摘要

王文锋把 OpenClaw 定义为一次产品形态验证，而非底层范式突变。 Manus 靠 reasoning 模型释放 deep research，OpenClaw 则把最新模型的 coding 能力压榨到极限，并让此前长期讨论的主动性、自我迭代真正跑起来。由此曲凯提出“最终所有的 Agent 都会是 coding agent”，王文锋认同并进一步判断，接下来所有 Agent 都会围绕 coding agent 去套壳或研发。
垂直 Agent 与传统 SaaS 的逻辑都需要被高度怀疑，因为 terminal＋skill 正在把不同场景统一到同一种执行底座上。 Anthropic 披露的 Claude Code 用途中，只有 49.7% 属于 software engineering，超过一半已是办公自动化、数据分析、marketing 和 copywriting。王文锋认为 SaaS 曾靠固定 UI 规模化复制专家能力，Agent 则直接理解目的、生成方案并迭代，相当于给每家公司一个随情境变化的定制专家。
Coding Agent 的能力上限可能已经够用，真正的瓶颈是多数人不知道它强到什么程度。 OpenClaw 作者走红前曾在一天提交约 1,600 次代码，王文锋将其类比为三四人小组一年的工作量；Cursor 也曾用 Agent 一周完成约 300 万行代码的浏览器。他把顶级用户设为 90 分、普通用户设为 10 分，强调这不是线性差距：“用得好的人一个人可能是一千倍的效率。”普通用户则可能还在做错误的事情或简单的编程任务。
从百万工程师扩展到十亿普通用户，是这一轮最直接的产品化与分发机会。 曲凯估算 OpenClaw 已有 200 多万个 Agent，但其中可能包含一人部署多个账号。王文锋称 Claude Code 活跃用户已达 100 万，按他所说的市场份额，Codex 可能是其 3—5 倍，两者合计活跃用户“应该”也有 500 万；相对于他判断的十亿级终局，目前渗透率“连 1% 都没到”，关键不是再造更聪明的 Agent，而是把配置和管理门槛压平。
长程任务的进展来自模型能力与文件系统工程方法的结合；真正的主动性则是让 Agent 自己维护 context、发现需求并管理其他 Agent。 任务从几十个 step 延展到几百乃至上千个 step 时，文件系统使错误变得可观察、可修复：Agent 能检查 memory、progress 等文件，发现偏差后自行修复。更进一步，王文锋设想由一个 meta Agent 主动发现问题、配置专用 Agent、完成任务、沉淀经验再释放它——也就是“AI 管 AI”。
AI 可能大量压缩执行岗位，但人仍保留 taste、默契和最终把关。 王文锋判断，十名客服变一名的故事可能复制到工程团队，十名工程师可能只留两名；如果一件事必须被完整讲清楚，人反而已经输给 AI。留下来的人要能凭长期 context“点一下就知道在想什么”，并承担最后点击 merge、签发“合格证”的责任。
Sheet0 已转向把内部 Linear—Slack—GitHub 自动开发流程产品化，服务高 Token 消耗用户。 需求进入 Linear 后，AI 可直接开发、测试、附截图并提交 PR，工程师从 Agent 指挥者变成质检员；王文锋称个人效率同比至少提高 10 倍，过去一年才能发布的产品现在“两个月都太慢了，可能两周就够了”。团队上月 AI coding 支出约 2 万美元，目标用户不是按个人或企业划分，而是按 Token 消耗划分。
这套效率革命同时可能制造需求收缩，因此王文锋只愿意解决未来 3—6 个月的问题。 若“一人独角兽”意味着大量员工被移除，工资、消费与企业上游需求可能形成负反馈，而非无限扩张的正循环。创业策略也由预测五到十年后的终局改为“预判为辅、跟随为主”：“不要去尝试解决那些人们还没有遇到瓶颈的问题。”

精读

1. OpenClaw证明的不是新入口，而是Coding Agent的新形态

王文锋认为这一波与一年前没有本质区别：Manus 和 OpenClaw 都不是先发明一套理论，而是证明此前没人确认能成立的新产品形态。前者借 reasoning 模型的思维链释放 deep research，后者释放的则是 coding 能力。
对“OpenClaw 因为能在 Telegram、Discord 等 IM 中方便使用才走红”的解释，王文锋并不认同。入口只是表象，核心是它“真正把现在最新模型的 coding 能力压榨到极限”，让人看到过去认为跑不通的事情已经能跑通。
一年前行业反复讨论 proactive、自我迭代和自我进化，却没有代表性产品；OpenClaw 的意义是把抽象概念做成可感知结果。曲凯据此重提王文锋一年前的判断：“AI coding 是大模型的零售端。”

