Openclaw 教育行业影响

最近呢，我们全公司都部署了 openclaw， 我 自己也给自己捏了两个龙虾助理，但是用着用着，我就忍不住开始思考一个灵魂问题，为什么 openclaw 只能诞生在美国？ openclaw 上个月生态出来之后，全球爆火， github 上有二十五万个新标，瞬间标到第一名， 中国反应快不快？非常快！小米瞬间做了 meclaw， kimi 做了 kimi claw， 腾讯、阿里、京东、火山引擎全部一键部署， 不到一个月，大厂全部上线。上周四你应该刷到新闻对不对？就是腾讯直接在深圳总部楼下摆摊，免费帮你装 openclaw， 从两岁到六十岁的人全部都去了，还有人专门从云南飞到深圳，到了厂之后发现号没了。但是你发现了没有，像 meclaw， kimi claw， 腾讯、阿里这些一键部署， 全部都是嫁接在 openclaw 上的，中国速度世界第一，但是底座不是我们的。所以今天呢，我想认真的去聊聊这个问题，不是为了捧谁踩谁，而是帮你看清楚中美两种创新范式的根本差别。 如果你不同意，欢迎在评论区怼我。首先呢，想跟大家聊一聊美国一个非常特别的群体，这个群体呢，叫做独立开发者，这是中国非常非常缺乏的一个中间层。这些独立开发者呢，他们是不上班的，非常的自由，他们靠 get up 上的声望来建立个人资本，然后通过 patreon get up sponsors 去变现。 比如说像美国的顶级风投，哪家一个开源项目，我们所说的一人公司 openclaw， 其实就是一个 杰克 peter stanberger， 他 是个奥地利人，他的上一家公司卖了之后，他就闲不住嘛。然后他觉得，哎，让 ai 去操控电脑这件事情实在是太有意思了，那我干脆就把它做出来，然后把它开源吧。 没有商业计划书，没有 bp， 甚至都没有想过他做完成能不能赚钱，靠的就是一个无功力的创造冲动。这种无功力的创造冲动在中国开发者社群里其实是非常稀缺的。 中国的开发者生态，你仔细观察，两级分化，要么呢就在大厂里上班，九九六 kpi、 o k r， 要么就干脆直接出来创业，然后就想着怎么去找融资做产品，然后跟投资人讲我的变线路径 中间层呢？没有这个生态位。再说一遍，没有靠开源项目活着的这个生态位，你说 deepsea 不 就是开源吗？啊不不不不， deepsea 的 背后那可是换方量化几十亿算里砸出来的。然后公司选择性开源，不是草根，因为热爱而开源，所以你就会发现很难有一些像 openclaw 这样的东西。 第二个，你在中国，你想做一个开发者工具，你去找投资，投资人问你的第一个问题永远都是，哎，你用户量多少？你怎么变现？答不上来，是不是啊？好 不同。这并不是中国创业者不想做开源工具，而是做工具本身就很难活下去，很难形成商业闭环，激励结构不同，那么结果就是不同。所以在中国，大厂出了非常多很厉害的产品，比如说海螺视频、豆包新业， 但是其实出不了 openclaw， 中国能造工具，但是是很难去找到那些开源社群的，而 openclaw 的 核心恰恰就是社群。还有一个原因我觉得大家其实都是知道的啊，就是 openclaw 的 最初八百八十个贡献者是来自于几十个国家一起的，他们靠的就是 getup、 discord、 twitter 去实时的去写作，而中国开发者访问这些平台都非常的困难，所以说每多一层摩擦，就会筛掉一群参与者，开源社群的爆发需要的就是 零摩擦。还有一个角度我觉得很多人是没有想过的，就是 openclaw 为什么能成？不是因为代码好啊，是因为它在创立之初，它是一个不属于任何一家公司的状态，像 linux 当时为什么能够成为全世界服务器的操作系统，就是因为它是中立的。你想想看， openclaw 其实已经成为了 ai 时代的 linux， 那阿里接入了，腾讯接入了，字节也接入了，为什么？因为它是外人的，大家接了都不会吃亏。你想想看，如果是阿里推出了一个阿里 call， 你 觉腾讯会接吗？你觉字节会接吗？ 公司怎么可能把命交到竞争对手手上呢？你可能会说， openclub 不 就是上个月也被卖给 openai 了吗？他不是也没法中立了吗？来，带你看看细节。 steinberger 他 人去了 openai， 但是 openclub 本身转入了独立的基金会，所以 openai 是 赞助方，他不是拥有者。 为什么呢？因为 open ai 知道，一旦 opencloud 变成了 open ai 的 产品，那么它的竞争对手包括 antropic， 包括 google， 或者是中国的这些大模型公司全部都会撤，那么生态瞬间崩塌， 所以中立性能看出来它有多值钱。所以最后我想说，如果中国真正的想要成为技术领导者，那肯定不是在砸钱去做一个更大的模型，而是要培育那个不为赚钱只为创造的 开发者中间层，而这些人在我看来一定都是异人公司。这也是为什么我们要做 cohen politics academy， 我 们的宗旨就叫做 build solo scale global， 一个人一个想法也能改变世界，其实就是 open claw 这样的公司，但是前提就是这个社会它得允许你先不赚钱的去折腾一段时间，不为别的， just for fun。 好 吧，今天就说这么多啦，那么你觉得中国什么时候才能长出来这样的土壤？评论区聊聊。

最近大家都在养一只龙虾，这只龙虾就是 opencloud， 它在各行各业都非常火，尤其在我们教育行业。您可能还在疑问，它到底是什么？和普通的 ai 有 什么区别？它能给我们带来哪些实际的帮助？ 传统 ai 大 多执行的是固定的任务，比如翻译，比如图像识别，比如错题分析，更多的是被动性的工作，你问他答，根据指令完成任务。 而 opencloud 不 一样，它能够根据学生的学习情况，主动的调整学习任务，就像一个智能助理，或者是你的数字分身， 能够实时的反馈，并且提供个性化的建议。举个例子，学生做错题， opencloud 不 仅能指出错误，还能够生成适合的练习，帮助学生快速提升。 不只是停留在你问我答，而是能够真正的去干活，这也是 opencloud 和普通 ai 最大的区别。普通 ai 是 静态的工具，而 opencloud 能够动态的、个性化的辅导。 对于教育工作者来说，特别是学习力从业者， openclot 能够自动化处理、分析和反馈，充当伴读教练的角色，让你有更多的时间关注学生更深层次的成长，而不是被琐碎的任务困扰。那么， openclot 何时能够实现这些功能呢？ 从目前的技术进展来看， openclot 已经在许多教育场景下开始运用，未来两到三年，它将更成熟的运用到各个领域， 我们原研职也将第一时间地介入。因此， opencloud 不 仅是工具，它代表了教育行业的智能化转型。未来智能教育将不再是梦想，而是即将到来的现实。

open club 啊，最扎心的地方不在于他有多强，而是经历上一代教育的职场人或者成人费劲安装了之后啊，百分之九十以上的人第一次发现一件事情，那就是根本不知道让 ai 干什么。 而更扎心的是，我们现在教育出来的孩子，可能情况更严重。所以啊，现在很多家长一看到这个 ai 就 焦虑， 那别人用 ai， 那 是不是我家孩子要赶紧学呢？往往没有意识到 ai 呀，不是改变人， ai 是 在放大人，如果你家孩子是特别主动的人，那 ai 会把你放大。如果你家的孩子是被动的人，那 ai 也会把你家孩子的被动放大。所以，很多孩子一遇到 ai， 第一反应 不是兴奋，而是除了找答案，我到底还能用它来干嘛？为什么会这样？因为我们的孩子从小就被训练的能力只有一个，那就是完成任务，老师布置什么，那我就完成什么，考试考什么，那我就学什么， 标准答案是什么，我就背什么。那时间久了，孩子呢，就会越来越会执行，越来越不会发起 ai。 大 神卡帕西说过一句很有名的话，就是 agency 大 于 intelligence， 它的意思就是说，能动性啊，比聪明更稀缺未来呀，最值钱的人不是最聪明的人，而是能自己发起事情，自己推动事情，自己完成事情的人。 所以现在家长啊，不要只盯着这些工具，要先盯着三件事。第一，多问一句，你最近对某件事情有什么想法吗？ 第二，给孩子一点空间，多鼓励孩子自己去发起一些事情。第三，让 ai 帮孩子扩展落地想法，而不是只用来找答案。

