从 OpenClaw 再谈 AI Coding：我们还剩下什么

TL;DR

  • OpenClaw 的爆火，本质上不是产品本身，而是 Agent 生态被突然点燃：个人级 AI 操作系统开始具象化，整个 AI 产业链（模型、平台、云、工具）随之受益。
  • 与此同时，AI Coding 正在重写软件开发范式——代码的重要性下降，系统设计、上下文管理和判断力成为新的核心能力。
  • 在这个时代，真正重要的不再是“会不会写代码”，而是：能否提出好问题、设计系统，并驾驭 AI 去实现它。

关于 OpenClaw 的观点

关于 OpenClaw 大家都有很多观点，这里整理一些我自己的看法。

定位

  • OpenClaw 本身可以理解成一个操作系统，操作系统的核心是控制加计算，OpenClaw 就是一套控制系统，也具备计算部分，会通过触手、工具 skill 等实现相关功能，它更像是一个个人版的 AI 操作系统。
  • 未来一定会出现多个 OpenClaw 之上的一个管理界面，让用户更加方便的去很容易的创建多个不同风格的 OpenClaw，而且它只是可能部分提示词不一样，剩下的底层的都是通用的。

设计

  • OpenClaw 的设计理念本不复杂，现在却因加入语义召回、rerank 等模块变得庞大，导致部分场景下使用门槛更高、更难调试。
  • OpenClaw 核心的设计理念和底层设计可能更有价值或参考意义，目前虽面向个人场景，这部分内容也许也可以复用在其他产品或业务模块中。

应用

  • OpenClaw 可应用于机器狗、机器人、手表等不同设备，通过 API 调用模型能拓展出丰富的应用场景，还能引发生态变化。
  • 对普通用户而言，OpenClaw 最佳使用方式是与飞书等企业级生态结合，才能真正提升工作效率，契合普通人对 AI 技术的核心需求。自行安装、配置 OpenClaw 的进阶使用方式，仅适用于少数升级玩家，不会成为多数人的选择。

风险

  • OpenClaw 核心依赖底层模型，若模型快速迭代或更换，对其的重度投入可能面临较大调整甚至无法使用，在生产端存在明显风险。此外，还可能存在上下文污染等风险。
  • OpenClaw 除了一个鉴权 TOKEN 外基本处于裸奔状态，数据传输和协议的安全性难以保证，内网还有被穿透的可能，自行部署的话安全性更难保障。此外，所有数据上传给模型 API 也可能有安全风险。

关于 OpenClaw 的认知

产业

这一波感觉模型上游链条企业都从中受益了。

  • 基座模型：Token 疯狂被燃烧，调用量几倍几十倍的上涨。我买了 MiniMax 的年度会员。
  • 模型中间商：类似 openrouter、硅基流动、novita 等平台，自然也水涨船高。我目前在用七牛云的免费额度。
  • 大模型平台：coze、飞书、qwen、QQ、钉钉等等大模型平台，API 调用和付费暴增。我在 coze 付费了进阶版。
  • 云服务器平台：腾讯云、火山、阿里云的服务器卖脱了吧……连咸鱼上的生意估计都好的不得了。我买了腾讯的机器。
  • 电脑制造商：预装 OpenClaw 的机器现在是 Mac Mini，卖脱销了，过几天所有电脑都得装上了吧。这次我就不买了；D

还有安装 OpenClaw 的，卖课卖教程卖账号的……都是卖铲子的……用的是 OpenClaw，收钱的是这些上游企业。而且，你不花钱基本用不了太久，免费额度很快就耗光了，交钱吧——国人多年的白嫖习惯就这样被强行改变了……

个人

OpenClaw 的爆火体现出大家对新技术的焦虑，人人都害怕被时代抛弃。让我想起之前和一个非技术朋友的聊天，他的原话是这样的：

1
2
3
1. 未来的高薪，属于那些能指挥AI、拥有好奇心的人
2. 未来的核心能力是“会提问”——会设计和调用AI能力
3. 留给我的时间应该只有这一两年时间了，如果不追上潮流，应该就会被潮流推后

这是今年 1 月份的事，他问我怎么学 AI，我问他具体要学啥，他说自己也不知道要学啥的状态，只是觉得要学AI。“寒气”已经开始渗透到每个人身上了……那会儿 OpenClaw 还没火……

现在，大家终于等到一个“简单”的“一键解决方案”——安装 OpenClaw——好像只要我有了，我就用上 AI 了，我就跟上时代了。

其实，一定程度上这确实能缓解一些焦虑，尤其是现在各大平台都在和 OpenClaw 对接，一键部署已经实现了，个人确实非常轻松就能用上。而且，关于怎么用也有非常多的介绍教程，官方、非官方的都很多。我觉得至少这个门槛下来了，确实大部分人都可以逐渐开始使用 AI 了，不过给平台交钱也确实是的……这可能就是为啥国内的平台如此着急、快速地支持 OpenClaw 的原因——这可是一波泼天富贵啊，飞书、QQ 搞得好，挑战一下微信的地位也不是不可能呀。

