龍蝦，是最近 AI 圈出現(xiàn)頻率最高的詞匯。

它指的是 OpenClaw，一個近期在 AI 圈迅速蔓延的開源智能體框架。有人覺得它像賈維斯，有人覺得它像腳手架，有人覺得它像輕量級操作系統(tǒng)，所有人都在用，而且越用越停不下來。

圍繞它的討論也隨之而來：龍蝦能干什么，干不了什么，下一步往哪走，算力夠不夠，誰在受益，誰在焦慮?，F(xiàn)在，行業(yè)里最靠近前線的一批人坐下來，認真聊了聊這件事。

就在剛剛，月之暗面創(chuàng)始人楊植麟在北京中關(guān)村論壇年會的開源主題圓桌中主持了一場五人談話，智譜創(chuàng)始人張鵬、無問芯穹創(chuàng)始人夏立雪、小米 MiMo 大模型負責人羅福莉、香港大學助理教授黃超共同參與。

對話從 OpenClaw 的實際使用體驗出發(fā)，延伸至模型定價邏輯、推理基礎設施的結(jié)構(gòu)性瓶頸、模型架構(gòu)創(chuàng)新，以及對未來十二個月行業(yè)走向的集體判斷。

從聊天到真正干活，OpenClaw 改變了什么

論壇開場，楊植麟拋出了一個共同話題：日常使用 OpenClaw 或類似產(chǎn)品，最有想象力的體驗是什么？從技術(shù)角度看，如何理解今天智能體框架的演進方向？

張鵬說，他很早就開始自己動手折騰這類工具，當時還不叫 OpenClaw，最早叫 ClawBot。畢竟是程序員出身，折騰這些東西有自己的手感。

在他看來，OpenClaw 最大的突破在于把頂尖模型的能力，尤其是編程和智能體方面的能力，交給了普通人。

「這件事不再是程序員或極客的專利。它在模型上方搭起了一個牢固又靈活的腳手架，讓原來因為不會寫代碼而無法實現(xiàn)的想法，今天通過簡單的對話就能完成?！?/p>

智譜創(chuàng)始人張鵬

他更愿意把 OpenClaw 這類工具稱為腳手架，它提供的是一種可能性，而不是一個封閉的產(chǎn)品。

夏立雪的第一反應是不適應。他習慣了和大模型聊天的交流方式，一開始發(fā)現(xiàn) OpenClaw 響應慢，覺得很卡。但后來他意識到，這類工具和聊天機器人有本質(zhì)區(qū)別：它更像是一個能承接大型任務的人，而不是一個回答問題的工具。

「從按 token 計費的模型，到能幫你完成任務的智能體，AI 的想象力空間已經(jīng)做了一次大的躍升。但與此同時，對整個系統(tǒng)能力的要求也大幅提升，這就是我一開始覺得它卡的原因?！?/p>

他隨后披露了一個直觀的數(shù)據(jù)：無問芯穹從今年一月底開始，基本上每兩周 token 用量翻一番，到目前為止已經(jīng)翻了十倍。「上次見到這個增速，還是 3G 時代手機流量剛普及的感覺。那時候大家每個月一百兆流量，現(xiàn)在的 token 用量就是那種感覺。」

他認為，現(xiàn)有的所有資源想要支撐這個快速增長的時代遠遠不夠，需要更好的優(yōu)化和整合。

羅福莉從產(chǎn)品框架設計角度給出了不同的觀察。

她把 OpenClaw 視為 agent 框架領域一次革命性和顛覆性的事件。她注意到，深度 coding 圈子里很多人的第一選擇依然是 Claude Code，但她認為只有真正用過 OpenClaw 的人才能感受到這個框架在設計層面的獨特之處，包括近期 Claude Code 的很多新更新，其實也在向 OpenClaw 的設計方向靠近。

小米 MiMo大模型負責人羅福莉

她總結(jié)了 OpenClaw 核心價值的兩個層次。

第一是開源。開源讓整個社區(qū)能深度參與、持續(xù)改進，這是一個非常重要的前置條件。她認為，開源框架的一個關(guān)鍵價值在于把國內(nèi)參數(shù)量不那么大、但水平仍然可觀的模型的能力上限大幅拉高。

「在絕大部分場景下，任務完成度已經(jīng)非常接近 Claude 最新模型的水平，同時它靠一套完整的 harness 系統(tǒng)和 skills 體系把下限也保證得很好?！?/strong>

第二是點燃了大家對大模型之上那一層的想象力，也就是智能體層。她看到越來越多非研究員背景的人開始通過更強的 agent 框架參與 AGI 的變革，一定程度上替代自己工作中的重復任務，把時間釋放出來做更有創(chuàng)造力的事情。

她還提到了一個具體的使用感受：相比 Claude Code 只能在桌面上延展創(chuàng)意，OpenClaw 可以隨時隨地參與進創(chuàng)意過程，想象力的擴展沒有場景限制。

