OpenClaw之后，我们离能规模化落地的Agent还差什么？

OpenClaw确实让人眼前一亮，但冷静下来看，Agent想真正规模化落地，得先迈过成本、环境、基础设施和记忆四道坎儿。

核心来说，有这么几个判断：

1. Agent能不能持续跑下去，最终得看单位经济模型（UE）。眼下数据和设施的成本太高了。
2. 强化学习是降低数据成本的关键，但技术门槛还没完全跨过去。
3. 别以为长上下文就是Agent记忆问题的万能解药。

随着模型能力的Scaling Law渐渐放缓，创业者、投资者，还有普通用户，目光都投向了Agent这个方向。OpenClaw的爆火，更是让乐观的人直接喊出了Agent的“iPhone时刻”已到。

但理智一点说，OpenClaw对个人极客来说确实有趣，可放到企业和商业环境里，问题就出来了。它太贵（烧Token）、不可控（安全边界模糊）、有隐私隐患，还不好协作。说夸张点，OpenClaw代表了Agent领域目前最惊艳的Demo，可从Demo到真正规模化落地的系统，中间还隔着巨大的工程鸿沟。

最近，Monolith在五道口办了一场「After the Model」技术沙龙，请了高校和业界的开发者、研究员，专门聊了这个话题。

我们的一个核心感受是：模型能力不再是唯一瓶颈了，Agent怎么真正落地，成了从业者最关心的事。沙龙上反复出现的一个观点是：

这意味着，它不仅要模型有智力，更要满足稳定性、高吞吐量、成本控制、精确的状态管理等一堆苛刻的工程指标。

围绕这个问题，沙龙主要聊了制约Agent规模化落地、成为可持续工作系统（System）的四重阻碍：成本、环境、基础设施和记忆。

我们把沙龙里的一些核心洞察整理出来，供从业者参考，希望能有点帮助。（注：本文观点不代表Monolith机构观点。）

1. 不能用黄金盖平房
2. 当超级大脑配上破电脑
3. Infra“太重、太贵、玩不起”
4. 长上下文不是万能灵药

任何系统要可持续，最终都得回归到单位经济模型（UE）。如果Agent创造的价值覆盖不了它消耗的成本，那不管模型多先进，这个系统在商业上都是不可持续的。

在SFT（监督微调）模式下，得靠人类专家手把手教模型做事。但在GUI Agent（让AI操作电脑界面）这种高门槛任务里，这种依赖就成了难以承受的负担。

为了拿到高质量的GUI任务数据，有从业者发现，他们得请“985高校的高年级博士生”来标注。就算用上这么高水平的人力，标一条数据也得花20分钟。

这时间和人力成本高得离谱，直接限制了数据规模——团队最后只标了200多个任务，就没法再扩大了。

说白了，我们这是在用黄金盖平房——靠堆砌专家人力来换智能提升，在复杂Agent场景下根本不可持续。

这反过来逼着行业必须转向RL（强化学习）——让Agent在虚拟环境里自己试错、自我博弈，甩掉对昂贵人工数据的依赖。只有这样才能把数据成本从“按人头算”变成“按算力算”，实现边际成本下降。

但RL的门槛也不低。

传统的工业级RL训练，往往得靠庞大的算力集群。就算经过优化，训练流程还是需要16张显卡（8卡采样、8卡训练）加上大量CPU资源来支撑仿真环境。对大多数中小企业或学术团队来说，这可不是一笔小开销。如果不能通过RL实现数据自我生成，Agent的商业模式会被高昂的人力成本直接锁死。

破局的关键，是构建高仿真环境，让Agent通过自主探索产生海量交互数据，再设计有效的奖励信号，用RL训练出更强的策略。

当前Agent训练还面临一个悖论：

在传统RL任务（比如下棋、打游戏）中，环境反馈是毫秒级的，步长短、速度快。

但到了GUI Agent场景，Agent执行一个动作——比如在虚拟机里点一下Excel按钮——需要经过“虚拟机渲染→截屏→图像回传→视觉模型处理”这么一串漫长链路。实际训练中，完成一个Step的交互甚至要

这种高延迟，直接导致了计算资源的极度浪费。传统RL流程里，架构通常是紧耦合的，GPU更新模型时环境在等，环境采样数据时GPU又空转。这种时空错配、互相阻塞，计算利用率低得可怜。

除了速度慢，环境的复杂度也在指数级上升。和文本生成不同，GUI Agent面对的是像素级（Pixel-level）的动作空间，理论上能在屏幕上任意坐标点击或拖拽，动作空间接近无限。

这就带来了极其稀疏的奖励。比如“把Excel内容打印成PDF”这种任务，Agent得连续执行几十个步骤。过程中环境往往一片死寂，不告诉Agent中间某次点击是对是错，只有最后一步才能见分晓。

这种“长程视野 + 稀疏反馈 + 无限空间”的组合，就是Agent所在环境的真实面貌——一个充满摩擦的环境。我们不能再用训练聊天机器人的逻辑来训练Agent了。

对创业公司来说，这意味着必须投入资源去构建仿真训练环境。这件事，比单纯买几张H100显卡更考验团队的技术积淀。

那怎么解决环境问题呢？

在现场，不同分享者从横向扩展和纵向轻量化两个角度，给出了Infra重构的答案：解耦。

面对GUI Agent交互速度极慢的问题，有研究者提出了一个叫Dart（Decoupled Agent RL）的框架。核心思路是把采样端和训练端在物理上彻底分开。

