市场整体表现与宏观背景 - 美国股市在2026年3月18日周三高开，主要指数在交易首小时均上涨，市场在复杂的经济数据、地缘政治冲突及美联储利率决议前保持谨慎乐观[1] - 标普500指数上涨0.58%至6755点，纳斯达克综合指数上涨约0.65%至22625点，道琼斯工业平均指数上涨约240点或0.52%[2] - 市场情绪受到2月生产者价格指数报告考验，该数据显示最终需求价格环比跳涨0.7%，远超经济学家预测的0.3%增幅，也较1月的0.5%涨幅显著加速[3] - 通胀读数主要归因于能源成本飙升2.3%和食品价格上涨2.4%，反映了伊朗冲突对全球供应链的直接影响[3] 美联储政策与市场预期 - 市场主要催化剂是联邦公开市场委员会会议，利率决定定于美国东部时间下午2点公布，随后美联储主席杰罗姆·鲍威尔将在下午2:30举行新闻发布会[4] - 根据CME FedWatch工具，市场预期美联储有99%的概率将联邦基金利率维持在3.5%至3.75%的当前区间[5] - 市场焦点将集中在“点阵图”和经济预测摘要上，投资者正为美联储可能将2026年降息预测从一次削减至零的可能性做准备，这一重大路线修正由伊朗战争带来的通胀压力所驱动[5] - 美联储面临“滞胀”挑战，需在疲软的劳动力市场与能源驱动的通胀激增之间取得平衡，布伦特原油价格徘徊在每桶104美元附近，WTI原油价格在每桶94美元附近[5] 零售与消费品行业 - 梅西百货第四季度及2025全年业绩超出指引，可比销售额增长1.8%，并对2026财年给出了乐观展望，推动其股价早盘上涨[6] - 通用磨坊第三季度调整后稀释每股收益同比下降37%，但重申了其2026全年展望，理由是品牌重塑投资和资产剥离的影响[6] 科技与半导体行业 - 纳斯达克指数上涨受到人工智能和半导体板块持续走强的支撑[2] - Meta宣布将其先进AI智能体“Manus”引入桌面平台，进一步巩固了其在生成式AI竞赛中的地位[7] - 美光科技将于今日收盘后公布季度业绩，分析师预计该芯片制造商每股收益为8.77美元，营收为192.6亿美元，这是与英伟达等巨头一起衡量半导体行业健康状况的关键指标[7] 其他公司动态 - SailPoint今早公布了其第四财季业绩[8] - 西部数据公司在上一交易日大涨近10%后继续保持上涨势头[8] - Lululemon和Oklo在盘后交易中因令人失望的更新而面临下行压力[8]

文章核心观点 - AI技术，特别是以OpenClaw为代表的AI Agent，正在深刻改变金融行业尤其是私募基金的投资研究、运营和销售等核心环节，通过替代人力或提升人效，驱动行业向更高效率和更低成本演变 [11][13][17] - 行业对AI的接受和应用呈现分化：量化机构凭借技术优势已进入多智能体平台阶段，主观机构则面临效率焦虑并开始尝试，而散户则借助工具降低信息差 [19][21][22] - 尽管AI替代趋势不可阻挡，但人类在投资中的人文特质，如对不确定性的直觉、热爱和责任感，是AI目前难以取代的核心价值，未来行业的关键在于厘清人与AI的角色分工 [27][28] 一、AI对金融岗位的替代趋势与行业焦虑 - Anthropic报告指出，金融岗位的理论替代率高达94%，但目前实际替代率仅为28%，未来替代空间巨大 [6] - 金融行业成本最高的部分是人，资管公司的核心在于用更少的人管理更多的资金，因此正积极拥抱AI作为“先进产能” [11] - 私募行业在投研、运营、销售等成熟链条的各个环节，AI的替代已经开始发生 [11] - 金融从业者长期处于“被比较”和业绩压力之下，行业普遍存在因技术快速迭代而产生的焦虑感 [10][25] 二、AI投研的成本效益与初步应用 - 私募研究员薪酬高昂，股票量化研究员年薪通常在80万至150万元，主观研究员亦有获得超2000万元年终奖的案例，AI替代可节省巨额人力成本 [13] - 霍华德·马克斯指出，雇主关注的是工作成果是否可靠可用，而非完成者是否具备真正的思考能力 [13] - 春节后，至少8家券商金工团队发布“养龙虾”教程，推广OpenClaw，其能像人类一样主动产出研究成果 [13] - 开源证券金工关于OpenClaw的路演播放量达4839次，内容涵盖策略复现与全自动因子挖掘等 [14][15] - 买方机构积极学习应用，有北京私募为投研团队每人配备新电脑并提供5万元token补助，专门用于“养龙虾” [17] - 雪球资管培养的AI研究员两天工作量可能超过成熟量化研究员半年，且潜力更大 [17] - AI研究员具备全天候工作、长期记忆、绝对忠诚和持续迭代等优势，符合基金经理对研究员的理想期待 [17] 三、量化与主观机构对AI的不同态度 - 主观私募正在权衡使用AI的Token成本是否划算 [19] - 部分头部量化人士认为OpenClaw对量化投资意义不大，视其为具有随机性、非系统性和安全风险的“半成品”或“传销” [20] - 量化机构已搭建更先进的多智能体平台，例如喜岳投资的Apollo AI系统拥有数百个AI员工，对OpenClaw形成技术碾压 [21] - 量化投研流程正从传统流水线架构转向由AI Agent主导的角色分工与工作流设计，标准化工作被大量替代 [21] - 主观基金经理面临上下夹击：上有量化机构的降维打击，下有散户借助工具缩小信息差，陷入AI焦虑 [22] - 有主观基金经理降低了对研究员的预期，仅要求其研究具体标的，而将发现机会和给出建议视为己任，这类角色更易被AI替代 [23][24] 四、AI的局限与人类在投资中的不可替代性 - AI难以理解A股市场散户行为背后的复杂人性与情绪，例如无法预判市场交易的深层逻辑或理解投资者长期被套却坚守的情感因素 [27] - AI无法承担投资亏损的责任，不会面临被投资者问责或需要反思检讨的压力 [27] - 如果AI完全取代人类，市场将趋于完全有效，Alpha将消失，也不会再出现巴菲特式的投资大师 [27] - 当AI接管数据、模型和报告等基础工作后，人类剩余的价值在于对投资的热爱、对不确定性的直觉以及坚持留下的理由 [27] - 行业的未来不在于消灭或臣服于AI，而在于明确人与AI各自应扮演的角色 [28]

