中文網際網路上最火的 AI 新物種，叫 OpenClaw，也叫“小龍蝦”。熱度有多真實？小紅書、知乎、B 站滿是安裝教學，從 Mac 到舊手機都能部署。有人做付費課程，有人提供上門安裝服務，甚至出現了專門的知識星球。這說明中國使用者不只是圍觀，已經在真實使用。但裝上容易，用好難。3 月 5 日，LangChain 創始人 Harrison Chase（LangChain 是目前最主流的 AI Agent 開發框架）在訪談裡提到：做一個能在推特上演示的 Agent 很容易，但要讓它每天穩定幹活，非常難。其實 AI Agent （智能體）的想法不新鮮。AutoGPT 兩年前就在做：讓模型循環運行，自己呼叫工具，自己完成任務。但 AutoGPT 沉寂了，OpenClaw 卻火了。為什麼 AutoGPT 沉寂了，OpenClaw 卻火了？為什麼演示容易，運行難？一個真正能幹活的 Agent 需要什麼？企業怎麼才能看清 Agent 在做什麼？這些問題的答案，Harrison Chase 在這次訪談裡講得很清楚。第一節 ｜為什麼突然所有公司都在裝龍蝦OpenClaw 的爆火看起來很突然。但在 Harrison Chase 看來，這件事其實準備了很久。時間往前倒兩年，開發者圈出現過一個類似項目叫 AutoGPT。它一度成為GitHub 增長最快的開源倉庫，很多人第一次看到：原來 AI 可以不斷循環運行，自己呼叫工具，自己繼續完成任務。它的做法就是：模型思考，呼叫工具，根據結果繼續行動。但 AutoGPT 很快就不火了。為什麼？那時候的模型還不夠穩定。任務一長，模型做著做著就亂了，或者在同一個步驟裡反覆打轉。演示很驚豔，實際用起來經常出問題。Harrison Chase 後來總結過：想法很美好，但要讓它可靠地運行，其實很難。過去一年，這個難題開始有解了。模型能力明顯提升。Claude、GPT 以及新一代大模型，處理長任務時更穩定，呼叫工具也更準確。但更關鍵的變化是：Agent 開始有了管理自己工作環境的能力。最明顯的是檔案系統。它們可以把資訊存到檔案裡，需要的時候再讀取。它可以像人在電腦上工作一樣，有地方放資料，有地方寫草稿，任務做到一半可以保存，然後繼續往下走。模型變聰明，加上有了檔案系統，就讓 OpenClaw 這樣的 Agent 真正能用起來了。技術不是突然誕生的，只是慢慢跨過了某個臨界點。所以你會看到，越來越多公司開始把龍蝦裝進自己的系統。第二節 ｜演示容易，幹活難在那裝上龍蝦之後，很多公司很快會發現：Agent 看到的資訊和人類不一樣。人在工作時，可以自己決定要看那些資料，要跳過那些細節。但 Agent不行。它只能看到你給它的資訊。給多了處理不過來；給少了又會亂套。Harrison Chase 提到 AutoGPT 當年的做法：如果呼叫一個 API，返回了 40000 個 token 的資料，它就直接把這 40000 個 token 全部塞給模型，作為下一步的輸入。結果就是：資訊量太大，模型根本處理不過來。到了OpenClaw 這一代，思路變了：把這 40000 個 token 存到檔案裡，只告訴模型前面 1000 個 token 的內容。如果 Agent 判斷需要更多資訊，可以自己用工具去讀完整版。這個改變看起來很小，但本質上是把控制權交給了 Agent 本身。它可以決定自己要看什麼、什麼時候看。Harrison Chase 管這個叫上下文工程：在正確的時間、以正確的格式、把正確的資訊給到模型。任務一長，Agent 需要的資訊就會越來越多。你要決定那些資訊應該一直保留，那些可以暫時放一邊，那些應該壓縮，那些需要詳細展開。這就是讓 Agent 真正幹活的關鍵所在。第三節 ｜ 能幹活的 Agent 需要什麼第二節說的上下文管理問題，怎麼解決？Harrison Chase 在訪談裡提到，需要一整套結構。這套結構現在已經相對清晰了。1. 