清华教育学院和计算机系联合团队刚刚开源了一个叫 open my eyes 的 项目，一夜之间 x 上帖子浏览量突破十万 k， tapp 刚上线就被疯狂围观，被称为教育界的 open club。 openclop 火成啥样大家都知道。 kitetop 新标干到二十八万， clop 上有超过两万个技能包，编程办公、数据分析、浏览器自动化，你能想到的几乎都有，但有一个领域始终是空白。教育， 你想让 openclaw 帮你上一堂完整的课，从课间制作、语音讲解、互动讨论，到作业批改，这套流程龙虾完全干不了。现在这个缺口被补上了。而且清华这次玩的不只是把课录下来， 他是让 ai 自己当老师，自己当同学，自己在课堂上举手提问。今天我想聊的不是这个技术多牛，而是另一件事，当 ai 能帮你把专业知识一键生成成一门课。每个懂业务的人都迎来了自己的知识变现红利期。 咱们先花一分钟看懂 openmic 到底干了什么。它的核心能力可以拆成四层。第一层，一键生成交互式课堂， 你只需要上传一份 pdf， 或者输入一句话需求。比如，我是文科生，帮我从零学 python， 帮我分析一下 deepsea 最新论文，它内置的 plan 智能体会，自动做内容规划，然后生成四样东西， slides 可导出的 ppt 课件，支持图片、视频、 quiz 客观题加主观题， ai 自动判分。交互式网页，可示画，可互动的界面，可导出 html。 ppl 项目学习多智能体协助的任务场景。 第二层， agentic 课堂播放引擎，生成完课程不是终点，点击播放， ai 老师开始通过语音授课，他会自己决定什么时候高亮重点，什么时候用激光笔指向关键区域，什么时候在白本上画图。他不是照着念稿子，是真的在讲课。 第三层，多智能体沉浸式课堂这是 openmind 最颠覆的地方。课堂上， ai 同学会突然举手提问。比如讲相对论时，一个叫阿强的 ai 同学会问，为什么光速是宇宙的限速？ 你可以旁观 ai 们的圆桌讨论，也可以随时插话底层用 lan graph 调度讨论。不只是口头， ai 老师会当场在白板上演示为什么多智能体这么重要。 团队说了一句话，我特别认同，教育里要做的具体任务太多了，批作业、讲课、画白板，每一个都需要不同的智能体来完成。单智能体永远只能把单个环节做好，很难形成生态角度的教育创新。第四层，开源可扩展， 它支持所有主流大模型 t t s a r i。 接口齐全，一键部署到本地课件，可导出为 ppt 和 html 最关键的数据。在这里，一个课间两美元三十分钟，成本只有传统默 o c 背课的千分之一。你可能会问， ai 上课能靠谱吗？ 清华团队用两年时间回答了这个问题。二零二四年春，他们在刘志远教授的卖相通用的人工智能课上第一次测试。这个用 ai 来教 ai 的 玩法，直接吸引了七百人报名，引发超十万条互动。 随后，教育学院做了一场大规模随机对照实验，他们把真人刘志远 ai、 刘志远慕课刘志远三个版本正面 pk 结论发在顶刊上。一句话， ai 老师显著优于真人老师。学生测试正确率从百分之四十五点七提升到百分之七十五点三，人均互动次数达到九点一，加减三点二次，每课时形成提问、回应、追问延伸的深度对话链，百分之八十九的学生表示愿意继续使用。 二零二五年三月，他上线国家智慧教育公共服务平台，累计访问超两千万次。二零二五年八月，他随清华录取通知书发给每一个新生。每个清华新生的第一门课就是 ai 课，传统默课的完课率长期在百分之五以下， 而这个平台的学生玩课率直接飙到百分之四十以上，是传统模式的八倍。这说明什么？说明当 ai 真的 能因材施教的时候，学习效果会发生质变。讲这么多，我想让你想清楚一个问题，当 ai 能帮你把专业知识一键生成课程，你手里的懂变成了什么？ 以前，你想把你的行业经验变成一门课，需要什么？你要写竹子稿，要请人拍摄，要剪辑、要配字幕，要设计互动，要运营推广，一个人根本干不了，得组团队，花钱花时间，门槛高到绝大多数人只能想想， 现在呢？你只需要打开 openmeic， 输入一句话，我是有十年经验的劳动法律师， 想做一个给中小企业的用工风险课，三十分钟，要有案例，有测试。三十分钟后，一门完整的交互式课程就出来了。有 ai 老师讲课，有 ai 同学提问，有随堂测验，甚至能导出 ppt， 你 自己改 成本两美元，时间三十分钟，这不是帮你省时间，这是让知识变现这件事儿从工业化变成了手工作坊。不对，是连手工作坊都不需要了，你只需要动嘴。 club 上有两万个技能包，编程、办公、数据分析，但唯独教育是空白。为什么？ 因为教育最难的不是做课间，是互动和因材施教。 openminds 用两年时间把这块最难啃的骨头啃下来了，现在轮到懂业务的人来填这个空白了。 你是律师，可以做出劳动法避坑指南的系列课。你是设计师，可以做出给甲方提案的十个技巧。你是跨境电商卖家，可以做出新手选品。避坑课。你是心理咨询师，可以做出情绪管理三十讲。每一门课都是你专业知识的数字资产， 它们可以一次生成，无限分发，持续迭代。而且别忘了， openmic 是 开源的，部署在你本地，数据完全归你，这意味着你积累的课程库、学生反馈、互动数据都在你自己手里。 这不是给别人打工，是在建自己的知识王国。你的专业知识终于可以量产了。当 ai 员工帮你干活， ai 课堂帮你传播，你就不再是一个打工的人。你是一个经营知识资产的人。 你的行业经验，以前只能一对一服务客户，天花板很低，现在可以变成课程一对多，无限分发你的业务能力。以前只能靠时间换钱， 现在可以变成数字资产持续产生价值。这和我一直在讲的一人公司系统逻辑完全一样。我们的一人公司系统帮你把业务跑成 sop， open my eyes 帮你把知识跑成课程。一个帮你干活，一个帮你传播。未来十年最值钱的人，不是代码写得最好的，不是模型调得最牛的，而是那些既有业务深度，又能把深度变成资产的人。 最后，留一个问题给你，如果你有一个机会把你在行业里最懂的东西做成 ai 课程，你会选什么主题？ a。 专业技能 b。 行业经验 c。 兴趣爱好 d。 人生感悟？我是宝金帮一线业务玩家，用 ai 放大能力，关注我，带你穿透信息迷雾，看清科技真相，帮创业者驾驭 ai 数字员工，打造一人公司专属的数字员工军团，我们下期见！

最近呢，养龙虾爆火，连腾讯、阿里、百度字节这些顶级大厂都排着队要下场。这个龙虾是真的能帮你真正干活的 agent。 以前呢，你对 ai 说，帮我做个 ppt， 他 只会给你列个大纲，剩下的内容呢？ 哎，说实话，大家心里应该也有数， open club 不 一样啊，给他一句指令，帮我把桌面员工信息整理成一个 excel， 发给对应的负责人。那他就像一个助手，自己打开文件，清洗数据，整理成一个 excel， 发送，全程不需要你去动一根手指。 深圳呢，已经有了公务员，养起了政务龙虾，专门处理民生投诉，连政府都在用了。这不再是趋势，而是正在发生的事实。 ai 已经能够替人类干掉所有的苦力活，这意味着什么呢？未来的竞争不再是体力的博弈， 而是一个人抵过一只团体的超级个体时代。而这场变格，正在悄悄地拉开孩子之间的差距，不是智商，不是天赋，是会不会用 ai 思维解决真实问题的能力差距。作为带过大几百个课程娃的老师，分享三个我们学员都在用的方法， 让孩子从消费者变成开发者。第一，把 ai 当技术顾问，而不是什么高级的百度自然课作业。普通孩子搜绿萝怎么养，然后记录下来。可以试着带孩子拍下植物照片，问 ai， 叶子发黄了，帮我分析原因，我该如何抢救？你看啊，这一下子， ai 就 成了技术顾问，孩子一下子就成了项目负责人。这就是第一步，不再寻找标准化答案，而是寻找定制化的解决方案。第二，用 ai 盖工厂，而不是找答案。有些孩子用 ai 是 为了偷懒找答案。 我们的学员呢，是把 ai 当成研发部经理，想玩游戏不是去下载，而是对 ai 说帮我做一个飞机大战的游戏等等等等。孩子不仅是在玩，他是在定义规则、训练逻辑。让孩子明白， ai 不是 用来消磨时间的，它是用来缩短 从想法到成品距离的超级引擎。第三，保护孩子的好奇心。当知识成本归零，提问和批判的能力才是核心。有学员问我，为什么鱼生活在水里面却不会溺水啊？我没有直接给他答案，而是让他自己去问 ai， 而且让他看看 ai 的 回答有没有漏洞。结果孩子发现， ai 机械地解释了渔家的工作原理，却没有指出溺水本身就是针对于肺呼吸生物的那一种定义。 那一刻，他不是在被动地接受知识，而是在审视知识。 ai 让知识贬值，但也让一个有好奇心的孩子能释放出远超过去几十人的力量。今晚吃饭的时候问问孩子，如果你有一个能够帮你干任何事的 ai 助手， 你第一件事想让他来做什么？答案，很有可能会给你惊喜。欢迎在评论区分享孩子那些脑洞大开的想法，我在评论区等着你。