2. 所有Agent都可能收敛为Coding Agent套壳

王文锋的新结论更进一步：“接下来所有的 Agent，最后本质上又变成了一个 coding agent 的套壳。”OpenClaw 虽有 memory、Slack、Discord、Telegram 等组件，智能内核仍是设计极简的 Pi coding agent。
去年的讨论还假设每个垂直场景都要单独构建 RL 环境、交互和定制策略；今天，terminal＋skill 基本统一了这些环境。过去难以复制的垂直 know-how，现在可以通过 coding agent 加上对应 skill 来实现。
Manus 曾被讥为 API 套壳，但王文锋反而把它视为“模型 API 时代的极致套壳”；OpenClaw 则是 coding agent 时代“最好”的套壳表现。它是否已经达到极致尚无答案，但“谁能把 coding agent 的壳套好”会是今年的重要机会。
曲凯由此追问过去一年通用平台与垂直 Agent 的路线输赢。王文锋虽称自己“不愿意承认”，结论仍很明确：垂直 Agent 路线现在“需要被高度怀疑”，所谓垂直定位有时只是回避与通用 Agent 正面竞争的心理安全感。

3. Agent击穿SaaS的根因是重新分发专家能力

Anthropic 的使用报告提供了现成反证：Claude Code 只有 49.7% 的场景属于 software engineering，超过 50% 已用于办公自动化、数据分析、marketing 和 copywriting。“不是我们推演它会怎么样，而是现在事实上 Claude Code 已经能做所有的事情了。”
王文锋对 SaaS 价值的拆解是：软件第一次让专家经验无需长期培训即可规模复制，而垂直 SaaS 的 UI，本质是把某行业的专家工作流固化为表单、dashboard 和记录。AI coding 降低开发成本只是表层冲击，真正的替代来自专家能力载体已经改变。
过去 To B 软件强调 best practice，是因为软件无法处理每家公司不同的真实需求，只能迫使用户向标准流程收敛。Agent 面对“最佳实践”和非标准流程，对 AI 来说执行起来其实没有区别，因此可以直接理解目标、拟定方案并随企业情境变化。
曲凯的反驳值得保留：如果 SaaS 壁垒只是 coding，美国 SaaS 早该被工程师更便宜的中国公司替代，事实并非如此；真正问题是 skill 能否承载复杂 know-how。王文锋仍倾向于“能”，因为他认为今天的模型已经达到类似人的程度，可以学习工具并按工作说明完成流程。

4. 能力天花板已越过，瓶颈变成“人不会用”

王文锋认为，今天争论 Agent 能否完成复杂工作已经落后于事实。OpenClaw 作者在一月、产品走红之前，单日最多约 1,600 次 commit；按他的粗略类比，这相当于三四人技术小组一年的工作量。
另一个标尺是 Cursor 内部曾用 Agent 在一周内完成一个约 300 万行代码的浏览器；节目还提到 Anthropic 官方用 Agent 断断续续实现了一个 C 语言编译器。现实世界很少有比这些更复杂的软件工程，说明长程任务的能力上限“已经够到这个界限”。
真正的断层发生在用户侧。若每月消耗 2万—3 万美元 Token 的顶级用户是 90 分，普通人可能仍只有 10 分；两者并非八倍差距，而可能表现为千倍效率差异，后者甚至还在做错误的事情或简单的编程任务。

5. 百万工程师市场只是十亿用户基础设施的起点

曲凯估算 OpenClaw 已有 200 多万个 Agent，但其中可能包含一人部署多个账号；Manus 是几十万用户，Cursor 约为百万量级。王文锋更关注的数字是：Claude Code 活跃用户约 100 万，按他所说的市场份额，Codex 可能是其 3—5 倍，两者合计活跃用户“应该”也有约 500 万。
这批用户仍主要是工程师。王文锋判断，coding agent 最终会触达十亿人并成为基础设施；按这个终局，当前渗透率“连百分之一都没到”，普通运营、销售和产品人员才是尚未打开的主体市场。
当前不少团队只是替 OpenClaw 提供虚拟机和 hosting，服务的仍是能自行配置的工程师。王文锋团队即使主动鼓励非技术同事使用，也发现他们“真的是把这个东西配不好”；如何让普通人用好，才是今年套壳与发行版的真正产品问题。
OpenClaw 被类比为 Linux 内核，下一步或许会出现 Red Hat、CentOS、Ubuntu 式发行版，但王文锋提醒不能机械复刻。他相信全球至少已有 1,000 个团队在做相关事情，价值不会只来自再托管一个实例，而来自找到普通人的完整使用形态。