黃超從交互模式切入，分析了 OpenClaw 能引發(fā)廣泛關(guān)注的原因。

他認為第一個關(guān)鍵因素是「活人感」。

以往的 Cursor、Claude Code 這些 agent 工具，使用起來更像工具；OpenClaw 以 IM 軟件嵌入的交互方式呈現(xiàn)，讓人感覺更接近自己想象中的個人賈維斯。「這種活人感是很多人第一次真正覺得 AI 要來了的時刻?！?/strong>

第二個因素是，OpenClaw 再次驗證了 agent loop 這種看似簡單但極為高效的框架范式。第三個值得思考的問題是，我們到底需要一個 all-in-one 的超級智能體，還是一套類似輕量級操作系統(tǒng)或腳手架的存在，去撬動整個生態(tài)里所有的工具和能力。

他傾向于后者，認為 OpenClaw 更像一個操作系統(tǒng)級別的小管家，通過這個入口，社區(qū)里越來越多的人開始設計面向這類系統(tǒng)的應用，以 skills 和 harness 的形式去賦能各行各業(yè)，這和整個開源生態(tài)天然結(jié)合得非常緊密。

干一個任務，消耗原來百倍的 token

楊植麟隨后把問題引向了智譜最新發(fā)布的 GLM-5-Turbo 模型，以及伴隨而來的提價策略，并問這背后反映了什么樣的市場信號。

張鵬說，這次更新是在整個發(fā)展目標中提前放出來的一個階段性成果。核心目標只有一個：從「對話」轉(zhuǎn)向「干活」。

OpenClaw 讓大家意識到大模型真的能幫人完成任務，但這背后對模型能力的要求遠超以往。

「它需要自己做長時間的任務規(guī)劃，不斷壓縮上下文，隨時 debug，還要處理多模態(tài)信息。這和傳統(tǒng)面向?qū)υ挼耐ㄓ媚Ｐ屯耆煌??！?/p>

GLM-5-Turbo 在這些方面做了專門的加強，尤其是在如何讓模型持續(xù)自我 loop、不停執(zhí)行任務這個問題上投入了大量工作。

同時也做了效率優(yōu)化，在面臨復雜任務時能用更高效的推理路徑完成，避免用戶只看到賬單上的數(shù)字在不停往下掉。

對于提價，在他看來，現(xiàn)在完成一個復雜任務，模型背后的推理鏈路很長，要寫代碼、要和底層基礎設施打交道、要隨時修正錯誤。

消耗的 token 量可能是回答一個簡單問題的十倍甚至百倍。模型變大了，推理成本相應提高，價格自然要回歸正常的商業(yè)價值。

「長期靠低價競爭，對整個行業(yè)的發(fā)展都不利。我們需要一個良性的商業(yè)閉環(huán)，才能持續(xù)優(yōu)化模型能力，持續(xù)給大家提供更好的服務?！?/p>

現(xiàn)有的云計算架構(gòu)，并非為 AI 設計

隨著 token 用量的爆發(fā)和行業(yè)從訓練時代轉(zhuǎn)向推理時代，推理基礎設施的壓力成為不可回避的話題。

夏立雪說，無問芯穹是一家誕生在 AI 時代的基礎設施廠商，目前同時為 Kimi、智譜以及多所高?？蒲袡C構(gòu)提供服務，也在和 MiMo 合作。他們一直在思考一個核心問題：AGI 時代需要的基礎設施是什么樣的，以及如何一步步去實現(xiàn)和推演它。

在他看來，當前腳下最緊迫的問題是如何打造一個更高效的 token 工廠。

無問芯穹的做法是從軟硬件打通的角度出發(fā)，接入了國內(nèi)幾乎所有種類的計算芯片，將幾十種芯片和幾十個不同的算力集群統(tǒng)一連接起來。

無問芯穹創(chuàng)始人夏立雪

「資源不足時，最好的辦法有兩個：第一，把能用的資源都用起來；第二，讓每一分算力都用在刀刃上，發(fā)揮出最大的轉(zhuǎn)化效率。」

他們也在探索最新的模型結(jié)構(gòu)和硬件結(jié)構(gòu)之間能否產(chǎn)生更深的化學反應。但他認為，僅僅打造一個標準化的 token 工廠還不夠。

他提出了一個更根本的判斷：當前大量云計算基礎設施，在設計上服務的是人類工程師，而不是 AI。「我們做了一個基礎設施，上面的接口是為人做的，再往上包一層才能接入智能體。這種方式用人的操作能力限制了智能體的發(fā)揮空間?！?/p>