普通家庭最该砍掉的六个吞金兽，兴趣班全是无效托举！普通家庭最该砍掉哪些兴趣班？ openk 小 龙虾总结了六条避坑指南，全是过去踩过的坑，回头看才发现，很多兴趣班都是智商税。 如果你家孩子还在上幼儿园、小学，这些兴趣班千万别报，纯属浪费钱和精力。用好 openk 小 龙虾总结的平替方案，能帮你省下大几万冤枉钱，特别适合普通家庭。 一、学拼音没必要掏钱报班，直接搜全国中小学智慧平台就行，从小学到高中的课程全都有，再把拼音儿歌七十七首打印出来，让孩子边读边学。我家娃就是这么学的，一分钱没花， 拼音基础打的特别扎实，需要的家长留拼音儿歌。二、乐器类兴趣班是普通家庭最大的智商税，除非准备走专业路线，否则没必要学。很多机构使劲推着孩子去考级， 考完之后才发现对孩子未来的发展没有丁点帮助，最后只剩一堆放着吃灰的考级证书，哪怕付出了大量的精力，孩子也只是能熟练的弹出来而已。普通人为此花个小几万值得吗？三、学英语别花冤枉钱报外教课，动画片就能代替，一节外教课两百六十块， 一周上两节课，一学期下来，孩子单词没记住几个，钱包倒是瘪了不少。其实现在国际幼儿园都在用这三部英语动画，第一部 vow english 适合二到六岁的零基础孩子看这套动画，开开心心就能掌握小学百分之九十以上的英语词汇和句型，很多国际学校和幼儿园都在用它做课堂教学视频， 十分钟一集，语速很慢，脑洞百出的表演特别能抓住孩子的注意力，完全不费妈。第二部， hello carry 自然拼读想学自然拼读但是词汇量不够或者记不住规则的孩子，这套动画绝对是救命法宝。一共五十集，分别学习二十六个字母和组合发音，规则节奏洗脑，表情夸张，配上图片， 孩子一看就懂。第三部， blip 三到十岁，有一些基础的孩子可以看这套动画，不知不觉就能积累两千家词汇。他所有的拍摄场景都是真实的 消防局、面包店、工厂、雪山等等，简直就是孩子认识世界的云课堂。而且主人公搞笑的解说和夸张的肢体语言，感染率超强，我家儿子看了一年都看不腻，还增长了很多见识。三部英语动画打包好了，需要的家长留英语动画。四、 全脑开发班本质就是高价玩具，每周花三百块带孩子去机构玩积木，不如在家教孩子洗碗扫地、整理房间，这些家务活 既能锻炼孩子动手能力，还能培养思维能力，效果比上全脑开发班好多了。五、盲目报各类特长班，不如尝试发掘孩子天赋特长，家长需要弄清楚你家娃的优势是什么，教育本应该因此施教，我就特别关注我家孩子这方面的小聪明。耶鲁大学教授总结的天赋测试表你们听说过没有？ 六十道测试题挖掘孩子的潜能特别准，我能发现，儿子从小就异于常人的语言天赋，全靠他需要的家长留天赋测试表。六、见世面没必要去研学营，不是非要花大钱才叫见世面，走马观花也学不到什么， 花几百去挖菜抓鱼意义不大。当地不要钱的博物馆、展览馆、十块钱的动植物园都可以去。这份低成本见世面的一百件小事，既能让孩子增长见闻，还能增进亲子之间的感情，何乐而不为？ 需要的家长留一百件小事由于时间有限，我把上面提到的三部英语动画、拼音、儿歌、天赋测试表一百件小事都整理在兴趣班平替里面了，需要的家长留平替。

