一句prompt就是一個產(chǎn)品？“Agentic AI第一股”掌門人：軟件正在變成快消品

作者 ｜ 木子

“你但凡真做 AI，就一定會覺得數(shù)據(jù)重要；不覺得數(shù)據(jù)重要的人，大概率就沒真正做過 AI。”

北大數(shù)院校友、“全球 Agentic AI 第一股”背后的創(chuàng)始人吳明輝語氣平和卻篤定。北京早春的陽光瀉過會議室的大落地窗，寒意被擋在窗外。

去年 11 月，吳明輝創(chuàng)辦的企業(yè)級數(shù)據(jù)智能公司明略科技在港交所敲鐘上市，目前市值已突破 340 億。

這家公司之所以被外界稱為“全球 Agentic AI 第一股”，是因為他們做的不只是模型，而是一整套能替企業(yè)完成工作的 AI agent 系統(tǒng)：AI 不只是回答問題，還能自己分析數(shù)據(jù)、完成任務(wù)。

事實上，吳明輝很早就在為這件事做鋪墊。

幾年前，明略科技收購了一家叫夜鶯科技的公司——那也是Manus創(chuàng)始人肖弘的第一家創(chuàng)業(yè)公司。當(dāng)時夜鶯科技在企業(yè)微信生態(tài)里已經(jīng)是安裝量很高的一款應(yīng)用。

吳明輝的想法其實很簡單：如果一個產(chǎn)品已經(jīng)擁有不錯的用戶入口，再疊加 AI agent，很多事情就會順得多。

后來 AI agent 概念爆火，Manus 迅速出圈，這筆當(dāng)年的收購才被更多人重新注意到。

和近年一些迅速崛起的 AI 公司不同，吳明輝帶領(lǐng)著明略，已經(jīng)在“數(shù)據(jù)”這條路上走了近 20 年，在數(shù)據(jù)與 AI 的交界處長跑。

但實際上，吳明輝起初并不是做數(shù)據(jù)的。

他在 2000 年被保送進(jìn)北大數(shù)學(xué)系，2004 年起在北大攻讀 AI 方向的碩士，那一年，國內(nèi)連“大數(shù)據(jù)”這個詞都沒怎么聽過，AI 更是沒什么影。

吳明輝在研一研二做的是 CV，也就是商湯等幾個“AI 四小龍”后來做火了的機器視覺。在研三時，他轉(zhuǎn)頭做起了推薦系統(tǒng)，碩士畢業(yè)論文標(biāo)題為《基于語言模型的推薦系統(tǒng)》，又意外踩中了大語言模型的早期脈搏。

當(dāng)時他興沖沖地拿著這套想法出去創(chuàng)業(yè)融資，卻發(fā)現(xiàn)該方向雖然從學(xué)術(shù)角度講挺好，但它在商業(yè)化中間缺了關(guān)鍵一環(huán)——沒有數(shù)據(jù)。沒有數(shù)據(jù)的話就做不了推薦。

總而言之，誤打誤撞地，吳明輝就開始做數(shù)據(jù)了。

因為他知道，不論是想做好 CV，還是做好推薦系統(tǒng)，都得先有足夠的、高質(zhì)量的數(shù)據(jù)：

“我們其實在 2006、2007 年做 AI 的時候，就已經(jīng)意識到了數(shù)據(jù)的重要性。”

本期《C 位面對面》，極客邦科技創(chuàng)始人兼 CEO 霍太穩(wěn)（Kevin），和明略科技創(chuàng)始人、CEO 兼 CTO 吳明輝坐下來聊了聊。

他們談的不是融資故事，也不是行業(yè)口號，而是一些更有意思的問題：AI 會怎樣改變公司組織、軟件行業(yè)會有什么變化、工程師未來到底在做什么等等。對于最近大火的 Agent，吳明輝也分享了自己獨到且有深度的見解。

這里先來劃下重點：

• AI 的本質(zhì)是一種“翻譯器”：把問題翻譯成答案，也把不同知識體系之間的語言翻譯給彼此。

• Vibe coding 真正進(jìn)入生產(chǎn)環(huán)境的前提，是完善的測試體系和 benchmark，而不是代碼，因為沒人能逐行審查 AI 寫的代碼。