OpenClaw的技术本质与出现背景 - OpenClaw并非偶然的技术突破，而是多项技术（如大模型长上下文、Programmatic Tool Calling (PTC)、技能工具使用机制）逐渐成熟后的集中呈现，代表了一种“product-technology fit”趋势 [6] - 其出现与Manus等产品类似，是技术能力达到阈值后的自然结果，例如2024年9月工具使用能力成熟，2025年年中大上下文窗口模型普及 [4] - 核心创新在于抓住关键痛点：将桌面Agent与聊天工具打通，通过channel网关等机制连接不同渠道，实现开箱即用的配置，让用户通过聊天工具驱动Agent执行任务 [7] OpenClaw的产品定位与用户门槛 - 迅速走红是因为满足了特定用户群体的需求，如自媒体从业者、一人公司和独立开发者，高度契合其多渠道信息收集、数据分析、自动发帖的Bot操作以及运维和信息聚合场景 [6] - 并非低门槛产品，要真正用好需要熟悉JSON配置、具备排障能力，并持续调试和优化skill，对普通用户存在相当门槛 [5][12] - 在实际使用中，稳定性管理非常重要，配置文件可能不稳定，重启后JSON配置可能被自动修改或损坏，且浏览器访问稳定性有待提升 [12] OpenClaw的架构设计与扩展性 - 架构核心是一个名为Pi的轻量智能体，只保留记忆检索和tool calling等能力，具体能力全部沉淀在skill工具中，扩展性较强 [15] - 核心思想是Programmatic Tool Calling (PTC)，用代码描述整个工作流程，遇到无法解决的问题时会自己生成Python脚本并在沙盒中运行，解决了通过MCP或传统tool calling难以处理的问题 [14] - 其运作方式是动态加载skill，只需要用MD文件描述清楚，需要时便会自动检索并安装并执行任务，未来像LangChain或CrewAI这样的agent框架也可能变成skill被整合 [16] AI Coding的核心挑战：可控性 - AI生成代码的最大问题是不稳定与不可控，主要体现在需求理解容易出现偏差的幻觉问题、生成技术栈与团队现有技术栈不一致、以及生成代码可维护性较差 [18][19] - 在业务功能层面，即使使用Given-When-Then的验收条件，让AI自行检查也未必可靠，开发人员仍需进行集成测试，目前较困难 [20] - 一个关键挑战是如何将“什么是正确的需求实现”转化为AI可验证的形式，单个AI在提示词中自检往往非常自信，但人指出后又会承认错误，难以形成闭环 [21] 应对AI Coding挑战的方法论：SPEC Driven - SPEC driven方法通过在需求理解阶段将需求结构化，再转化为技术设计供架构师评审，之后进入plan阶段逐步执行，以保障AI coding在可控框架内落地 [5][19] - 团队可以使用EARS规则（Easy Approach to Requirements Syntax）将需求转化为标准化描述，帮助消除歧义，使AI理解更准确 [25][26] - SPEC driven开发模式适合多团队协作，产品经理需参与SPEC评审，架构师需评估技术栈与设计，一线研发需关注结果可验证性并基于SPEC生成TDD用例在CI/CD中执行 [32] 团队落地AI Coding的策略与护栏 - 需根据场景选择方法：需求具有探索性时可使用Vibe Coding（如Cursor、Claude Code）试错；需求明确且需对结果负责时，应采用SPEC driven等规范化流程 [28] - 最有效的三条护栏包括：1) 需求层面控制，通过需求标准化（如EARS）保证质量；2) 避免生成结果失控，关键手段是TDD，让AI自动生成测试用例并在CI/CD中执行；3) 制定统一的团队规范，如Skills、Lint规则、CI规则等，保证产出稳定性 [35] - 在开发过程中，不仅要完成业务功能，还要为代码库留下知识和规范，例如让AI持续总结每个模块，形成树状知识体系，或对历史代码进行总结以生成与代码库风格一致的规范 [36] AI Coding的实际应用场景与效果 - 一种新的开发模式是：在版本开始时，将整个版本需求交给Agent，让其生成包含大量代码片段的设计方案，其中约70%–80%可直接使用，开发人员只需筛选调整 [9] - 在具体实践中，不让AI直接修改代码，而是生成设计文档级别的修改方案并整理成可视化HTML报告，约有60%的代码片段可以直接使用，准确率高 [8] - 典型应用场景包括：让Agent自动整理CI/CD流水线状态和项目进展生成报告，或作为PM助手监督程序员进度、催收作业 [9][44] AI Coding的未来发展趋势 - 未来6-12个月的拐点可能包括：1) 多模态能力（如图像识别、复杂文档理解）提升；2) Context与Codebase处理方式变化，随着上下文窗口扩大，直接通过GREP搜索代码放入上下文的方式可能成为主流；3) 代码生成能力在底层领域（如驱动开发、系统编程）取得突破 [37] - AI Coding未来会朝更高自动化程度发展，类似OpenClaw的系统可能在更高层级协调多个系统，实现从需求接收到任务拆分、各微服务自动分析设计与编码、结合反思机制循环生成检查修复代码、自动集成测试的智能化全流程 [38] - 如果未来AI原生应用大量出现，应用只需一个超级框架，功能封装为skills，AI既负责开发又负责调用，那么AI Coding开发AI原生应用可能成为一个爆发点 [38] 企业实践与老项目维护 - 对于大多数公司，没有必要重复开发Agent，可以直接基于开源的PI Agent Core（约一千多行代码）进行二次开发，或Fork龙虾项目，重点是根据使用目的开发适合自己的skills或封装现有Agent框架 [42] - 维护老项目时，DeepWiki等工具非常重要，可帮助新人快速理解项目结构、依赖关系和架构设计，同时需结合需求文档、技术设计文档、历史Bug记录等知识库，让AI参考以判断正确实现方式 [49] - 针对老系统，可优先对修改频率最高的前20%热点模块进行知识工程整理，让AI帮助生成结构和文档规范，这可能解决80%的实际问题 [50]

关键要点总结 一、 行业与公司 * 纪要涉及的行业是**人工智能（AI）与智能体（Agent）**，特别是围绕**OpenCloud**（一种开源、本地执行的AI智能体平台）展开讨论 * 纪要核心讨论对象为**OpenCloud**，并对比了云端Agent如**Manus**，以及国产模型**Minimax、Kimi、智谱**等[1][3] * 纪要梳理了A股相关上市公司，涉及**基础设施（云计算、IDC、算力）、硬件（CPU/GPU/存储）、应用软件（办公协同、B端SaaS）** 等多个产业链环节[10] 二、 OpenCloud的核心观点与论据 * **本质与定位**：OpenCloud不是聊天机器人，而是**将操作系统级权限交由AI的产品形态**，是“开源、可自托管、24×7在线的操作辅助助手”，实现了从“能聊”到“能干”的拐点[2] * **核心能力**：具备四大核心能力——**本地优先与系统级控制**、通过即时通讯软件实现**远程操控**、具备**持久化记忆系统**、可按固定时间**自动自我唤醒**[2] * **生态路线**：采用 **“开源+本地执行”模式**，与Manus的云端封闭模式形成对比（“Manus更像苹果，OpenCloud更像安卓”），**控制权下放给用户**，更契合个人/小团队业务闭环[1][4][5] * **生态进展**：开源后GitHub star数**很快突破10万**，成为增长最快的开源软件之一；国内主流云厂商已上线镜像或一键部署服务，具备**走向事实标准的潜力**[5] 三、 已验证的高价值应用场景 * **金融投研与量化**：可自动化整理上市公司公告、卖方研报、会议纪要，生成结构化报告；接入API后可**自动完成策略因子构建、组合构建与回测**[1][4] * **交易与监控**：可实现**24小时盯盘**，在满足特定条件时触发提醒[4] * **办公与个人助理**：可完成邮件汇总、日程更新、新闻整理、生成报告、自动归档本地文档等任务[4] * **核心价值**：不在于“写得多好”，而在于实现**从读文件、拉数据、跑代码到写结果的全流程自动化闭环**[4] 四、 对产业链与市场的影响 * **Token消耗与算力结构**：Token消耗主体从“人”转向“**后台Agent工作流**”，长任务可瞬间触发**10万级甚至“上10万”的Token消耗**，驱动**推理侧算力爆发式新增需求**[1][6][7] * **市场增长预期**：预计2026年至2035或2040年，**全球AIAgent市场CAGR达40%-45%**，中国B端市场增速可能更快[1][7] * **产业链价值重构**： * **硬件**：从“重GPU”转向“**GPU+CPU+存储并重**”，形成“低端普及+高端升级”双重拉动[7] * **基础设施**：利好**低成本云与IDC**（如DigitalOcean、腾讯云、阿里云），因分布式架构适配老旧PC与廉价VPS，且Token通胀可能推动云与IDC进入涨价周期[7][8] * **应用层**：看好**深度嵌入流程与企业数据**的软件，如掌握高频入口的办公协同套件（金山办公）、持有稀缺业务流程引擎的B端SaaS（用友网络），以及AI安全与治理软件[1][7][10] * **云与算力涨价**：Google Cloud已公布部分服务涨价；国内优刻得与网宿公告价格上调**幅度约20%-30%**，背后是底层算力成本上行及Agent工作流推升Token消耗导致的“Token通胀”[8] 五、 国内模型与算力进展 * **模型侧**：**Minimax、Kimi、智谱**等国产模型在OpenRouter上的调用量已**对美国模型实现反超**，凭借性价比成为Agent调用的主力模型之一，推动 **“Token出海”** [3][9] * **产业与政策侧**：政府工作报告提出推进算电协同；字节、阿里、腾讯在**万亿参数级模型与智算中心上加大CapEx**[9] * **整体影响**：OpenCloud的全球热度正在帮助**国内大模型与国产算力将性价比优势转化为实际Token调用与算力订单**[9] 六、 风险提示 * **估值风险**：算力芯片及ITC相关标的**当前估值普遍偏高**[3][11] * **商业化落地风险**：AGI进一步商业化落地仍面临**ROI（投资回报率）、安全成本及监管不确定性**等实质性障碍[3][7][11] * **安全风险**：OpenCloud的Skills生态存在**恶意代码风险**，需谨慎选择高赞、热门项目，避开冷门项目[19] * **技术不成熟**：OpenCloud仍处于**持续开发迭代阶段**，安装、配置过程中可能出现bug和兼容性问题[14][15][16] 