从 Chat 到 Agent 的转变
在 2026年3月份的当下，正在经历一个从“对话”（Chat）范式向“智能体”（Agent）范式的转变期。
大部分中国人之前总是会认为 AI 就是基于 Deepseek、抖音豆包、腾讯元宝的对话。
少部分中国人知道 Manus 智能体，然后这一少部分人里面的一部分人认为 Manus 只是大模型套壳，不具备真正价值。2025年 12月 30 美国科技巨头 Meta 宣布以 20 亿美元收购 Manus，随后引发商务部调查。
真正让人们认识到智能体（Agent）范式的东西是 OpenClaw，我明显能感觉到从政府到大公司，都在极力推动 OpenClaw。央企和政策越来越聚焦于算力产业链，中大型科技公司都在基于 OpenClaw 推出自己的XClaw，像腾讯 QClaw、字节ArkClaw、小米MiClaw、百度DuClaw，一时间颇有百家争鸣、千舟竞发的局面。
然后很多人体验完 OpenClaw 之后，一部分人认为它是万能的，另一部分则认为它只是个玩具。
我完全理解这两种看法或者心态，从主观方面，OpenClaw 的能力非常依赖于大模型和使用方法，甚至即使你使用了第一梯队的大模型API，但是在某个时间段仍然会出现因为算力拥挤而导致OpenClaw “降智”的现象。从客观方面，大模型本质上是概率，而不具备像人类那样的“记忆力”和“逻辑推理能力”，只是当概率模型的规模足够大时，涌现出了推理、泛化能力，这也就是意味着 OpenClaw 这类智能体的确定性不够强。
| 维度 | 人类计算 1+1=2 | 大模型 “计算” 1+1=2 |
|---|---|---|
| 本质 | 逻辑推理 + 规则执行 | 条件概率预测下一词 |
| 是否懂加法 | 懂抽象数学概念 | 不懂，只懂文本搭配 |
| 出错原因 | 粗心、算错 | 概率采样偏差、幻觉 |
| 泛化能力 | 强，新算式也能算 | 复杂算式容易崩 |
| 内部过程 | 有明确计算步骤 | 逐词生成，无步骤感知 |
| 逻辑剖析 | 1. 知道 1 代表一个物体。 2. 知道 + 代表合并。 3. 知道 = 代表结果相等。 | 1. 训练语料里有海量 1+1=2、一加一等于二 文本。2. 模型把这种文本序列模式记在了参数里。 3. 输入「1+1=」，它匹配到最高概率的续接就是「2」。 4. 它并没有执行加法运算，只是在完成 “补全句子”。 |
究竟要怎么看待“智能体”（Agent）范式？
宏观角度
从宏观来看，尤其是中国和美国，人工智能就是他们钦定的发展方向，从国家顶层设计、资本流向、半导体产业链、商业公司研发、学术研究、算力产业链、能源产业链，这些东西的最终流向都是AI相关。
在中国高考中胜出的那些最聪明的孩子绝大多数都会去清华姚班，北大智班等等计算机专业。
从这个角度，AI 人工智能就当前地球人类文明发展的最核心方向。
微观角度
从微观来看，普通人已经通过 ChatGPT、Deepseek、AI生图、AI制作视频体验到了AI带来的创造力和生产力。
- OpenAI在2022年11月30日发布了 ChatGPT-3.5，2023过年后我在深圳就开始使用ChatGPT写代码。
- stable diffusion webui 首个版本是2022年 8 月发布的，在2023和2024年迅速流行起来，我在2023年升级显卡，第一次让大模型根据指令生成图片的时候，忘不了当时的兴奋和惊叹。
- 而到了2024和2025年，stable diffusion webui 略显颓势，comfyui 凭借高度的灵活性后来居上，直到今天国内外AIGC社区网站、微信群都在高强度讨论。
时间来到2026年2月份，OpenClaw 横空出世，我第一次使用它的时候，并没有我带给我第一使用ChatGPT生成代码、第一次使用stable diffusion webui 生成图片的那种震撼和惊叹。可能是阈值提高，可能是因为自己已经使用过基于Python代码的RPA，也可能是在claude code等编程工具里已体验过类似的智能能力，但是理智上隐隐约约意识到“这是一个重点的从“对话”（Chat）范式向“智能体”（Agent）范式的转变。”
Chat范式只是一个工具，而Agent范式则可以无限接近于一个人。
从 OpenClaw 在 2月份爆火到这篇文章，时间不过三四十天，我已经从微信群、论坛、程序员朋友看到了一些应用，也得知了一些公司通过“OpenClaw + 自定义 Skills + Python 代码逻辑” 来实现很多具体的业务需求。
从这个角度，至少可以得出一个最基本的结论，至少 AI 不是房地产泡沫，不是荷兰郁金香庞氏骗局。
OpenClaw 和 其他Agent 有什么区别？
这里我想探讨下技术选型问题，或者说 OpenClaw 这个Agent 和 其他Agent有什么区别。
不熟悉技术的人可能很容易将OpenClaw当作是一个新的物种、新的技术，但是对人工智能稍微有些了解的人会知道在OpenClaw 之前，市面上已经有了非常多的Agent 和 Agent框架。
所以我非常好奇，为什么 2024, 2025年 各个公司在开发 AI Agent的时候, 都在尝试 LangGraph、LlamaIndex、AutoGen、LangGraph 这些 Agent 框架, 而到了2026年几乎都转到了 OpenClaw ?
