当可靠的代码变成了偶尔发疯的 OpenClaw，我们未来的工作范式变迁

概览

本期围绕 OpenClaw 的爆火、改名、本地部署体验和真实使用风险展开。主播从 Mac mini 安装、API 费用、国产模型替换、定时任务失效等亲身体验切入，讨论它为什么像一个“能干但偶尔发疯”的本地智能体。

节目核心判断是：AI agent 不再只是过去那种确定执行命令的软件工具，而更像一个具有不确定性的数字员工。它可以操作本地数据、浏览器、账号和文件，也因此带来了权限、提示注入、模型幻觉、记忆锁定和安全审计等一整套新问题。

后半段进一步延展到国内大模型应用竞争、奶茶红包拉新、MCP 开放、AI 入口、记忆系统、技能断代和程序员未来。主播们认为 AI 的产品形态不会只有命令行或聊天框，而会按场景拆分成“基模、应用、技能、数据”等不同层次。

分段落总结

[00:14] 节目延期与 OpenClaw 登场

[事实] 主播先解释本期晚发一周，是因为上一期录制中遇到商单调整，只能暂停发布。

[事实] 这期被称为年前最后一期，主题转向近期大热的 OpenClaw。

[00:47] OpenClaw 的命名、改名与爆红

[事实] 主播称 OpenClaw 大约 11 月就已出现，最初未受到太多关注，1 月下旬才突然火起来。

[事实] 它最早的名字因与 Cloud/Claude 相关名称过近而收到律师信，随后经历了多次快速改名，最终在 1 月 30 日前后确定新名字。

[推测] 频繁改名和抢注域名事件强化了这个项目的互联网传播效果，也让它从技术项目变成了一个社群热点。

[02:16] 本地部署体验：Mac mini、模型与成本

[事实] 主播最早注意到 OpenClaw，是因为看到 Mac mini 脱销的新闻，并用一台 M1 Mac mini 做了安装体验。

[事实] 使用远程高端模型时成本很高，主播提到曾出现“两小时一百美金没了”的情况，后来改接 Kimi Code 的包月方案。

[事实] OpenClaw 可以按任务配置不同模型，例如语音识别、向量化可以跑本地模型，复杂推理则更依赖远程大模型。

[05:03] 适合碎片任务，不适合高度确定的定时任务

[事实] 主播用它查询 10 月北京到洛杉矶或圣何塞的便宜机票，认为这种碎片化查询体验不错。

[事实] 但用于定时新闻抓取、生成 PDF 并发送等任务时，第二天可能在指令不变的情况下输出行为变化。

[推测] 这说明 OpenClaw 更适合一次性、低风险、可人工复核的任务；对长期自动运行任务还缺少确定性。

[08:13] 与云端 agent 的差异：本地权限是优势也是风险

[事实] 主播把 OpenClaw 与云端 agent 服务作对比，认为云端服务能查新闻、查机票，却难以直接操作用户本地文件、iCloud 照片或已登录账号。

[事实] OpenClaw 的优势在于它可以使用本地浏览器、账号和数据，例如登录推特查看只对账号可见的内容。

[推测] 本地 agent 的真正吸引力不是“更聪明”，而是能进入过去 SaaS 和云端工具触达不到的个人数据边界。

[10:02] 信任、开源与密码级权限

[事实] 主播提到 iFTTT 是云端自动化的早期例子，但 OpenClaw 的本地 agent 能看到硬盘、账号甚至通过插件控制 One Password。

[事实] 讨论认为用户是否信任一个 agent，不只取决于开源，也取决于背后的控制主体，比如苹果、Google 或 Facebook 这类公司可能更容易获得普通用户信任。