首先是規劃讓 Agent 在動手之前先想清楚：這件事需要那些步驟，每一步應該做什麼。具體做法是給它一個待辦事項列表工具，讓它自己記錄任務進度。這樣 Agent 就不會做著做著忘了目標。2. 然後是子 Agent當任務太複雜時，可以把它拆成幾個小任務，每個小任務交給一個專門的子 Agent 去做。比如一個負責查資料，一個負責寫程式碼，一個負責整理結果。為什麼要這樣做？因為每個子 Agent 有一個清晰的上下文窗口，只關注自己的小任務，不會被其他資訊干擾，可以真正深入把事情做好。做完之後，把結果交回給主 Agent。3. 接下來是檔案系統它的作用遠不止“有地方存檔案”。真正重要的是：檔案系統讓 Agent 可以管理自己的上下文。Agent 可以把暫時用不到的資訊存到檔案裡，需要的時候再讀取。它可以把大塊的工具返回結果先存起來，只看摘要，要深入瞭解時再打開完整版。這就解決了第二節說的資訊過載問題。4. 最後是提示很多人以為模型變聰明了，提示就不重要了。事實正好相反。Claude Code 的系統提示詞，如果把工具定義也算進去，大約有 2000 行長。提示仍然極其重要，因為它決定了模型會怎麼推理、Agent 會怎麼行動。有了這套結構，Agent 就有了幹活的基礎。第四節 ｜企業的難題：你根本不知道 Agent 在做什麼規劃、子 Agent、檔案系統，這些都有了。但 Agent 還是會出問題。這時候，一個新的難題又來了：它們到底在系統內部做什麼？傳統軟體出了問題，開發者可以很快定位。因為程序是按固定流程走的，每一步都有記錄。但 Agent 不一樣。它根據任務內容不斷生成新的行動：呼叫工具、修改檔案、重新規劃。從外面看，任務在繼續，但如果中途出錯，很多團隊根本不知道它之前做過什麼，也不知道在那一步開始出問題。不知道 Agent 在做什麼，帶來兩個麻煩：一個是偵錯困難。任務失敗了，不知道那裡出錯。另一個是安全風險。Agent 有權限呼叫工具、修改檔案、訪問資料。以OpenClaw 為例，它權限很高，能做很多事，但缺乏護欄。LangChain 現在直接禁止員工在工作電腦上裝，就是擔心不可控的風險。OpenClaw 的高權限正是它威力所在，問題是現階段的版本缺乏企業級的安全控制。企業需要的是一個既強大又可控的版本。怎麼做到可控？要知道 Agent 在做什麼，就得先把每一步行動都記錄下來。這叫執行軌跡。但記錄只是開始，真正的挑戰是：當 Agent 大規模執行階段，這些軌跡會變成海量資料。Harrison Chase 在訪談裡講到兩個真實案例：一家叫 Clay 的公司在用 Agent 做客戶資料自動化，每月運行數百萬甚至數十億次，他們不可能用肉眼去看這些軌跡。還有程式碼開發平台 Replit，他們的軌跡可以長達數千步，你需要在單一軌跡內部搜尋，找到某個具體時間點發生了什麼。面對這種規模，只能用 LLM 去分析這些執行記錄，自動尋找問題。比如找出使用者可能困惑的地方，或者連續呼叫同一個工具三次但得到不同錯誤的地方。LLM 可以對軌跡進行分類、聚類，告訴你使用者在怎麼使用這個系統。Harrison Chase 的判斷是：這件事可能比模型能力更重要。執行軌跡和可觀測性，是讓 Agent 真正發揮作用的核心要素，也是 LangChain 真正的護城河所在。因為當 Agent 開始承擔越來越多工作時，企業需要的不只是一個聰明的模型，更需要一套能看清它在做什麼的工具。有了結構，再加上可觀測性，Agent 才能從偶爾成功的演示，真正變成每天穩定幹活的工具。結語｜裝上只是第一步OpenClaw 的流行，讓很多公司開始把 Agent 接入實際工作。但裝上只是第一步。讓它穩定運行，需要解決上下文管理問題。讓它從演示走向生產，需要規劃、子Agent、檔案系統這套結構。讓它真正安全可靠，還需要可觀測性。這些，就是 Harrison Chase 說的答案。裝龍蝦不難，難的是這些。 (AI 深度研究員)
