OpenClaw 要替换我了？焦虑个屁，AI世界3年没啥变化

2022 年底，ChatGPT 3.5 发布，标志着我们正式进入以大模型为主的 AI 时代。

0 m+ N7 w* K0 r2 d3 l7 K# q& u! m

经过 3 年发展，模型的基础能力一路狂飙：推理能力、上下文长度、响应速度、API 成本、多模态等关键维度都被持续拉高。

- Q9 S9 H# M) E' o/ _

9 L5 f1 Q5 y( u0 Z( S; w

国内标志性事件是 2025 年 DeepSeek 爆发，他意味着 AI 应用环境开始成熟。于是乎，从去年开始，整个AI世界可以用乱花渐欲迷人眼来形容：

% F2 i5 H; ]+ l5 M5 z3 d

4 a8 ?3 A) L6 F; l+ l2 k
• 今天发布了一个Manus，明天就要来一个Lovart；
  3 F9 G+ C! c/ W$ ^( ?) D
• Cursor还没被捂热，Claude Code就变成了AI编程事实上的王者了；
  & a, c9 _: M- V) O4 v
• 前脚还在聊提示词怎么写，后脚大佬就说RAG已经过时，并丢出了上下文工程；
  9 l" M& V. A3 x5 [  e) M9 O' }
• 而正当我们感叹Coze居然开源了，Google Nano Banana又刷爆了朋友圈；
  
• 然后飞书发布会才浓墨重彩的介绍了多维表格，钉钉马上就跟进，强势推出AI表格
  ! F/ \- d2 V6 ^, T
• 医疗 AI 明星 OpenEvidence 120亿 美金估值、法律 AI Harvey 据说快 110 亿估值了
  
• ...
  

% q" _' q! G& t4 A& w2 \/ M

( X! D; a/ c. K2 Y' Y+ D. p$ K9 B

但时间刚进入 2026 年，现在我们要面临的已经不是新工具太多的问题，而是 AI 正在切实逼近到我们正在做的工作了，他在研发、执行与内容生产三方面显示出了巨大的潜力：

! d4 g3 e) }/ X1 V- d% zAI Coding
) t6 n2 A+ u$ f2 S1 v# y( A

第一条线是 AI Coding：它早就不是补全几行代码、帮你写个函数那么简单了，而是开始从拆需求、写代码、跑测试...

6 V8 }  D5 ?% @- P$ Q) [8 z$ L& D& B

这背后是整个研发链路都在被压缩，以前一个团队才能跑完的活，现在依然就能做，程序员也开始从“写代码的人”变成“评 AI 的人”，比如下述案例，在 AI 之前是几乎不可能的：

( c2 H! E2 Z0 @) [- E

+ u6 r# |! I2 QOpenClaw 数字员工框架

与其说 OpenClaw 是数字员工框架，我其实更愿意称他为Skills框架，或者SOP/Workflow 框架，因为他真的可以让我们每个个人去调整上传SOP，于是你可以把自己的流程、规则和操作方式整理进去，它就能按这些步骤去执行任务。

' k# {  c8 E# w6 y1 _
  B( K$ q: N2 u  M4 W

; i0 j; H; e' Y2 C

OpenClaw 的可怕之处不在于 Agent 这个词，也不在于他是否能收邮件、排日程、登系统、填表单、跑审批，因为这些事没 OpenClaw，我们2年前也能做到。

他可怕的地方在于，很多老板开始相信 OpenClaw 了，他们真的在让员工去整理 SOP/Workflow，这里造成的结果是，很多流程化、重复性的岗位真的会被吞掉的！