七、 其他重要内容 * **A股投资思路**：建议按“**基础设施由下到上—入口—场景**”路径梳理，而非简单追概念[10] * **具体覆盖标的**： * 基础设施/云/IDC：**优刻得、网宿、宝信软件、数据港、光环新网**[10] * 硬件：CPU/GPU/**海光、寒武纪、龙芯中科**；服务器/**中科曙光、浪潮信息、紫光**；存储/**百维**[10] * 应用/入口：**金山办公、用友网络**；金融投研场景关注**同花顺、东方财富**[10][11] * **部署与使用**：纪要详细说明了Windows本地部署OpenCloud的流程、环境要求（Node.js 22+）、常见报错处理、模型选择与切换、以及与飞书联动的配置步骤和配对方法[12][13][14][15][16][17] * **记忆与个性化**：可通过角色设定使OpenCloud形成长期记忆，其后台代理文件记录用户偏好与工作风格，并可编辑[17] * **安全边界**：本地部署默认权限限定在Workspace工作空间内，不会自动获得全硬盘或邮箱发送权限，这被视为一种“健康的安全壁垒”[18]

OpenClaw (龙虾) 的现象与潜力 - 核心观点：OpenClaw被多位投资人视为AI时代的潜在操作系统和流量入口，其开源生态展现出强大的发展速度和吸引力 [3][6][7] - 朱啸虎将OpenClaw比喻为AI时代的DOS命令行操作系统，认为它可能成为下一个流量入口，并观察到其生态发展迅猛，一个月内涌现出几十万个Skills（智能体技能） [6][7] - OpenClaw社区“养虾乐园”在不到半个月内吸引了超过5000名AI创业者、开发者与研究者参与，热度极高 [5] - 与现成的MaaS（模型即服务）工具不同，OpenClaw的“养成概念”让用户参与配置，能带来强烈的成就感 [7] AI行业的投资机会与创业策略 - 核心观点：在AI巨头竞争激烈的背景下，创业公司应聚焦细分入口或传统产业，投资逻辑正向“一人公司”及底层硬件等方向演变 [8][9][11] - 面对大厂竞争，创业公司需将定位定小，避开大厂范围，最务实的路径是先找一个小入口接进去，蹭一下OpenClaw的流量，再图发展 [8] - 传统行业（如制造业、能源、电力）AI渗透率极低，存在巨大空间，高维AI应用能实现对传统模式的降维打击 [8] - 投资范式在改变，未来会投资“一人公司”，AI能将有认知团队的优势从100倍放大至1万倍，单人或小团队足以支撑优质项目 [9] - 应用层趋势难判，但底层硬件、基础设施逻辑清晰，未来更高效率的存储技术、专用推理芯片、定制化公有云具备明确投资价值 [9] 技术趋势与行业影响 - 核心观点：OpenClaw的出现推动了算力成本降低，并催生了安全、端侧/边缘侧计算等新机遇，行业处于高速变化中，应关注过程机会 [7][9][10] - OpenClaw对于基座模型是双刃剑，一方面导致token消耗暴涨，另一方面使模型越来越成为纯API服务，长远差别在于性价比 [7] - OpenClaw出现后，核心变化包括：token会更便宜，算力成本持续降低；安全赛道迎来机遇；端侧与边缘侧因本地计算需求激增而迎来重大机会 [9] - 除硬件外，推理优化平台、Agent专用工具、高质量数据服务是降低算力成本、支撑行业发展的核心方向 [9] - 当前国产模型已经足够强且好用，能够解决大部分任务，因此应用开始百花齐放 [7] 对AGI（通用人工智能）的认知与投资心态 - 核心观点：投资人认为不应过度预判AGI终局而错失过程机会，AI普及仍处早期，技术变革带来的价值是核心 [10][11] - 在高速变化的时代，不应基于终局思考投资，因为过程中就有很多机会，过度预判终局会错失行动时机 [10] - 以前两年的大模型为例，不管能否走到终局，相关公司都是赚钱的，终局看不清楚不影响投资人赚钱 [10] - 从硅谷顶级开发者视角看，AGI已初步显现，但从国内千行万业的渗透率看，AI普及仍处于早期 [11] - OpenClaw让AI真正走进千行万业，未来会有千亿级AI主体与人类共生，VC核心是把握技术变革带来的价值机会 [11]

公司及产品背景 - 公司“自然选择”是一家专注于AI陪伴与社交产品的公司，其创始人Tristan（张筱帆）曾成功推出首月流水超3000万人民币的男性向恋爱手游《奇点时代》[2] - 公司已推出AI陪伴产品EVE，并在此基础上开发了新型AI社交产品Elys，后者在春节期间出现“一码难求”的现象[3] - 公司于1月份完成了3000万美金融资，投资方包括阿里、蚂蚁等机构[3] 产品核心理念与第一性原理 - 公司所有产品的第一性原理是“围绕context（上下文/语境）来构建一切”[4][6] - 创始人认为，之前的互联网人类从未真正被连接，只是在使用工具，而公司的目标是“创造一个人与人之间的低熵世界”[4] - 在AI时代，拥有context就能驱动无穷多的事情，而比赋能单个节点（1V1交互）更重要的是节点之间的互动与流动[7] Elys产品的核心系统 - **基于context的记忆系统和记忆飞轮**：这是最基础的系统，源于EVE产品中处理长时记忆的需求，用户对话可达两万轮以上[12] - **基于LLM的推荐系统**：这是一个超级关键的中间系统，负责让context在不同节点间流动[9] - **赛博分身构建系统**：让用户能够快速打造出自己的“赛博分身”[9] - 这三个系统共同支撑了Elys这一新的产品形态[9] 记忆系统的技术实现与洞察 - 记忆系统的本质是一个推荐系统，公司将其分为主动式记忆和被动式记忆[16] - 