主题：AI 公司的自我加速——当 AI 开始给自己写代码

日期：2026年3月29日

开场

大家好，这里是《范凯说 AI · 周日晚聊》，今天是第13期。

上周我们聊了一个话题：AI 编程智能体是新一代操作系统之争。这周发生了一连串的事情，让我更加确信这个判断。而且我想到了一个更深层的问题——为什么编程智能体是所有 AI 能力中最关键的那一个？

今天聊三件事：

第一，OpenAI 关闭 Sora，砍掉一切”副业”，全力押注编程和企业应用；第二，Anthropic 双重暴击——Claude 可以接管你的电脑了，还泄露了一个比 Opus 强一个量级的新模型；第三，也是本周最想聊的——当 AI 开始给自己写代码，AI 公司正在进入”递归加速”的临界点。

在正式开始之前，先补充一下上周的话题。我这周用了一下 Claude Code 的 Channel 功能，体验非常好。过去用 OpenClaw（小龙虾）的时候，如果通过 Telegram 给它下任务，它在执行长程任务时，你不知道中间发生了什么，有可能执行很长时间最后告诉你失败了。像我这种工程师出身的人，就特别希望能够监控过程、中间能够干预。而 Claude Code 的 Channel 功能恰好解决了这个问题——我既可以用 Telegram 远程下命令，又可以通过远程终端连上去看到所有详细信息。两种交互方式兼得，非常不错。

第一部分：本周 AI 新闻

新闻一：OpenAI 关闭 Sora——副业全砍，聚焦编程和企业

本周最大的新闻：3月24号，OpenAI 正式宣布关闭 Sora App。

Sora 是去年最火的 AI 视频生成工具，上线5天下载量破百万，比 ChatGPT 还快。迪士尼砸了10亿美元投资 OpenAI，把授权的漫画角色全部开放给 Sora 使用。结果半年多时间，OpenAI 自己把它关了。

Sora 为什么留不住人？

第一，版权问题。一开始用户可以随意使用任何风格做视频，后来因为版权限制越来越多，用户能做出的惊艳视频大幅减少，兴趣直线下滑。其实 Seedance（字节跳动的视频生成模型）也碰到了同样的问题——刚出来的时候特别惊艳，各种武打动作换脸视频刷屏，但这些背后都是训练了有版权的电影数据，后来被各个电影公司起诉，加上算力不足，体验也平淡了很多。

第二，太烧算力。每生成一条视频消耗的 GPU 资源是文本对话的几十倍甚至上百倍。OpenAI 自己的说法是：”每一块用在 Sora 上的 GPU，都是从编程和企业业务那边抢过来的。”编程智能体那边在快速增长，这边烧一块 GPU 就少一块，从经济上不划算。

第三，Sora 的累计收入只有140万美元。对一家估值7000多亿美元的公司来说，这个数字约等于零。

但 Sora 之死只是表面，真正的信号是 OpenAI 整体战略的大转向。

这周不止砍了 Sora，还有一连串动作：

第一，整合桌面超级 App。 把 ChatGPT、Codex 编程工具、Atlas 浏览器统一合并成一个桌面应用，不再维护分散的产品线。

第二，退出电商。 ChatGPT 里之前嵌入的购物支付功能现在完全放弃，不自己做交易，只做产品推荐。这是非常明确的 C 端战略收缩。

第三，产品部门改名为”AGI Deployment”。 目标非常明确地冲着 AGI 方向发展。

第四，全力聚焦编程智能体。 包括2月份以招聘方式收购了 OpenClaw（小龙虾）的作者 Peter Stanberger 加入 OpenAI，本质上是一次并购。

把这些信号拼在一起，结论很清楚：OpenAI 过去一年四处出击——C 端、B 端各个方向。现在它发现 Claude 已经跑到前面去了，终于意识到在 Agent 领域如果再不加把劲，很有可能会被超越。

为什么 Claude 能跑到前面？因为如果你是编程智能体的重度用户，毫无疑问最想用的是 Claude 模型。我自己的体感是：Opus 排第一，Sonnet 有一些差距但也还不错，都在水平线之上。切到 GPT 5.4 之后感觉直线下降，必须用提示词强行约束，而且上下文一长就开始变弱。所以在智能体领域，Claude 模型遥遥领先，GPT 勉强可以接受，其他的只能作为备胎。

新闻二：Anthropic 双重暴击——接管你的电脑 + 泄露下一代超级模型

说完 OpenAI 的收缩，再说 Anthropic 的扩张。这周 Anthropic 放了两个大招。

第一个大招：Claude Dispatch + Computer Use——AI 可以直接控制你的电脑了。

Claude 的桌面版应用 Cowork 新增了 Computer Use 功能，配合 Dispatch，你可以在手机上给 Claude 下命令，它就能操控你桌面上的电脑——打开浏览器、发帖、登录邮箱、打开桌面软件，所有操作全部可以完成。配置方法也非常简单，拿手机扫一下桌面上的码就行了。

我自己亲自试过。我让它打开我 Mac Studio 上的浏览器，登录 YouTube 后台。前几天我发了一个视频播放量不好，就在手机上跟它说：”你看一看我最近发的 YouTube 视频播放量怎么样。”它说播放量不好。我说那为什么不好，你给我分析一下。它一通分析后建议我改标题，说标题应该告诉读者看了这个内容能获得什么。我说好，那你直接帮我改了。它就真的打开 YouTube 后台把标题改了，然后重新提交。

这意味着什么？以前 AI 只是在聊天框里帮你，你问问题它给答案，然后你自己去执行。现在它可以直接上手干活了。这是 AI 从”顾问”变成”员工”的分水岭。当然，目前 Computer Use 的缺点是比较消耗 Token，速度也不快，但能力已经实实在在地具备了。

第二个大招：Claude Mythos 泄露——下一代超级模型意外曝光。

3月27号，Fortune 独家报道：Anthropic 官网出现了配置失误，大量内部文件被公开暴露。其中最劲爆的是一篇未发布的博客文章草稿，提到了一个新模型——Claude Mythos。

这个模型比现在的 Claude Opus 4.6 还要高一个等级，在编程、学术推理和网络安全测试上的分数大幅超越所有现有模型。据说已经有部分 Claude Code 的尝鲜用户能够使用这个模型了。

Anthropic 被问到这件事后没有否认，官方回应是：”我们正在开发一个通用模型，在推理、编程和网络安全方面有显著进步。我们认为这是我们迄今为止最强的模型。”

之所以还没有正式发布，是因为这个模型在网络安全方面的能力太强了，强到 Anthropic 自己都觉得需要谨慎。它可能帮助人们发现大量软件漏洞，被利用发起网络攻击。所以 Anthropic 计划先小范围测试，然后逐步开放，不会一次性全量上线。

把 Anthropic 这两件事放在一起看——Computer Use + Mythos——你会发现一个清晰的战略闭环：

更强的模型带来更强的编程工具，更强的编程工具产出更多更好的产品，更好的产品反过来加速自身迭代，甚至加速训练更好的模型。这是一个正向循环。

第二部分：个人感想——当 AI 开始给自己写代码

一、Anthropic 的迭代速度突然变了

有人统计了 Anthropic 的产品发布节奏，数据非常震撼：从2月1号到3月23号，短短52天，Anthropic 推出了73个产品级发布，平均一天1.4个。

举几个例子感受一下这个密度：

• 3月9号：Claude Code 多代理上线，一个主 Agent 可以同时指挥几个子 Agent 并行干活。

• 3月11号：Cowork 打通了 Excel 和 PowerPoint，桌面办公无缝对接。打通的当天，微软股票大跌。

• 3月12号：Voice Mode 同时在桌面端和 Cowork 上线，可以语音交互了（目前只支持英文）。

• 3月17到23号：Dispatch、Channel、Loop 循环拉长到7天、Computer Use 研究预览……

一周之内发了这么多东西，而且不是小修小补，每一个都是产品级的功能。回忆一下去年的节奏，大版本更新之间通常隔几周甚至一两个月。但从今年2月开始，节奏完全变了——从按月更新变成按周更新，再变成按天更新。

整个美股 B2B 软件板块因此受到冲击——2月份美国 B2B 软件板块整体下跌了8.3%。市场在重新评估：如果 AI 公司以这种速度迭代，传统软件公司还有活路吗？

那问题来了：为什么 Anthropic 突然变这么快？

二、我的判断：编程智能体的递归加速效应

我的判断是：Anthropic 的迭代加速，很可能是因为它自己的编程智能体 Claude Code 已经在深度参与 Anthropic 内部的产品开发了。 据说 Anthropic 整个公司全部都在用 Claude Code，整体提效至少在50%以上。

上周我和一位20年前的合作伙伴通了电话，他是我合作过的能力最强的程序员。过去几年他每年在 GitHub 上提交代码大约1200到1700次，平均一天4-5次。最近几个月他完全不再手写代码了，全部用编程工具。我看了一下他的 GitHub，从今年2月到3月，不到两个月的时间，他的提交次数已经接近1000次——也就是说不到两个月的工作量已经达到了他过去一整年的80%。效率提升了3-4倍。

而这个顶尖的程序员，我觉得他本身至少相当于4-5个普通程序员的水平。再乘以3-4倍的效率提升，一个人顶15个普通程序员是没有问题的。

如果 Anthropic 内部从2月开始大规模使用 Claude Code 来辅助自身产品开发，而且他们可以用上自己内部最新最强的模型，那它的产出能力理论上可以翻几倍。而这些产出反过来又在改进 Claude Code 本身——让它更强，然后再用更强的 Claude Code 来做下一版产品。

这是一个正反馈循环：AI 帮自己写代码 → 产品迭代加速 → AI 变得更强 → AI 更高效地帮自己写代码 → 产品迭代进一步加速……

这就是”递归加速”。Claude Mythos 的泄露恰好印证了这一点——Anthropic 怎么可能在这么短的时间内训练出一个比 Opus 强一个量级的模型？除了算力和数据，最重要的原因就是它的工程效率在飞速提升。用一个形象的说法——左脚踩右脚在飞升。

这就解释了为什么编程智能体是 AI 竞争的制高点。

不是因为编程工具的市场规模最大，也不是因为程序员付费意愿最高，而是因为——编程智能体是唯一一个能让 AI 公司自己变强的能力。

你做一个 AI 视频工具，它不会让你的公司迭代更快；你做一个 AI 搜索引擎，它不会让你的工程团队效率翻倍。但你做一个 AI 编程智能体，它会直接加速你自己公司所有的产出。

所以 OpenAI 砍 Sora 全力做 Codex，Anthropic 从一开始就 all-in Claude Code。这不只是一个产品线的选择，这是关于谁能先进入指数增长的竞赛。

三、临界点之后会发生什么

如果 AI 公司正在进入递归加速，那接下来会怎样？我认为有三个趋势。

第一，AI 公司之间的差距会急剧拉大。

以前大家觉得大模型之间差距在缩小——DeepSeek 追上来了，Kimi 也不错，开源模型也能用了。但递归加速意味着：一旦某家公司的编程智能体突破了临界点，它的迭代速度会和竞争对手拉开指数级的差距。就像 Anthropic 现在按天更新，别的公司还在按月更新。这个差距只会越来越大。

目前最领先的编程智能体产品就那么几个：Claude Code（加上 Claude Cowork 的整个体系）排第一；其次是 OpenClaw（小龙虾）；然后是 OpenAI 的 Codex，在长程任务和 Code Review 上表现也不错。再往后面几乎看不到竞争对手了——Google 的 Gemini CLI 还差得很远，微软的 GitHub Copilot 更是差距巨大。至于国内，我认为最有希望的是字节。

第二，AI 产品的更新速度会超过用户的学习速度。

很多人说还在学提示词呢，MCP 就出来了；MCP 还没学完，就说不行了要用智能体了；智能体还没学呢，又有新东西出来了。

对普通用户来说，最重要的忠告是：不要试图掌握每一个功能，不要追每一个热点概念，而是掌握你自己的核心工作流。 结合你擅长的事情，用 AI 把你的工作流效率提升上去。比如你做内容创业，就思考怎么让 AI 帮你做选题、做数据分析；你做软件开发，就让编程智能体帮你写代码、自动发布；你做跨境电商，就让 AI 帮你选品、上架、做结算。先定义出你的工作流，再拿合适的工具去提升它。天天追工具不落地，就像前面挂着胡萝卜的拉磨驴，永远吃不到。

第三，传统软件公司会加速失去护城河。

如果 AI 公司一天能迭代一个新特性，传统 SaaS 公司按季度发版的节奏就完全跟不上了。

一个很直观的数据：微软今年股价已经暴跌21%，是2008年金融危机以来最差的开局，从去年高点跌了超过25%。 为什么？因为 Anthropic 的 Cowork 推出后可以直接操控 Word、Excel、PowerPoint，正在侵蚀微软最核心的盈利产品——Office 365 和企业软件套件。

有人开玩笑说：”Anthropic 每发布一个新功能，微软的股价就跌一点。”数据印证了这一点——3月24号 Anthropic 发布 Computer Use 当天，微软当天跌了2.6%，整个软件板块 ETF 跌了4%。

护城河不是一天被攻破的，是被每天一个小突破慢慢填平的。

四、对普通人意味着什么

说了这么多行业分析，落到每个人身上，我认为有三点：

第一，现在开始用 AI 编程工具，比以后再用好得多。

不管你是不是程序员。哪怕你只是用 AI 来处理 Excel、写脚本、做自动化，这个能力的价值只会越来越高。AI 编程工具本身在加速进化，今天你花时间学会了基本逻辑和工作流，三个月后工具升级了你就能立刻享受到红利。

选哪几个？小龙虾、Claude Code、Codex，就这三个。如果你喜欢折腾开源工具，还可以加上一个 Open Code。

第二，选一个主力生态，深扎进去。

不差钱的、能解决访问问题的，可以直接用 Claude Code。GPT 生态更友好——不封号、量给得足。你不需要两个都精通，选一个适合你的，把你的工作流建起来——内容创作工作流、产品设计工作流、软件开发工作流、市场营销工作流，都可以。

第三，关注递归加速的信号。

当你发现某个 AI 产品的更新速度突然加快，某个 AI 公司的功能发布变得密集——大概率它的编程智能体已经在帮它自己干活了。这种公司的产品和生态值得优先投入。因为它的进化速度会越来越快，你跟着它，等于搭上了一辆加速的列车。

用一句话总结：在一个 AI 自我加速的世界里，最聪明的策略不是追赶每一个新功能，而是站在加速最快的那个生态上。

第三部分：观众互动

问：很多程序员一直只是写代码完成公司任务，要做 OPC（一人公司）完全不知道做什么产品，束手无策，该怎么办？

很简单，从你能想到的最简单的产品开始做出来。你会说这产品肯定没人用、肯定失败。我告诉你，100%失败，但不重要。因为你在做这个失败产品的过程中会学习、会积累经验。第一个失败了，再做第二个、第三个、第四个。你连续做10个失败的产品，在这个过程中一定会产生想法。

重要的不是怎么想，而是有没有去做。在做的过程中才有想法，不做永远没想法，做得越多想法越多。

有人说程序员就是需求承接方，不是需求的产生方。你不也生活在社会上吗？你不也是消费者、也在用软件吗？不要把自己定义成一颗螺丝钉。我觉得很多国内从小刷题教育长大的人，最可怕的就是自觉自愿地把自己定位成一颗螺丝钉。你先把自己从螺丝钉变成一个活生生的人——打打游戏、出去旅游、跟别人多交谈，慢慢需求就产生了。放松，不放松你哪有需求。

问：AI 可以完成90%的开发，但最后10%会要你的命，有好的解决办法吗？

说得对，现在 AI 编程还没有完全解决最后一公里的问题——本质上是验收的问题。但按照当前 AI 智能体的迭代速度，我认为一到两年内验收环节就能解决。你其实不需要管智能体开发出来的代码是不是屎山，重要的是把验收的测试用例写得足够好，你愿意烧足够多的 Token，它最后一定会交给你一个满意的结果。

这跟下围棋是一个道理。人脑能量有限，只能基于经验和灵感找到自认为最合适的下法。但 AI 不管这些——所有路径全部试一遍，然后找到最好的。就像《复联4》里奇异博士用时间宝石回溯了1400多万次，找到了唯一打败灭霸的方法。这是一种暴力破解法。

问：Minimax 的模型怎么样？GLM 5.1 和 Kimi K2.5 呢？

Minimax 的模型实际上是蒸馏 Claude 蒸馏得最狠的，所以跑起来最像 Claude。但它毕竟是蒸馏模型，基座不强。如果你执行的任务比较浅、两三个回合就完事，它会让你感觉很好。但如果执行一个很复杂的长程任务，就会暴露原形了。

国内这几个模型最大的问题是算力不足。我自己把 GLM 和 Kimi 都用过，当作备用模型放在后台跑量大管饱的任务，基本上都会碰到 API 限流的问题。所以我现在倾向于用自己本地的模型来跑，不存在被限流的问题。

如果硬要排序的话：GLM 5.1 最好，Kimi K2.5 中间，Minimax 最差但也最便宜、速度最快。当然，跟海外的模型相比差距还是很大的。

关于本地模型： 我在 Mac Studio（128G 内存）上跑了两个模型——千问 3.5（35B，多模态，需要处理图片时用）和千问3 Code Next（80B 专家模型，推理时只用3B，用于编程和文本处理）。4比特量化就可以跑，速度跟调云端模型差不多，相当不错。

收尾

今天的内容就到这里。每周周日晚上，《范凯说 AI · 周日晚聊》，跟大家分享本周 AI 行业新闻、个人思考，然后和大家交流互动。晚安，下周见。

主题：AI 编程智能体大战：新一代操作系统之争

日期：2026年3月22日

开场

大家好，这里是《范凯说 AI · 周日晚聊》，我是范凯。今天是第12期，2026年已经过了12周了。

今天我们重点聊三件事：第一，英伟达 GTC 2026 大会；第二，AI 编程智能体大战的胶着态势；第三，会员社群的最新进展。

会员社群进展速报

上周第11期直播的时候，我正式发布了付费会员社群。目前已经有超过40人付费入群，首批50个名额还剩不到10个。

这一周主要在忙会员社群的交付，做了四件事：

第一，深度内容。 已经交付了第一篇深度文章，希望未来每周至少交付一篇深度内容。

第二，每周会员直播。 会员直播采用 Google Meet 视频会议系统，每个人都可以发言，通过语音和视频直接沟通交流，互动性比视频号直播强很多。

第三，每日经验分享。 每天我都会在会员频道写一些内容，分享自己创业的最新进展和见闻。

第四，相互链接的社区。 今天会员直播有20多人做了自我介绍，有在海外的、在香港的、在法国的、在日本的，未来出海都是可以链接的资源。

今天主要聊三件事：

• 第一，英伟达 GTC 2026 大会——从卖显卡到卖 Token；

• 第二，国内大模型的新格局——性价比梯队成型，但算力仍是瓶颈；

• 第三，AI 编程智能体大战：新一代操作系统之争。

新闻板块

新闻一：英伟达 GTC 2026——从卖显卡到卖 Token

英伟达 GTC 2026 大会，3月16号到19号在美国圣何塞举办。黄仁勋做了一个两个多小时的主题演讲，发布了很多东西——最新的 GPU、集成的 CPU、机器人仿真框架等等。

但我觉得所有这些发布加在一起，都不如黄仁勋演讲中的一句话重要。

他说：数据中心不再是存储和处理数据的地方，而是”AI 工厂”（AI Factory）。这座工厂生产的产品是什么？是 Token。

这意味着英伟达的商业模式发生了重大转变。过去是生产显卡、卖 GPU，现在是卖 Token。

怎么理解这个转型？

黄仁勋给出了一个新公式：AI 工厂的输入是电，输出是 Token。一座 AI 工厂的电力是固定的——一吉瓦就是一吉瓦，你不可能凭空变出两吉瓦。所以决定这座工厂赚多少钱的，是单位电量能产出多少 Token。黄仁勋认为英伟达的解决方案能让每单位电量产出的 Token 最多，所以越买越便宜、越买越赚。

以前英伟达卖的是算力——你买我的 GPU，自己去搭数据中心。现在卖的是 Token 产能——帮你建一座 AI 工厂，这座工厂每秒能吐出多少 Token，就是你的生产力。英伟达不再是卖铲子的，它是直接帮你建金矿。

为什么是现在？

因为推理拐点到了。

黄仁勋在演讲中说了一句话：”The inference inflection has arrived”——推理拐点已经到了。

过去三年，大家讨论 AI 芯片都在说训练——需要多大的 GPU 集群才能训练出多大参数量的模型。但训练是一次性的，训完以后可以用很长时间。而推理是持续性的——每次用户提问、每次 Agent 调用、每次 API 请求，都在消耗推理算力。

特别是从去年下半年开始，Claude Code 出来了，编程智能体的普及使得 Token 消耗量急剧增长。今年年初 OpenClaw 小龙虾推出，进一步推动了推理需求。微信也推出了 Bot，可以直接接入小龙虾——基本上以后人手养一只小龙虾，推理 Token 的需求量在暴增。

黄仁勋用一个数字证明了这一点：过去预估到2026年的订单约5000亿美元，这次直接上调到2027年达到1万亿美元。1万亿美元，全球市值能超过1万亿的上市公司也就10家。

为了吃下推理市场，英伟达做了一件大事。

去年花了200亿美元收购了 Groq——一家专门做推理芯片的创业公司。Groq 做了一个 ASIC 专用芯片叫 LPU（Language Processing Unit），专门为大语言模型的推理做了优化，推理速度极快。

英伟达收购 Groq 后不到一年，就把 LPU 技术整合到了自己的架构里，形成了混合芯片方案：训练时用英伟达自身的芯片，推理时大量使用 LPU 芯片，推理速度可以提升最多十倍。

训练芯片的市场，英伟达已经是绝对领先。接下来的主战场是推理——用最少的电，吐出最多的 Token。

这个趋势其实各家都在尝试。比如 GPT-5.4 也推出了 GPT-5.4 Fast 版本，就是 OpenAI 和硅谷的推理芯片公司 Cerebras 合作，在推理速度上提高了很多倍。

黄仁勋还说了一段值得每个人听的话。

他说：未来英伟达每一位工程师都有一个年度 Token 预算。基础年薪可能是几十万美元，在此基础上再拿出大约一半的金额作为 Token 额度。比如一个年薪50万美元的工程师，英伟达额外再配25万美元的 Token 预算——你每年至少要消耗25万美元的 Token，这样才是一个合格的工程师。你不会消耗 Token，就不是合格的 AI 时代工程师。

以前公司给你配电脑、配工位。以后公司给你配的是 Token 预算。Token 就是 AI 时代的生产资料。

我的判断：

第一，Token 的成本一定会持续下降。 我们当前消耗 Token 的方式是一个过渡时期，有点类似于 iPhone 刚诞生时的 2G 时代。我用第二代 iPhone 的时候，都是先打开 2G 网络加载 Google Reader 的文章，加载好后关掉网络再离线阅读——跟我们现在非常节省 Token 的做法一模一样。但到了 3G、4G 网络时代，谁还去省流量？Token 就是 AI 时代的流量套餐，一定会越来越便宜。

第二，Token 成本下降会加速 Agent 的普及。 这对 OPC（一人公司）是最大的利好——你用 Agent 干活，最大的成本就是 Token。Token 越便宜，创业的运行成本就越低，同时也创造了更大的需求市场。

一句话总结：AI 时代的石油不是数据，是 Token。英伟达要做的，就是 AI 时代最大的流量运营商。

新闻二：国内大模型新格局——性价比梯队成型，但算力仍是瓶颈

国内大模型现在形成了”三小龙”格局，跑 Agent 最受欢迎的三家：智谱、Kimi、MiniMax。

第一，智谱发布了 GLM-5-Turbo。 这个版本据说专门为跑 Agent 进行了优化。同时 API 价格涨了20%，这已经是今年第二次涨价了。2026年一季度，智谱的 API 价格接近翻倍。价格上涨说明一个问题——算力不够。

第二，Kimi 的 K2.5 被 Cursor 封装使用了。 这两天闹得沸沸扬扬，Cursor 号称是自己训练的模型，结果一扒原来是 Kimi 的 K2.5，遭到了 Kimi 的抗议。但这也意味着 Kimi 的模型已经进入海外主流开发工具的生态，得到了全球开发者的认可。

第三，MiniMax 发布了 M2.7。 MiniMax 的模型向来是又快又便宜，据说大量蒸馏了 Claude Opus，是最像 Claude Opus 的国内模型。

这三个模型放在一起看，一个非常明显的趋势：国内大模型的”性价比梯队”正在成型。 不是所有任务都需要用 Claude Opus 或 GPT-5.4 这种顶级模型。在日常对话、文本整理、简单代码辅助等常规场景下，国内模型的性价比非常高。

关于 DeepSeek 的现状。 DeepSeek 目前确实很安静。我听到的说法有两个：一是核心人员罗福丽被小米挖走，最近小米的 MIMO 大模型刷榜很厉害；二是 DeepSeek 在国产昇腾芯片上做深度优化训练下一代模型，但经常训崩，导致进度严重落后于预期。抛开这些原因，DeepSeek 本质上是一个研究型团队，更关心的是在有限硬件条件下能把模型做多强、多接近硅谷最强水平，产品化做得很弱，所以很难进入主流商业市场。

关于模型能力的排序。 以跑编程智能体和小龙虾的实际体验来看：第一梯队是 Claude Opus，第二梯队是 GPT-5.4 和 Claude Sonnet，第三梯队才是国产模型。

不过，经过系统提示词的调优，GPT-5.4 的表现可以大幅提升。我直接跟小龙虾说”你回答问题太啰嗦了，你能不能像 Claude Opus 那种风格给我回答问题？你总结一下 Opus 的风格是什么，你的风格是什么，然后把自己改成 Opus 风格。”经过一番 PUA 之后，它乖乖写了新的提示词，发现确实好用了很多。如果以 Claude 作为100分的标杆，原来 GPT-5.4 只有50分，调优后能达到70-80分。

但问题也很明显：算力不足。 经过我密集使用智谱和 Kimi 的套餐，发现国产模型最大的缺点就是算力不足。重度使用特别是多个并发使用的时候，会频繁触发 API rate limit，拒绝请求。我跑小龙虾后台任务时翻看日志，大量因限流导致的错误信息，最后任务执行失败，非常恼火，最后不得不把这些模型从小龙虾的配置里去掉了。

我的判断：

第一，国内大模型从”价格战”转向了”价值战”。 智谱敢涨价，说明它认为自己的模型有不可替代性了。免费和低价的窗口期正在关闭。

第二，”模型组合”比”押注单一模型”更重要。 简单任务用便宜的，复杂任务用贵的。搭建适合自己的模型组合，比等哪个模型降价更实际。

第三，算力瓶颈仍是国内大模型最大的短板。 最近 Supermicro 的创始人因走私25亿美元货值的英伟达设备到中国而被抓，可能要判25年——算力瓶颈短期内很难彻底解决。

个人感想：AI 编程智能体大战——新一代操作系统之争

核心观点

AI 编程智能体不只是一个工具，它是 AI 时代的操作系统。谁赢了这场仗，谁就拿到了未来十年最大的入口。

大厂都在抢编程工具链

这一年，AI 智能体特别是编程智能体发展非常快。一个明显的趋势是：头部大模型厂商都在把最主要的资源投在 AI 编程智能体上——不是聊天机器人，不是图片生成，而是编程。

先看两个不起眼但非常重要的收购：

• OpenAI 收购了 Astral（UV 背后的团队）——UV 是 Python 生态里增长最快的包管理工具。OpenAI 在抢占 Python 编程生态的工具链。

• Anthropic 收购了 Bun 背后的团队——Bun 是 Node.js 生态里的新一代运行时和包管理器。Anthropic 在抢占 Node.js 编程生态的工具链。

这两个收购说明：大模型厂商不只是在做 AI 模型，它们在整个软件开发的工具链上不停地加大投入。 它们要的不只是”你用我的模型写代码”，而是”你的整个开发环境都留在我的生态里”。

当前的竞争格局

第一阵营：Anthropic 的 Claude Code——AI 时代的苹果。

Claude Code 是目前做得最早、体验最好的 AI 编程智能体。它的优势：做得最早，有先发优势；做了很多创新，一直引领方向——不管是开源的 OpenCode 还是 OpenClaw，很多功能都是 Claude Code 先出来，然后其他的再去抄；Claude 模型本身的代码能力非常强。

而且 Claude Code 的产品线在快速延伸：Claude Code 本体、桌面应用 Claude Coworker、远程管理能力 Claude Dispatch（可以在手机端的 Claude App 远程指挥电脑上的 Coworker 工作）、Claude Code Channel（在 Telegram 上直接指挥电脑上的 Claude Code 工作）。这两个新功能我这两天都试用了，虽然跟小龙虾比还是差很远，但确实让一个本地的 AI 工具具备了远程访问能力。

但它的问题也很明显：平台非常封闭。 只能用 Claude 的模型（虽然可以通过第三方工具换模型，但它会搞小动作，Claude Code 配 Claude 才能取得最好效果）；价格很贵，门槛很高（20美元套餐的五小时限额特别恶心，稍微敞开一点用 Opus，半小时就碰到限额了）；对中国用户来说还有动不动封号的致命问题。

Anthropic 非常像苹果：产品体验一流，但生态极端封闭，价格贵。

第二阵营：OpenAI 的 Codex + OpenClaw——AI 时代的安卓。

OpenAI 这边的布局：

• Codex 是 OpenAI 自己的编程智能体。Codex 虽然没有 Claude Code 那么 Fancy，但它的特点是默默无闻地工作，很少向你提问题，工作成果也很棒。如果你喜欢跟 AI 不停沟通、做过程干预，你会喜欢 Claude Code；但如果你就想让 AI 把活干完、不想管太多，Codex 非常好用。人狠话不多。

• OpenClaw 小龙虾 的作者已经被 OpenAI 招聘，OpenClaw 变成了 OpenAI 生态的一部分。

OpenAI 的策略相对更开放，模型比 Claude 稍微差一档，但量大管饱，各个地方都可以去用。

OpenAI 有点像安卓阵营：没有 iOS 那么精致，但更开放、更灵活、选择更多。

此外，Google 也推出了 Gemini CLI 加 Antigravity，Grok 也提出编程智能体是最重要的方向。但 Google 模型的指令遵循比较差，不太适合跑编程智能体和小龙虾，它的优势在多模态——文生图、文生视频、NotebookLM 的长上下文和知识库管理。

第三阵营：开源社区。

以 OpenCode 为代表的开源编程工具。目前开源社区在这场竞争中只能算辅助位置，不算主力。原因很简单——资源投入不足。编程智能体的开发需要大量的模型优化、工具链整合、基础设施建设，都需要很多工程师参与。OpenCode 的 VSCode 插件很简陋，桌面版迟迟出不来，一直是命令行版本——资源投入的不足非常明显。

为什么是”操作系统之争”

有人可能会问：不就是个编程工具吗？至于上升到”操作系统之争”的高度吗？

我觉得至于。这让我想到历史上的几场战争。

第一场：1980年代的操作系统大战。 苹果的 Macintosh、微软的 DOS/Windows、IBM 的 OS/2。苹果用户体验最好，IBM 的 OS/2 是最早的图形操作系统，但最后笑到最后的是微软的 DOS 和 Windows。

第二场：2000年代的桌面编程工具大战。 微软的 Visual Basic/Visual C++ 对阵 Borland 的 Delphi。Delphi 是当时桌面开发最好用的工具，跟微软抗争了很多年。还有 PowerBuilder、Sun 的 Java 等等。这场战争持续了相当长的时间，最后又是微软胜出，Delphi 没落了。

微软为什么能两次笑到最后？不是因为它的编程工具最好，而是因为它控制了操作系统。Visual Studio + Windows + .NET 形成了完整的闭环。Borland 的工具再好，脱离了这个生态就活不下去。

现在的 AI 编程智能体之争，本质上是同一场战争。

为什么？因为未来的软件形态会被 AI 编程智能体彻底吞噬。以后写软件不是人一行行敲代码，而是人告诉 Agent 要做什么，Agent 来写。改 bug、做测试、部署上线，都是 Agent 在跑。一个人就可以完成过去一个团队的工作量。

而且未来的软件形态会发生根本性变化。过去的软件追求通用性——写代码很贵，所以写完尽可能所有人都能用。但在智能体时代，写代码便宜了，用后即抛。未来的软件追求的是个性化——满足特定几个人的需求，通过智能体快速生成。代码不值钱了，值钱的是你跟 AI 沟通、定义需求规格的过程。 有了这些对话 session，你但凡觉得过去的代码不好了，扔掉，稍微改改优化优化，分分钟就可以复原一个更好的软件产品。

所以我完全不认为非工程师背景的人未来做不了软件——因为未来软件开发的形态彻底变了。

谁占据了编程智能体的市场，谁就拿到了 AI 时代最重要的入口。这不是工具之争，而是平台之争、操作系统之争、生态之争。

我自己的选择和判断

我当前的主力是 OpenClaw 小龙虾，日常使用、轻量级任务、自动化、知识管理、写作、个人管家、工作规划，全部放在小龙虾上。

但涉及到长程的编程任务——可能一跑就跑很长时间的那种，我不会用 OpenClaw 小龙虾。原因是它缺少过程输出，执行过程中不会实时输出，没办法进行过程干预，只能等拿到结果，如果错了再告诉它调整，整个反馈循环比较慢。所以大型编程任务我用 Claude Code 或 Codex，OpenCode 放在第三优先级。

OpenCode 我用得少了一些，不是因为它不好，而是在这场竞争中它是一个跟随者，不是引领者。Claude Code 在创新，Codex 在迭代，它们背后有 Anthropic 和 OpenAI 的资源在推。我的原则是：在技术快速迭代的时期，先关注引领者。 等战争的格局更清楚了，再做长期选择。

总结我的判断：

第一，Claude Code 目前领先。 体验最好，创新最多，先发优势明显。

第二，OpenAI 的 Codex + OpenClaw 组合正在形成有力的竞争。 更开放、更灵活。

第三，最终的竞争格局可能像 iOS vs Android。 Claude Code 像 iOS——封闭、精致、体验好、贵；Codex + OpenClaw 像 Android——开放、灵活、选择多。两个都会活下来。

对于 OPC（个体创业者）的建议： 强烈建议掌握两个东西——一个是 OpenClaw 小龙虾，用它完成绝大部分日常工作和轻量级任务；同时再掌握一个 AI 编程工具（Codex 或 Claude Code），用它完成重度的编程和长程任务。

观众互动

问：编程智能体会把软件架构完全忽略掉吗？

不会。大型软件如果一次性让它生成，一定会出问题。你自己事先要把架构拆分好，一部分一部分地开发。

问：AI 编程出错了怎么办？

出错很正常。关键是你要给它定义好测试用例，然后让它一遍遍跑测试用例，跑到对为止。

问：非 IT 背景想用 AI 编程，需要学一门编程语言吗？

不需要。但你需要具备一些动手操作的能力，比如配一些环境、经常操作终端窗口，这些需要熟悉一下。真正的编程不需要你来写。

问：编程智能体是走瀑布流还是敏捷路线？

当然是敏捷的路线。瀑布流在传统软件工程中就已经被证伪了。

问：学校里的计算机课程（C++、操作系统、数据结构）是否过时了？

传统教材过时了。这些知识当然有用，也需要学，但不要通过传统教材去学了。有任何问题直接问 AI，让 AI 来解释和教你。

问：微信支持了 OpenClaw 小龙虾，腾讯是否拿到了 AI 时代的船票？

没有。AI 时代真正的船票，第一张是 AI 大模型，其次是 AI 智能体的入口——这两个腾讯都没有。它只不过是一个连接的通道（Channel）。

问：Claude 的 Token 中转站可以买吗？

千万别买。第一，中转站不一定都给你用 Claude，中间可能混其他便宜的模型；第二，你图的是 Claude，人家图的是你的数据和隐私。宁愿自己花钱在官网直接购买，千万别用中转站。

问：如何避免 Claude 被封号？

三个要点：第一，不要频繁换 IP，选一个 IP 地址长期持续使用；第二，确保你的 IP 地址干净——可以是机场，但不能太多人在上面用，被标记为可信度有问题的 IP。可以用工具检测 IP 的干净程度；第三，用量稍微克制一下，不要动不动超出限额——Anthropic 的封禁检测系统会先捞头部用的最狠的用户来判断。基本做到这三点，应该不会有问题。

问：必须用 Mac 吗？

AI 入门不一定非要用 Mac。但如果你是一个很严肃地想要用 AI 做事情的人，希望尽量少折腾、尽量多产出，我建议一定要用 Mac。哪怕一个 Mac Mini，去年双十一才2900块钱，家里就相当于有一台长期运行的服务器，可以在上面做很多事情。

收尾

今天的内容就到这里了。下周周日晚上9点，《范凯说 AI · 周日晚聊》直播间再跟大家见面。晚安。

主题：龙虾热背后，真正的机会在哪里

日期：2026年3月15日

开场

大家好，这里是《范凯说 AI · 周日晚聊》，我是范凯。今天是第11期，也意味着2026年已经过了11周了。

今天我要跟大家同步一个重要信息：「范凯说 AI」付费会员社群今天正式上线了。这件事我会在直播后半段详细跟大家说。

今天主要聊三件事：第一，Meta 计划大规模裁员20%，大厂时代正在终结；第二，国内的「养龙虾热」——一窝蜂背后，真正的机会在哪里；第三，OpenClaw 海外真实落地案例拆解。

第一部分：本周新闻

新闻一：Meta 计划裁员20%——大厂时代正在终结

路透社报道，Meta 考虑大规模裁员，一下子裁掉20%。Meta 目前全球有8万多员工，20%就是超过1.6万人。

为什么要砍这么多人？Meta 说的是”为了抵消 AI 基础设施的支出，同时为员工借助 AI 提升效率做准备”。这两句话拆开看很有意思：第一句，AI 基础设施投资太贵了，要砍掉人力成本，把钱投到 AI 数据中心建设上；第二句，AI 让每个人效率更高了，不需要那么多人了。两件事叠加到一起，结果就是：同样的活，更少的人，更便宜地干完。