AIGC 从“能生成”走向“能交付”
- o8 f& m* Z$ H# m2 B; z

以 Seedance 2.0 为代表的视频生成能力，已经不是做个 demo 看着挺酷，而是越来越接近真正可投放、可商用、可直接拿去交差的成片，比如：

国产AI短剧《霍去病》火爆全球：3000元成本、3人5天产出80集，播放量狂飙超5亿！

4 b( e2 i9 A) A& l  N

研发、执行、内容这三条过去最依赖人的生产链路，几乎被 AI 同时撞开。

6 ?0 o! @. p; b. L2026，AI 让我很焦虑

0 k/ ?/ }8 J) Q% ]  E1 l  p

你会突然发现，2025 年大家焦虑的还是我要不要学 AI，到了 2026 年，问题已经变成了：

9 U6 n, T/ a& H& M# j% A

如果 AI 已经开始写代码、跑流程、出成片，那我原来那套工作能力，到底还能撑多久？

所以，到这里问就来了：普通人，应该如何学习 AI，应该如何缓解这种“实在太多、太快了”的焦虑呢？

3 _5 \/ R0 b7 u& t0 i

其实，大家需要的是一套好的 AI 学习路线图，因为在我看来，这里有个暴论：这几年，除了基座模型能力在提升，其实并没有什么太大的变化...

& h# A8 ?& p3 U% a焦虑个屁，AI 世界没撒变化
- L$ [8 g7 a2 x% T
) O6 C8 i' ]$ `6 b" ?

如果我们从产品角度去看 AI 发展，貌似真的很快、很多，甚至这个世界我已经不认识了；但如果站在工程角度去看，你又会发现除了基座模型的能力提升外，其他东西貌似都是工程侧的必要优化...

一、模型升级
% n8 Z1 V8 e% e
  }9 L8 ?" Z& \1 r- l5 T: Q1 J

首先是这两年 GPT 基座模型的各种指标对比，他们可以说是不同的物种了，单上下文就扩大了128倍：

) h; N% [9 ?& \4 k! d2 }

2 X6 ]1 t* n3 b; E) E! v. H7 ~

除了模型本身的能力提升，最近两年的模型相关名词常客无非是：Function Calling、MCP、Agent/ReAct、CoT、Skills 这些。

比如我们最为关注的 Agent，他的框架最早在 2022 年，由论文《ReAct: Synergizing Reasoning and Acting in Language Models》提出，当时因为要调用工具，官方又没有接口，于是只能用提示词实现，流程会比现在复杂很多；

二、Function Calling，必要的工程优化

后面 Agent有所发展，可能 OpenAI 实在看不过去了，于 2023 年 6 月正式提出了 Function Calling 的接口，并且对模型进行了大量的微调训练，以保证工具调用的稳定性，这里其实也是为了减少 Agent 实现过程的工程复杂度：

) S2 V6 F5 @% _# s& [" a; |# o

7 u: K! S5 N" t2 y3 I三、MCP，必要的解耦
# O- o" ^% p2 L2 J- \$ A
! t' L2 ~/ G7 K1 Q% s

但还没完，因为一个公司不止一个 Agent，这里有出现了 Tools 维护耦合问题，一旦工具变多后整个维护就爆炸了！

( s. r  V1 R" M7 i

这里举个例子：企业中有10个AI Agent（N）需要接入20个数据源/工具（M）。如果每个应用都为每个工具编写专用适配代码，就需要200个集成点。这里面维护成本是较高的，任何工具 API 变更都会很烦。

, |+ d' d3 D& D1 v* I, v

在这个基础下，MCP 这种结构规范就被提出来了，他其实是为了解决这里的工程维护问题的。

! H0 v6 g1 O3 P+ `/ @四、Skills，必要的工具调用稳定性

然后还没完，因为做 Agent 的公司越来越多了，随着模型能力提升 Agent 所要完成的任务也越来越复杂了，于是乎要调用的 Tools 也变多了，到这里问题就出现了：

: t0 E! l+ ~$ [# i2 r5 ^  b# a- r% ?( o

就算不考虑上下文长度的情况，虽然模型理解能力变强了，但他依旧无法做到绝对准确的工具调用

+ G- K' M# J; B: ~. ~3 ?

