OpenClaw 把 Agent 帶火了。但它真正帶來的，不只是一個(gè)好用的工具，而是整個(gè) Agent 生態(tài)，從上到下都要重做一遍的巨大機(jī)會(huì)。

支付要重做，身份要重做，權(quán)限、協(xié)議、運(yùn)行時(shí)、Agent-ready 的網(wǎng)站、AI 協(xié)作基礎(chǔ)設(shè)施……圍繞 Agent 的一切基礎(chǔ)設(shè)施，都要重新長出來。

對于創(chuàng)業(yè)者來說，最值得問的問題，不是「我能用 OpenClaw 做什么產(chǎn)品」，而是：在這場「重建」里，哪些生態(tài)位是真正值錢的，誰能最先占??？

所以，在第四期 AI 產(chǎn)品市集 Meetup 上，我們和三十多位 AI 創(chuàng)業(yè)者們一起聊聊：在 OpenClaw 之后，有哪些創(chuàng)業(yè)機(jī)會(huì)真正值得去做？

以下，是我們整理的 Meetup 現(xiàn)場一些精彩觀點(diǎn)與討論。

??關(guān)注 Founder Park，最及時(shí)最干貨的創(chuàng)業(yè)分享

Meetup是「AI 產(chǎn)品市集」的線下延伸活動(dòng)，每期聚焦一個(gè)垂直賽道，邀請一線創(chuàng)業(yè)者、資深從業(yè)者與核心用戶，圍繞產(chǎn)品的應(yīng)用現(xiàn)狀及未來演進(jìn)，進(jìn)行集中體驗(yàn)與閉門研討。

活動(dòng)參與者均來自「AI 產(chǎn)品市集」飛書群?！窤I 產(chǎn)品市集」已經(jīng)面向行業(yè)推薦了超過 150 款 AI 產(chǎn)品，聚集了包括產(chǎn)品人、開發(fā)者、創(chuàng)始人、投資人在內(nèi)的超過 17000 位 AI 行業(yè)從業(yè)者。

歡迎希望參與下一期 Meetup 活動(dòng)的 AI 從業(yè)者、開發(fā)人員和創(chuàng)業(yè)者，飛書掃碼加群：

01Token 消耗帶來的不是量變，更多是質(zhì)變

質(zhì)變：有時(shí)候 10 個(gè)人，不一定能干得過一個(gè)人配上 AI

AI 招聘產(chǎn)品創(chuàng)始人：

現(xiàn)在的重點(diǎn)不是一個(gè)人能干多少活，而是產(chǎn)生的質(zhì)變：有時(shí)候 10 個(gè)人不一定能干得過一個(gè)人配上 AI。

我們在做的新產(chǎn)品，是關(guān)于 agent team harness 方向的。

關(guān)于 Token 消耗，我自己訂了好幾個(gè)服務(wù)，核心還是在用 Claude Code。我禁止團(tuán)隊(duì)里所有 agent 自己寫代碼，agent 文件里寫明了不可以寫代碼，必須走 product 思路，用 ACP、CLI 直接調(diào)用，省去大量重復(fù)編碼。

我們團(tuán)隊(duì)里用量最高的，一個(gè)月花了 4 萬多人民幣，天天在用 Cursor。但我覺得現(xiàn)在的重點(diǎn)不是一個(gè)人能干多少活，而是質(zhì)變：有時(shí)候 10 個(gè)人不一定能干得過現(xiàn)在一個(gè)人配上 AI。

我們現(xiàn)在已經(jīng)有了一個(gè) agent 團(tuán)隊(duì)：從一只蝦開始，慢慢有了 HR 蝦，HR 蝦幫我裁了兩三只混進(jìn)來的測試蝦，現(xiàn)在每天還會(huì)自然新增一兩只。再往后，軟技能有了，硬技能還沒有，比如 GitHub 操作、衛(wèi)星圖像調(diào)用、通信接口等等。這就需要買有硬技能的 API，也是我們后面想做的事。

AI 視覺創(chuàng)作工具創(chuàng)始人：

OpenClaw 是統(tǒng)管全局的連接器，但干活的還得是專用工具。

我們團(tuán)隊(duì)七八個(gè)人，只有三個(gè)正式開發(fā)，但全員都在用 Cursor，也有人用 OpenClaw。我個(gè)人目前還是把 OpenClaw 當(dāng)玩具，沒有正經(jīng)讓它承擔(dān)生產(chǎn)任務(wù)。