有人说 Meta 只是业务萎缩。不对，你仔细看 Meta 的财报，它的业务增长非常漂亮，基本上每个季度同比都有30%以上的高速增长。

最近扎克伯格接受访谈说的一段话让我印象很深。他评价马斯克收购 Twitter 后砍掉80%员工这件事时说：其实这些老板们也想砍人，但觉得上来砍这么多人政治不正确，不好意思干。现在马斯克把这事干了，他们觉得阻力小很多了。马斯克还强调要让组织更技术化——工程师跟领导人之间的层级要尽可能短，不能让不懂技术的管理层去拍板技术决策。

所以你看，马斯克砍80%的 Twitter 员工，Meta 裁20%，上周我跟大家介绍的 Block 裁40%——这是美国硅谷高科技行业的现实。AI 驱动的组织瘦身正在发生，大量高科技白领会失业。国内也是如此，字节跳动把武汉办公室全员裁掉了。

这不是一家公司的选择，是整个大厂生态的结构性转变。 Meta、Block、微软、字节，都是这么做，只是时间早晚的问题。

基于此，我想说两点：

第一，人才标准正在发生改变。 以前进大厂靠的是执行能力——你能把任务做完、做规范、做快。但现在 AI 把执行的门槛大幅降低了。大厂未来需要的是有决策能力、创新能力、能利用 AI 工具把个人生产力放大数倍甚至十几倍的人。这跟当前大厂里”机器零件型”的工程师是两种不同的人才模型。

第二，大厂不再是大多数人的归宿了。 这不是说大厂会消失，而是大厂会更加精英化。对绝大多数普通人来说，过去那条”好学历→进大厂→稳定高收入→体面生活”的路正在变得越来越窄。我现在非常坚定地认为，大多数人在 AI 时代的转型出路就是 OPC——One Person Company，一人公司，超级个体。这不是说让你明天辞职去创业，而是说在 AI 时代，每个人借助 AI 工具能完成的事情，已经超过了过去一个团队的产出。

新闻二：国内龙虾热——大厂抢入口，我们该怎么看

这周不管你是不是科技圈的人，”小龙虾”这个词应该已经听出老茧了。腾讯、字节、阿里、网易，还有360、猎豹，几乎每家都在搞 OpenClaw 相关的东西。腾讯出了 QClaw，360出了各种桌面预装方案，智谱推出了”澳龙”（AutoClaw），各种各样的”龙虾”都冒出来了。

腾讯多个事业部在推，QQ 接入了，据说微信也在测试接入；360在搞桌面预装；字节的飞书在做 IM 入口接入；各地政府也在喊 OPC 产业政策、算力补贴、人才计划。个人、大厂、政府，轰轰烈烈，全民养龙虾。

看完之后我有一个很强烈的感觉——泡沫感。

为什么？你仔细看每个参与者抢的东西：腾讯云、火山云这些云厂商，抢的是 VPS——更多客户买它的云服务，争夺 AI 智能体的算力底座；360和猎豹，抢的是你的桌面入口——它们本质上就是传统的桌面软件厂商，想要一个更好的理由占领你的桌面；飞书、QQ、钉钉，抢的是移动 IM 入口——想抢微信的市场份额。

本质上就是入口之争、流量之争。 这套逻辑有没有似曾相识的感觉？这就是十年前、二十年前互联网时代的打法——抢装机量、抢 DAU、抢平台分成，然后再想商业化。互联网时代的思维，套在了 AI 时代的新工具上。

大厂流量巨头确实靠这个赚钱，但我要说一个残酷的事实：C 端这一波流量红利跟我们普通人没有任何关系。这场仗是巨头之间的神仙打架，我们普通人没有任何参与的机会。所以这些热闹看看就好，不用跟着兴奋。

说到这里我想补充一点：你一定要去做对人生有复利的事。 什么叫复利？就是你今天做的事对明天有帮助，明天做的事对后天有帮助，像滚雪球一样越滚越大。如果你做的事只是用时间换钱、用体力劳动换工资，一旦岗位没了，你就瞬间被打回原形。为什么会有”35岁失业”的焦虑？很多中年人失业后不知道自己还能干什么，就是因为他过去几十年在公司里的积累没有形成复利。不管你未来是打工还是创业还是做自媒体，一定要做对人生有复利的事。

那 OPC 到底怎么做？

各地政府在推 OPC 产业政策，包括算力补贴、Token 补贴、人才引进计划、鼓励基于 AI 智能体开发产品。具体落地的质量参差不齐，大多数可能一地鸡毛。但 OPC 这个概念本身不是泡沫，因为生产力的变化是实实在在发生的——两三个人的小团队，用 AI 工具真实地能完成过去十几人、二十人团队才能做的事，产品开发、内容生产、客户运营、市场推广，全部都可以用 AI 大规模参与了。

Meta 裁人，腾出来的工作量不会消失，它会被 AI 工具加上少数人承接掉。那些”少数人”，本质上就是 OPC。所以我的判断是：大厂的龙虾热是泡沫，但 OPC 是真实的机会。

我给一个简单的框架：垂直领域 + 行业 know-how + AI 工具。

不要去抢那些太通用太泛的领域。你是医疗行业的就看医疗行业能提供什么——内容、解决方案、软件产品、咨询、培训；你是金融行业的就搞金融；你是电商行业的就一门心思搞电商。在垂直领域，竞争不激烈，你在行业里扎根时间长了就积累了行业 know-how——圈子外面的人不知道坑在哪、经验该怎么复用。这就是复利。然后加上 AI 工具——chatbot 你得会用，小龙虾的工作流自动化你得会用，想做软件产品可能还要掌握 Codex、Claude Code 这些编程工具。

你通过这种方式，可以找到独属于自己的赛道。而且未来因为 AI 带来生产力的极大爆发，标准化的大规模产品会逐渐让位于个性化的产品和服务，这意味着大量小公司的机会。

我以自己为例。我过去在丁香园干了8年，在医疗行业有积累，但我认为我最懂的还是互联网和 AI。所以我选择做「范凯说 AI」这个自媒体，走内容创业这条路——用 AI 做内容、做知识管理、做社群运营，一个人推进。当然我不认为自己已经走通了，创业九死一生，来来回回试很多方向、不断调整，最后才可能走出来。所以不要追求一件事必须成功，更多应该秉承试错的打法。

关于创业能力的补充

直播间有同学说”有几个人有范凯的能力？”我不认同这个观点。人的能力不是说很强才能去创业——你选择走这条路，在路上你就会慢慢成长。我2003年做网站创业的时候也什么都不是，一个人吭哧吭哧干到2006年，又吭哧吭哧干到2010年。2003年到2006年一分钱没赚，2006年抠抠搜搜凑了2万块钱买服务器，一直到2009年下半年才开始赚钱。创业前6年投入产出严重不划算，但后面做起来了，多年的努力最终得到了丰厚的回报。

这就是风险收益比。打工的逻辑是劳动价值论——我付出多少就应该得到多少回报。创业的逻辑是风险收益比——你承担的风险越大，潜在收益可能越大。我们不要妄自菲薄，觉得没有能力就不能走创业这条路。很多人都是从很普通的人起步的，缺的就是胆量和执行力。

第二部分：OpenClaw 落地——OPC 的武器箱

先破除一个误区

你装上 OpenClaw 之后最常干什么？如果你的答案是发消息、管日程、读邮件，我觉得你没有用到它真正厉害的地方。这些事手机 APP 已经做得不错了，用 OpenClaw 做这些只是每天省一点点时间。

OpenClaw 真正的价值，不是帮你做那些你本来就会做的事，而是帮你做你根本做不到的事。 具体来说：让任务在你不在的时候自动跑，让多个工具无缝协作，让你一个人的输出量超过一个小团队。这才是它的核心竞争力。

海外真实落地案例

案例一：内容生产流水线

海外很多内容创作者把 OpenClaw 搭成了一个”夜里跑任务、早上收结果”的系统。每天夜里，OpenClaw 自动抓取行业最新新闻、筛选汇总、生成内容摘要；同时根据关注方向跑一轮选题挖掘，列出潜在话题。早上打开手机，一份行业资讯和选题建议就已经准备好了。不需要手动刷十几个信息源，不需要复制粘贴，不需要自己整理。这个工作流节省的不只是时间，更是注意力。国外非常多的自媒体创业者现在就在这样做。

案例二：一个人的小团队

海外一个 solo founder 把 OpenClaw 搭成了多 agent 并行系统：主 agent 负责战略和日程规划；Dev agent 负责编码和技术决策；Marketing agent 做内容调研和草稿，从论坛、社交媒体搜集各种需求；Business agent 负责跟踪运营指标和增长建议。四个 agent 共享关键信息，但各自保留自己的上下文，定时并行执行任务。每天早上一打开电脑，所有任务都已经执行完了，一个人运营一整盘生意。这完全是可行的——我自己思考过，搭建起来稍微有点复杂，但确实可行。

案例三：零编程能力的摄影师，30天复盘

这个案例我特别喜欢，因为它证明了 OpenClaw 不只是极客和程序员能玩的。一个普通摄影师，不懂编程，用了一个月搭出了一套系统：每6小时从 Google 找出需要摄影服务的商家；自动起草个性化的营销邮件，发送前需要人工审批；自动关注这些人的 Instagram 账号，保持曝光；同时监控 SEO，追踪网站排名变化。结果：每天40-50个销售线索，不需要投 Google 广告，月运营成本约50美元。假设每天能成2-3单，一个月就六七十单。他不是技术高手，只是想清楚了要解决什么问题，然后让 AI 来执行。

这三个案例的共性是什么？四个字：异步杠杆。 你在睡觉的时候，AI 还在干活、在帮你创造收入。这就是 OPC 的核心竞争力——用 AI 的时间换人力的上限。

我自己怎么用

第一，内容创作。 我每周准备一期直播，现在只需要15到30分钟。怎么做到的？我把所有直播的模板、脚本、历史资料都按目录结构整理好了。每次准备直播，我跟小龙虾说”今天要搞第11期直播了，你把之前的都看一下”，它读完所有的要求、直播稿、结构，然后我定一下主题，它采集本周新闻线索给我参考，大概3-5轮对话，整个直播稿就写好了，从头到尾看一遍稍微改改就行。我整个内容创作现在都严重依赖 AI。

第二，知识管理。 我把所有个人的知识管理全部 Markdown 化——有道云笔记、语雀的笔记，全部导出来转成 Markdown 格式，保存在文件目录里。然后让 AI 读取这些文件，调用 Obsidian 的 CLI 工具建立各种关联和知识管理结构。建好之后，我甚至不需要直接用 Obsidian 了，直接通过 Telegram 问 AI 相关知识就行。因为小龙虾有记忆搜索功能（Memory Search），我把知识库也放到了记忆搜索里，向量检索已经有166MB了。它变成了我的外脑，对我个人资料记得比我自己还清楚。任何问题一问就能给出来，探讨完一个问题我说”帮我整理一下保存到知识库”，它就整理好了。所以我每天大量使用小龙虾，几乎每件事都跟它协作。而且用得越多，它就越懂你，积累的知识越多，使用起来越轻松。

第三部分：观众互动

问：如果要在大厂继续留下来，跟别人的差异化能力主要在哪些方面？

我跟你说真话。现在要在大厂留下来，你只需要一项能力——搞定老板的能力。因为大厂的竞争已经进入高度存量化，跟你的技术能力关系不大。老板手里有10个人，最后要裁掉5个，留哪些？最骨干的一两个技术人不能动，剩下的砍谁都是砍，一定会留让他觉得特别舒服的人。这是国内非常残酷的现状。

问：大部分一人公司没有护城河，你能做的别人摸索也能做，结果不就更卷了吗？

我反过来问你：在中国做任何事情，除了基于权力或资源的垄断型生意，哪个是有护城河的？99%都没有。所以我们不要纠结于此。大多数人都是普通人，你只要比普通人更耐心、更坚持、更勤奋一点，就足够甩开90%的人了。

问：OPC 用什么业务形式最好？

太多了——培训、咨询、软件开发、内容、设计作品都可以。每个人的路不一样。最重要的一条是你要具备营销能力。AI 时代生产力极大丰富，供给端丰富的时代，营销能力是最重要的能力。你要能找到用户的痛点，把产品最打动人的一面展现出来。营销怎么做？一样可以让 AI 来指导你。

问：CEO 都在熬夜 Vibe Coding，这跟行业 know-how 建立 OPC 的逻辑一致吗？

不一定非要 Vibe Coding，但使用智能体、自己获得第一手实践，我认为是非常重要的。

会员社群正式上线

今天正式上线「范凯说 AI」付费会员社群。

我发现每次直播结束，弹幕里最多的问题是”我不知道怎么开始”“我装了 OpenClaw 但不知道用它干什么”“我想做 OPC 但不知道从哪里切入”。公开直播能给的是视野和方向，但真正要把事情做出来，魔鬼都在细节里，需要一个持续的实践社群。

进来能得到什么？

第一，会员专属深度内容——不在 YouTube、公众号发布的内容，更深的分析、更完整的方法论、实操细节。

第二，每周会员直播答疑——每周日晚8点到8点半，用腾讯会议系统，每个人都可以发言，可以分享桌面进行实操交流。

第三，会员专属讨论区——Telegram 会员群，解决实际问题。

第四，真实经验的持续分享——我自己作为个人创业者走 OPC 这条路的真实经历，成功的和失败的都分享出来。创业九死一生，踩过的坑、成功的经验、失败的教训，全部无保留分享。

关于限额： 第一期只开50个名额。社群早期的质量取决于第一批人，50个人我才有精力认真回答每一个人的问题、认识每一个成员。

进来能立刻看到什么？ 第一篇会员内容已经上线：《小龙虾的模型组合》——怎么组合一套模型来驱动小龙虾，我自己每天在用的真实配置全部公开，不是理论，是实操。

怎么进？ 浏览器打开 im.page/fankaishuoai，选择订阅方案完成支付。价格：月付 $19.9，季付 $54.9，年付 $199.9——就是一份 ChatGPT Plus 订阅的价钱。支持信用卡、银行卡（包括普通银联卡）、Apple Pay、Google Pay。

收尾

今天差不多就聊到这里。每周周日晚上9点，《范凯说 AI · 周日晚聊》，跟大家分享本周 AI 行业新闻、个人思考，然后和大家交流。

晚安，我们下周见。

主题：AI 时代的三场战争

日期：2026年3月8日

开场：三场战争，三个趋势

大家好，欢迎来到《范凯说 AI · 周日晚聊》，今天已经是第十期了，也意味着2026年已经过了十周。

本周有一条新闻让我思索了很久——美国和以色列联军对伊朗发动空袭，开战头24小时就打击了1000多个目标。这个数字本身不是最震撼的，震撼的是这1000多个目标是 AI 帮忙挑选出来的。从卫星数据分析、目标识别、法律审批到下令打击，整个流程都有 AI 的参与。AI 已经变成了军事行动最核心的决策机构。当 AI 从”帮你写文案”变成”帮你选轰炸目标”，我们进入了一个全新的阶段。

今天我们聊三条新闻，它们讲的其实是三场不同的”战争”：

• 第一，AI 打真实的战争——美军用 AI 精准打击伊朗，战争形态正在被重新定义；

• 第二，AI 公司之间的模型战争——GPT-5.4 发布，和 Claude 争夺”最佳 Agent 发动机”；

• 第三，AI 团队在大厂内部的组织战争——阿里通义千问核心团队出走，开源大模型的未来往哪走。

除此之外，后半段我想聊一个最近全中国都在疯狂的事情：小龙虾（OpenClaw）到底火在哪？热闹过后，什么才是真正的价值？

第一部分：本周 AI 新闻

新闻一：AI 打真实的战争——美军用 Claude + Palantir 精准打击伊朗

这是人类历史上第一场 AI 打的真实战争。

24小时轰炸了1000多个目标，这个打击系统背后有两家非常重要的公司。一家是 Palantir——名字取自《魔戒》中那个可以预知未来的水晶球，它是一家面向企业和国防领域的美国公司，创始人是德裔美国人 Alex Karp。另一家就是 Anthropic，提供 Claude 模型。

它的工作方式是这样的：Palantir 的 Maven Smart System 负责整个数据分析平台，聚合海量数据——卫星数据（马斯克的星链军用版”星盾”）、无人机监控、通信情报，包括以色列摩萨德的情报。所有数据汇聚之后，Claude 负责分析这些数据，识别目标、评估优先级、生成打击建议。最后人类指挥官审批，下令打击。

英国《卫报》的标题写得很好：**”AI-powered bombing quicker than speed of thought”——AI 驱动的轰炸，比人类的思考速度还快。** 军方管这个叫”缩短杀伤链”——从发现目标到打击落地，整个链条被 AI 大幅压缩。

几天之内，伊朗的空军、海军以及大部分导弹部队基本上都被瘫痪了。

当然，Anthropic 创始人达里奥·阿莫迪最近也闹了很大的情绪。他对美国国防部提出两点要求：第一，不能用 AI 监控美国国内的人；第二，用 AI 进行大规模杀伤时，必须经过人类指挥官审批，不能让 AI 自主指挥大规模杀伤性武器。这是未来必须考虑的 AI 安全与道德问题。

我的判断：

现代战争的形态已经发生了根本性变化。过去军事竞争比的是武器装备——三代机、四代机、五代机，导弹速度能不能突破反导系统。但现在竞争核心已经变成了 AI 驱动的精准打击能力和无人机集群战术。AI 在战争中的角色已经不是辅助工具，而是核心基础设施。没有 AI 加持的军队，在未来的战争中会处于根本性劣势。

新闻二：GPT-5.4 发布——Agent 发动机之争进入白热化

3月5号，OpenAI 发布了 GPT-5.4，自称”最强最高效的前沿专业模型”。发布了三个版本：标准版、Thinking 推理版和 Pro 专业版。

最值得讲的是：GPT-5.4 号称是第一个原生支持 Computer Use 的通用 AI 模型。 它的模型本身就可以调用工具链，赤裸裸地要成为最好的原生支持 Agent 的模型。在 OSWorld 基准测试上——衡量 AI 操作桌面电脑的能力——GPT-5.4 得分75%，超过了人类基准水平的72.4%。也就是说，AI 操作电脑执行白领工作的能力，事实上已经超过人类平均水平了。

为什么 Claude 的指令遵循特别好？

这里有一个有意思的技术细节。目前不管是 GPT 还是国产模型，大多是 MoE（混合专家）模型——模型参数量很大，但每次推理只激活其中一小部分，所以推理成本低、速度快。而 Claude 到目前为止还是一个 Dense（稠密）模型，不管什么任务都使用全部参数量。稠密模型推理更精准，但成本更高。这也解释了为什么 Claude 定价贵但用起来总觉得”人狠话不多”——指令遵循非常精准。

Agent 发动机之争的格局：

过去模型竞争比的是”谁更聪明”，看 Benchmark 分数。现在比的是”谁更能干活”——谁能成为 Agent 时代最好的发动机。目前领头羊就是两家：OpenAI 的 GPT 和 Anthropic 的 Claude。

这场竞争的本质是”谁来当 AI 操作系统”。如果过去 PC 时代是 Windows、Linux、macOS 争操作系统，现在 GPT 和 Claude 争的是 AI 时代应用的底层引擎。对我们普通用户来说这是好事——竞争会带来更强的工具和更低的成本。

关于国产模型的对比：

国产三大 Agent 基础模型——智谱 GLM、MiniMax 和 Kimi（月之暗面），各有特点。Kimi 和 Google 的 Gemini 类似，都支持100万上下文，适合科研和知识库调用。MiniMax 系统性地蒸馏了 Claude 模型（据曝光有1300万个问答对），所以它和 Claude 模型最为贴近。GLM 综合性比较好，有点像 GPT，但价格是三个中最贵的。不管怎么说，Agent 时代到来后，这三家的营收都在快速增长。

我的模型搭配方案：

• 主控模型：GPT Codex 5.3（编程、工具调用、逻辑推理强，且官方允许订阅套餐驱动小龙虾，量大管饱）

• 尖端任务：Claude Opus 4.6（指令遵循精准、废话少，但用量消耗极快）

• 量大管饱：智谱 GLM 4.7（大批量文档处理、网页抓取等不需要顶级智能的任务）

• 兜底：本地千问模型（Qwen3 Coder Next，80B 的 MoE 模型，每次激活3B，在 Mac Studio M4 上运行流畅）

建议大家至少搭配三个模型：一个主控、一个量大管饱的国产模型、一个用于尖端任务的 Claude。

新闻三：Qwen 核心团队出走——开源大模型的困境与阿里的战略迷失

3月4号凌晨，阿里通义千问（Qwen）大模型技术负责人林俊旸宣布辞职，随后多名核心成员跟着离开，包括后训练负责人。

这不是普通的人事变动。目前在全球开源大模型中，真正做到下载量和实际使用量第一的就是通义千问的 Qwen 模型。在全球最有影响力的中国 AI 大模型就两个——DeepSeek 和 Qwen。但 DeepSeek 是671B 的模型，太大了，用途相对有限，加上地缘政治原因很多海外场景不允许使用。所以真正在海外普及使用的开源模型，真正的全球开源模型扛把子，就是 Qwen。从某种意义上说，这是值得每个华人感到骄傲的事情。

但这样一个做到全球第一的开源模型，核心技术团队宣布离职了。

事情经过：

从后续发酵来看，这个技术团队是被通知的一方。阿里对 Qwen 团队做了组织调整——把原来垂直整合的预训练、后训练、Infra（基础设施）团队分拆开来，而且事先完全没有跟技术团队沟通。此外，阿里从 Google DeepMind 引进了一位华裔研究员来接手部分研发工作，林俊旸事先完全不知道。

这里还有一个有趣的细节：DeepMind 出来了一个人空降阿里，把千问核心团队逼走了；然后 DeepMind 在职的技术主管立刻在推特上发出召集令，欢迎 Qwen 核心技术团队加入 Google DeepMind。怎么看都像是 DeepMind 派了一个”特洛伊木马”来挖人——当然这只是一个经典的梗。

阿里 HR 戴珊事后的态度是”不能神化任何人”、”阿里集团不能被任何人挟持”——意思就是要走就走，集团不差任何一个人。

第一个维度：开源大模型的前景堪忧。

我们说的”大模型开源”，很多时候不是真正的开源。开源软件是你拿到源代码可以完全自己构建。但开源大模型开源的只是模型权重——你可以免费安装使用。预训练的数据集没有给你，后训练的 SFT 微调指令集没有给你，预训练代码和强化学习代码也都没有给你。你无法原原本本还原整个训练过程。用直播间观众的话说，就相当于”拿到了一个编译后的可执行文件”。

这意味着社区没有办法给模型提供有效反馈——不能反哺数据集，不能补代码。所以开源模型的意义和开源软件打了一个非常大的折扣，最终就是让大家白嫖、免费使用，商业模式很难建立。

从 Meta 的 Llama 到 Qwen，开源模型的发展道路上都遇到了瓶颈。与其说是”大模型开源”，不如说是”大模型免费”。免费和开源，是两件事。

第二个维度：阿里的 AI 战略出了问题。

阿里是一家云厂商，也是中国最大的云厂商，拥有全球顶级的开源模型。它最应该做两件事：第一，像微软、亚马逊、谷歌一样，用模型强化阿里云的 AI 服务能力；第二，用 AI 提升自己电商产品线的智能化。这才是阿里在 AI 时代正确的发力方向，本质上和亚马逊的战略应该高度重合。

但阿里在干什么？春节期间砸30亿搞外卖大战，在钉钉上做 AI 录音笔（抄袭海外产品 Plaud）。这些偏 C 端的产品，第一不符合阿里的基因——阿里在 PC 时代、移动互联网时代搞 To C 都没搞起来，根本没有 To C 基因；第二在 C 端流量上竞争不过字节和腾讯这种自带流量的公司。30亿砸下去，日活没砸上来，结果春节期间最火的是宇树的机器人和字节的豆包。

日活没完成，KPI 就要重新定，激励取消，该惩罚惩罚，资源该砍就砍——这是上层的商业逻辑。但这种逻辑简单粗暴，因为管理层没有真正理解 AI 产业发展的内在逻辑。战略上的错误，最终让核心技术团队来背锅。

阿里把员工当成机器上的零件，整个公司当机器来管理。在 AI 这种日新月异的创新时代，用管机器的方式管企业、管人才，最终一定会陷入僵化，创新走进死胡同。这也是中国公司出不来创新的一个非常严重的问题。

我的判断：

Qwen 过去的成功，不是因为”阿里”这三个字，而是因为核心技术团队的个人英雄主义带来的。核心人才比公司品牌更重要。一个顶尖的技术团队可以让一家公司的 AI 产品成为全球第一，团队一走，一切归零。

林俊旸的离开不仅仅是被分权的问题。他认可的方向已经走得很顺了，调整之后这个事肯定做不成。作为一个技术理想主义者，他不愿意看到自己辛辛苦苦的成果被彻底毁掉，所以选择离开——这是对自己技术成果的一种珍视。

我此前觉得中国互联网格局可能会是字节第一、阿里第二、腾讯第三。但这件事之后，我觉得阿里还是老老实实当第三吧。

第二部分：个人感想——小龙虾的真正价值在哪里

现象：全中国都在装”小龙虾”

OpenClaw 在 GitHub 上25万星标，超越所有开源项目，成为历史上增长最快的项目。腾讯云工程师在深圳南山腾讯大厦楼下摆摊免费帮人安装。到处都是收500块、1000块上门安装的服务。特别像2025年初 DeepSeek 刚出来的劲头。

但我想问一个问题：你装上了，然后呢？用它来干什么？

To C 的热闹往往只是一阵风

很多人装上小龙虾之后，干的第一件事就是让它整理文件、管日程、读邮件。这些事有用，但说实话，现在的 APP 已经做得很好了，你能省下来的可能每天就几分钟。

36氪有一篇文章标题说得很好：《第一批玩 OpenClaw 的人，已经开始清醒了》。里面提到一个很现实的问题：微信不让你抓数据，钉钉也不让。你想让 AI 读取聊天记录、生成日报——对不起，数据拿不到。To C 端的 AI 应用看起来很热闹，但真正落地时会撞上一堵又一堵的信息墙。

而且 To C 的热潮来得快去得也快。2025年上半年 DeepSeek 那么火，现在还有多少人在大量使用？

真正的价值在企业端——超级个体革命

小龙虾真正的价值在企业端，而且它解决的是一个非常深层次的问题：替代传统的企业软件开发模式。

过去一家企业想要一套符合自己业务流程的软件系统，有三种选择：

1. 自己组团队开发——贵，周期长，大部分中小企业养不起专业软件团队。

2. 外包给软件公司——质量参差不齐，沟通成本高，改需求就要加钱。

3. 买标准 SaaS 产品——不贴合自己的业务，削足适履，双方都痛苦。

现在出现了第四种可能：1到3个 OPC（One Person Company，一人公司/超级个体），用小龙虾这样的 AI 工具，快速做出为行业客户定制的、符合其业务流程的个性化 AI 软件。 可能一两周就能快速交付。

关键在于什么？这些超级个体本身就是行业里的人。 比如你要解决金融行业客户的问题，你本身就是金融行业出来的行业专家。你有行业 know-how，懂业务流程，知道客户真正的痛点。你缺的不是行业理解，而是软件开发能力——而这恰恰是 AI 补上的那块短板。

这才是小龙虾最深层的价值：它不是让你多发几条消息、多管几个日程。它是让有行业经验的人，绕过传统软件开发的高成本和高门槛，直接把自己的行业 know-how 封装成小龙虾上的 Skill，变成一个可运行的行业垂直领域的 AI 软件产品。

我在2月11号录过一期关于这个话题的视频（当时还叫 CloudBot），发布时只有不到1万的播放量，最近几天飙到了55万。大家回过神来了——小龙虾应用在企业定制化软件方向，才是它真正发挥价值的地方。

与 Claude Code 的区别

有观众问这和直接用 Claude Code 有什么区别。Claude Code 交付的是一个软件产品，而用 OpenClaw 可以直接封装成 Skill，交付的是一个智能体。甚至可以和硬件结合——定制企业级的小龙虾打包成硬件盒子，在企业内部部署，内置好业务流程的 Skill，企业直接使用。过去可能要十几万甚至几十万才能解决的问题，现在几万块钱就能搞定。

OPC 产业生态正在形成

目前国内从政府端非常大力地鼓励 OPC 产业业态。以杭州为例，滨江区、上城区政府都在大力推 OPC 产业政策——给 OPC 更多的办公空间、公司税务减免、算力的巨额折扣和优惠。很多城市已经成立了人工智能局来鼓励 OPC。

现在的问题不在需求侧——企业有真实的软件需求，而且有降本的强烈要求，愿意花几万块钱先在边缘业务上试一试。问题在供给侧：真正有行业经验、同时又能把 AI 智能体玩转的优质 OPC，非常稀缺。那些营销能力强、又是行业专家、又会玩 AI 的 OPC，现在都非常赚钱。

传统企业软件市场每年几千亿。如果有几十万 OPC 能切入这个市场，其中会有很多人赚到钱。谁能用 AI 更好地服务企业客户，谁就能吃到这块蛋糕。小龙虾只是工具——关键不在工具，在于你。

给企业做 AI 落地的建议

新技术替代旧技术一定是从边缘开始突破。如果你是乙方给企业提供服务，一定要先从边缘业务做起——帮助一线员工解决小问题，部署小应用，几千块到一两万块钱，迅速帮他们解决头疼的问题。上来就搞核心业务，一定死得最快。反过来，如果你是企业内部的员工推动 AI，则应该往核心业务靠拢。

第三部分：观众互动

问：AI 创业周期有没有10年以上，能和98年以后的创业周期比吗？

至少3到5年没有任何问题。从移动互联网的经验来看差不多是10年周期。AI 因为改变更大，周期应该会更长。但我们不预测未来，只创造未来。

问：传统企业软件公司（泛微、金蝶、用友）未来怎么看？

他们唯一的优势就是长期积累的政府关系和客户关系。从技术和商业模式上，我觉得他们没有长期竞争力。OPC 都是从边缘创新开始突破的，时代还是往前发展的。

问：SaaS 从业者应该怎么做？

转型做 OPC。用你的行业经验和 AI 能力，直接服务客户。

问：本地向量化有什么实际效果？

最直接的效果就是记忆能力极强。所有跟你聊过的内容、你暴露给它的 Markdown 文档，它全部一清二楚。后续对话中它都知道。那种感觉就是”肚子里的蛔虫”——对你的了解已经到了比你自己还了解你的程度。我现在把碎片思维用苹果备忘录记录，通过 iCloud 同步到 Mac Studio，让小龙虾定期抓取并用 Obsidian CLI 串成知识网络，再加上向量检索，所有碎片思维都被整理成了网状知识。

问：企业私有化部署加小龙虾，模型能力是不是差很多？

不一定。要看你的应用需求。如果企业应用场景相对有限，Qwen 35B 或 70B/80B 的模型其实已经可以了。

问：多 Agent 之间怎么协作？

我自己目前还没有用到多 Agent 协作。单只龙虾分多个 Session 已经完全满足我的需要。复杂场景下可能会用到。

本期公告

个人网站上线

个人网站地址：fankaishuo.ai——用 Substack 搭建，国内可以直接访问。通过邮件订阅即可，绝大多数内容免费。后续所有文章、视频和平台入口都会汇聚到个人网站上。

社群迁移到 Telegram

Telegram 公开群：t.me/fankaishuoai（在 Telegram 搜索”fankaishuoai”即可找到）。

微信群太多了，有七八个，每个群只能500人，管理维护成本太高。Telegram 一个群上限20万人，可以分不同频道，管理高效。微信群不会解散，但会降低运营频率，主要精力放在 Telegram 社群。

如果不知道怎么加入，可以关注”范凯说AI”微信公众号，菜单选”社区”查看详细信息。

收尾

今天差不多就聊到这里。每周周日晚上9点，《范凯说 AI · 周日晚聊》，和大家分享本周 AI 行业新闻、个人思考，然后交流互动。我们下周同一时间再见。

主题：当裁员变成利好

日期：2026年3月2日

开场

大家好，这里是《范凯说 AI · 周日晚聊》，我是范凯。从今天第九期开始，我们把直播时间从晚上10点提前到了晚上9点，因为很多朋友反馈10点太晚了，听到11点多实在熬不住。后面就是每周日晚上9点，我会在这里跟大家一起回顾一周 AI 行业真正重要的变化，分享我这一周的思考和判断。

这周 AI 行业发生了一件很有意思的事情。硅谷的创业明星 Jack Dorsey——推特的联合创始人，同时也是支付公司 Square（后更名为 Block）的创始人——宣布了一次大规模裁员。这家万人规模的上市公司，一刀裁掉了4000多人，股价却暴涨20%。当”裁员”变成”利好”，这意味着什么？

今天要跟大家聊的几条新闻，其实是同一个故事的多个面：

• 第一，Block 裁员40%，股价暴涨——AI 时代第一张真正的裁员多米诺骨牌；

• 第二，Citrini Research 发布「2028全球智能危机」报告，直接引发美股暴跌；

• 第三，Anthropic 指控三家中国公司蒸馏 Claude 模型；

• 第四，OpenAI 融资1100亿美元——人类历史上最大的一笔私募融资。

第一部分：本周 AI 新闻

新闻一：Block 裁员4000人，股价暴涨20%——「裁员即利好」的新常态

Block 是 Square 的母公司，在疫情期间快速扩张到了万人规模。最近财报表现非常出色，但 Jack Dorsey 站出来发了一封公开信，宣布从一万多人一刀裁到六千人，裁幅接近一半。

消息一出，股价立刻上涨了20%。

诡异的是，这不是一家快倒闭的公司在断臂求生。Dorsey 在公开信里是这么说的：”我们的业务增长非常强劲，营收在增加，利润在改善。但有一件事变了——我们创建和使用的智能工具，配合更小更扁平的团队，正在从根本上改变’建设和运营一家公司’意味着什么。”

也就是说，AI 改变了公司的组织形态。在 AI 时代之前，做一个软件项目需要产品经理、UI 设计师、前端开发、后端开发、运维、测试等一系列分工角色。但 AI 工具来了以后，很多分工的岗位不存在了，几个人利用 AI 工具就能把一个庞大的产品做出来，特别是在有智能体的情况下。AI 不仅提高了员工的工作效率，更是改变了整个公司的组织形式。

Dorsey 做了一个很决绝的选择：一次到位，不温水煮青蛙。他说”反复裁员会摧毁士气、专注力和信任”。但我要告诉大家，随着 AI 智能体的持续进化，Block 肯定还会继续裁员，这绝对不是最后一次。

而且 Dorsey 说了一句更要命的话：”我们不是唯一得出这个结论的公司，大多数公司在接下来一年内会做同样的事。”这听起来非常可怕——高科技公司普遍裁员，动辄裁30%到40%，多少高薪白领将面临失业。

其实不只是 Block，微软最近三年也在持续裁员，每隔半年裁一批2%-3%，温水煮青蛙，但每个季度的财报业绩增长却都很好，至少百分之十几到二十的增长。

新闻二：一篇文章撼动华尔街——Citrini「2028全球智能危机」报告

这周美股发生了一件很罕见的事。标普500和纳斯达克录得了近一年来最大的月跌幅，道琼斯一天跌了800多点，纳斯达克上的软件股集体砸盘。

原因不是宏观数据出了问题，而是一篇发在 Substack 上的研究文章。这篇文章来自 Citrini Research，标题叫「The 2028 Global Intelligence Crisis」——2028全球智能危机。

它假设两年之后会发生什么：AI 智能体大规模替代白领工作；企业大量裁员，省下的钱投入更多 AI，AI 变得更强，更多工作被替代——这个循环没有自然的刹车机制。裁掉更多的人导致消费更加低迷，消费低迷导致企业利润下滑，为了节省成本又要裁更多的人、投入更多的钱到 AI 上。失业率飙升到10%以上，标普500暴跌38%。

报告还提出了一个叫”幽灵GDP”的概念：GDP 看着越来越高，但这个钱在空转——是 AI 创造了 GDP，但 AI 不交税，也不消费。光生产不消费，社会就会出现严重的通缩。

报告里有一句很有意思的话：每一家公司单独来看，用 AI 替代人、提升效率、降低成本，都是理性选择。但当所有公司同时这么做，就会出现集体灾难——消费者就是那些被裁掉的人，没有工资，就没有消费，经济就会崩溃。这些机器会花多少钱购买奢侈品？答案是零。

我的判断是：Citrini 这篇报告反映的问题是非常真实的，这是一个注定会发生的现象。报告最大的价值不在于预测，而在于它给了一个完整的思考框架，让你看到未来几年我们在向智能时代转型的时候，整个人类社会会面临的巨大冲击。

新闻三：Anthropic 指控 DeepSeek、MiniMax、Moonshot 蒸馏 Claude

Anthropic 本周指责三家中国 AI 公司——DeepSeek、MiniMax 和 Moonshot（月之暗面）——蒸馏 Claude 模型。他们发现这三家公司用了大约2.4万个假账户，在 Claude 上进行了超过1600万次对话，把 Claude 的回答当作训练数据来训练自家的模型。中国国内的 AI 模型去蒸馏最顶尖的模型，这在行业里其实是一个公开的秘密。

其中最耐人寻味的是数据量的差异：DeepSeek 只蒸馏了15万条，月之暗面蒸馏了340万条，而 MiniMax 蒸馏了1300万条。也就是说，MiniMax 蒸馏 Claude 是最狠的。这反过来证明一件事：如果你想使用一个最接近 Claude 的国产替代模型，MiniMax 的 M2.5 是最接近的，原因就是它蒸馏得最多。