这是什么意思呢？意思是模型上装载的 Tools 多了后，模型容易出现乱调用、错调研、不调用等情况。这里面最为困难的问题可能要数：

在复杂任务中依靠 ReAct 循环想要输出完美的计划/SOP/Workflow是比较难的，有时候耗费巨量 Token 能搞定，有时候就算循环 100 次都搞不定

那怎么办呢？貌似也是工程优化，就两个点：

. `( X5 V& k' }) w

  ~; W; U0 z1 h" U% R# `
• 渐进式加载 Tools，模型先做意图识别，要用的 Tools 加载，不用的就不要来凑热闹了，这样上下文短了、调用准确率却上去了；
  
• 特别复杂的任务，就直接把 Workflow 写进提示词里面吧，于是乎 Skills 机制就诞生了...
  

所以，大家就发现一个有意思的问题了：模型侧的优化有很大一部分就是围绕这 Agent 相关做展开的；而具体的工程实现又有很多就是为了 Tools 调用准确而做的。

, X$ ]; [8 `( g. e% S3 w$ g3 r

好了，既然我们从工程角度看不到模型有什么太大的变化，那么就要进入推衍逻辑去看当前 AI 产品暴增的现象了：

推衍：AI 产品的演进
; [% Q( d* Z: b* b' l& F# L

为了让案例更加清晰，我们这里直接用真实案例：之前，我是做管理咨询的，我一天能接待 10 个用户，突然我流量暴涨，现在需要接待 100 个了怎么办呢？

5 a0 }- n3 ^4 Q& A" w. }/ s一、代码实现：AI + SOP
. x! M3 u8 W" m

那还不好办，作为资深的 AI 架构师，直接上管理数字分身就好了啊！，也就是用 AI 去实现我的咨询SOP，于是这里有两个前置条件：

! r2 R6 t/ r% ~+ r5 p; S

) W; a. u/ p* X& m
• 第一，我需要将SOP整理出来；
  : ]6 F8 k  }2 |2 P& X
• 第二，我需要将自己的管理知识沉淀下来；
  

这里的 SOP 大概长这样：

9 Y+ p& E7 ?% m* W

在 SOP 与 数据完备的情况下，一个管理 AI 客服就诞生了，但这里马上问题就出现了：

( {" I4 ^5 M# E2 g
• 我老婆作为伟大的小红书心理咨询拳师，他眼红了，也希望拥有一套自己的拳击咨询分身；
  
• 与此同时，我小姨子在做律师咨询业务，他也想要一套律师咨询分身；
  , `! R6 a5 `; k
• ...
  : {* ?* }; q# w- Q! E9 [+ T

二、低代码化：Coze/Dify 化

/ g4 K7 B# a/ f% z0 X' x3 N. B

于是乎，我不得不将我代码中独有的SOP与数据做抽离，实现了一个 SOP/Workflow 编排的功能，并且还可以自己上传数据与 SOP 做配合，他大概长这样：

- f) ]+ p1 ]& T

2 S2 v' G9 x6 |

因为我小姨子做的法律行业有很多独特的需求，所以在他们平台上需要增加很多垂直领域的知识库和插件，最终他的样子可能长这样：

) y& i/ S# g7 O1 [4 D& Y
5 e% ^7 j3 E$ f% S' h: U6 [, t4 l

7 A1 |0 L; t8 I8 R

只不过，当我美滋滋的将工具交给他们的时候，他们全部不高兴，最后也没用起来...