openclaw 这次真正开放的不是上下文长度，而是 ai 的 记忆管理权。你有没有遇到过这种情况？跟 ai 聊了很久，背景、需求、约束条件都已经讲清楚了，结果你再往下追问几轮，他突然开始答非所问。像前面没聊过一样， 很多人会把这件事简单理解成一句话， ai 失忆了。说的再准一点，不是 ai 天生记性差，而是他能不能记住，会忘掉什么，该在什么时候把哪些信息带进来。取决于两层能力， 模型层上下文窗口到底有多大，系统层信息怎么组织、压缩、筛选、交接。昨天， openclaw 发布了新版本，带来了一个叫 context engine 插件化的更新。一句话说清楚， openclaw 开始把 ai 的 记忆管理做成一层可替换、可编排、可按场景定制的系统能力。这件事重要的地方不只是让 ai 少忘一点， 更关键的是，以后 ai 怎么记、怎么丢，怎么在多个 agent 之间交接。终于不用继续写死在主程序里了。先把一个常见误解讲清楚， 上下文长不等于记忆问题消失。一说到 ai 失忆，很多人第一反应都是上下文窗口不够大。这话没错，不过只说了一半。现在已经有一些模型支持很长的上下文，甚至能到 e m token。 窗口够大，这个问题是不是就自动解决了？也没那么简单，能装下更多内容。解决的是容量问题， 哪些内容应该优先保留，优先调用，什么时候交给别的 agent， 什么时候该压缩成摘药，解决的是管理问题。这是两件事， 你和 ai 一 直在同一个县城里连续对话，总内容也没超过模型窗口，它理论上完全可能记住你半小时前说过的话。尤其在超长上下文模型上，很多短期对话根本还没到必须压缩的地步。 一旦进入下面这些场景，单靠大窗口就不够了。对话特别长，信息层次很杂，系统为了成本和延迟主动做 compact， 一个任务拆给多个 a 阵子协做用户，跨县城、跨天跨任务，继续工作。 你不是想全记住，你只想把最重要的记住。更准确的说法，不是 ai， 不是 不想记住，是真的装不下，而是 ai 能不能稳定记住。重点既取决于窗口有多大，也取决于系统怎么管理记忆。 openclaw 这次开放的正是后者。 opencll 这次到底变了什么？在 context engine 插件化之前， opencll 本来也会管理上下文，只是这套逻辑主要是内置的，固定的，你可以把它理解成这样。你的对话， opencll 内置记忆管理逻辑，组装上下文发给模型，问题不在于它不能用，问题在于几乎所有场景都在共用一套处理思路。 现实里，不同行业、不同岗位、不同 agent， 对 什么信息重要的定义差得很远。客服最怕丢的是承诺、订单状态、纠纷、时间线、 内容团队最怕丢的是风格、规则、爆款、判断、平台差异。教学团队最怕丢的是知识掌握度、错误类型、前置依赖关系、记忆策略写死了，你最多只能在 prompt 里一遍遍提醒他这个重要那个。别忘过去很多 ai 产品就是这个状态， 你可以调说话方式，很难真正调记忆结构。 context engine 插件化之后，结构变成了这样，你的对话 context engine 插件组装后的上下文发给模型，变化点就在这儿，记忆怎么处理这件事被抽成了一层独立能力以后，行业能力不一定非得改主程序也可以长在这层上。 同一个模型换一套 context engine， 工作方式就可能完全不同，这才是它向架构升级的地方。七个钩子本质上是在开放信息生命周期。 openclaw 这次开放了七个生命周期钩子名字看起来偏技术意思，并不难懂钩子与含义。 both trap， 对 话开始时先加载哪些背景信息？ ingest 新消息进入时，这条信息怎么分类怎么规？当 assemble 准备回复前，这次回答该带哪些历史信息？ compact， 上下文压力变大时，哪些该保留？哪些该压缩？ after turn 一 轮结束后，这轮产生了什么值得长期留下的结论？ prepare sub agency bond 要子代理前该向下一个 agent 交代什么？ on sub agent， ended 子代理结束后，子代理结果怎么合并回来？这七个钩子加在一起开放的不是某一个小功能，而是信息从进入系统到离开系统的整个生命周期。 它的意义也不只是窗口快满了时怎么摘药，还包括新消息进来时先怎么理解。回答之前该把哪些旧信息重新拿出来，多 agent 协助时怎么交接？一轮结束后哪些内容该升级成长期？结论， 这已经不是补一个压缩插件的级别了，为什么超长上下文模型也还是需要这一层？这里特别值得讲清楚，不然很容易把问题理解偏。一个模型真有很长的上下文，系统也愿意每轮都把所有历史原封不动塞进去，它确实能记住更多内容。 产品真正跑起来，问题通常没这么简单。第一，大窗口只是把问题往后推。 e m token 听起来很大，复杂任务照样可以很快把窗口吃掉。比如长周期教学辅导、带文档、图片、规则库、历史案例的企业场景，多 agent 之间反复传递上下文，用户连续几天在同一个主题上推进工作。窗口更长， 只是让什么时候要整理信息来得更晚，不代表永远不用整理。第二，装得下不等于每次都能抓住重点模型技术上看得到前文，不代表它每次都能稳定抓到关键部分。 上下文越长，噪音越多，很容易出现一种情况，前面的重点并没有消失，只是在一大堆信息里被冲淡了。这时候你需要的不是更大的仓库，是更好的分拣系统。 第三，真实产品还要考虑成本、延迟和协作。每轮都把超长上下文完整送进模型，代价很高，更贵更慢，工程上更重。很多任务也不是一个 agent 单独完成的， 一旦进入多 agent 协作，问题就会从记不记得变成该把什么交给谁。所以更准确地判断是，超长上下文模型会缓解短期遗忘， 不会替代记忆。管理层真正能打动行业用户的地方，在于，你到底懂不懂他们的业务细节。你想把这件事讲给行业里的人听，不能只停留在 ai 记忆更好了，行业用户不会被这种泛泛的说法打动。他们更在意的是，你到底知不知道在我这个业务里，什么信息死也不能丢，什么信息丢了也无所谓。 下面不讲抽象概念，直接讲三个行业里更具体的业务场景。场景一，电商电商是最容易理解 context engine 价值的行业之一，因为电商天然就是一个多岗位、强协做、信息密度极高的行业。 一个成熟一点的店铺，至少有这些角色，客服、选品、运营、投放、售后、质检、供应链。过去大家总幻想一个 ai 帮我全干了，真进到业务里，很快就会发现，不是一个 ai 不 够聪明，是不同岗位关心的信息根本不是一类东西。 一，客服 ai 最重要的不是聊天记录，而是承诺和纠纷链路。很多人以为客服 ai 的 核心是会回复话术，不是客服场景里最关键的信息，通常是这些 用户是谁？新客还是老客？下过几单？最近一单是什么时候？这次投诉对应哪个订单，哪个 sku， 哪个批次？问题？是质量问题？物流问题？还是发票问题？ 已经承诺过什么？补发、退款、赔付？二十四小时内处理？客户现在是什么情绪？催促？愤怒？失望？准备投诉？平台有没有高风险标签？要差评？要投诉，幺二三幺五要发社媒曝光。真正不能丢的不是聊过很多轮这个事实是这条纠纷链路里的关键状态。比如一个很真实的场景，用户进来说， 我上周买的蓝色行李箱，今天第一次用拉杆就卡住了，而且发票抬头也开错了。普通 ai 可能会把这当成一段普通投诉文本，一个懂电商业务的 context engine， 在 in just 阶段就应该把它拆开。 商品问题，蓝色行李箱拉杆卡住，售后类型，疑似质量问题、财务问题，发票抬头错误，情绪等级不满，但还没升级。潜在动作需要查订单、查批次、查历史售后。接下来对话继续， 你们上次也是这样，退款拖了十天。这句话很容易被普通系统当成情绪废话压缩掉在客服场景里，这不是废话，这是历史负面体验，补偿决策的重要参考，克速升级风险的信号。再往后， 如果客服 ai 已经承诺，我们会在二十四小时内安排补发发票，今天也重新处理。这句承诺就必须进入高优先级，不可丢失记忆。 后面一旦转人工、转主管、转售后，或者第二天用户回来追问，系统把这句忘了，整个体验会瞬间崩掉。二、选品 ai， 重点不是卖什么，而是 sku 力度的异常。识别选品这件事，外行很容易理解成找爆款。 真正在店里干过的人都知道，选品不是只看销量，还要看一堆更细碎的信号。某个 sku 最近七天转化率是不是突然掉了？是主图问题，定价问题？还是评价区翻车了？退货率升高，到底是质量问题、尺码问题、色差问题？还是预期管理出了问题？ 某个供应商是不是开始不稳定？同类竞品是不是在低价抢量？某个爆款是真爆还是头流拖起来的假繁荣选品， ai， 该长期记住的根本不是上周卖的不错这种大白话更接近这种结构化状态。 s k u a 近十四天退货率从百分之四点一升到百分之八点九，差评关键词集中在拉链卡顿，颜色偏深， 同款竞品价格低百分之十二，评分只有四点三，新供应商报价便宜百分之十八起，定量翻倍且焦期不稳定，这些东西才是后续决策的依据。他不一定要求逐字保留所有评价原文，他必须知道哪些结论该沉淀下来。三、投放 ai 最怕丢的是人群、素材、转化、质量的关联。投放不是看个 ctr 就 结束了， 真正做过投放的人，最烦的一种情况就是点击率很好看，最后退货率也很好看，也就是说，你买来了流量，买来的不是你想要的用户。 投放 ai 不 该只记哪个素材 ctr 高，他还要知道哪个素材吸引了哪类人群，哪类人群进店转化高，售后率也高。哪类人群客单价高，首单转化慢，哪个投放时段 roi 高、复购差，哪些包该拉黑，哪些包值得放量。一个成熟的 context engine 在 这个岗位上的价值，不是多记一些投放数据， 而是帮系统分清哪些是短期波动，哪些是值得沉淀的人群规律，哪些异常应该通知客服或选品。比如投放 ai 发现某条素材在十八到二十四岁女性里点击率暴涨，对应 sku 的 退款率也同步变高，原因不是广告骗人，是用户对实物材质预期偏差太大。这个结论就不该只留在投放县城里，应该交给商品业优化和客服测。 四、为什么电商特别适合多 agent 加 context engine？ 电商不是同一种信息被很多人看，而是不同岗位各看各的信息，同时又必须互相交接。结论，客服看的是纠纷列录，选品看的是 sku 异常，投放看的是人群与转化质量，运营看的是活动节奏和整体 gmv 这些东西全塞给一个大而全的 agent， 理论上也许能做一点， 很快就会乱。更靠谱的方式是，客服 agent 保留承诺、订单状态、纠纷时间线、选品 agent 保留 sku 级数据、供应链情报、评价模式、投放 agent 保留人群包、素材表现、 roi 与退款联动运营 agent 保留活动节点、库存节奏、促销策略，然后通过 context engine 控制谁该看到什么，谁该把什么结论交给谁。 这才像一个真的电商团队差。一个更接近落地的实战案例，电商售后怎么把 context engine 真用起来？上面讲的是岗位拆分，再往前走一步，真正能打动行业人的不是客服 ai 会寄订单信息，而是这套东西到底怎么接近。业务流程里，这里给一个更接近真实落地的例子。 注意，这不是某家公司已经公开批露的客户案例，而是一个基于 openclaw 官方 contacts engine 接口能力，按真实电商售后流程倒推出的实战化方案。重点不是已经有谁这么干了，而是如果你真要落地，最合理的做法大概会长什么样？假设你做的是箱包类目，日常售后高频问题有这些， 拉杆卡住、拉链损坏、色差、争议、尺寸与预期不符、发票抬头错误、大促期间物流延迟。很多团队第一反应是把所有聊天记录都喂给模型不就行了？真跑起来你就会发现不够。因为售后场景最值钱的信息不是聊天文本本身，而是案件状态。 同一个用户可能一口气提两个问题，客服中途可能要转主管、转仓库质检、转财务，用户还会加待历史不满。比如你们上次退款拖了十天。这些东西如果只是堆在长对话里，模型即使看得到，也不一定每轮都抓的准。 更合适的做法是给售后团队做一个专门的 context engine， 把对话从聊天记录升级成案件流转。第一步， bootstrap 先拉按键底板。用户一进来，不应该让模型从零开始听故事。 更合理的是，在 bootstrap 阶段先加载用户身份、新客、老客、会员等级、最近九十天订单、当前绘画对应的订单号、 sku 颜色、规格、最近一次售后记录是否有历史投诉或平台介入，是否存在未兑现承诺。这样 ai 第一轮就知道这到底是普通咨询还是高风险克诉， 是第一次售后还是历史遗留问题。第二步， ingest 不 把每句话都当普通文本。比如用户说，我上周买的蓝色行李箱，今天第一次用拉杆就卡住了，而且发票抬头也开错了，普通系统会把这看成一段投诉文本。 一个售后 context engine 更应该把它拆成商品问题。蓝色行李箱拉杆卡住，售后类型，疑似质量问题、财务问题、发票抬头错误、情绪等级不满，但还没升级带执行动作，查订单、查批次、查历史售后。接着用户又说，你们上次也是这样，退款拖了十天。 这句话很容易被普通招标当成情绪发泄压掉。在售后场景里，它其实是历史负面体验补偿方案的重要参考。 测速升级风险信号 index 的 本质不是收消息，而是先判断这条消息在案件里属于什么角色。第三步， assemble 每轮直取办案所需信息。当前这一轮要处理的是补发加重开发票。 assemble 阶段就不该把二十几轮对话全量塞回去， 而是优先带当前订单信息以确认的问题类型、用户当前情绪等级、历史承诺发票处理状态，是否已经上传证据。这一步特别像一个老客服在脑子里做的事，先抓主线再说话。 第四步， compact 压的不是字数，是按键结构。这个案子已经聊了二十五轮，普通 compact 可能只会生成一段自然语言专利。真正有业务价值的 compact 更像一份按键卡片、按键摘要 订单二零二六年三月一日下单 sku 等于 luggage 杠二十四杠 blue 问题，拉杆卡住发票抬头错误证据以上传开箱视频和发票截图历时体验。用户提到上次退款耗时十天，当前情绪中高风险已表达明显不满，已承诺二十四小时内补发。今天重开发票未完成事项，仓库确认批次问题 财务重开发票。这时候 compact 已经不是缩短文本，是在把绘画升级成一个可追踪、可继续推进的结构化案件。第五步， prepare sub agency bomb 岗位交接不甩整坨聊天记录假设前台客服 agent 处理到一半，要把问题分给两个下游仓库质检 agent， 判断这个批次是不是拉杆通病。财务 agent 处理发票抬头重开，他在 prepare sub agency 泵阶段，就不该把整段聊天记录原样丢过去。 对仓库质检 agent 真正需要的是 sku 批次质量问题描述、用户提供的视频证据是否已承诺补发，当前需要判断是个案还是批量缺陷。对，财务 agent 需要的是 原发票抬头，正确抬头，当前开票状态、承诺完成时间，你会发现不同岗位根本不需要同一份上下文。第六步， on sub agent 把结果并回案件主线。如果仓库质检 a 证的返回，该批次三月初确实又无起拉杆问题，可直接补发，不必要求用户退回原件再判责。财务 a 证的返回 发票重开申请已提交，预计今天十八点前完成 on sub agent 的 完整聊天记录贴回来，而是把结果升级成主案件状态。 质量问题已确认，不再重复核验，补发方案进入执行，发票重开进行中，下一轮回复重点是安抚用户加给出明确时间点，这样无论是同一个客服 ai 继续回复， 还是第二天转给人工接手，整个案件都会非常稳。为什么这个案例能说明 context n 阵的价值？这里最关键的不是模型有没有 e m 上下文，也不是会不会摘药，而是 你能不能把聊天变成案件，你能不能把原始文本升级成结构化状态，你能不能在多岗位之间做低损耗交接？你能不能保住承诺状态和代办，而不是只保住一段模糊摘要，这就是为什么 context engine 一 旦开放，最先有感觉的往往不是聊天更顺了，而是这类强流程、强状态、强交接的业务场景。 场景二，自媒体内容团队这块，你发自媒体反而更该展开，因为读者会特别有代入感。很多内容创作者现在已经不是不会用 ai， 而是已经进入第二阶段了， ai 能写，写出来总是不够懂。我不够懂，平台不够懂。选择题很多时候不是模型不够强，是系统没有把创作中真正重要的信息留下来。一、选择题 agent 真正重要的是什么？对我有效？不是最近什么火。很多选择题助手的问题在于，他只会告诉你热点，做内容的人知道热点只是原材料。真正值钱的是哪类选择题？在你这个账号上曾经跑通过哪类选择题？你发过数据？一般是选择题不行还是表达方式不行？哪些题适合抖音？哪些题适合葛行书？哪些题适合公众号？ 你的受众对干货、观点、案例、情绪、价值各自反应如何？你现在的账号处在哪个阶段？破圈稳定还是商业转化？比如同样是 ai 工作流，这个题 在抖音上可能要切成三个最容易附用的动作，在小红书上可能要切成普通人也能直接抄的流程模板，在公众号上可能要写成。为什么 ai 产品正在从拼模型转向拼系统层能力？这不是一个小题热度问题，是一个小题与账号结构适配的问题。小题 agent 应该长期保留的不是热点标题列表，而是 过去九十天高表现题的共同特征，某个赛道是否已经内容疲劳？某些旧内容可以翻新，哪些最好别再碰？二、写稿 agent 最怕丢的是风格、规则、改稿决策和平台差异这一块，最容易让内容人破防。你明明前面已经讲过口语话一段别超过三行，开头十秒先打痛点，少讲虚词，多讲判断，结尾别总结一下，直接下观点，结果改到第六稿，他突然开始给你写，首先其次，最后，这不是模型不会写，是系统没有把你确认过的规则提到足够高的优先级。 一个真正适合内容团队的 context engine， 至少要能分清三类信息。第一类，长期风格规则。比如不装专家，用朋友聊天口吻，少写套话，多写判断句，别堆术语，尽量用具体场景。标题不端着，要有一点冲突感。这些东西一旦确认，就应该长期保留。 第二类，本次稿件的创作目标。比如这篇是公众号深度文，不是短视频口播，重点不是介绍功能，是讲它为什么是架构级变化，读者不是程序员，是对 ai 和行业落地感兴趣的人。这些东西应该在本次任务里高优先级保留。 第三类，改稿过程中的关键决策。比如第三版开头最好保留电商例子，反应最好要展开教育，例子容易说过头，必须加边界条件。自媒体案例需要更接地气，更向真实团队分工。这些不是聊天过程，而是创作决策。 很多系统的问题，恰恰是把这类东西当成普通对话压掉了。三、运营 agent 真正重要的是平台规则和账号阶段。不只是发布时间，内容行业里还有一种很容易被忽略的信息，就是平台上下文。 同一篇内容在不同平台跑法完全不一样。抖音看前三秒留存、玩播互动节奏，小红书看封面标题关键词收藏率、搜索承接公众号看标题打开率、阅读完成率、转发率、关注转化一个内容团队如果要做多平台分发，运营 agent 应该长期记住的不是单篇数据本身，而是每 每个平台当前更吃哪种表达。账号现在是涨粉优先还是转化优先？某类内容适合做系列还是只适合打单篇爆发？哪些词最近容易触发限流或审查？哪类封面结构发布时间段在这个账号上更有效？比如公众号场景下，运营 agent 可能会逐步沉淀出这种判断。 纯工具。介绍类文章打开率还行，转发一般带行业影响判断的文章更容易引发收藏和转发。太技术的标题会筛掉一批泛 ai 用户，适合在文中段落加入行业带入感很强的细节，读者停留时间会更长。这已经不是记住我昨天发了什么的级别了， 是在积累一个账号的运营经验。四、为什么内容团队比很多人想的更适合 context engine？ 因为内容创作表面上看像写篇稿子，本质上其实是多个角色在配合。选择题、写稿、视觉、运营、数据、复盘，很多人现在用 ai 卡住，不是因为写不出字， 这些角色的信息全搅在一起了，选择题、逻辑、平台规则、风格规则、爆款判断、复盘结论全在一个县城里乱飞。这时候 context engine 的 价值就特别大，让选择题 agent 更像选题会，让写稿 agent 更像老搭档，让运营 agent 更像会看数据的内容经理，让复盘 agent 真能沉淀，为什么这篇起了那篇没起？这才是内容人愿意长期用的 ai 场景。三、在线教育教育行业的特殊性在于，它不是一次性问答，而是长期追踪一个人的学习状态，这意味着记忆管理在这里特别关键。 一、教学 agent 重点不是讲过什么，而是学生到底卡在哪一层。如果一个初二学生在学英式分解卡在十字相乘法上和 ai 连续聊了半小时，而且始终在同一个县城里，总上下文也没报，那 ai 未必会忘掉前面的讲解问题，不能简单写成聊了半小时 ai 就 忘了。 真正复杂的地方在于，学生做错一道题时，系统要不要知道它错的是哪一类问题？比如同样是十字相乘法做错，背后可能完全不是同一个原因。 不会拆象是概念没懂会拆象，但符号老错是计算习惯问题。能做基础题，遇到先提公音式再十字相承的综合题，就不会判断是方法迁移问题。上一节内容其实没吸收好，是前置知识断层问题。系统只是记住这道题错了，这个记忆没什么价值，有价值的是把它升级成结构化判断。 音式分解总掌握度百分之四十五，提供音式掌握度百分之八十，十字相乘法掌握度百分之三十。错误集中在方法选择，不是纯计算能力。前置知识、整式乘法掌握良好，不需要回退到更基础内容，这些才应该进入长期记忆。 二、出题 a 阵关键不是出新题，而是出对难度对节奏的题。很多人会以为教育里的 ai 出题只要题库大就够了。 教学真正怕的不是没提出，而是明明学生卡在判断方法，结果你一直给他刷计算题。明明学生已经做会了，结果你还在重复同难度题。 明明学生状态很差，结果你突然拔高难度，把他打崩。出题 agent 应该记住的不只是这题做过没有，还包括哪些题做过？最近同类题正确率怎么变化？学生是因为偶发失误错还是稳定不会？现在该巩固升级还是稳定不会，现在该巩固升级还是回退？哪个知识点该按遗忘曲线复现？比如系统应该能沉淀出这种结论。 十字相乘法最近五题正确率从百分之二十提到百分之六十，纯基础题已基本过关，该进入先提公音式加十字相乘的混合题， 每次提量不要太多，避免挫败感。这个层次的信息才是能让 ai 像个老师，而不是提库机器三班主任学习管理 a 阵教育不只有知识，还有情绪和节奏。教育行业还有一个很容易被技术人忽略的点， 很多学习问题不只是知识问题。比如同一个学生，上周还能稳定做题，这周突然效率下降，原因可能是学校考试周整体压力大，家长刚失压，学生情绪抵触，最近睡眠差，注意力明显下降，某次连续做错，信心掉下去了。这些信息，教学 agent 不 一定都需要原样看到， 系统必须知道它们存在，而且知道该在什么时候影响教学策略。比如今天状态差，出题难度降一档。先给一道能做对的题建立信心，课后汇报给家长时，重点讲近期进步，不要只报错题。本周减少新知识推进，优先巩固。这就是为什么教育场景特别需要多 agent 和记忆。分层 教学 agent 关注知识图谱，出题 agent 关注难度编排，班主任 agent 关注情绪、节奏和沟通，三者都在服务同一个学生，看的不是同一种信息，这三个行业放在一起看，会发现一个共同规律。不同行业的业务细节虽然完全不同。对 context engine 的 需求其实有一个共同模式， 不是把更多历史塞给 ai， 而是先定义什么信息在这个岗位里最值钱，再决定怎么留、怎么丢、怎么传。电商里最值钱的是承诺、纠纷、列路、 sku、 异常、人群质量、内容。行业里最值钱的是风格、规则、小题判断、平台差异、复盘结论。教育里最值钱的是掌握度、错误类型、难度、节奏、情绪、信号。这些东西有个共同特点， 不一定是最长的文本，不一定是最新的消息，不一定是表面上最显眼的内容，它们决定了系统后续工作的质量。这就是为什么上下文窗口更大不等于业务表现更好。窗口变大只是让系统能看到更多。 context engine 真正解决的是看到更多之后，别把最重要的东西淹没掉。这次更新真正打开的不是一个功能，而是一个接口层。只从功能视角看，这次更新像是在说， openclaw 把原本斜死在应用内部的记忆管理拆成了一个独立的可替换层。 这层一旦开放，会发生什么？第一，行业能力开始有地方涨。以前很多行业定制只能堆在 prompt 工作流和业务规则里，以后可以直接在记忆管理层长出来。第二，模型差异和系统差异被分开了，一二八 k、 两百 k 一 米。不同模型上下文长度不同， 无论模型多长，你都仍然需要决定哪些内容进入本轮上下文，哪些内容沉淀成长期状态，哪些内容交给别的 agent。 第三， ai 的 个性化开始从调 prompt 走向调结构。以前你只是告诉 ai 应该怎么说，以后你可以进一步决定它应该怎么记、怎么忘、怎么交接工作。这不是一个小修小补，是系统边界在变化。 一句话总结这次更新的价值，如果非要把它压成一句话，我会这么说，更长的上下文是让 ai 看见更多 context engine 是 在决定 ai 应该怎样处理这些信息，前者解决容量问题，后者解决组织问题。模型窗口越来越大当然是好事。真正能进入行业、进入流程、进入岗位分工的 ai， 不 会只靠大窗口硬撑， 它最终一定需要一层独立的记忆管理机制去决定哪些信息重要，哪些信息可以压缩，哪些结论该长期保留，哪些内容该交给别的 agents。 从这个角度看， opencloud 开放的不是一个小插件点，而是一条很关键的演化路径，让 ai 的 记忆系统第一次变得可编程、可替换、可行业务，这可能才是它真正值得重视的地方。

