OpenClaw 之后，我只想未来 3-6 个月的事情｜对谈 Sheet0 创始人王文锋

概览

本期围绕 OpenClaw 之后的新一轮 Agent 浪潮展开。王文锋认为，这一轮和去年 Minus 带起的 Agent 热潮没有本质断裂，二者共同证明了新产品形态成立；区别在于 OpenClaw 更集中地释放了模型的 coding 能力。

讨论的核心结论是：coding agent 正在成为 Agent 的底层形态，skill、文件系统、CLI、权限和上下文管理会共同把它扩展到非编程场景。垂直 Agent 和传统 SaaS 的逻辑因此被重新审视，因为 Agent 可以直接承接专家工作流，而不是让用户学习一套固定 UI。

后半部分转向 Sheet0 自身的转型。王文锋说他们正在把内部“AI 管 AI”的工程流程产品化，让 AI 从项目管理工具中接任务、开发、测试并提交 PR，人类只做最后质检。他也反思去年过于预判长期终局，今年更关注未来 3-6 个月已经出现的真实瓶颈。

分段落总结

[00:20] OpenClaw 与上一轮 Agent 浪潮的对照

[事实] 主持人提到，上次录制已过去约十个月到一年，去年是 Minus 带起 Agent 和 deep research 讨论，这一轮则是 OpenClaw 让大家重新关注 Agent。 [事实] 王文锋认为两轮浪潮的共同点，是都证明了一类新形态产品成立；Minus 主要解锁 deep research，OpenClaw 则释放 coding 能力。 [事实] 他认为 OpenClaw 火起来的原因不只是接入 IM 场景，而是把最新模型的 coding 能力压榨到极限。 [推测] 在这期节目里，OpenClaw 更像一个产品范式信号，而不是单一工具爆红事件。

[02:36] 所有 Agent 可能都会走向 Coding Agent

[事实] 王文锋延续去年“AI coding 是大模型的灵巧手”的判断，并进一步认为最终所有 Agent 都会是 coding agent。 [事实] 他把 OpenClaw 的核心描述为一个设计极简的 coding agent，再加上 memory 和不同沟通渠道的集成。 [事实] 他认为 coding agent 加 skill 已经能覆盖过去需要垂直定制环境才能完成的场景。 [推测] 这里的 coding 更接近一种通用行动接口，不只是在狭义地写软件代码。

[06:08] 垂直 Agent 与 SaaS 路线受到怀疑

[事实] 王文锋说，垂直 Agent 这条路可能需要被高度怀疑，因为 coding agent 加 skill 基本能实现过去垂直 Agent 的效果。 [事实] 他提到 Claude Code 相关报告中只有 49.7% 使用场景是 software engineering，其余超过一半用于办公自动化、数据分析、marketing、copywriting 等非 coding 场景。 [事实] 主持人追问 2B 领域是否会出现类似抖音的一站式平台，王文锋认为是否是 OpenAI 或 Anthropic 不确定，但肯定会有统一的东西解决绝大多数问题和需求。 [推测] 如果这个判断成立，垂直软件的壁垒会从工作流沉淀，转向对 Agent 能力的组织、配置和分发。

[08:07] SaaS 的本质与被替代逻辑

[事实] 王文锋认为，软件过去的核心价值是把专家经验、决策能力和工作流规模化复制，并通过 UI 承载行业最佳实践。 [事实] 他认为 Agent 让获得专家能力更容易：用户说明目标后，Agent 可以提出方案、解决问题并持续迭代。 [事实] 主持人补充说，过去 SaaS 是通用专家，而 AI 更像给每家公司一个可定制、可变化的专家。 [推测] 这段把“SaaS 被 AI 冲击”的原因，从代码生成成本变化推进到专家能力分发方式的变化。

[12:12] Skill 是否足以承接 SaaS Know-how

[事实] 王文锋倾向于认为 skill 能承接复杂工作流，理由是如果真实的人能根据工作说明完成任务，模型能力持续提升后也应能做到类似效果。 [事实] 他明确认可 AI 和 Agent 会颠覆 SaaS，并认为 SaaS 里的 SOP、表单、dashboard、记录等结果，用 Agent 也能得到。 [事实] 他认为现在很多人最大的问题，是还不知道 Agent 已经强到什么地步。 [推测] 他对 skill 的乐观建立在模型能力继续提升、且工具可以被 Agent 学会和调用的前提上。