三、傻瓜化：Agentic Workflow

8 {5 L4 V  s. h2 f) u

他们为什么用不起来呢？原因很简单门槛太高了。

' o" `  a7 E- J4 T# V7 Q

他们虽然能整理出SOP，却学不会、也不想学会如何去编排那个看上去很傻逼的拖拽界面，更遑论自己去处理结构化的数据呢？

  I  [. q' R$ s- s" X  ?" |. x

他们理想的情况是：用自然语言去调教AI，AI自己去学会、优化他的SOP，并且传一些非结构的数据，他自己就整理好了，这个才是他们要的！

于是乎，为满足小姨子要求，我不得不去收集了大量法律咨询上必须要用到的SOP，并且在模型上做了不小的动作，最终终于实现了一个 Agent，也就是：

小姨子们可以通过自然语言，生成他们要的 SOP，并且这个 SOP 可以被他们不停的做调教

PS：大家要注意，这里稍微有点 AI Coding 相关工具的感觉了

做到这个程度，小姨子倒是满意了，只不过系统运行得并不稳定，因为某个关键任务 SOP 是由模型生成的，他的复杂性太高，在执行的时候总是出错。

于是乎，小姨子又不高兴了，觉得我能力不行！

四、Skills化：Workflow的迁移

于是乎，我很不服气，跑去跟她做了多轮交流，了解到一个情况：他们80%的需求，其实都是由 5 个，复杂 SOP 执行的。

于是乎，我在整体框架下做了一些操作：我实现了一个Skills的目录，让 Agent 在生成 SOP 前，如果发现是需要那 5 个SOP，就从本地直接拉取，否则就自己动态生成：

: }+ G/ A* ]8 l( J5 e: |
0 A' `8 z8 e! w8 \; _" u1 J

+ Y% K+ |. d! H) \% Q) @$ d4 l' ?# m/ W

这一波搞下去，似乎小姨子比较满意，但这东西好像和最佳看到的 OpenClaw 有点像呢？

3 m' W# d2 W* n8 I+ Z/ M3 k* w! @# _  F

五、创新来源于组合

回归一下，上述案例仅仅是为了让各位更为了解当前 AI 产品为什么是现在这个样子，我胡编的一个案例。

  l% y7 o2 V' t* J, q& `; o

不过，结合上一章我们基于工程侧对 AI 能力的解读，大家应该也意识到了一个问题：当前 AI 产品其实正在按部就班的发展，暂时来说还没有跨域阶段，甚至说：

$ r% c/ _8 Z3 K% r" P

一个好的 AI 产品，最终一定会回归 SOP 与 数据层面的处理，甚至于 80% 的时间都在处理数据

5 P# q2 [+ j3 u# `/ Y, c

至于其他看上去很神奇的功能，比如：

9 \' R# h+ X, w4 r% |5 ?4 R

" O5 Y6 |6 k- s  j  Z* f
• 7 x 24小时不简单执行，这里搞个死循环就好；
  7 l* Q/ O& z8 F- i7 k
• 他可以帮我点奶茶！这里对接个商户接口，输出个Tools就好；
  
• 他能记住我的话嘢！这里把上下文记录下来就好；
  
• ...
  2 V. r; U1 o# e8 n* \( {" u

现阶段，很多大家以为很酷炫的功能，其实本身就存在，他们只不过被包装到了 Agent 里面罢了，仅此而已，毕竟：

* F, E' Z( J! e! m

每个时代，总会有人想把所有应用装进一个系统...

" e: R5 i3 t6 j

至此，我们就可以进入 AI学习路线图 了：

% S; {2 N. T/ Q$ i' @7 MAI 学习路线图
6 g3 L4 a  h2 p3 U
, z( J7 u9 S) U* q* s1 l/ p

综上，虽然现阶段各种 AI 震惊体正在发生，但他的本质并没有太大的变化，不过是Workflow的不断迁移罢了。

7 ?5 K, F; `2 E2 l4 V/ w$ y3 K# S

所以对于普通人，到底应该学什么呢？这里需要一套《应用级AI学习路线图》

首先得明确，我们多数人是吃不了基座模型的红利，所以大家不要傻乎乎的去学算法、去探究 Transformer 架构，应用层AI 的 红利才是大头，红杉AI峰会已经得出了保守预测：AI 应用市场份额在万亿美金以上！