6. 文件系统让长程任务从脆弱状态机变成可修复过程

长程任务最直观的量尺是 step：读取文件、访问 API、调用 tool 都算一步。现在多数任务仍集中在几十个 step，王文锋预计今年会扩展到几百甚至上千步，关键能力是持续拆解问题并维护进展。
曲凯重提一年前的数学难题：即使每一步正确率有 90%，串联后整体成功率也会快速下降，还可能闭环空转或进入死循环。王文锋认为这个问题“应该是解决了”，因为 Agent 已不再依赖不可逆的内存状态机。
当 memory、progress 和任务状态都落到文件，按王文锋的判断，Agent 可以重新读取现场，发现早期步骤或记录有误后直接修改并继续。这不是要求每一步永不犯错，而是让错误变成可观察、可回退、可自我修复的对象。
模型能力只是其中一方面，另一部分是围绕 API、computer 与文件系统形成的工程方法论。去年的目标是由人精细控制 context；今天最有效的方式是给 Agent 一台电脑和一个文件夹，让它自己组织数据与逻辑：“less structure, more intelligence。”

7. 真正的主动性是让AI提出需求并管理AI

最初级的 proactive 是重复执行，例如每天 8 点发送昨日工作总结，或晚上 10 点梳理群聊中尚未完成的事项。它无需每天重新 prompt，并能在执行中优化工作流，但曲凯指出，这仍只是“被动触发的主动”。
更高一级的主动性来自长期 context：Agent 了解一个人的业务、性格、角色和工作后，主动发现问题并提出方案，“像同事一样”问你是否要这样处理。这对应王文锋引用的“context, not control”，核心是让 Agent 自行探索、反思、总结和迭代。
王文锋把产品范式概括为从 chat 的“人对 AI”，走向 OpenClaw 式“AI 管 AI”。当需求不再由人提出，他设想由一个 meta Agent 主动设置专用 Agent、让其完成特定问题、记录成功经验，再在任务结束后释放它。
这种真正的 proactive 尚不能开箱即得：Agent 想了解用户，必须先获得连接、权限和磨合期。企业专属 skill 可以积累经验，但针对某家公司代码库和流程优化的 Agent，搬到另一家公司往往价值有限；可复制的是能力，仍需重建本地 context。

8. 工程师正从Agent指挥者退到最后质检

Sheet0 的内部流程原本是：用户反馈进入 Linear，日会分发给工程师，工程师再驱动 Claude Code 开发、测试、提 PR 并合并。接通 Linear、Slack 与 GitHub 权限后，AI 收到任务便能直接开发、测试、附结果与前端截图，再提交 PR。
角色因此发生倒置：过去工程师是 AI 的指挥者，现在 AI 监控工程师并完成绝大部分工作，工程师只需检查 PR。王文锋形容其为从生产者退到“最后质检员”，而且这套流程从尝试到完全跑通只用了一周。
曲凯追问为何连最后一步都不交给 CodeRabbit 等 AI。王文锋区分了 code review 与上线责任：剩下的人类动作可能只是扫一眼并点击 merge，但像流水线在 99% 良品率下仍需签发合格证，这一点击承担的是最终把关。
王文锋称个人效率相比去年同期至少提高 10 倍；如果过去需要一年发布的产品，如今“两个月都太慢了，可能两周就够了”。生产效率不再是瓶颈，真正稀缺的是“做什么、做成什么样”，所以他反转流行话术：“idea is not cheap。”

9. Agent Harness比新模型更接近今年的产品缺口

王文锋今年最期待 Agent Harness。这个概念大约在去年 9 月、硅谷的小范围讨论中出现；去年的 context engineering 让行业意识到 context 决定成败，却没有告诉人们它具体长什么样。Harness 则像人骑烈马所需的马鞍，用来约束和驾驭能力已经很强的 Agent。
它既不像传统 infra 只面向 developer，也不像 SaaS 有清晰的基础设施—应用—终端用户分层。Harness 更接近面向 end user 的脚手架，需要结合团队业务、人员特点和工作方式，为每家公司构建可迅速运行 Agent 的局部环境。
对于新的 infra，王文锋表示至少目前还没有看到特别明显的机会；他提到 Obsidian 一类产品可能被用作上下文管理工具，但能否成为生意尚不好说。他认可 Andrej Karpathy 所强调的 CLI 方向：模型或研究人员缺的未必是 MCP、API，而是更好工作的 Command Line Interface，OpenClaw 本身也高度依赖 CLI。权限管理则是另一个可能的 infra 机会。
后端能力过去弱于前端，主要因为前端有即时视觉反馈，而数据库和内存状态对模型不可见。Sheet0 已向 AI 开放专用状态接口，并可给予数据库只读权限，让它核对预期、发现错误并迭代；权限管理可能是 infra 机会，但能否标准化成产品仍是挑战。