[14:03] Agent 能力天花板与使用差距

[事实] 王文锋提到 OpenClaw 作者在 1 月份一天最多有 1600 次 commit，并把它类比为三四人小工程团队一年的工作量。 [事实] 他还举例说，Cursor 内部用 Agent 一周做出浏览器，另有官方团队用 Agent 实现复杂编辑器，以此说明 coding agent 已能处理长程复杂工程。 [事实] 他认为顶级 Agent 使用者和普通使用者之间不是简单倍数差距，而是非线性差距。 [推测] 竞争优势不只来自拥有模型，也来自能否高强度、系统化地使用 Agent。

[15:58] 产品化瓶颈：如何让普通人用好 Coding Agent

[事实] 王文锋认为 OpenClaw 证明 coding agent 很强，但配置和使用仍然麻烦，真正瓶颈是如何把 coding agent 用起来、用好。 [事实] 他把 OpenClaw 类比为 Linux 内核，认为后续可能出现不同“发行版”，但不一定简单复刻 Linux 的规律。 [事实] 主持人提到 OpenClaw 有约 200 多万个 agent；王文锋提到 Codex 活跃用户已到 100 万，并估算 Claude Code 与 Codex 合计活跃用户可能有 500 万。 [事实] 王文锋认为未来 coding agent 会有 10 亿用户，但当前渗透率还不到 1%。

[19:40] 长程任务与文件系统

[事实] 王文锋说，长程任务可以用 step 数来观察复杂度；当前许多任务仍集中在几十个 step，今年可能扩展到几百甚至上千 step。 [事实] 主持人提到去年担忧每一步 90% 正确率累计后总准确率会很低，并可能出现空转、死循环。 [事实] 王文锋认为这个问题“应该是解决了”，因为现在最佳实践是把状态落到文件系统，Agent 能看到错误并修复 memory 或 progress 文件。 [推测] 文件系统在这里被视为 Agent 可观察、可修补、可持续维护的外部工作记忆。

[22:37] Context 从人工控制转向 Agent 自维护

[事实] 王文锋认为模型与文件系统结合是当前最佳实践，相当于给模型配一台 computer，让它组织自己的数据和逻辑。 [事实] 主持人把这理解为“给它电脑和文件夹就是最好的 context”，王文锋补充说有效方式不是人控制 context，而是 Agent 自己维护 context。 [事实] 他们把这个方向归到 “less structure, more intelligence”。 [推测] 这会削弱人为精细编排工作流的价值，强化 Agent 自主组织上下文的价值。

[23:48] Proactive Agent 的两层含义

[事实] 王文锋把 proactive 分成两类：一类是周期性任务，比如每天早上发工作总结、每天晚上汇总群里未办事项。 [事实] 更强的主动性是 Agent 在长期交互中了解业务、角色和性格，像同事一样主动发现问题、提出方案并询问是否推进。 [事实] 他认为真正的 proactive 要能主动 exploring，并进行反思、总结和迭代。 [推测] 当前产品更像从“被动触发的主动”向“自主发现需求”过渡。

[26:04] AI 管 AI 与 Meta Agent

[事实] 王文锋认为 OpenClaw 带来的产品范式是“AI 管 AI”，即由 AI 提出需求、拆解任务、配置或调用其他 Agent，并形成闭环。 [事实] 他认为 proactive agent 通常不是单个 Agent 完成，而需要一个 meta agent 为特定问题 setup 专门 Agent。 [事实] 他同时说，这一阶段 proactive agent 还不是买来或安装后就能自动探索一切的自然发生状态。 [推测] 机会点更可能在 Agent 编排、配置和经验沉淀，而不是再做一个更聪明的单体 Agent。

[27:36] 人的替代边界：Taste、悟性和 Context

[事实] 王文锋用客服场景类比：AI 可能把 10 个客服压缩为 1 个，也可能让 10 个工程师只保留 2 个。 [事实] 他认为 taste 难被 AI 替代，团队更需要“点一下就懂”的人，而不是必须讲清楚所有细节的人。 [事实] 他认为 Agent 学到的经验可以通过 skill 复制，但公司内部代码仓库、流程和工作方法仍需要磨合，不能完全跨公司复用。 [推测] 人的价值会从直接执行转向判断、默契、业务 context 和最终取舍。