+ H% ~! _3 V' |一、生产级AI项目
5 D( H5 g: O' Y1 B% D# \) [7 A  P: R

为了让大家对AI应用有更为全面的认识，我这里为大家介绍一个亿级别的AI项目的完整工作分层/分级：

# h7 H) _0 j9 l: V6 n

& H/ n2 I7 n9 n
• 模型全训练，模型全训练包括预训练、微调、强化学习等步骤，目标是不依赖外部大模型，完全自给自足，一般公司几乎不会涉及（因为成本极高），但为框架完整性，这里也保留；
  
• 整体架构设计，包括AI工程、数据工程、重点是AI与数据的协调，在这里要确定基础的知识库结构与工程架构，是公司知识产权和壁垒所在；
  % R& q5 \2 e( a  b" J, e
• 模型调优，会涉及到后训练、RAG等技术深度应用，往往是项目核心策略，在架构之下的工具技术层面的操作，面试题重灾区；
  ! s. r; Z% @! Q9 p' m
• 提示词工程，会详细到各个业务模块的SOP编写，公司业务具象化展现；
  . ]1 i; }2 b% N' ?. s, z9 `' G
• 数据工程具体作业，某个板块详细的数据验收，这个一般是基本架构验证结束，需要与各个专业人员协作收集AI工程所需数据，公司数据壁垒所在；
  6 C% j( K1 x/ Z8 E
• 模型测评，会涉及行业AI应用评测标准执行（方案是整体架构的事，这里是具体执行），测试数据集准备、竞品调研、跳出SOP数据收集等；
  3 L( Q+ v- _4 ?4 I! b4 j$ f. w  j
• 论文、PR相关，就是吹牛相关了，一般人员也涉及不到；
  
• 简单工具选型，会涉及一些常用工具选型，包括向量库调研、Agent平台（Coze、Dify、n8n、Langchain）等；
  8 I9 z% s5 E1 W+ x
• 降本增效工具，比如数据知识库后台应用（知识库存储平台），提示词管理后台（提示词数十万后需要管理后台），这个事情含金量低但是权限要控制好，不然公司机密容易泄露；
  
• 实施团队，如果是做2B AI工具的团队可能还有个实施团队，要么做工具售前，要么做实际行业实施，属于团队耗材；
  0 q3 |3 h1 U/ c* C* y4 m5 O' T8 O
• 最后还有其他边角料，如资料准备、数据确认；
  

虽然多数公司对AI项目的研发投入到不了亿这个级别，但具体工作一定是上述的一些子模块，这里每个模块都是大家可以切入的点，并且越后面的越容易切入。

另一方面，AI项目的技术路径很有点闭口禅或者猜谜语的意思，属于那种不说出来想破脑袋都想不明白，一说出来就全破功的东西，所以每个公司只有最核心的少数几人能够看到项目全貌，并且越是上层越少人接触。

$ n$ y$ ^% @/ j# ~" E8 `6 y! D7 W

所以，我们在实际做学习路径设计的时候一定要自下而上的进行，不然学了没法实践就是纸上谈兵了。

$ a- J* D9 A( L5 y6 Q5 E( I! \; c

最后就是我们具体的学习路径和资料推荐了：

在具体学习这里，AI产品经理和AI工程师几乎一模一样，只不过AI工程师还是需要一定代码基础，需要多学一门编程语言比如《Python编程：从入门到实践》，接下来就是统一路径了：

一、Agent平台
7 N1 o/ A4 P% X' r1 k0 }

首先，Agent平台是必须要会的，因为80%公司做的第一件事就是上Coze或者Dify拖工作流，虽然他们最终会发现这些可能没什么用，但不要去对抗大众的思维：

2 K" ^. g! w1 N9 |( q$ }

你很可能进公司的第一步就是去维护那个 HiAgent 的东西，相信我他比 Coze、Dify 还烂...