openclo 火了，对学口腔的孩子是好还是坏？最近很多家长在问我，张张老师， openclo 正火， ai 越来越强，以后口腔医学还靠谱吗？会不会被替代啊？ 今天我很负责任的给大家说一句，完全不用担心，反而对学口腔的孩子是更大的机会。大家想一想，牙医真正的核心是什么？是手感，是经验，是临场的判断，是和患者的沟通。 补牙、根管治疗、拔牙、种植牙，每一步都需要医生亲手的操作，精准的控制。 ai 再厉害，他能替代医生拿手机吗？能替代医生做根管预备吗？能替代牙医种一颗牙吗？都不能！ 那 openclore 这类 ai 能干嘛呢？它能帮牙医自动整理病历，辅助看片标记问题，查资料、查指南，减轻繁琐的文书工作。 说白了， ai 是 来当助手的，不是来抢饭碗的。对咱们准备学口腔医学的孩子来说，有三个实实在在的好处，第一，口腔这个专业只会越来越值钱， ai 越发展，越能凸显医生手艺的珍贵。 口腔是手艺活，技术活，越老越吃香，不会轻易被替代。第二，未来的牙医工作会更轻松，更高效， ai 帮你把杂事干完，你只需要专注看病，练技术，工作的幸福感会更加的高，而不是更累。 第三，就业和发展更稳。口腔诊所、口腔医院、公立医院、口腔科永远缺技术好、负责任、会用新工具的牙医， ai 只会放大你的优势，而不会淘汰你。 只要你真心喜欢口腔医学，愿意学一门手艺，口腔医学依然是非常优质、稳定有前景的选择。 ai 不是 对手，是队友，好好学习口腔医学，未来只会越来越好。