OpenClaw 之前的Agent时代，就像持续了600年、百家争鸣的春秋战国，而OpenClaw 有些像从公元前230年秦灭韩开始，到最后221年灭齐，只用9年就一统天下的秦始皇。尽管这个描述有些夸张，但某种情况下确实如此。
进一步对比 OpenClaw 和第二名的 AutoGPT 的其他指标，可以看到明显有更多的人参与到 OpenClaw 项目，有更多的反馈和修改。
- OpenClaw, Issues 5k+, Pull requests 5k+.
- AutoGPT, Issues 232, Pull requests 133.
那么是什么东西促成了这种转变？OpenClaw 有什么特别之处？还是说OpenClaw 只是一颗流星？是不可持续的风口？对此，我进行很多的观测和讨论，包括问了一些深圳南山的朋友怎么使用OpenClaw，他们的回答如下：
目前至少业务知识尽力在skill化，大部分人的kpi也都是提供skill，然后套个agent串联几个 skill。
就是以前的工作任务主要使用代码去直接实现某些功能，而现在通过写 skills，再让OpenClaw调用skills的能力去实现。
最近也感觉是不要过于复杂，其实一个skill已经基本能完成一个复杂业务流程了，一个产品甚至也可以是一组skill组合，我之前看open spec的源码就是一组skill的产品，感叹真是脑洞大开。
这个则是在分享skill的技巧，似乎在说有时候一个skill即可，不必要引入过多的skill？
OpenClaw 其他 Agent 对比
| 框架 / 项目 | GitHub Star (2026.03) | 核心定位 | 技术栈 | 核心优势 | 典型场景 |
|---|---|---|---|---|---|
| OpenClaw | 32.6 万 + 🚀 | 本地优先、端侧执行中枢 | TypeScript | 零代码、本地可控、模拟鼠标 / 键盘操作、端侧 AI 自动化 | 个人数字员工、本地 RPA、桌面自动化、离线 AI 助手 |
| AutoGPT | 18.2 万 + | 自主智能体鼻祖 | Python | 最早的全自动 Agent，自主规划、反思、联网搜索 | 全自动任务、自动化探索、Demo 演示 |
| LangChain | 8.5 万 + | LLM 应用开发底座 | Python/JS | 生态最完整，RAG / 工具调用 / 链编排，社区插件最多 | 通用 LLM 应用、RAG、快速搭建 Agent 原型 |
| n8n | 4.2 万 + | 工作流自动化 (RPA) | TypeScript | 可视化流程，连接 1000+ 系统 API，非 LLM 原生 | 系统集成、数据同步、API 自动化、企业工作流 |
| LangGraph | 1.4 万 + | 状态化多 Agent 编排 | Python | 基于状态机，支持循环、中断、持久化、复杂工作流 | 企业级可靠 Agent、多轮复杂决策、多智能体协作 |
| CrewAI | 4.0 万 + | 角色化多 Agent 团队 | Python | 角色分工明确，Agent 之间协作完成复杂目标 | 多智能体团队、任务拆解、内容 / 研究自动化 |
| MetaGPT | 6.2 万 + | 多 Agent 软件公司 | Python | 模拟产品 / 设计 / 开发 / 测试全角色，自动写项目 | 自动软件开发、代码工程、需求落地 |
| Dify | 6.0 万 + | 低代码 Agent 平台 | Python/React | 可视化编排、RAG、插件系统、一键发布 | 企业快速落地 Agent、客服、知识库助手 |
| LlamaIndex | 3.0 万 + | 数据增强与 RAG 专家 | Python/JS | 文档索引、结构化数据接入、复杂知识检索 | 深度 RAG、企业知识库、文档问答 |
| AutoGen | 3.0 万 + | 多 Agent 对话框架 | Python | 支持人类参与、多智能体对话、代码执行 | 科研、代码生成、人机协同 Agent |
| Qwen-Agent | 1.5 万 + | 阿里轻量级 Agent 框架 | Python | 轻量化、工具调用、网页浏览、兼容通义系列 | 国内模型生态、轻量 Agent、快速落地 |
| Langflow | 5.0 万 + | 可视化 LangChain 编辑器 | Python/React | 拖拽式构建 LLM 应用，基于 LangChain | 低代码 Agent、快速原型、非开发人员使用 |
人工智能发展编年史
2026
2026年是 AI Agent 规模化落地元年，行业重心从大模型比拼转向智能体协同、本地自动化、企业安全部署与生态协议标准化。
- OpenClaw（小龙虾）：最火开源 AI Agent 框架，主打本地部署、自动化办公、数字员工。
- NVIDIA NemoClaw: 企业级安全增强版 OpenClaw, GTC 2026 重磅发布.