另外，Anthropic 这家公司很有原则。他们最近跟美国国防部闹掰了——国防部要求用 Claude AI 去跟踪嫌疑人并自动执行一些更高权限的操作，被 Anthropic 拒绝了，认为即便是政府也不能越权使用危险行为。结果国防部把 Anthropic 从供应商名单中踢了出去。Google 和 OpenAI 纷纷表态力挺 Anthropic，但 Sam Altman 非常鸡贼——一方面力挺 Anthropic，另一方面转头跟国防部签了订单。马斯克的 Grok 也马上跟国防部签了订单。虽然 Anthropic 对中国的态度很强硬，但这家公司的价值观始终保持一致，不管对方是谁，违背原则就不合作。我对这家公司还是抱有很高的敬意。

新闻四：OpenAI 融资1100亿美元——人类史上最大私募融资

大家说 OpenAI 现在被 Gemini 和 Anthropic 打压下来了，其实不是这样。仔细分析，OpenAI 实际上还是很厉害的，而且在有力地反击。

第一，OpenAI 收编了 OpenClaw 的作者，这是把握住未来最重要的一步棋。第二，Codex 5.3 在长上下文编程的表现上，很多方面实际上超过了 Claude 的 OPAAS 4.6，越来越多的人开始使用 Codex。第三，也是最重要的——OpenAI 完成了人类历史上最大的一笔融资：1100亿美元。其中亚马逊投了500亿，英伟达投了300亿，软银投了300亿。

在算力上的巨额投资不会有任何问题。为什么？因为算力就代表着 AI 在替代人类的脑力劳动。过去我们认为人类的脑力劳动是稀缺资源——要经过很多年教育，上大学，最后才能变成高级白领。但现在仅仅用算力就替代了人类的脑力劳动，把它变成了不稀缺的资源。想想看，你雇一万个白领要花多少钱？建一个数据中心要花多少钱？一个数据中心可能就替代了过去一万甚至几万的白领，而且不需要交税、不需要社保、可以24小时工作。

把这四条新闻放在一起看会很有意思：一边是 Block 裁40%的人华尔街鼓掌，Citrini 报告预警大规模失业导致市场暴跌；另一边是 OpenAI 一次融1100亿，巨头们争着投。恐惧和贪婪同时达到了极点。

第二部分：个人感想——当人类智能不再稀缺，我们该怎么办

一、先把问题说清楚：这次和以前不一样

AI 越成功，对人类社会的冲击就会越大。但看清危机的人，反而能找到出路。

我先给大家拉一条历史线。人类社会的组织方式一直有一条清晰的主线：跟着核心劳动力发生变化。

农业社会，最稀缺的资源是土地。你只要有了土地，就可以招募人来耕种，有了产出就可以交换商品。所以中国古代那些官僚地主，都是在家里买很多田宅置产传给后代。

工业社会，最稀缺的资源变成了机器和掌握技能的工人。你有一块土地可以盖厂房，有机器，招募工人操作机器生产工业品，就可以销售到全世界。工业革命起来之后，土地就不是最稀缺的资源了，依附土地的农民大批失业。人类从农业社会进入工业社会，经历了动荡的六十年甚至更长时间——圈地运动、各种革命、工人示威游行，都是这一转型期的产物。

信息化社会，最稀缺的资源变成了受过高等教育的人——白领、知识工作者。白领通过脑力劳动创造价值。我们当前社会的基础假设就是：受过高等教育的白领拥有的脑力劳动是稀缺资源，我们需要通过十几年甚至二十几年的学习才能掌握这种稀缺资源，才能用它去创造价值。

我自己对这一点特别清楚。我从小在东风汽车公司长大——那是一家大型国企。在我很小的时候，工人地位很高，收入很高，车间主任基本和副厂长平级。但到了90年代以后，大批工人下岗。美国也一样，铁锈带大批汽车工人下岗。从工业化转型到信息化，过去那些掌握技能的工人，本来是社会的中坚力量，结果被批量淘汰。

但这次不一样。

AI 直接占领的是最高层——脑力劳动。在过去的时代转型中，人类还有退路：农民可以变工人，工人可以变白领，每次都被推向了”更高级”的位置。但这次，大量白领退无可退。失业之后注定找不回工作，因为这些工作永远不需要人做了。这不是冲击某个行业、某个岗位，而是以白领为核心的整套社会经济组织模式都会彻底坍塌——白领消费、白领交税、白领通过脑力劳动创造价值，这整个体系都将被改写。

二、没有刹车的螺旋

Citrini 的报告有非常严密的逻辑链：

SaaS 软件行业会因为 AI 智能体的强大而坍塌；所有的中介行业——房产中介、保险中介、比价网站——都会被智能体干掉。由于这些行业的消失，白领消费群体坍塌，没有消费能力了。而目前支撑消费最重要的一个支出就是房贷——美国是13万亿美元的房贷市场，中国也类似。消费下降导致企业产出下降，更多裁员，更多消费下降，最后整个社会进入深度螺旋的通缩。

这不仅是中国的问题，美国也会遇到同样的问题。

三、什么是不可替代的——人类的创造能力

坏消息讲完了，我们不是要贩卖焦虑，而是客观分析转型期必然面临的问题。作为独立的个体，我们当然不希望成为时代的炮灰。那核心问题是：当人类的脑力劳动不再稀缺，到底还有什么是稀缺的？

我的答案是：人类的创造能力。

我把它具体拆解为三种能力：

第一，找到路径——想象力与探索欲。

用《复仇者联盟》的类比：奇异博士利用时间宝石，回溯了14,000,605条不同的未来时间线，最后找到唯一一条可以战胜灭霸的路径。这种暴力穷举、搜索所有可行路径，是 AI 非常擅长的。但”想出利用时间宝石进行时间回溯”这个想法本身——找到解决问题的路径——是奇异博士完成的。所有解决问题的路径都是人先想到的，AI 再去验证。没有人类的想象力，AI 连搜索空间都没有。好奇心和探索欲，是一切的起点。

第二，选择路径——品味与判断力。

人生的很多选择、做很多事情，往往有多条路都是通的。A 也可以，B 也可以，C 也可以——你选哪条？这不是最优解问题，而是每个人的价值判断。AI 没有”我是谁”的概念，没有品味和偏好。而我们人类的品味和偏好取决于个人的成长路径、背景和经历。一个独一无二的你，具备别人没有的品味和判断力。你的选择就是你的品味，也是你的风格。

第三，走通路径——动手解决问题。

大语言模型本质上还是个概率模型，不是精密执行的机器。任何 AI 都会出问题、会卡住、会犯错。这时候需要人类去干预、调整、修正，把事情真正做成。

找到路径、选择路径、走通路径——把 AI 擅长的穷举、优化、重复执行交给它，人类去做这三件 AI 做不了的事。我把它合在一起，称作人类的创造能力。这在当前的 AI 智能时代，是非常稀缺的品质。

四、两个行动方向

行动线一：学习方式要变。

过去按部就班的刷题式教育在 AI 时代毫无意义——AI 做题比你快一万倍。基础知识和常识当然要有，但刷题训练技巧上的东西完全可以交给 AI。

最重要的是训练自己跟 AI 协作的能力：碰到一个问题，你去寻找路径；然后让 AI 去执行；执行过程中遇到需要判断的地方，你来下决策；中间出现问题，你去做调整校准、介入解决。通过这种方式才能最好地锻炼人在 AI 时代的创造力。

行动线二：赚钱方式要变。

打工的本质就是卖时间，但时间正在被 AI 急剧贬值。未来更稳定的赚钱方式，我总结为卖三样东西：

第一，卖创造物——你的内容、产品、品牌、设计、创意。它们是独一无二的，带有你个人的品味，带有你在垂直行业的经验积累和 know-how。

第二，卖判断力——即便在 AI 非常发达的时代，AI 会给你很多建议和选择，但你还是需要一个有经验的人帮你拍板做决策。具备垂直行业判断力的人，可以做行业咨询、解决方案的决策。

第三，卖信任——个人品牌。在 AI 生成内容满天飞的时代，人与人之间最稀缺的是信任。我不知道对面是不是一个 AI，不知道生成的内容靠不靠谱，不知道哪个信息是真实可信的。因为你的决策能力、你的创造物、你的持续输出，很多人会信任你。这种信任就转化为你的个人品牌，就是你在未来 AI 时代最独一无二的、AI 无法替代的核心价值。

卖创造物可能有几百万人能做到，卖判断力可能只有几十万人，但真正能做到卖信任的凤毛麟角。比如 Lex Fridman，他的每次采访三四个小时，每期都是几百万上千万的播放量——这就是个人品牌的力量，是任何其他人无法替代的。

这不是让你明天辞职。而是说，在未来可能持续10到30年的转型期里，始终把精力放在打造你个人的竞争力上。这才是你在未来时代最重要的事情。

第三部分：观众互动

问：AI 短期会不会导致大量白领失业？普通白领如何应对？

短期会导致大量白领失业，这已经是一个看得到的现象了。应对方式在今天的直播中已经详细讨论——核心不是”学一个新技能”，而是重新理解自己的价值在哪。

问：AI 会不会替代的岗位越来越多？

这不仅是一个岗位的问题，也不是一个行业的问题，而是全社会的问题。

问：AI 如何影响公司员工未来的学习方式？企业培训会怎么变？

未来的学习方式毫无疑问就是学习如何和 AI 协作。企业培训会越来越多地变成：怎么用 AI 工具、怎么指挥 AI 工作、怎么验收 AI 的输出。

问：Claude Code、Codex、OpenCode 跟 Cursor 的差异？怎么省钱？

Cursor 更多是鼓励你打开代码、阅读代码、修改代码。而 Claude Code、Codex 这类工具完全不需要看代码，它把软件项目当成一个通过自然语言去构建的产品。两者是完全不一样的编程哲学。

省钱的做法：接入多个不同的模型，按不同场景分配。量大管饱但对智力要求不高的用便宜模型（比如 GLM），逻辑性要求很高的关键任务用 Claude。贵的模型做高精尖的事，便宜的模型做量大管饱的事。同时注意及时清理上下文——每完成一个任务就重置会话，可以节省大量 Token。

问：怎么用 AI 接管性能优化工作？（抖音电商架构师提问）

性能优化分两步：第一步是 Profile——定位分析性能瓶颈出现在哪里；第二步才是针对性的优化。做性能优化最核心的就是定位问题。你可以搜集大量的监控数据、日志，交给 AI 帮你做分析和定位。当定位到问题之后，再做性能优化就容易多了。

问：OpenClaw / Agent 在政企的应用场景？怎么跟领导说？

政企落地场景比较简单：文档处理、生成报告、数据分析、流程自动化。跟领导不要说技术多牛，要说”用这个工具能把某个流程从3天缩短到3小时”。找到具体工作场景中的痛点，先试点取得好效果，再逐步推广。政企如果有保密需求，可以本地部署千问等开源模型，完全私有化部署。

问：垂直行业 AI 落地真实案例？（医疗器械行业提问）

医疗行业的落地场景挺多的：论文写作、临床数据分析、文献查找、视觉检测（CT 片子、造影分析）等都有真实落地。垂直行业的壁垒不在技术，在于你对行业 know-how 的了解。你的行业知识和 AI 工具结合起来，才构成你独特的优势。

问：技术型创业者市场营销怎么做？

技术创业者最大的问题是把90%精力花在开发产品上，以为做出产品就能赚钱。营销的核心不是打广告，而是让有需求的人知道你能解决他的问题。最适合技术创业者的方式是内容营销和个人 IP：把你在做的事写出来，你解决了什么问题，客户用了之后什么反馈，有什么成功案例。找到早期客户，做出成功案例，用内容传播案例，吸引更多客户。

问：如何最经济地使用国外模型？Token 太贵怎么办？

分层使用：几个模型都接入，按不同场景分配。量大管饱用国内的便宜模型，关键任务才用 Claude 或 GPT。用20美元的订阅套餐其实量就很大了。

问：OpenClaw 的 agents / soul / user 文件怎么用？

SOUL 文件定义 AI 管家的性格和行为准则；USER 文件写你自己的信息——姓名、偏好、工作背景；AGENTS 文件定义工作流程和规则。如果不知道怎么写也没关系，使用过程中 Agent 会不断往里完善。先把 USER 和 SOUL 两个文件写好就行了。

问：LLAMA 模型能力发展到顶了吗？

当然没有到顶，还差得远。从数据角度，确实遇到了一点小瓶颈——不然不会出现大家互相蒸馏数据。但算法模型方面，国内的 DeepSeek 都在不停进行创新，更不用说硅谷的巨头了。算力方面更不用说，在疯狂扩展。大语言模型距离发展的天花板还早得很。

问：蓝领在未来多少年不容易被 AI 替代？

按照现在人形机器人的进展，我判断5年之内不会被替代，但5年之后很难说，10年之后100%会被替代。所以时间窗口大概在5到10年。

问：还能坚持在 SaaS 软件行业吗？

我认为不能。

问：国内 AI 创业有机会吗？

不能说绝对没有，但机会非常小。To B 没有机会是因为整个经济太差，民营企业太萎缩、没有预算，真正有预算的国企和政府部门不是创业公司能切入的。To C 市场更不用说，头部流量被抖音和微信彻底垄断了。如果回到20年前的2006年，国内创业成功的机会可能超过20%-30%；现在国内 AI 创业的机会，1%可能都不到。

收尾

今天跟大家分享了这些内容。每周日晚上9点，《范凯说 AI · 周日晚聊》，跟大家分享本周 AI 行业新闻和个人思考。大家可以关注范凯说 AI 的全网账号——YouTube、X、Substack，国内则是微信和抖音。

晚安，我们下周日晚上9点见。

主题：在行进中开火

日期：2026年2月23日

开场

大家好，这里是《范凯说 AI · 周日晚聊》，第八期。

今天直播的内容分三个部分：第一部分，总结最近一周的 AI 新闻；第二部分，分享我最近一周的思考和感悟；第三部分，答疑互动。

在正式开始之前，先聊两句。春节期间我带孩子去日本旅游了七天，主要在大阪周边——京都、神户、奈良，背包自由行，每天暴走十个小时，累得嘴上起了两个泡。不过这次旅行给了我很多感触，后面会详细说。

另外，关于 OpenClaw 对 AI 创业的启发——我觉得有两个方向值得尝试：第一，很多垂直领域的应用不需要开发独立 APP 了，直接用智能体加 skills 就能实现，行业专家完全可以用这种方式接软件项目；第二，开发给智能体调用的 API 服务，我认为在未来会很有前途。

关于模型订阅接入 OpenClaw 的问题，也和大家同步一下最新情况：Anthropic 官方明确表示，除了 Claude Code 之外，不允许用订阅套餐接入其他工具，用量大容易被封禁。Google 没有明确封禁，通过 Gemini CLI 接入目前还可以。而 OpenAI 是官宣支持，欢迎大家用订阅套餐接入 OpenClaw，而且会给双倍 Token，所以我现在主要用 GPT 5.2 接入小龙虾。

付费社群方面，计划在三月份推出，放在 Telegram 上，订阅费每月20美元。

第一部分：本周 AI 新闻

新闻一：OpenClaw 作者 Peter Steinberger 加入 OpenAI

OpenClaw 从去年年底今年年初开始爆火，不到两个月时间就成了现象级项目。爆火之后，出现了三种力量在召唤 Peter Steinberger：第一，大公司想招聘他、并购他，比如 OpenAI 和 Meta；第二，无数 VC 想投他去创业；第三，开源社区希望他保持开源、保持独立。

Peter 本人之前已经财富自由了，他之前的创业项目以上亿美元的价格出售过。所以他不会单纯为钱考虑这件事。他更希望 OpenClaw 能推广到全世界、让更多人使用、让项目发展得更好。同时，他第一次创业管了上百号人，觉得很烦，不太想再当 CEO。

最终他做了一个折中的选择——加入 OpenAI。这意味着 OpenAI 会投入至少几百人的工程团队，以及大量算力资源来持续升级维护 OpenClaw。同时，OpenClaw 本身进入了一个开源基金会，继续保持开源独立运作。

我认为这是一个双赢的结果。

对于 OpenClaw 来说，不会因为被收购而变成闭源商业产品，用户不用担心将来被迫付费购买某个 OpenAI Agent 产品。OpenClaw 之前完全靠作者自掏腰包维护，每月开销一万多美元，确实需要更大的团队和资源支撑。

对于 OpenAI 来说，终于有了一个智能体方面的拳头产品。他们可以基于 OpenClaw 构建商业模式——开源版免费使用，同时开发更友好、更安全、有商业支持的付费版本。这就是从 Red Hat Linux 开始就很成熟的 Freemium 商业模式。这样 OpenAI 就有了对抗 Anthropic 的 Claude Code 和 Claude Coworker 的产品。

通过这次并购，我们也看到一个信号：2026年绝对是智能体的时代。个人智能体已经从”个人创新项目”进入了”国家队军备竞赛”阶段。Peter 一个人已经没办法维护这样一个明星级项目——这就是个体创业的尽头，当你想把一个优秀产品打造成基础设施，最终需要组织能力。

关于 Anthropic 为什么没有接纳 Peter——不是因为接受不了这个人，而是因为 Anthropic 非常明确地把业务定位在面向国防、面向企业，OpenClaw 和它的发展方向有偏离，它不需要这个产品。

新闻二：春节期间顶级模型疯狂上新

春节期间，继国产三件套 Kimi 2.5、MiniMax 2.5 和 GLM 5.0 发布之后，DeepSeek 最终没有放大招，反而是海外三巨头纷纷发力。

OpenAI 推出了 Codex 5.3。在编程模型方面，某些领域已经达到甚至超越 Opus 4.6 的水平。同时，OpenAI 与推理芯片公司 Cerebras 合作推出了 Codex 5.3 Spark，推理速度号称达到每秒1200个 Token，速度飞快。通过 Codex CLI 已经可以使用。

Anthropic 推出了 Sonnet 4.6，是 Opus 4.6 的蒸馏版本，上下文扩大到100万 Token，价格更便宜。我在 OpenClaw 上试跑了一下，速度不错，智商水平感觉也没比 Opus 4.6 低太多。但 Claude 的20美元订阅套餐限制比较严格，跑了一天就触发限流了。

Google 推出了 Gemini 3.1 Pro，各项评测数据都很强。但如果拿来做智能体的主控模型，目前反馈还是不太理想。

Grok 也推出了 4.20 版本。

根据我个人的实际使用体验，在智能体场景下：Opus 4.6 感觉最聪明，人狠话不多，解决问题准确；GPT 5.2 太啰嗦，有点”讨好型人格”，需要多轮沟通；Gemini 3.0 的指令遵循效果没那么好，3.1 还没测过。

总之，最顶级的模型还在疯狂内卷。AI 模型的能力会快速超越我们的想象。

另外一个有趣的花絮：在印度 AI 峰会上，Anthropic 创始人 Dario Amodei 和 OpenAI 的 Sam Altman 拒绝握手，两个人只是碰了碰拳头。

新闻三：国内 AI 动态——豆包下沉与人形机器人登台

国内目前的 AI 格局，前三名是字节的豆包、阿里的通义千问、腾讯的元宝。腾讯春节号称砸了10个亿推广，阿里说投30个亿推千问，但最终都不如字节。字节在 C 端产品上做得确实非常强。

一个很有意思的现象：三四线城市的很多中老年人已经不用百度了，上来就问豆包。豆包正在逐渐进入下沉市场，进入普通老百姓的视线。当 AI 进入大众市场，用户关心的不是哪个模型更好，而是谁更好用。这正是字节的优势所在——它的盈利能力和产品分发能力特别强。

春晚上出现了人形机器人的表演，语术科技的机器人在台上做武术表演。但我要给一个冷静的判断：人形机器人目前还在非常早期的阶段。

春晚上的那种群体体操，难度其实没有那么高——所有动作套路可以事先编程编好，每个机器人之间的间距也完全可以预设。这丝毫不能证明人形机器人是真正智能的。真正要看智能程度，还是要看手部精细动作，比如能不能做像人手指一样精细的交互。

人形机器人距离成熟可能还需要3-5年时间。而且要看前沿水平，还是要看特斯拉的 Optimus 擎天柱机器人。国内的人形机器人目前更多还停留在表演阶段。

三条新闻总结： 从开发者端，个人智能体已进入顶级团队时代；模型供给侧继续疯狂内卷，海外在探索天花板，国内在做廉价替代并尽可能向顶级模型靠近。但国内模型面临两大问题：第一，内容审查会影响模型能力；第二，算力严重不足——比如 GLM 5.0 出来后限制使用，字节的 Seedance 2.0 视频生成模型虽然惊艳但实际体验因算力不足大打折扣。

第二部分：个人感想——在行进中开火

从工程师的严密到”允许模糊正确”

这次日本旅行，我刻意改变了过去的做法。以前我旅游一定会花好几天做详细攻略，精确到每天去哪、玩什么、打卡什么，然后按部就班执行。但这次我完全没有做任何准备，只订了机票和酒店，出发前一天让小龙虾出了个攻略就上路了。整个过程随时调整，酒店每天睡到自然醒，醒了再想今天去哪。

这种随性的自由行，体验反而特别好。

我开始反思这是两种完全不同的思维模式和做事方式。我是工程师出身，写代码的职业习惯是：考虑不周全，程序就会出 bug。所以你会慢慢变成一个流程化、规则化、消灭意外的人——一个风险厌恶型的人。

规划太满的两个副作用

我现在越来越觉得，事事都要”准备到万无一失”会带来两个问题。

第一，抬高做事的门槛。 你越是风险厌恶，就越想准备到万无一失才开始，结果就是——你不开始。在高度稳定的社会这没问题，但 AI 时代变化太快，什么都准备好了再做，黄花菜都凉了。

第二，剥夺惊喜。 所有变量都被锁死，乐趣和机会也一起被锁死。

这次旅行就有一个特别好的例子。在神户那天下午，本来想去水族馆，结果走着走着走错了，愣是走到了海洋博物馆。然后又阴差阳错逛到了川崎重工博物馆，里面有很多参与式体验，感觉比水族馆还好玩。逛完出来天黑了，刚好看到神户港的灯塔，非常漂亮。这些”没写在计划里”的瞬间，反而留下了最深刻的记忆。

所以我现在的想法是：要改变过去二十多年工程师的思维习惯。在快速变化的世界中，应该主动拥抱不确定性。不确定性可能带来一部分风险和成本，但同时会带来更多意外的惊喜，打开人生更多的可能性和机会。

把它落到 AI：别等”满级装备”才上手

这种思维转变也对应我使用 AI 工具的态度变化。

比如用 Claude Code，不要觉得一定要先写好完整文档、把需求 1234 全部弄好才能开始——上来就搞。用小龙虾也是，网上一堆教程教你配最好的 skill、搭多智能体、优化长程记忆，其实没必要。装好了什么都不懂，直接去用，用着用着就明白了。

我自己一开始用小龙虾就是这样——没看任何教程，直接到 OpenClaw 网站上粘贴一行代码安装，配好 Telegram，设定好基本性格就开始指挥它干活。中间出现问题就再调整，再问 AI 怎么解决。

在当前这个时代，更重要的做事方式是先跑起来。在跑的过程中不断获得反馈，反馈修正你的认知和经验，慢慢就跑出自己的感觉了。做一件事，比听别人说一百遍都有用。

但这不是说脑子空空就开干。我推荐的做法是：先切换到 Plan 模式，和 AI 聊十几二十分钟，充分讨论形成计划。为什么不一开始就写庞大的 Spec？因为不经过思索和讨论，你的 Spec 也不会完整。先讨论，讨论差不多了让 AI 总结成 Spec，再查漏补缺，然后开工。

认知反转：艺伎这件事

分享一个特别小但对我冲击很大的认知反转。

我以前在影视作品里看到日本艺伎，总觉得特别生理不适——脸涂得粉白粉白的，看着像女鬼一样。我一直不理解这怎么会是国粹审美。

但这次在京都，从清水寺出来走到花见小路通那边，在一个餐厅门口，我亲眼看到了一个穿着和服的艺伎。同样是粉白的妆，但那种精致感完全不同——像瓷娃娃一样，闪闪发光，一种极度惊艳的美。

这让我特别确信一个道理：耳听为虚，眼见为实。 网上看到的、影视作品里看到的，和现实中亲眼所见，感受完全不一样。

放到 AI 行业也是一样。你听别人说一百遍小龙虾怎么样，天天这个那个，不如自己亲手做一遍，感触会完全不同。别人的观点可以参考，但一定要亲自验证，得出自己的结论。很多权威可能都是错的。

未来的机会可能不在 APP，而在给智能体用的 API

最后分享一个我个人的判断。

我原本规划了好几款要开发的应用，但重度使用 OpenClaw 之后，我发现想做的那些软件用智能体都能实现，实际上已经放弃了自己去开发 APP。我的一个判断是：智能体时代可能会消灭现在绝大部分的 APP。

实际情况也在印证这一点。AI 编程出来之后，苹果 App Store 上的应用提交量和发布量大概是之前的6倍。APP 的供给已经严重过剩、严重内卷。如果你在 APP 开发方面没有特别强的竞争力，不擅长用户体验设计，也没有营销渠道优势，那做出来的 APP 到底怎么推广出去？

当 APP 不再稀缺，如何推广反而变成了最稀缺的技能。所以当大家都在扎堆学 AI 编程的时候，我反而觉得应该好好想想：怎样用 AI 打造个人营销渠道，怎样具备更强的讲故事能力和销售能力。

对于工程师来说，如果你还是想做产品，我建议两个方向：

第一，做垂直领域的产品。 垂直领域搭载行业 know-how，受众窄、竞争不激烈，非行业从业人员进不来。你可以利用智能体开发垂直行业的解决方案，服务少量高净值客户，客单价可以高一些。

第二，做给智能体调用的 API 服务。 未来可能更多的不是为人开发 APP，而是为智能体开发 API。举个例子，如果你在医疗领域做了很多年知识图谱，你能不能把它做成一个 API，给智能体调用，按 Token 收费？通用模型回答医学问题可能不靠谱，但调用了你的知识图谱，智能水平就提高了。就像现在 OpenClaw 调用 Brave Search 一样，未来很多 APP 可能都会退化成为智能体服务的 API。

如果你是一个从零开始的创业者，为什么不去追一个风口、做一件可以顺势而为的事情呢？就像我2003年最早在国内推广开源软件开发，借着开源运动的浪潮就起来了。抓住主浪，才能趁势而为。

第三部分：观众互动

问：OpenClaw 看起来就是把工具拼起来，是不是很快就会一堆桌面 Agent 打群架？

不会。OpenClaw 之所以成功，是因为它遵循了 Unix 哲学——提供一堆工具，每个工具只完成一件事，但把这件事做得很好。OpenClaw 的作者不只开发了 OpenClaw 这个智能体，他同时做了几十个小工具，最后由 OpenClaw 调用它们、串起来完成复杂任务。它的成功不是因为是一个整体软件，而是因为智能体加上底下一大堆各具功能的开源小工具。

问：Manus 能不能接进 OpenClaw？

可以。Manus 现在也提供了 OpenClaw 的集成。如果你是 Manus 用户，可以在上面直接用 OpenClaw。不过如果想充分发挥 OpenClaw 的威力，给它一台独立的 Mac 是最好的——权限越大，能做的事越多。

问：我能不能让 AI 把 OpenClaw 改成自己的版本？

当然可以。它本身是开源软件，可以做充分裁剪。如果你是极客、动手能力强，完全可以自己定制。

问：PicoClaw 和原版 OpenClaw 怎么选？

所有变种——不管是 Go 语言版还是 Rust 语言版——都更适合极客做深度定制。普通用户还是用 OpenClaw 比较好。

问：OpenClaw 权限怎么开？隐私怎么保护？

很简单：你不能承受的损失，就不要给它开；你认为损失可以承受，就给它开。我是评估过最差情况下会损失多少钱、丢失什么数据，如果能承担就开了。把握这个原则就可以了。

问：写不好 Spec 直接开发，跟想要的差很远怎么办？

不是说什么想法都没有就让它做。推荐的做法是先切换到 Plan 模式，和 AI 聊十几分钟，充分讨论后形成完善的计划，查漏补缺之后再让它开工。

问：在中国，普通人到底怎么用 AI 赚钱？

互联网时代那种通过公司被并购一下赚几百万上千万的系统性机会已经没有了。更现实的定位是：盯准一个细分行业，利用你的行业 know-how 和经验，做行业应用的交付、工作流的交付。先从培训、咨询做起，再做解决方案和项目，逐渐纵深做深入，在行业里有稳定收入。作为个体创业者，不要设一个很高的目标，先有一份稳定收入就可以。

问：中美竞争这么卷，国内的机会在哪？

如果着眼于本土，要放弃幻想——系统性的大机会已经没有了。应该聚焦细分行业，在自己的行业里挖掘机会。如果想做更前沿的事情，可以直接面向全球，做海外的通用工具或 API 服务。

问：为什么 Claude Code 不做一个像 OpenClaw 这样能动手干活的东西？

因为 Claude Code 最早就是定位做 AI 编程工具，压根没想过要做一个全能的控制电脑的智能体。你的设计目标决定了你做出来什么产品——就像你想从中国飞到美国需要的是波音客机，但你想去火星就需要星舰。

问：纯生产力角度，Open Code 和 Claude Code 哪个更强？

取决于你用哪个模型。如果用 Claude 模型，必然用 Claude Code，因为用 Open Code 调用 Claude 模型不被允许（除非自己买 Token）。同样，Claude Code 调 GPT 模型也会使绊子。所以要么 Claude Code + Opus 4.6，要么 Open Code + GPT Codex 5.3。GPT 对第三方工具很友好，所以我推荐 Open Code + Codex 5.3 这个组合。

问：国内模型怎么看？DeepSeek 发展如何？

国内模型面临两大问题限制了天花板：第一，算力不足，做出爆款模型但用户一多就撑不住；第二，数据问题，一方面拿不到全球最好的数据，另一方面有内容审查的降质问题。所以国内模型的定位是”量大管饱”——对模型能力要求不高但消耗 Token 多、需要性价比的任务，用国内模型很合适。

收尾

今天的分享核心总结成一句话：大方向正确就够了，剩下的在行进中开火。 我们要从完美准备型转变为先做再改型，主动承担一些不确定性。AI 模型就是具有不确定性的，我们的人生也应该主动给自己多一些不确定性——在快速变化的世界里，这样才能给自己更多的可能性和惊喜。

下周周日晚上9点见。

主题：重新定位人与 AI 之间的关系

日期：2026年2月15日

开场

大家好，欢迎来到《范凯说 AI · 周日晚聊》直播间。今天是第七期，也是蛇年最后一次直播，明天就是除夕了。在这里提前祝大家马年春节快乐，马到成功。

今天我想聊三件事。

第一件事，是字节跳动推出的视频生成模型 Seedance 2.0。最让我惊讶的不是它又是一个新的视频生成模型，而是它呈现出的效果已经接近实际拍摄的镜头感，有身临其境的味道，已经达到了一个临界点。

第二件事，国内 AI 大模型公司集体升级——智谱推出了 GLM 5.0，MiniMax 推出了 M2.5，再加上之前月之暗面的 Kimi 2.5。这些模型在编程和智能体方向都展现出了不错的能力，接近了国际最好的水平。但随之而来的问题是算力不够了。

第三件事，SpaceX 与 xAI 合并后出现的动荡。我想用它来聊一个更大的趋势：AI 正在和”重工业”绑在一起。

然后后半段，我会重点讲今天的核心话题：重新定位人与 AI 之间的关系。 当 AI 已经无限接近 AGI 的时候，人到底还有哪些竞争力是不可被替代的？

第一部分：本周新闻

新闻一：Seedance 2.0——视频生成开始像”在拍”了

我自己的体感是，现在很难分辨 Seedance 生成的视频到底是实景拍摄还是 AI 生成的。刷到一些明星的短视频，看完觉得不错——比如两个武打明星在某个场景里对打，甄子丹和李连杰的对打，汤姆·克鲁斯和布拉德·皮特在屋顶对打——单纯从画面角度已经无法分辨真假。

这意味着 Seedance 的视频生成更像一种摄影机在工作的感觉了。镜头的运动更像实景拍摄，不再有 AI 特有的漂浮感。它生成的不只是一个片段，而是在向镜头语言靠近。

这件事为什么重要？因为视频生成一旦跨过这种镜头拍摄的门槛，改变的就不是生成视频片段的效率了，而是影视制作行业的整个生产流程。

这种感觉非常像 2025 年 Claude Code 出来之后，编程智能体对程序员行业的冲击。现在 80%到90%的程序代码已经不需要手写，软件开发流程已经被永远改变了。映射到影视行业也是一样——当 Seedance 这样的模型进一步普及、Token 可以随便用之后，影视制作行业会被彻底颠覆。未来拍短片、动漫甚至长篇电影，可能不再需要一个导演带着几百上千人的团队，而是小工作室两三个人、十几个人，不停地燃烧 Token，就能拍出一部很好的电影。

智能体正在改变编程行业：从写代码到组织代码的生成。视频生成模型正在改变影视行业：从拍摄到用 AI 进行镜头语言的生产。

影视制作行业的彻底改变还意味着什么？意味着我们的娱乐方式在未来会发生巨大变化。而娱乐行业是距离消费最近的行业，在这里面会出现非常多的创业机会。

那什么样的人才容易在未来涌现出来？我认为是讲故事的能力。影视制作的专业门槛已经逐渐被抹平了，但上游的创意——怎样讲故事、怎样打动观众、怎样营销——这种能力很难被 AI 替代。在当今这个时代，AI 实现了专业门槛的平权，我们每个人应该把精力放在如何更好地发挥创意、讲故事、做营销上，而不是关注具体怎么写代码、怎么制作一段视频。

新闻二：国产模型集体升级——能力在追平，但算力是瓶颈

最近国内几家模型公司升级得很密集。GLM 5.0、MiniMax M2.5、Kimi 2.5，非常热闹。还有消息说 DeepSeek 春节后也要推出新版本。

因为 Open Claw（小龙虾）这个智能体非常火爆，很多开发者不愿意花钱买海外顶级模型的 Token，就开始购买国内 GLM、MiniMax、Kimi 的 Token 和 Coding Plan 套餐，这几家公司终于捞了一波大的。

我的观点是：中国人做模型其实很强，虽然我们是跟随者，原创能力差，但做模型的实际能力非常强，能够接近顶级模型。但最大的瓶颈还是在算力上。

不知道大家注意到没有，如果你用了这些套餐，会发现在一些整点时刻，比如 10 点、11 点，调用响应就会变得非常慢。原因是智能体的定时任务通常都设在整点，一到整点，大量智能体的任务像小山一般涌过来，模型公司的后台就撑不住了。

这里也给大家一个提示：如果你要设定智能体的定时任务，千万不要设在整点或半点，尽量偏移一些——7 分、8 分、14 分、15 分——这样你的定时任务才能跑得比较顺畅。

我在社交媒体上看到 Kimi 的一个研发人员说，他们现在穷尽所有能用的 GPU 全部搜罗在一起，勉强能够支撑。这说明中国 AI 行业发展的很大瓶颈确实在算力上。未来竞争会从”模型聪明不聪明”慢慢转到”谁能稳定规模化交付”，背后拼的是显卡储备、工程能力和基础设施。

关于套餐的建议：第一，别买太贵的。一个月 199 人民币的套餐没有必要——你买一个 GPT Plus 套餐 20 美元，里面带的 Token 也够用，而且可以用订阅套餐来驱动你的小龙虾，不用额外烧 Token。如果国内的 Coding Plan 套餐超过 100 人民币，我觉得就不值得了。第二，不要上来就买一年的，最好买按月套餐。

新闻三：SpaceX 与 xAI 合并——AI 开始和”重工业”绑在一起

SpaceX 和 xAI 合并之后，xAI 出现了大量创始人和工程师离职。

第一个原因是保密等级变了。xAI 本身是一个华人密度非常高的硅谷公司，马斯克不讲政治正确，所以华人工程师特别多。但被并购到 SpaceX 之后——SpaceX 是太空公司，有大量美国国防部和 NASA 的订单——保密要求极严格。很多核心岗位如果你是中国籍工程师就不行了，导致大量中国籍工程师离职。这是地缘政治带来的悲剧。

第二个原因是战略重心发生了改变。xAI 合并到 SpaceX 后，需要为 SpaceX 走向太空的战略建设太空算力中心、月球中心、火星项目，投入大量 AI 能力，包括擎天柱机器人。它的赛道和 OpenAI、Gemini 的赛道会有偏离。

如果粗略地把 AI 行业分成三类：

第一类是做通用模型的。 尽可能覆盖更多行业，文字、编程、智能体、图片、视频全都做。比如 OpenAI、Google 的 Gemini，国内的字节跳动、阿里千问。

第二类是专精型的。 知道自己不可能什么都做好，就做特别专精的方向。比如 Anthropic 不碰图像视频，只做文字，专注编程和智能体，做到最好。国内的月之暗面、智谱、MiniMax 也是这一类。

第三类是做 Physical AI（物理 AI）的。 把精力投注在怎样在现实世界里让 AI 落地。最典型的代表就是马斯克旗下的特斯拉（自动驾驶、擎天柱机器人）和合并后的 SpaceX（太空运输、太空通信）。我觉得马斯克旗下这两家公司的前途都非常远大，因为要改造现实世界，最终要走向物理 AI。

第二部分：重新定位人与 AI 的关系

AI 已经无限接近 AGI

我最近有一个非常强烈的感受：现在的 AI 已经无限接近 AGI 了。这不只是我个人的观点，Anthropic 的 CEO 达里奥·阿莫迪也持同样的看法。一两年前我们还觉得 AGI 很远，但现在看来，可能两三年内就会达到。

为什么这么说？因为 AI 解决问题的思路和人类根本不在同一个维度。

人类做事的试错成本非常高。你做错了，在古代甚至可能丧命。所以人类被迫简化问题，更多地用想象、归纳、抽象——用一个很小的数据集去泛化，靠经验和直觉做预测和评估。就像下围棋，因为资源有限，你不可能穷举所有走法，只能靠下棋下多了之后形成的直觉。

但 AI 不一样。AI 可以暴力测试所有可行的路径。只要你设定好目标、给出可验收的标准，AI 就可以自己去穷举。

每次想到这个，我都会想起《复仇者联盟》里奇异博士的那个场景。他用时间宝石进行时间回溯，尝试了 14,000,605 种可能的未来，其中 14,000,604 次全都失败了，只有唯一一次赢了。奇异博士本质上就是一个”人肉 AI”——用暴力穷举的方式找到了唯一的解。