说 ai 重塑教育，我觉得这个可能说的有点危言耸听了啊，尤其是最近我们看到的最火的是什么？不就是养龙虾吗？ 甭管，我觉得甭管是你大家的朋友圈或者身边等等啊，很多信息都是在说养龙虾这件事，然后同时这个会说会把，有些人会把这个 ai 啊，包括这个养龙虾这件事，和我们说现在的传统教育进行一个绑定啊，非要说我们的传统教育未来可能就会失效了，而且靠 ai 就 可以干很多事啊，这个我觉得完全不敢沟通。 ai 永远对于我们来说，它就是一个工具，它是个生产资料啊，它不是资本家，它就是个生产资料，人本身才是老板才是资本家，如何运用生产资料去创造价值，这个才是这个在 ai 时代里我们应该考虑的一件事。 未来我相信啊，使用 ai 的 这种成本，学习成本一定会越来越低，越来越低。如何使用 ai 并不是我们教育的一个本质， 这跟教育没关系，他就是一个使用，是一个技能，这是一个未来我们需要具备的一种呃，习惯而已。那么教育给我们带来的更多的应该是理论上的，是，是逻辑上的，是这种思维上的，独立的这种东西，他才是这个最重要的一件事啊。 ai 不 可不会帮你赚钱，如果你没有任何想法的话，你 告诉一下，你去帮我赚钱去，那是不可能的。 ai 做的事是降低门槛，能够更快的、更好的、更便宜的将你的想法变成现实的产品。 但是首先你要有这个想法，同时你的这个想法还不能是不切实际的，而教育的本身实际上就是在培养你如何具备这样的想法，以及当想法遇到问题之后如何解决问题的能力，这个东西才是教育的本质。