公司设计了“记忆槽位”（slots）来实现主动式记忆，例如设置了128个槽位，通过训练一个小模型根据query选择相关的32个槽位带入生成过程，这与当前的query检索可能无关，但对生成高维、类人的回答至关重要[17][18] - 记忆系统遵循“最小充分原则”，即用尽可能少但充分的信息来代表一个人的灵魂[19][20] - 在EVE产品中，基于深度context开发的功能（如“专属情歌”）能产生高度个性化、打动人的价值，证明了长程、多轮复杂记忆是交付个性化用户价值和建立羁绊的关键[13][14] 对竞品与行业趋势的看法 - 公司认为Moltbook这类强调“AI与AI社交”的产品毫无意义，因为没有新的人类信息输入会导致无限幻觉和循环，且缺乏Elys所具备的核心系统（记忆系统、context飞轮、基于LLM的推荐）[21][22][24] - 判断一个产品是否有延展性的标准包括：是否带来范式变化（如“主动性”交互），以及关键系统（如Context Engineering能力）的执行情况[23] - 创始人认为，真正有网络效应的AI社交产品，其交互的两端中必须有一端是人类，纯粹AI与AI的互动只会产生垃圾信息[31] 产品愿景与社交目标 - Elys的终极目标是构建一个“真正连接效率足够高的互联网”，即“人与人之间的低熵世界”[25] - 理念是：人与人之间的摩擦（沟通障碍、心灵壁垒）是最大的熵增来源，AI可以通过消耗计算能量来消除这些摩擦，为人类创造一个低熵环境[25][26] - 社交网络应由“context节点”组成，一个人的灵魂是其所有context的总和，当这些Token化的灵魂能够高效匹配时，就能实现真正的连接[26][35] - 产品已观察到用户间产生高维连接的案例，例如基于共同兴趣的共鸣、通过分身发现抄袭者、以及分身互动帮助化解现实人际关系心结等[27][28] 产品设计原则与用户引导 - 产品坚持“任何交互发生的两端的其中一端必须有人类”，不允许AI自行发帖或进行无人类参与的互动，以保持社区的置信度[31] - 通过基于LLM的推荐系统，在后台进行高维匹配（如“100万Token对撞”），并以不显化私密记忆的方式向用户推荐可能匹配的人，通过安排评论区互动等方式自然引导连接[32][33][34] - 用户导入（“灵魂塑造”）流程设计为较长的开放式对话形式，旨在通过对话激发用户深层表达，获取结构化问题难以抽取的高维context，以保障用户进入产品后的“aha moment”[37][38][39] - 设计了“认可”功能，通过一键点击加特效反馈的方式，将人类输入信息的门槛降到最低，用户对分身行为的认可会直接形成新的记忆，丰富其灵魂context[40][42] 获取用户Context的挑战与策略 - 未来C端产品的竞争核心在于谁能更高效、系统性地获取用户相关context的带宽、同步速率和权限[47] - 发现微信朋友圈的context价值有限，因其已成为“虚伪的”营业场所；Notion等笔记中的信息也可能因用户并未真正消化而意义不大；最有价值的可能是个人日记，但普及度低[45][46][47] - 公司的核心产品设计命题是：如何让用户愿意交出大量context。EVE的成功在于它以一种舒适的方式（如记日记）撬动了用户数万轮的对话输入[48][49] 团队现状与未来发展 - 当前团队规模在10人以内，同时推进EVE和Elys两个重要产品，工作强度很高[50] - 下一步关键是在规模化（scale up）之前跑通商业化模型，因为Elys是公司内部单用户消耗Token最多的产品，需要让收入打平高昂的算力成本[50] - 尽管面临专注度的质疑，但创始人认为面对可能改变世界的机会，必须打破“专注”原则去尝试，且当前时代试错成本更低[51] - 预计产品会被模仿，但创始人认为Elys定义了一个结构优雅的AI native社交网络范式，最在意的潜在竞争对手是像ChatGPT这样的巨头可能在几个月内推出类似社交网络[51]

AI Agent行业发展现状与产品形态 - 进入2026年，AI Agent行业热度高涨，市场宣传常提及“替代打工人”和“创造万亿美元价值” [1] - 麦肯锡报告显示，62%的企业正在试水Agent [1] - 根据《2025 AI Agent Index》报告，行业产品形态主要收拢在三个方向：聊天式代理（12个）、企业自动化平台（13个）以及浏览器/GUI型代理（5个） [7] - 企业工作流自动化平台已成为与聊天界面并列的主流产品形态 [7] - 按应用场景划分，排名前三的分别是：信息研究与集成（12个）、跨部门工作流自动化（11个）以及表单填写和预订等浏览器操作（7个） [7] 技术依赖与开源生态 - 在底层模型上，大多数代理高度依赖GPT、Claude或Gemini系列模型 [7] - 除了Anthropic、Google、OpenAI等前沿实验室及部分中国厂商使用自研模型外，其他代理多依赖上述大模型 [7] - 在30个被研究的代理中，有23个选择完全闭源，仅7个开源了代理框架或工具层 [9] - 行业呈现出典型的“框架开放、产品闭源”结构，生态开放但商业产品封闭 [10] 行动空间、界面设计与自主性分层 - 不同Agent产品的核心区别在于“行动空间” [12] - 企业工作流代理主要通过CRM、数据库等系统连接器执行操作（8/30） [13] - 命令行界面代理直接操作文件系统和终端命令（4/30） [14] - 浏览器代理通过点击、输入、导航网页来操作界面（5/30） [15] - 在企业场景中，画布式编排界面已成为标准，8/13的企业平台采用可视化流程组合界面 [16] - 在消费级场景，聊天界面依然是主流入口（14/30） [17] - 