[31:28] Sheet0 内部的 Aha Moment：任务到 PR 的自动闭环

[事实] 王文锋介绍 Sheet0 内部原流程：用户反馈进入项目管理工具，日会分发给工程师，工程师再用 coding 工具开发、测试、提 PR。 [事实] 他们把项目管理、GitHub 和日常聊天工具开放给 AI 后，AI 收到任务就能完成开发、测试并提交到 GitHub。 [事实] 工程师从 AI 的指挥者变成 PR 最后审阅者；相关前端改动还会带测试结果和截图。 [事实] 王文锋说这套流程约一周跑通，并让他个人效率相比去年提升至少 10 倍。

[33:14] 生产力不是瓶颈，产品定义才是

[事实] 主持人问过去一年做的产品现在是否两个月可发，王文锋回答“两个月都太慢了，现在可能两周就够了”。 [事实] 王文锋认为当前瓶颈不在生产效率，而在“做什么、做成什么样”。 [事实] 他观察到 OpenClaw 发布后，很多团队仍围绕二次开发或 host OpenClaw，并没有出现全新的同类产品形态。 [推测] 当构建成本大幅下降，真正稀缺的是产品判断和问题选择。

[34:44] Agent Harness：让 Agent 在真实组织中可控

[事实] 王文锋更期待 agent harness 的进展；他认为 context engineering 把大家拉到“context 重要”的认知，但仍较抽象。 [事实] 他把 agent harness 比作让人骑马的马鞍，作用是约束和驾驭强 Agent 的行为。 [事实] 他认为 harness 是面向 end user 的脚手架，需要结合团队业务、成员和公司环境，构建适合该组织的 Agent 工作方式。 [推测] 这类产品可能处在 infra 和应用之间：有基础设施属性，但直接服务最终用户和团队流程。

[37:01] 新的 Infra 机会：Code Agent、CLI、权限与反馈

[事实] 王文锋认为 code agent 本身正在 infra 化，现有 Codex 等更多面向程序员，而不是天然为 AI 管 AI 设计。 [事实] 他认为 OpenClaw 中的 coding agent 内核、把 MCP 转成 CLI 的做法，都有 infra 属性；CLI 是让模型或 container 正好工作的关键接口之一。 [事实] 对后端能力，王文锋认为现在相比前端没有明显弱势；关键是给 AI 访问内存状态、数据库只读权限等反馈工具。 [事实] 对安全和幻觉，他强调通过权限管理处理，比如只给 readonly 权限，但能否产品化仍是挑战。

[40:09] Sheet0 新版本：转向“管 AI 的 AI”

[事实] 王文锋说 Sheet0 新版本是在把内部项目管理到开发交付的流程产品化，面向 engineer 和 developer。 [事实] 他承认这是一次大转型，目标是做“管 AI 的 AI”，因为再做一个更聪明或更好的单体 Agent 价值不大。 [事实] 他认为 CodeAgent 经过精心配置后已接近“什么都能做”，真正问题是配置过程太难、门槛太高。 [事实] 他总结今年策略是“预判为辅，跟随为主”，相比去年更注重胜率而不是赔率。

[42:32] AI Coding 的第三阶段

[事实] 王文锋把 AI coding 分成代码补全、由程序员 prompt coding agent、以及 AI 指挥 AI 写代码三个阶段。 [事实] 第三阶段里，需求输入从人输入变成 AI 自己提出或整理需求，程序员更多做质检。 [事实] 他认为团队迫切需要这种能力，并且自己就是目标用户，可以形成正向循环。 [推测] Sheet0 选择 coding 场景，是因为需求已被验证，且内部场景能快速提供真实反馈。

[43:31] 把 10 分 AI 使用者拉到 60 分以上

[事实] 王文锋认为现在大家使用 AI 的水平差距很大，Sheet0 的目标之一是把只有 10 分的人拉到 60 分以上。 [事实] 他提到团队上个月 AI coding 支出为 2 万美元，并认为很多团队需要变成 10 倍、100 倍团队，但不知道怎么做。 [事实] 在他描述的新范式中，业务方提出需求后，AI 自己完成工作，程序员做质检和合并前把关。 [推测] 这类工具的商业价值来自“把高阶 AI 用法产品化”，而不是单纯卖模型调用。