opencloud 能爆火，其核心就两个原因，一是它把复杂的 ai 技术变简单，不用复杂的代码，就一句指令就能让 ai 动手干活，这就是低代码强功能的魔力。二就是它的功能特别实用，能够解决很多小麻烦，像自动整理文件、修复代码， 就像一个二十四小时不休息的 ai 小 助手。更重磅的是，深圳龙岗区直接出台了专门支持他的龙虾十条，拿出几百万真金白银给创业者们做福利，全力推广这个超厉害的 ai 工具。看到这里，小朋友们肯定会问，这和我有什么关系呢？其实答案很简单， 这恰恰是我们的一个关键真相。未来会不会使用 ai 是 最核心、最不可或缺的能力。就像小河马一直教大家的一样，编程不是单纯且代码，而是学会和 ai 做朋友，提前掌握驾驭 ai 的 本领。 在小河马的课堂上，我们用图形化编程搭建机器人创作动画，其实就是在锻炼指挥 ai 的 能力，让电脑机器人按照我们的想法行动，也是在提前解锁未来核心技能。 ai 再先进，也需要我们掌握背后的逻辑，而编程就是连接我们和 ai 的 桥梁，是未来驾驭 ai 的 关键。

最近廖仲书记在两会期间说，我一口气砍掉了十六个本业，本科专业方向包括翻译，包括摄影，全砍掉了。这句话一下冲上了热搜，而且破圈了。但我们要客观的看待这件事，这不是唱衰传媒，而是淘汰落后的产物。我跟大家紫玉去说一说，到底淘汰的是哪十六个专业，你们心中就有数了。 艺术类，摄影、漫画、视觉传达、设计、新媒体艺术、公共事业管理、税收学、 理工类，数学与应用数学、电子科技与技术、语言类，翻译、波斯语、越南语。而中传相对应的呢，其实也新增了四个专业，智能影像艺术、智能视频工程、智能工程与创意设计、游戏艺术设计。 所以你会发现，中传所淘汰的这些专业是 ai 大 多数都能做的专业，所以这种课堂升级，我真的要给中传点一个赞。这会让我们在上学的时候学到的是一些更加实用，而不是学一点技术，一毕业出校门立马就被 ai 给替代了。 因此这些专业不是消失，而是变成了岗位大洗牌。摄影岗位没有消失，它变成了会调参数加会创意 和驾驭。 ai 翻译岗位没有消失，它从纯翻译升级到了文化传播加深度沟通剪辑岗位也没有消失，它变成了深度有 思想的创作。包括最近爆火的小龙虾，大家都在警惕，其实在我看来，代替的只是一些重复性和基础执行力的工作。所以未来的传媒可能比的不是谁更会干活干得多，而是谁会指挥。 ai 负责效率，而人负责审美、方向、意义、价值与温度。

说真的啊，今天我又一次看完了皮特 stanberry 的 访谈，后背是真的有点发凉。你以为手机 app 时代的结束离你还远？以为那只是硅谷的天方夜谭？那就错了，真正的巨变 早就开始，而且这次不是某个创业公司的 ppt， 是 整个软件行业的地震。我先给你认个事啊，你品品那个开源 ai 智能题， open curl 短短几天就席卷了整个技术圈，电台 app 上十八万新，直接杀疯了。你以为他只是个聊天机器人啊？不是的，他在干一件比聊天更狠的事情，他在把你那些熟悉的所有软件 一件一件的给你埋掉。皮特直接预言了，百分之八十的应用都会消失，这不是夸张，这是他在看到无数用户真实使用后的准确判断。为什么？你想啊，你手机里那堆 app， 复合健康、小米手环、小爱音箱，他们智能机全都能干， 而且干的比你更好，因为他知道你在哪里，你睡得好不好，你今天压力有没有比昨天更大？他比你那些只会收订阅费的 app p 更懂你，所以你还开什么 a p p， 你 直接跟智能体说一声就行了。那些没有 a p i 拒绝跟智能体合作的公司，要么转型啊，要么就只能等死。就像当年科达四手交卷拒绝拥抱数码相机一样，你以为他们有选择吗？没有啊，但这还不是最震撼的，第二条红线才是真正的噩梦。 ai 会取代程序员吗？皮特的回答是很残酷的， 他说，啊，是的，编程这门手艺正在消亡，程序员引以为傲的写代码以后可能就像织毛衣一样成了小众的爱好。那些你熬过无数个夜晚，在键盘上敲住的那些行代码， ai 几秒钟就能搞定，而且比你写的好， 比你写的多，还不知道疲倦。很多人以为啊，我已经会用 ai 了。但如果 ai 已经能写出你一周才能写完的代码，你还敢说你跟得上吗？但 peter 更狠的是，他指出了一个真相，别把自己当程序员，你要当建造者。编程只是手段，不是本质。真正稀缺的是什么？你要造什么，他应该长什么样？他如何打动人心？ 这些 ai 都替代不了，就像蒸汽机取代了纺织工，但并没有取代制造衣服这件事情，只是换了个方式。更高效。更现实的是什么？这已经不是预言了。伊特说，他收到了成千上万份的邮件。有人用 openclothes 动画了小企业的发票收集， 有人用它帮助自己的残障女儿获得了新的能力。技术的洪流不会因为你的恐惧而停下，它能托起更多的人。所以，问题来了，当百分之八十的 app 消失了，当编程成为了爱好，你是选择报警旧时代的尸体，还是学会做新时代的建造者？这场倒计时早就开始了。

各位老铁，这两天科技圈最大的新闻应该是 open club 又被官方点名了。工信部那个 nba db 平台你们知道吧，就是国家网络安全应急中心下面那个。之前发过不少漏洞预警，但这次是专门针对开源 ai 智能体发了个专项风险提示，业界很多人说这是头一遭。 然后你再看各路媒体的标题，什么 open club 遭封杀，立空来袭，概念股集体铺街，反正怎么怂人听闻怎么来。 当我仔细扒拉了一下这个事，怎么说呢，我倒觉得这是好事，真的，你们先别急着划走，听我唠明白，我先说一组数据哈， 根据 got 还是哪个机构的预测，全球 ai 智能体市场规模明年应该能突破一千五百亿美元。国内这边巴斯基有个预测，说是到二零二七年能达到三千亿人民币左右。 这么大赛道，资本那是乌央乌央的往里冲，创业公司一个接一个的冒头。欧鹏科啊，作为开源智能体框架里跑的比较快的那个，格吉特布上新标书，我记得好像都过十万了，生态里差劲也是一抓一大把。 问题来了哈，树大招风，欧鹏科一下子窜这么快，安全防护那块确实没跟上。这次工信部点名的核心风险是啥呢？主要就是三点，数据泄露权限、滥用、供应链漏洞。 你想，智能体这玩意跟传统软件不一样，它能自主操作你的系统，调用你的 api， 访问你的数据，要是被恶意利用了，那后果确实挺严重的。 但是嘞，官方点名在我看来，恰恰说明这个赛道已经重要到需要被规范的程度了。你们回想一下前几年新能源车补贴那事，刚出来的时候，多少人骂补贴退坡是利空，结果呢？ 翔业反而从 ppt 造车阶段进入了淘汰赛，真正有技术实力的公司，股价都飞天了。再往早了说，短视频行业刚开始野蛮生长的时候，监管隔三差五敲打一下那些和博意识强的平台，后来都活下来了，那些光想着打擦边球的，一个个都凉了。 所以这次 openclo 被点名，在我看来，就是中国 ai 智能体行业的成人礼。 之前那叫什么叫跑马圈地、野蛮生长，谁先跑出来谁就牛。但根本没时间想安全合规、标准化这些事，现在官方一出手，相当于踩了一脚刹车。告诉你小子别光顾着跑，先把护具穿好。 而且你们注意没有，工信部这次发的风险提示里，专门提到了最小权限原则和杀香隔离这些防护措施。这说明什么？说明官方不是一棒子打死你，而是告诉你怎么玩是合规的，这相当于给行业划了条跑道，反而有利于那些有安全底线的企业。 我再说一组数据啊，根据国家互联网应急中心的统计，近半年针对 ai 系统的网络攻击事件同比增长了大概百分之四十多，其中智能体相关的是大头，这么高的攻击增速，要是再不管管， 估计很快就要出大事了。这次官方提前泼点冷水，总比等行业出了大丑闻再被迫整改要好的多吧。 所以我判断啊，接下来几个月可能会出现几个趋势。第一，垂直领域的小模型和轻量化智能体会更受资本青睐，因为好控制风险。第二，安全公司会迎来一波红利，什么 ai 防火墙、审计工具需求肯定大涨。 第三，行业标准会加速建立，谁先拿到合规资质，谁就占据先发优势。至于二级市场那边，我觉得短期波动肯定会有，但如果你把时间线拉长一点，这波调整完以后，那些真正有安全能力和合规底蕴的公司，估值反而可能会修复。 你看最近网络安全板块是不是已经开始有动静了？反正我的观点很明确，官方点名不是立空， 是行业从青春期进入成熟期的标志，风险提示出来了，规范也就快了，这对于整个 ai 智能体赛道的长远发展绝对是好事。好了，今天就聊到这，老铁们有什么想法，评论区聊聊，我是下期见。