10. Sheet0转向第三阶段AI Coding：由AI驱动AI写代码

Sheet0 新版本就是把内部 Linear 工作流产品化，方向从打造“更聪明的 Agent”转为打造“管 AI 的 AI”。王文锋的判断近乎封顶：“经过精心配置之后，没有什么事情是 coding agent 做不到的”；真正困难的是配置、调度和管理。
他把 AI coding 分为三阶段：第一阶段是 Copilot 式补全；第二阶段是 Claude Code、coding agent 端到端执行，但仍由程序员主动 prompt；第三阶段则由 AI 澄清业务需求、生成任务并驱动 coding agent，程序员只做最终验收。
曲凯认可这一选择的一个原因是团队本身就是用户，开发过程与产品验证形成正循环。王文锋则把使命描述为一种“平权”：不追求把 90 分高手再提高一点，而是先把只会用到 10 分的人拉到 60 分以上。
首批画像中，约一半是 founder，四分之一是“超级产品经理”，四分之一是“超级 builder”。共同特征不是传统职级，而是想法多、思路清晰、ownership 强，能横跨设计、产品与研发同时处理多个领域。

11. Token消耗将重画客户分层与组织管理

Sheet0 上月 AI coding 支出约 2 万美元。王文锋认为，培养高水平 AI 用户并非不可能，前提是组织愿意提供“不受限的 Token 消耗额度”，先让所有人跟上，再谈精细衡量。
Agent 时代的客户分层可能不再按 To Enterprise、To SMB 或个人用户划分，而按 Token 消耗划分。服务超过 1 亿 Token 的主体，类似 SaaS 时代服务世界 500 强；一个主体究竟是一人、团队还是公司，对商业模式已不关键。
他的算账方式很直接：若一个用户每年能贡献 10 万美元，服务 1,000 个便是 1 亿美元 ARR。过去很难从一个人身上收到 10 万美元；现在这笔钱可能只是被替代的工程师预算，而硅谷一名工程师本就可能需要 15 万美元。
组织也在围绕这种新生产资料重排：一些成立十年的公司把全公司 Token 消耗前十名组成 Agent 专项小组，直接向 CEO、CTO 汇报。管理者则需检查“消耗是否与产出 match”；若不匹配，“要么解决问题，要么解决人”。

12. 一人独角兽也可能收缩总需求，所以只押未来3—6个月

Sheet0 目前只有七人，王文锋称其产出速度约等于过去 30—50 人；按旧标准，团队本应已有十几至二十人。他预计类似客服从十人缩到一人的过程可能复制到研发，十名工程师可能只需保留两名，剩下的价值集中于 taste、默契和最终把关。
曲凯追问，人人借 AI 成为“一人独角兽”后，市场是否需要如此多的产品。王文锋的答案偏悲观：裁员减少工资与消费，消费企业需求萎缩后再传向上游，可能形成负反馈；AI 某种意义上是在“把中间的人打掉了”，社会稳定也会承压。
这种不确定性使他从去年解决五到十年后的问题，转为“只考虑三到六个月”。Sheet0 原先追求 100% 可解释、100% 准确，终局目标则是 100% 可信；方向正确却过早：模型尚做不到，用户也没有因准确率不足而真正停止使用。
王文锋给出的创业纪律是：“不要去尝试解决那些人们还没有遇到瓶颈的问题。”去年团队面对 Manus 后是否跟做 Genspark，只有 1.5 个人赞成；如今他提到 Genspark“好像 1.5 亿美元”的量级，但未明确具体口径。教训不是照抄，而是放下差异化 ego，把“预判为辅、跟随为主”，沿真实瓶颈只多做半步。

Accrued Interest 的 Simeon McMillan 谈 $VSNT 与不断演变的媒体行业 Elena Verna：Lovable 如何发布产品并玩转社交实现病毒式传播