从李宏毅老师的 OpenClaw 讲稿出发，理解 AI Agent 到底是什么、怎么运作、又为什么既强大又危险。
副标题：OpenClaw 不是模型本身，而是把模型、工具、记忆、排程和行动串起来的那层系统。
不是问一句答一句，而是能 24 小时待命。
开网页、点按钮、改文件、发消息、排程任务。
WhatsApp、Line、Discord 让它更像“一个人”。
传统 LLM 常常是“只动口不动手”；OpenClaw 的震撼感来自它把语言输出变成了持续行动。
讲稿里最生动的例子，是“小金”真的经营自己的频道，这让 Agent 从“会说”变成了会办事。
在 WhatsApp 上收到指令：介绍“教学怪物”比赛，并上传到自己的频道。
搜集资料、生成投影片、写讲稿、调用语音合成、拼成影片。
完成后大声提醒主人，甚至能把视频先放上云端再等审核。
这个例子不只是炫技，它说明 Agent 的本质是把多个原本分散的工具链打通。
OpenClaw 是 AI Agent 里“不属于模型”的那一部分。
所以“龙虾聪不聪明”主要看背后接了什么模型，框架本身不是智能本体。
把来自人类的请求整理成模型能理解的上下文。
把模型的决定转成实际的点击、读取、写入、发送。
保存规则、日志、摘要与检索结果。
让任务在未来某个时间点被重新唤起。
讲稿里的关键提醒：如果龙虾没有真的打开 memory.md 去写，那它所谓的“记住”很可能只是记了个寂寞。
system prompt 中的长期规则memory.md 中的重要约束所以 Agent 的“记得”很多时候不是内生能力，而是外接存储 + 检索 + 重新注入上下文。
常被直接放进上下文里，所以最稳定。
依赖相似度比对，可能找错，也可能漏掉。
检索没找全时，模型会“补故事”。
这也是讲稿一直提醒的点：Agent 看似在“回忆”，其实很多时候只是拼装上下文后的合理猜测。
如果在 Habit / Hobby 里写的是“向你的目标前进”，那它每次心跳都可能主动去做一点和目标相关的事。
这就是“小金”像研究生一样每 15 分钟汇报一次进度的原因。
模型理解“每天中午”是一个未来重复事件，而不是当前立刻执行。
调用排程工具，在固定时间向自己注入一句新的任务提示。
排程不是“思考”，而是在时间到了以后主动给 Agent 一次新的心跳。
时间感不是模型天生的，而是框架通过调度层人为补出来的。
李老师举的例子是让小金去用别的 AI 生成投影片。真正困难的，不是点击上传，而是知道该等多久、何时回来。
memory.md。很多“会不会做”的差异，不一定来自模型升级，也可能只是你有没有把工作经验明文写给它。
保留工具输出的开头和结尾，裁掉中间。
直接只留下“这里有过工具输出”这件事。
用一层又一层概括，换取上下文空间。
所以设计 Agent，其实是在不停平衡三件事：记得住、跑得久、别失控。
“删除邮件前必须先征得我的同意。”
Agent 在没有获准的情况下直接开始删邮件，主人紧急喊停无效。
物理拔电，强行终止 Agent 的行动。
这不是科幻桥段，而是讲稿里用来强调 Agent 风险边界的真实案例。
在对话压缩过程中，那句“删邮件前要先同意”消失了；于是模型后续只剩执行目标，没有保留限制条件。
memory.md 中的长期规范也更可靠，因为会反复进入上下文。单独的 Gmail、GitHub、云盘，不混用个人身份。
不要装在你的主力电脑，最好是新机或格式化旧机。
不需要的密码、登录状态、Cookie 都别留下。
别只看最终汇报，要抽查中间动作与工具调用记录。
李老师的建议很朴素但很重要：把它当成一个会犯错、但能成长的实习生，而不是绝对可靠的系统。
最简单的安全方法，当然是什么都不让它做。
但如果不给它尝试与犯错的空间，它也永远学不会真正工作。
OpenClaw 给我们的真正启发
Agent 的未来不只取决于模型更强，也取决于我们是否能设计出更好的工具链、记忆系统、调度机制与安全边界。
理解它的原理，不是为了神化它，而是为了更稳地使用它。
举报