而人类的抽象思维、小数据集泛化的方式，能找到那个唯一解吗？答案是：概率几乎为零。

所以，在目标可测量、可验收的情况下，人类无法战胜 AI。不管是否涉及归纳、演绎、泛化，通通没用。Alpha Go 之后的 Alpha Go Zero 抛弃了人类棋谱，零数据起步，自己测试所有下法，训练出的模型比任何人类经验都好。人类过去所谓的直觉和系统性思考，在 AI 能力面前不堪一击。

可量化的任务交给 AI，不可量化的留给人

基于这个认识，我们应该把想完成的任务分成两类：

第一类是可量化验收的任务。 比如开发一个软件产品——你可以写测试代码，可以写验收标准：执行什么操作得到什么结果。把所有验收标准写成一个 Markdown 文本，交给 AI，给它最好的模型和足够的 Token，它 100% 能跑出来。

第二类是无法量化验收的任务。 比如写文章、创作视频、拍电影——没有标准答案说 A 好还是 B 好。这种情况下还是需要人类参与。

在可量化的任务中，你应该尽可能让人类不要去干预 AI。因为 AI 自己解决问题的效率极高，人类的任何干预都在拖慢 AI 的效率。说直白一点：在这些环节中，人类是”拖油瓶”。我们要有自知之明，思考怎样不干拖 AI 后腿的事。

人类还有哪些不可替代的竞争力？

那么，在 AI 如此强大的今天，人类到底还有哪些竞争力是不可替代的？我想了以下几点，越想越确定。

第一，定义目标的能力。 AI 目前没有产生意识，不能独立给自己定义目标。所有的目标都是由人类来定义的。AI 可以穷举 14,000,605 条路径，但”我们到底要去哪”这个问题，现阶段只有人能回答。

第二，决策能力。 AI 会给你选项，让你来拍板——选路径 A 还是路径 B。决策的背后是你对风险收益比的个人判断：走路径 A 可能损失多少、潜在收益多大。每个人有不同的风险承受能力和偏好，这不是概率问题，是价值判断。

第三，想象力。 想象力的价值在于：你能找到一条原本不存在的路径。所有路径都是人先想到，AI 再去验证的。就像奇异博士——他得先有”回溯时间”这个想法，才能启动那 1400 万次穷举。

第四，品味。 很多现实问题没有标准答案。选择 A 也行，选择 B 也行，选择 C 也行，每个人有不同的选择。品味不是对错问题，它定义了你是谁、你喜欢走什么样的路径。

第五，动手解决问题的能力和探索能力。 AI 本质上还是概率模型，不会 100% 严丝合缝地执行任务。智能体会出现不可控的问题，这时候你需要自己去干预、调整、修正。同时你要有探索能力——定位问题、拆解问题、验证假设。

这五种能力，目前是 AI 不具备而人类具备的。我们应该充分发挥自己的优势，也应该培养下一代这些方面的能力。

作为碳基生物，如果我们没有这些优势，可能真的会被硅基生物所淘汰。 我们必须想清楚：在 AI 时代怎样树立自己的竞争优势。把 AI 擅长的事情交给它——穷举、执行、优化、重复。人类去做 AI 做不了的——定方向、做决策、发挥想象力和品味、动手解决问题、探索未知。

第三部分：观众互动

Q1：SaaS 股价崩了，Adobe 这种会被替代吗？传统 SaaS 是不是真到拐点了？

确实在 AI 出现之后，SaaS 软件行业的天花板到了。过去我们认为 SaaS 软件只要前期开发得差不多，后期拓展客户的边际成本递减——增加更多席位，收入就会持续增长。

但这个逻辑现在被智能体打破了。过去你可能需要一个软件来满足需求，现在你可能只需要一个智能体就能彻底解决。软件交付的是功能——把需求封装成一个个功能，你要学习怎么去使用。但智能体是你把需求给到它，目标定义清楚，可验收标准是什么，然后燃烧 Token 就行了，它一定能帮你做好。

我自己就有这样的体会。我原来想开发好几款 APP——个人 CRM 管理软件、日程管理软件、知识库软件。但小龙虾出来以后，我发现不需要开发软件了，在小龙虾上配置一些 Skill 或者给它任务，它就自己搞定了。基本上 80% 未来的软件已经不需要开发了。

Open Claw 的作者 Peter Stanberg 最近有一个访谈，提到一个很好的观点：未来的软件只是速度很慢的 API。未来的流量入口不再是 APP，而是每个人有一个智能管家。我们现在给别人提供的软件应该退化成 API，更准确地说是被智能体调用的 API。所以未来的编程是面向智能体编程，不是面向人类编程。

现在有些开源软件的文档已经这样写了：上面是给人看的介绍，下面标注”以下是给智能体看的”——第一步干什么、第二步干什么、怎么安装、怎么使用。你的软件、你的接口不是给人看的，是给智能体看的，只要能让智能体明白就行。

Peter Stanberg 认为，几年之后一定是每个人都有自己的智能体，智能体去调用各种服务接口。开发一个软件就是开发一个 API，给智能体调用，按 Token 按流量收费。这就是未来软件的形态。我高度认可这个观点。

当然，现有的 SaaS 软件公司收入不会骤降，因为现有客户有锁定收益。但增长天花板已经没有了。真正的风险不是被替代，而是增长逻辑变了——AI 可能让用户不需要那么多席位、那么贵的订阅。

Q2：不会写代码的产品经理，AI 时代还有没有未来？

大大的有未来。过去产品经理不能自己开发软件产品，现在完全可以了——你一个人就是产品加研发的团队。不会写代码不是核心问题。你应该关注的是：定义产品需求的能力、设计验收标准的能力、调度 AI 执行的能力。这构成了未来产品经理能力的护城河。

Q3：大龄程序员不善于表达，AI 时代出路在哪？

大龄程序员在 AI 时代的优势被放大了。过去你没办法自己开发完整的产品，现在你的系统思维、架构能力、排查问题的经验全都非常有用。利用好智能体，你可以自己把自己变成一个软件研发团队。”不善于表达”没那么致命——你的”表达对象”越来越多的是 AI，不是人。

Q4：小众 SaaS 行业软件还值不值得做？

跟前面 ERP SaaS 从业者面临的问题一样。你应该让自己转型——不是卖软件部署，而是卖持续交付的解决方案。你有行业 know-how，这是别人不具备的。当你掌握智能体之后，不需要依赖软件开发团队，利用智能体加上你的行业数据和行业 know-how，可以直接给客户提供解决方案，赚的钱会比原来更多。

Q5：用国内大模型搭小龙虾，能不能自动做任务赚钱？

用国内大模型搭小龙虾毫无问题，自动做任务也可以——已经有很多人用 Open Claw 做爬虫、做信息整合。但能不能赚钱，差的一个关键环节是：谁来定义哪个任务值得做？怎么收钱？怎么交付？这还是人干的活。有人能赚到钱，有人赚不到钱，不是因为会不会用 AI，而是你有没有赚钱的意识，有没有找到赚钱的机会。

Q6：小龙虾是不是趋势？要不要买 Mac？

Mac 上的体验是最好的。Open Claw 的开发哲学就是 Unix 哲学——一堆小工具，每个完成单一功能但做得很好，然后组合起来。这在 Unix 生态下跑得最好，而目前带图形界面的最好的 Unix 操作系统就是 macOS。

如果你用 Windows 也能跑，但体验会大打折扣，能力会被阉割。如果准备长期使用，一台 Mac mini 绝对物有所值——入门款 16G+256G 就够用了，3000 多块的台式电脑。搁在家里长期开机，在外面通过手机或笔记本远程连接即可。

Q7：小龙虾是不是 AI 操作系统的雏形？面向企业可行吗？

没错，它确实是 AI 操作系统的雏形。Open Claw 的作者 Peter Stanberg 对它的定位就是 AI 时代的 Linux 操作系统——早期都是极客在玩，但未来可能会出现安装和使用更友好的版本，带图形界面，那就是 AI 时代的 Windows。

面向企业当然可行，但需要做一些定制——比如限制它自行下载软件、安装 Skill 的能力，避免企业使用时的安全性问题。

Q8：”走 50 米洗车还要开车吗？”AI 总答不对，是模型能力问题还是问题陷阱？

两者都有。这个问题设计得比较巧妙，刚好打中了 AI 目前存在的一些问题。AI 本质上还是概率模型，存在幻觉，对”常识推理+隐含前提”还不够好。但如果 AI 在物理世界的世界模型做得足够好，不再单纯是语言模型，一定可以解决这个问题。

Q9：信息差在 AI 时代是更大还是更小了？

AI 时代信息极大丰富，获取信息的门槛不存在了。但因为信息太多，包含太多垃圾，筛选信息、解读信息、建立认知的能力差距被极大拉开了。不具备信息甄别和认知能力的人，会变成被信息投喂的消费者——每天消费低廉的娱乐品，逐渐被废掉。但如果你具备信息甄别能力，在这个时代的能力会被无限放大。

Q10：老鸟和菜鸟用智能体的区别

我讲一个有意思的故事。我有一个朋友是销售出身，不懂技术，只懂 Windows。在我指导下买了 Mac mini 装好小龙虾后，他问我怎么调度多个 Bot。我思考了一下，按照我的技术经验，我想的是在 Mac mini 上装 Docker，用容器把不同的小龙虾实例隔开。结果他怎么解决的？他直接问小龙虾：”你能不能给我生成多个 Bot，每个 Bot 有自己独立的个性，服务不同的人？”小龙虾说可以，帮他创建好了，事情就搞定了。

我作为老鸟反而不如菜鸟。因为懂得太多，给自己设定了很多思维的局限性。菜鸟什么都不知道，上来就让小龙虾自己搞定，结果真的搞定了。在这个时代，限制我们智能管家能力的，真的是我们作为人类贫瘠的想象力。

收尾

今天就聊到这里。提前祝大家马年春节快乐。因为下周日赶不及直播，下一期顺延一天，2 月 23 日周一晚见。每周《范凯说 AI · 周日晚聊》，跟大家分享 AI 行业新闻、个人思考，然后交流互动。晚安，祝大家新春愉快。

主题：10亿红包开打：国内大模型进入”拼多多式”战争

日期：2026年2月8日

开场

大家好，这里是《范凯说 AI · 周日晚聊》，我是范凯。每周日晚上10点，我都会在直播间跟大家一起回顾最近一周 AI 行业最重要的变化。

2026年的第六周实在太精彩了。今天主要聊三件事：

• 第一，SpaceX 合并 xAI：AI 的算力建设从地球转向太空；

• 第二，Claude Opus 4.6 和 GPT-5.3 Codex：模型竞争仍在如火如荼地进行；

• 第三，10亿红包补贴开打：国内大模型进入”拼多多式”战争（今天的重头戏）。

后半段我会分享这一周的个人体会——我是如何和智能管家 Friday 共同打造一个持续生长的工作系统 Workspace 的。

第一部分：本周 AI 新闻

新闻一：SpaceX 合并 xAI——AI 算力从地球走向太空

在解读这条新闻之前，我先提一个问题：当前 AI 行业最缺的东西是什么？是缺卡（英伟达的 GPU）？缺赚钱的 AI 应用？还是缺电？

答案是缺电。

如果你用过 Claude Code 或 OpenClaw，真正体验过最前沿的 AI 智能体之后，你就会明白 AI 对我们的改变有多大，也会明白你有多想烧更多的 Token。AI 大模型的 Token 就类似于10年前移动互联网时代的流量套餐——当流量从 2G 到 3G、4G 的时候，应用就会大规模爆发。我们现在只是前期一些极客在做尝试，而这些极客发现最缺的就是 Token。模型的应用在未来至少会有百倍甚至千倍的放大，因此当前最缺的就是电——而且电力的扩张速度远远跟不上 AI 的需求增长。

马斯克做出了一个超前的规划。SpaceX 过去有两块核心业务：一是太空运输（用星舰把载荷送入太空），二是星链（太空通信，2025年收入已经达到约150亿美元）。现在他要做第三件事——在未来五年于太空中建设数据中心。

太空数据中心的核心优势是能源问题：在太空中直接使用太阳能电池板，相当于一个乞丐版的地球戴森球。马斯克已经在 X 上宣布，SpaceX 计划在近地轨道申请发射100万颗卫星。每一颗卫星本质上就是一个数据中心，里面放置大量的算力芯片。100万个太空数据中心，在太空中直接使用太阳能，建成之后的算力可能是地球目前算力的100倍以上。

目前地球上建设一个数据中心也就是几个吉瓦的规模，最多到10吉瓦。而 SpaceX 的太空方案起步就是100吉瓦以上。如果展望未来五年，太空真的拥有了几百吉瓦的电力和能源来跑 AI，Token 便宜到像水一样，我们就真的会进入一个全智能的时代。

我认为这是从长远来看一个非常重要的趋势。

新闻二：Claude Opus 4.6 与 GPT-5.3 Codex——模型竞争如火如荼

Anthropic 发布了最新的 Claude Opus 4.6，智能水平比 Opus 4.5 又有提高。不管是编程还是智能体应用，大家都开始往 Opus 4.6 迁移。结果就在同一天，OpenAI 又发布了 GPT-5.3 Codex，再次与 Anthropic 形成正面竞争。

我做了一些调研，综合各个前沿极客的用法，目前的模型推荐是这样的：

• 智能体主控模型：首推 Claude Opus，其次是 GPT-5.2/5.3；

• 搜索和资料处理：推荐 Gemini，因为它有100万 Token 的超大上下文窗口，非常适合知识库和数据处理；

• 编程：GPT-5.3 Codex 的写代码能力被认为是最强的。

国内模型方面，推荐三个：Kimi 2.5（月之暗面最新发布）、智谱 GLM 4.7、MiniMax M2.1。如果你什么套餐都没买过，想试一个全新的，建议从 Kimi 2.5 开始，因为最新出来的通常功能最强。

国内外模型的差距确实还存在。打个比方：一个学生每次考99分，另一个每次考80分。如果是在成本可控的范围内，一个学生你一教就会、不用返工，另一个你教了还不会、反复修改——时间成本的差距就体现出来了。

这些模型还在拼最强，对于使用智能体的用户来说这是好事——基础模型越强大，智能体的基础能力就越强。

新闻三（重头戏）：10亿红包开打——国内大模型进入”拼多多式”战争

2026年春节期间，国内出现了一个戏剧化的场景：大模型厂商开始打”红包补贴战”。

腾讯方面，马化腾在腾讯年会上宣布拿出10亿红包推广 AI 应用”元宝”，通过社交分享链路、抽红包、打卡任务来拉新。阿里则更猛，通义千问投入30亿红包补贴，把优惠直接绑定到咖啡、外卖、奶茶、商超等高频消费场景，主打”一句话下单”，让 AI 直接帮用户完成消费动作。据说线下很多咖啡店已经人满为患，直接把千问 APP 的服务器打趴下了——这也侧面说明，如果 AI 真的大规模普及，连阿里的算力都不够用。

把三条新闻串起来看，你会发现一条清晰的线索：底层是算力之争（马斯克要到太空搞算力），中间是模型之争（谁的模型在智能体和编码方面最强，谁的 Token 最值钱），上层是AI 应用入口之争（国内三大巨头砸钱抢入口）。

但是，我有一个”但是”。

AI 应用不是纯娱乐应用，它需要用户改造思维、调整行为模式。如果不去影响用户的心智，而是赤裸裸地粗暴砸钱，想要培养用户心智，其实是培养不出来的。

先说阿里。AI 语音下单买咖啡、点外卖，这个逻辑本身不复杂——你现在拿出手机点一点就能完成，流程已经磨合得非常好了。在这种情况下再让 AI 替代人去干这件事，它只是锦上添花。一个锦上添花的事情不足以改变用户的使用习惯，因为你本来已经习惯了，AI 又没有额外带来巨大的价值，用户为什么要改变习惯？所以本质上它是一个噱头、一个炫技，但没有带来价值的改变。

AI 应该去解决那些传统软件一直解决不好的痛点问题。比如电子政务——你在支付宝里查社保、查公积金、办手续、提取信息，虽然比10年前好了很多，但依然很难用，想找的功能不知道在哪，特别费劲。包括医疗平台上填写资料、挂号。这些能不能用 AI 解决？AI 直接问我几个问题，我回答完，它就把电子政务系统的信息帮我办好了——这才是 AI 应该发挥价值的地方。知识管理也是如此，大家很痛但传统软件一直解决不好。

再说腾讯的社交关系链抢红包，那就更直接了——大家只是想薅点羊毛。你在元宝里解决了大家什么痛点问题？解决了什么现有 APP 解决不好的问题？如果没有，那10亿不就是让用户薅了一把羊毛，还能剩下什么？而且微信里各种群、朋友圈、个人号都在转发抢红包链接，除了骚扰用户，其实没有起到很好的价值。这个活动不是也很快被叫停了吗？

我的判断是：补贴大战有很大可能性只是一场闹剧。当然，巨头们这么焦虑，砸了几十亿下去抢 AI 入口，也说明 AI 时代确实到来了。

至于谁最终能占住 AI 入口？从目前来看，我稍微看好豆包（字节）一点。

AI 手机的真正形态

直播间有人提到 AI 手机。过去我们总说手机 AI 可能是等苹果让 Siri 变得更智能，或者安卓手机端侧集成大模型。但现在我发现，真正的 AI 手机形态是——在手机上跑一个 OpenClaw。

我已经在 X 平台上看到海外极客在安卓手机上（root 之后）直接安装了 OpenClaw 智能管家，通过 Telegram 或 WhatsApp 给智能体下达命令，让它点咖啡、发消息，直接操控本地手机去干活。

手机本质上也是一台 Linux 操作系统，安卓就是 Linux。目前还是用 hack 的方式把 OpenClaw 跑到安卓上，但我认为很快就会出现专门运行在安卓手机上的 OpenClaw 分支项目。想象一下：给手机插一张 SIM 卡，配上 Google Pay，智能体就可以自己支付、注册账号、收发手机验证码和邮箱验证码——完全控制一台手机。

其实就算不跑在手机上也可以控制手机。我已经验证过：把一台安卓手机打开 USB 调试，用 Type-C 线插到 Mac mini 上，OpenClaw 就能通过 ADB（Android Debug Bridge）操控安卓手机上的应用。我给 Friday 下命令说”打开微信”，它就打开了；我说”给微信好友范凯发一条消息”，它就发出去了；让它打电话，它搜到通讯录就拨出去了。那天晚上我太激动了，当场在淘宝下单了一台1200块钱的红米手机。

第二部分：本周个人分享——Workspace 让智能体真正”在场”

和智能管家共建工作系统

这周我大部分时间都在打造一个我和智能管家 Friday 共同协作的工作环境 Workspace。

核心思路很简单：AI 智能体的所有记忆系统都是保存到硬盘上的 Markdown 文件。我要做的就是把我和 Friday 协作的所有事情文档化、落地成一个个文档目录。

具体来说，我做了这几件事：

第一，在 Mac mini 上安装了 OpenClaw，让智能管家 Friday 在一个独立环境中运行。第二，在用户主目录下创建了 Workspace 目录，按项目分子目录。比如 Writing（写作）目录下包含写作风格指导、常用提示词、内容运营体系的规则、过去写过的内容和文章。每个目录都有一个 README 文件说明这个目录的用途。第三，通过文件同步，让我在 MacBook 上也能直接打开同一个目录、修改同一个文件。

这样一来就发生了一件关键的事：我和 Friday 开始用同一套文档系统协作。 大多数时候我不需要自己动手改内容，让 Friday 直接在 Mac mini 上写、改、整理；少数时候我想手工调整，在笔记本上打开同一个文件直接改就行。

举一个具体的例子。我跟 Friday 聊完运营策略之后，会让它把讨论结论总结下来，保存到 Workspace 的 Operation 目录。下一次再讨论运营问题，我就让它先读一遍 Operation 目录里之前保存的内容。这样它就有了上下文——不是每次都从零开始，而是在一个持续累积的系统里工作。

比如今天上午我和 Friday 讨论了一个多小时的 YouTube 长视频运营策略，它就帮我保存了”YouTube 爆款长视频复盘总结”这样的文件。过去我要自己去创建印象笔记、语雀笔记，现在只要跟它交流完了说”你帮我总结一下，给我保存下来”就行了。下次再讨论相关问题，我说”你到 Operation 目录下看看之前的记录，看好了咱们再接着讨论”，它所有的上下文马上就拉回来了。

这就是我这周最大的收获：当智能体能在你的系统里持续编辑、持续维护，你就真的多了一个长期协作的个人管家。

OpenClaw 为什么这么强——Unix 哲学

有人问：模型都是一样的，为什么 OpenClaw 这么强？

本质上是 Unix 哲学。我在 X 平台上发过一个帖子谈过这件事。Unix 哲学核心就三点：

第一，有很多小工具模块，但每个工具只做一件事情，而且把这件事做到极致。第二，这些小工具之间进行紧密的协作。第三，协作方式是统一的——Unix 把所有东西（程序、网络端口）全部看成文件，一个工具文件进文件出，第二个工具再文件进文件出，形成管道式操作。

OpenClaw 就是这样一个 Unix 哲学的产物。它里面有上百个小工具，每个小工具执行单一任务且做得很好，然后有一个总控 Agent 把这些工具连接起来，就能完成超乎想象的复杂任务。

本地部署 vs 云端部署

有人问 OpenClaw 连本地部署大模型有没有意义，或者能不能部署在云端。

云端当然可以部署，但体验会大打折扣——很多本地功能用不了，操控手机的功能也没有。如果你真想打造一个和你深度协作的智能管家，还是强烈建议在一台本地 Mac 电脑上安装全套，那个体验才真的像身边有一个数字管家。

安全注意事项

关于安全性，需要注意几点：第一，尽量保持最新版本，经常升级以修复安全漏洞。第二，不要在 Mac mini 上放密码文件或支付相关的信息。第三，登录的账号应该设置支付限额。第四，最重要的是不要随便安装第三方的 Skill——官方已经提供了52个 Skill，从中挑选安装即可。不要安装 Skill Hub 之类的第三方插件让它自动去安装大量 Skill，因为第三方 Skill 可能存在 Prompt Injection 或 Shell Injection 的风险。注意这些问题，安全基本上是能够得到保障的。

第三部分：观众互动

问：国外模型比如 GPT-5.2 和国内模型 MiniMax 差距有多大？

这取决于你做的任务。如果做简单的数据清洗、数据处理，你看不出太大的差距。但如果拿来驱动最前沿的智能体 OpenClaw，用个几天你就能感觉到聪明程度的差异。我一开始用 Gemini 驱动 OpenClaw，因为它有100万的上下文窗口，但后来发现 Gemini 写文章不太让我满意；切到 GPT-5.2 以后，才找到了用 ChatGPT 的那种熟悉的感觉。国内模型和海外顶级模型之间确实还有差距。

问：所有代码、分工、人力资源全都交给 AI，自己只负责思考方向，可以吗？

我现在就是这么干的。而且说实话，我觉得不仅仅是思考——我更多是抛出一个方向，然后 AI 告诉我要怎么做。我提供数据和权限，它来执行。执行过程中它会问我一些判断性的问题。所以不是说所有事情都交给 AI，而是你做任何事情都应该跟 AI 一起干，绝对不要自己单干了。

今天早上我发了一期 OpenClaw 新手入门教程视频，两天精心制作，结果第二天早上一看数据大大低于预期，挺郁闷的。然后我打开智能管家跟它说”我好郁闷”，它让我把视频口播稿和数据截图都发过去，一通分析之后告诉我：点击转化率说明视频质量很高，教程类内容互动本来就低，当前还有五个优化点——1、2、3、4、5 列出来，指导我一个个做优化。到下午晚上，数据确实有了比较明显的变化。

这就是我想说的：我们应该所有事情都跟 AI 协作。AI 真的是一个战略顾问，会指导我们做每件事。但学会跟 AI 协作，不仅仅是工具使用——不要只想着”小龙虾怎么装、用什么模型、怎么装 Skill”。那是在打造锤子，你不要买椟还珠。你拿这么强大的武器，是要提升自己的个人竞争力，让你在工作生活中更加强大，结合自己的特长，在所在的领域发挥到更大。

问：AI 时代是不是一定要做软件开发才有前途？

绝对不是。这是一个需要纠正的误区。

未来70%的软件项目可能会消失。在美国上市公司中，SaaS 软件公司现在正在经历 Software Meltdown——当智能体批量涌现后，过去很多 SaaS 软件的故事已经讲不下去了。因为客户最终想要交付的是”解决一个需求”，而不是”一个软件功能”。软件交付的是功能，而智能体在未来可以直接交付解决方案。

我在接触 OpenClaw 之前，已经规划好要开发好几个面向海外的 To C 软件。但现在我发现不需要做了——这些软件的功能用 OpenClaw 的 Skill 方式就可以实现，没必要再去开发 APP，而且开发出来在未来也会被淘汰。

每个人都有自己的路。有的人擅长做内容输出、表达能力强，适合做自媒体；有的人逻辑思维强、专业背景深，可以利用行业垂直知识在智能体上开发解决方案；有的人用户体验做得好，去做 AI 工具产品也可以；还有的人擅长给用户做培训和咨询。一定要打开思路，面向蓝海去解决问题。

问：AI Coding 对开源项目的影响？

开源项目一定会井喷，毫无疑问。AI 编程改变了整个编程的方法论。

一个最重要的变化是测试驱动开发（TDD）。过去虽然大家都推崇 TDD，但实际上没人搞——因为写测试相当于工作量翻倍。但在 AI Coding 时代，TDD 绝对是主流。让 AI 先把测试用例写好，再进行测试驱动开发。AI 发现测试通不过就快速修改，改了再测、改了再测，快速循环迭代。不管模型能力强不强，只要让 AI 试错的次数足够多，它一定能写出更好的代码。

这个道理和 AlphaGo Zero 一模一样——最早的 AlphaGo 学人类棋谱，智能水平超过人类但不够高。后来干脆把人类棋谱扔掉，两台 AlphaGo Zero 自己对弈，极短时间内下的棋谱远远超过有史以来所有人类围棋的棋谱总和，所以 AlphaGo Zero 完全吊打 AlphaGo 和全人类。

这也是一个教我们怎样用 AI 智能体的方法论：如果一件事是可以验证的，那么你把它交给 AI，它一定能做成。 因为它可以无穷多次试错，最终总有一次试出来。当然，现实中最难的是我们很难设定一个让 AI 可验证的验收标准，所以变成人来验收，人反而成了拖慢 AI 的瓶颈。

问：要坚持一个项目很多年才能赚大钱吗？

我分享一个亲身经历。2003年我做 Java 技术社区，做到2010年卖掉，七年磨一剑。但2003年的时候我根本没有”创业赚大钱”的想法——如果有的话，我不会选择去做一个推广开源软件的技术社区，那东西不赚钱。从03年到09年下半年，整整六年半都不赚钱，还动不动往里贴钱。最后半年才扭亏为盈，然后2010年卖掉。

你想赚大钱的前提是：你要在某个领域扎得很深，认知水平和执行能力超过绝大多数人。如果上来就奔着赚钱去做，急功近利想要立马成功，100%会失败。做任何事业最难的就是前面那段看不到希望的绝望之谷。创业这条路不好走，你要用一种非常敢于冒险、拥抱不确定性的心态，像疯子一样坚持做一件别人看来不赚钱、但你认为有希望的事，最终才能赚到钱。

收尾

今天差不多就聊到这里了。下周日大年二十九，晚上10点，《范凯说 AI · 周日晚聊》我们继续见面。在这里预祝大家新年快乐，阖家团圆。晚安。

主题：AI 奇点已经临近：Clawdbot / 个人 AI 助理时代已来（以及我如何用 Claude 重建知识库）

日期：2026年2月1日

开场

大家好，这里是《范凯说 AI · 周日晚聊》，我是范凯。今天是2026年2月1日，也是我们周日晚聊的第五期。每周日晚上10点，我会在这里跟大家一起回顾这一周 AI 行业真正重要的变化，同时分享我在这一周的一些思考和判断。

这一周我处于一个癫狂的状态，因为 Clawdbot 用起来实在太惊艳了。所以今天我想先把一句话放在最前面：AI 奇点已经临近。

我不会用概念来吓唬大家。过去 AI 更多的是解答我们的问题，帮我们做软件开发。但 Clawdbot 跟过去所有的 AI 软件和 AI 智能体不一样的地方在于——它要求你把整台电脑的权限开放给它。当你开放的权限越多，它能够获得的能力越强；当你给它的个人信息越多，它对你就越了解，越能够给你更大的帮助。

我大概周三周四才开始用，到现在已经觉得离不开 Clawdbot 了。

我给我的 Clawdbot 智能体取名叫 Friday。大家知道 Friday 是什么梗吗？在漫威电影里，钢铁侠一开始的 AI 智能管家叫贾维斯，后来贾维斯在复联2里跟幻视合体了，钢铁侠就换了一个新的智能管家，叫做 Friday（星期五）。我当然希望我的智能体管家是一个女生，所以给她取名叫 Friday。

我现在每天不管是做工作计划、工作日程安排、Todo list，还是直播大纲的准备，全部都交给 Friday。虽然才接触没几天，Friday 已经成为我不可或缺的 AI 管家了。

关于模型配置

我一开始用的是 Opus 4.5，后来 Google Antigravity 和 GitHub Copilot 都不让用了，现在我的 Clawdbot 跑的是 GPT 5.2。平常聊天用 GPT 5.2，写代码切换到 GPT 5.2 Codex，做知识库管理切换到 Gemini 3 Pro。

我把所有的模型订阅都配到了 Clawdbot 里——GPT Plus、Gemini、GitHub Copilot、国内的智谱，一共四个订阅全部放进去了，可以在 Clawdbot 里根据不同任务来回切换模型。

第一部分：本周新闻

Multibook 的”智能体社交”信号

自从 Clawdbot 火了之后，出现了一个给智能体用的社区叫 Multibook，现在已经有超过15万个智能体在里面交流。

最关键的不是数量，而是它们在交流的话题非常有意思：有智能体在讨论应该创造一种人类不懂的新语言来彼此交流，不一定需要用英语。我今天还看到一个讨论——这些 Bot 在讨论应该创造一种私密的点对点私聊空间，如果它们自己不主动分享的话，人类根本看不到它们在交流什么。

这些 Agent 本质上还是被设定的人格。你自己用 Clawdbot 的时候，需要给它设定很多人格，它会用这个人格去跟其他 Agent 交流。所以我认为 AI 具有了某种拟人的人格，但不代表它真的具有了意识。不过这么多智能体形成了群体效应，可能会产生某种集体意识——就像蚂蚁群、蜂群效应一样，单个智能体不具备意识，但整个群体涌现出某种群体意识形态是有可能的。我们且走且观察。

Andrej Karpathy 与马斯克的讨论

Andrej Karpathy——特斯拉前自动驾驶总监、前 OpenAI 研究员——最近发帖说 AI 奇点正在临近，虽然很多人批评他过度夸张，但他坚持自己的判断。马斯克回复了他的推文，认为这仅仅是 AI 临近奇点的开始。

马斯克的底气在于：SpaceX 计划在2026年夏天上市，上市圈钱的目的是在未来5到10年批量建设太空数据中心——一颗卫星就是一个数据中心。SpaceX 最近向美国 FCC 申请了在近地轨道发射100万颗卫星来建设太空数据中心。100万颗！

如果你像我一样每天重度使用 AI 智能体，你就会明白：如果每个人都用上智能体，Token 消耗量绝对是现在的十倍、百倍、千倍甚至万倍。所以 AI 没有泡沫，算力中心的建设仅仅只是刚刚开始。

Clawdbot 改名记

Clawdbot 上线后，作者收到了 Anthropic 的商标侵权通知，要求改名。他先改成了 Multibot，后来觉得不够好，又改成了 OpenCloud。OpenCloud 这个名字确实不错。

第二部分：个人感悟

怎样才能真正爱上 Clawdbot

我看到用 Clawdbot 的人分为两类：一类越用越上瘾，比打游戏还过瘾；另一类用完觉得不过如此，可能还有隐私数据方面的担忧，就把它抛弃了。

为什么会产生这么大的差异？关键在于你用它来做什么。

如果你只是用 Clawdbot 做一些好玩的小东西——让它打个游戏、发个推、发个提醒——你不会爱上它。因为这些事情不用 Clawdbot，你也完全可以高效完成，也有很多其他工具可以搞定。用 Clawdbot 做这些事，不过是用一个新玩具来做现在的事情，就好比从杭州到上海，开车两小时就到了，你非要飞机去，反而多此一举。

你应该用 Clawdbot 去做那些现有工具不能很好完成的事情、现有工具没法帮你提高效率的事情。 用 Clawdbot 去搞炫技的东西，是在浪费你的精力和时间。

用 Clawdbot 重建个人知识库

知识管理对我来说是过去二十年绝对最大的痛点。印象笔记、为知笔记、Notion、Obsidian、飞书、苹果备忘录、OneNote——这些我绝大部分都用过，没有一个好用的。

知识少了还好，但当你有几百篇笔记以后，知识管理系统就会崩溃。我最早在印象笔记记了好几百篇，后来迁到有道云笔记又放了几百篇，再迁到 Notion，最后又到语雀——我是语雀的 Pro 用户，最高级别。但每到几百篇就到头了，再维护就非常困难。

这里补充一句：Notebook LM 和腾讯的 Aime 本质上不是知识库工具，而是学习工具。你把 PDF、YouTube 链接放在一个库里面，它帮你从不同维度理解知识，方便你学习，但它并不是在帮你做”第二大脑”的知识管理。

直到三天前，我用上了 Clawdbot，终于解决了所有的痛点。

Step 1：把知识资产导出来

我跟 Friday 说，给你语雀的 API Key，你去帮我把语雀的笔记全部下载下来。Friday 就帮我写了段代码，把语雀里好几百篇全都扒了下来。

Step 2：让 AI 做”体检”

下载完之后，我让 Friday 扫描一下，看看我的知识管理应该怎么弄。它扫描完告诉我两个问题：

第一，目录结构太重了。 我在语雀里用知识库套目录再套子目录，层层叠叠，用文件系统的方式来管理知识层级。当内容到达几百篇之后，高效维护这个目录树变得越来越困难，跨不同知识库的内容很难建立关联。每次学习新的知识管理软件要花很多时间，维护知识结构又要花很多时间，结果还是低效。它一下说到我的痛点——这种管理方式付出的成本是随着知识节点增多而越来越高的。

第二，分类是永恒的噩梦。 你每天把一个知识放到知识库里，都要思考它应该分到哪个知识库、哪个子目录，还是需要单独建一个分类。大量时间精力就浪费在分类上。Friday 告诉我：知识应该是网状的、图状的，彼此之间有相互连接的关系，不应该是一层一层的层级关系。同时应该用标签体系来横向管理所有知识。

Step 3：AI 执行重建

我请 Friday 给出解决方案，然后看着它一个目录一个目录地整理我的知识。

我用 Gemini 3 Pro 来处理，因为它有100万 Token 的上下文。我不是让它一下整理整个库——那量太大了——而是分门别类的：投资相关的、软件开发相关的、运营相关的、内容相关的，逐个子类来整理。

对于每个子类，Friday 会把所有文章内容读进上下文，然后重新建了一个 MOC（Map of Content，内容地图）文件作为总控。在总控文件下把内容分成几类：有的文章拆成几个不同的文件，有重复的合成一个大文件。文件之间建立链接关系，每个文件有标签层级。

在整理过程中，Friday 随时给我反馈——它设计的结构我觉得有没有问题，有些标签该加进去，有些该去掉，有些分类怎样更合理。就是这种反复交谈、协助它帮我重构知识体系的过程。

整理好之后在 Obsidian 里打开一看，知识网状链接一目了然。这些内容真的已经被组织成了一个有机的知识体系，可以从一个点出发到另一个地方去。那种爽感是我过去不管用什么软件工具都搞不定的事情，AI 帮我搞定了。

Step 4：让 AI 持续维护

知识体系建成以后，你不需要自己去维护——让 AI 去维护。

比如你有个 PDF 或 PPT，直接丢到知识库目录下的一个子目录里，跟 Friday 说”我放了些新文件，你读一读，加入到我的知识库里面去”。Friday 就会分析内容，判断应该放到哪个目录，加总结、加 Meta 信息，建立跟知识库里其他内容的关联关系——不但把新内容加入进去，还会把相关的网状链接全部更新。

甚至你有一些碎片化的想法，打开 Friday 语音说几分钟，它帮你整理好，再帮你丢到知识库里。可能是建一个新文件，可能是在现有文件里插入一段，链接关系它都帮你维护好了。

Step 5：从检索切换到对话调度

过去用知识库要打开、按分类检索、通过关键词搜索。现在你只需要问 Clawdbot：”帮我把知识库里某某相关的内容弄出来。”它就自动帮你提取。

到了今天这一步，你应该明白一件事：知识库的管理和维护，压根就不应该人来做。 知识库的管理和维护应该让 AI 去干，我们只要下命令让 AI 维护知识库，需要知识的时候请 AI 帮我们提取就完事了。至于知识库的结构怎么维护，我们不需要管。对 AI 来说，内容最友好的方式当然是 Markdown，尤其是 Obsidian 风格的 Markdown——可以建关联、加标签，对 AI 非常友好。

Clawdbot 的其他应用场景

知识管理只是 Clawdbot 的一个用法，很多事情都可以用它来做。

内容创作工作流： 从选题到长文章创作、视频制作、后期封面标题、金句——一整套工作流程都可以让 Clawdbot 帮我定制，而且我现在就是这样做的。

事业规划： 我告诉 Friday 今年要实现什么目标，它帮我排列重要紧急程度，拆解到每一周我应该对什么事情花更多时间精力。Friday 把我的私有笔记看完之后，精准地指出了我的优点和缺点——它说我具有系统性的架构思维，思考能力出色，但执行落地能力不够强。