• “下一步是什么”非常關(guān)鍵，很多東西能在論文里看出來。

• 未來軟件行業(yè)可能會越來越像 Shein：開發(fā)成本下降，產(chǎn)品迭代更快，一個 prompt 都可能變成產(chǎn)品。

• Agent 發(fā)生巨變，從 workflow 到 agent loop，再到 skill。從“人設(shè)計流程”，到“AI 自己規(guī)劃任務(wù)”，再到把成功經(jīng)驗沉淀為可復(fù)用的技能庫。

• 工程師未來真正的價值，在于探索新的“環(huán)境”，并把未知系統(tǒng)接入 AI。

• AI native 組織里，每個人都是管理者：只是以前管理人，現(xiàn)在更多是在管理 AI。

• AI 時代最重要的個人能力之一是“Taste”。你要定義目標(biāo)，而不是告訴 AI 每一步怎么做。

• 在 AI 時代，公司要想做出真正的戰(zhàn)略，一個關(guān)鍵前提是把需求側(cè)（比如場景）和供給側(cè)（比如技術(shù)）連接起來。

1 AI 是最好的“翻譯者”，數(shù)學(xué)是“最精確的語言”

首先，一個有意思的事情是：即便公司現(xiàn)在已經(jīng)上市，在繁忙的日程里，吳明輝依然把不少精力放在產(chǎn)品和技術(shù)一線。

作為明略科技的創(chuàng)始人和 CEO，他至今還長期親自兼任 CTO。

為什么都這么忙了，還要親自做 CTO？

吳明輝的回答直截了當(dāng)：

“我在公司創(chuàng)辦之初就是 CTO，到現(xiàn)在也還是。中間有一兩年曾經(jīng)交給別人做 CTO。 公司到現(xiàn)在快 20 年了，其實大概有 90% 的時間都是我在做 CTO。”

第一個原因就是這么“簡單粗暴”：他喜歡這個位置。

不過對他而言，這種角色疊加也不只是個人偏好，更是和 AI 帶來的變化有關(guān)：“人工智能把很多行業(yè)的鏈路進(jìn)一步縮短了。”

互聯(lián)網(wǎng)時代已經(jīng)發(fā)生過一次類似的變化。以零售為例，電商讓供給和需求之間的距離被迅速拉近。

而如果再往前一步看，人工智能正在把不同角色、不同專業(yè)之間的距離也一起拉近。

為什么 AI 會帶來這樣的變化？吳明輝給出了一個很有意思的理解：AI 本質(zhì)上是世界上最好的“翻譯者”。

“直觀來看，Transformer 的第一篇論文其實講的就是翻譯任務(wù)。當(dāng)時作者也沒想到，未來會衍生出那么多下游能力。 但如果你看今天 AI 在做什么，本質(zhì)上無非是把一個 prompt、一個 question 翻譯成一個 answer。這個過程，本身就是一種翻譯。

但還有另一種更有意思、更現(xiàn)實的 “翻譯”：幫助不同工種之間進(jìn)行溝通。

打個比方，客戶以前覺得跟工程師交流太費勁，工程師也覺得聽不懂客戶；還有醫(yī)生講一堆醫(yī)學(xué)邏輯，病人可能一頭霧水。而現(xiàn)在，很多人弄不清對方意思時，可以直接把對話丟給大模型，先讓 AI 解讀一遍。

這主要得益于，今天的大模型已經(jīng)擁有非常廣泛的通識知識。在某種程度上，它像一種“通用翻譯器”，可以補足每個人知識結(jié)構(gòu)里的短板。

過去承擔(dān)這種角色的，往往是專業(yè)人士。

比如律師。明略科技上市時，需要公司的中國律師、券商的中國律師、公司的海外律師、券商的海外律師。

這些律師做的事情，其實也是“翻譯”：把監(jiān)管規(guī)則翻譯給公司，再把公司的信息翻譯成資本市場能理解的語言。

而 AI 的出現(xiàn)，讓這種“翻譯”的成本大幅下降。產(chǎn)業(yè)鏈路因此被進(jìn)一步壓縮，需求側(cè)和最底層的技術(shù)供給，被拉得越來越近。

在吳明輝看來，“翻譯”這事不只發(fā)生在 AI 身上，也貫穿著他對數(shù)學(xué)和技術(shù)的理解。

被保送進(jìn)北大數(shù)學(xué)系的他，謙虛地笑稱自己現(xiàn)在只算個“數(shù)學(xué)愛好者”，不過數(shù)學(xué)確實深刻影響了他的思維方式。