而且这些东西确实还是有点用，就个人长时间实践来说，Coze对于AI产品经理是天生利器，有了这东西做demo完全就不用求程序员了，这相当于拓展了其能力边界。

) _1 y+ w7 O! N0 o/ w

具体到Agent平台可就多了，常见的有Coze、Dify、FastGPT、n8n等，这里必须要熟练的是Coze和Dify，Coze是因为门槛奇低、Dify是因为他是私有化部署的主力：

开源版Coze 和 Dify 深度 PK：谁能成为你的 AI 应用开发利器？

- }8 F. c# s8 I$ R1 g0 S

Dify内心：Coze开源只是太监版本，我一点都不慌！

学得比较深入的标准是：需要能做技术选型，即说清楚在不同场景下应该选择什么平台，为什么。也就是有一套统一的参数去评价所有的Agent平台，比如：

; |% P1 s0 s) Q! H! t8 ~& z, K6 |

2 \0 u- M6 s5 {( C
2 D$ z1 R9 C/ a: v# F( f% u* d

只要确定要学什么，具体到怎么学反而很简单了，这里实现一套大家都看得懂的工作流即可，比如简单的HR工作流：

# a* F, k) f3 ~. y8 B

+ Y( f! _, c7 l5 N2 d  @

在Coze玩得比较溜的情况下，就可以开启下个篇章AI表格：

; d: r/ @) q7 ^7 h) C) L5 y( I二、AI表格

当一个公司上了Coze后，他们就一定会接触到AI表格（或者说多维表格），而正常的公司最终会发现AI表格才是公司中后台AI应用落地的王道，原因是：

: V) i. J. b$ S* i$ m2 S

AI企业落地真相：90%靠工程，10%才是模型？当然不是，分类都是错的...

“90%工程、10%模型”是真相吗？一个AI表格案例给你答案

* M8 t# X% M& b

各个公司中后台部门天然亲近Excel类产品，而AI表格完美解决了Excel多人协作难的核心问题

以去年的钉钉产品发布会情况来说，上午简单开场后接的是钉钉生态下的三个典型案例：

' K" T6 |! Q0 T3 B& `, @& Z; i

6 r/ P  M% g# I* ~
• 第一个是钉钉生态赋能直播电商；
  2 K; I1 t% U( e4 Y8 H0 G9 \: M
• 第二个是钉钉生态赋能工业制造；
  
• 第三个是钉钉在全球化上的应用；
  / |3 S4 L% k+ v. D; z

而这三个其实全部是AI表格的案例，然后下午场的核心依旧是AI表格！而且飞书体系多维表格也在疯狂发力！

这代表了一个重要的方向：AI表格将成为各个公司用AI降低业务理解和流程梳理的重要乃至唯一工具。

: {1 m+ H  n9 Z9 q

所以，学好了AI表格，几乎掌握了进入各个公司业务的钥匙。知道为什么要学后，具体学起来就很简单了，实现一套简单的公司全流程管理即可：

5 A# ~1 r, \: N2 ~( l1 d7 u

& R, l4 o5 I5 o5 S

在AI表格也玩得比较熟悉的时候，那么你就已经超越80%的人了，在这个基础之下变可以进入知识库篇章，这里的核心是RAG：

- }& e8 Y; C) a7 f/ ^# `# q三、RAG知识库
. k2 V( u  N# J) i+ X% x7 T# n& e8 k

RAG几乎是面试的必选项，因为所有的公司都有AI知识库需求，只不过能说清楚这是什么玩意的人很少，于是市面上错误的技术路径在各种传播...