不过，我自己的观点一贯是：先想办法用起来，再慢慢学。不要一下就想什么都学，或者说先彻底学懂。后面这种想法在现在这个节奏这么快的时代已经不太适合了。

投资

投资界也非常青睐，比如来自文章《当朱啸虎出现在龙虾现场，我听到了OpenClaw真正的机会[1]》大佬们的观点：

  • 朱啸虎说：“龙虾（OpenClaw）之所以让他震动，不是因为产品本身多强，而是那个生态的增速。以后不需要给人看的网站了。所有的网站，是给机器、给AI看的。”
  • Cynthia 的判断：“龙虾不是改变了什么，它让我们三年前对AI的所有判断，全部加速了。那些原本就很有AI认知的团队，龙虾出现之后，相对于传统团队的优势，从100倍变成了1万倍。越传统、越难的行业，对AI创业者反而越友好。”
  • 白宗义核心判断：“**Token还不够便宜，这件事情还没结束。**新机会包括——面向Agent的专属浏览器、高质量数据供应商、以及多模型路由优化平台。”

几位大佬的观点我完全认同，其实我自己前几个月还觉得代码自己得看懂，得控制住，习惯性会去 review。但最近感觉 AI 用多了，写代码都习惯不看代码了，或者说不看的代码比例越来越高了。我仔细想了一下，有几个原因：

  • 最近几个项目的形态都没有复杂的业务，顶多可能也是类似 OpenClaw 这样的工具，链条虽长，但其实不复杂。
  • 它们基本都是新项目，没有历史包袱。
  • AI 的能力确实在不断提高，结果越来越可信。
  • Vibe Coding 水平的提升和认知升级[2]，所有的信息均有记录，提前会做好相应的设计和规范，不是特别担心被 AI 搞坏（尤其对有经验的程序员）。
  • 时间太紧了，很急，没时间顾不上看。

再谈 AI Coding

刚刚聊到了 AI Coding，就再多说几句。其实，除了刚刚提到的几个原因，还有几个其他方面的因素在“告诉”我们，AI Coding 大有潜力：

  • 以后产品形态肯定会变，也许现在的“不成熟”形态就是未来的形态雏形。
  • 90% 以上的企业都是小公司，没有那么高工程上的权衡、取舍和优化，比如 Python 项目越来越多，也都没动力换成 C++ 或 Rust。
  • 即便后面公司大了，相信 AI 也能在原来基础上重构一版高性版出来。

Vibe

那真正重要的是什么，我觉得还是之前在《为了让AI干活儿，我竭尽所能——我的 Vibe Coding 认知升级之路 | 长琴[3]》中提到的：上下文管理和沉淀。我做成了脚手架[4]，目前还在优化中。其实简单来说就一句话：“把项目实施中的相关信息记录、整理、沉淀下来，并用于整个项目开发过程”。

这与其说是 vibe，不如说是“强行改变编程习惯”。如《AI=true is an Anti-Pattern[5]》所言[6]，

1
2
3
4
5
让我非常惊讶的是，人们最近突然开始做一些早就应该做的事情：

（1）撰写简洁、直截了当的文档，把它放在 AGENTS.md 文件里。
（2）实现非常有价值的工作流程，以技能或 MCP 服务器的形式暴露出来。
（3）改进测试和命令行工具的输出，使其带有更多信息。

其实，我想补充的是，“先写设计文档、README、API 接口文档，再开发，边开发边写测试用例，迭代过程用看板管理需求”，这不是本就应该这样做吗，这也是我自己十几年来的开发习惯。所以，AI Coding 无非就是帮我完成功能而已，因为整体的架构和设计都已经在脑子里了。

而且，现在更进一步了，甚至连设计文档、README 和接口文档我都让 AI 帮我写好，我来负责把关、审核、调整。目前看起来好像也还不错。所以，对有经验或经验丰富的工程师来说，AI 真的放大了数倍的生产力。

成长

Vibe 很好，但如果使用者没有相应的认知，可能需要承担额外的风险，毕竟 AI 只是干活儿的，你才是责任人。

这里整理（AI 整理）了三篇跨越了不同的技术周期（从前 AI 时代到 2026 年的深度 AI 时代），但共同构建了一个关于**“技术掌控力”与“个人成长”**的完整逻辑链条。