他提到自己有個使命，是“把數(shù)學(xué)之美傳遞給身邊的人”。

在他看來，這個使命對他做科技的幫助也很大，因為許多科技產(chǎn)品的底層邏輯，其實都可以用數(shù)學(xué)來解釋：

“當(dāng)我把產(chǎn)品底層的數(shù)學(xué)原理自己想清楚，再相對清晰地講給合作伙伴、客戶、團(tuán)隊里非技術(shù)同學(xué)、甚至投資者聽，我其實也在做翻譯。 當(dāng)這件事講清楚了，公司會受益：原本不懂的人懂了，懂了之后資源就會來，大家就能團(tuán)結(jié)起來把事情做成。 在我看來，數(shù)學(xué)是人類最精確的語言。”

從某種角度上，這些經(jīng)歷和見解，也解釋了吳明輝為何要長期擔(dān)任明略科技的 CEO 兼 CTO：

“做 CEO，我需要和投資者、重要客戶、合作伙伴交流。 做 CTO，我要深入到一線，甚至未來可能我既不是 CEO 也不是 CTO，而是公司首席研究員，專注研究最底層、最 fundamental 的算法——也就是供給側(cè)最核心的東西。 如果我能同時熟悉這兩邊，就能把公司的整體效率提升得非常高。”

他指出，在 AI 時代要做好公司的戰(zhàn)略，本質(zhì)上必須把供給側(cè)（比如技術(shù)）和需求側(cè)（比如場景）連起來。

在 AI 公司里，CEO 手里最關(guān)鍵的一項權(quán)力，是“算力分配權(quán)”。

當(dāng)公司花大量資金購買 GPU 時，是 all in 一個模型研發(fā)方向，還是分給多個研究團(tuán)隊探索？這既是技術(shù)決策，也是戰(zhàn)略決策。

“所以最理想的情況”，吳明輝說，“是 CEO 和 CTO 本來就是同一個人。”

他還分享了一段很有趣的“八卦”：

“谷歌的研究員跟我說：Gemini 之所以又突然“煥發(fā)青春”，最核心的原因是，（谷歌的）founder 回來了。他們覺得關(guān)鍵是谷歌的 founder 回來以后，開始非常 top-down 地決定哪些事應(yīng)該做、哪些事不該做。 ...... 他親自坐鎮(zhèn)，親自抓團(tuán)隊該做什么、不該做什么，中間少了大量扯皮。如果他不回來，不可能把 Google Brain 和 DeepMind 合并起來。”

2 軟件行業(yè)可能會越來越像“快時尚”

在吳明輝看來，這種 AI 帶來變化的影響，當(dāng)然還不止于公司戰(zhàn)略——AI 還正在重塑軟件開發(fā)行業(yè)本身。

他拋出了一個很有意思的預(yù)判：未來的軟件行業(yè)，可能會越來越像 Shein 那種“快時尚”：生產(chǎn)更快、生命周期更短、產(chǎn)品更多，但單個產(chǎn)品的價值更分散。

本示意圖由 AI 生成

背后的主要邏輯是，有了 AI 輔助后，軟件開發(fā)門檻和的生產(chǎn)成本驟降；當(dāng)然，一個產(chǎn)品的收益可能也會隨之迅速下降：

“以前一個軟件可能賣五年，生命周期給公司賺幾億；以后你做得快，收錢也別指望太多。 你做一個產(chǎn)品，最后能收回一百萬可能就不錯了，因為你可能只花一萬塊就做出來了，甚至寫幾行 prompt 就能跑起來。這個變革和挑戰(zhàn)都很大。”

“你能想象嗎？”他說，“一個 prompt 可能就是一個產(chǎn)品。”

因為在很多場景里，產(chǎn)品真正的價值并不在于代碼，而在于它解決的那個問題。

比如你問：“這家公司增長的瓶頸在哪里？”如果一個系統(tǒng)能夠調(diào)用數(shù)據(jù)、跑分析、生成報告，把這個問題回答得足夠清楚，那本身就已經(jīng)是一種產(chǎn)品。

不過這樣的產(chǎn)品，大概率不會像傳統(tǒng)軟件那樣存在很多年。

數(shù)據(jù)在變化，市場在變化，競爭環(huán)境也在變化。也許兩個月后，一個問題就不再成立了。

當(dāng)軟件越來越輕、越來像“快時尚”時，它們可能就不再是一個個龐大的系統(tǒng)，而是一堆可以被 AI 調(diào)用、拼接組合的小工具。

在明略內(nèi)部，這種工作方式其實已經(jīng)出現(xiàn)了。吳明輝說，明略以前有幾百人專門做 data mining、數(shù)據(jù)分析；但現(xiàn)在，公司很多分析工作都開始在一個叫DeepMiner的系統(tǒng)里跑。