在这个架构下，采样端不再等模型更新，而是利用Kubernetes（K8s）并行启动上百个Docker容器当环境，持续不断地生产轨迹数据。数据通过一个基于MySQL的轨迹管理器进行异步调度，再输送给训练端。

这种设计虽然引入了Off-policy（数据和模型不同步）的挑战，需要靠数据筛选机制来平衡，但收益非常可观，至少有三层：

• 消除了GPU等待环境反馈的空转时间
• 实现了5.5倍的环境利用率提升
• 整体训练吞吐量翻了近一倍

这也意味着，Agent的Infra必须具备处理异步数据流的能力，而不是传统的同步批处理。训练过程变成了一个持续流动、高吞吐的流水线。

Dart框架

Infra的另一个痛点是“重”。现有的工业级框架（比如Verl、OpenRLHF）往往针对大规模集群，代码量庞大，模块耦合严重。对学术界或资源受限的初创团队来说，改算法逻辑或适配小规模集群，门槛高得吓人。

另一位研究者展示了一种轻量化的解耦思路——开发模块化框架，把

。这种RL-Centric的设计理念，把工程复杂度封装在模块边界内，实现了“逻辑即实现”。研究者可以像搭积木一样，通过插件化配置自由组合GAE、GRPO、PPO等算法组件，大幅降低了处理底层分布式的负担。

同时，他们还通过CPU Offload技术实现了显存复用——推理采样时把训练参数卸到CPU，优化更新时再加载回GPU，显著降低了硬件门槛。

RLLaVA框架

所有这些技术细节背后的逻辑都指向一点：要让AI Agent可行，首先得把它的“工位”（基础设施）配齐。现有的工具太重、太贵、太慢，所以我们需要更轻量、模块化的中间件，让中小团队也能玩得起Agent训练。这也正是Infra领域的创业机会。

算力和环境之外，另一个问题是

。

Transformer架构虽然强大，但它缺乏可读写存储器，没法显式地存储或更新中间的推理状态，也没有循环或递归机制。处理简单问答时，这种无状态特性不是大问题；但面对复杂的软件开发或长程逻辑推理，这种缺陷就是致命的。

由于缺乏对推理状态的有效管理，模型在解决复杂递归任务时，经常会出现推理链路断裂或逻辑漂移。这些问题，相信重度使用AI的用户都能感受到。

学术界和工业界也在尝试从架构底层进行修补。

，正在成为解决这一问题的热门方向。这些新架构试图通过更高效的状态压缩与传递机制，让模型具备原生的状态推演能力，从而弥补Transformer在长程状态管理上的先天不足。

另一个思路是改变推理的载体。当前大多数Agent依赖自然语言进行思维链推理，但自然语言在精确计算和状态追踪上有局限。一种思路是

——代码天然具备变量、函数和逻辑流，比自然语言更适合精确的状态管理。

Code Thinking

在工程落地层面，一个常见误区是把长上下文等同于“记忆”。但单纯拉长上下文窗口既不经济也不实用。实际场景中，记忆被划分为两类：

和。前者类似传统用户画像，记录用户偏好和基本信息，大多数AI客服已具备雏形。后者是Agent自我进化的关键——不仅要记住“用户是谁”，更要记住“我上次是如何完成任务的”，包括执行轨迹和经验教训。当再次遇到类似任务时，Agent应该能复用成功路径或规避踩过的坑，而不是从零开始。

在记忆架构上，一种思路是设计成

。当Agent需要回顾时，它执行的是读取文件的操作，而不是在上下文窗口里大海捞针。对于一个系统而言，“记忆”的本质不应该是记住所有对话历史，而是能够像计算机一样，精确地管理每一个变量的周期与状态。

总而言之，对企业级应用来说，客户不在乎你的上下文窗口有多长，只在乎AI能不能记住“我上次说过什么”以及“公司的业务规则是什么”这类问题。解决健忘问题，是Agent从玩具走向企业级员工的入场券。

这场沙龙虽然偏向技术和工程层面的交流，但我们还是能从中提取出不少信号。

过去我们觉得护城河在于模型本身，但随着开源模型能力快速逼近，护城河正在从“单点模型能力”向“系统整合能力”扩展。未来的赢家，不一定是模型最强的团队，而是那些能通过优秀的Infra架构、低成本的数据闭环和高效的记忆管理，最大化释放模型能力的团队。工程化能力正在成为新的差异化来源。

其次，卖铲子的逻辑变了。Agent Infra是被低估的洼地。正如沙龙中讨论到的，为了让Agent真正落地，我们需要全新的基础设施，不是传统的云计算，而是专门为Agent设计的——比如异步训练框架、解耦的采样环境和向量化记忆文件系统。目前的Agent开发栈依然非常原始，这意味着，谁能为Agent开发者提供好用的“IDE”、“调试器”和“虚拟训练场”，谁就有机会成为AI 2.0时代的Databricks或Snowflake。

最后，随着GUI等复杂场景出现，人工标注的成本显然已不可持续。未来的数据壁垒，不再是谁爬取了更多互联网文本，而是

。这种通过RL产生的高质量合成数据，将是下一阶段最稀缺的资源。

我们永远处在一个不断有噪音、又不断排出噪音的商业环境中。Agent的深水区，才刚刚开始。