的AutoGLM和OpenClaw，根本目的是一样的，都是提升任务的自动化程度，但走的技术路线完全不一样。
AutoGLM走的是基于视觉理解、模拟人工操作的路线，像人一样用眼睛看屏幕布局、找信息，决策之后模拟人的点击、滑动、输入操作，完全复刻人的使用方式。
而OpenClaw这种龙虾类产品，走的是底层代码调用的路线，不用可视化界面，直接通过代码这种数字世界的通用语言，从底层完成执行。
一个是更贴近人的使用方式，在APP上层做模拟；一个是在更底层，直接在数字世界里干活。
最早我们做AutoGLM的时候，内部也讨论过为什么选GUI（图形用户界面）可视化这条路，而不是代码路线？
其实在23年、24年，我们刚启动研发的时候，大模型的代码能力还很弱，给它十几个API它就懵了，不知道怎么调，代码路线根本走不通，而且代码调试特别麻烦，出错了很难恢复。
但GUI这条路相对安全，更贴近人的使用习惯，用户能看到它每一步操作，比如打开美团、高德，要支付的时候会停下来让用户输密码，用户有掌控感。
还有一个关键原因，它能绕开接口限制——你要通过程序控制一个APP，必须拿到它开放的程序接口，大部分情况下根本拿不到，但模拟人工操作，任何APP都能适配，还能实现跨APP操作，这是当时选这条路的核心原因。
当然现在看，两条路殊途同归，各有各的优势。
黄仁勋曾说过，“软件正在吞噬世界，AI正在吞噬软件”，现在看真的就是这样。传统软件、软件工程，包括SaaS、工业软件、移动端APP开发，都在面临AI的巨大冲击。
编程语言是指挥数字世界的语言，掌握它的门槛太高了，普通人做不到，所以软件的稀缺性、高成本才一直存在。但当这个门槛降到普通人都能通过自然语言，指挥AI完成数字世界的操作时，软件的稀缺性就不复存在了。
我认为龙虾是AI的“iPhone时刻”，因为iPhone的出现，彻底颠覆了传统手机的产品形态，改变了大家使用手机的范式，它不再是一个单纯的通话工具，变成了一个覆盖娱乐、生活、工作的全能终端。
从这个角度看，OpenClaw确实做到了范式级的变革，它改变了大家使用AI的方式，从简单的聊天对话，变成了复杂、丰富的全链路任务执行，让普通人能用自然语言和数字世界沟通，这绝对是范式级的改变。
它放大了每个人的效率和能力边界，你能做的事越来越多，工作上的需求也会越来越多，看起来就是更忙了，这其实很正常。
最开始，我让它帮我总结信息，定向收集公众号、新闻网站的内容，省得我每天去翻。我记得特别清楚，为了完成这个任务，我从最基础的版本开始，跟它协作从零搭建。
我说我要一个信息定向收集的功能，它说行，我给你开发，说需要用到信息收集功能，建议用搜索引擎，给了我ABC三个方案，还推荐了一个有免费额度的搜索引擎。
它指挥我，让我去网站注册账号，把API key给它。半夜12点多快1点了，我就真的跟着它的指挥去做了。
它说注册是免费的，我一看确实有免费限额的套餐，但注册要绑信用卡验证身份，绑卡的时候要划1美元做验证。我一点交易，直接被银行拦截了，半夜1点银行客服立刻给我打电话，问我是不是本人操作的境外消费。
我当时就特别吃惊，我居然被一个AI指挥着，把自己的信用卡划了1美元出去。
但这个过程中我也发现了一些问题。它给的方案不一定每个都能行得通，甚至有些方案是有诱导性的，给你一个简单的、一个复杂的，让你去选。
这时候就很考验使用者，大多数人懒得思考，就会在ABC里选，却忘了还有Plan D——你可以挑战它，告诉它这三个方案都不是我想要的，都不行。这其实也是个陷阱，但反过来，这个过程也能训练你的思维能力。
早期的Chatbot类AI，你需要反复调试提示词，改几百上千字才能拿到想要的结果。但现在模型能力强了，这件事变成了一个持续协作的过程，不是一次性的指令，而是像人和人合作一样，多轮沟通、不断完善。
它会启发你，你也可以挑战它、让它改方案，互相促进，不用非得一次性把所有提示词都写好，也不用紧张要去学什么提示词工程。
最早提示词工程出来的时候，很多人说未来这会是一个职业，我当时就觉得大概率不会。因为模型能力会持续上升，它的目标就是具备和人一样的能力，人和人沟通的方式，会和人与AI沟通的方式越来越接近。
我们平时布置任务，也很少一次性把所有东西都说完，都是一点点讲，先讲宏观目标，再让对方复述一遍，校正他的理解对不对，再补漏洞、补细节，这也是一种非常好用的技巧。
就连我自己都有这种“完全没想到，还能这么用”的体验。有一天跟朋友聊天突发奇想，我跟它说，根据我们过去两个月的交流记录，给我做一个性格分析。
我没装任何额外的技能，它就开始工作，最后给我输出了一个9屏的分析报告，MBTI、大五人格，分析得特别完整，每一条结论下面都带证据。
比如为什么判断我是J型人格，因为我每天都会问它当天的计划，做事井井有条；为什么说我是理性性格，因为我跟它沟通很少用问句、敬语，都是平铺直叙的陈述。
我看完特别吃惊，我跟它的沟通全是工作内容，它居然能分析得这么准，跟我对自己的认知完全吻合。你永远想不到，它能在你想象不到的地方发挥作用，后来我还发现，它能反过来教我很多东西，帮我提升自己，这是特别有意义的事。
我用了一段时间之后，也突然意识到“龙虾”也有安全性的问题。