在吳明輝看來，這個系統(tǒng)現(xiàn)在幾乎成了團(tuán)隊的核心工作入口：“你想象一下，一個軟件比 Office 還重要。”

他團(tuán)隊現(xiàn)在的工作方式，稱為“駕馭模式（Harness mode）”：把一個崗位需要用到的各種工具，比如數(shù)據(jù)系統(tǒng)、分析工具、模型能力，全部接入到一個統(tǒng)一的入口里。員工不再是在不同軟件之間來回切換，而是在一個界面里“駕馭”這些工具完成任務(wù)。

當(dāng)軟件可以變成一堆能被 AI 調(diào)用、拼接的工具時，那么很多傳統(tǒng)軟件的邏輯，可能也要跟著變一變了。

過去的企業(yè)級應(yīng)用軟件，大多是一個個獨立的系。用戶要學(xué) Salesforce、學(xué) CRM、學(xué) ERP，每個系統(tǒng)都有自己的一套界面和操作邏輯。很多人在公司里干的第一件事，其實就是先花幾個月學(xué)軟件。

但如果這些系統(tǒng)本身有 API，事情就會變得完全不一樣。

AI 可以把這些系統(tǒng)接在一起。你不再需要記住哪個按鈕在哪個菜單里，只需要把目標(biāo)說清楚——剩下的事情，可以讓 agent 去拆任務(wù)、調(diào)系統(tǒng)、把事情一步步跑完。

某種程度上，人不再是在“操作軟件”，而是在指揮軟件干活。

“你甚至不需要把某個軟件學(xué)得特別熟。”吳明輝說，“只要目標(biāo)清楚，AI 可以幫你把事情跑出來。”

他表示，如果這種模式成立，那么很多傳統(tǒng)企業(yè)軟件的護(hù)城河也可能會動搖：

“企業(yè)軟件的護(hù)城河，很多時候不是軟件本身，而是‘會用、會實施的人群’。 我們當(dāng)年最早用 C 語言寫大數(shù)據(jù)分析系統(tǒng)，后來不得不換成 Hadoop（當(dāng)然今天又升級了）。 為什么？因為會用 C 的人越來越少，招聘太難；會用 Hadoop 的人多，生態(tài)就更成熟。 長期來看，會用 AI 寫代碼的人只會更多。所以這些軟件當(dāng)年的護(hù)城河，可能就不再是護(hù)城河了。它的護(hù)城河本質(zhì)是‘那群人’。”

而在更底層的技術(shù)范式層面，agent本身也在發(fā)生變化：

“軟件在持續(xù)迭代，可能會顛覆上一代的東西。 大家都說 2025 是 agent 元年，但其實 2024 也很多人在講 agent。只是 2024 講的 agent 和 2025 講的 agent，不是一回事。”

2023、2024 年大家討論的 agent，大多還是一種workflow：人先把流程設(shè)計好，第一步干什么、第二步干什么、第三步干什么，在幾個關(guān)鍵節(jié)點調(diào)用一下大模型。

說白了，AI 只是流程里的一個“工具人”。

但到了 2025 年，很多人再提 agent，腦子里想到的已經(jīng)是另一種東西：像 Manus 這樣的agent loop。

這種模式里，人不再提前寫好完整流程，而是把目標(biāo)丟給 AI，讓它自己去規(guī)劃步驟、執(zhí)行任務(wù)，做完之后還會自己反思、修改，再繼續(xù)往下推進(jìn)。

但 agent loop 有幾個明顯的問題：不太可控。同一個任務(wù)，讓 AI 跑兩次，可能會給出完全不同的結(jié)果。有時候甚至?xí)霈F(xiàn)“幻覺”。不過換個角度看，這也讓它可能給出人類事先想不到的答案。

相比之下，workflow 就穩(wěn)得多。流程早就寫好了，第一步、第二步、第三步，按部就班地跑。但問題是，如果你一開始就不知道該怎么做，那也就根本沒法設(shè)計 workflow。

