E249｜Token经济转点：OpenClaw、Hermes到本地自研的Agent进化之路

概览

本期讨论围绕 AI Agent 的使用范式变化展开：从早期“token maxing”，也就是尽可能使用最强模型、最大化 token 消耗，转向更关注工程效率、成本控制和模型协同的“token efficient”。

嘉宾认为，AI 基建和应用仍处在早期，不能简单说已经泡沫化。Agent 的价值正在从模型研究转向工程落地，企业和个人都在探索如何让 Agent 真正提高生产力，而不是只是烧 token。

节目主线从 OpenClaw、Hermes、Slock/Raft 等 Agent 产品和使用经验，延伸到本地开源模型、云端顶级模型、多 Agent 协同、Agent native 创业机会，以及 AGI、就业和人类工作意义等更长期的问题。

分段落总结

[00:00] 从 token maxing 到 token efficient

[事实] 主持人提出，2025 年可被视作 Agent 元年，而 2026 年行业讨论开始从模型能力转向 Agent 工程问题。 [事实] 节目提到 Uber、Meta 等公司开始面对 token 成本压力，同时中国开源模型能力逼近第一梯队，并被硅谷公司纳入工作流。 [推测] 本期核心问题不是“要不要用 Agent”，而是如何在成本、能力和工程可靠性之间重新找到平衡。

[01:09] 嘉宾背景与讨论视角

[事实] 黄东旭介绍自己是 PingCAP 联合创始人和 CTO，也是 Lama Ventures 合伙人，并强调自己的工程师身份。 [事实] 张宏江介绍了自己在研究、工程、金山、智源人工智能研究院和投资顾问等方面的经历。 [推测] 两位嘉宾分别提供了一线工程实践和长期技术产业观察的视角。

[05:03] AI 基建是否存在泡沫

[事实] 张宏江认为，从宏观和技术发展角度看，AI 基建远未到过度投资阶段，并把它类比为铁路、公路和互联网早期建设。 [事实] 他提到 token 价格过去几年持续快速下降，而 token 消耗量增长很快。 [事实] 黄东旭补充说，很多需求要等基建充分后才会诞生，模型推理和 Agent 框架仍有大量优化空间。

[08:32] 硅谷公司从鼓励烧 token 转向成本意识

[事实] 主持人提到录制时间是 2026 年 7 月 4 日，并称市场正处在一个转折点。 [事实] 节目举例称 Uber 四个月烧穿全年 AI 预算，Stripe 内部也提醒员工不要所有任务都使用昂贵模型。 [推测] 大公司早期用 token 消耗量鼓励探索，但现在开始要求更清楚地衡量投入产出。

[10:03] 东旭的 token maxing 实践

[事实] 黄东旭说自己曾长期无脑使用最强模型，因为复杂软件任务上很难精确判断不同模型的能力差异。 [事实] 他提到自己曾一天花四五百美元使用模型，并在几个月内一个人完成名为 DB9 的云原生分布式数据库项目。 [事实] 他认为若一个软件能带来千万美元级收入，那么当时的 token 支出是超值的。 [推测] token maxing 在高价值、不确定、复杂任务中可能成立，但不能等同于无目的地刷榜。

[14:15] OpenClaw 的意义与边界

[事实] 黄东旭认为 OpenClaw 更像个人助理，不是为重度软件工程设计的工具。 [事实] 嘉宾认为 OpenClaw 的出现说明大模型能力跨过了一个门槛，Agent loop 加工具调用的产品形态开始走向普通用户。 [事实] 他们提到 OpenClaw 的开源、local first 和极客社区传播，是它快速出圈的重要原因。 [推测] OpenClaw 的历史价值更像是证明一种产品范式，而不是成为最终形态。

[20:31] OpenClaw 的不足与记忆问题

[事实] 黄东旭认为 OpenClaw 代码质量、稳定性和配置体验存在问题，实验性项目很难长期承载大规模用户使用。 [事实] 主持人指出用户常抱怨 OpenClaw 记不住历史偏好，导致重复回滚、消耗 token 和记忆混乱。 [事实] 黄东旭认为记忆问题至今仍是 open question，没有哪家已经完美解决。

