小龙虾所带来的冲击（二）一 从助手到助理的范式转变
先说几个核心判断：AI正在从“会聊天”的助手，向“能干活”的助理转变；而真正引爆这一趋势的，是一只小龙虾——OpenClaw。
这个开源项目最近在全球范围内迅速走红，吉祥物是一只龙虾，被国内用户亲切地称为“小龙虾”。它不是又一个能跟你唠嗑的聊天机器人，而是一个能实际操作电脑、替你执行任务的个人AI助手。发布仅四个多月，OpenClaw就在GitHub上创造了历史——以超过24.8万的星标数登顶星标榜，超越Linux，成为GitHub最受欢迎的开源项目。
在AI圈，这被视为Agent实用化的里程碑事件。和ChatGPT那些停留在对话框里提供“建议”的产品不同，OpenClaw可以7×24小时自动执行任务：读文件、搜信息、写代码、发邮件……很多程序员把它当作一个真正能干活的数字员工，人手一只“龙虾”。
不过，能力越大，风险也越大。OpenClaw能够读写本地文件、执行系统命令，这意味着如果配置不当或被恶意利用，可能导致数据泄露、文件误删等严重后果。所以，安全是使用它时必须优先考虑的问题。
图片
从助手到助理的转变
龙虾之所以在短时间内爆红，本质上是技术突破、社会情绪和资本现金流等多重因素反复叠加的结果。过去，大模型的发展给人的感受是“智商越来越高”，但现在，AI获得了行动能力，能稳定地帮人完成任务。
从实际体验来看，OpenClaw的任务执行能力确实让人满意：很多不同类型的任务——内容处理、信息收发、设备控制、程序调用——都能有效执行，比一般智能体的工作复杂度高出不少，基本上实现了对设备的“接管”。也正因如此，社会层面又强化了对AI的焦虑和学习热潮，人们希望尽快掌握并利用AI提升自身能力。
对普通用户来说，OpenClaw更像是一个快速发展的实验性工具，但它展示了一种可能的未来：让AI不仅会“聊天”，还能真正替你完成工作。只要在每一步骤中向云端的API接口发送请求，一个复杂任务跑下来，Token消耗量是普通对话的百倍乃至千倍。
从技术上看，当用户下达复杂指令时，安装在本地的OpenClaw会拆解任务、联网搜索、调用本地软件、识别错误、自我纠正重试，并向云端大模型的API接口发送请求，逐步完成任务。用户还可以从社区获得各种“skill（技能）”，让OpenClaw解锁其他用户调试出的特定能力。
对科技巨头来说，形势则更微妙。2026年，字节、阿里、腾讯合计的资本支出超过600亿美元。但如果用户不调用，算力就会白囤，每天产生高昂的折旧。单纯的“Chat”模式，根本烧不出健康的商业模式。要让昂贵的算力转动起来、产生真实的现金流，巨头们迫切需要一种能持续、自动消耗算力的“Token黑洞”。OpenClaw这类本地部署的Agent，恰好充当了这个角色。这笔由Agent带动的API流水，是巨头维系算力扩张的关键输血管道。云厂商愿意倒贴人力去线下“摆摊”帮用户部署开源龙虾，也就不奇怪了。
巨头们力推本地Agent的第二层目标，触及了大模型发展的天花板：高质量训练数据正在枯竭。随着模型能力不断提高，另一种资源变得越来越重要——任务轨迹数据（Trajectory Data）。下一代大模型需要知道人类在数字世界中是如何“采取行动”的。这些“轨迹数据”一旦回流到云端，将成为大厂训练下一代Agent大模型的核心壁垒。这就像特斯拉当年通过数百万辆在路上行驶的电动车收集真实路况数据，最终反哺其FSD自动驾驶算法一样。
当用户在本地运行Agent、让它替自己执行操作时，Agent会记录下用户的每一个操作意图和软件交互轨迹。国内大厂密集推广Agent应用，本质上是一场分布式的、规模空前的数据众包。用户以为自己白嫖了一个免费的AI劳动力，但实际上，他们在指导Agent、纠正Agent错误的过程中，正在免费为巨头们提供最高质量的强化学习微调数据。
对AI行业从业者而言，虽然OpenClaw确实是一个有主动性的AI助手，但需要你去不断调优它，否则它始终是个大玩具。它聪明与否，完全取决于你怎么配置、定义和使用它，而这个过程还需要持续投入资源。
从投资者角度看，互联网的结构正在发生变化：用户与数字世界的交互界面将被重构，很多应用可能会退到后台，用户只需要面对一个Agent，就能完成大部分数字生活操作。阿里千问持续投入“AI办事”，让用户一句话就能下单；小米内测miclaw，将其深深植入手机底层系统——都是这种逻辑。在这种世界，Agent就像一个全新的操作层，连接用户与所有服务。如果有一天巨头能让自家的Agent霸占用户的终端，它就掌握了商业世界最顶级的权力——意图分发权。它可以轻易地把外卖订单导流给自己的关联企业，把差旅需求导给自己的支付生态。
连360的周鸿祎都评价说，OpenClaw改变了很多人对智能体的认知，是“养了一个智能体”的概念创新。曾担任微软、谷歌全球副总裁的李开复也表示，未来的竞争会发生在多智能体系统上，它将成为一个连接数字世界和物理世界的桥梁。