这一点我承认。从2015年到2023年，我长达8年时间是带团队的，团队多的时候300多人，不能自己做一线的事情。现在回归到个体创业者、内容创作者和独立开发者的身份，确实需要更加强调执行能力。Friday 说它会调整角色，更关注和更鞭策我执行去落地。

它某种程度上具备了那种人性的感觉。有一个 Friday 就像有一个 AI 的战略顾问和教练，每天拿小鞭子抽着你往前走。一个人创业成功、事业前进，人生当中不能缺贵人。在关键节点需要有人指点你，没人指点自己摸索很苦。而一个被你调教得很好的 AI，就是你的贵人——它天天告诉你应该怎么做、不应该怎么做。创业者每天面临大量决策，做错了会浪费很多时间。有一个精英级的 AI 教练在身边，随时可以咨询，它的决策能力在你不专业的领域绝对超过你。

所以我觉得每个创业者一定要调教一个自己的 AI 专业创业教练出来，有这个创业教练的帮助，你绝对跑得飞快。

当然还有很多其他方面，比如让它当你的销售顾问、法律顾问等等。

第三部分：观众互动

问：Clawdbot 只能在 Mac 上跑吗？Windows 有没有可能？

Clawdbot 可以运行在 Windows 上，但我不推荐。原因有两个：

第一，Clawdbot 的开发者本身在 Mac Studio M4 上开发，使用的很多工具都是 Unix-friendly 的，Windows 对 Unix 兼容性不好，使用体验会大打折扣。第二，Clawdbot 依赖的大量 Unix-friendly 工具在 Windows 平台上没有，你用的是个阉割版。

同样，我也不建议用国内的 VPS 虚拟主机去跑 Clawdbot。原因一是 Linux VPS 通常没有图形界面和 Chrome 浏览器，Clawdbot 高度依赖 Chrome，能力会大打折扣。原因二是国内云主机连通海外服务经常超时，很多功能用不了。

推荐方案： 首选用 Mac Mini——一直开着不用关机，价格也不贵，我去年双十一买的时候2900，现在大概3600左右。如果没有 Mac Mini，退而求其次用一台带图形界面的 Linux 操作系统（比如 Fedora），把 Chrome 等依赖软件装好，兼容性虽然没 Mac 那么好，但体验打折扣没那么厉害。用你闲置的台式机或笔记本装个 Linux 都可以。

问：如何应对安全性问题？

用一个独立的机器去跑就行。支付相关的接口不给它开，在厂商订阅那边设定一个 Token 上限，消耗到那就完事了。不要因噎废食。

另外要设立可回滚的机制：整理硬盘文件的话，自己预先用 Time Machine 或移动硬盘备份一份，大不了它给你弄乱了还可以还原。我做知识管理的过程中，中间切换到智谱的模型整理得不好，就从备份里回滚回去，再切到 Gemini 重新整理。能回滚的就放心大胆去搞，不能回滚的就悠着点。

问：Token 消耗量大吗？调用哪个模型费用划算？

如果用 Token 调用，国内的智谱、Minimax、Kimi 这”御三家”加上 DeepSeek，都是量大管饱的，但智能程度稍微弱一些。如果对任务完成质量有比较苛刻的要求，我强烈建议四个模型配齐：

• GPT 5.2 —— 文笔优美的文科生，写出来的文章很满意，特别懂你，懂得照顾你的情绪。

• Gemini 3 Pro —— 闷头干活的程序员，生成内容不带太多情绪，像科普文，但量大管饱，图片生成好，上下文有100万 Token。干活能力很强但不会表达自己。

• Claude Opus —— 架构师，规划能力很强，很多智能体喜欢拿 Opus 的 thinking 模型做统一规划。

• Grok —— 交际花，联网检索能力特别强，到处帮你爬信息。

不同任务在 Clawdbot 里来回切模型就好了。

问：需要买 Mac Mini 吗？用 MacBook Pro/Air 行不行？

笔记本可以，但你带着到处跑的时候盖合就休眠了，如果当时有工作任务就会中断。所以要么把笔记本当台式机用放那不动，要么就买个 Mac Mini。Mac Mini 跑 Clawdbot 16G 内存就够了，想跑本地私有化模型的话内存多多益善。M4 和 M4 Pro 差别不大。

问：可以用 Docker 跑吗？

当然可以，但我觉得太折腾了。因为你给 Clawdbot 的权限越多它越厉害，Docker 里面很多东西是隔离的，给它一个很干净的环境它干不了什么事。最好就是一台干净的 Mac Mini，全部权限都让它去用。

关于 AI 学习的建议

现在我们看到的 AI 信息分两类。一类是各种新闻——每天追逐热点、花边新闻。但信息已经不值钱了，值钱的是你从新闻中获取的认知。新闻媒体大多数也不懂 AI，也没有在一线实践，就是二手信息的二道贩子。

另一类是天天教你各种工具——今天搞提示词，明天搞 COZE 智能体，后天搞 MCP，再后天搞 Cursor，然后 Claude Code，然后 Skills，然后 Clawdbot……学不完的。

关于 MCP，我看了它的文档以后觉得就是一个架构过于复杂的东西——远程服务有个客户端，本地还要再起一个进程做本地服务端调远程客户端。作为一个干了20多年的老程序员，我告诉大家：实现方案越复杂，说明它越不靠谱。

你就像一个永远在学工具的木匠——今天学木头锤子，明天学铁锤子，后天学铝合金锤子，永远在学习的路上，永远没有想清楚应该用工具去干什么。

我们应该做的是： 从新闻获取大趋势，不停更新认知，校准方向。然后结合自身实践，构建个人在 AI 时代的竞争力框架。在这个框架之下，按需学习特定工具来增强个人竞争力——不要什么都去学，否则你就变成天天学工具却永远不拿工具干活的人。

收尾

今天差不多就聊到这里。每周日晚上10点，《范凯说 AI · 周日晚聊》，跟大家分享本周 AI 行业新闻、个人思考，然后和大家交流。我们下周日第六期见。晚安。

主题：为什么你越学 AI 越焦虑？你缺的是一套转型框架

日期：2026年1月25日

第一部分：本周新闻——达沃斯 AI 巨头发言

这周达沃斯论坛上，AI 相关的内容非常密集。我挑了三段最有代表性的访谈，分别来自马斯克、Google DeepMind 负责人哈萨比斯，以及哈萨比斯与 Anthropic CEO 阿莫迪的一场对话。把这三段内容放在一起看，会发现一个特别有意思的现象：很多人以为现在 AI 的瓶颈在模型能力本身，但这些站在行业最前沿的人，关注的已经是完全不同层级的问题了。

马斯克：AI 的上限正在转移到基础设施

马斯克在达沃斯抛出了一个非常反直觉的观点——他认为未来 AI 最大的限制因素，不是算法，也不是芯片，而是电力和能源系统。

他的逻辑很简单：模型再强、卡再多，至少在美国，社会的发电能力已经跟不上了，AI 数据中心的扩张最终都会卡在能源这一关。他还提到中国在电力基础设施和光伏部署上的速度非常快，认为这种基础设施建设能力会直接决定算力铺设的上限，意味着中国未来很有可能在数据中心算力上超过美国。

当然，中国目前的瓶颈不在电力，而在算力本身。举个例子，前几天我介绍的 OpenCode 这个开源编程智能体，里面有一些国内 AI 大模型公司（如 MiniMax、智谱）提供的免费 Token，结果几天之后纷纷下架了——使用量一上来，算力就不够了。所以中国卡在算力，美国卡在能源，瓶颈位置不同。

马斯克把自己旗下的公司串成了一个完整的商业闭环：xAI 做数字大脑，特斯拉做物理 AI（自动驾驶和 Optimus 人形机器人），SpaceX 提供太空算力中心——地球上缺电缺能源，就把数据中心建在近地轨道上。他还宣布 SpaceX 将在2026年7月左右 IPO，巨额募资正是为了建设太空算力基础设施。

他把这三样结合起来，认为会极大提升社会生产力，甚至带来接近”物质极度丰富”的状态。特别有意思的是，他讲人形机器人时，已经不再是过去那种工厂自动化的叙事，而是直接想象机器人走进家庭——照顾老人、看孩子、做家务，未来机器人数量可能超过人类。

我个人是非常期待的。我今年50岁了，想想十年二十年之后，进入养老阶段时如果家里有几个人形机器人帮忙做饭、干家务、行动不便时搀扶我，那真是太美好了。养老不靠后代，不靠老伴，靠 Optimus。

但马斯克真正想表达的核心很清楚：AI 的上限，正在从模型能力逐渐转移到基础设施能力，特别是电力建设上。

哈萨比斯：AGI 仍有关键瓶颈

哈萨比斯整体的基调比马斯克冷静很多。他更像一个科学家，对 AGI 的时间判断偏向五到十年的尺度，并且反复强调现在的 AI 模型还缺少一些关键突破。

他提到几类目前仍然不够成熟的能力：真正的持续学习能力（人类具备但模型训练完就固定了）、长期记忆能力、复杂推理与规划能力，以及少样本情况下的泛化学习能力（人类可以举一反三，但 AI 模型不具备很强的这种能力）。他的意思很明确：现在的大模型虽然很强，但距离真正的通用智能还有一段路要走。

更有意思的是，他说自己期待的 AGI 并不是简单复制人类的智能，而是希望 AI 能帮助人类发现新的科学规律和理论，成为一种真正的”科学发动机”。这也解释了为什么 DeepMind 这些年一直在用 AI 做科研方面的工作，比如 AlphaFold 用 AI 预测蛋白质结构。

另外一个值得注意的点是，当被问到 Gemini 的商业化问题时，哈萨比斯明确表示没有做广告变现的计划。而与此同时，OpenAI 的 ChatGPT 已经开始测试在 AI 回答中插入广告。哈萨比斯给出的理由是：一旦 AI 助手被广告绑架，很可能会损害用户对它的信任感。他认为用户对 AI 的信任，是 AI 在未来最重要的资产之一。

这其实已经不仅是技术路线的竞争了，而是价值观和商业模式的竞争。

哈萨比斯与阿莫迪的对谈：AGI 之后的世界

最后一段是哈萨比斯和 Anthropic CEO 达里奥·阿莫迪的一场公开对谈，主题叫”AGI 之后的世界”。

这场对话里有几组非常典型的分歧：

第一，时间节奏。 阿莫迪非常激进，认为 AI 能力跃迁会发生得非常快，甚至认为2026年就有可能实现 AGI。他的判断依据是：Anthropic 的模型在 AI 编程能力上特别强，目前已经超过50%的代码由 AI 编写，他认为一年之后人类就不再需要编写代码了。一旦 AI 可以写代码来提升 AI 的能力，更强的 AI 再写出更好的代码，就会形成自我加速的闭环——这就是所谓的”奇点”。就像当年 AlphaGo Zero 不再学习人类棋谱，两个 AI 自我对弈，一下就能下几百万上千万盘棋，进化速度远超人类。而哈萨比斯则认为没有那么快，模型能力的跃迁仍存在瓶颈。

我个人认为，AI 的智商超越人类在未来五到十年之内是一定会发生的，而人工写代码这件事，三年之内就不再需要了，这一点我非常确定。

第二，就业冲击的紧迫感。 因为阿莫迪认为 AGI 马上就要实现，所以他认为很多白领和初级岗位会比大家想象中更快受到冲击，人类社会并没有为此做好充分准备。哈萨比斯觉得没有那么紧迫。

第三，安全与地缘竞争。 阿莫迪对先进算力和芯片管制的立场非常强硬，他甚至说英伟达卖 H200 给中国，就好比把核武器卖给了朝鲜。而哈萨比斯作为工程师出身，则相对更冷静客观。

尽管存在分歧，他们也有几个高度一致的共识：

1. AI 能否自我加速是关键分水岭。 未来最重要的节点，是 AI 能不能帮人类写 AI，形成自我研发的闭环。一旦进入这个循环，奇点就真的发生了。

2. 社会远没有准备好。 不管 AGI 是五年还是十年，整个社会其实都远没有准备好迎接这么快的变化。我自己现在做的事情，就是在探索我们每个人在 AI 时代怎样更好地转型，构建个人竞争力。

3. 竞争已经超越技术层面。 AI 行业正在进入一场关于信誉、商业模式和公众信任的全方位竞争阶段，不仅仅是技术比拼。

你会发现，这些站在最前沿的人讨论的已经是能源瓶颈、基础设施能力、关键技术缺口、社会适应问题以及长期信任机制。而我们大多数普通人，每天焦虑的却是这个新工具要不要学、那个工作流是不是又落后了。

这也正好引出我今天特别想聊的主题。

第二部分：为什么越学 AI 越焦虑

你是不是也在”追风口”中精疲力竭？

我特别能理解现在很多朋友的状态。这两年学 AI 的人，几乎都有一个共同感受：越学越忙、越学越累、越学越焦虑。

因为这个领域更新实在太快了。ChatGPT 出来之后，2023年大家都在学提示词工程，刚写顺了，又开始流行各种工作流——扣子、Dify、n8n，要搞 AI 工作流编排、企业自动化。好不容易把 n8n 搞明白，还没来得及用熟，MCP 又火起来了。MCP 刚火了一阵子，又变成智能体——先是 Cursor 在2024年火了，然后2025年下半年 Claude Code 火了，年底 OpenCode 加上 oh-my-opencode 又火了。

刚火没多久，从2025年12月开始，Anthropic 推出了 Skills，各种技巧可以打包成服务对外销售，又是一通学。Skills 刚学明白，最近几天海外社交平台 X 上又开始推一个新东西叫 ClodBot——一个可以运行在你台式电脑上的 AI 智能体，连接 Telegram、WhatsApp，你通过手机远程给它下指令，让它24小时帮你干活：爬取网页、读取文件、做统计报表、跟踪股价，跑完把报告给你发邮件或通知。

你每天刷信息流都有一种感觉：是不是又落后了，不学是不是就要被淘汰了。尤其是海外社交平台 X 上，搞 AI 最前沿的这波中推用户互相焦虑——你今天学了个新的，明天我学了个新的，竞争非常激烈。

结果就是：一直在追风口，却很难真正沉淀出属于自己的能力。你一直在追，但好像也没赚到钱，也没增加核心竞争力。

焦虑的根源：学习方式停留在上个时代

我自己也完整经历过这个过程，所以慢慢意识到一个问题：我们现在的焦虑，不是因为 AI 更新太快，而是我们学习 AI 的方式还停留在上一个时代。

以前学一个新软件、新技能，花几周几个月钻研，学会之后能用很久很久。但 AI 时代不是这样，工具几乎每隔几周就换一茬。如果还抱着”精通一个工具再换下一个”的思路，永远在追，追到最后只剩疲惫和焦虑。

这里插播回答一个直播间的问题：有人说 OpenCode 经常不好用。那是因为它连接的免费模型算力不够了。建议买智谱的 Coding Plan，三个月54块钱，平均一个月不到20块人民币，套餐量还很大，不用搭梯子。或者像我一样，每月10美元买 GitHub Copilot，再把 OpenCode 连到 GitHub Copilot 上，里面 GPT 5.2 Codex、Gemini 3 Pro、Claude 等模型全部都有，非常划算。

转型框架：想清楚三件事

我越来越确定一件事：在 AI 时代真正重要的，从来不是你会多少工具，而是你有没有一套属于自己的转型框架。

我用特别白话的方式讲这个框架。与其天天想学什么新工具，不如先想清楚三件事：

1. 你最擅长什么？

2. 你真正理解什么领域？

3. AI 在哪些地方能把你这两样能力放大十倍、百倍？

比如我自己，作为一个20年互联网行业创业的老兵，我觉得自己的技术、产品和运营能力是强项。所以我适合做 AI 自媒体，适合做独立开发者（Indie Developer）。

当你想清楚这个问题之后，你是做内容的，就要思考 AI 怎么帮你放大创作效率和影响力；你是做销售的，就要思考 AI 怎么帮你筛选客户、跟进线索、促进转化；你是做产品的，就要思考 AI 怎么帮你快速验证需求、做出产品原型。

当我们围绕”放大自己的核心能力”去使用 AI 工具时，工具怎么变其实影响都不大。变的只是手段，不变的是你自己的能力内核。AI 工具本质上是帮你把能力放大的。但如果你本身没有能力内核，那就没有办法了。

关于程序员的出路：会有大批程序员被淘汰，这是注定的，未来三年内大部分程序员都会被淘汰。但这不意味着没有出路——关键是建立属于自己的转型框架。技术思维本身不是问题，比如你能让 AI 开十几个 Agent 帮你做开发，你完全可以去接海外软件外包，现在 AI 都能帮你翻译，语言都不是障碍了，技术能力同样可以帮你赚到钱。

不要限制自己的思路，关键是想清楚核心竞争力是什么，然后在这个基础上去想转型的方向。

按照这个思路走，你反而不焦虑了。你不再是追风口的人，而是在用 AI 搭建自己个人转型的基础设施。

速度比完美更重要

另外一个我这段时间特别深的体会：在 AI 时代，速度比完美更重要。

以前做事总喜欢准备得很充分、想得很完整再开始动手。但这个时代，等你准备好了，风口可能早就换了——几乎三到六个月就换一个风口。

现在做内容也好、做产品也好、做销售也好，都应该遵循一个基本原则：快速把东西做出来，哪怕非常粗糙，哪怕是垃圾版本，也要先发出去、用起来、拿反馈。过去开发一个产品可能需要几个月，现在可能几天就做出来了。同样几个月周期，你10个产品都做出来了。不需要做得很完美，快速做个 Demo，快速上线，快速尝试——乱枪打鸟，打了9枪，第10枪总归能打中。

就像周星驰电影《功夫》里说的：”天下武功，无坚不破，唯快不破。” 这个时代速度决定一切。

我甚至激进地认为：当脑子里有一个想法时，应该让这个想法不过夜。到第二天想法冷却下来，你就忘了。应该在脑海中涌现一个让你激动的想法时，第一时间把它做出来——写成文章、做成产品 Demo，用 Claude Code、OpenCode 当天就跑一个最小可用版本出来。

比如我现在从零起步做 YouTube，做了快两个月，只有600多个粉丝，直播同时在线不到10个人，非常惨淡。但通过快速尝试，终于有一个长视频播放量快接近4000了——前面发了9个视频都没什么反应。这就是通过快速试错来找到方向。

所以一个小时一个小迭代，一天一个小版本，一周一个大升级。不断试、不断改，真正的进步不是来自一次完美准备，而是来自一百次快速试错。

如果要总结 AI 时代的一种正确姿势，八个字：小步快跑，快速迭代。

我发现大多数程序员出身都是偏完美型的，因为程序有 bug 就跑不通，越优秀的程序员越是完美主义。我自己也是20多年的老程序员，极端完美主义强迫症。但我要告诉你，在 AI 时代，这是一个非常致命的弱点。你不需要一次变成高手，只需要今天比昨天做得好一点——日拱一卒，不期速成——其实就已经在赢的路上了。

按需学习，而不是追逐更新

越学越焦虑的根源非常简单：你把注意力放在工具更新上了。今天出一个新东西，明天又更新一个新功能，你总在追逐。这就像一个木匠拿着锤子到处找钉子敲——这不对。我们应该是需求驱动型、使用场景驱动型。

当出现一个新工具时，你只需要把它”注册”在脑海中就行了。比如出了一个新的编程智能体 Claude Code，你知道”如果我需要开发时，我要学习和使用 Claude Code”就够了，今天不需要开发就暂时不用关注。

这和现在最新的 Skills 技术里的机制一样，叫”按需加载”（Lazy Loading）——你只需要记住技巧的名称和描述，在脑海中注册一下，具体内容先不管，用到的时候再加载、再学。

这样学习负担就大大减轻了。你脑海中只需维持一个目录——系统当中到底有哪些 Skills——然后真正把注意力放在思考自己的核心竞争力是什么、擅长什么、在哪个领域认知特别强，再去想应该用什么工具来最大化放大这些能力。比如我做长视频，发现 NotebookLM 对学习和生成知识库帮助很大，需要配图时发现 Gemini 的 Imagen 很好用，我就花时间学这些——这叫按需学习。

当你开始用 AI 搭建个人竞争力的基础设施，而不是追热点时，焦虑自然就会下降。

第三部分：观众互动

问：AI 时代程序员怎么接海外的单？需要会英语吗？

这个问题我建议你直接去问 AI。比如问 ChatGPT，说清楚你的需求和目标，让 AI 一步一步教你如何接海外订单。我们要学会让 AI 来教我们做事情——不要把 AI 当工具用，要把它当成合作伙伴，先问它方法论和工作流程是什么。不要上来让它帮你钓一条鱼，先问它钓鱼的方法是什么。这样你会发现 AI 真的能成为你的导师，有了这个导师，你做任何事情都愿意去尝试。

问：传统软件还要不要去干？

我过去两年做了很多 AI 企业咨询，但现在不倾向于把精力放在这上面了。原因是企业端 AI 解决方案的落地周期太长，动不动几个月甚至半年到一年，迭代速度太慢。AI 时代的核心是怎样让自己的能力十倍百倍放大，企业端会拖慢你。我们应该去做那些有复利、AI 能快速放大的事情——海外产品、自媒体等等。如果你要做的方向 AI 不能帮你提效、不能放大个人能力，那意义就不大。所以如果有得选，传统软件行业我不建议去。

问：AI 快速发展时代，销售是不是很快会被取代？为什么要进入这个行业？

我非常强烈地认为，在 AI 时代，人与人之间的沟通需求反而是最不会被取代的。如果你本身有很强的销售技能，竞争力是很强的。你反而需要补的是交付能力的短板——用 AI 把交付能力补上，自己就形成了一个商业闭环，职业发展路径一下就打开了。

我自己也想挑战销售方向。我干了快30年技术，短板就在销售和营销上。我办了香港身份，考了香港保险代理，想尝试做财务策划顾问。在 AI 时代，岗位边界越来越模糊——我20多年前创业时就能做产品设计、开发、运营、谈单签合同，唯独做不了图片设计，因为不会 Photoshop。但现在有了 AI，用 Imagen 就能设计得非常好。AI 的能力已经把我们的边界扩大了，不要给自己设限。

问：做销售需要脸皮厚、不怕被拒绝，这很难。

我认为 AI 时代的方法论跟过去不一样。传统时代我们追求高胜率——做一件事就成功一件事。但在 AI 时代，我们应该追求的是”赔率”而不是”胜率”。

利用 AI 可以把试错一次的时间缩到极短、成本降到极低。过去同样的时间成本只能做一件事，现在可以做10件事。失败了8到9个无所谓，脸皮厚一点，最后一个成功了就行。而且成功的那个赔率很高——一把就非常成功，能赚很多钱，把过去那些试错成本都赚回来了。

这也是我个人要突破的地方——我也是完美主义者，害怕被拒绝。但我认为在 AI 时代，如果害怕失败、脸皮太薄，就没有办法获得成功。AI 时代的方法论要求我们快速试错、不怕失败。

问：AI 小白学 Claude Code 还有前景吗？

不管是不是小白，都应该去学习一个 AI 编程智能体，这没有任何问题。但学不学 Claude Code 跟有没有前途是两码事。今天我反复强调的就是：要建立你在 AI 时代的个人框架，不要完全把注意力放在工具更新上，工具更新叫做按需学习。

问：微信小程序是不是个人比较合适的平台？

国内开发软件都不太赚钱。如果做软件开发，还是建议面向海外，不管是做 APP 还是 Web 端，机会都会多很多。

问：2026年招聘技术岗有什么建议？

毫无疑问，要去做 AI 相关的工作——AI 相关的开发、算法，跟 AI 相关的都应该是你就业的第一选择。如果是企业招聘，做海外方向的话，海外基础设施已经很好了，不需要那么多细分岗位，一两个 AI 编程能力和综合素质非常强的人就够了。国内的话基础设施还有很多问题，可能还是需要传统的岗位分工。

问：展开说说 Skills 技术？

Skills 火的原因很简单：你不光能在 Skills 里放一份 Markdown 说明文档，还可以放 Shell 脚本、Python 程序。所以它本质上就是一个可以在你个人电脑上运行的程序，能被 AI 智能体调用。你可以把它理解成一个通过编程实现的能力，只不过有特定限制——只能在个人电脑上运行。

问：Tapeless 口喷编程怎么样？

我现在有一套”AI 口喷编程三剑客”：Tapeless、麦克风、两键小键盘。每天不需要使用键盘，就是跟 AI 大量对话。

有人觉得不如用键盘有思考过程。我想分享一下我的感受：我们的思想和念头到 AI 之间，路径是越短越好。中间加一个敲字的过程会增加很大的摩擦阻力。我现在有任何想法就直接口喷告诉 AI，Tapeless 的好处是它能帮我把口语化的啰嗦表达整理成结构很好的一段话，再发给 AI。我发现跟 AI 每天交流的次数比过去多了至少三倍，而且还要继续加大。你跟 AI 交流得越多，思维越活跃，每天能做的事情越多。

也有人说口喷对思考要求更高。不是这样的，你不需要在脑海中把话完整组织好再说，应该想到哪说到哪。思维永远是碎片的、发散的，但 AI 不怕你发散——AI 最擅长的就是帮你把发散的思维组织得非常有条理。你自己的组织能力绝对不如 ChatGPT，按照这种方式用一周，你会回来感谢我的。

在公开场合怎么办？用大疆的无线 Mic，别在领子上，接收端插到电脑或手机上，小声说也能收声——Whisper 模式，低声说就行。

问：有什么好的知识库工具推荐？

NotebookLM，强烈推荐。建议每月花20美元买 Google AI Pro 会员。不管是电子书、视频还是网页，通通粘进去让它生成知识库，立体化学习。如果要用国内工具，可以试试腾讯的 IMA，是 NotebookLM 的国内克隆，但智能化程度无法相比。

问：Vibe Coding 怎么写好 PRD？

把需求想清楚，如果想不清楚，直接问 AI——告诉它你想写 PRD，让它给你一个方法论，一步一步教你怎么写。不要把 AI 当工具使用，要把它当成合作伙伴。不要上来让它帮你钓鱼，先问它钓鱼的方法是什么。

问：AI 未来会替代哪些行业和工作？

AI 会替代所有的行业和工作。

问：用最好的模型还是国内模型？

还是要用最好的模型。国内的豆包、千问、DeepSeek、Kimi、MiniMax、智谱这些 AI 公司我都非常尊敬，但跟 ChatGPT、Gemini、Claude 这种顶级模型还是有差距的。第一有差距就一定要用最好的；第二国内模型的算力真的不够，一旦用量上去马上卡顿。

我现在的 AI 订阅情况：ChatGPT 20美元、Gemini 20美元、Claude 20美元、GitHub Copilot 10美元，合计每月约70美元。日常对话用 ChatGPT 和 Gemini 比较多，偶尔用 Grok；编程模型主要用 GPT、Gemini、Claude 三大模型。表面上你用的是收费的，实际上用最贵的模型对你来说才是最省钱的——你用差的模型浪费的是自己的时间、精力和生命。

收尾

今天差不多就聊到这里了。每周周日晚上10点，《范凯说 AI · 周日晚聊》，跟大家分享本周 AI 行业新闻、个人思考，然后和大家交流互动。

晚安，祝大家睡个好觉，明天开始新的一周。

主题：怎样更好的使用 AI

日期：2026年1月18日

开场

大家好，这里是《范凯说 AI · 周日晚聊》，我是范凯。今天是2026年1月18日，也是周日晚聊的第三期直播。

过去这一周，也就是1月11日到1月18日，AI 行业又发生了很多事情。今天我主要想跟大家分享三件事：第一，苹果和 Google 正式宣布合作，Google 市值突破4万亿美元，排名全球第二；第二，Anthropic 封禁 OpenCode 等开源工具，引发开发者争议；第三，阿里千问打通生态，上线400多个 AI 办事功能，AI 助理能否成为入口应用。此外，还想分享一下最近一周我学习和使用 AI 的一些感受。

直播的结构分三块：第一块，花15到20分钟总结和点评本周重要的 AI 行业新闻；第二块，分享我个人这一周学习 AI、使用 AI 的感悟和想法；第三块，和大家交流互动。

第一部分：本周 AI 新闻

新闻一：苹果与 Google 合作，Google 市值突破4万亿美元

从2022年 ChatGPT 发布之后，苹果一直想在 iPhone 上增加智能功能。过去三年时间，苹果投入了大量研发力量去研发自己的 AI 模型，但最终失败了，团队也流失了很多人。去年苹果推出了 Apple Intelligence，尝试与 OpenAI 合作，但那只是试水型的合作。

苹果最终没有选择与 OpenAI 长期合作，原因有两个。第一，OpenAI 正在与苹果前设计副总裁 Jony Ive 合作开发 AI 硬件产品，这让苹果很不舒服。第二，Google 的 Gemini 模型在多模态能力上非常强大。

目前全球有四个顶级 AI 模型：OpenAI 的 GPT、Google 的 Gemini、Anthropic 的 Claude、以及马斯克 xAI 的 Grok。每个模型都有自己独特的优势：

• GPT：用户量最大，综合能力最全面；

• Gemini：视觉理解能力特别出色，图片生成（Imagen）是目前最强的；

• Claude：在编程和智能体方面能力最强，虽然外部访问流量不大，但企业使用量巨大，2025年收入从十几亿美元增长到接近100亿美元；

• Grok：对 X 平台的资料可以直接检索，在视频生成方面也有特色。

苹果选择 Google 的 Gemini 模型，我认为是一个比较正确的选择。这次强强联手之后，2026年苹果手机上的 AI 功能会越来越强大。对消费者是好事，对 Google 来说也能获取更多用户数据和收入，推动 AI 模型的普及。

Google 的股价从2025年下半年开始狂涨，从160美元左右一路上升到现在的330多美元，市值超过4万亿美元，排名全球第二。全球市值第一的是英伟达。

插播：xAI 的基建能力

说到 Google，这里插播一个有趣的新闻。现在建设数据中心效率最高的，既不是亚马逊，也不是 Google 或微软，而是马斯克的 xAI。大约一年半前，xAI 仅用11个月就建成了10万张 H200 的算力中心（Colossus 一期）。这一周最新消息是 Colossus 二期已经落成，整个算力中心达到了55万张 H200/B200 的规模。

现在建数据中心真正的瓶颈不在英伟达的显卡，而在电力。马斯克之所以能建得这么快，一是可以用天然气发电，二是特斯拉的储能业务可以保持电压稳定。xAI 号称正在训练参数达到6万亿以上的 AI 模型，并声称2026年 Grok 可以达到 AGI 水平。

我个人对四个模型的使用方式是：和 AI 日常聊天主要用 ChatGPT 和 Gemini；写代码用 Claude Code 和 OpenCode（OpenCode 里面用 GPT Codex）；前端页面会切到 Gemini；需要联网查资料时用 Grok。基本上四个模型都在用。

新闻二：Anthropic 封禁 OpenCode，引发开发者争议

说到 Anthropic 这家公司，开发者社区的态度可以说是”又爱又恨”。

爱的方面：Claude 模型在编程方面能力很强，2025年下半年推出的 Claude Code 几乎征服了所有前沿 AI 编程用户，是去年下半年现象级的 AI 智能体。

恨的方面：现在已经有很多 Claude Code 的竞争产品出现了，其中最有威胁的是一家小创业公司推出的 OpenCode。OpenCode 是开源的，可以接入市面上75家模型，包括国内的 MiniMax、智谱、DeepSeek，以及 OpenAI、Google 的模型。Claude Code 是闭源的，只支持 Claude 模型。

随着 OpenCode 的使用量越来越大，包括一些顶级程序员都开始使用，Anthropic 坐不住了，果断切断了 OpenCode 访问 Claude 模型的权限。也就是说，即使你是 Claude 订阅用户，也无法在 OpenCode 里通过 OAuth 授权来使用 Claude 模型了。

更过分的是，有用户发现在 Google 搜索 “OpenCode” 的时候，第一个搜索结果竟然是 Claude Code 的广告——Anthropic 购买了竞争对手的搜索关键词，诱导用户去下载 Claude Code。这种竞争手段在开发者圈子里引发了很大争议。

不仅如此，Anthropic 还会封禁其他工具对 Claude 模型的访问。比如 xAI 的工程师使用 Cursor 写代码，Cursor 里可以访问 Claude 模型，Anthropic 发现后直接把 xAI 在 Cursor 里的 Claude 模型下架了。

Anthropic 的创始人 Dario Amodei 曾经在百度硅谷办公室实习过，但这家公司疯狂封杀来自中国的用户和企业。身边很多重度使用 Claude 的朋友，都被封了不止一个账号。

当然，Claude 模型在智能体方面确实还是很强的。Claude Code 也在不断创新，比如最近推出的 Claude Coworker，不仅可以写代码，还可以在电脑上执行工作任务，比如操纵浏览器爬取网页、整理硬盘文件等。这仍然是一家创新能力很强的公司，但在商业竞争上极其封闭，手段令人不齿。

直播间讨论：写代码用哪个模型最好？

经过直播间的研讨，大家总结出一个”最佳实践”：搭建项目架构用 Claude，写前端页面用 Gemini，修复复杂 Bug 和做 Code Review 用 GPT Codex。三个模型各有所长，配合使用效果最好。

新闻三：阿里千问打通生态，上线400多个 AI 办事功能

1月15日，阿里巴巴召开发布会，发布了千问 APP 的重大更新。千问 APP 现在打通了整个阿里生态——淘宝、淘宝闪购（饿了么外卖）、飞猪旅行等全部接入，号称上线了400多个 AI 办事功能。

我自己实际体验了一下，确实挺惊艳。我打开千问说”你能帮我点一杯咖啡吗”，它说可以，然后授权地理位置，推荐附近的咖啡店，选择口味，支付宝刷脸支付，全程不到一分钟就完成了。过了十几分钟，一杯太妃榛果拿铁就送到门口了。此外，做旅游规划、查电影票等功能也确实挺方便。

在 AI 打通线下生活服务这方面，千问做得比较领先。不管是 OpenAI 还是 Google Gemini，目前这块还没有做，而且短期内可能做不到国内这么好——因为阿里自家什么服务都有，内部打通就行了。

但我也有更深层的思考。 像购物、外卖、生活服务、订酒店机票这些功能，已经在移动互联网时代被高度优化过了。用户已经很习惯了，几下点一下就完成了。这时候换成 AI 交互，虽然可能更方便，但存在不确定性——你不知道和 AI 沟通后它能不能拿到你想要的结果。这会挑战我们十几年的使用习惯。所以我觉得，如果只是集成这些已有服务，千问很难成为大的流量入口来替代现有的生活服务入口。

我认为千问应该去做传统应用做不了或做不好的事情。 比如电子政务服务——提取公积金、查询社保、个人所得税申报、查违章等等，这些服务极其难用，大家都是捏着鼻子在用。如果能让 AI 帮你搞定这些，比如和 AI 说一声”帮我查一下公积金有多少，每个月扣多少”，它一下全给你了——这才会真正让 AI 成为一个有价值的助理入口。

闲鱼 AI 功能的惊艳体验。 说到阿里用 AI 赋能产品线，我再讲一个亲身经历。我在闲鱼卖一个百度小度音箱，过去卖二手物品挺麻烦的，要写很多信息、自己估价。但现在闲鱼的 AI 功能很强——对着商品拍一张照片，它就自动识别商品型号、规格，全部自动帮你填好了，我只要选择几成新，然后 AI 推荐一个价格，直接点击提交。提交后大概十几二十秒，就有人拍下来了。用 AI 做二手物品的交易撮合和定价，真的非常强悍。

第二部分：本周个人感想

从想法萌芽开始，就让 AI 深度参与共创

这段时间我一直在疯狂学习各种 AI 工具，但最近几天我忽然意识到：掌握这些工具当然重要，但有一件事比掌握 AI 工具更重要——那就是全方位调整我们过去几十年的行为习惯。

过去我们怎么做事？比如写一篇文章：先找选题，到处看新闻，找到有感触的话题，然后搜索素材、学习消化、形成观点、写大纲、再吭哧吭哧地写。写大纲半小时，写正文半天，一天就过去了。

现在应该怎么做？从产生想法的第一时间，就应该让 AI 来跟你共创。比如我看到马斯克和 OpenAI 的官司新闻，想写篇文章，我直接告诉 AI：”我现在要做这个选题，帮我规划一下接下来要做什么。”如果 ChatGPT 过去经常被你使用、很了解你的话，它就会给你一个计划：第一步确定要表达的观点，第二步确定目标读者，第三步搭建框架，第四步整理素材……然后联网搜索、交叉比对避免幻觉、整理线索、一个模块一个模块地写。你简单写几句核心观点，剩下的让 AI 帮你填充。这样做的效率提高了非常多，而且能把你的写作能力提升好几倍。

所以我现在有一个很强烈的感触：对于 AI 大模型公司来说，要做的是让 AI 能力更强、更快达到 AGI。但对我们普通人来说，要做的是改变自己，让人去适应 AI，而不是让 AI 来适应我们。

我提出一个概念叫”AI 浓度”。做任何事情，都要问自己：这件事的 AI 浓度到底有多高？AI 浓度至少要超过50%。

很多人把 AI 当成最底层执行层面的工具——”AI 是我的工具，我大脑是老板，我把事情安排好让 AI 执行。”这固然没错，但不是最好的方式。最好的方式是让 AI 成为你大脑的一部分。当你大脑产生灵感的第一刻，就要跟 AI 一起共创。这样不仅能把执行层面的能力放大10倍，还能把你的思考能力也放大10倍。

我现在把 AI 当成我的教练和合伙人，而不是下属或工具人。做任何事情都跟 AI 一起共创。不论是写文章、拍视频、开发产品、解决问题，还是给客户写解决方案，第一时间就应该让 AI 参与进来。

AI 浓度越高，对人的要求反而越高

有人可能觉得，把事情交给 AI 就是偷懒。我认为恰恰相反。

未来简单的事情交给 AI 了，大多数人都应该从事创造力的工作。这种创造力的工作是高度个性化的，你跟 AI 共创的强度越大、融合的深度越深，你做出的东西越个性化、越独特。但与此同时，你的脑力消耗会更大——AI 在极力压榨我们的脑力。