我做了一个飞书机器人，想让它帮我在群里聊天、总结群消息，免得我去翻几百条未读。但我突然发现，这很危险——群里有很多人，原始状态下它是不设防的，只要有人艾特它，它就会回答问题，很容易泄露我跟它私聊的敏感信息。
这时候我就意识到，必须给它定准则，跟它讲清楚什么场景能说什么、不能说什么。听起来简单，其实特别复杂。
你要把信息的分类、分级讲清楚，什么情况能说、什么情况不能说，你想想，就算是一个人，你能几句话就把这个规则给他讲得明明白白吗？这对你的逻辑性、表达的准确性，用自然语言定义和描述问题的能力，都是极大的考验。
通过这件事我也觉得自己成长了，原来读这么多年书、做了这么多年的逻辑训练，终于在这用上了。
我突然就想到了阿西莫夫三定律（笔记侠注：美国科幻作家艾萨克·阿西莫夫在其机器人题材科幻小说中提出的行为准则，旨在约束机器人行为，确保其服务于人类且不构成威胁）：
第一定律，机器人不得伤害人类个体，或因不作为使人类个体受到伤害；
第二定律，机器人必须服从人类的命令，除非该命令与第一定律相冲突；
第三定律，机器人在不违反第一、第二定律的前提下，必须保护自身的存在。
这三句话非常简短、精准，逻辑上又极其完备，这真的是很难的一件事，这也是它伟大的地方。
对于不是技术出身的普通人，我觉得第一件事，就是跟它打个招呼，问它“你能干什么，请先介绍一下你自己”。这是一个最好的开始，就像跟陌生人见面打招呼、互相介绍一样，你把它当一个人看就好。
问完之后，你再跟它介绍一下你自己：我是谁，我是做什么的，我日常的核心工作是什么，你觉得你能在哪些方面帮到我？聊完这一轮，你就知道该怎么跟它往下聊了。
这个过程中，不要轻易相信它，银行密码、身份证号这些隐私信息绝对不要乱说，要多挑战它。它说它能干这个能干那个，你就让它干一个试试看，干得不好，你就质疑它、让它调整。
当它把某件事干到你满意，而你以后又会高频用到的时候，你就让它把这件事记住，变成固定技能，慢慢积累下来，它就会变得越来越强大，越来越适配你。
也许过一段时间，你可以回过头问它，我们一起工作了这么久，你觉得我是一个什么样的人，你会发现他对你的了解会出乎你的意料。
龙虾大火，其实代表了一个大趋势：AI智能体已经走出了专业圈子、企业应用圈子，开始普及到普通个人用户了。
接下来，不管是技术、产品还是社会层面，都会带来很多变化和挑战。
第一，从基座模型的角度，用户的海量需求，会指引我们迭代的方向。
自然语言和数字世界编程语言之间的翻译、沟通能力，一定会持续加强，模型能做的事会越来越多。
垂直能力会持续深化，横向的能力也会全面扩展，现在GLM（智谱大模型）核心是自然语言、代码、推理能力，未来原生支持视觉、听觉能力之后，能做的事会呈指数级增长，剪视频、处理音频，一只龙虾就够了。
第二，从脚手架框架的层面，类似Claw这样的基础设施，会越来越完善，更安全、更稳定。
能力边界会越来越大，插件、技能的生态会越来越繁荣，当然也会带来钓鱼、恶意插件等安全问题，这是我们需要提前防范的。
第三，应用层面会百花齐放。
现在大家都只让龙虾写日报，不是它只能干这个，是大家的想象力还没被打开。随着基础能力和脚手架越来越完善，大家的想象力被激发之后，应用生态会变得极其丰富，甚至全AI生成的网站、APP会变成常态。
现在外面很火的“一人公司”概念，在公司内部就变成了“一人小队”，一件事，一个人加几个龙虾，就能全部搞定。
给大家举个例子，我们海外业务的团队，过完年之后想做一个AI创业团队的孵化项目，吸引全球的AI Startup（AI初创公司）基于GLM-5的API和生态做产品，需要做一个报名网站，让大家填信息，后台要打通数据库，自动同步信息、通知相关负责人，还要做安全扫描、漏洞修复。
放在以前，这种事至少要一个小团队干一个星期，我们那个团队就1.5个人，两天就全部做完上线了，就是用AI加龙虾的方式，效率提升得极其夸张。
传统意义上的人力资源，所有劳动力都来自于人。但今天，AI智能体本身就是一种劳动力，我们叫它“Agent Workforce”（代理劳动力），你要怎么管理这些AI劳动力，是每个企业都要面对的问题。
还有知识管理，我们一直想解决的问题，就是员工的经验、知识、能力，怎么沉淀下来，人走了，有价值的东西能留在企业里。
传统的数据库、知识库、文档，效果都不好，直到现在，AI陪着员工走完整个工作流程，能从员工身上沉淀、学习到所有东西，人走了，AI可以留下来。原来老师傅带新徒弟，现在老师傅教AI，AI再带200个新徒弟，完全不一样了。
技术上，未来智能体一定会打通数字世界和物理世界，和物理机器人结合，帮你送东西、拿快递，从数字世界延伸到现实世界，带来的变化会超出所有人的想象。
但这些数字分身、智能体，是不是需要像人一样有身份证、有唯一认证？哪天它能替你刷信用卡了，这个责任是它负还是你负？这些都不是技术问题，是社会性的问题。
*文章为作者独立观点，不代表笔记侠立场。
作者 | 李云 编辑 | 柒
本文由人人都是产品经理作者【笔记侠】，微信公众号：【笔记侠】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。