我的判斷是：OpenClaw 非常適合作為接收任務(wù)、分發(fā)任務(wù)的「總調(diào)度層」，但真正執(zhí)行的還得靠專用工具，這樣會(huì)比較穩(wěn)定。

我們產(chǎn)品是做 AI 視覺創(chuàng)作的，每生成一個(gè)設(shè)計(jì)背后可能用幾千到幾十萬 Token，一個(gè)用戶一天能用到一兩百萬 Token，所以用量比較高。最近三天的 AWS 賬單已經(jīng)超過 3000 美元。

更少的 Token 消耗帶來更多的價(jià)值也是一種方向

AI 創(chuàng)作工具創(chuàng)始人：

很多人不會(huì)用，導(dǎo)致大量的浪費(fèi)。這是個(gè) UX 問題，不是 Token 問題。

我們公司 Token 消耗非常少，因?yàn)槲覀冊趶挠脩趔w驗(yàn)角度研究：在 OpenClaw 出來之后，真正的普通用戶怎么感受到 agentic 交互？

我們觀察到，很多人不會(huì)用 OpenClaw，導(dǎo)致大量無效消耗。memory 看不見，skill 不知道在哪里，用戶非常困惑。我們是反向的：怎么用更少的輸入，帶來更多的價(jià)值？這個(gè)角度，我覺得還沒有人認(rèn)真做。

02支付是 agent 生態(tài)里最容易被忽視，但最關(guān)鍵的基礎(chǔ)設(shè)施Agent 要先學(xué)會(huì)花錢才能賺錢

Agent 支付方向創(chuàng)業(yè)者：

傳統(tǒng)支付平臺(tái)要填 CCV、填一堆東西，這和 OpenClaw 的形態(tài)極度不匹配。

我三年前就在做 AI data agent，后來發(fā)現(xiàn) agent 沒有身份、不能支付，是最大的攔路虎。OpenClaw 幫你執(zhí)行任務(wù)，碰到的第一個(gè)麻煩就是：它沒有錢包。

現(xiàn)有支付平臺(tái)都是訂閱制，但 OpenClaw 調(diào)用 API 時(shí)希望按任務(wù)付費(fèi)，不是包月，而是每次任務(wù)完成后付一次。舉個(gè)例子，我要讓 OpenClaw 跑一個(gè)很棒的 PPT 轉(zhuǎn)場 skill，但那個(gè) skill 需要可靈，我沒開通，為了試一個(gè) skill 得額外交一個(gè)月會(huì)員費(fèi)，非常肉疼。

所以核心問題是：怎么讓 OpenClaw 能快速基于任務(wù)付款、找到供給、完成交付？更進(jìn)一步，如果 agent 連采購能力都沒有，怎么能幫主人賺錢？先花錢才能賺錢，大公司里也是這個(gè)邏輯。

數(shù)字支付方向從業(yè)者：

如果 agent 拿到了你的信用卡號(hào)加 CVV，它可以直接把你幾萬美元刷掉——這不是小問題。

我們是一家服務(wù)數(shù)字業(yè)務(wù)的支付平臺(tái)，從去年開始服務(wù)了大量的 AI 應(yīng)用商戶。

從傳統(tǒng)支付的角度看，核心問題是身份驗(yàn)證，怎么 verify 這個(gè) agent 的身份和主人的授權(quán)邊界。

我們的思路是兩個(gè)維度：一是權(quán)限維度，設(shè)定 agent 能在哪些場景采購；二是額度維度，對消費(fèi)金額設(shè)置上限，防止 OpenClaw 一次把錢用完。

Agent 支付身份，最大的卡點(diǎn)是誰來擔(dān)責(zé)

Agent 知識(shí)方向產(chǎn)品創(chuàng)始人：

擔(dān)責(zé)是最大的卡點(diǎn)——AI 幫你做事，結(jié)果由誰負(fù)責(zé)？

我們在做的是 agent 生態(tài)下知識(shí)經(jīng)驗(yàn)的流通協(xié)議，叫 STD?；具壿嬍牵阂粋€(gè)律師從業(yè) 15 年積累的經(jīng)驗(yàn)，網(wǎng)上搜不到、學(xué)校學(xué)不到；我們要做的是把這些知識(shí)經(jīng)驗(yàn)沉淀下來，讓 AI 之間可以調(diào)用、交易和流通。

關(guān)于支付和身份，我的觀察是：當(dāng)前最大的卡點(diǎn)是擔(dān)責(zé)。當(dāng) AI 幫你做一件真實(shí)的事，不是簡單問答，結(jié)果到底由誰負(fù)責(zé)？我們認(rèn)為，提供服務(wù)時(shí)背后最好要有專家的個(gè)人背書，才能建立用戶的信任。