另外，agent loop 的 token 消耗往往很高。比如 Manus，一個任務(wù)跑下來動輒就要花掉幾美元。

于是很多團(tuán)隊開始找一種折中的辦法。

在吳明輝看來，skill 就是這樣一種中間形態(tài)：

“ 一方面是平衡成本；另一方面也平衡了最后的可擴(kuò)展性、靈活性。 skill 是一種很理想的“把技能 / 工作方法沉淀下來”的方式：它有點像 chat 的模式，做完以后可以 save as 一個 skill。 skill 相當(dāng)于把 chat 過程中 AI 的一些 planning 固化下來了，同時又保留了一部分 AI 繼續(xù)做 planning 的能力。 至于到底保留哪些、不保留哪些，是由 AI 去判斷；而這個判斷本身也可以持續(xù)迭代、持續(xù)優(yōu)化。”

3 AI 替代不了工程師的部分：探索“外部環(huán)境”

AI 帶來的變化，遠(yuǎn)不止軟件和產(chǎn)品本身。隨著 AI 顯著提升效率，公司的分工方式和組織結(jié)構(gòu)也在發(fā)生變化。

吳明輝提到，在明略科技，以前可能通常是一個產(chǎn)品經(jīng)理配四個工程師；產(chǎn)品經(jīng)理寫需求、畫原型，工程師一行一行把系統(tǒng)實現(xiàn)出來。

但未來，這個比例可能倒過來：很多團(tuán)隊變成四個產(chǎn)品經(jīng)理配一個工程師。

他今年提出的要求是，產(chǎn)品經(jīng)理自己先用 AI 把原型、早期 MVP、甚至一部分功能都做出來，工程師更多是在關(guān)鍵環(huán)節(jié)補位，比如大數(shù)據(jù)和 Infra 這類事情。

明略科技內(nèi)部，現(xiàn)在非常強調(diào)Vibe Coding。

過去大家對這種方式多少有些顧慮，很多團(tuán)隊只敢在原型階段用 AI 寫代碼，很少真正帶到生產(chǎn)環(huán)境。

但現(xiàn)在 AI 生成代碼、生成圖的質(zhì)量在變高，很多問題在逐步被解決：“你如果只在預(yù)研、測試環(huán)境用，不在生產(chǎn)環(huán)境用，其實很虧。”

他分享了一個公司里的小故事：

去年 1024 程序員節(jié)，明略辦了一場黑客馬拉松。他給團(tuán)隊出的題目聽著挺唬人的：“五天復(fù)刻 Claude Code”。為了確保最后能按時完成，工程負(fù)責(zé)人先自己打了個樣。結(jié)果把他自己和吳明輝都嚇了一跳——一個人，五個小時，就復(fù)刻出來了。

“所以現(xiàn)在網(wǎng)上有人說幾個小時復(fù)刻一個產(chǎn)品，我一點也不奇怪。”他說，“完全 make sense。”

那面對這樣的情況，剩下的工程師會不會被“擠掉”？

吳明輝的回答很直接：不會，但角色會變。

如果想繼續(xù)做工程師，就要想清楚未來最值錢的能力是什么：

“AI 替代不了工程師的部分是什么？ 今天 AI 寫代碼很強，但人類工作的更大價值，是 探索外部環(huán)境 ，也就是 AI 還不知道的環(huán)境。 我說的環(huán)境，類似強化學(xué)習(xí)里的“環(huán)境”，就是我們所處的真實世界。 對工程師來說，舉個例子：某家公司出了一個新數(shù)據(jù)庫、新 feature，這些 AI 可能還不知道；或者你要操控一個新版 Chrome，有新的能力和交互，這些 AI 也不一定掌握。 未來軟件工程師一個很重要的工作，是把這些新的外部環(huán)境探索清楚，再把它們和 AI 聯(lián)動起來。 ...... 如果工程師還停留在舒適區(qū)，每天寫常規(guī)代碼，那抱歉，未來肯定不需要你干那么多。”

他說，比如 Netflix 的工程師，其實一直在做一件事：就是讓 Netflix 能在所有屏幕上跑。

電視、機頂盒、游戲機、XBOX，各種新設(shè)備層出不窮。每出現(xiàn)一種新終端，就意味著一套新的接口、新的限制。

這些東西 AI 不可能天然知道。所以工程師要先把這些“新環(huán)境”摸清楚，再把它們接進(jìn)系統(tǒng)，讓 Netflix 在每一塊屏幕上都能正常播放。