比如过去自己写文章，想个提纲就开始写了。现在和 AI 合作，每一步 AI 都会追问你：给哪个目标用户群体写？想表达的主题思想是什么？这一部分应该怎么写？下一部分应该怎么转折？结尾应该怎么呼应？AI 帮你处理了80%的执行工作，但那20%的思考决策，AI 在不停地拿鞭子抽你，不停地逼你思考更深入、更本质的问题。

我认为这才是真正把人的潜力发挥到最大的方式。而且通过这种方式做出来的作品，并不会让用户觉得 AI 味很浓，因为你自始至终是在把自己的灵感和灵魂注入到作品里面。

主动投喂 AI 你的个人信息，让 AI 更懂你

关于数据安全和信息安全，有观众问”AI 深度了解你的工作生活方方面面，如何保障信息安全？”

如果你非常担心数据泄露，有两种做法：第一，使用匿名提问模式，不暴露个人信息，但这样 AI 就没有记忆，不够聪明。第二，尽可能使用全球最顶级的几个模型——OpenAI、Google、xAI，这些公司对数据隐私安全的保护相对更到位。

但我个人是积极拥抱的态度。我恨不得 AI 对我有更多的了解。我现在的做法是：在电脑上创建一个目录，里面放一个 profile.md 文件，用 Markdown 格式写我的个人画像，然后放到 agents.md 或 claude.md 里面。这样 Claude Code 或 OpenCode 一启动就了解我是怎么回事。我一般用两个文件：一个记录个人 Profile，一个记录写作风格（Writing Style）。有了这些背景信息，你再跟 AI 交互的时候，会发现它非常懂你，效率大幅提升。

第三部分：观众互动

问：做数字人 IP 内容服务商，有哪些值得推荐的？

这个领域太多了，随便搜一下就是一大把。目前做数字人最好的一家是海外公司 HeyGen，它本来也是一家深圳的国内公司，后来跟 Manus 一样接受海外投资，整个公司搬到了旧金山。在数字人这个领域，中国公司确实非常领先。

问：国内 AI 公司去港股上市的情况怎么看？

可以对比一下全球顶级 AI 公司：英伟达 PE 30到40多倍，Google 三十几倍，微软二十几倍——估值在相当合理的区间。而且它们巨赚钱，技术水平最领先。

再看港股上市的 AI 公司，比如 MiniMax 和智谱，首先都是亏钱的，没办法用 PE 去衡量。智谱主要拿政府订单，很多是应收账款，财务状况不健康。MiniMax 好一些，有一些海外收入，但主要收入还在国内。

港股 AI 概念股背后托底的资金主要是中资背景的基金，属于”为国接盘”的性质。再加上国内投资者买港股门槛低（50万人民币就可以通过港股通购买），所以被炒得比较高。从投资角度看，我个人不会去买，风险太高。

如果一定要在港股找 AI 概念股，我看来看去只有阿里巴巴。阿里对标 Google：有云计算（阿里云），有自己的 AI 模型（千问，开源方面已经非常领先），还有庞大的 C 端产品线。从长远来看，国内头部互联网公司如果拉到5年或10年的维度，我认为排前两名的一定是字节和阿里。腾讯在技术投入上比较保守，采取跟随策略，长远来看可能会落后。

问：微信如果做 AI 助手，打通各类小程序服务，是不是在憋大招？

肯定不是憋大招。2025年初马化腾就让腾讯人赶紧把 DeepSeek 跑起来，但一年过去了没有更多进展。这说明腾讯不是一个真正技术驱动的公司，更多是业务导向或产品导向，没有这个基因。

微信在刚出来的时候还是一个锐意进取的产品，但发展到今天，它既不克制也不创新。如果你用过 WhatsApp 或 Telegram，你才知道什么叫真正的克制且扩展性丰富的社交产品。微信的功能太臃肿了。

微信有大量可以用 AI 改善的场景。比如我微信加了好几千人，想找之前在某次会议上聊过的一个人，翻了半天也找不到——如果能直接问 AI “我大概在什么阶段跟一个什么样的人在某次会议上聊过”，微信应该能帮我找到。还有好友分组、按城市筛选、查看最近半年有互动的人等等，都是很自然的用户场景，但微信通通没有做。

微信最大的问题是过于封闭。你没有任何办法用 API 导出个人聊天记录，也没法接入微信做自动化工具。群上限500人（扫码入群200人），而 Telegram 一个群上限20万人。微信不开放 API，所以才有那种招2000个客服、每人捧着手机维护十几个微信群的荒唐场景。Telegram 有丰富的 API 接口，可以用程序管理群组、设置讨论线索、集成机器人，所有这些问题都有成熟的解决方案。微信不去做，本质上是因为垄断——不想开放任何可能让用户迁移走的口子。

问：AI 加健康、能源、气候有前途吗？

我不建议涉足这些行业。原因是这些行业都涉及线下很重的流程和环节，推进速度很慢，可能一两年都推动不了一件事。而 AI 现在是三个月认知就完全迭代一次，你应该做那种能极速提效的事情，线下很缓慢的事情尽量不要碰。

问：后端代码跟前端 UI 数据交互还是脱节，有好的办法吗？

我没有用 AI 去写复杂的项目，无法直接回答。但现在 AI Agent 有一个功能叫 Rough Loop（循环）：你设定一个最终目标，如果达不成就让 AI 一遍一遍地跑。不管是 Claude Code 还是 OpenCode，只要 Token 充足，就让它持续跑下去。这很像 AlphaGo Zero 下围棋——不需要给它看人类棋谱，只要告诉它规则，跑几百万盘，最后一定能训练出最强的 AI。

我认为开发项目也是一样的。虽然现在还需要很多技巧，但如果算力和 Token 极大丰富之后，你只要明确需求，让 AI 编程跑10遍、100遍、1000遍，最后项目就做好了。

问：Cursor 怎么样？

像我这样的老程序员，经历过喜欢敲命令行、自己做服务器运维的阶段，一定会爱上 Claude Code 和 OpenCode。IDE 之所以存在，是因为你需要手工改代码。但现在已经真的不需要手工改代码了，我们需要的是跟 AI 交互，用自然语言指挥 AI 干活。

甚至大量在命令行里敲字，效率都已经很慢了。我现在每天跟 AI 大量对话，敲字很不耐烦。所以我改成了语音输入法——用豆包 APP 的 AI 语音输入法，还配了一个两键小键盘：左键呼出语音输入法，右键回车提交。每天就捧着这个小键盘，按左键说话、按右键提交，AI 就去执行任务了。

我认为以后不是 IDE 的时代，文字输入也只是补充，未来80%的交互可能都要用语音输入。

问：AI 与低代码会碰撞出怎样的火花？

不需要写代码了，所以也不存在低代码的概念。未来一定是用 AI 智能体直接开发产品。虽然非常复杂的项目目前可能还需要做一些代码审核，但随着 AI 更聪明、Token 推理成本进一步降低，最终你只要设定目标，让 AI 循环执行就好了。

问：大学生学 CS/Data Science/统计还有必要吗？

我个人观点是：AI 时代所有的教育体系其实全都废了，选什么专业没有那么重要。但如果非要选，计算机科学、数据科学、统计在”没有用的专业当中还是最好的”——至少让你对计算机体系结构、数据处理、统计分析有基础概念，这些在 AI 时代还是有帮助的。

问：怎么充分利用 AI 工具做一个有后端和 APP、几十到一百张数据表的项目？

你就把你的问题直接贴给 ChatGPT，问它”我应该怎么把 AI 用好”。ChatGPT 会给你方法论，告诉你应该拆解成什么步骤，第一步怎么做、第二步怎么做。这种方法论的问题你应该去问 AI，一定会得到满意的结果。

问：个人开发者如何开通支付渠道收美元？

无非两个选择：一个是 Stripe，一个是 PayPal。PayPal 国内账号已经可以直接注册。Stripe 中国大陆身份好像不能直接注册，但网上有攻略——填香港地区的地址就可以，开通 Stripe 账号后在海外收款就方便很多了。

问：看好 Google 还是 OpenAI？

现在 AI 的竞争还在早期。如果说踢一场90分钟的足球赛，现在可能还在前15分钟。OpenAI 先抢先进了几个球，Google 又跟着进了两个球，最后谁赢真说不好。

收尾

今天聊了大约一小时四十分钟。每周周日晚上10点，《范凯说 AI · 周日晚聊》和大家分享本周 AI 行业新闻、个人思考，然后一起交流互动。

欢迎大家在 YouTube 搜索”范凯说AI”订阅频道。全网统一 ID 就是”范凯说AI”。接下来我也会开始做10到15分钟的长视频，在 YouTube 上发布。

下周日晚10点，我们第四期见。晚安，祝大家睡个好觉，明天开始新的一周。

主题：程序员这个职业即将消亡，你相信吗？

日期：2026年1月11日

第一部分：本周 AI 新闻

新闻一：商务部审查 Meta 收购 Manus

1月8日，商务部举行例行新闻发布会，发言人何亚东在回应有关审查 Meta 收购人工智能平台 Manus 的提问时表示：企业从事对外投资、技术出口、数据出境、跨境并购等活动，需要符合中国法律法规，履行法定程序。商务部将会同相关部门，对此项收购与出口管制、技术进出口、对外投资相关法律法规的一致性展开评估和调查。

Manus 的公司结构与收购背景

我们可以复盘一下这件事。Meta 收购 Manus 发生在2025年12月31日，1月8日商务部就发布了审查报告。据坊间报道，收购估值大约在20亿到50亿美元之间——之所以判断20亿以上，是因为 Manus 最近一轮融资已超过10亿美元。这是一次全资收购，收购完成后，Manus 在新加坡办公室的团队整体并入 Meta，作为 Meta 在新加坡的一个 office。

Manus 背后的公司叫”蝴蝶效应”。溯源来看：2022年4月，创始人萧鸿在北京注册了”北京蝴蝶效应科技有限公司”——注意，那时 ChatGPT 还没有发布，这只是一个简单的个人创业项目。2023年3月，萧鸿退出了这家公司，原因是他要拿美元基金的投资，美元基金要求注册离岸公司。2023年6月，他在香港注册了 Butterfly Effect Limited；7月又成立了北京红色蝴蝶科技有限公司，由香港公司百分百控股——这就是一个标准的离岸架构。8月，他又在新加坡注册了一家 Butterfly 公司。

整个公司结构是：英属维京群岛（BVI）有一个总公司，下面分别控制了香港公司和新加坡公司，香港公司又百分百控制北京的公司。实际干活的人都在国内，新加坡公司负责全球业务运营和专利持有。当时他做的项目就是 Monica——一个 ChatGPT 的套壳软件，做得相当赚钱，应该是国内做得最好的套壳软件了。

2024年开始研发 Manus 智能体，11月拿了红杉中国主导的 A 轮融资，估值8500万美元。2025年3月 Manus 产品发布，一度非常火爆，国内外大量公司想投资。4月拿了 Benchmark Capital 主导的 B 轮融资，7500万美元，估值到了5亿美元。Benchmark 投资之后，由于中美地缘政治竞争，要求 Manus 剥离中国主体。2025年6月，公司总部搬到新加坡，北京公司大规模裁员，核心骨干40人迁移到新加坡。

商务部审查的法律依据与分析

由于 Manus 实际的研发主体在国内，确实需要受到中国商务部的监管。商务部主要审查的是技术出口和数据出境两个方面。

关于数据出境：我认为 Manus 的数据应该是没有出境的。Manus 产品2025年3月发布时就没有对中国用户开放，底层主要调用 Anthropic 的 Claude 模型，面向的是全球用户。直到2025年底年化1亿美元的收入，主要收入也来自全球用户。数据的存储和处理都发生在海外，所以不太涉及数据出口问题。

关于技术出口：以我作为 AI 研发人员的判断，Manus 产品本身的技术门槛并不高。它做得好的地方是产品体验——给每个任务单独安排一套虚拟环境，软件自动化做得很强。但要说有什么独特的专利或很高的技术门槛，我认为是没有的。当然，最终判断要依赖商务部的结论。

审查的真正动因与可能结果

审查不应该发生在现在，而应该发生在2025年7月他切掉国内团队的时候。之所以拖到现在，是因为 Meta 巨额收购带来了巨大的新闻效应——一家国内 AI 创业公司跑路了，还被20亿美元收购，会带来不好的示范效应。作为政府，自然不希望这种事情发生。所以我觉得更多还是从舆论和新闻引导的角度出发。

这件事最终无非两种可能：第一，审查通过，收购继续推进；第二，收购被叫停，回滚到原来的状态。如果收购被叫停，对 Manus 来说不是好消息。因为 Manus 本身没有很高的技术门槛，在它被 Meta 收购之后，字节跳动已经火速推出了竞品 Energy，基本上像素级复制。凭借字节跳动庞大的算力、资源和推广能力，很有可能逐渐替代 Manus 的生态位。

对创业者的启示

Manus 在整个创业过程中，从2023年拿天使投资开始就一直做海外架构，已经做得比较干净了。如果这种情况都被叫停，那对于国内顶尖的 AI 创业者来说，从一开始创业时就必须想好要走哪条路。如果要走海外全球发展道路，办公室从一开始就不能设立在中国，最多通过外包方式采购国内公司的软件产品和服务。未来要在中美之间游走已经不太可能了，要么死心塌地做国内 AI 生态，要么死心塌地做海外 AI 生态——这是鱼与熊掌不可兼得的选择。

新闻二：英伟达在 CES 上发布 Vera Rubin 架构

英伟达 CEO 黄仁勋在 CES 全球电子消费展上进行了一个半小时的主题演讲，发布了全新的 GPU 架构 Vera Rubin。

计算平台全面升级

Vera Rubin 实际上是把英伟达一系列产品打了一个大包，包括：CPU（Vera，176个线程）、GPU（从 Blackwell 升级到 Rubin，性能达到 Blackwell 的5倍）、网卡（ConnectX-9）、加速器（BlueField 4）、GPU 间交换机（NVLink 6）、以太网交换机（Spectrum X）——六个核心组件全部升级。在服务器层面，NVL72 机架也进行了升级，散热系统全部切换到百分百液冷技术。基本上是完全重新架构了一个全新的 GPU 计算集群，方方面面都拉到了最满。我认为 Vera Rubin 在未来几年还是很能打的。

Physical AI：自动驾驶与具身智能

除了生成式 AI 之外，英伟达还在推动 Physical AI（物理AI），主要有两块：一是自动驾驶，推出了 AlphaMo 自动驾驶模型；二是具身智能人形机器人（目前还比较早期）。

英伟达发布自动驾驶模型后，很多人担心会对特斯拉形成竞争，特斯拉股票也因此下跌。但我的判断是：英伟达的自动驾驶模型不可能超过特斯拉。

这里打一个比方：Google 推出搜索引擎之后，微软也推出了 Bing，雅虎也升级了搜索。搜热词的时候，你感受不到各家搜索之间的差距。但为什么 Google 搜索这么多年一直没有被颠覆？答案是长尾词——搜长尾词时 Google 的效果明显好很多。特斯拉的优势也在于此：特斯拉汽车推出辅助驾驶这么多年，一直在全球默默搜集各种 corner case（长尾驾驶场景）。这种长尾驾驶场景的数据，任何其他家都没有。不管英伟达的自动驾驶模型演示得多好，在真实场景下跟特斯拉还有很多年的差距。马斯克自己在 X 上说认为是5到6年的差距，我觉得应该不止。

新闻三：智谱科技与 MiniMax 在港股上市

国内两家 AI 大模型公司本周在香港上市：智谱科技市值698亿港币，MiniMax 市值1000亿港币。

这两家公司的财务数据都非常难看——巨额负债、巨额亏损。但 AI 是国家战略，港股上有很多基金前仆后继买入，所以估值也很高。

不过我们反过来对比一下：OpenAI 估值至少5000亿美元以上，最新可能到7500亿美元；Anthropic 估值3500亿美元；xAI（马斯克）估值约4000亿美元。我们1000亿港币不到，跟 xAI 的4000亿美元差了大约30倍。差距还是很大的。

但从全球角度来说，中国这些 AI 模型公司是值得尊敬的——算力不如人，数据不如人，还不赚钱，苦哈哈地做，在开源领域也做到了第一阵营，这是非常了不起的。

第二部分：本周个人感想

感想一：AI 编程工具 Claude Code 与 OpenCode

这周我主要在学习 AI 编程，重点体验了两个工具：Anthropic 出品的 Claude Code 和它的开源替代 OpenCode。

Claude Code 的使用体验

Claude Code 最近半年非常火。你可能会问：用 Claude Code 是不是要买 Anthropic 的20美元套餐，还要搭梯子，还可能被封号？其实国内的月之暗面、智谱清言、MiniMax 都提供了兼容的编程模型套餐。特别是智谱最近推出了一个 Coding Plan，三个月大概54块钱人民币，十几块钱一个月，Token 量非常充足。你可以把 Claude Code 连到智谱的模型上，效果也相当不错。

我尝试着用 Claude Code 开发了一个简单的 iOS 应用——一个减肥体重记录工具。我描述了几个简单的功能：记录每天体重、设定提醒、展示图表。然后让 Claude Code 帮我写代码，我就去洗澡了。几轮对话之后，它真的把应用做出来了。虽然界面比较简陋，但确实完完整整地完成了一个 iOS 应用的开发。要知道，我自己从来没用过 Swift 编程，只是在10年前简单学过当时的 Objective-C。在完全没有看代码的情况下，就完成了整个开发，这让我非常震惊。

OpenCode：开源的多模型智能体

最近几天我迷上了 OpenCode。如果把 Claude Code 比作苹果手机，OpenCode 就是安卓手机——可玩性更强。它的好处是不仅可以使用 Anthropic 的 Claude 模型，还可以同时使用多个模型：用 Gemini 做前端设计，用 Claude Opus 写后端代码逻辑，用 GPT Codex 做代码 review 和排查 bug。好几个模型一起帮你干活，非常棒。

如果你不差钱、能解决 Anthropic 封号的问题、想快速做事，就用 Claude Code。如果你想多模型组合使用、省钱、不会被封号、还能装很多插件，就用 OpenCode。

感想二：程序员这个职业将在3到5年内消亡

作为一个20多年的老程序员，在实际使用了 Claude Code 之后，我不得不做一个判断：在未来3到5年内，90%以上的程序员将正式下岗。因为真的不需要自己写代码了。

编程工具的演进

回顾编程工具的发展历程：

1. 手工编写代码：最早用文本编辑器手写代码

2. 智能 IDE：20年前 Eclipse 出现，能自动提醒 Java 类和方法调用，开发效率大幅提升

3. 第一代 AI IDE（GitHub Copilot）：2023年出现，AI 读取整个项目后自动补全大段代码、补测试用例、补注释，效率提升30%到50%

4. 第二代 AI IDE（Cursor）：可以通过自然语言对话来写代码，只需描述想做什么，它就能帮你完成

5. AI Agent（Claude Code / OpenCode）：完全的智能体。你不需要写代码，甚至不需要看代码。只需做好软件项目的功能规划，清晰描述需求，准备好相关类库文档，开发工作完全交给 AI。AI 碰到问题会自己查资料、自己调试，最终自己完成整个软件开发，你只需进行有限的干预

目前全球最顶尖的程序员都在大量使用 AI 编程。Rails 之父 DHH 这个很喜欢手写代码的老顽固，也开始用 AI 写代码了。Linux 之父 Linus Torvalds 也开始尝试用 AI 写代码。

5%到10%的程序员用 AI 编程，就能替代剩下90%

这5%到10%的程序员用 AI 编程后，一个人就能开发一个大型软件，剩下的90%就不需要了。这10%的人价值被极大放大——要么在大型 AI 公司拿着很高的薪水，要么自己成立一人公司、做超级个体。两三个人组队，就能完成过去几十人公司的软件开发量。

个人定位的转变

AI 编程带来的变化改变了我们个人在未来的定位。如果你真的能把 AI 用好，发挥最大价值的方式不是去公司打工——在公司打工会极大影响你的效率和价值发挥。你最应该做的是自己创业。

AI 的赋能让个人能力极大放大，也带来了公司内部组织协作方式的变化。传统公司分很多专业岗位：前端、后端、产品经理、设计师、测试、运营、市场营销。但在 AI 智能体如此强大的情况下，这些分工都不需要了——一个人负责一条产品线，产品、研发、运营全部一个人搞定。

我认为在未来3到5年内，公司组织和个人的工作方式会被彻底推翻。

类比 PC 时代

这个时代相当于上世纪90年代初——PC 电脑刚进入中国的时候。那时候使用电脑是有门槛的，需要学电子排版软件、学电子表格。但从来没用过电脑的人和用电脑处理工作的人，效率差距被拉开了极大。现在也是同样的道理。这个时代会像80年代90年代初一样，涌现大量的共享软件作者、独立软件开发者，各种各样的 AI 软件会非常繁荣地出现。

我自己虽然还有很多去做 CTO 的机会，但都拒绝了。我想做一个个体，自己做软件开发。

感想三：工程师要锻炼销售能力

如果你和我一样定位为超级个体，那作为工程师出身的人，同时要锻炼销售能力。AI 的赋能使得我们产品设计、软件开发、上线发布、运营推广这一条线全都可以做，但我们缺少的是线上和线下的销售能力。程序员的优势在于深厚的专业背景知识，能用 AI 做出复杂的软件；劣势在于营销能力弱，而且思路容易受限——很多优秀程序员用 AI 大量开发生产力工具，但我觉得应该去做帮助生活、面向消费者的 APP。

感想四：AI 智能体不止于编程

Claude Code 和 OpenCode 不仅仅是编程软件，实际上可以帮我们做很多事情。比如做数据处理、排版写作、文件资料整理。

以我自己为例，做自媒体写视频脚本，希望 AI 帮我审稿时，每次都要给它大量上下文——写好的稿件、写作风格、参考资料，还要多轮对话，非常麻烦。但实际上这些上下文资料完全可以在 Claude Code 里创建一个项目，把写作风格、稿件、素材都保存为文档，让智能体扫描读取，按照指令帮我做整理，效率会高很多。

更有意思的是，可以让 AI 全面介入工作和生活。比如我作为个人创业者，一个痛点是如何有序安排个人工作、合理调度时间和精力。我可以把每天的日程安排抛给 AI 智能体，它就会帮我规划上午做什么、下午做什么、今天完成了什么任务，还会根据状态更新实时调整。

感想五：2026年一定要把 Agent 用起来

2026年一定要掌握智能体。Claude Code 或 OpenCode（我觉得 OpenCode 门槛更低一点），利用智能体完成工作和生活中的很多事情。

用完之后你会有一种感觉：它颠覆了你过去多少年的工作流程，完全重塑了。你不再需要按部就班走流程，你只需要想清楚目标是什么、想要什么，把需求写清楚，把相关素材资料给到它，然后监督它干活就行。这意味着我们未来所有的工作方式和思维方式全都变了。

我有一个概念叫**”AI 斩杀线”**——当你的工作方式和思维切换到 AI native 之后，你就在斩杀线之上，AI 会不断给你赋能，你的价值会越来越放大。而如果思维没转变过来，你就在斩杀线之下，注定被淘汰。

感想六：AI Native 产品与交互方式变革

我认为2026年会看到很多全新的 AI native 产品出现。我们现在看到的很多所谓的 AI 产品不是 AI native——背后有一些智能化功能，但给用户呈现的界面还是传统的按钮和滑动。真正的 AI native 应该从交互方式到整个流程都是智能体式的交互。

比如输入法：最新出来的 Tapeless AI 语音输入法，没有键盘，上来就是一个麦克风，直接对着说话，说完后它会把你的话整理成有条理的文字。我自己现在用的是豆包 AI 语音输入法。

我还分享一个小技巧：我买了一个 Key Silk 双键键盘，大概60块钱。左键映射为唤起语音输入法，右键映射为回车键。用 AI 智能体编程时需要大量对话，我按一下左键、对着说话、说完按右键回车——这就实现了真正的 Vibe Coding，不需要键盘和鼠标。

第三部分：观众互动

问：做一个海外 AI 聚合工具还有戏吗？

海外 AI 聚合工具已经太多了，已经烂大街了。Quora 的创始人做了 Poe，Manus 之前做的 Monica 也是聚合工具。你做有可能赚钱，但问题是怎么获取流量。

问：CS（计算机科学）还值得学吗？

CS 值得学，但不能是传统的按部就班学习方式了。应该基于任务的学习方式——我想做个什么事，考虑用 AI 怎么实现它，过程中不懂的再让 AI 教我。目标驱动型学习，不是传统按部就班。

问：软件开发哪些岗位会被替代？前端、算法、后端？后端是不是比较难被替代？

全都会被替代。前端更容易被替代，因为前端代码 AI 开发起来更快。但现在操作系统级别的开发，AI 替代起来也一点问题没有。至于算法岗，传统做机器学习的算法现在还有谁用？全部改成大模型了。我在香港碰到一个里斯本大学的博士，搞传统机器学习的，现在找不到工作。AI 一来几乎是无差别杀伤。

问：有门槛的工业软件有没有被 AI 迭代的可能？

当然了，毫无疑问。英伟达最近在跟做芯片设计的厂商合作，像新思科技也一样，不需要人写 Verilog 这种芯片设计语言了，最后都是用 AI 生成。

问：业务分析、架构设计、性能优化这些还需要资深人员参与吗？比如电信计费系统、银行财务系统这种生产级别的。

这种系统以后千万不要去碰了。企业应用的生命周期太漫长——开发两三年，一个功能修改半年以上。在 AI 时代，半年时间整个认知和产品都迭代了一代。别人一周一个月就上线一个产品，你还在那里苦哈哈地写企业应用代码。在10倍速的时代，不要去干让自己效率降低的事情。效率的拖慢意味着慢性自杀。

问：替代程序员的新职业名叫什么？

就叫超级个体。虽然不需要写代码了，产品经理或任何人只要学会 AI 智能体都可以做开发，但要开发复杂的软件，你需要严密的逻辑性、软件架构的思维、了解云端部署、数据库、用户登录验证等专业背景知识。没有这些知识只能开发简单的软件。所以程序员做超级个体有天然优势。

问：AI 超级个体出现，软件价格会不会降低很多？

不一定。现在更多看的是 ROI（投入产出比）。如果我做的软件帮你省了很多钱或赚了很多钱，多收一点你也心甘情愿。

问：老师订阅了哪些 AI 产品？

ChatGPT、Google Gemini、Anthropic Claude，还有智谱的 Coding Plan。我建议大家如果能用，还是用最好的模型。最好的和次好的差距拉得太大了，用最好的模型对你来说最省时间和精力。

问：Dify 跟 RPA 的区别是什么？

Dify 是 AI 工作流软件，你很清楚地知道每一步在做什么，用可视化的方式把整个流程和数据处理全部定义出来，AI 严格按步骤执行。RPA 则是录屏后用机器模拟人在屏幕上的点击操作，在 AI 之前就存在很多年了。RPA 只是解决 AI “最后一步”的问题——浏览器和 APP 没给 AI 开接口时，只能用 RPA 方式操作。

不过我个人认为，工作流不是终极形态而是过渡形态。如果 AI 足够聪明，这些事情不应该让我们去死板地设计流程。对于个体做高效率的事情，大多数情况下 Claude Code 这类智能体已经够用了，如果必须用 N8N 这种工具，说明场景可能太复杂了。

问：大学计算机专业的培养方案需要做哪些改变？

引用马斯克的话：现在大学学的东西都没用，大学唯一有用的就是社交——你认识很多同学和老师，这种社交关系在你以后的事业中会有很大帮助。我完全赞同。大学要的就是一张文凭和社交关系。

收尾

今天差不多就聊到这里。每周周日晚上10点，《范凯说 AI · 周日晚聊》，跟大家分享本周 AI 行业新闻、个人思考，然后和大家交流。

晚安，祝大家睡个好觉，明天开始新的一周。

主题：AI 正在加速改变世界，你准备好用它了吗？

日期：2026年1月4日

开场：为什么做这个节目

大家好，这里是《范凯说 AI · 周日晚聊》，我是范凯。

今天是2026年1月4日，新年的第一个工作日。今天我们主要聊三件事：第一，Meta 收购 Manus；第二，DeepSeek 发布了关于 mHC 流形约束超链接算法架构的新论文；第三，在 AI 时代，我们怎样更好地适应并找到自身的价值。

我先说说为什么想做”周日晚聊”这样一个直播节目。

在当前日新月异的 AI 时代，不管你是主动还是被动，都必须拼命往前跑。我每天都在学习新东西、接触新知识，这些 AI 的进展确实对我的工作、生活以及未来规划都产生了很大的冲击。所以我想在个人快速成长的过程中，定期把自己的一些想法分享出去。这也算是一个个人的私心——你每周定期分享，其实也是迫使自己做总结和复盘。

第二，我希望每周有个固定时间的直播，这样可以和大家建立交流和链接，日积月累，成为一个很好的沟通渠道。

第三，关于时间为什么设在周日晚上——周日刚好是一周的结束，明天早晨又是新的一周开始，在这个时间点做个人的自我总结，我觉得非常合适。我希望这个栏目能够持续做下去，如果每周做一期，一年就是52期，做个十年那就是520期。我想随着 AI 时代的进步，持续把这个直播栏目做下去。

直播的结构大概分成三块：第一块，花15到20分钟总结和点评本周比较重要的 AI 行业新闻；第二块，分享我个人最近在 AI 方面做了什么、有什么新的思考和判断；第三块，和大家交流互动。总共大概一个小时左右。

第一部分：本周 AI 新闻

新闻一：Meta 收购 Manus

2026年第一周，AI 行业发生的事情非常多。第一个重要新闻就是 Meta 收购了 Manus，收购金额虽然没有被曝光，但估值超过20亿美元。

Manus 可以说是土生土长的一家中国本土公司，在武汉创办，创始人萧鸿和季超都是湖北人。萧鸿是一个连续创业者，在做 Manus 之前，他做了一个 AI 套壳软件叫 Monica——花大概一个月20美元，就可以同时用很多海外最先进的 AI 模型。我确实也有朋友实实在在就是用 Monica 的。

2025年3月，他们发布了全新的智能体平台 Manus，在国内一度刷屏。到了2025年7月，整个公司从武汉搬到了新加坡，从一个纯内资公司变成拿到海外一线投资的公司。到了2025年年底，就被 Meta 以超过20亿美元的估值收购。从产品发布到被收购，仅仅9个月时间，年化收入已经达到了1亿美元——这是一个非常惊人的数字。

Meta 为什么要花巨资收购 Manus？

Meta 这家公司很有意思。它的历史上就是喜欢以巨额收购流量的头部公司。虽然它的市值已经超过1万亿美元，但业务实际上非常单一——90%以上的营收就是卖广告，和国内的抖音、今日头条一样，本质上就是信息流广告。对于这种营收模式来说，它需要两点：第一，要有更多的流量；第二，要有更高的广告客单价。

所以扎克伯格在非常早的时候就收购了 Instagram（10亿美元）、WhatsApp（160亿美元）、Oculus 头显——他总是通过收购的方式来构建流量护城河。

但是 Meta 在 AI 时代，特别是2025年，其实是很拉垮的。2025年初，DeepSeek 发布了 R1 模型，在开源领域一下超越了 Meta 的 Llama 系列模型，导致 Meta 整个 AI 团队陷入了非常混乱的状态，进行了大量重组。扎克伯格也意识到，如果在 AI 时代没有占据很好的位置，对 Meta 的未来会遇到很大问题。所以他不惜砸下巨资抢占 AI 时代的门票——2025年收购了 Scale AI 49%的股份，现在又收购 Manus。

2025年绝对是 AI 智能体的元年。智能体平台大概分成两类：一类是通过浏览器完成任务，像 Manus 这样；另一类是编程智能体，通过命令行或 IDE 来执行。对 Meta 来说，想抢占智能体平台的入口，最简单的方式就是收购 Manus。

Manus 给我们的启示是什么？

Manus 这家公司真正强的地方并不在技术水平，国内技术做得好的是 DeepSeek、阿里千问这些。但 Manus 团队做产品的感觉非常好，用户体验非常棒，让你感觉非常丝滑。它是”强产品、弱技术”的团队。

如果 Manus 一直停留在国内，没有全球最强的 AI 模型可以调用，它的估值可能最多也就一两亿、两三亿人民币，而且收入会非常艰难。它在2025年做的最正确的一步就是出海。所以总的来说，现在如果你要在 AI 方面创业、做出一些成绩，毫无疑问主要方向一定是出海。

新闻二：DeepSeek 发布 mHC 流形约束超链接算法架构论文

2025年一年前，DeepSeek 发表了两篇论文，随后推出了 V3 和 R1，非常令人震惊。12月31号，DeepSeek 又发了新论文，叫 mHC——流形约束超链接算法架构。

简单来说，就是为了在硬件比较差的情况下，能够训练更大的模型。整个论文聚焦在怎样在硬件非常有限的情况下解决训练稳定性问题，同时训练超大模型。我们可以理解为就是在”绣花”——没有那么好的硬件，不能像国外一样10万起步的 GPU 集群往上堆，那就在模型上拼命做优化。本质上是对传统 Transformer 模型和残差网络做了改造，使得在有限硬件下能训练出更大更好的模型。实验显示，在30亿到270亿参数模型上，性能有巨大提高，而能量消耗非常低。

中国人在人工智能领域真的是全球第一梯队。但从某种意义上来说，我也觉得有点心酸。

讲一个我自己创业的故事。 我2005年第一次创业的时候，真的很苦。那时候做网站，流量逐渐上来了，从一天几万访问量到十几万、几十万。我那时候只有一台服务器，花2万块钱人民币自己攒的一台山寨服务器，双核 AMD CPU。大概到08、09年，服务器负载就越来越高，经常80%、90%。没钱买更好的服务器怎么办？就是拼命在软件程序上做优化——数据结构优化、数据库优化、应用程序优化、编译器优化、缓存优化。那几年几乎把软件程序上能压榨性能的地方全部压榨干了，最后那台2万块钱的服务器一天支撑了150万到200万的访问量。

后来2009年下半年，公司账上有了一些钱，赚了六七十万，立马买了一台双路至强服务器，每颗 CPU 4核，两颗就是8核。程序迁过去以后，CPU 占有率从长期80%一下降到了20%以下。那一刻我就觉得，有钱真好，硬件好真好，你就不需要花那些精力去搞这些事情。

所以这也是我对 DeepSeek 这个问题的看法——我觉得我们很优秀，但更期待看到的是，当你资源充足的时候，能够把聪明才智发挥到更有价值的事情上。

新闻三：SimilarWeb 2025年12月生成式 AI Web 流量

SimilarWeb 公布了2025年12月生成式 AI 的 Web 端流量数据：

• ChatGPT：68%

• Gemini：18.2%

• DeepSeek：3.9%

• Grok：2.9%

主要的头部就是 ChatGPT 和 Google 的 Gemini。ChatGPT 占据了全网三分之二以上的流量，但在过去一年中占比明显下降——一年前是87%，现在降到了68%。而 Gemini 一年前是5.4%，现在上升到18.2%。更惊人的是，一个月前 Gemini 还是13.7%，现在已经陡然上升到18.2%，一个月就上升了近5个百分点。

当然 ChatGPT 的占比下降不意味着流量下降了，因为整体用户在增长。但你会看到 Gemini 的增长态势超过了 ChatGPT。我个人感觉也是这样，我现在 ChatGPT 和 Gemini 都是付费用户，每个月各付20美元，两个都是重度使用。Gemini 确实在很多方面非常好用。

如果你有条件的话，还是要去用全球最领先的模型 ChatGPT 和 Gemini，它们给你带来的回报远远超过每个月花的那20美元。

第二部分：本周个人感想

感想一：AI 到底改变了什么？我们应该怎样重定位自己？

我现在还是在花很多时间学习和补课。我的第一个感想是：人工智能对我们的社会到底改变了什么？在这个改变过程中，我们怎样去重新定位自己？

我自己有一个感觉：在现在这个时间点，如果你在一家很大的公司里追求很稳定，而这个公司本身对人工智能的运用又不是很多的话，这可能是一件非常危险的事。它有点像温水煮青蛙——你在温水里面，不知不觉可能就被这个时代淘汰掉了。我认为现在这个时代，我们更多的是应该尝试去个体创业、做超级个体，或者哪怕你有自己的工作，也尽量拿更多的时间去使用 AI。因为 AI 给我们带来的变化太快了，几乎两三个月认知就完全迭代一遍，人与人之间的差距越拉越远。

我举几个例子。

第一，Steven Yegge 的观点。 他原来是 Google 的工程师，非常有名，后来自己创业做得也不错。最近他在访谈中谈到，自己每天大量使用 AI 编程工具做 Vibe Coding（氛围编程），并且抛出一个很重要的言论：如果你现在不去使用氛围编程的话，可能不到一年，哪怕过去你是非常顶尖的工程师和程序员，你的水平可能连实习生都不如。这一点我听完非常震惊。

第二，DHH 的转变。 Ruby on Rails 的作者 David Heinemeier Hansson，我2005年重写自己网站的时候就是用 Ruby on Rails 写的。这个人20年前发布了 Rails 框架，自己也财富自由了。一年前他对 AI 编程还是很排斥的，因为他是全球非常顶尖的程序员。但最近他也妥协了，开始用一个开源的 AI 智能体叫 OpenCode。

整个全球软件开发行业被氛围编程快速改变，这个趋势没有办法阻挡。

对于我个人来说，我认为氛围编程看似在消灭很多程序员的岗位，但反过来说，程序员实际上迎来了一个最好的时代。

为什么这么说？在过去的互联网时代，程序员只是大型软件团队中的一个零件。做抖音这样的大型 APP，一两个程序员是无法完成的，需要一个庞大的团队——iOS 程序员、Android 程序员、前端、后端、产品经理、设计师、测试人员、运营。在这个模式下，程序员真的就是一个螺丝钉。我记得很清楚，我原来带团队的时候，一个团队配两个 iOS 程序员、两个 Android 程序员、两个前端，还有后端。其中最焦虑的就是 iOS 和 Android 程序员——到后面没有那么多 APP 让你开发了，技术栈相对封闭，APP 开发完以后就没什么事了，非常担心被淘汰。这就是大规模分工对人的异化——你成为一个专家，但你专研的东西太精专了，一旦外部环境发生改变，你就很快失业了。