- Google Gemini: 月活 7.5 亿 +, 全球最大 AI 服务, MCP 协议生态核心.
- Claude Code: 原生代理式编程, 深度集成 Xcode, 开发者首选.
- MiniMax：全球首个 Agent 原生设计的生产级大模型。
- CrewAI: 最易上手的多智能体协作框架, GitHub 星标 18.2K+.
2025
2025年进入多模态全面成熟 + 低代码应用平台爆发阶段，RAG+Agent 成为企业标配，视频生成与实时交互普及。
- GPT-4o: OpenAI 实时多模态交互标杆.
- Sora: OpenAI 文生视频工业级模型.
- Claude 4.5：超长上下文，企业级推理主力。
- Dify: 低代码 LLM 应用开发平台, 快速搭建 Agent/知识库.
- Qwen-Agent: 阿里开源轻量级 Agent 框架, 中文生态友好.
- LangGraph: LangChain 推出的 Agent 工作流编排框架.
2024
2024年以开源大模型生态爆发、多模态理解成熟、AIGC 工作流工程化、多 Agent 框架兴起为核心特征。
- Llama 3: Meta 开源大模型, 推动开源生态爆发.
- GPT-4V: 多模态理解里程碑.
- ComfyUI: Stable Diffusion 可视化工作流神器, AIGC 必备.
- AutoGen: 微软多 Agent 协作框架.
- LlamaIndex: RAG 检索增强生成标杆框架.
- SD WebUI (Automatic1111): 最流行 Stable Diffusion 本地部署 UI.
2023
2023年是对话式 AI 全民破圈、国产大模型集中亮相、开源大模型正式崛起的一年。
- ChatGPT (GPT-3.5): 全民 AI 爆发起点.
- GPT-4: 逻辑推理与多模态能力质变.
- Llama 2: Meta 开源大模型, 开启开源时代.
- Midjourney V6: 图像生成主流工具.
- 文心一言、通义千问、讯飞星火：国产大模型集中发布。
- Claude 2: 超长上下文文档处理利器.
2022
2022年是AIGC 全民化启动、生成式 AI 从实验室走向大众的关键一年。
- ChatGPT (GPT-3.5):11月发布, 两个月破亿用户.
- Stable Diffusion: 开源文生图模型, AIGC 普及开端.
- DALL·E 2: OpenAI 商业级图像生成.
- GitHub Copilot: AI 编程助手规模化应用.
2021
2021年进入大模型涌现能力验证、多模态预训练起步阶段。
- GPT-3: 零样本/少样本学习能力正式显现.
- CLIP、DALL·E: OpenAI 多模态基础模型.
- Stable Diffusion 早期研究：隐式扩散模型奠基。
2020
2020年标志超大规模预训练语言模型时代正式开启。
- GPT-3:1750 亿参数大模型发布.
- T5 BERT-large: NLP 预训练主流模型.
2019
2019年确立NLP 预训练–微调主流范式，生成模型能力显著提升。
- GPT-2: 文本生成与少样本能力初显.
- BERT: Google 预训练模型, 全面刷新 NLP 基准.
2018
2018年是Transformer 落地爆发、预训练语言模型路线确立的一年。
- GPT-1: OpenAI 生成式预训练起点.
- BERT: 开启 NLP 预训练新时代.
2017
2017年是AI 底层架构革新元年，Transformer 横空出世，彻底颠覆序列建模方式，成为后续大模型核心基石。
- Transformer: Google 发表《Attention Is All You Need》提出, 替代 RNN/LSTM, 大模型底层架构奠基.
- AlphaGo Zero: DeepMind 强化学习里程碑, 无人类数据自学完胜前代版本.
- GAN 系列优化：WGAN、CycleGAN 推出，生成对抗网络稳定性大幅提升。
2016
2016年是强化学习全民破圈、深度学习全面落地的一年，AI 在复杂博弈领域首次战胜人类顶尖选手。
- AlphaGo: DeepMind 研发, 击败围棋世界冠军李世石, 强化学习轰动全球.