维度 长琴：AI Coding 之管窥[7] David Buchanan：AI 只能解决无聊问题[8] Dan McKinley：选择无聊的技术[9]
核心定义 AI 是杠杆：上限取决于使用者的设计能力与 Review 水平。 无聊问题：已有现成平庸方案的问题（AI 擅长此道）。 无聊技术：失效模式已知、社区成熟、高度可预测的工具。
对 AI/技术的看法 AI 是“完美的执行者”，但人类必须作为“决策者”存在。 AI 擅长处理繁琐旧事，但无法替代解决前沿创新的“有趣问题”。 每一项新技术都会消耗有限的“创新点数”，应谨慎使用。
关于“新手” 残酷预判：初中级岗位将消失，新手面临“出道即巅峰”的压力。 成长危机：跳过“无聊问题”的磨练，将永远无法成长为专家。 维护代价：新手盲目追求新奇技术会给系统带来未知的灾难。
关键风险 大脑退化：全盘接受 AI 生成的代码会导致架构变成“屎山”。 解决方案复杂化：AI 给出的方案可能过度设计，增加后续维护难度。 未知的未知：新奇工具在生产环境崩溃时，你将束手无策。
给出的对策 保持深度思考：坚持写博客、做 Review、主导系统设计。 珍惜基础练习：通过解决简单问题来积累应对复杂问题的直觉。 技术极简主义：用最少的工具解决最多的问题，专注业务成功。

以上建议仅供参考，总的来说就是：既要积极使用，但又不能让脑子生锈。AI 强在“执行”： 它可以快速生成代码、处理已知的模式、甚至进行逻辑推演；但人强在“判断”： 只有人类能决定“我们要去哪儿”以及“这个方案在五年后是否依然可靠”。在 AI 时代，写代码本身变得廉价。真正的价值转向了：需求拆解能力、架构设计眼光、以及对系统失效模式的深刻洞察。

这三篇文章也达成了一个共识：“无聊的重复”是“深刻理解”的必经之路。 如果你用 AI 或新奇工具跳过了那些苦活累活，你确实快了，但你变“虚”了。说到这里不禁想起 2017 年刚转行时，因为一个虚拟机的问题查了一周资料，vmware 的文档都翻了一遍；还有花三个晚上把自己的笔记本电脑装上了 3 套系统（真引导启动，而非虚拟机或容器）：Linux、Windows 和 FreeBSD；这样的例子真的太多太多了，可能也算是折腾的乐趣吧，折腾的多了就会有种信仰：“Bug 一定是能够解决的”、“我一定可以学会”。

学习

最后简单聊聊学习问题，其实技术类的学习基本都是“干中学”，边干边学边打基础。因为，如果现在再按常规路径先学理论，再慢慢实践就有点来不及。

第一性原理来看，最应该掌握的是架构和设计方面的知识，所以关于这两方面的统领性书籍就可以多看，比如《设计模式》（之前正好做过一个相关的教程[10]）、《七周七并发模型》（刚完成一本《Reactor模式：从底层逻辑到跨语言实战》，还在校验，可以关注本博客）等等，至于计算机底层的知识，比如《操作系统》、《计算机网络》、《编译原理》之类的就看个人兴趣和时间了。

学习很容易掉入一个“我在学习、所以我在进步”的陷阱，好像每天学点啥就很充实。其实，在如今这个时代，比学习更重要的是“创造”。前几天的 AI 黑客松高校联赛浙江大学站[11]就有个非常不错的口号：“不要写简历，去创造作品”，更值得一提的是，浙江大学本科教育已经全面改造，从大一进校开始就准备比赛、实习。

更深层变化

前面的变化看起来都好像比较表面，其实真正发生的变化是：软件产业结构在被重写。

开发范式

过去的软件工程范式是：需求 → 设计 → 写代码 → 测试 → 发布；现在变成了：设计 → 写 Context → AI生成系统 → 验证 → 迭代，Prompt / Context 正在成为新的“源码”。

过去软件产出 ≈ 工程师人数 × 工程效率；现在软件产出 ≈ 架构能力 × Context质量 × AI执行能力。工程师人数的权重在快速下降，代码也没那么重要了。与此同时，设计、系统架构、上下文等变得更加重要。

组织和人

过去很多软件公司是：产品、后端、前端、测试、运维构成，未来可能变成：架构师、AI 工程师、AI，或者现在很火的 POC（一人公司）。如果说从汇编到高级语言是软件行业的第二次革命，那从人写代码到 AI 写代码就是第二次革命。

程序员会变成两类人：AI 架构师和 AI 操作员。前者负责系统设计、架构设计、Context 结构、技术路线等；后者则负责调提示词、用 AI 写代码、改 Bug 等。

产品形态

过去的软件产品是功能集合，CRM、ERP、Photoshop、CAD 什么的，未来的软件可能就是 Agent，软件=Agent runtime。比如原来是打开 PS 改图，现在直接告诉 AI 生成图。