图片
无形墙正在成为博弈的关键
OpenClaw掀起的Agent开发范式转变浪潮，让保守决策者内心充满兴奋——自己的不决策又精准地躲过了犯错的风险。而对于那些早期推动企业级Agent落地的人来说，面对的则是诸多挑战、苦涩和不确定。这充分反映出企业AI大规模应用前的残酷现实：技术还在快速迭代，而所在的企业却无从下手。
这种无形的博弈还在持续。第一个关键因素是认知。它是决策层、执行层和体验层产生偏差的根源。德勤在调研企业AI落地时指出：85%的企业计划定制Agent，但只有25%的试点项目真正上线到生产环节。同时，超三成企业认为，在3-5年内企业应用Agent才能获得可观的回报——这意味着企业Agent还处于早期。
早期的Agent形态如Dify或扣子，大多以workflow形式出现，尽管“拖拉拽”的低代码已经降低了开发门槛，但对非开发人员并不友好。但OpenClaw通过系统级调用指令，能让非开发者在常用的办公软件中与Agent交互，这是一种AI原生Agent。除了开发范式的转变，还有行业专属“方案超市”的建立——即行业知识和数据的进一步流动。OpenClaw的爆发拉动了GitHub里的skill风暴，医疗、金融、教育等各个行业的人都可以利用AI为自己的工作编写专属工具，GitHub正在从代码仓库转化为方案超市。
不过，OpenClaw框架底层的任务调度还存在优化空间，目前还不适合承载高可靠性的企业级定时调度业务。长期记忆模块的原生能力也不足，尚未达到生产可用的成熟标准，同时缺乏高质量的skill生态。换句话说，企业落地Agent还需要充分考虑合规、成本和安全问题。OpenClaw这种高消耗的调用方式和不稳定的生态，对重权限、重可靠和强协作的企业组织而言，大规模落地显然还有距离。
第二个关键点是数据墙。企业AI应用正从以模型为中心，逐步走向以数据为中心。AI应用效果和落地难度，大部分都与所连接的数据有关。很多人认为Agent要实现跨生态、跨系统和多任务的调度，就必须在企业内部实现上百个系统中的数据互联和格式统一。只有考虑到数据的可控和可信，企业才能建立分级分类的统一认证权限，保证数据的全链路可靠。这些基础固然重要，但更关键的是要制定清晰的落地路径，并确保有步骤地推进。
如果认为拥有一个大模型就能改变企业的业务，那无疑是白日做梦。企业AI不是技术炫技的秀场，而是要求实际回报、产生业务价值的战场。越来越多的AI卖铲人也走向务实，回归到用户业务本质。对于企业自身而言，如何建立AI协同机制、破解资源壁垒，则是第三道墙。
城市轨道交通从来不缺数据，缺的是采用什么样的机制去解决数据分散的问题。传统的信息化部门只能提供通用数据，业务部门只是参与者，那未来呢？甚至还有一些技术人员认为这没有本质变化，只是换了个技术套路。
延伸阅读
人工智能不仅仅是提示词，它是力量的放大器。它正在重塑竞争方式、运营方式和公民的生活方式。它承载着无限进步的承诺，但前提是必须精确引导。在一个动荡的世界中，这种方法让我们获得了一种罕见的东西：控制和灵活性。例如阿联酋政府设置了CAIOs（首席AI官），作为职能领导者，负责制定AI战略、协调团队，并确保投入AI的每一个迪拉姆都能产生实实在在的成果。
CAIO不仅仅是一位技术专家，更是一位将愿景转化为行动的桥梁，是战略与科学之间的纽带，是整个企业价值的守护者。人工智能并非单一突破，而是十万次小的转变。这是文化的、制度的，是一种习惯。CAIO将是推动这种习惯向前发展的人——跨越管理、业务、教育、物流等诸多领域。AI转型不仅关乎系统和企业流程的变革，还涉及企业家心态和技能的转变。如果能够做到这一点，他们将变为AI的倡导者。
通常组织都会保留全部数据，原因多种多样，包括希望自身拥有利用数据驱动业务的能力，以及未知场景下可能需要使用历史数据作为决策依据。但当下，大部分城市轨道交通业主也只是利用NCC做了存在性的工作，对每十年需要访问一次与每十秒需要访问一次的数据，并没有本质差异。面对当前数据不完整、不准确或不一致的情况，虽有共识，却缺乏改变&现状的新计划。很多组织还停留在老观念中，认为低质量数据就是不可信、不一致、不相关、孤立或重复的数据，或是未受治理和监管的全量数据。而区分高质量数据和低质量数据，本身就是一项“知易行难”的挑战。
阻碍组织前进的障碍或许并不明显，但往往呈现出令人望而生畏的复杂性。理解数据集与工作流内部的关联性和相互关系，才是第一重要的前提。这些关系能够帮助组织了解数据在企业中的使用情况，进而判断这类数据集是否会直接影响AI的有效性。其衡量标准可以是：准确性、完整性、一致性、统一性、及时性、唯一性、有效性——但肯定不是全量数据。就算是再多数据，没有经过压缩和特征筛选，对AI的价值就没有实质性提升。