- ResNet: 微软提出, 解决深度神经网络退化问题, 模型层数大幅突破.
- YOLO: 首创单阶段实时目标检测, 计算机视觉工程化提速.
- SpaCy: 开源工业级 NLP 库, 推动自然语言处理落地应用.
2015
2015年进入深度学习技术全面成熟、视觉与语音能力突破阶段，模型架构与训练效率大幅优化。
- Faster R-CNN: 计算机视觉两阶段检测标杆, 精度大幅提升.
- 深度学习语音识别：首次超越人类水平，语音交互技术奠基。
- Batch Normalization: 批量归一化技术, 解决深度模型训练难题.
- TensorFlow: Google 开源深度学习框架, 普及深度学习开发.
2014
2014年是生成式 AI 起步、深度学习框架普及的一年，生成模型与 NLP 表示学习迎来关键突破。
- GAN（生成对抗网络）：Ian Goodfellow 提出，开启生成式AI新篇章。
- Word2Vec: Google 发布, 词向量技术突破, 推动 NLP 表示学习.
- PyTorch 早期版本：Facebook 推出，灵活易用的深度学习框架。
- Seq2Seq: 序列到序列模型, 奠定机器翻译、对话系统基础.
2013
2013年是深度学习在 NLP 领域初步崛起的一年，词向量与视觉检测技术持续优化，应用场景逐步拓宽。
- Word2Vec 雏形：分布式词向量研究落地，NLP 特征工程革新。
- OverFeat: 首个结合深度学习的目标检测与定位模型.
- Caffe: 开源高效深度学习框架, 适合计算机视觉快速开发.
2012
2012年是深度学习革命爆发元年，AlexNet 登顶 ImageNet，彻底颠覆传统计算机视觉方法。
- AlexNet: Hinton 团队研发, ImageNet 竞赛夺冠, 深度学习正式引爆.
- ReLU 激活函数：普及应用，解决深度学习训练梯度消失问题。
- GPU 加速训练：大规模应用 GPU，大幅缩短深度学习训练周期。
2011
2011年是深度学习商业化试点、语音助手起步的一年，AI 开始向消费级产品渗透。
- IBM Watson: 参加《危险边缘》战胜人类冠军, AI 认知计算破圈.
- Siri: 苹果正式推出, 首款消费级 AI 语音助手规模化落地.
- 深度学习语音识别：Google 研发，大幅提升语音识别准确率。
2009-2010
2009-2010年是大数据与标注数据集奠基、深度学习蓄力的阶段，为后续视觉革命储备核心数据。
- ImageNet 数据集：大规模标注图像数据集成熟，计算机视觉数据基石。
- 传统机器学习巅峰：SVM、随机森林、Boosting 成为工业界主流算法。
- 稀疏编码与自编码器：无监督学习研究突破，深度学习预热。
2006
2006年被公认为深度学习元年，深层神经网络训练瓶颈突破，AI 走出第二次寒冬。
- 深度信念网络（DBN）：Hinton 提出，解决多层神经网络训练难题。
- 逐层预训练技术：开启深度学习研究热潮，打破感知机局限。
1997
1997年是传统 AI 博弈突破、序列模型奠基的一年，AI 首次在复杂棋类战胜人类顶尖选手。
- IBM 深蓝（Deep Blue）：击败国际象棋冠军卡斯帕罗夫，AI里程碑事件。
- LSTM 模型：提出长短期记忆网络，解决 RNN 梯度消失问题，序列建模核心。
1986
1986年是神经网络技术复兴的一年，反向传播算法重新普及，突破早期神经网络训练局限。
- 反向传播（BP）算法：Hinton 团队复兴推广，多层神经网络训练可行。
- 多层感知机（MLP）：普及应用，神经网络研究重回主流。
1959
1959年正式确立机器学习概念，AI 从纯理论推理转向数据学习方向。
- 机器学习概念提出：亚瑟·塞缪尔定义术语，开发跳棋 AI 程序自学优化。
1957
1957年是神经网络硬件化起步的一年，首个可学习神经网络模型诞生。
- 感知机（Perceptron）：罗森布拉特发明，首个可学习人工神经网络模型。
1956
1956年是AI 学科正式诞生元年，人工智能术语确立，学科研究正式启动。
- 达特茅斯会议：约翰·麦卡锡首次提出“人工智能”术语，学科正式创立。
1950
1950年奠定AI 理论基础，提出机器智能核心评判标准，开启 AI 理论探索。
- 图灵测试：图灵发表《计算机器与智能》，提出机器智能评判标准。
1943
1943年是AI 神经科学理论奠基的一年，构建人工神经元数学模型，为神经网络埋下伏笔。
- 人工神经元数学模型：麦卡洛克-皮茨提出，神经网络最早理论基石。