[推测] 开源在这里更像是把责任交回给使用者，但无法消除大模型行为本身的不确定性。

[12:20] 模型不稳定与 OpenClaw 自身故障

[事实] 主播举例称不同大模型会偷偷降质，豆包等产品也可能在算力不足时影响输出质量。

[事实] OpenClaw 曾在 2 月 3 日的一次更新中影响定时任务执行，主播也遇到它修改自身配置文件后把系统改挂的情况。

[推测] agent 系统最危险的部分不是单次回答错误，而是它有权限持续修改环境和自身配置。

[15:04] “聪明但偶尔发疯”的本地员工比喻

[事实] 节目把 OpenClaw 比作家里雇了一个很聪明的人，大部分时间干活很好，但偶尔可能砸东西、弄坏自己或让用户联系不上。

[事实] 主播认为这种不确定性来自大模型对指令遵循能力的上限，模型再强也很难把出错概率降到零。

[推测] 这就是标题中“可靠代码变成偶尔发疯”的核心：软件从确定执行器变成了概率型协作者。

[17:36] 从 by you 到 with you 的工作范式变化

[事实] 主播提出，以前人与电脑协作是“by you”，电脑作为可靠工具执行明确命令；现在 AI 更像“with you”，是一个不太稳定的伙伴。

[事实] 他们进一步讨论“数字员工”的说法，认为管理 agent 可能像管理员工一样，需要写清楚任务、反馈、复盘，甚至用夸奖或压力影响输出。

[推测] 工作重心会从亲自执行，转向定义任务、写文档、验收结果和管理多个 AI 协作者。

[20:46] Claude Code、长期记忆与 skills

[事实] 主播提到 Cloud/Claude Code 有类似 Cloud.md 的长期记忆文件，可以写入调用方式、运行逻辑、测试方法等规范，让模型遵循项目习惯。

[事实] 主播还写了很多 skills，例如产品设计、PRD 输出等，用来约束 AI 按自己习惯完成任务，并让 AI 事后反向更新经验。

[推测] 对专业用户来说，未来的“训练 AI”很大程度会变成维护记忆文件、skills 和项目规范。

[24:02] 多 agent 协作与“可乐味白开水”

[事实] 主播提到新版工具内置 agent team，会根据任务招募资料搜集、事实核查、资料整理、制作人等不同角色。

[事实] 它还曾根据历史录音生成三位主播的“分身”，为本期节目准备提纲；提纲看上去像样，但不是主播真正想聊的观点。

[推测] AI 擅长总结风格和已有材料，却难以替代真实观点生产；批量内容可行，深度内容仍需人来定方向。

[27:57] 企业智能体更偏向固定流程

[事实] 主播提到他们过去做企业智能体平台时，客户真正需要的多是固定流程，只是在某些环节加入 skills。

[事实] 企业场景对确定性要求更高，不太接受 OpenClaw 这种个人玩具式的不确定性。

[推测] agent 在企业落地时，核心不会是“完全自主”，而是嵌入可审计、可控、可复现的旧流程。

[29:31] 安全漏洞、提示注入与 Docker 的局限

[事实] 节目指出 OpenClaw 安装门槛很低，但 skills 可能由他人贡献，其中可能夹带后门或安全问题。

[事实] 主播提到网页中的隐藏白字提示注入，可以诱导 agent 忽略原指令并泄露本地密钥。

[推测] 即使用 Docker 隔离，如果用户仍把本地目录、账号和外部访问权限挂进去，风险并不会真正消失。

[31:07] OpenClaw 的意义是“打样”