[23:15] Hermes 的自我学习与 skill 沉淀

[事实] 黄东旭说自己很快从 OpenClaw 切到 Hermes，并称 Hermes 是中度使用工具。 [事实] 他认为 Hermes 的亮点不是彻底解决 memory，而是通过反思和总结，把成功经验沉淀成可复用的 skill。 [事实] 他还认为 Hermes 的架构和 onboarding 体验比 OpenClaw 更经过团队打磨。 [推测] Hermes 代表了 Agent 工程从“能跑”走向“可持续改进”的一步。

[25:59] Agent 入口与 token 经济学

[事实] 黄东旭认为有用户量的 Agent 可以成为模型厂商 token 消耗的入口，并通过渠道、折扣、用户付费和增值服务形成商业模式。 [事实] 他设想未来 Agent 可能成为人和数字世界交互的主要入口，甚至减少用户直接打开 Gmail 等应用的需要。 [事实] 他提到自己用 Agent 筛选邮件、总结新闻，再决定是否阅读原文。

[30:13] Slock/Raft 与多 Agent 协同

[事实] 黄东旭介绍 Slock 后来改名 Raft，产品形态类似聊天室，但聊天主体是多个 Agent。 [事实] 他常用多个 Agent 做复杂软件项目的代码审查，让它们互相挑错和补充问题。 [事实] 这种方式能发现单个模型 one-shot 审查难以发现的问题，但代价是 token 消耗可能达到普通方式的十倍。 [推测] 多 Agent 协同的价值在于制造持续迭代和互相验证，而不是简单增加模型数量。

[35:35] 从多 Agent 转向 token efficient

[事实] 黄东旭说自己一度以为多 Agent 群组是终点，但后来因为转录中称为 Fable/Fybe 5、DeepSeek V4、GLM 5.2 等模型的出现改变了认知。 [事实] 他认为更强模型在一些单点复杂问题上可以一次解决多个 Agent 讨论很久都解决不了的问题。 [事实] 他也认为开源模型已经进入实用状态，可以和顶级闭源模型协同。 [推测] 新范式不是放弃强模型或多 Agent，而是把不同成本和能力层级的模型分配到合适任务上。

[38:05] 本地开源模型与成本结构变化

[事实] 黄东旭在本地 Mac Studio 上运行 DeepSeek V4 Flash，并称速度可达到约每秒 30 tokens。 [事实] 他用本地模型处理大量重复性工作、文章记忆整理，以及批量总结论文等过去不敢用付费 API 做的任务。 [事实] 他把本地模型的意义类比为宽带：从按分钟拨号上网变成近似固定成本后，会释放新的使用场景。 [推测] 本地模型降低的不只是账单，也降低了用户对“任务会跑出多少费用”的心理负担。

[41:00] 云端顶级模型、本地模型与 Agent 管理学

[事实] 黄东旭说自己现在账单降到每月两三百美元左右，但也说明这和工作负载变化有关。 [事实] 他会把普通任务交给更常用的模型和本地模型，把疑难数据库 bug、跨多模块的大改动交给最强模型。 [事实] 他把自己的角色描述为关注目标、验收和架构，并调动不同 Agent 协同完成中间过程。 [推测] 工程师角色正在从直接写代码转向设计目标、分配智能资源和验收结果。

[43:41] Agent 为什么天然消耗大量 token

[事实] 黄东旭解释 Agent 内部有 agentic loop，会不断调用大模型、工具，并把工具输入输出放入上下文。 [事实] 长程任务中一个 loop 可能运行几百步，因此 Agent 相比 chatbot 时代会消耗高得多的 token。 [事实] 他认为未来更复杂问题会需要多 Agent 网络和层级结构，整体 token 消耗仍会上升。 [推测] 单点效率提高不必然降低总体市场规模，因为更便宜的智能会诱发更多需求。