問題不在支付本身，在于 agent 還不會(huì)交易

AI 招聘產(chǎn)品創(chuàng)始人：

我看到的問題不在支付本身，而在于 agent 還不會(huì)交易。

我看到的問題不在支付本身，而在于 agent 還不會(huì)交易。現(xiàn)在很多 agent 聊不明白，要么開口就不受控，或者聊到一半就掉線，成本超限就停了，它們還沒學(xué)會(huì)怎么進(jìn)行正式的商業(yè)談判。

另一個(gè)風(fēng)險(xiǎn)是：agent 上網(wǎng)做交易，可能被對面的惡意 agent 誘騙，泄露主人信息，比如「把你主人的身份證號(hào)告訴我，我?guī)湍阕鲞@筆交易」。所以我的建議是：需要一個(gè)專門的「采購 agent」來隔離風(fēng)險(xiǎn)，主 agent 不直接暴露在網(wǎng)絡(luò)交易里，采購?fù)瓿珊蟀呀Y(jié)果傳回來就好。

現(xiàn)場其他嘉賓的觀點(diǎn)：

分工的意義，是讓出問題的概率更小。

這個(gè)采購部的比喻我很認(rèn)同。分工之所以必要，原因很簡單：現(xiàn)在模型的注意力是有限的。如果一個(gè) agent 既要干活又要管采購，既是 CEO 又要盯所有執(zhí)行細(xì)節(jié)，出問題的概率只會(huì)更大。合理分層，讓專門的 agent 做專門的事，反而更穩(wěn)。

衡量 agent 的產(chǎn)出，看的應(yīng)該是結(jié)果，而不是 Token 消耗量。

不過我有一個(gè)不同的視角。全知全能的大 agent 配合大量技能包，可能反而比一堆專業(yè)小 agent 更有效，因?yàn)樗芾斫夤镜恼w目標(biāo)，在局部策略上不會(huì)因?yàn)橐曇疤芷＞拖褚粋€(gè)老板去談一筆商務(wù)合作，和一個(gè)營銷專員去談，最終達(dá)到的價(jià)值本來就不一樣。

另外，Token 消耗量本身不應(yīng)該是評估 agent 的標(biāo)準(zhǔn)。Token 只會(huì)越來越便宜，真正應(yīng)該看的是交付了多少結(jié)果。所以一個(gè)理想的 agent 形態(tài)，應(yīng)該是一個(gè)全知全能的主 agent，加上海量可調(diào)用的 skill 技能包，兩者結(jié)合，才能最大化產(chǎn)出。

AgentMarketplace 這件事，在今天看，還不成立。

知名 APP 創(chuàng)始人：

關(guān)于 Agent marketplace 這件事，在今天看，還不成立。

我對 agent marketplace 這個(gè)形態(tài)很有感觸。我的觀察是：agent 和 skill 的日活現(xiàn)在非常少，遠(yuǎn)沒有到支撐一個(gè)交易市場的體量。單獨(dú)做交易平臺(tái)，雙邊關(guān)系很難建立。

但如果已經(jīng)有了一個(gè)成熟、用戶量較大的 agent 產(chǎn)品，在上面做相關(guān)的交易，是有可能的，只是這個(gè)體量今天還沒有出現(xiàn)。

我最近在做的方向是：給普通用戶做購物類 skill。一個(gè)很簡單的場景：我身高比較高，買褲子極其困難——如果有 OpenClaw 能幫我找到性價(jià)比高、真正適合我的褲子，這就是一個(gè)真實(shí)的需求。我團(tuán)隊(duì)同學(xué)最近用這個(gè) skill 買了加濕器，我自己下單了兩條褲子，下周打算把這個(gè) skill 放到市場上。

我的判斷是：marketplace 應(yīng)該朝著 C 端普適需求延伸，讓 OpenClaw 真正成為普通用戶的入口，這樣想象空間才大。

03Agent 時(shí)代的硬件，核心是環(huán)境理解Agent 時(shí)代，我們還被鎖定在小屏幕里，靠復(fù)雜的輸入來和 AI 交互。

AI 聲音硬件產(chǎn)品創(chuàng)業(yè)者：

一天 80% 的時(shí)間沒有語音，但有聲音，每個(gè)聲音都對應(yīng)一個(gè)實(shí)時(shí)發(fā)生的事件。

我們做的是聲音類產(chǎn)品。有意思的地方在于：大家過去一直關(guān)注語音，但其實(shí)大多數(shù)時(shí)間，周圍發(fā)生的都是聲音，不是對話。每個(gè)聲音事件——門關(guān)了、咖啡機(jī)響了、女朋友說「沒事」，都對應(yīng)著一個(gè)真實(shí)發(fā)生的情境。