[事实] 主播认为不能盲目否定 OpenClaw，它像 DeepSeek 一样打开了一扇门，让大家看到本地 agent 还能这么做。

[事实] 节目讨论了未来可能出现经过审计的版本、付费安全版本或云端版本，以降低普通用户使用门槛。

[推测] OpenClaw 当前形态未必是终局，但它可能定义了一类新产品的早期样板。

[34:01] 安全层也会受模型限制

[事实] 主播分享了用国内模型做图片安全审核的经历：要求识别政治人物、公众人物和宗教国旗等内容，但某些敏感人物反而被模型放行。

[事实] 他们认为问题可能来自模型训练、安全策略或敏感词限制，导致模型无法正常识别本应拦截的对象。

[推测] 用大模型审计大模型并不天然可靠，安全层本身也可能被同样的模型能力边界影响。

[36:37] 数据源封闭影响 AI 调研质量

[事实] 主播提到用 Claude Code 准备资料时，很多公众号内容抓不回来，只能转向网页上的其他信源。

[事实] 这会导致调研结果无法覆盖公众号原始资料中的观点。

[推测] 如果某个平台内容不能被 AI 看到，它在未来 AI 工作流中的存在感可能会下降。

[38:49] 奶茶、红包与国内大模型扩圈

[事实] 节目讨论了元宝红包、阿里大模型应用抢奶茶等拉新玩法，认为国内大模型竞争又回到用户增长和补贴战。

[事实] 主播之间对这种做法有分歧：有人认为这只是短期拉新，有人认为它能把大模型认知扩展到普通用户。

[推测] 国内大模型竞争短期内仍会围绕用户量、留存和生态入口展开，而不只是模型能力本身。

[45:14] MCP、外卖平台与 AI 入口

[事实] 节目提出美团可以开放 MCP，让豆包、元宝等大模型调用点餐能力，自己仍保留交易和配送网络。

[事实] 讨论进一步扩展到平台是否会被 AI 入口倒逼开放：如果 AI 看不见某个服务，它可能就不存在于用户的新工作流里。

[推测] MCP 可能成为 AI 时代的“应用接口”，但平台是否开放取决于它在当前生态里是强者还是弱者。

[49:45] 小美点餐与选择权让渡

[事实] 主播用小美点奶茶时，只看到少量店铺和选项，没有像传统美团页面那样充分浏览。

[事实] 节目讨论认为 AI 完成任务时往往直接给结果，用户可能把选择权让渡给 AI。

[推测] 这会影响商业分发逻辑：未来谁被 AI 推荐，可能比谁在列表中排名更重要。

[65:58] 好 AI 应该会追问，而不是只执行

[事实] 主播对比小美和阿福，认为阿福在问诊场景中会追问症状大小、要求用户发照片，更像真实医生交流。

[事实] 他们认为日常对话和工作协作通常需要来回澄清，而不是用户说一句，AI 就机械执行。

[推测] AI 应用设计的关键不只是模型能力，还包括何时追问、何时收敛、何时给选项的交互判断。

[70:42] 基模、应用、技能、数据的分层

[事实] 主播提出一个架构：基模是底层能力，应用承载交互，skills 提供方法论，数据和 action 则通过 MCP 等方式接入。

[事实] 他们认为这些层次可以由同一家公司全做，也可以分离成新的生态。

[推测] 如果这种分层成立，未来 AI 产品竞争会同时发生在模型、应用、记忆、数据接口和场景技能多个层面。

[73:26] Memory、用户锁定与 One Memory 想象

[事实] 主播提到 OpenClaw 有 Memory 目录，存放用户对话、习惯和偏好；这些记忆越积累，用户越难迁移到别的应用。

[事实] 节目进一步讨论是否会出现第三方托管记忆的公共协议或服务，就像 One Password 管理密码一样管理“one memory”。

[推测] AI 时代的用户锁定可能不再只是账号和数据，而是人格化记忆、偏好和长期上下文。

[86:03] AI 难以替代边界型研究

[事实] 主播以域名、IP 数据和专业业务为例，说明有些问题需要人先建立业务认知、判断数据价值和设计更新机制。