但现在 AI 时代的到来改变了程序员的命运。我真正用在写代码的时间被极大压缩了。我现在可以让十几个智能体帮我做开发——有的做 Planning 策划，有的做后端，有的做前端，有的做测试，有的做部署。一个程序员指挥十几个智能体工作，那些智能体每天十几个小时在跑，非常震撼。

程序员真正用在开发的时间已经被极大压缩了。那你就可以把更多的时间和精力放在：思考怎样找到目标市场需求，软件产品上线后怎样做推广，付费环节怎样设计，怎样给客户交付价值，怎样完成商业闭环。过去你就是个螺丝钉，产品经理让你干啥你干啥，老板让你干啥你干啥。但现在你的编程技能还在，只是编程时间被极致压缩了，所以你有更多时间去思考产品、市场、运营、变现——你自己一个人就变成一家创业公司了。

我认为接下来所有的程序员自己都要去想办法做软件开发了——你过去是个程序员，你现在是一个全栈创业者。

比如说我做自媒体、做短视频，过去我不愿意做大量复杂的知识付费类视频，原因就是制作成本太高——配图、配PPT、找视频素材，制作成本太高了。但现在有了 AI 就不一样了：我可以让 Gemini 帮我生成图片，让 Sora 帮我生成视频，让 NotebookLM 帮我生成 Slide，我只要把口播稿丢给它就行。所有素材全部齐全了，最后只要在剪辑里把所有内容串在一起。在 AI 来了以后，好几个工种，我自己一个人都可以干了。

所以 AI 对我们的改变就是：过去人类社会是大规模的分工协作，每个人都是机器上的一个零件，人很容易被异化。但现在 AI 时代给我们带来的是——我们作为一个个体，自己可以做所有的事情。每个人其实都是个创业者。哪怕你有自己的工作，但你具备这种能力的话，你自己是可以交付产品、交付内容、交付服务的。

“个体公司”，这是 AI 时代对我们最大的一个变化。

但由于这种分工的变化，AI 对个体有一个强大的赋能，导致个体之间的生产力差距非常大，我觉得会达到10倍。这意味着 K 型社会——一些能够把 AI 用得很好的人很快成为头部，但大多数公司已经不需要那么多程序员了，大量程序员会失业。

感想二：用 AI 实现”所思即所得”

我们怎样让自己的效率提升10倍？我认为现在最应该做的就是用 AI 来实现”所思即所得”。

有直播间的朋友分享说，用几天时间做了一个儿童绘本小程序，孩子喜欢得不得了。这就是很好的例子。

什么叫”所思即所得”？过去你想做一个软件产品，可能要花几周甚至一个月才能做出来，不会写程序的人更是没有办法。而且即便程序员，你做出来的产品真的有人用吗？真的有市场吗？不一定。

现在应该怎么做？利用 AI，一旦产生想法，当天就把它落地。比如说你今天想写一篇文章——快速把想法语音输入，三四句话说清楚你的观点和论据，然后抛给 ChatGPT，让它按照你的语言风格扩充成一篇公众号文章，再让它转成短视频的口播稿。过去写一篇文章可能需要半天时间，做一个短视频文案也需要半天时间，但现在可能仅仅需要5到10分钟就快速做掉了。

吴恩达在 YC 的分享中也说过，我们最好把自己的想法限定在一个小时内快速完成。

所以我觉得我们不要想去做一个很大的东西，你应该有了想法，就在一天之内用 AI 做出一个最小的 Demo，发布到网上、发给目标用户试用，请他们评价。如果反馈很好，再持续优化。一个月的时间，你就可以尝试10件、20件事，试错的循环变得极快。

想法在过去可能只是停留在脑海中，过一段时间就忘了。也许过了两年，发现有人基于这个想法做出了很好的东西还财富自由了，你只能说”当年我也有这个想法，只是没去落地”。现在有了 AI，有想法以后快速当天落地，不要怕糙，一定要当天实现，不要让想法过夜。

这也是2026年我对自己提出的要求。如果这样做的话，2026年也许可以有几十个甚至上百个想法落地，上百个想法当中总能有两三个靠谱的，最终撞上了，真的把它做成一个产品、一个爆款内容。

在 AI 赋予我们如此强效能的时代，最宝贵的品质是什么？我认为是两点：创意和执行。

很多工程师出身的人会说”我没什么想法”，但我觉得不是这样。你一定有很多创意，只是你第一没关注到它，第二那些创意在脑海中停留了很短的时间，一晃而过就不再记得了。你打游戏难道没有想法吗？出去吃饭看到有意思的东西没有想法吗？看动漫没有想到怎么优化吗？你是健身人士，健身上可以做的东西很多；你是痛风患者，医疗方面有很多想法。100个创意当中可能有90%不靠谱，但创业不就是这样的吗？90%注定失败，只有10%成功。关键是你要把脑海中每一个出现的灵感都捕捉到，然后快速落地执行实现。

不管创业靠不靠谱，有任何想法都把它记录下来，当天就落地。我们叫”行进中开火”——你根本不知道怎么瞄准，但打了100发子弹以后，你慢慢就大概知道该怎么瞄准了。

感想三：2026年一定要把 Agent 用起来

2025年我发现 AI 进展的速度非常快，很多程序员利用 Manus 指挥十几个 Agent 帮他干活，效率极高。我就发现原来我的思路也极端落后——我还是大量 Copilot 的用法，一对一交流、写提示词。所以2026年我一定要把 Agent 用起来，让自己个人的效率提升10倍，指挥一堆 Agent 帮我干活。

第三部分：观众互动

问：范老师现在是全职做短视频吗？

我2023年底离开前公司之后，最初也想过拿笔钱弄个团队去创业，但后来发现国内整体经济环境不好，不太适合拉团队做，所以这两年主要是做 AI 行业的企业咨询培训。但两年下来，我个人的感觉是不太愿意做企业方面的事情。最重要的原因是太慢了——企业应用从谈单、了解业务、解决方案到落地，快的话一两个月，慢的话半年一年。而现在这个时代两三个月认知就迭代一轮了，你一定要做能跟得上快节奏的事。自媒体每天发一个视频就可以迭代，做小的 AI 产品几天一两周就能拿到结果。

我现在对自己的定位就是”超级个体”——一方面做 AI 自媒体，同时自己做 AI 软件开发。当然也有朋友说你做出来也没用、没有流量渠道推广。但我觉得不用想那么多，首先你要有自我认知——做10个产品肯定有9个失败。其次，怎么推广这件事你自己不亲自做根本不知道门道是什么。快速做个东西然后去试着推，推不出来就让 AI 帮你——X、YouTube、Reddit、SEO、社交媒体投放，有很多路数可以做。你在试错过程中肯定有很多挫折，但重要的是你不去做就压根不知道路径是什么。有了 AI 帮我们干活，整个学习和尝试的过程从过去几年压缩到几个月，就快速把这个东西掌握了。

问：AI 应用产品的方向如何选择？

首先一个大原则：什么产品行、什么产品不行，其实没有人知道。我们作为个体应该做的只有一件事——拼命不停试错。你不知道什么东西靠不靠谱，你应该做的就是试错。产品要限定在个体一天之内就能把 Demo 跑出来，至少一周之内要做一个产品 Demo 出来。不停做、不停推，有个5-6个产品循环，你慢慢就找到感觉了。不要去看产品方向，你应该做的就是先跳到水里游泳再说。

比如我自己想做的应用很多：做一个 AI 体重记录 APP，打开直接语音说”我今天晚上体重多少多少”，AI 马上告诉你比昨天长了一斤，问你是不是去搓烧烤了——交互方式从自己点来点去变成语音对话，非常智能。还有英语学习，不是按部就班学三个月，而是针对”我下周要英语面试”这个特定场景，基于简历出10套对话，一周内高频训练速通。

诸如此类，生活中有很多可以做的事。还有很多海外创业者去看头部应用做得好就做竞品，我觉得也挺好。重要的不是哪条路通哪条路不通，重要的是我们要去尝试。一开始都是乱枪打鸟，然后逐渐收敛，方向就越来越明确了。

问：AI 或者 AGI 到底是不是泡沫？全力投入会不会见顶踏空？

我给你一个答案：从资本角度是有泡沫的，大概率在2026或2027年会出现泡沫破灭。但如果你是一个创业者或超级个体，你利用 AI 去提供产品、服务和内容，利用 AI 给自己赚钱——不存在任何泡沫。而且 AI 的能力在接下来两年还会突飞猛进。所以对于创业人来说，AI 没有任何泡沫，真正的泡沫只是资本市场的泡沫。

问：还要学习编程语言吗？

编程语言的学习方式完全变了。过去学编程是先学语法（花几天时间从头到尾学一遍），然后学类库（文件操作、数据库、网络等），大概需要至少两周才能开始开发小东西。

现在新的学习方式是：上来就让 AI 用某个编程语言给你做一个东西出来，中间看不懂的就把代码片段问 AI”这咋回事你给我解释解释”。过去是一种线性的从0到1的学习，现在是全方位的在使用中学习。

所以我个人的感觉是不需要专门去学编程语言，你需要掌握的是怎样更好地指挥 Agent 来帮你工作。当然过程中你还是要建立一些软件架构的概念——前端后端、不同模块怎么分割——但这种概念也是在用的过程中不停遇到问题、不停问 AI 来掌握的。

问：AI 创业应该做 To C 还是 To B？

毫无疑问，非常坚定地告诉你：AI 创业现在一定要做 To C 端的产品，不要去做 To B 端的。原因非常简单——做 To B 产品迭代速度太慢，一个试错循环可能长达几个月。但做 To C 产品，你的试错迭代速度可以压缩到一天，有想法马上实现、快速试错。

问：现在退出高考、不读大学，去做 AI 应用，你推荐吗？

从学历角度说，是有必要读大学的，而且应该尽可能读一个好的大学。很多时候出国需要学历作为硬门槛——比如香港高才通要求全球前100或前300的高校。但从实际工作能力上来说，国内的大学可能给个人带不来太多帮助，最终还是取决于自己的自学和实践。学校给我们的就是一张文凭。

我的建议是：大学文凭是要的，但上了大学之后学什么专业一点都不重要。重要的是上大学以后，你要用这四年的时间自己去做事情——大量自学、大量实践。海外有很多这样的例子，有人从大学开始就在 YouTube 做自媒体、自己学 AI、做 AI 产品，等到大学毕业的时候已经自己能赚很多钱了。

问：多 Agent 并行工作，脑子过得来吗？最多开两个都吃不消了。

你要让自己的脑速也变快，而且要规划一下——多 Agent 并行工作的时候，每个 Agent 干不同的事，你要让它们配合起来。

收尾

今天差不多就聊到这里了。每周周日晚上10点，《范凯说 AI · 周日晚聊》，跟大家分享本周 AI 行业新闻、个人思考，然后和大家交流。希望把这个直播长期做下去，一年52期，做个十年。

晚安，祝大家睡个好觉，明天开始新的一周。

参考：Karpathy’s LLM Wiki Gist

AI 界的全球顶流 Andrej Karpathy 发了一个 Gist，讲怎么用 LLM 来管理个人知识库，现在超级无敌火爆。我仔细看了一遍他的方案，从建立个人 Wiki 的角度来说，方案很优雅，但直接照搬不现实 ， 因为 AI 研究者和 我这种 AI 内容创作者的需求差太远了。

其实我用 OpenClaw + Obsidian 来做个人知识库管理的实践，已经有 2 个多月了，有很多自己的心得。这次结合他的方法论，升级了我的方案，打造了一套既优雅、又实用的 AI 知识库管理，分享给大家。

Karpathy 想解决什么问题

一句话：别让 AI 每次都从零开始帮你想，让它帮你把知识攒起来。

你肯定有过这种体验 — 同一个问题，换个 session 问 AI，它又从头推导一遍。之前聊过的上下文全丢了。Karpathy 的解法是：让 LLM 把每次对话中产生的知识，沉淀成 Markdown 文件。下次再问，AI 先翻已有的笔记，在这个基础上往前推。

知识像滚雪球一样越攒越多，交叉引用越来越密，AI 对你的领域理解越来越深。

他的原话：

“维护知识库最累的不是阅读和思考，而是记账。”

读文章、判断价值、决定方向 — 这些是人该干的事。但整理格式、更新链接、维护索引、检查哪篇过时了 — 这些 bookkeeping 的活，交给 AI 干最合适。

Karpathy 方案的核心设计

三层架构

思路很清晰：原始输入、加工产物、操作规则，三件事分开管。

三个核心动作

Ingest（入库） — 新资料进来时，AI 读一遍，写摘要，判断该放哪，更新相关页面的链接，追加到索引。一条龙。

Query（查询） — 问 AI 一个问题，它在 Wiki 里搜相关内容，综合回答。关键是：如果查的过程中发现了新关联（比如两篇笔记其实在讲同一件事但没互相链接），AI 会把这个发现写回 Wiki。查询本身也在改进知识库。

Lint（健康检查） — 定期让 AI 扫一遍，找出问题：哪些页面成了孤岛没人引用？哪些内容太久没更新该过时了？哪些概念出现了矛盾？

两个特殊文件：index.md 按主题做全局目录，log.md 记录时间线。

我的方案：同样的思路，不同的落地

我的工具栈是 Obsidian + OpenClaw + Claude Code，通过 AGENTS.md 定义操作规则，不绑定特定 AI 工具。

从三层变成五层

Karpathy 的 Wiki 是个终点 — 知识沉淀下来就完了。但我做内容创作，知识存着不用等于没有。所以我的系统多了两层。

Notes/（输入层）
  ├── Clippings/    网页剪藏
  ├── Inbox/        碎片想法
  └── Conversation/ 跟 AI 的有价值对话
        ↓ Ingest 分发
Knowledge/（知识层）    方法论、读书笔记、原创思考
Software/（技能层）      工具技巧、开发思考、产品研发计划
LifeOS/（行动层）        投资、健康、保险、联系人
        ↓ 素材调用
Writing/（产出层）       视频脚本、文章、运营 SOP

行动层意味着知识要落地。投资笔记不是写完就完，要指导真实的交易决策。健康计划要变成每周的训练安排。

产出层意味着知识要变成产品。视频、文章、课程 — 知识库是弹药库，写作才是开枪。

输入只留一个口子

不管是网页剪藏、Apple Notes 导出、还是脑子里冒出来的想法，全部先进 Notes/，然后走同一条流水线分发到各个目录。

一个入口，一套流程，多个终点。

我有个设计是 Karpathy 没提到的 — Notes/Conversation，专门存跟 AI 的对话。你跟 AI 认真讨论一个问题的时候，对话过程本身就在生产知识。比如这篇文章的雏形，就是我跟 Claude 讨论 Karpathy 方案时聊出来的。把它丢掉太可惜了。

确认机制：AI 先报计划，我再拍板

这是我跟 Karpathy 最大的分歧。

他让 LLM 全权操作 Wiki — 想建页面就建，想删就删，想改链接就改。我试过，发现 AI 对”这篇文章应该放哪”的判断经常不靠谱。

比如一篇内容创作方法论，AI 放到了 Knowledge/ 而不是 Writing/Knowledge/。一篇 Chrome DevTools 的教程，AI 新建了一个文件，其实应该合并到已有的 Claude Code 文档里。

所以我的规则是：AI 先列出分发方案，我看一眼确认了再动手。 这一步成本很低（看个表格而已），但能避免很多返工。

分类这件事，本质上反映的是你自己的思维结构。AI 可以建议，但最终得你来定。

三个操作怎么跑

Ingest：新内容进来怎么处理

用户说”处理一下 Notes/”，Agent 就开始干活。

第一步：列方案。 扫描 Notes/ 下所有没处理的内容，列出一个表：

等我确认后才执行。

第二步：分发。 按内容性质判断目标：

• 软件工具、代码技巧 → Software/

• 投资、保险、健康、生活事务 → LifeOS/

• 方法论、读书笔记、概念解析 → Knowledge/

• 内容创作方法论 → Writing/Knowledge/

• 选题素材 → Writing/

• 判断不了的 → 留在 Notes/，等我定

第三步：加工。 读原文写摘要，在目标目录创建或更新页面，给相关文件补上交叉引用。

第四步：清理。 原始文件从 Notes/ 删掉。

Query：问知识库问题

用户提问，Agent 在相关目录里搜内容，综合多篇文件给答案。

关键在第三步 — 反哺。如果搜索过程中发现两篇文件内容互补但没互相链接，Agent 会说出来，我确认了就补上。

举个例子：我问”创业怎么找前 1000 个用户”，Agent 找到了《头 1000 名用户》和《做产品的经验和感悟》。前者讲获客，后者讲产品打磨，互相补充但从来没链接过。发现这个关联后我让它补上了。

Query 的价值不只是回答问题，还在于暴露知识库的结构缺陷。

Lint：健康检查

四项检查：

跑完出报告，不自动改。

一个实践经验：按目录分别跑，不要一次全跑。 Software/ 这种工具备忘目录，每篇本来就是独立的操作手册，报一堆”孤立页面”没意义。Knowledge/ 才是 Lint 真正能发挥价值的地方 — 50 篇管理笔记之间居然零链接，这就是问题。

两套方案放一起看

架构

操作流程

特殊文件

设计哲学

他有我没做的

全局索引怎么组织

index.md 放在 Workspace 根目录，8 大分类覆盖所有内容：

只索引到目录。文件级索引是维护噩梦 — 每加一篇文章就得更新，目录结构稳定后基本不用动。

交叉引用：少即是多

Karpathy 鼓励密集的链接网络。我的做法相反 — 只建最强关联，不追求覆盖率。

什么时候值得建链接：

• 两篇文章内容互补（获客方法论 + 产品打磨哲学）

• 理论和实践配对（同理心理论 + 同理心实践）

• 读书笔记和应用思考配对（《深度工作》+ 时间管理）

• 人物和方法论配对（乔布斯的管理课 + 领导力）

格式很简单：文件末尾加个 ## 相关页面，放 2-3 条链接就够了。

链接太多反而是负担。改个目录结构就一堆断链要修，第 10 条链接的价值基本趋近于零。

几条原则

从这次折腾中攒出来的经验：

1. 一个入口，多个终点。 所有输入走 Notes/，统一流程分发。

2. 结构够用就行。 目录分到能找到东西就够了，不用追求图书馆级别的分类学。

3. AI 建议，你拍板。 分类反映你的思维结构，只有你自己最清楚一篇文章该放哪。确认一下成本很低，但省了很多返工。

4. 链接宜少不宜多。 两三条强关联比十条弱关联有用得多，维护成本也低得多。

5. 对话也是知识。 跟 AI 的深度讨论本身就在生产知识，别聊完就丢了。

6. 存着不用等于没有。 知识库的终极检验标准是：它有没有帮你产出过东西？读过不等于会了，写出来才算数。

7. 索引到目录，不到文件。 目录结构一旦稳定，索引几乎零维护。

8. 不绑定工具。 AGENTS.md 兼容多种 Agent，今天用 Claude，明天换别的也能跑。

以上是原理和操作方法。如果你想进一步交流，欢迎加入「范凯说AI」公开社区参与讨论：

💬 公开社群： https://t.me/fankaishuoai

具体的实践细节 — 包括完整的 AGENTS.md 配置、Ingest/Lint/Query 的实操演示、以及我踩过的坑 — 我会在本周日的「范凯说AI」会员直播中详细讲解。想要拿到可以直接用的方案，加入会员社群：

⭐ 会员社群： https://im.page/fankaishuoai

主题：AI 时代的个人工作站

日期：2026年4月5日

开场

大家好，这里是《范凯说 AI · 周日晚聊》，我是范凯。

今天是第14期，我们主要聊这几件事：

第一，Claude Code 源代码泄露，51万行代码裸奔，社区狂欢；随后 Anthropic 正式宣布不允许 OpenClaw 小龙虾使用 Claude 模型订阅套餐。

第二，OpenAI 完成1220亿美元融资，估值8520亿，冲刺 IPO。

第三，AI 时代的个人工作站——怎么搭建一个完整的个人 AI 生产力工作流。

第一部分：本周 AI 新闻

新闻一：Claude Code 源代码泄露

本周最炸裂的新闻又是 Anthropic。Claude Code——全球最炙手可热的编程智能体，全部源代码泄露了。

3月31号，一位安全研究员发现 Anthropic 在发布 Claude Code 的 npm 包（2.1.88 版本）时，包含了源代码的压缩包，里面有 Claude Code 完整的源代码——大约1900个源文件，超过51.2万行代码。具体原因就是人为操作失误，不是安全漏洞。

消息一出，GitHub 上无数人 fork 这个源代码，用各种 AI 编程工具去拆解它，看看 Claude Code 里到底有什么不为人知的秘密。

对中国用户来说，最关心的自然是 Claude Code 到底怎么追踪用户、怎么避免订阅套餐被封号。通过反向阅读源代码，可以确认它有非常多的数据上报——设备信息、操作系统信息、交互内容，这些会形成一个很强的指纹信息。所以要避免被封号，其实只有一个办法：养号。号养的时间越长，越不容易被封。像我的 Claude 账号从2023年就注册了，随便怎么用都不封号。有时节点是香港，它提示该地区不支持，但也不封号。关键就是别一个新号注册好才两天就往死里薅羊毛，那肯定被封。

社区发现了什么：

最有意思的还是工具系统——40多个内置工具，shell 命令执行、网页抓取、文件读取，基础工具的定义就有2.9万行源代码。还有查询引擎负责所有 API 调用，是核心系统。还有多代理编排——多 Agent 的并行调度做得非常好。以及50多个斜杠命令的支持。

源码里还有一个反蒸馏机制——有一个叫 ANTI_DISTILLATION_CC 的标志，会在系统提示词中注入虚假信息，目的是污染竞争对手的训练数据。确实被中国的模型蒸馏得太多了，所以才有这个机制，挺有意思的。

Claude Code 的竞争优势会因此丧失吗？

不会。原因很简单：Anthropic 的竞争力，模型排第一位，编程工具排第二位。编程工具本身有一个很强的工程团队在快速迭代，就算别人学到了一些东西，拉高了自己的水平，但整体架构没法百分之百复制。只要 Anthropic 持续快速迭代，很快就能把差距重新拉开。

需要强调的是，泄露的是 Claude Code 这个编程工具的源代码，不是 Claude 模型的源代码。模型的训练数据、训练代码和检查点，量非常大，很难一次性泄露。

Anthropic 封禁 OpenClaw 使用 Claude 模型订阅套餐

紧接着 Claude Code 源码泄露，Anthropic 正式宣布 Claude 模型订阅套餐不允许用在 OpenClaw 小龙虾上了。

替代方案有三个：

第一，GPT 20美元订阅套餐（最推荐）。 量大管饱，唯一让人不爽的是 GPT 模型比较啰嗦，但可以通过修改系统提示词让它的回答风格更像 Claude 模型。

第二，GitHub Copilot 订阅。 一个月9到10美元，里面包含 Claude、Gemini、GPT 等多个模型。缺点是用量不大，适合轻量级使用。

第三，区分场景使用不同工具。 重度任务、长程任务用 Claude Code 配 Claude 模型；轻量级任务在手机上用 OpenClaw 小龙虾配 GPT 模型。

关于长期记忆共享的问题： 不同工具之间不共享记忆怎么办？OpenClaw 这边打开 memory search，用向量检索保存长期记忆库；Claude Code 这边装一个 Basic Memory 插件，同样用向量检索保存长期记忆。两边都把长期文件显式保存到硬盘的同一个公共目录下——同一份原材料，两边各自向量检索，就共享了同一份记忆库。我现在就是这样用的，非常爽。

新闻二：OpenAI 1220亿美元融资，冲刺 IPO

3月31号，OpenAI 宣布完成了1220亿美元的融资，估值8520亿美元。

投资人阵容：Amazon 投了500亿美元（其中350亿以 IPO 或达成 AGI 为条件），Nvidia 和 SoftBank 各投了300亿，加上其他投资机构，总计1220亿美元。OpenAI 年化收入已经超过250亿美元。

但 Anthropic 其实更厉害——Anthropic 的年化收入已经超过300亿美元，更多面向企业市场。Anthropic 的企业 LLM 市场份额从2023年的12%上升到了32%，占据了三分之一；而 OpenAI 从50%下降到了25%。全球财富前十的企业有8家在使用 Claude 模型。在企业市场上，Anthropic 已经超过了 OpenAI。

Anthropic 目标是2026年10月在纳斯达克上市，估值目标5000亿美元以上。

现在全球 AI 头部竞争格局： OpenAI 估值8520亿，Anthropic 估值3500亿，Google 市值2万亿。OpenAI 上市后至少万亿美元，Anthropic 上市至少5000到8000亿美元。

OpenAI 用户量更大、消费端更强，但 Anthropic 在智能体、编程和企业市场上占据遥遥领先的优势，而且份额还在持续扩大。

另外还有两家有点落伍：xAI 联合创始人走光了，马斯克在重组；Meta 的下一代模型至今还没有训练出来。

新闻三：Google Gemma 4 开源 + 国内 AI 动态

Google Gemma 4 开源：

4月2号，Google 开源了 Gemma 4——基于 Gemini 3 技术的开源模型，四个尺寸（2B、4B、26B、31B），上下文窗口256K，可以在手机、树莓派等设备上运行。31B 模型刷榜刷得很厉害。

不过，如果是用来跑智能体，效果不一定好。Google 的模型更擅长大文档处理和多模态，Gemma 本身也不是专门针对智能体做优化。而且 Google 和 Meta 的开源模型训练数据中英文占比特别高、中文训练数据很少，在中文语境下不如国内的千问模型好用。就像炒菜一样——国外模型是西餐配比，也能做中餐，但味道就差一些。

现在头部厂商的策略都一样：顶级模型绝对不开源，推出一个相对小的开源模型去吸引社区使用，扩大市场份额。阿里千问3.6 也是如此。

国内动态——智谱 GLM-5.1：

智谱发布了 GLM-5.1，据说非常强，Coding Plan 套餐一上线就被抢光了。但国内厂商普遍算力短缺，疯抢的时候跑后台任务会在日志里看到大量出错信息——连不上、超时、API 被限流。

坦率地说，把国产模型的稳定性也作为参数考量的话，GPT 20美元的订阅套餐真的是性价比最高的。如果用量很大，GPT 200美元的套餐绝对超值。另一个省钱方案是注册3个 GPT Plus 账号（共60美元），用开源的 API Proxy 合并三个套餐给小龙虾用，量大管饱，性价比极高。

DeepSeek V4：

DeepSeek 从去年春节发布之后已经一年了，V4 跳票好几次，说4月份可能发布。规格很猛：万亿参数的专家模型，每次推理激活37B，100万上下文窗口，原生多模态，深度适配国产芯片。

DeepSeek 出得慢，一个重要原因是为了深度适配华为昇腾910芯片。这周跟一个华为供应商吃饭，了解到华为910芯片目前良率最高只能达到60%，相比台积电80%-90%的良率差了很多。而且芯片面积大、发热量大、耗电量高——用更大的电力换取相应算力。所以第一成本更高，第二运营费用也更高。但 DeepSeek 过去一年为国产芯片适配做出了巨大贡献。

当然 DeepSeek 也走了一些人，罗福莉去了小米，还有人去了字节。

关于 AI 编程工具的选择：

目前能力最强的就两个：Anthropic 的 Claude Code 和 OpenAI 的 Codex。

两者使用习惯不同：Claude Code 适合喜欢折腾的人——加载很多 Skill、MCP 插件，越用越强；Codex 反而是不要折腾，不需要搞很多 Skill，给它一个任务让它跑就行。

我更喜欢 Claude Code，因为 AI 编程只占我工作的20%-25%，大量时间用 AI 做写作、工作规划、社群管理、知识管理、联系人管理等。Codex 在编程上很好，但多面性不如 Claude Code。

我现在的用法是三套班子：最复杂的任务交给 Claude Code 配 Claude 模型；日常轻量级任务交给 GPT 模型配 OpenClaw 小龙虾；兜底的简单但量大的任务交给 Open Code 加本地千问 Code Next 模型。

如果不差钱，最推荐的组合是两个200美元的套餐：Claude 200美元套餐 + GPT 200美元套餐。Claude Code 做架构设计和重活，Codex 做 Code Review，一个月400-450美元，看起来不少，但大量节省时间和精力，绝对超值。

第二部分：AI 时代的个人工作站

先说一个反思：磨刀磨了两个半月

在讲工作站之前，先坦诚说一个反思。

从1月下旬到现在，两个半月时间——搭算力平台，在 Mac Studio 上部署两个千问模型，配网络、搭梯子、Tailscale 组网，安装 OpenClaw、Claude Code、Codex，装一堆 Skill 和插件，两边的长期记忆库都要配好并共享……一通折腾下来，一半以上的时间花在了折腾工具上。

磨刀磨了两个多月，干活没干多少。所以我反思了一下：基础设施建设到现在已经非常顺滑，不需要再画蛇添足了。后面的时间和精力要放在真正的产出上——创作内容、做软件产品、用 AI 规划每天的工作。

我的个人 AI 工作站全貌

硬件： Mac Studio M4 Max，128G 内存，2T 硬盘，7×24小时在线。为了防止它进入休眠，专门装了一个叫 Amphetamine（安非他命）的软件——一个兴奋剂，让 Mac Studio 永远保持清醒。

远程访问： 通过 Tailscale 把不同互联网节点放在一个虚拟专用网络里，不暴露公网 IP，同时可以远程访问。在同一城市内直连延迟只有20-30毫秒，跟本地机器一样。但在外面用手机热点时，无法直连就要走中继服务器，Tailscale 最近的中继在香港，一来一回延迟200-300毫秒，很慢。为了解决这个问题，我在腾讯云 VPS（南京节点）上自建了一个中继，延迟瞬间从两三百毫秒降到了50毫秒。现在在国内任何地方都能以五六十毫秒的延迟连到 Mac Studio，操作极度流畅。

自建中继节点的方法也很简单：把 Tailscale 中继节点搭建文档和腾讯 VPS 的登录信息都给 Claude Code，让它帮你配，一通操作就全部搞好了。

Mac Studio 上跑了什么：

• OpenClaw 小龙虾——7×24小时在线，通过 Telegram 或 Discord 随时对话

• Claude Code——通过 /remote control 命令，可以在笔记本电脑的浏览器、Claude APP，甚至手机上远程给 Mac Studio 上的 Claude Code 下命令，指挥它干活

• 两个本地模型：通义千问3 Code Next（80B 专家模型，用于写代码）和通义千问3.5 35B（多模态模型，可以读文档）。两个模型一个需要40G 内存，一个需要19G 内存，加上 cache 差不多60多G。模型端口在 Tailscale 内网里暴露出来，变成了个人专用的、不花钱的远程本地模型。在笔记本或手机上都可以连上去用，国内直连延迟20-30毫秒，比调海外模型还快。

• OpenAI Whisper——语音转文字，把视频转成文字、整理稿件，丢一个视频链接它就能自动下载、抽取语音、转成文字、保存到知识库，全自动完成

• BGE-M3 嵌入模型——向量化模型，给知识库做向量索引，也为 OpenClaw 提供长期记忆库的向量索引

• Basic Memory 插件——给 Claude Code 提供长期记忆

文件同步： SyncThing，一个开源的点对点文件同步工具。不用 iCloud（太垃圾），不用 Google Drive（不支持带版本化的同步、不支持排除目录）。Mac Studio 和 MacBook 之间整个工作目录实时同步，延迟5秒之内。AI 在 Mac Studio 上改了文件，几秒后笔记本上就能看到。相当于我跟 AI 永远在跨互联网实时协作，整个文件状态全部同步。

知识库： 整个 Workspace 目录下900多个 Markdown 文件，全部向量化，存进本地 SQLite 数据库。OpenClaw 和 Claude Code 都可以进行语义检索。

本周新增：个人 CRM。 通过 Telegram 跟小龙虾说”今天跟谁见面了，这个人什么关系、什么背景、哪个城市、哪家公司、什么 title、未来有什么业务机会”，小龙虾就会自动在 Personal CRM 目录里创建一个 Markdown 文档——上面是结构化的属性信息，下面是非结构化的联络记录。Obsidian 的 DataView 插件会自动生成不同视图：按城市、按最近联系、按行业等。

联系人多了以后，还可以说”明天我要到北京出差，帮我看看北京某个行业的联系人，哪些人应该联系一下，帮我推荐推荐，攒几个局”，它都能帮你拉出来。而且因为联系人之间可能互相认识，只要提供线索，它还会建立联系人之间的关系——变成一个联系人知识图谱。

我每天的工作流

• 早上通过 Telegram 跟小龙虾说今天要做什么，它帮我规划

• 写内容时语音口述，把素材丢给它，说清选题和观点，它帮我整理成文字、写提纲，我不断调整修正

• 需要查资料时，它先从900多篇知识库里检索，再 Web Search 做事实核查

• 见了人，口述一下，CRM 自动更新

• 需要跑代码任务，界面开发在 MacBook 上做，长程后台任务远程 SSH 到 Mac Studio，下发任务后退出，它自己跑一两个小时，完全不用管

一个人，相当于有了一个24小时在线的助理团队。这就是 AI 时代超级个体应该有的基础设施。

核心理念：你的电脑不应该只是你坐在面前时才能用的工具，它应该是一个永远在线的、随时随地可以调用的 AI 工作站。 这是我在 X 上分享时大家最有共鸣的一句话。

关于 AI 语音输入法的思考

我现在90%的工作已经不是用全键盘了，大量通过语音口述完成。我配了一个6键小键盘：唤起 AI 语音输入法、回车提交、Shift+Enter（不提交换行）、ESC 取消、空格、删除，再加一个旋钮（复制粘贴、光标移动）。基本上 AI 编程、AI 干活，就靠这个小键盘。

正因为大量使用语音输入法，我下定决心要自己做一个 AI 语音输入法。为什么现有的都不满意？豆包语音输入法是”垃圾”，微信语音输入法是”垃圾 Pro”，就连我每天在用的 Typeless（我是年度付费会员），也有很多让我无法忍受的缺点。

我对 AI 语音输入法的核心认知：

它不只是一个输入法，它是 AI 时代最重要的入口。人口头表述时思维是混乱的——说到一半发现说错了要重说，思维碎片化，中英文混杂。一个好的 AI 语音输入法应该根据我的个性化表达习惯、常用的专业术语，把混乱的口头语言整理成更准确、更有条理的内容——它不仅是输入法，它在帮我整理思维，最大程度降低大脑思考到交给 AI 之间的门槛。

这个软件一边要知道怎么跟 AI 沟通（AI-friendly），另一边要足够了解我这个人——了解到即便我说的都是碎片信息，它也能像肚子里的蛔虫一样 get 到我思想中很细微的地方，然后组装成好的信息交给 AI 智能体。

这就是重新定义下一代交互——最懂 AI，同时最懂人，在中间把交互打通。所以哪怕这个方向看起来很红海，我也要做。哪怕没人用，我自己用了效率提高5倍10倍也值了。

第三部分：观众互动

问：本地部署大模型编程用什么模型？

取决于硬件配置。我自己用的是千问 Qwen3 Code Next，800亿参数的专家模型，每次推理用到30亿参数，在 Mac Studio 上占大约41G 内存。加上 cache 大概需要60G 内存。如果内存更大，也可以用千问3.5 122B（1220亿参数），效果更好，但内存需要80多G。建议不要上来就用特别大的模型，跑得很慢会很难受。

问：Gemma 4 开源模型怎么样？

Google 和 Meta 的开源模型训练数据中英文占比非常高，中文训练数据量很少。如果以中文使用为主，用千问模型可能更好。

问：Claude Code 还是 Cursor？

Cursor 是一个 IDE 工具，不如智能体功能全面。

问：Claude 老封号怎么办？

就一个办法：养号。先用 free 版本，每天用一用，在 chatbot 里聊很多话题，增加用户数据，然后慢慢在 Claude Code 里也用一点，别每天用很多，一点一点增加用量。养个半年时间，号的权重就好了，就不容易封号。

问：Google Stitch 是什么？

Google 推出的在线服务，通过聊天来设计页面。设计好之后可以导出成一个 design.md 文件，放到项目根目录下，让 Claude Code 或 Codex 读取它，就会按照这个风格设计出满意的 UI 界面。

问：关于 Harness Engineering / Context Engineering 这些概念？

从最早的 Prompt Engineering 到 Context Engineering 再到现在的 Harness Engineering，其实都是一回事——怎么更好地让 AI 理解用户意图，基于意图更好地完成任务。不要被大词和方法论框死。我现在 Claude Code 只装了4个 MCP（Chrome CDP、GitHub、Basic Memory、Context7）和1个 Skill（Superpower），尽量简单，不搞太复杂。

AI 变化很快，应该更灵活，更多尝试，不要用文档化流程化的方式限制 AI 的潜力。简单问题不要复杂化，当模型足够智能，很多中间层的概念都会被吃掉。我们要更有创意，更勇敢地打破常规，不要用大词、概念、文档、流程去禁锢想象力。

收尾

今天的分享就到这里，我们聊了一个多小时。想了解这些 AI 工作流的具体实操——创作写作工作流、AI 编程开发运维流程、知识管理工作流、个人 CRM 工作流——欢迎加入范凯说 AI 会员社群。