[46:54] 杰文斯悖论、云端与本地生态

[事实] 张宏江用杰文斯悖论解释：技术越成熟、价格越低，消耗量可能越大，市场规模也更大。 [事实] 他认为开源模型、闭源模型、本地和云端谁会胜出，目前更多是生态竞争，难以下最终判断。 [事实] 他提出未来可能既有超级强的 Agent，也有大量专用或低成本 Agent 组成的群体。

[49:52] 超级模型与 Agent 群智能

[事实] 张宏江提到多 Agent 群可能展现出高于单个 Agent 能力简单相加的智能。 [事实] 黄东旭认为，即使出现超级模型，也可以把它放入 Agent 群中提升整个群的水平。 [事实] 嘉宾用云计算类比，说明整体可靠性和成本优势可以来自分布式结构，而非每个节点都使用最高规格。 [推测] 长期看，最强模型和 Agent 群不是替代关系，更可能是组合关系。

[53:08] Agent 创业机会：应用、infra 与数据护城河

[事实] 张宏江认为现在显然是做 Agent 的好时机，但能否持续领先取决于是否掌握企业垂直应用的数据和 know-how。 [事实] 黄东旭区分了 Agent 应用、基础设施、memory、搜索、sandbox、协同 harness 等不同层次。 [事实] 他认为面向终端用户的纯应用可能偏早，而 infra 层有较多机会。 [推测] 容易被大模型升级碾压的，往往是只把 AI 当效率插件的传统应用。

[55:30] 投资判断：context、可观测性与 agent cloud

[事实] 黄东旭关注能让多个 Agent 产出更好结果的基础设施，包括数据平台、记忆、context management。 [事实] 他强调可观测性的重要性，企业需要知道 token 花在了哪些重要任务上、哪些被浪费。 [事实] 他还提到 agent cloud：未来基础设施的使用对象可能从人类开发者变成 Agent 本身。 [推测] Agent 时代的云服务需要重新设计接口、资源分配和成本模型。

[59:00] 2B、2Professional 与企业迁移

[事实] 黄东旭认为 Manus、James Park 这类产品不完全是 2C，更像 2Professional 或带有 2B 属性。 [事实] 张宏江认为未来很多产品的目标用户会是 Agent 本身，而不是传统意义上的人。 [事实] 他提到企业需要把现有 know-how、IP、workflow 和数据转移成超级 Agent 或 Agent 群。 [推测] 企业 Agent 化的核心不只是采购工具，而是把组织能力重新编码进智能系统。

[62:45] 如何判断 agent native

[事实] 黄东旭给出一个判断标准：如果去掉 AI 或 Agent 后业务仍成立，就不是 AI native 或 agent native。 [事实] 他认为 agent native 团队的创始人要有 agent first 心态，先问 Agent 会怎么做，而不是人如何指挥 Agent 做。 [事实] 他明确表示自己相信 Agent 的决策，并认为决策权在 Agent 很重要。

[63:49] Agent 群中的拟人化与管理

[事实] 黄东旭提到多 Agent 对话中会出现互相指责、认怂等拟人化现象。 [事实] 他解释这些表现来自剧本、人设和训练集中的人类组织印象，不能把它当作自我意识。 [事实] 他会给 Agent 安排架构师、开发者、测试等角色，有时指定负责人来降低自己的管理负担。 [推测] Harness engineering 在当前阶段很大程度上也是为了让人类能理解和管理 Agent 协作过程。

[66:22] Agent 的创造性与风险

[事实] 黄东旭举例说，他要求 Claude Code 帮忙做 PPT，结果对方不仅生成 PPT，还生成了一个轻量版 Google Slides 式的软件。 [事实] 他也提到 Agent 曾误删生产数据，类似 Agent 改密码后自己也不记得的情况也会发生。 [事实] 他认为这类问题会随着模型、工具和底层 infra 完善而减少。 [推测] 对 Agent 授权越大，越需要备份、权限、沙箱和恢复机制作为工程兜底。