他舉了一個具體的例子：智能體能做到秒級甚至毫秒級地思考和發(fā)起任務，但現(xiàn)有的很多底層能力根本沒有為這個速度做好準備，因為人類發(fā)起一個任務通常是分鐘級別的。這個問題需要打造一套更智慧化的調(diào)控系統(tǒng)，他們把它稱為 agency 能力的一部分。

從更長遠的視角看，他認為真正 AGI 時代到來時，連基礎設施本身也應該成為一個智能體，能夠自我進化、自我迭代，形成自主的組織。

「相當于基礎設施有一個 CEO，這個 CEO 是一個 agent，它根據(jù) AI 客戶的需求自己提需求、迭代自己的基礎設施。這樣 AI 和基礎設施之間才能產(chǎn)生真正的耦合，而不是一個接收需求、另一個執(zhí)行的單向關(guān)系?！?/p>

他們目前也在探索讓 agent 和 agent 之間更好地通信，以及 cache to cache 的復制能力。在他看來，基礎設施和 AI 的發(fā)展應該產(chǎn)生非常豐富的化學反應，這才是真正意義上的軟硬協(xié)同，也是無問芯穹一直想實現(xiàn)的使命。

算力限制，反而催生意外突破

羅福莉沒有直接回答小米的獨特優(yōu)勢，而是把問題拉到了整個中國大模型團隊的層面，認為這個視角更有價值。

她說，大約兩年前，她就看到中國基座大模型團隊開始了一次非常重要的突破。這個突破來自于一個被逼出來的命題：在有限算力、尤其是 NVLink 互聯(lián)帶寬受限的情況下，如何突破低端算力的限制，在看似為了效率妥協(xié)的情況下做模型結(jié)構(gòu)上的創(chuàng)新。

DeepSeek V2、V3 系列，以及后來的 MiniMax M1 等，都是這類探索的產(chǎn)物。

「這些創(chuàng)新引發(fā)了一次真正的變革：怎么在算力一定的情況下，把智能水平發(fā)揮到最高。DeepSeek 給所有國內(nèi)大模型團隊帶來了一個勇氣和信心。」

她強調(diào)，雖然今天國產(chǎn)芯片的限制已經(jīng)沒有那么嚴峻，但這段時間被逼出來的對更高訓練效率、更低推理成本的模型結(jié)構(gòu)探索，形成了真正有價值的技術(shù)積累。

她提到了幾個具體方向：混合稀疏架構(gòu)（hybrid sparse）、Kimi 的 KSA 架構(gòu)、小米面向下一代的新結(jié)構(gòu)。這些都區(qū)別于當前這一代的 transformer 架構(gòu)，是在思考如何為智能體時代做更好的模型結(jié)構(gòu)創(chuàng)新。

她特別強調(diào)了長上下文能力的重要性，并把它和 OpenClaw 直接掛鉤。

「OpenClaw 越用越好用、越用越聰明，前提是你的推理上下文足夠長。但很多模型做不到一兆甚至十兆的 context，不是能力問題，是成本問題，推起來太貴、速度也太慢。只有在長上下文下成本夠低、速度夠快，才能把真正有生產(chǎn)力價值的復雜任務交給模型去完成?！?/p>

她進一步描述了這條路徑的終點：在超長 context 的支撐下，模型可以在復雜的環(huán)境里完成對自我的進化，包括對框架本身的優(yōu)化，也包括對模型參數(shù)本身的迭代。

這個方向在預訓練側(cè)要做好長上下文架構(gòu)，在后訓練側(cè)要構(gòu)造更有效的學習算法，采集在一兆、十兆、百兆上下文里真實具有長期依賴性的文本和復雜環(huán)境軌跡數(shù)據(jù)。

她也分享了一個來自團隊內(nèi)部的數(shù)據(jù)：借助 Claude Code 加頂尖模型的組合，團隊做大模型研究的同學，研究效率已經(jīng)提升了近十倍。

規(guī)劃、記憶與工具調(diào)用

黃超從技術(shù)角度系統(tǒng)梳理了當前智能體框架在三個核心模塊上的主要痛點和未來方向。

規(guī)劃層面，他認為面向復雜任務、超長上下文的規(guī)劃能力仍然不足。比如五百步甚至更長的部署任務，很多模型做不好規(guī)劃，本質(zhì)上是缺乏垂直領域的隱性知識。

他認為一個方向是把復雜任務的領域知識固化到模型里。skills 和 harness 這類工具，一定程度上也是在通過提供高質(zhì)量的外部能力來緩解規(guī)劃中出現(xiàn)的錯誤。

記憶層面，信息壓縮和檢索精度始終是難題。任務復雜度上升時，context 會暴增，目前各類智能體框架普遍采用的還是文件系統(tǒng)這種最簡單的共享方式。

他認為未來的 memory 機制需要走向分層設計，但通用化很難實現(xiàn)，因為 coding 場景、deep research 場景、多媒體場景的數(shù)據(jù)模態(tài)差異極大，如何對這些 memory 進行高效檢索和索引，始終是一個 trade-off（權(quán)衡）問題。