具体要学RAG不要去死记硬背概念，直接做最具体、最合适的项目：AI客服！

《万字：AI客服实战方法论》

- j, A3 B9 [' K# e; h! T

《万字：生产级别的RAG系统》

8 ]( [/ {3 P0 U% u

《万字：RAG实战技巧，包教包会》

为降低学习成本，初期可以直接用Coze去搭建、后期也可以用Langchain这种框架，要注意的是工具一点都不重要，RAG困难的点一直都是数据的整理。

- [! m$ s+ b4 {# g0 r5 \, L

学习RAG、做AI客服项目的重点不过是建立AI工程基本认知，并且初步接触数据工程

而到你基本客服项目入门后，也就意味着你在AI知识学习这块也终于也入门了。并且到目前为止，几乎是很简单的。

但不要高兴得太早，更不要觉得AI应用不过如此，因为如果现在的难度是6个点的话，后面的难度一下就会飙升到12个点，属于非实践、有真实项目经历传授很难学会的部分了...

0 r  e2 E% x1 p# @: K

所以接下来先不必深入学习，可以先吃点配菜：

2 P3 h* t$ @7 E四、实现简单Manus
: D% ~% z4 d+ x6 i0 O( [
7 P4 i1 l3 H1 Z

Manus作为标志性Agent项目，在AI界几乎家喻户晓，但为什么市面上又流传着不好用、门槛低的声音？

作为AI知识的系统性学习，你要清楚Manus其实是多Agent应用，进一步开始建立自己独有的AI知识框架了：

$ m; x, N& L4 U" f, n

. S2 x. B7 n* q6 d) G& F1 x$ k

比如你需要对他的技术架构进行深挖：

• 大模型解决规划与调度问题，Manus能爆发的核心原因就是模型能力大幅增强；
  5 W, e/ W% {' n$ i1 F, n# d
• RAG解决幻觉问题，当前模型的发展趋势来说，模型上下文破百万是早晚的事，如何让模型聊得像人，体验好的AI分身这类应用，将在这两年诞生；
  + C% K! c8 Y3 D" e% ?7 o# ~8 c+ J
• 工具链解决多模态问题，包括最近很火的MCP、Computer Use其实都算是AI多模态能力的延伸，要的就是解决AI各种“不行”的问题，这里包括了听觉、视觉、触觉等；
  

建立AI知识框架、熟悉基础架构后，你可以看到以前看不到的风景了，比如：多模态相关的东西做不得！他是Agent的核心，基座模型一定会自己实现

% k5 P! T# f- x+ ]" \6 D. h

包括，语音相关、视频相关、什么图生文、文生图，视频语音什么的，接下来要死一大半，公司千万不要涉足...

当然，最好的学习方式是做一次，所以这里建议大家花1-2周时间，用前面的知识，对Manus做一次简单实现，从而感悟到更多的东西：

《万字：Agent概述》

: ]+ v: n5 P4 O* m! }- [" C

《万字：做一个Agent-上》

, g. {4 s% I2 {1 f

《万字：做一个Agent-下》

- }/ u7 ~: V1 {* a; F. B- e

《万字：理解LangChain》

到Manus实现后，你已经掌握了基本的AI脉络，一般AI玩家也要尊称你一句大佬666了，而且这个阶段是非常容易自信心爆棚的，毕竟半灌水响叮当嘛，大家也会尊称你一声AI专家了：

* k1 C8 T3 p3 x% i5 {( [2 L; P) d9 i
  y6 v7 m. Y$ m6 k

% v: H( O- S; `5 v1 l4 f. L. ?

只不过AI专家并不是结束，而是真正的开始，因为问题接踵而至，因为身边的人会问你很多问题，比如：

5 k. e$ ^) v2 q

' F% P6 k5 t1 `% ?2 N
• 为什么我的AI聊得很傻，如何让他聊得像个人；
  " ^/ G2 `) t2 \" b
• 为什么我的AI应用准确率一直上不去，换了几个模型都不好使，是不是AI的实用性并不高，更多是噱头；
  
• 为什么大家都说Cursor、Claude Code已经很强了，但是我在芯片编程这块一点都不好使，是我没用对吗；
  1 r: W0 ~+ _( V
• ...
  ! t3 f8 l8 J" {, Q# c2 r9 A