[44:57] 目标用户与 Token 消耗分层

[事实] 王文锋描述当前用户画像：约一半是 founder，四分之一是超级产品经理，四分之一是超级 builder。 [事实] 这些用户的特点是想法多、思路清晰、有 ownership，能同时处理设计、产品、研发、测试等多个领域。 [事实] 他认为 Agent 时代的客户分层不一定按组织人数，而可能按 token 消耗划分；服务一年贡献 10 万美元的个人或小组织，也类似 SaaS 时代服务大企业。 [推测] 个人、团队、公司的商业边界会因为 AI 劳动力预算而变得更模糊。

[48:00] 一人独角兽与负反馈风险

[事实] 王文锋解释，高额 AI 预算可能来自原本招聘工程师的预算：用 10 万到 20 万美元达到过去多个工程师的效果。 [事实] 主持人追问人人都能成为“一人独角兽”后，需求容量从哪里来。 [事实] 王文锋认为这可能形成负反馈：失业减少消费需求，消费需求下降又传导到上游企业。 [事实] 他因此说自己“只考虑三到六个月”，因为更长期的社会问题很复杂、难以预判。

[50:03] 小团队、谨慎招聘与 Token 管理

[事实] 王文锋说 Sheet0 招人非常谨慎和苛刻；按以前节奏可能已有十几二十人，现在只有 7 人。 [事实] 他认为这 7 人的产出速度和效率可能相当于原先三五十人的团队。 [事实] 他认为 AI coding 能力可以培养和训练，但前提是组织愿意提供不受限的 token 消耗额度。 [事实] 对 token 消耗的评估，他认为 CEO 仍要看账单与产出是否匹配，不匹配就要解决问题或解决人。

[51:48] 从五到十年终局，回到三到六个月瓶颈

[事实] 王文锋说去年 Sheet0 解决的是五到十年后的问题，终局目标是 100% 可信、可解释、准确。 [事实] 他的反思是不要尝试解决用户还没遇到瓶颈的问题；当下用户并不因为不能 100% 准确就完全不用模型。 [事实] 他认为现在工程师的注意力被十几个 Terminal 窗口约束，这才是已经出现的瓶颈。 [事实] 他的产品方法变成：发现大家共同遇到的问题，顺着需求多做半步，而不是说服用户接受长远预判。 [推测] 这也是标题中“只想未来 3-6 个月”的核心含义：在 AI 快速变化中，把赌注缩短到当前确定趋势和真实痛点。

[53:24] 跟随不是抄，而是降低自我预判成本

[事实] 王文锋解释“跟随”为跟随正确的大方向或明确趋势；在 AI 发展太快时，一个预判可能最多只管一到两个月。 [事实] 他认为过强预判会让团队把注押在单一路线上，压错后转向成本和反应速度都会变慢。 [事实] 他以是否做 GenSpark 的内部讨论为例，反思创业者常因差异化叙事放大 ego。 [事实] 他强调跟随不是抄，而是更客观地认识自己哪里没做对；今年最期待的是 AI 管 AI 的产品到底如何发展。

播客点评/总结

[推测] 本期最大的价值，是把 OpenClaw 放在 Agent 产品形态演进中讨论，而不是停留在功能介绍。它清楚呈现了一个判断：coding agent 可能从开发工具变成通用行动层，进而改变 SaaS、组织分工和创业节奏。

[推测] 亮点在于王文锋大量使用自己团队的真实工作流做例子，包括项目管理工具、GitHub、聊天系统、PR 和 token 支出，这让“AI 管 AI”不只是概念讨论，而是有了具体操作路径。

[推测] 局限是节目中的不少判断依赖嘉宾对模型能力继续提升的信心，例如 skill 替代 SaaS know-how、Agent 已能处理大多数复杂任务等；这些判断很有启发性，但仍需要更多跨行业实践验证。

[推测] 这期适合 AI 创业者、产品负责人、工程团队管理者和正在重构研发流程的人听。对于只想了解单个工具怎么用的听众，内容会偏战略和范式判断；对于关注未来 3-6 个月产品机会的人，信息密度很高。