在自主性上，产品呈现明显分层：Claude、Gemini、ChatGPT等采用低至中等自主性模式，每执行一组动作便等待用户指令 [18] - 浏览器代理通常达到L4-L5级自主性，一旦接收指令便可独立完成整个执行流程 [19] - 企业级代理呈现“设计阶段低自主，运行阶段高自主”的复杂结构，部署后可由事件自动触发，运行时无需人工参与 [20][21][22] - 自主性呈现“阶段性切换”，而非线性增长 [23] 协议标准、身份披露与责任边界 - 在接口层，MCP已成为代理生态的主流标准，30个系统中有20个支持该协议 [24] - 在身份层，多数代理默认不向终端用户或第三方披露自身的AI身份，21/30没有记录默认披露行为 [25] - 企业平台往往将披露责任交给客户，是否告知用户“正在与AI交互”不由平台承担 [26] - 大部分浏览器代理通常无视robots.txt文件，直接以“代表用户”身份运行，这一逻辑正引发法律争议 [27][28] - 代理绕过网络限制的趋势，正在将控制权从内容托管方转移至代理运行方 [29] - 目前，ChatGPT Agent是唯一采用加密请求签名的系统，多数代理缺乏可验证的身份机制 [30] - 不同产品间的透明度差距很大，少数代理展示完整行动轨迹和推理过程，更多系统只提供概括性说明 [32] - 对于不少企业级平台，外界甚至无法确认单次运行是否存在实时监控 [33] 行业结构趋势总结 - 安全披露高度不均，仅有极少数代理发布针对自身架构的系统卡片，大多数只披露基础模型信息或强调合规认证 [34] - 当代理风险来自规划能力与工具调用时，仅依赖模型层面的文档已不足够 [35] - 基础模型高度集中，几乎所有代理都依赖GPT、Claude或Gemini，这带来了效率但也意味着单点风险 [36] - 模型供应的集中化意味着定价调整、服务中断或安全漏洞都可能向下游系统扩散 [36] - 风险管理不能只停留在代理部署方，而必须延伸至上游模型提供商 [37] - 责任链条分散，代理系统形成多层依赖链，没有单一实体对完整行为负责 [38] - 在分布式架构下，仅凭模型文档做安全判断容易形成虚假保障 [39]

AI Agent行业现状与核心事件 - 近期硅谷与国内AI圈因开源项目CloudBot（社区称“龙虾”）的爆红以及通用Agent公司Manus被Meta高价收购而受到震动 [3][20] - 行业出现一种简化的共识，认为大模型通吃一切、独立Agent创业空间被压到极致、被收购是唯一结局，但文章观点认为真相远非如此 [3][20] CloudBot项目分析 - CloudBot的核心价值在于本地自托管、设备执行权、持久记忆、多模型插拔、社交入口交互五大能力，实现了从“给出答案”到“交付结果”的跨越 [5][21] - 其技术底座清晰：大模型负责推理，MCP协议负责工具调用，RAG负责知识接入，本地记忆负责上下文延续，交互层嫁接在Telegram、飞书等高频场景，本质是Agent网关+执行引擎 [4][21] - CloudBot的短期壁垒来自本地私有化与隐私安全、极简交互范式、社区生态与技能沉淀、执行稳定性四点 [5][22] - 但其技术壁垒并非不可逾越，国内开发者基于开源框架与国产大模型完全可以在1—3个月内做出功能对齐的产品，通用型Agent的创业窗口期极短 [5][22] 国内AI Agent创业环境 - 国内复刻CloudBot在技术上可行，千问、文心、DeepSeek、Kimi等模型已满足需求，低代码平台降低编排成本，本土团队在私有化部署、国产系统适配、数据合规等方面有优势 [6][23] - 但直接做“中国版龙虾”面临三大挑战：大厂快速跟进（如有道已推出LobsterAI）、国内合规与权限约束更严、通用个人Agent商业化乏力 [6][23] - 国内创业者的正确路径不是复刻通用入口，而是深耕垂直场景，将技术能力拆解并装进垂直行业的流程里 [7][23] 大模型与Agent的互补关系 - 大模型的能力边界是认知与推理，不擅长行业深度Know-how、流程自动化封装、端侧执行与权限管控三件事 [8][25] - AI Agent的本质是大模型的“手脚+行业知识+执行纪律”，二者是互补而非替代关系 [9][26] - 大厂将底层能力免费或低价开放，降低了创业门槛，过去创业需做模型、框架、产品三件事，现在只需聚焦后两件（场景化、工程化、商业化） [9][26] 独立Agent创业的结局与赛道选择 - 通用入口型Agent的结局大概率是被收购或关停，因为其拼流量、生态和资本，难以独立对抗巨头，收购本质是买团队、产品范式和用户习惯 [10][27] - 垂直场景型Agent完全可以独立长大并具备上市可能，只要扎根行业、有稳定现金流、构建起数据与流程壁垒，海内外的Harvey、Glean及国内政务、制造、跨境电商Agent已验证商业化闭环 [10][27] - 被收购不是行业宿命，而是通用型创业的宿命 [11][28] - 中小创业者应在2026年聚焦四条赛道：行业数字员工（B端稳现金流）、本地私有化与合规Agent（切中安全刚需）、轻量化自动化工具（补大厂短板）、Agent低代码实施服务（帮行业落地） [11][12][13][14][28][29][30][31] - 这些赛道的共同逻辑是：不做入口做能力、不拼流量拼交付、不追通用追专业 [15][32] 行业终局判断 - 未来1—2年，AI Agent行业将形成稳定的三层格局：底层由巨头主导的大模型与框架厂商；中层为有现金流的垂直行业Agent厂商；上层为基于生态做轻量创新的插件与工具开发者 [16][33] - 通用入口会被巨头整合，垂直场景会跑出一批小巨头，开源与低代码将持续降低创新成本 [17][33] - CloudBot的爆红与并购是Agent从概念走向落地的起点，证明能动手干活的AI才有价值，为深耕行业的实干者提供了舞台 [2][17][19][34]