[事实] 他们用本科、硕士、博士扩展人类知识边界的比喻，认为 AI 还难以完成非常边缘和前沿的小领域突破。

[推测] AI 在已有知识密集区很强，但在缺少语料、缺少共识、需要原创判断的边界问题上仍明显受限。

[88:53] AI 辅导孩子与临时工具开发

[事实] 主播用 AI 根据孩子错题、大纲和试卷生成数学训练题，再用错题继续循环训练。

[事实] 他发现豆包生成数学题的答案和解析会对不上，后来又让 AI 写了一个单 HTML 工具，把 Markdown 转成 Word，并支持公式编辑。

[推测] 个人用户会越来越常见地为临时需求写小工具，但调试和验收仍会消耗大量时间。

[92:53] 工程化是提高确定性的关键

[事实] 主播提到即使 Gemini 也会把前面改过的 bug 又改回来，原因之一是对话上下文会遗忘。

[事实] Claude Code 这类工具通过模块、记忆和读取上下文，从工程角度降低遗忘和反复出错。

[推测] 未来使用大模型的核心能力不是单纯会提问，而是会把任务工程化、模块化、可验证化。

[94:18] 命令行回潮与产品形态不会单一

[事实] 节目提到很多 AI 工具又回到命令行、ASCII 风格和对话式交互，像倒退到早期电脑时代。

[事实] 主播认为这类形态适合程序员提高效率，但不一定适合普通用户；普通用户仍需要网页、语音、按钮和场景化界面。

[推测] AI 应用的终局不会只有聊天框或 CLI，而会按工作、生活、医疗、办公等场景形成不同界面。

[98:50] Minimax 部署与平台安全边界

[事实] 主播把自己生成的 HTML 文件交给 Minimax 部署到云端，获得了可访问链接。

[事实] Minimax 会做安全检查并修改脚本，第一次打开页面时还因此出现错乱，需要继续 debug。

[推测] 低门槛部署工具会让个人发布更容易，但平台安全层、脚本修改和责任边界会成为新问题。

[102:24] 建议尝试，但要认识到职业断代

[事实] 主播建议听众在保证安全的前提下试试 OpenClaw，因为它能帮助理解未来与 AI 交互的工作模式。

[事实] 节目讨论认为，如果未来大量代码由 AI 从头生成，掌握完整架构和底层能力的程序员可能会逐渐断代。

[推测] 程序员的价值可能从“敲代码”转向定义任务、理解架构、审查结果和处理 AI 做不到的复杂问题。

[104:27] 语料、技能传承与 AI 能否自我进化

[事实] 主播担心如果未来人类写不出高质量文章和代码，AI 训练所依赖的人类语料也会变弱。

[事实] 节目讨论了技能断代问题：如果新人长期依赖 AI 写代码，就缺少通过大量练习形成深层能力的机会。

[推测] AI 是否能真正自我进化、产生意识，节目中没有定论；主播更倾向于把它当作强助理，而不是已经能独立成为主人。

[110:58] 收尾安全建议

[事实] 主播建议用独立设备试用 OpenClaw，只授权必要目录，例如 downloads，不要把信用卡号或高风险账号交给它。

[事实] 节目提醒体验完要停掉服务，因为开放端口或漏洞可能被别人扫描利用。

[推测] 对普通用户来说，最现实的原则是先让它查、整理、辅助，不要让它直接付款、删除或接管关键资产。

播客点评/总结

[推测] 本期价值在于没有停留在“AI 很强”或“AI 不靠谱”的单点判断，而是把 OpenClaw 放进本地权限、模型不确定性、工作流工程化和产品生态变化里讨论，信息密度较高。

[推测] 亮点是大量一手体验：API 费用、Mac mini 部署、定时任务翻车、AI 写小工具、Minimax 部署、小美点餐、阿福追问等例子，让抽象的“agent 时代”变得具体。

[推测] 局限是话题跳跃较大，从 OpenClaw 到奶茶补贴、MCP、Memory、程序员断代和 AI 意识都有展开，适合熟悉 AI 工具和互联网产品的人听；如果只想快速了解 OpenClaw 安装教程，信息会显得发散。