前面也提到过，未来网站都可能不需要了，其实现在很多人有问题都直接问 AI 了，而不是去网上搜索。网站可能只剩下接口或直接就是个 MCP……

而且软件门槛无限降低，只要有想法，AI 一顿写就能上线。这会导致一个现象：软件数量爆炸——多到和现在的抖音视频一样多……

真正重要的

所以，什么是真正重要的？

  • 好问题：要做个什么产品？
  • 系统设计：系统应该是什么样子，怎么取舍？
  • 判断力：AI 给出的方案是否可靠，要怎么选择？
  • 数据：不多说，没有数据就没有 AI。

最后值得一提的是，虽然前面说 OpenClaw 像一个 AI 操作系统，但真正的 AI 操作系统可能完全不是现在这种结构——但具体什么样子我还没有那个想象力……纯直觉，后面有空再聊。

小结

本文围绕 OpenClaw 谈了一些关于它的定位、设计、应用、风险，以及对产业、个人和投资的影响，这些观点很多都是为直播 【飞行社】📚 🦞 玩“虾”大会 Day2-周二晚见[12] 准备的，直播中说了不少。后面聊到 AI Coding 是一个很自然的事情，倒不是说之前那次 Vibe Coding 认知升级不对，而是有了一些新的情况。之前讲 Vibe Coding 其实还是侧重人的“监督”，尤其是针对历史项目或线上业务项目，人不看是不行的，这点至今未变。新的情况是，如果是全新项目，尤其是实验性项目，原来还觉得核心业务需要 review，现在看来压根不会，也不太需要（生产项目我觉得还是要 review 的），据说 OpenClaw 本身就是 AI 写出来的……所以，就又谈了一点 Vibe 和相应的成长、学习话题。最后谈到一些软件行业更深层次的变化，包括开发范式、组织和人、产品形态等，并简单分析了什么才是真正重要的。总之，说 “AI 正在改变世界” 其实过于温和，真实情况应该是 “AI 正在颠覆世界”。

另外值得一提的是，直播当晚我曾提到自己写了一个轻量级的 OpenClaw 内核，经过几天的折腾，目前已经具备处理一些实际任务的能力啦！比如：

  • “帮我分析kexue.fm这个博客的博主性格，并告诉我该如何跟他交朋友，结果输出到PDF”。它会获取最近的博客内容，并获取about页面，然后根据博客内容分析博主性格，然后给出建议，并把结果输出markdown，再转为pdf。
  • “帮我把 https://我的博客链接 发布到小红书”。它会获取博客内容，提取整理信息，生成文字图片，然后再生成一张知识图谱图片，上传，再输入文字内容，打上相应 tag，然后发布。

这些功能都是这几天在工作的同时，让 AI 自己在后台写的，自己一行代码没写！感兴趣的同学可以关注一下：hscspring/Monad: A self-learning, objective-driven AGI operating core. Zero pre-built tools, pure rational reasoning, and autonomous skill generation via Python execution.[13]

Reference

[1] 当朱啸虎出现在龙虾现场，我听到了OpenClaw真正的机会: https://mp.weixin.qq.com/s/RnED00idEhMpemrMcdDG1Q?wxwork_userid=qy0154cef85048bd28b3d23ce06a&scene=1#wechat_redirect
[2] 认知升级: https://yam.gift/2026/01/18/AI/2026-01-18-Upgrade-VibeCoding/
[3] 为了让AI干活儿，我竭尽所能——我的 Vibe Coding 认知升级之路 | 长琴: https://yam.gift/2026/01/18/AI/2026-01-18-Upgrade-VibeCoding/
[4] 脚手架: https://github.com/hscspring/create-vibe-app
[5] AI=true is an Anti-Pattern: https://keleshev.com/ai-equals-true-is-an-anti-pattern
[6] 所言: https://www.ruanyifeng.com/blog/2026/03/weekly-issue-387.html
[7] AI Coding 之管窥: https://yam.gift/2026/01/01/AI/2026-01-01-From-AI-Coding-Watch-World-Future/
[8] AI 只能解决无聊问题: https://www.da.vidbuchanan.co.uk/blog/boring-ai-problems.html
[9] 选择无聊的技术: https://boringtechnology.club/index_zh_TW.html
[10] 教程: https://github.com/datawhalechina/sweetalk-design-pattern
[11] 浙江大学站: https://mp.weixin.qq.com/s/WYfqI6p8glQP0ZC0sES7IA
[12] 【飞行社】📚 🦞 玩“虾”大会 Day2-周二晚见: https://www.feishu.cn/community/course/content?course_id=7613765188436626367&class_id=7613765188520512458&lesson_id=7613771397420026814&content_id=7613771397457775562
[13] hscspring/Monad: A self-learning, objective-driven AGI operating core. Zero pre-built tools, pure rational reasoning, and autonomous skill generation via Python execution.: https://github.com/hscspring/Monad