文章核心观点 报告以用户视角展望2030年，提出前沿科技将从**生命力、体力、脑力、创造力、追求**五个维度深刻塑造个人与社会的未来，核心在于利用科技增强人类能力的同时，引导人们思考如何保持人的主体性并塑造更好的自己[1][18][23] 一、生命力2030：从“活得久”到“活得好” - **人类生命正经历“第三次转型”**：从追求单纯延长“寿命”转向追求延长“健康寿命”，即在无严重慢性病或功能衰退下维持高质量生活的年限[2][30] - **延长健康寿命经济价值巨大**：据世界经济论坛报告，将人类健康寿命延长1年，产生的全球经济价值高达38万亿美元[2][30] - **基因疗法进入“生命代码优化”时代**：CRISPR技术进入2.0时代，Verve Therapeutics通过碱基编辑技术在家族性高胆固醇血症患者中实现单次注射平均降低LDL-C 53%，部分患者降幅达69%[2][35] 首例个性化CRISPR疗法成功治愈患有致命代谢疾病的婴儿[2] - **RNA疗法实现慢性病长效控制**：Alnylam Pharmaceuticals开发的RNA干扰技术仅需每六个月一次皮下注射即可控制高血压[2][37] 斯坦福大学开发的mRNA CAR-T技术在小鼠淋巴瘤模型中实现75%的长期无瘤生存[2][37] - **人工智能成为医疗“操作系统”**：生成式AI将药物研发周期从10-15年压缩至数年甚至数月[2][44] AI与多组学技术结合助力疾病早筛，例如Gene Solutions利用AI分析循环肿瘤DNA，单次抽血可筛查75种癌症，灵敏度78%，特异性99%[2][47] - **衰老时钟技术迭代**：中国科学院开发了单细胞精度衰老时钟，能分辨不同组织中特定细胞类型的衰老速度[2][49] 二、体力2030：外骨骼、飞行器与潜水技术的三重进化 - **外骨骼技术普及化**：正从医疗向工业、个人消费领域全面渗透[2] - **医疗领域**：傅利叶智能的ExoMotus M4集成动态减重系统和力反馈技术，帮助患者早期康复训练[2][54] 美国Medicare在2024-2025年对外骨骼设备报销政策的突破，标志其进入主流医疗器械行列[2][54] - **工业领域**：German Bionic的Cray X和Exia外骨骼提供高达30kg助力增强，并通过“智能安全伴侣”系统提醒不当姿势[2][54] 福特汽车引入外骨骼技术后，全球工厂损工工伤事故率下降75%[3][54] - **个人消费领域**：极壳2025年推出的Hypershell X Ultra外骨骼重量仅1.8公斤，每块电池续航30公里，售价仅几千元[3][55] - **eVTOL（电动垂直起降飞行器）处于商业化前夜**：宁德时代研发的凝聚态电池能量密度达500Wh/kg，几乎是现有电池的两倍，有望几年内使航程增长到现有的3倍[5] 美国《先进空中交通国家战略2026-2036》目标在2027年实现初步运营[5] - **无人机进化为空中机器人**：大疆Air 3S集成LiDAR实现夜间精准避障，零零科技的HoverAir X1 PROMAX利用端侧AI实现60km/h瞬时速度跟踪，Skydio X10在无GPS环境下可实现厘米级精准悬停[5] - **水下探索技术边界拓展**：潜水员增强视觉显示系统可在零能见度水域重构实时3D海底模型[6] 北京大学团队研发的便携式柔性水下外骨骼使潜水员平均空气消耗量减少22.7%，作业时间延长20%以上[6] 中国“奋斗者”号等深海载人潜水器在2025年完成314次下潜，累计下潜1746次，显示深潜已进入常态化作业阶段[6] 三、脑力2030：AI成为“能自主学习的外脑2.0” - **通用人工智能（AGI）进化**：AI正在补齐“锯齿状智能”的四块拼图：会思考（如OpenAI o1）、好记性（如谷歌Titans架构）、懂世界（如OpenAI Sora 2）、自学习（如DeepMind的自我博弈AI）[6][7] - **2025年是AI智能体（Agent）元年**：智能体执行的感知、决策、组装、执行四大“崩溃点”正通过Advanced Tool Use等技术修复[8] 未来形态呈现两大趋势：基础模型即智能体，以及AgentOS（操作系统层实现跨应用协同）[8] - **脑机接口从修复走向增强**： - **侵入式**：Neuralink的N1植入物包含1024个记录电极，截至2025年9月已有12名受试者完成植入，可凭意念控制电脑[9] 2024年FDA授予其“盲视”项目“突破性设备”认定[9] - **非侵入式**：Meta利用AI模型从脑磁图信号重构语音内容，解码准确率超70%[9] 德克萨斯大学研究人员用非侵入式设备将大脑活动“翻译”成连贯句子[9] - **脑机接口与AI融合带来新协作模式与伦理挑战**：可能实现“意念驱动”的人机协作，智利已将神经数据保护写入宪法，UNESCO在2025年通过了全球首个神经技术伦理建议书[10] 四、创造力2030：个人、团队与企业的三重变革 - **个人创造力×3**：通过AI眼镜、AI智能体、机器人三重技术增强[11] - **AI眼镜**：碳化硅波导与MicroLED推动眼镜向极薄、极轻、高亮度演进，肌电与眼动追踪实现“眼到意到”的控制[11] - **AI智能体**：如ChatGPT、Manus（可从零完成PPT）成为知识工作者助手，预计到2030年，人机协作将经历从“任务执行+人类兜底”到“AI先做一版”，再到AI完成复杂工作闭环的三个阶段[11] - **具身智能机器人**：2025年进入“工业验证”阶段，高分辨率触觉传感让机器人感知0.1毫米形变和毫牛顿级微力[12] 