于是作为AI小专家的你，突然就傻眼了，之前学的内容好像没涉及这一块呢？

当然不会涉及，因为接下来才是真正的AI应用，到这里才慢慢进入AI应用的深水区，开始实际接触数据工程了，只不过完全自学的话到这里就已经结束了，所以接下来只做简单介绍即可：

0 k0 O2 E, x! b- h终章：数据工程

2 `1 B; i% ]1 P2 n# c) \

至此，我大言不惭的说一句：所有应用层的AI应用，瓶颈一定会在数据工程，搞不定数据工程，绝不可能诞生好的AI应用：

模型越强，微调越弱：到底什么时候该微调？

; s1 p( i' l+ K& T- w

万字血泪史：去TMD微调，因为这事我被怼脸连骂2小时！

) j7 [& R7 R. P" [% W# @. E

其实前面“AI专家”遭遇的所有问题，其背后都是数据工程的应用，问题背后事实上的难点是：

, S) V. u9 h5 J5 k* ^

$ \* ]6 _' K2 X# ?. X9 `
• 如何建立AI应用的可观测性；
  
• 可观测性的架构是什么，应该对应什么样的数据结构；
  
• 如何将认知整理成知识，或者在已经有知识的情况下，如何组织数据；
  
• 数据应该如何与AI交互，保证每次AI都能拿到相关数据。发现由于数据不足导致的AI问题，应该如何用生产数据反馈系统优化知识库，这就是我们常说的数据飞轮系统，他是数据工程的一个分支；
  
• 意图识别怎么做；
  
• 如何形成飞轮系统；
  9 M! D: C7 j, e; J( c( o2 c
• ...
  

从整理数据到与AI交互再到后面的数据反馈，组成了我们常规的数据工程。

过程中很多知识是依赖于专业人员，如医生、律师，这种非互联网工种根本无力整理自己的认知。

, i( b1 B6 I0 O' _; |, p

于是需要互联网人组织他们，这里又涉及到了管理学工程，大家要相信，管理医生和律师去工作是很简单的，但要让他们做输出是很难的。

比如我之前的下属有北大和首都医科大学（安贞医院）的硕士，他们是很轴的。

. j; {8 \) a+ ?* v' u

最后，数据工程是个漫长的周期，会导致AI项目的时间周期很长，并且系统一会表现得好、一会表现得差的，这会很消耗团队的士气，这里又涉及到了项目管理工程。

综上，复杂的AI项目其实是个偏工程的项目，特别是其中KnowHow、数据与技术架构、模型特性几者的纠缠会很复杂，如果不是本身水平很高的人，要么把这个事情理不清楚，要么没有管理能力去调动各个专业口的人员。

! j" v5 X) v: ^( G+ T* X) l1 K8 c

但如果已经是高管的人，很难沉下心来一点点梳理KnowHow与数据，这可能是导致复杂AI应用很少的主要原因。

9 x9 {1 s2 m2 H6 j; ?& k. K2 u2026 Agent 大年
' d: [( P+ k: d9 g+ {

去年被称为AI应用元年，只不过很多应用还在路上，开发进度很慢，核心原因无非三点：

• 受限于资金；
  
• 受限于数据；
  
• 受限于人才（技术路径）；
  4 [6 |3 o4 p: ~+ ?1 q! f

但我这边之前在做 AI + 管理 的创业，接触的公司要多一些，从有限的30家公司的认知来说，可以得出一个乐观的结论：整体企业当前是有意识投入AI。

  X7 I4 l1 [  k' t# D

只不过乐观的预期下是悲观的现状：各个企业非常慎重，因为AI试错成本太高，这里导致的实际结果就是：30个公司，AI投入超500万的只有2家，多数公司是花个100万左右试试水！

; F$ [' e: @9 i6 [. t! V

但是，由于 OpenClaw 的火爆，各个老板都被洗脑了一遍 这个情况在接下来可能会发生很大的变化：

简单来说就是All In AI，AI将渗透各行各业，2026年一定是Agent 大年，各位要做好准备，吃下这波红利