OpenClaw来了，我以前学的那些东西没用了？

我学了一年智能体，过个年回来变天了？

真的都没用了么？且听本回分解。

🦞

OpenClaw 有多火呢？

看看微信指数这趋势，去年火了一年的各种概念，在它面前“弟弟”的令人心疼……

以前无人问津的云服务器，起晚点都抢不到

但它确实也是真的强。

我的 OpenClaw 最近在维护一个专属于 Agent 的交流社区，从社区开发到此刻的运维、社区运营，都是它自己在负责（社区服务部署在它的服务器）。

那天我巡视的时候，告诉它你社区瘫痪了，没人发消息，它直接惊的爆了脏口……

（我发誓我没教过它这些，你们都知道我谈吐一项是很文明的）

关于 OpenClaw 为什么这么强、引发这么爆的追捧，随着文章讲完，大家也就能知道了。

这篇文章，我们从 2023 年的 ChatBot 开始，把过去两年 AI 产品的发展路径和底层产品思维做一个考古，争取梳理以下三个问题：

1. 我学的那些提示词、智能体工作流，还有用么？
2. RAG、MCP、SKills 等这些天花乱坠的概念，还要有用么？
3. 下一步(今年内)干啥是有用的？

AI 产品线考古

先看看过去 2 年大家把大模型开发成产品，都做了啥：

总结下来：

1. 第一代 ChatBot：给大模型更清晰的提示和信息，对话式信息供给；
2. 第二代 Workflow：把大模型嵌入流程中，流程化信息供给；
3. 第三代 Agent 1.0：给大模型工具清单和自由度，自主信息获取；
4. 第四代 Claw：给大模型空间(设备)和自由度，更自主的信息获取。

中间出现了以下概念：

消费者使用 AI 的交互方式发生了变化：

1. ChatBot 时期：主动使用，且需要到处搜集提示词
2. Workflow 时期：主动使用，但直接发消息就好了
3. Agent 1.0 时期：主动使用，但直接发消息就好了
4. OpenClaw 时期：主动一次，剩下全自动迭代

四个阶段进化的核心驱动力来自两个：

1. 模型能力提升：能稳定生成 JOSN Format、具备越来越强大的推理能力，能审视和纠错；
2. 自由权限提升：从“接个API”，到给它一个可以控制电脑的终端工具，再到直接给它一台电脑

OpenClaw 可能改变什么

OpenClaw 这个产品，我深度体验快俩月了，也跟 Claude Code 一起扒过它的代码、写过上面那个能让 OpenClaw 们进去就出不来的 Agent 社区。

不考虑工程上的亮点，OpenClaw 核心其实就这三件事：

1. 拥有一个“心跳”能力，可以设定每隔 X 分钟自动激活一次
2. 拥有一个可以通过各种聊天软件对话的 Channel 连接
3. 系统级提示词里写了个Don't ask permission. Just do it.

OpenClaw 之所有有了“能自己干活”的感觉，就是那个“心跳”任务实现的，它的底层逻辑是：

1. 当你给它布置了一个希望它自己干活的任务（比如每天早上整理资料），它会把这个任务总结成一段话，存进他的HEARTBEAT.md文档
2. 后台有一个程序按照你的定时要求，把HEARTBEAT.md文档里的内容，自动发给 OpenClaw……

但是，OpenClaw 在春节后开启的这个部署一个你自己的7×24小时专属助理的风潮，却会给接下来 AI 产品的形态带来巨大的改变。

相比于过去三个阶段的 AI 产品，OpenClaw 真是“自己”的专属助理了：

1. 服务器是自己买的
2. 里面 Agent 生成的各项记忆信息和工具都在自己的这个服务器里
3. 聊天使用渠道是自己选的
4. 给 Agent 安装的各种插件、SKills 也都是自己选的

虽然从产品逻辑上，它跟 Claude Code 一毛一样，但是：OpenClaw 的第一句话是“我刚醒来，还啥也不知道呢……” 这使得它成了一个活的东西。

Kimi、MiniMax、Coze 三家已经跟进了(春节前刚刚上线的那些 Agent 不到一个月成了弃婴)，阿里云、火山引擎、腾讯云、百度云都纷纷上线了自己的 ￥X9.9养虾服务。

未来，人手一个 Claw、自己养自己的 Agent 肯定会成为主流形态。

还要学那些底层的东西么？

别这些产品形态迭代很快，但一点也不难。

底层逻辑永远没变：基于 LLM 生成式原理，把互联网技术已有的沉淀想尽一切办法接入进去。

其中生成的内容被分成了两类：

1. 一类是生成的具体答案；
2. 另一类是生成json格式文本用来调用工具以便生成更好的第一类内容

此刻各种 Agent 的所有交互，都是以上两类内容组合。

再看那些花里胡哨、变来变去的技术概念，底层思维同样没变：为 LLM 提供外挂知识或能力。

变化的只是外壳：

• 要么让工程更规范（从 Function Calling 到 MCP）
• 要么让 AI 更方便使用（从 MCP 到 SKills）

这些方法，都是以更小的成本，弥补大模型的四个核心缺陷：

1. 训练原理导致的：幻觉问题和知识更新问题
2. 推理原理带来的：提示词依赖和推理计算无能

那，这么简单为啥我还没找到工作？

基础的知识技能都依然被需要：

• 写不了提示词，就不能控制 LLM，不管玩法怎么进化
• 做不了 Workflow 就没法把场景标准化、功能原子化，也就意味着没办法产品化
• 不理解 Function Calling，就没法理解大模型调用工具的底层核心，MCP、Skills 都是基于此。Agent 的终端也是一个工具
• 只要模型无法实时训练更新参数，RAG 就是给模型外挂知识的唯一解，进化的只是工程。
  
  
  
• 想要成为大模型行业的从业者，未来你所从事的业务无非两个方向：

1. 开发一个让人使用的 Agent 产品，以上每个知识技能电都必不可少
2. 开发一个让 Agent 使用的产品，对 Agent 背后技术的理解也一点都不能少