深度探讨：从 OpenClaw 爆火，看 AI Agent 的真相与程序员的未来

导语近期以 OpenClaw 为代表的自主智能体Autonomous Agent火爆技术圈。这些宣称能“完全接管电脑、自主写代码”的 AI 到底有多神在狂热的炒作背后技术落地的真相是什么AI 真的要干掉程序员了吗今天我把我最近和内部同事研讨中我表达的内容以问答的方式提炼出来来聊聊 AI 时代的真实现状与未来。一、 祛魅“网红”智能体爆火背后的炒作与技术真相Q最近像 OpenClaw、Manus 这类完全接管权限的自主 Agent 非常火甚至一码难求。作为一线开发者您实际体验下来的感受是什么xindoo简单粗暴地说目前的爆火有很大的“蹭热度”和“炒作”成分。它的热度配不上它实际能产生的价值。背后的推手主要有两拨人一拨是技术自媒体为了炫技找素材另一拨是云厂商为了卖服务器和卖 Token。对绝大部分真实研发场景来说这些工具并没有产生增量价值。很多研发同学甚至对这种莫名其妙的爆火感到抗拒或不屑。为什么因为从技术视角来看它的底层实现其实非常粗糙。比如它的“记忆”能力并不是用了什么高级的工程化实现而是简单粗暴地将对话记录写进本地文本文件里。总体来说目前它更偏向于一个纯技术的 Demo而不是一个成熟的生产力工具。Q既然实现粗糙那为什么它们还能引起这么大的轰动它们和之前的普通 Agent 最大的区别是什么xindoo因为它的设计理念确实很超前满足了普通人对 AGI通用人工智能的最终幻想。它和以前那种只能查查天气、在固定上下文里对话的 Agent 有两个本质区别极高的权限与自主性相当于你把电脑的全部权限交给了它这也带来了巨大的安全风险导致很多大厂明确发文禁止员工使用。自我进化的能力这是最大的亮点。你可以把它当成一个聪明但没经验的小孩在交流中它能自己生成“Skill技能”甚至能够修改自己的 Prompt提示词去调整人设和逻辑。这种开放了自身迭代权限的设计是之前市面上很少见到的。二、 Agent 的底层逻辑大厨、菜谱与工作流Q您刚才提到了“Skill技能”在 Agent 的体系里我们应该怎么通俗地理解 Agent 和 Skill 的关系xindoo业界对 Agent 有个明确的定义大语言模型 记忆 工具调用。而“Skill”本质上就是**“工具 工具的使用说明书”**。打个比方Agent 就是一个“人”Skill 就是书架上的一本本“书”比如《粤菜制作大全》、《家电维修手册》。如果你这个主 Agent总管收到一个做“佛跳墙”的任务你可以创建一个叫“大厨”的 Agent把所有关于做菜的 Skill书都丢给它。大厨拿到任务后会在书架上找到《粤菜大全》翻到佛跳墙那一页按部就班地去执行。Q既然自主 Agent 那么聪明为什么现在的企业级线上产品如各种智能客服、内部审批 AI基本还在用 Workflow工作流xindoo因为自主 Agent 是个黑盒为了达成目标它会不断去试错在这个过程中会消耗海量的 Token成本极高而且结果不可控。目前线上应用、大规模落地的唯一选择就是 Workflow工作流。工作流本质上是“AI SOP标准作业程序”。人类把关键节点的规则Hard Code写死让 AI 只在特定的节点里发挥作用。这是一种折中方案虽然失去了部分自主性但换来了极高的容错率和强确定性。三、 软件工程的重塑AI 会取代程序员吗Q有很多报告指出 AI 正在重塑各行各业您觉得目前 AI 渗透率和落地最成功的领域是哪个xindoo绝对是软件工程写代码。有数据显示目前全球 AI 消耗的 Token 中有 50% 都是用于软件工程的。AnthropicClaude 的母公司的报告指出编程领域的“AI 曝光度”已经高达 75%意味着 75% 的编程任务 AI 是可以完成的。他们内部现在已经开启了“全员编程”模式连财务都在用 Claude Code 搓代码。Q那是不是意味着程序员面临大规模失业底层代码已经不值钱了xindoo可以用美团王慧文的一句话来概括“以前我们以为中国 SaaS 会像美国 SaaS 一样值钱现在看美国 SaaS 会像中国 SaaS 一样不值钱”——因为代码真的不值钱了。从就业市场的数据来看初级程序员的招聘需求正在大幅度下降但对中高级程序员目前影响还不大。为什么因为 AI 生成基础代码的能力远超绝大部分人类包括代码规范、高并发的规避等只要你 Prompt 给得到位。在 Demo 级别的小项目上提效是几十倍的一个不懂安卓的产品经理用 AI 也能一天写出一个可运行的 App。但是搭建系统级的大型工程依然离不开人类。AI 受限于上下文和业务背景知识很多隐性知识只存在于人的脑子里没有被数字化。未来的高级程序员将不再是“写代码的人”而是“指导 AI 怎么写代码的人”角色会快速向架构师或 PM产品经理转变。四、 AI 落地成本与企业的战略选择Q我们在探索 AI 结合传统业务比如智慧工地、视觉识别时目前最大的痛点是什么xindoo最大的问题永远是成本。比如我们之前尝试用大模型做监控摄像头的特定目标检测能力上它是达标的但单独调用的成本太高了。用传统 CV计算机视觉模型千张图检测只要几分钱用大模型千图检测便宜的要几块贵的要十几块中间存在上百倍的成本差距。当成本降不下来的时候很多场景就无法形成商业闭环。Q对于大部分公司来说面对大模型技术的内卷应该采取什么样的战略部署xindoo我坚决不建议普通公司去卷基础模型的研发除非你是字节、阿里这种为了不掉队的巨头。绝大多数公司应该全面拥抱应用层享受“确定性的技术红利”。比如前两年 GPT-4 刚出时 100 万 Token 要 30 美金现在 DeepSeek 出来后超越 GPT-4 能力的模型只需要 2~4 块人民币。我们要做的就是等等巨头们把模型能力提上去、把算力成本打下来一旦某个场景的成本和收益打平我们就直接拿来规模化应用。五、 终极思考AI 与人类社会的博弈Q从长期来看您觉得 AI 会完全替代人类的工作吗xindoo从技术能力上我从来不怀疑 AI 具备替代所有人的能力。AI 替代一项工作不取决于这个工作有多难只取决于这个工作的数字化程度这也是为什么编程最先被颠覆。但是从社会关系和组织结构来看不会马上发生完全替代。一方面是“组织惯性”裁员和架构调整需要过程另一方面社会中存在很多“关键决策者”。比如医学诊断即使 AI 诊断率超越了人类专家顶级的医学大佬和现行体制也会出于责任划分、伦理等原因去阻挠和限制 AI 的直接拍板。最后在这个时代AI 替代的不是人而是那些不使用 AI 工具的人。未来个人最核心的竞争力将回归到对产品、对用户真实需求的理解上。