他還指出了一個新的壓力來源：未來可能不止一個智能體，每個人可能同時擁有一群智能體，Kimi 的 agent swarm 機制已經(jīng)指向了這個方向。

一群智能體帶來的上下文暴增，會遠超單個智能體，對 memory 機制和整個 agent 架構(gòu)都是非常大的壓力，目前還沒有一套成熟的機制來應對這個問題。

工具調(diào)用層面，他認為高質(zhì)量的 skill 依然稀缺，這和當年 MCP 時代高質(zhì)量工具稀缺的問題如出一轍。

低質(zhì)量的 skill 會直接拉低任務完成率，惡意注入的安全風險也是一個不容忽視的問題。他認為這需要整個社區(qū)共同建設，甚至需要探索如何在執(zhí)行過程中動態(tài)進化出新的 skill，而不是依賴人工預設。

未來十二個月：生態(tài)、自迭代、可持續(xù)與算力

論壇最后，楊植麟請每位嘉賓用一個關(guān)鍵詞描述未來十二個月最重要的趨勢。

月之暗面創(chuàng)始人楊植麟

黃超感慨，十二個月在 AI 領域已經(jīng)是很遙遠的事情，不知道屆時會發(fā)展成什么樣子。他給出的關(guān)鍵詞是「生態(tài)」。

他認為現(xiàn)在大家使用智能體還帶著新鮮感，但未來真正的挑戰(zhàn)是讓它沉淀成日常工具，從個人助手轉(zhuǎn)變?yōu)檎嬲拇蚬と撕?coworker。這需要模型迭代、skills 平臺建設、各類工具的共同推進，大家一起把整個生態(tài)向智能體原生的方向拉。

他還提出了一個有趣的判斷：未來大量軟件可能不再面向人類，而是面向智能體原生設計的。人類需要 GUI，但 Agent（智能體）不需要，整個生態(tài)正在從 GUI 和 MCP 的模式轉(zhuǎn)向 CLI 模式。這意味著軟件系統(tǒng)、數(shù)據(jù)乃至各種技術(shù)，都需要完成一次向 agent native 的轉(zhuǎn)型。

羅福莉給出的詞是「自進化」。

她說這個概念聽起來有點玄，但她最近對它有了更具體的體感和更務實的實操方案。關(guān)鍵在于：借助足夠強大的模型，當你在智能體框架里疊加一個可驗證的約束條件，再設定一個持續(xù)的 loop，讓模型不停迭代優(yōu)化這個目標，你會發(fā)現(xiàn)它能持續(xù)拿出更好的方案，而且能自主運行兩三天。

她舉了一個具體案例：在探索更好的模型結(jié)構(gòu)這類有明確評估標準的科研任務上，模型已經(jīng)能夠自主運化和執(zhí)行兩三天。

「自迭代是唯一能創(chuàng)造出這個世界上不存在的新東西的路徑，它不是替代人的生產(chǎn)力，而是像頂尖科學家一樣去探索未知。我一年前覺得這需要三到五年，但現(xiàn)在我認為一到兩年內(nèi)就可能真正實現(xiàn)。」

她預計，結(jié)合強大的自迭代 agent 框架，對科研的加速將達到指數(shù)級。

夏立雪選擇了「可持續(xù) Token」。他說，現(xiàn)在整個發(fā)展還在一個持續(xù)的過程中，需要讓它有長久的生命力。

他用了「AI made in China」來描述他的愿景：把中國在能源和算力上的優(yōu)勢，通過高效的 token 工廠持續(xù)轉(zhuǎn)化為優(yōu)質(zhì)的 AI 能力，輸出到全球。

「從 made in China 到 AI made in China，邏輯是一樣的。中國能把低成本的制造能力變成好商品輸出全球，同樣可以把這種能力遷移到 token 的生產(chǎn)和輸出上?！顾Ｍ诮衲昕吹竭@件事真正成形，讓中國成為世界的 token 工廠。

張鵬的關(guān)鍵詞則是「算力」。

在他看來，「所有技術(shù)的前提，是大家用得起。你不能因為算力不夠，提一個問題讓它思考半天也不給答案，這肯定不行。」

他提到了一句在行業(yè)里流傳的話：沒卡沒感情，談卡傷感情。需求已經(jīng)是十倍百倍地爆發(fā)，而很大一部分需求還沒有被滿足。

「算力問題是接下來十二個月最需要大家一起想辦法的事情?！过埼r打開了想象力的上限，但算力、架構(gòu)和基礎設施，還在進步的路上。

我們正在招募伙伴

簡歷投遞郵箱hr@ifanr.com

?? 郵件標題「姓名+崗位名稱」（請隨簡歷附上項目/作品或相關(guān)鏈接）