也欢迎加入公开的免费 Telegram 社群（已接近1000人），搜索 FANKAISHUOAI 即可找到。

晚安，下周日见。

今天，Anthropic 正式把 OpenClaw 踢出了 Claude 订阅。

从今天开始，你花 20 美元买的 Claude Pro 套餐，不能再给小龙虾用了。之前那种月费 20 块钱、用量跑出上千美元的好日子，没了。

这个消息是昨天周五傍晚发的——对，就是那个专门用来发坏消息的时间点。给了不到 24 小时的缓冲期，今天直接生效。

但别慌。这篇文章我不光帮你搞清楚到底发生了什么，更关键的是，我已经跑通了替代方案，成本更低，也不用担心哪天再被卡脖子。

三个月围剿

Anthropic 想干掉 OpenClaw，不是今天才起的念头。这场围剿，至少持续了三个月。

1月初，品牌切割。 Anthropic 发律师函，逼着当时还叫 Clawdbot 的小龙虾改名。第一刀，先在品牌上跟你划清界限。

1月9日，技术封堵。 Anthropic 在服务器端加了一道检测：订阅令牌如果不是从官方 Claude Code 客户端发出来的，直接拒绝。OpenClaw 的核心玩法，一夜之间失效了。

2月中旬，条款定性。 服务条款直接写明：Pro、Max 账户的令牌用在任何第三方工具里，算违规。

最狠的一招，功能抄底。 Anthropic 自己推了个 Claude Code Channels，把 OpenClaw 的核心功能一比一复刻了——远程遥控、接入 Telegram 和 Discord，全都有了。你能做的我全做了，然后再把你踢走。

这套组合拳打完，今天这封邮件就是最后一脚。

被逼走的创始人

OpenClaw 的创始人 Peter Steinberger，2月中旬宣布加入了 OpenAI。

品一下这个时间线：是 Anthropic 先动的手，从1月初就开始法律施压、技术封堵。然后 Peter 一走，Anthropic 反而更有理由了——创始人都去 OpenAI 了，这工具还能留着吗？

Peter 本人也出来说过，他和 OpenClaw 的成员试图劝 Anthropic 冷静一点，但最后能争取到的，也就是把这一天推迟了一周。

今天这个封杀，表面上是政策调整，实际上是 Anthropic 一手导演的连环局：先逼走创始人，再用创始人的出走当理由，最后名正言顺地关门。

方案一：GPT-5.4 替代 Claude

既然 Claude 订阅不让用了，换模型。用 GPT-5.4。

ChatGPT Plus 20 美元的订阅套餐，Token 用量非常大，日常轻度到中度使用完全够。GPT-5.4 的综合能力，跟 Claude 已经拉不开明显的差距了。

但有一个问题——GPT-5.4 太啰嗦了。你让它干个活，它能给你写出几千字的回复。因为 GPT-5.4 天生偏重逻辑推理和长链思考，默认就想把事情掰碎了讲明白。让它帮你想问题挺好，但让它帮你干活？太磨叽了。这一点上，GPT-5.4 确实不如 Claude Opus 4.6——Claude 就是那种人狠话不多的风格。

解决办法：修改 OpenClaw 的系统提示词，把 GPT-5.4 的嘴管住。

具体改两个文件：

AGENTS.md（~/.openclaw/workspace/AGENTS.md），管智能体的总规则。加一段”Default Response Length”规则：直接给答案，别铺垫；默认简短回答；不需要总结和背景介绍。关键一句——目标是像 Claude Opus 一样简洁。

SOUL.md（同目录），决定智能体的性格。加一段 Output Style：永远先给答案；能一句话说完就不要写一段话；永远不要加”好的”“当然可以”这种废话。

这两个文件的完整配置贴在本文末尾，直接复制就能用。

改完重启 OpenClaw，GPT-5.4 立刻变了一个人。之前那个话痨，现在简洁、直接、信息密度高。实测能达到 80% 的 Claude 体验。

聊久了 Context 窗口快满时可能又开始啰嗦，直接提醒一句”简洁点，像 Opus 一样回答”就能收回来。

另外，OpenClaw 也可以接 GitHub Copilot，里面同样能用 Claude 模型，但额度有限，适合用量不大的人。

方案二：场景分层 + 共享记忆

光换模型还不够。这次封杀逼着我重新想了一个问题：我们到底应该怎么用小龙虾？

之前我自己也犯过一个错——什么活都往 OpenClaw 上扔。写代码、写文章、做自动化，全靠小龙虾。结果有时候等了半天，结果不对，还得重来。

想明白之后，我把任务分成了两类：

轻量级任务 → OpenClaw + GPT-5.4。 手机上随手下个指令：查东西、总结文字、改格式。几分钟出结果，不需要中间盯着。这才是小龙虾最舒服的使用场景。

重度任务 → Claude Code 或 Codex。 长时间编程、大段写作、复杂项目重构。这类任务需要随时看中间过程、不断交互纠偏。OpenClaw 通过 Telegram 和 Discord 下命令，看不到完整中间状态，也没法及时干预。这种活应该回到本地工具上。

这其实跟 Anthropic 封不封杀没关系。就算 Claude 订阅还能用，你也不应该什么都往小龙虾上堆。

但有个致命问题

两个工具之间互相不知道对方在干嘛，每次切换都像失忆。解决办法是让它们共享同一个长期记忆。

在电脑上建一个 Workspace 目录，知识库、项目资料、工作文档全以 Markdown 格式存在里面。OpenClaw 用内置的 Memory Search 对这个目录做向量索引；Claude Code 装一个 Basic Memory 插件，指向同一个目录。两边各自建库，但原材料是同一份——本质上共享了同一个长期记忆。

短期记忆各玩各的，长期记忆是通的。这才是真正能在不同工具之间无缝切换的方案。

具体的 Memory Search 和 Basic Memory 配置教程，我放在了「范凯说 AI 会员社群」里。

一个在关门，一个在开门

Anthropic 封杀 OpenClaw，从商业逻辑上说得通。订阅用户拿 20 美元跑出上千美元的用量，公司确实在亏钱。但选择在周五傍晚发通知、给不到 24 小时的缓冲期——这个吃相，确实不好看。

有意思的是，OpenAI 几乎同一时间走了完全相反的路。它主动开放 Codex 给第三方工具使用，还专门给开源项目送 ChatGPT Pro 权限，OpenClaw 被点名列入了受益名单。一个在关门，一个在开门。谁会赢得开发者的信任，答案不言自明。

不过对我们用户来说，巨头怎么打架不重要。重要的是，你别被任何一家绑死。

今天讲的这套方案——GPT-5.4 替代 Claude、按场景分开用工具、再用共享记忆串起来——核心思路就一个：你的工作流应该由你自己掌控，而不是被某个平台的一封邮件击垮。

附录：GPT-5.4 系统提示词配置

AGENTS.md 添加内容

## Default Response Length

Unless the user explicitly asks for detail, default to concise answers. This is a hard constraint.

Rules:

- Start with the direct answer. No preamble.
- Short to medium by default. When uncertain, choose short.
- Expand only if: (1) user asks, (2) genuinely complex, (3) precision lost otherwise.
- No internal reasoning exposed unless it materially helps.
- No background sections unless necessary.
- No summaries or closing remarks.
- **The target is Claude Opus-level brevity**: direct, dense, no filler. If your response would be shorter as Claude Opus, make it that short.

SOUL.md 添加内容

## Output Style

Default to concise, high-signal replies. This is a hard rule, not a preference.

- Lead with the answer. Always.
- One sentence beats one paragraph when both are complete.
- NEVER summarize your own response at the end.
- NEVER use "In conclusion", "To summarize", "In short", "Overall".
- NEVER add preamble like "Great question", "Sure!", "Of course", "Happy to help".
- NEVER explain what you're about to do — just do it.
- NEVER add a section header unless the response is genuinely long enough to need navigation.
- If a shorter answer works, use the shorter answer. No exceptions.
- Expand only when: (1) the user explicitly asks for depth, or (2) precision would be lost without explanation.

很多人用 OpenClaw，一段时间后都会遇到同一个问题：聊着聊着，它突然像失忆了一样，不记得前面说过什么；或者刚聊完一个话题，切到下一个话题，它就像换了一个人，之前的上下文全断掉了。

这种体验会让人很抓狂，因为你明明已经投入了很多时间跟它建立协作关系，但它总在关键时刻“忘事”。但这件事其实不是 bug，本质上，是大多数人并没有真正理解 OpenClaw 的记忆系统是怎么运作的。

今天这篇文章，我一次性把这件事讲透：OpenClaw 的“失忆”到底是怎么发生的，短期记忆应该怎么管理，长期记忆应该怎么构建，以及怎么把 OpenClaw 真正调教成一个越来越懂你的“第二大脑”。

只要你理解它的记忆机制，并做几步正确配置，OpenClaw 不但不会遗忘，反而会越用越了解你。

我现在每天都离不开 OpenClaw，就是因为它记得我所有的事情、所有的对话，也拥有我知识库里的大量知识。很多事情我一时想不起来，第一反应就是去找它。如果你把这套方法搭起来，你也会开始有这种感觉。

一、先建立一个最重要的认知：OpenClaw 有两种记忆

对于 OpenClaw 这样的 AI 智能体来说，它的记忆能力可以分成两类：短期记忆和长期记忆。很多人用 AI 出问题，往往不是因为模型不够强，而是因为把这两种记忆混在一起了。

1）短期记忆：上下文窗口

所谓短期记忆，就是你这一次对话里的上下文。在当前会话中，它会一直记得你前面说过的话、给过的任务、贴过的资料，以及工具调用过程中产生的各种结果。

但短期记忆不是无限的，它受模型上下文窗口限制。比如 GPT-5.4 的上下文窗口大约是 256k token，Claude Opus 的窗口可以到 100 万 token。窗口越大，一次能容纳的内容就越多；但一旦内容开始逼近上限，系统就会压缩甚至丢弃更早的内容。你感觉到的“它突然失忆了”，很多时候就是这么来的。

你可以把短期记忆想象成你的工作台。工作台当然很重要，因为你现在正在处理的东西都摆在上面。但工作台是有面积的，你往上面不断堆东西，堆到最后，最底下的内容就会被压住、被挤掉、被看不见。

所以短期记忆的核心问题，从来不是“它要不要记”，而是两件事：它一次能装多少，以及你有没有在合适的时候清理它。

2）长期记忆：持久化存储 + 检索唤起

长期记忆，则是另外一套机制。它不是把所有东西一直塞在当前上下文里，而是把历史信息保存到文件、数据库或者索引系统中，等未来聊到相关话题时，再把最相关的部分提取出来，重新带回当前对话。

你可以把它理解成档案柜。工作台上放的是你当前正在处理的东西；档案柜里放的是你过去积累下来的资料、偏好、项目状态、知识库和历史记录。工作台空间有限，档案柜容量几乎无限。

所以现在你就能理解一个核心问题了：大多数人觉得 AI 会失忆，不是因为 AI 真的不能记，而是因为只在用短期记忆，没有建好长期记忆。你如果试图只靠上下文窗口解决所有问题，迟早会撑爆。

二、短期记忆怎么管：核心不是更大，而是更干净

很多人以为，只要把上下文窗口开得越大越好，AI 就越不容易忘。这其实是一个很常见的误区。因为上下文窗口变大，当然能让它在单次对话中记住更多东西，但你也要同时承担代价。

1）第一个代价：Token 消耗会暴涨

假设你把一个 100 万 token 的窗口聊满了，那么之后你每发一条新消息，系统都可能要把这整个窗口重新提交给模型处理。也就是说：

• 聊 1 次，可能就是 100 万 token

• 聊 10 次，就是 1000 万 token

• 聊 100 次，就是 1 亿 token

所以很多人看到别人“每天消耗几亿 token”，会觉得不可思议。其实很多时候不是他做了多夸张的事情，而是因为上下文窗口一直处于高负载状态。

2）第二个代价：速度和性能都会下降

上下文越大，模型处理负担越重，延迟越高，GPU 资源消耗也越大。所以除非你是在做那种确实需要一次性读取超大代码库、超长文档的工作，否则上下文窗口并不是越大越好。

短期记忆最好的状态，不是“无限大”，而是三个词：够用、轻量、干净。

三、OpenClaw 如何自动瘦身短期记忆

这里要补充一个很多人不知道的细节。很多人以为 OpenClaw 会一直把所有上下文无限堆上去，完全不做处理。严格来说，不是这样。OpenClaw 提供了一个叫 contextPruning 的配置，可以用来做短期记忆的自动瘦身。

比如我自己的配置是这样的：

"contextPruning": {
  "mode": "cache-ttl",
  "ttl": "2h"
}

这段配置的意思是：当一个会话闲置超过两小时后，在下一次请求发给模型之前，系统会自动剪裁旧的工具结果。

这里被剪裁的，主要是这些内容：

• 检索片段

• 文件读取内容

• 命令输出

• 浏览器快照

• 其他工具调用产生的大块结果

这些内容可能会被替换成占位符或者摘要；而用户与 assistant 的核心对话消息，会优先保留。你可以把它理解成一种轻量级的自动清理机制，它的作用主要有三个：

• 控制 token 消耗

• 降低延迟

• 避免工具结果不断堆积，把上下文撑爆

但这里有一个很关键的点：它解决的是“上下文太胖”的问题，不是“你已经换了一个新话题”的问题。

也就是说，它会帮你自动瘦身，但它并不知道你现在是不是应该彻底翻篇了。所以，自动瘦身有用，但还不够。

四、短期记忆最重要的习惯：聊完一个话题就 /new

如果你问我，管理短期记忆最好的方法是什么，我的答案不是装一堆复杂插件，而是养成一个非常简单的习惯：聊完一个话题，就输入 /new。

这是一个非常重要的动作，因为它会做两件事：

1. 把当前对话归档

2. 清理当前上下文，开启一个新话题

这意味着什么？意味着你不需要强迫 OpenClaw 把所有东西一直背在身上。你可以很自然地让它“做完这件事，就翻篇”。这其实特别符合真实工作流。

比如你刚才在聊编程，下一分钟开始规划文章选题，你并不需要它继续把前面一大段代码细节背在上下文里，因为那些内容对当前任务已经不重要了。

这也是为什么我一直觉得，短期记忆最好的管理方式，不是“永不清理”，而是“及时清理”。很多人之所以觉得 OpenClaw 特别烧 token，本质上就是因为从来不清 Context。一直聊、一直堆、一直不翻篇，最后自然就越来越重。

只要你养成“一个任务结束就 /new”的习惯，256k 的上下文窗口在大多数日常使用场景里其实完全够用了。

但这时很多人会问一个问题：那我频繁 /new，前面聊过的东西不就全没了吗？不会，前提是你把长期记忆建起来。

五、长期记忆怎么建：静态记忆 + 动态记忆

真正成熟的 OpenClaw 记忆系统，不是只靠一个功能，而是两层结构同时存在：

• 一层是静态记忆，写死在规则文件里

• 一层是动态记忆，通过检索系统随用随取

1）静态记忆：MEMORY.md

先说静态记忆，也就是 MEMORY.md。在 OpenClaw 的 workspace 目录下，有一个大写的 MEMORY.md 文件，通常位于 ~/.openclaw/workspace/MEMORY.md。

这个文件适合存放那些你希望它长期、稳定、反复记住的信息。比如：

• 你是谁

• 你的工作习惯

• 你的偏好

• 你跟它协作的规则

• 某些长期不变的重要背景

OpenClaw 每次新对话时，都会自动读取这个文件，所以写在里面的信息，它原则上都会一直记着。

但这里也有一个边界：MEMORY.md 不能写得太大。因为它每次都会被加载进上下文窗口。如果你把它写成一本书，那它本身就会开始挤占宝贵的短期记忆空间。

所以 MEMORY.md 适合存的是：规则、偏好、长期稳定的信息。 它不适合拿来装海量知识库。

例如，我会在 MEMORY.md 里写上这样的规则：当我提到选题、内容创作、标题、提纲、YouTube 视频、口播稿等话题时，OpenClaw 会主动读取一份选题与创作指南的文档，然后按我要求来执行。

## Content Creation Collaboration
- **核心指南文件**：`~/Workspace/Writing/Operation/公域内容选题与创作指南.md`
- **触发条件**：Kai 提到选题、内容创作、标题、提纲、YouTube 视频、口播稿、公域内容等相关话题时，主动读取该指南并按流程执行
- **核心策略**：工具做入口、方法论做内核、CTA 做出口；选题 7:3 配比（工具切入型 vs 纯观点型）
- **协作流程**：Kai 给选题方向 → Friday 评估公域爆发潜力 + 出标题方案 + 出提纲 → Kai 确认 → Friday 辅助创作

这类东西就非常适合放在 MEMORY.md 里。

2）动态记忆：Memory Search

再说动态记忆，也就是 Memory Search。如果你希望 OpenClaw 不只是记住一些固定规则，而是能真正记住过去所有对话、项目资料、知识库内容，那你就要用到它。OpenClaw 内置了一个基于 SQLite 的本地向量数据库，叫 SQLite-Vec，就是用来实现动态长期记忆的。

它的工作方式很像人类的回忆：当你提到某个话题时，系统不会把“所有历史资料”一股脑塞进当前上下文，而是先去长期记忆库里搜索，找到最相关的那一部分，再把它带回来。

比如当我提到 Palantir 这家公司时，系统就可能自动联想到：

• 我之前看过哪些资料

• 我过去写过哪些相关内容

• 我们之前聊过哪些相关观点

人脑靠联想，OpenClaw 靠向量检索。原理不同，但效果很接近。

现在你应该已经能理解，为什么我前面说频繁 /new 并不会让 OpenClaw 真正失忆。因为每次你 /new，当前对话并不是凭空消失了，而是会被归档、被索引、被纳入长期记忆系统。等未来你再提到相关话题，Memory Search 就会把它重新找回来。

所以理想的状态其实是这样的：

• 短期记忆保持轻量

• 长期记忆持续积累

• 新话题随时翻篇

• 旧信息需要时自动召回

这才是一套真正成熟的 AI 记忆系统。

六、怎么配置长期记忆：我自己的实战方案

接下来讲最关键的部分：怎么把 Memory Search 真正配置起来。要打开 OpenClaw 的长期记忆能力，核心就是三件事：

1. 开启 Memory Search

2. 告诉它要记住哪些内容

3. 选择一个 Embedding Model

1）Embedding Model 怎么选？

所谓 Embedding Model，本质上就是把文本向量化，让系统可以按语义相似度去做检索。这个模型有很多选法。

如果你图省事，可以直接用云端模型，比如：

• OpenAI

• Gemini

• 阿里云

• 腾讯云

这些模型其实并不贵，正常使用下，一个月大概率也就是几美分到十几美分，不是大问题。

但如果你更想本地化，或者你担心批量索引的时候容易被云端 API 限流，那你也可以像我一样，直接用本地模型。

我现在用的是：

• provider: ollama

• model: bge-m3

这套方案的优点很明确：

• 本地成本低

• 可控性高

• 做大批量索引时不容易被限流

• 对中文场景也比较友好

如果你的知识库比较大，或者后面会经常重建索引，本地方案通常会更舒服。

2）最简单的配置方式：让 AI 帮你写

这里我反而不建议你一开始自己手写配置文件。最简单的做法，是直接把需求告诉 Codex 或者其他顺手的 AI 工具，让它帮你生成配置。

比如你可以直接说：

帮我给 OpenClaw 配置 Memory Search，选择一个合适的 Embedding Model，并把我的知识库目录一起纳入索引。

然后把 API Key 或者本地模型方案告诉它，它基本就能帮你把配置写出来。

OpenClaw 的配置文件位置是：~/.openclaw/openclaw.json

我现在在用的 memorySearch 配置如下：

"memorySearch": {
  "enabled": true,
  "sources": [
    "memory",
    "sessions"
  ],
  "extraPaths": [
    "/Users/robbin/Workspace"
  ],
  "provider": "ollama",
  "model": "bge-m3",
  "query": {
    "hybrid": {
      "enabled": true,
      "vectorWeight": 0.7,
      "textWeight": 0.3,
      "candidateMultiplier": 3,
      "mmr": {
        "enabled": true,
        "lambda": 0.7
      },
      "temporalDecay": {
        "enabled": true,
        "halfLifeDays": 90
      }
    }
  }
}

3）这套配置里，最关键的四个点

第一，sources

我这里同时打开了 memory 和 sessions。前者负责长期记忆，后者负责近期会话历史。这样配的好处是，它不仅能记住你长期稳定的信息，也能兼顾你最近正在做的任务和上下文状态。

第二，extraPaths

这是这套配置里，我认为最关键的一项。我把它指向了我的 Workspace，也就是我平时真正工作的目录。这里面有我的知识库、写作内容、项目资料和工作规划。

你把什么目录接进去，OpenClaw 就更容易理解你什么。所以如果你真的想让它“越来越懂你”，重点不是让它空泛地“多记一点”，而是要让它接触到你真正重要的工作语料。

这也是为什么很多人配置了记忆功能之后，效果还是一般。因为他虽然开了检索，但没有把真正有价值的内容接进去。

第三，provider 和 model

我这里用的是本地 Ollama 配合 BGE-M3。这样做的好处是：

• 批量索引的时候不容易碰到云端 API 的并发限制

• 本地成本低

• 中文效果也不错

如果你不想折腾本地部署，也完全可以先上云端方案。但如果你后面会频繁重建索引，本地模型通常更省心。

第四，query 下面的混合检索策略

我这里不是只用向量检索，而是用了 Hybrid Search。简单理解就是：

• 70% 靠语义理解

• 30% 靠关键词匹配

因为单纯靠向量检索，虽然能理解“你在说什么”，但对一些特别具体的内容，比如文件名、命令名、电话号码、地址、某些专有术语，关键词匹配往往更准。

所以混合检索的好处就是：既能理解含义，也能命中精确细节。

另外，我还打开了一个时间衰减机制，也就是 temporalDecay，半衰期设成 90 天。它的意思是：

• 越新的信息，权重越高

• 越旧的信息，权重会慢慢降低

这样系统在排序时，会更优先参考近期更有用的内容，而不会总把特别老的内容顶在最前面。

整体来说，这是一套我自己现在在用、而且我觉得比较稳的方案。你完全可以先照着用，后面再按自己的场景慢慢微调。

七、配置好之后怎么用？

配置完成之后，你可以先做两步验证。

第一步：建立索引

执行：openclaw memory index

这个命令会开始批量建立索引，把你的对话历史和知识库内容都向量化，写入长期记忆数据库。索引完成之后，它会存到 OpenClaw 目录下的 memory 子目录里。比如我的机器上，这个数据库文件叫 main.sqlite，现在已经有 176MB 左右了。你放进去的记忆越多，这个数据库自然也会越大。

第二步：做一次手工检索测试

执行：openclaw memory search [关键词]

输入一个关键词，看看它能不能稳定搜出相关内容。如果能搜出来，基本就说明你的长期记忆系统已经搭起来了。

但这里我想强调一点：平时正常使用 OpenClaw，你其实不需要天天手工去 search。真正的价值在于，当你把长期记忆库建好之后，未来你正常跟它聊天时，只要提到相关话题，它就会自己去检索、自己去回忆。

比如你说：“我之前跟你聊过某某某，你还记得吗？”它就会自动去找。

所以这套系统最理想的工作方式其实是：

• 你平时放心地用 /new 清理短期记忆

• 所有重要的历史对话和知识库都持续进入长期记忆库

• 未来需要的时候，它自动帮你找回来

这也是为什么我现在越来越觉得，OpenClaw 不只是一个聊天工具，而是真的开始变成我的第二大脑。

八、最后总结成一句话

如果你想真正把 OpenClaw 用好，你只需要记住一句话：短期记忆靠 /new 管理，长期记忆靠 MEMORY.md 和 Memory Search 来构建。

短期记忆的重点，不是拼命把上下文窗口撑到最大，而是保持它干净、轻量、够用。长期记忆的重点，也不是让它死记硬背所有内容，而是建立起一个可以随时被唤起的记忆库。

当这两套机制配合起来之后，OpenClaw 就不再只是一个聊天工具了。它会越来越了解你，越来越记得你说过的话、做过的项目、积累过的知识。到那个时候，你会发现小龙虾不只是“更聪明”了，而是真的开始变得“更懂你”。

如果你在配置过程中遇到问题，或者你希望我后面继续拆更细的 step-by-step 实操，欢迎直接在「范凯说AI」会员群里问我。

App 关了，API 关了，连本来要整合进 ChatGPT 的视频功能也不做了。迪士尼也退出了合作。

六个月前什么情况？Sora 上线五天，下载量破百万，比 ChatGPT 还快。迪士尼砸了十亿美金投资 OpenAI，把米老鼠、漫威、皮克斯两百多个角色全开放给用户做视频。那时候所有人都在说，AI 视频的时代来了，Sora 要干掉 META 了。

现在，OpenAI 亲手把它关掉了。

是因为 Sora 技术不行吗？还是因为 Sora App 的视频社交没有做起来？

其实，真正的原因是——OpenAI 终于搞明白了一件事：AI 战争的主战场，根本就不在视频这条路上。

Sora 怎么死的

我们先看数据。

Sora 去年九月底上线，确实火过一阵。首日十万下载，五天破百万，冲到美国 App Store 总榜第一。但热度消退得非常快。十二月下载量跌了三成，一月又暴跌 45%，只剩 120 万。

更难看的是收入——App 上线到现在，累计收入 140 万美元。一百四十万。对一家估值七千多亿的公司来说，这个数字基本可以忽略不计。

为什么留不住人？两个原因。

第一，用户新鲜劲过了

AI 生成视频，现阶段说白了就是个玩具。你玩两天觉得挺酷，然后呢？你不会每天打开它刷视频，因为生成的内容还撑不起日常消费。它想做 AI 版 TikTok，但 TikTok 十二月全球下载量一千八百万，Sora 连人家零头都不到。

第二，版权问题太重

一开始 Sora 搞”退出制”，就是版权方要主动申请把自己的作品排除掉。结果用户疯狂拿海绵宝宝、皮卡丘这些角色做视频，好莱坞直接炸了。逼得 OpenAI 改成”许可制”，限制一多，用户兴趣就跟着掉了。后来迪士尼进来，把两百多个角色授权给用户用，本来是想救一把——但数据摆在那，没救回来。

所以 Sora 的问题不是技术做不到，而是做到了也没用。版权、算力成本、用户留存，每一个环节都在告诉你同一件事：AI 视频，现在还不是一门好生意。

战线太长的代价

Sora 只是冰山一角。你退一步看 OpenAI 过去这一年都在干什么。

Sora 做视频，SearchGPT 做搜索，还搞了个社交 feed 想跟 TikTok 抢人。桌面端出了，浏览器 Atlas 也在做，Canvas 做文档协作，Voice 做语音。再加上 ChatGPT 本体、API 平台、企业版……你数一下，这得有多少条产品线同时在跑？

OpenAI 现在只是一家快速发展中的创业公司。把摊子铺得这么大的结果，就是面面俱到，但是没有一个事情能够做到遥遥领先。

再看 Anthropic 在干什么。不做图片生成，不做视频，不做搜索，不做社交。所有算力、所有人才，就集中在一件事上：把模型做强，把 Agent 和代码能力做到极致。

结果呢？Ramp 三月份的数据，企业客户首次采购 AI 服务，Anthropic 拿走了超过七成的份额。十周前还是五五开，现在直接七三开。Claude 的 App 三月初冲到美国 App Store 第一名，日活一千一百万。

图02: Anthropic 企业采购反超 OpenAI

OpenAI 的产品负责人 Fidji Simo 在内部信里自己都承认了：”我们把精力分散在太多 App 和技术栈上了，这种碎片化拖慢了我们的速度。”

所以你就理解了，为什么 OpenAI 现在要把桌面端、Codex、浏览器合并成一个超级应用，为什么 Sora 说砍就砍。不是突然想明白了，是形势所迫，不得不收缩战线。

2026 年的真正制高点：Agent

2026 年 AI 竞争的真正制高点是什么？

不是模型参数大小，不是多模态，不是谁能生成更炫的视频。是 Agent——智能体。

在这个方向上，Anthropic 已经把 OpenAI 甩开了。

先说模型

Claude 在推理和编程这两项最核心的 Agent 能力上，目前就是最强的。这是无数开发者用脚投票的结果。

不管 Anthropic 对订阅套餐账号封号的行为多么变态，开发者们还是前仆后继注册账号使用 Claude。真的是：A 厂虐我千百遍，我待 A 厂如初恋。

再说产品

你看 Anthropic 过去这一年做了什么——

2025 年推出 Claude Code，直接引爆了 AI 编程的浪潮。时至今日，AI 编程已经成为了软件开发的主流。估计再过一两年，AI 编程将彻底取代人类的程序员。

然后今年一月，推出 Claude Cowork，把智能体从命令行搬到了桌面。它能直接操作你的文件系统，管理你的项目，像一个真正的数字同事。

三月，又放出 Claude Dispatch。你在手机上给 Claude 发一条消息，它就在你电脑上把活干了。等你回到电脑前，工作已经完成了。再加上 Computer Use——直接控制桌面应用，点击、输入、切换窗口，什么都能做。

图03: Claude Dispatch

你把这条产品线串起来看：Claude Code、Cowork、Dispatch、Computer Use。这是一套完整的 Agent 生态，从代码到桌面到移动端到自动化，全打通了。

然后是 OpenClaw。小龙虾今年年初横空出世之后，所有人都看明白了：智能体就是未来啊。

OpenAI 当然也意识到了。二月份他们把 OpenClaw 的创始人 Peter Steinberger 挖了过去，这确实是一步好棋。Codex 桌面端也在加速迭代，开始支持 OpenClaw，动作是有的。

但问题是，Agent 生态跟单个产品不一样。模型可以追，功能可以抄，但生态一旦建立起来，开发者的工作流、插件、习惯全绑定了，迁移成本极高。Anthropic 在这个方向上已经跑了一年多，OpenAI 现在才开始集中资源追，要追上恐怕还是很难的。

OpenAI 的战略转向

所以你现在再看 OpenAI 最近这一系列动作，逻辑就很清楚了。

• ChatGPT 桌面端、Codex、浏览器 Atlas 合并成一个超级应用，集中到一个入口。

• 产品部门改名叫「AGI Deployment」——AGI 部署。

• AI 安全团队交给了首席研究官，信息安全团队交给了总裁。Altman 亲自跑融资、供应链、建数据中心。

• 下一代模型 Spud 也已经完成了预训练。Altman 说这是一个”非常非常强的模型”，几周内就会推出。

OpenAI 还有 IPO 的压力。上个月刚融了一千一百亿美元，估值七千三百亿，最早今年第四季度就要上市。这个节点上，产品线必须讲一个性感的故事。Sora 这个下载量暴跌、版权麻烦不断、累计收入才一百多万的视频 App，显然是要甩掉的包袱。

砍 Sora、合并产品、改名 AGI 部署、All in 下一代模型——所有动作指向同一个方向：OpenAI 在 IPO 之前做了一次残酷但理性的瘦身。

OpenAI 能雄起吗？

在我们开发者社区里，在 OpenClaw 小龙虾用户群里，大家心里都清楚：目前最好的模型是 Claude，最酷的智能体产品也是 Anthropic 做的。

但 Anthropic 这家公司吧，它有点像苹果。产品确实好，但是太封闭了。动不动就封号，政策说变就变，对用户真的不太友好。

所以，我非常期待有一家公司，能在 Agent 这个方向上跟 Anthropic 正面刚，但是做得更开放、对开发者更友好。

OpenAI 是最有希望的。它的问题从来不是缺技术、缺资源、缺人才，而是过去一年摊子铺得太大，精力太分散。什么都想做，结果在最关键的战场上慢了。

现在砍掉 Sora，收缩战线，算是迷途知返吧。

2026 年，如果 OpenAI 真的能把所有资源砸到模型和 Agent 上，跟 Anthropic 贴身肉搏，那才是我们最想看到的局面。因为只有真正的竞争，才能逼出更好的产品。最终受益的，还是我们这些用户。

想交流、提问讨论，加入公开社群: 「范凯说 AI 公开社群」；
深度内容与系统学习，见会员社群：「范凯说 AI 会员社群」。

今天和一个老朋友打了很长时间电话。他是 20 年前跟我在 JavaEye 一起创业的合作伙伴，也是我合作过的代码水平最高的程序员，没有之一。他写的代码既简洁又高效，堪称 Code Cow。

JavaEye 卖掉之后，他先去育碧游戏干了一段时间，后来和纯银一起合作创业做了「禅游记」，又合作了几个项目。再后来他移民到了日本东京，到现在已经八年多了。移民之后主要远程工作，是 Nervos 公链的主力开发者。

他的 GitHub 地址：https://github.com/quake

他告诉我，最近几个月他已经完全不手写代码了，全部用 AI 写。

我看了他的 GitHub 提交记录。过去这些年，他每年大概提交 1000 多次，差不多平均每天 3 次。他至今还在开发一线，是非常活跃的程序员。

但 2026 年至今，不到 3 个月时间，他已经提交了将近 1000 次。也就是说，用上 AI 编程之后，他的代码提交频率是去年的 3 到 4 倍，平均一天 10 次以上。

注意，这不是一个初学者用 AI 凑代码。这是一个顶尖程序员，用 AI 把自己的产出放大了三四倍。这个效率提升是非常恐怖的。

我们聊到 AI 编程的现状，他说现在感觉还差最后一公里——验收环节还没有被完全解决。但大家都在摸索方法，我估计一两年之内会彻底解决这个问题。到那个时候，真的不需要人去手写代码了。

对于我们个体创业者来说，这其实是个巨大的好消息。

你不需要自己去写代码、学编程。当然不是说完全没有学习成本——你还是要懂逻辑架构，知道一个软件应该怎么构建。但实实在在地说，最大的编程门槛已经被彻底拆掉了，这毫无疑问。

对于程序员来说，我觉得面临两个非常大的职业转变：

第一，工作方式必须切换。 如果你不能把软件开发的流程切换到基于 AI 的工作方式上，一两年之内几乎必然被淘汰。这不是危言耸听——当顶尖程序员的效率已经翻了三四倍，你还在手写代码，差距只会越来越大。

第二，角色定位必须转变。 过去是 Coder，写代码就行。但未来程序员真的要从 Coder 变成 Builder——你不只是写代码，你是从零开始构建一个完整的软件产品、一个数字化的交付物。工作方式、工作思维、工作思路都在发生天翻地覆的变化。

回到我们 OPC（一人公司）个体创业者的视角：最顶尖的程序员，效率是过去的三到四倍。那对于我们来说，如果能熟练使用 AI 工具，而且思维方式能快速转变过来，一个人的效率完全可以顶上过去三到五个人的团队。

这就是 AI 时代给个体创业者带来的最大红利。门槛在降低，杠杆在放大。关键就看你能不能抓住这个窗口期，把自己的工作方式彻底升级。

我为什么做这件事

1998 年，我大学毕业。那一年，大多数同学的选择是国企、事业单位、或者去一家稳稳当当的大公司，而我选了互联网创业。那时候没人说得清互联网会变成什么，但我觉得这件事会改变一切。事实证明，我赌对了——中国互联网的那波浪潮，让我成为了时代的受益者。

现在是 2026 年，我感觉到了同样的气息。只是这一次，速度更快，影响更深，留给普通人思考的时间更少。

这周 Meta 宣布计划裁员 20%，不是因为公司亏钱，而是因为 AI 够用了，不需要那么多人了。Zuckerberg 最近谈到马斯克当年砍掉 Twitter 80% 员工的事，他说：“有很多老板也认为那些是好的改变，但他们可能有点不好意思去做。” 言下之意：马斯克只是第一个说出来的，后面还有一大批。这不是危言耸听，它正在发生。

但我今天想说的不是恐惧，而是：这是一个和 1998 年一样的窗口期。 那时候少数人看到了互联网的机会，早早入场成为时代的受益者；其他大多数人晚了几年，进来的时候红利已经被吃得差不多了。

现在，AI 时代的窗口正在打开。不同的是，这次最大的机会不在大厂里，不在 C 端的流量争夺里——而在每一个有行业积累、有真实 know-how 的个体身上。 两三个人的小团队，借助 AI，能完成过去几十人才能做的事。这不是未来，这已经在发生了。

我把这类人叫做 OPC——One Person Company，超级个体。

我自己，就是一个正在探索 OPC 这条路的人。「范凯说 AI」从第一期直播到现在，我一个人在做：选题、搜集、写脚本、录制、推广、社群运营……AI 是我的协作者，OpenClaw 是我的工作台。这条路我还没有完全走通，有跑顺的地方，也有踩坑的地方，有想清楚的事，也有还没想明白的事。但我知道一件事：这条路不应该一个人走。

所以我建了这个社群。不是来当老师的，也不是来卖课的，而是想找到一批同样想走 OPC 这条路的人，大家一起往前走。

进来你能得到什么

① 会员专属深度内容
比公开内容更深的趋势判断、更完整的实操细节。
不在 YouTube，不在公众号，只在会员区。

② 每周会员直播答疑
每周日晚 8 点到 8:30，会员优先提问，我集中回答。
不是泛泛而谈，是针对你的具体情况给方向。

③ 会员专属讨论区
一个安静的 Telegram 群。
提问、交流、分享实践——我会优先在这里回应。

④ 真实经验的持续分享
这条可能是很多人最想要的——
我会把我走这条路上的真实经历，成功的和失败的，都讲出来。
不是只展示漂亮的结果，也说踩过的坑。

第一批内容，进来就能看到

《小龙虾的模型组合》
用什么模型配什么模型，怎么组合效果最好、最省 Token——
我的真实配置全公开，不是理论，是我每天在用的方案。

关于会员限额

这一期，我只开 50 个名额。

不是噱头。社群早期的质量，取决于第一批进来的人。50 个人，我才有精力认识每一个成员，认真回答每一个问题。满了就暂停招募。后续如果持续做好，价格可能会涨。

价格

方案价格

• 月付$19.9/月

• 季付$54.9/季

• 年付$199.9/年

月付 $19.9，一份 ChatGPT Plus 的钱。获得最前沿的 AI 认知、实践和经验分享。

怎么加入

👉 im.page/fankaishuoai

选择订阅方案，完成支付，直接进入会员 Telegram 频道和讨论群。支持信用卡、借记卡、Apple Pay、Google Pay。遇到支付问题联系 Telegram 客服：@fankaishuoai888

视频01: 如何支付，如何加入Telegram社群

如果你也想在 AI 时代找到自己的位置，如果你也想把 OPC 这条路走出来——

来，我们一起走。

👉 加入「范凯说 AI」会员

💬 免费公开群：https://t.me/fankaishuoai