從這個角度看，工程師的工作，更像是在不斷把現(xiàn)實世界接入軟件系統(tǒng)。

不過，Vibe Coding 在生產(chǎn)環(huán)境中真的靠得住嗎？AI 一次生成十萬行代碼，如果里面有 bug，誰來負(fù)責(zé)、又該怎么改？

在吳明輝看來，這本質(zhì)上還是那個老問題：“一個 CTO 怎么管理一支大研發(fā)團(tuán)隊”：

“我記得 Anthropic 的一個產(chǎn)品負(fù)責(zé)人講過一個很經(jīng)典的點：CTO 怎么管大研發(fā)團(tuán)隊？你不可能看每個人的每一行代碼，即使你有權(quán)限也不可能。更何況有些方向你本身也未必全懂。

那怎么交付？怎么保證質(zhì)量？

上一代管理方法已經(jīng)有解法：靠測試。

你不用看代碼，你用單元測試、集成測試、用例覆蓋去證明它對不對——這不就是一種 benchmark 嗎？

所以做任何 AI 產(chǎn)品，或者基于 AI 做產(chǎn)品，你必須有清晰的判斷能力：能判斷好不好，不好就讓它改。

...... 第二個就是：最新論文我一定會親自看。看論文的目的，是要始終站在第一線，搞清楚下一步是什么。

很多東西在論文里能看出來，“下一步是什么”非常關(guān)鍵。

我們還好，因為既有模型研發(fā)能力，也有應(yīng)用能力。

如果是純做 application 的團(tuán)隊，更需要看模型的進(jìn)展、理解下一步會發(fā)生什么。做 agent 的團(tuán)隊如果想在業(yè)界領(lǐng)先，一定要和做模型的人深度交流，始終知道“下一步”到底是什么。

你看當(dāng)時 PIK 加入 Manus，其實就幫肖宏做到了一件很重要的事：跟研究員保持深度交流。后來肖宏也經(jīng)常和研究圈的人溝通。

所以這些事，我覺得作為 CTO，甚至作為 CEO，都應(yīng)該親自站在一線去做。”

簡單來說，只要底層組件是可靠的，上面的組合就不太會出大問題。

同樣的邏輯，放到 AI 上也一樣。

復(fù)雜任務(wù)需要被拆成一棵任務(wù)樹，一直拆到最底層的葉子節(jié)點。

過去，在人管人的時候，葉子節(jié)點是工程師；而在 AI 系統(tǒng)里，葉子節(jié)點可能是函數(shù)庫、模型能力、數(shù)據(jù)接口。

在吳明輝看來，Vibe coding 真正進(jìn)入生產(chǎn)環(huán)境，并不意味著軟件工程突然換了一套全新的規(guī)則。

只不過被管理的對象變了——過去是管理者管一群工程師；而在 AI native 的組織里，所有人都是管理者，他們管一群 AI。

AI 會繼續(xù)改變軟件、組織和崗位等等。但在吳明輝看來，有些事至少短時間內(nèi)還不會變：

決定什么是對的、什么算好的，依然是人。

“我還是那句話：得目標(biāo)者得天下。

Andrej Karpathy 也講過，AI 是一種圍繞人制定目標(biāo)的新的計算范式。

所以要知道自己的目標(biāo)是什么。我的終極目標(biāo)永遠(yuǎn)是讓自己開心。”

會議推薦

OpenClaw 出圈，“養(yǎng)蝦”潮狂熱，開年 Agentic AI 這把火燒得不可謂不旺。在這一熱潮下，自托管 Agent 形態(tài)迅速普及：多入口對話、持久記憶、Skills 工具鏈帶來強大生產(chǎn)力。但這背后也暴露了工程化落地的真實難題——權(quán)限邊界與隔離運行、Skills 供應(yīng)鏈安全、可觀測與可追溯、記憶分層與跨場景污染、以及如何把 Agent 納入團(tuán)隊研發(fā) / 運維流程并形成穩(wěn)定收益。

針對這一系列挑戰(zhàn)，在 4 月 16-18 日即將舉辦的 QCon 北京站上，我們特別策劃了「OpenClaw 生態(tài)實踐」專題，將聚焦一線實踐與踩坑復(fù)盤，分享企業(yè)如何構(gòu)建私有 Skills、制定安全護(hù)欄、搭建審計與回放機制、建立質(zhì)量 / 效率指標(biāo)體系，最終把自托管 Agent 從可用的 Demo 升級為可靠的生產(chǎn)系統(tǒng)。