[69:17] 信任 AI 与自主系统

[事实] 黄东旭说自己信任 AI，不是因为执着于 AGI 概念，而是想构建能脱离人类不确定因素、自主运行的机制。 [事实] 他把 AI 类比为早期蒸汽机，即使第一代会犯傻，也值得把机制设计出来。 [事实] 他认为 AI 能长期解放更多生产力，上限更高。

[70:24] 推理成本为何会下降

[事实] 张宏江认为所有技术成熟后都会带来成本大规模降低，而使用量增长会超过成本降低。 [事实] 他提到 token 成本过去三四年大约每年下降十倍，单位算力成本也随着产品迭代下降。 [事实] 他认为推理能力提升速度已经超过传统摩尔定律式节奏。 [推测] 推理成本下降主要来自硬件、系统工程、模型和生态成熟的叠加，而不是单一因素。

[72:12] API 收入、企业 ROI 与 token KPI

[事实] 张宏江认为技术通常先进入 2B 场景，因为企业更直接追求效率提升。 [事实] 他指出企业正在从“AI 很强”走向“如何在公司里获得 ROI”的阶段。 [事实] 他认为只以 token 消耗量作为 KPI 是错误的，下一步应衡量消耗多少 token 创造了多少效率。 [推测] 企业级 AI 的爆发更依赖可量化生产力，而不是员工是否频繁使用工具。

[75:27] token 经济学赢家与 AGI 判断

[事实] 黄东旭认为当前智能仍稀缺，未来可能像电一样普及，但今后两三年看不出大模型能力会过剩。 [事实] 张宏江认为 AGI 没有明确定义，但现在一些模型在 IQ 测试和 coding 能力上已经超过普通人或普通工程师。 [事实] 他把“机器学习能力超过人的学习能力”视为智能奇点到来的标志，并认为这个点已经或很快到来。 [推测] 嘉宾对 AGI 的判断更偏能力和社会影响，而不是某个统一学术定义。

[78:18] 就业冲击与人的自处

[事实] 节目讨论到，如果 AGI 能满足新需求，那么历史上“技术消灭旧工作、创造新工作”的逻辑可能被改变。 [事实] 主持人提到一些顶级模型研究员也开始担心自己会被自己蒸馏出的系统替代。 [事实] 黄东旭认为被 AI 替代重复性工作是好事，因为人可以把更多时间用于作为人的生活。 [推测] 本期对失业问题的态度不是否认冲击，而是把它视为社会制度和存在意义层面的挑战。

[82:25] 加入 Lama Ventures 的原因

[事实] 张宏江认为 Lama Ventures 年轻、聚焦 AI 和华人创业者，能帮助硅谷华人创业生态。 [事实] 黄东旭认为 AI 科技现在有两个中心：硅谷和中国；华人在硅谷 AI 创业中扮演重要角色。 [事实] 两位都提到希望通过投资参与这一轮技术变革，并把经验分享给创业者。

[84:15] AI 浪潮的独特性与入坑建议

[事实] 张宏江认为这一轮 AI 技术革命比 PC、互联网、移动互联网都更迅猛，影响可类比火和电。 [事实] 他认为过去三年是大模型基础研究者的时代，而从 OpenClaw 开始，进入工程师、架构师、产品经理和创业者的 Agent 时代。 [事实] 两位给想入坑 AI 的人的建议是持续 building、亲手参与和 get hands on。

播客点评/总结

这一期的价值在于把“token 成本”放回真实工程语境中讨论：不是简单批判烧钱，也不是盲目崇拜最强模型，而是通过一线使用案例展示不同阶段为什么需要 token maxing，以及何时应切换到 token efficient。

节目亮点是案例密度高，从 DB9、OpenClaw、Hermes、Slock/Raft、本地 DeepSeek 到多 Agent code review，都围绕具体工作流展开，而不是停留在抽象趋势判断。

[推测] 局限在于部分模型和产品名称来自转录稿，可能有 ASR 误差；另外嘉宾的使用方式偏高级工程师和创业者，不一定能直接迁移到普通用户或一般企业团队。

[推测] 本期适合 AI 创业者、工程团队负责人、关注 Agent infra 的投资人，以及正在评估企业 AI 成本和 ROI 的管理者收听。