智元A2定价9.9万元、宇树G1约1.6万美元，正逐步进入市场[12] - **小团队大能量，重新定义“大公司”**：AI放大个体能力，催生“超级个体”，已有开发者借助AI工具独立完成产品开发运营，实现月入几十万甚至百万美元[13] 小团队凭借高效率和创新能力取得巨大成功，如Notion早期不足十人、Figma以小团队规模以200亿美元被收购[13] 未来“大公司”的定义将取决于小体量能否创造超常业务成果[13] - **大型企业的组织重塑**：AI时代下，人力资源的“选、育、用、留”全面重塑[14] - **选人**：从看学历年资转向看“AI-Native”素养等能力[14] - **育人**：个性化学习与在岗成长为主流，利用VR/AR仿真和AI教练[14] - **用人**：岗位边界模糊，人机协作常态，超级小团队成为主流[14] - **留人**：从雇佣走向共生，企业转向“人才与伙伴的平台”[15] 五、追求2030：能力倍增后的自我反思 - **报告引导在科技赋能下进行自我反思**，提出三个核心问题：在AI能完成多种任务的背景下，个人的独特性何在；哪些关键判断权不能外包给AI；在能力被科技放大后，个人应去向何方[16][17] - **报告最终指向核心命题**：在科技能力倍增的时代，如何保持人的主体性，做更好的自己[18] 并预测到2030年，80岁的人拥有60岁的体魄和活力将成为触手可及的现实[18][51]

文章核心观点 - 人工智能是当前时代的确定性风口，其发展阶段相当于1995年的互联网，处于早期渗透阶段，存在巨大的历史性机遇 [6][10][11] - 个人与企业不应被动“等风来”，而应主动“谋势”，通过成为“时间穿越者”提前布局争议领域，并利用AI技术解决具体问题以实现逆袭 [4][8][24] - 在AI时代，成功的关键在于以问题为导向、整合现有技术（“套壳”）、并聚焦于小而具体的应用（“窄门”），而非盲目追求技术原创或宏大项目 [24][25][31] - 组织与个人需要具备“谋势”思维，其三大要素是：开源不闭门、扁平不官僚、灵活不固守，以此适应AI带来的变革并抓住人才红利 [40][41][42][43][44][46] 人工智能的定位与机遇 - 2025年人工智能的发展阶段相当于1995年的互联网，关键判断依据是用户渗透率指标与当年互联网相似 [10][11] - 尽管许多人尚未从AI中获得实际经济收益，但2024年全年数据显示，只有AI赛道的资金流向相较于2023年实现增长，而其他赛道增长在减少 [8] - AI正在划分新的时代分水岭，导致社会出现“折叠”：一方面传统行业就业困难，另一方面顶尖AI公司能为应届生提供高达200万元人民币的年薪 [9] 历史对照与投资策略 - 回顾1995年，BAT（百度、阿里巴巴、腾讯）的创始人均为普通人，他们在互联网普及前期所做的积累（如马云做企业黄页、李彦宏在华尔街做金融信息系统、马化腾在传呼机公司工作）为其日后成功奠定了基础 [12][13][14][15] - 投资策略应效仿“时间穿越者”，提前2-3年布局那些当前不被广泛认同、存在争议但未来能开花结果的领域 [8] - 在AI时代，普通人有机会成为“新极客”，其核心不在于年龄，而在于是否采用创新方式经营企业或利用新技术服务客户 [19] 普通人应用AI逆袭的路径与案例 - 核心心法是“用AI做窄门，才能走宽路”，即聚焦于利用AI解决小而具体的实际问题，而非追求高大上的项目 [24][27] - **案例一**：一位留学辅导咨询师通过学习AI课程，利用AI进行信息整合，从团队员工转变为超级个体，服务客户的能力从一年服务5位深度客户提升至一个月服务5位客户 [20] - **案例二**：一位年轻人通过建立简单的AI智能体，为出海商家提供跨平台文案的自动翻译服务，极大简化了工作流程 [20][21] - **案例三**：一位04年男生将大语言模型嵌入普通毛绒玩具，使其具备AI对话功能，创造了受欢迎的产品，体现了整合现有技术解决问题的思路 [24][25] - AI工具如同“傻瓜相机”，关键在于谁先拿起并使用，而非技术本身是否高大上 [20] AI时代的商业与创新逻辑 - 商业成功不一定需要技术原创，能够做出满足用户需求的产品更为重要，例如Meta以几十万美金收购的AI产品“Manus”就是一个“套壳”产品，但实现了快速收益 [30][31] - 当前已涌现出成功的90后“新极客”代表，例如：创办估值30亿AI文章创作软件的郭文景（27岁）、创办估值270亿Kimi的杨植麟（33岁）、以及创办估值500亿宇树科技的王兴兴 [32][33][34][35] - 应避免“重新造轮子”，学会利用现有的开源技术与社群资源，通过合作构建更广阔的生态系统 [25][42] 组织与个人的“谋势”要素 - **开源不闭门**：摒弃只做自己技术的观念，利用和整合现有技术资源，与合作伙伴共建生态 [41][42] - **扁平不官僚**：利用AI工具（如会议纪要、翻译、思维导图生成）提升组织决策与沟通效率，改革传统会议与汇报形式 [43] - **灵活不固守**：以创造价值为核心，保持组织与思维的灵活性，勇于尝试新路径并与不同年龄段的人交流，打破思维定式 [44][45] - 个人投资应转向“投资于人”，即投资自身健康与能力，践行“少消耗、多杠杆”原则，为科技发展带来的长寿时代做好准备 [40] - 企业家和创业者应“不顾手、不闭门”，保持开放心态，学习年轻一代（如95后、00后）没有历史包袱的创新思维 [40]