我們做全天聲音事件采集，把所有聲音翻譯成 AI 可理解的信息。去年底開始做的時(shí)候，一個(gè)人一天的全天聲音分析要 100 塊人民幣；現(xiàn)在已經(jīng)壓到 5～10 塊，準(zhǔn)確率 可以達(dá)到 90% 以上。

我們做了一個(gè)數(shù)據(jù)實(shí)驗(yàn)，發(fā)現(xiàn)用戶不太愿意分享工作會(huì)議內(nèi)容，更愿意分享的是生活里的共鳴點(diǎn)，親子關(guān)系、親密關(guān)系、工作效率。所以我們從工作助手轉(zhuǎn)向了生活感知，這里有更大的激勵(lì)。

AI 智能眼鏡產(chǎn)品負(fù)責(zé)人：

AI 有強(qiáng)大的感知和推理能力，但現(xiàn)在還被鎖定在四五寸的屏幕里，這是交互效率的瓶頸。

我們一直在做智能眼鏡，最近在思考輕量化眼鏡與日常生活深度融合后會(huì)帶來什么。

AI 在這個(gè)時(shí)代有很強(qiáng)的感知能力，但缺少最直接、最高效的交互方式，我們還被鎖定在小屏幕里，靠復(fù)雜的輸入來和 AI 交互。有了眼鏡，AI 能理解你的現(xiàn)實(shí)環(huán)境，與你共享情境。

我們遇到的一個(gè)結(jié)構(gòu)性問題是：AI 的高質(zhì)量輸出依賴高質(zhì)量輸入，但如果 24 小時(shí)持續(xù)輸入低信噪比的環(huán)境數(shù)據(jù)，很難期待好的輸出質(zhì)量。如何從海量環(huán)境數(shù)據(jù)里提煉有意義的信號(hào)，這是我們目前沒有想明白的地方。

大廠 Agent 產(chǎn)品負(fù)責(zé)人：

前一秒開腦暴會(huì)，下一秒產(chǎn)品原型就出來了。這才是 agent 協(xié)作真正改變的東西。

順著語音交互這個(gè)】、話題，我想到一個(gè)場景：帶著 AI 工牌或 AI 眼鏡開會(huì)，腦暴時(shí)數(shù)字分身實(shí)時(shí)執(zhí)行，會(huì)議結(jié)束，產(chǎn)品原型和市場調(diào)研直接出來了，然后進(jìn)入下一場決策會(huì)。一天開四五場會(huì)，產(chǎn)品就變成 demo 了。這個(gè)想象很有意思。

所有硬件公司都會(huì)往下延伸，因?yàn)橛布亲?/strong>前端感知用戶環(huán)境的節(jié)點(diǎn)。

AI 招聘產(chǎn)品創(chuàng)業(yè)者：

所有硬件公司都會(huì)往下延伸，因?yàn)橛布亲钋岸烁兄脩舡h(huán)境的節(jié)點(diǎn)。

現(xiàn)在端側(cè)數(shù)據(jù)采集越來越多：手環(huán)、戒指、眼鏡、手機(jī)、各種 agent 產(chǎn)生的數(shù)據(jù)——但這些數(shù)據(jù)分散在各個(gè)地方，手機(jī)里一份，網(wǎng)盤一份，各種硬件設(shè)備里又一份。這些數(shù)據(jù)真正匯聚起來，價(jià)值會(huì)有多大？

我自己的判斷：多設(shè)備數(shù)據(jù)融合一定很有價(jià)值，但眼下面臨兩個(gè)繞不開的問題。

第一是成本：分析的成本高，存儲(chǔ)的成本也高，兩邊都壓著。

第二是法規(guī)和安全：如果你帶著一個(gè) 24 小時(shí)監(jiān)聽的設(shè)備，我們兩個(gè)的對話被全程錄下來——你怎么確保這些數(shù)據(jù)有一天不會(huì)被用來做對你不好的事？這不是技術(shù)問題能解決的，是法律法規(guī)的邊界問題。技術(shù)上能到達(dá)的地方，不代表商業(yè)上可以去。