过完年回来上班，不知道大家有没有一种感觉，这个世界好像按了快进键。尤其是最近 ai 大 模型的各种爆发，大家都在聊龙虾，热聊蒜力，聊替代。 但作为一个有两个娃的奶爸，我盯着屏幕那些日新月异的技术，心里想的却是我那两个孩子。等他们长大就业的时候，现在学校的教育真的够用吗？ 甚至连学校自己可能都在迷茫。我们都知道，现在教育体系都是为工业时代设计的，他要求孩子呢，守规矩，被公示，找标准答案。因为在过去呢，你只要有足够标准化，足够勤奋，你就是一个合格的劳动者。 可现在 ai 来了，你论记忆，他过目不忘。你论逻辑呢？他滴水不漏。论标准答案吗？他能给你一万个。 如果我们还让孩子死磕那些死记硬背的东西，那不是在培养人才，而是在让孩子去跟一台永不疲倦的机器赛跑。 这比赛呢，还没开始，我们就输了。我女儿八岁啊，那是构建思维逻辑的关键期，据她的教育思考呢，不再是考多少个一百分。第一个，我想是提问能力很重要，以前我们教孩子找答案，现在呢，我要教他怎样出问题。现在他写作业啊，我给他装了个豆包， 都是教他如何给豆包提问。在 ai 时代呢，答案呢，是不值钱的，值钱的是指令你能精准的描述你的需求，能定义一个问题，你才能驾驭机器。第二个呢，我想是审美的直觉，我女儿在学画画，不是说让他画的多好，而是让他对美有个基本的理解。 为什么我让他接触各种美的事物呢？因为 ai 可以 合成图片，但他很难定义什么是打动人心的美。这种微妙的直觉啊，来自于对生活的真实感知。还有一点就是容错的韧性。这个时代变化太快，唯一的确定性呢，就是不确定。 我一直告诉他，失败不是错，不敢尝试才是。其实最感到危机感的不是孩子，而是我们家长。 我们从教练呢，变成了副驾驶。以前我们总想只为孩子往哪开，现在我们要做的是坐在副驾驶，帮他们观察路况，教他们怎么使用导航。我也一直在看一些提示词工程， 一直在尝试呢。把 ai 怎样结合到现在做的事情上来？为什么我也要做呢？因为我们不能当一个说教的人，我们就要做一个见行者，让孩子看到家长面对这个变幻莫测的世界呢，我是恐慌， 而是兴奋和拥抱。当然了，让孩子回归真实的生活才是最重要的，保护好他们的好奇心和独立思考的能力。毕竟 ai 再强，它也只是工具，而我们，或者说我们的孩子，是那个手握工具去创造未来的人。

全网都在养龙虾，不是咱们宵夜吃的那种啊，是 ai 圈最近炸了锅的 open claw 上线一周， github 星标直接从九千暴涨到十万，创下全球开源软件最快增长记录。而且就在前两天，深圳 腾讯大厦楼下，上千人排长队，队伍里头发花白的退休工程师，还有抱着两岁孩子的家长，甚至有人专门打飞的，从香港从杭州专程过来，就为了给电脑领养一只 a i 小 龙虾。而且有人靠帮人安装这只龙虾，几天之内就赚了二十六万。 网上甚至还有人说，这是继 deepsea 之后，普通人离 ai 最近的又一次爆发。但是作为一个教育从业者，我看到这新闻的第一反应不是赶潮流，而是背后一凉。这个东西可能要真正彻底改变咱们孩子未来的职场了。首先啊，我们花三十秒来搞懂这龙虾它到底是个啥？ 咱们以前用的 deepsea 呀，它的 gpt 像个超级嘴 t 啊，你说一句，他就给你一段话，剩下的活呢，你得自己干。 但这 openclock 不 一样，它是手替，你可以把它想象成你家里那个最靠谱的保姆或者助理啊。你跟他说，把我电脑里上个月孩子的照片整理一下，按日期排序啊，生成一个相册，然后再发给爸爸， 他就自己打开文件夹，自己运行程序，自己操作鼠标键盘，直接帮你把事就办了。它就像你雇了一个不吃不喝二十四小时干活的数字员工。 那为什么这次这么吓人啊？因为大厂们抢疯了！腾讯自解，小米、阿里、百度， 十三家科技巨头全部下场。小米雷军亲自点评那个手机龙虾米可捞，深圳福田甚至已经上线了政务龙虾，让 ai 去处理民生诉求。你们知道最震撼我的是啥吗？ 猎豹移动的 ceo 富盛春节前卧床养伤，他就养了只龙虾。结果这 ai 啊，帮他给六百一十一个人拜年，安排行程，还写出了好几篇阅读量破万的公众号文章。一个人不干活， ai 帮他打工。作 为一个教育博主，我想跟妈妈们掏心窝子说几句啊，这波龙虾热，藏着咱们三个必须知道的真相。第一个真相， ai 从嘴把式变成了拳把式。以前 ai 再牛，也就是个建议者，现在他是执行者， 意味着什么？意味着未来那些重复性的办公室工作什么？整理文档啊，做表格呀，写报告呀，门槛彻底被踏平了。 如果孩子只会按部就班干活，真的可能会被取代。第二个真相，这波浪潮比想象中的要快的多的多。从一月底到现在，不到两个月，三月九号一天，腾讯自解就官宣了五项新服务， a 股概念股十八只涨停。这速度，不会等咱们孩子长大了再来，而是现在进行时。 第三个真相，也是我最想说的，咱们到底要培养孩子什么？工信部发了警告，说这玩意儿权限太高，有安全隐患，普通人别盲目养。甚至 mad 的 员工差点被自家的龙虾删光，所有邮件喊停都停不下来。这说明什么？技术再牛，他也会犯错，他也没有对错观。 所以，咱们要培养的不是一个会用 ai 工具的操作员，而是能指挥 ai、 判断 ai， 给 ai 下达指令的指挥官。技术门槛一定会越来越低，但孩子的思维方式、决策能力、审美和创造力，这些 ai 偷不走的东西，才是未来真正的不成盒。 当然，我知道在座的妈妈们现在肯定在想，这东西听起来这么复杂，还得安装又有风险，我该怎么办呢？我该怎么养这个龙虾呢？ 大家真的不用着急，最近龙虾虽然火，但它现在配置啊的确很麻烦，花五百块钱请人装呢，还有可能泄露隐私。但是 ai 的 发展可是三日一变的，这红衣已经发话了，很快就会出一键安装的版本。 腾讯的 workbody 已经正式上线， qcloud 也在内测中。各大厂啊都在拼命把这东西搞简化，搞一键安装。咱们现在要做的不是去学复杂的代码，而是先搞懂这个趋势，先让孩子具备指挥官思维， 等过段时间就像现在装个 app 一 样简单的时候，咱们才能从容的让这只龙虾为咱们自己家服务，而不是被它带着跑。如果你也对怎么培养未来的 ai 指挥官感兴趣，关注我，咱们评论区接着聊。