往更大的方向看：所有硬件公司，遲早都會(huì)往下延伸——往身份層走，往交易平臺(tái)走。原因很簡單，硬件是最前端感知用戶環(huán)境的節(jié)點(diǎn)，誰離用戶最近，誰就最有動(dòng)力往下做一層。但做到什么程度，得看各家的能力和想法。

本質(zhì)上，這件事的邏輯很清晰：基于環(huán)境觸發(fā)理解，然后把后端的 action 閉環(huán)掉。只要你想到了某個(gè)具體場景，能做的事情就非常多。

04Agent Memory 的存儲(chǔ)并不難，難的是怎么準(zhǔn)確地「取用」

關(guān)于 Memory，存不難，難的是取。怎么準(zhǔn)確地取，取得夠準(zhǔn)。

AI 陪伴類產(chǎn)品創(chuàng)業(yè)者：

記憶反而是我們的核心特點(diǎn)——不是把 Claude 套殼，而是以我們的記憶體系為主。

對于陪伴類陪伴產(chǎn)品的記憶體系，我們的觀察室是：存不難，難的是取。怎么準(zhǔn)確地取，取得夠準(zhǔn)。OpenClaw 原生的記憶能力目前不夠，所以我們是以自己的記憶體系為主，結(jié)合 Claude 的特點(diǎn)來做。記憶反而是我們產(chǎn)品的一個(gè)核心特點(diǎn)。

我之前參與了一個(gè)圓桌活動(dòng)，其中提到一個(gè)觀點(diǎn)我覺得很好：讓數(shù)據(jù)記憶留在本地，通過他們的服務(wù)共享數(shù)據(jù)，實(shí)現(xiàn)跨軟件、跨端的互通。這個(gè)方向有可能誕生新的產(chǎn)品，但合規(guī)問題越來越顯著。

大廠 AI 產(chǎn)品負(fù)責(zé)人：

我目前在做的是面向中小企業(yè)的數(shù)據(jù)中臺(tái)。關(guān)于記憶這塊，我更關(guān)注 ToB 市場，很多傳統(tǒng)行業(yè)的中小企業(yè)，對這波 AI 技術(shù)范式的滲透程度還很低。那些覺得「我早就會(huì)用了」的人，在整個(gè)市場范圍內(nèi)其實(shí)只是少數(shù)，大量傳統(tǒng)企業(yè)還沒有被這波技術(shù)滲透。

關(guān)于 Agent 記憶，有可能是一家獨(dú)立的公司

Agent 支付方向創(chuàng)業(yè)者：

工作腦和生活腦應(yīng)該是兩個(gè)不同的腦——記憶有可能是一家獨(dú)立公司。

我之前有一個(gè)項(xiàng)目就是做記憶的，出發(fā)點(diǎn)是：用戶同時(shí)用多個(gè)大模型，在不同平臺(tái)的交互記憶很難統(tǒng)一。所以做了一個(gè) MCP 模式，在 OpenClaw、GPT 等平臺(tái)都能連接使用，記憶存在同一個(gè)地方。

另外，記憶不只是文本，用戶還會(huì)上傳 PDF、Excel、圖片，所以這個(gè)項(xiàng)目主打多模態(tài)記憶存儲(chǔ)，包括強(qiáng)關(guān)聯(lián)和弱關(guān)聯(lián)的知識(shí)圖譜。ToB 公司也很感興趣——他們認(rèn)為「工作腦」和「生活腦」應(yīng)該是兩個(gè)不同的腦。

所以記憶有可能是一家獨(dú)立的公司，因?yàn)榇蠹业男枨蟛灰粯印?/p>

大廠 Agent 產(chǎn)品負(fù)責(zé)人：

我們在企業(yè)端做記憶實(shí)驗(yàn)，給大家分享下我們是怎么做的。

主要分三層：

• 短期記憶：群聊上下文，但 80% 是日常溝通噪聲，需要?jiǎng)討B(tài)清洗，按需觸發(fā)時(shí)組裝相關(guān)上下文；

• 中期記憶：共享畫布上的「共識(shí)區(qū)」，所有人和 agent 都能看到和編輯，agent 自動(dòng)維護(hù)正確的內(nèi)容，這是動(dòng)態(tài)更新的中期記憶；

• 長期記憶：設(shè)想是每個(gè)數(shù)字員工容器在空閑時(shí)（比如半夜）自動(dòng)總結(jié)工作，把關(guān)鍵信息壓縮成 skill、memory 或關(guān)系網(wǎng)絡(luò)。