黄东旭

如果说2025年是Agent元年，2026年市场正从Token Maxing转向Token Efficient，但两位嘉宾都认为AI基建没有明显泡沫。 Uber用4个月烧穿全年AI预算、Meta计划限制员工Token消耗，看似降温；张宏江的框架是，这轮投资从占GDP比例看仍小于铁路、公路和互联网早期基建，而且Token价格据他判断过去几年大约以每年下降10倍的速度变化，消耗量增长会超过成本下降。

黄东旭给出了本轮最硬的ROI样本：一个人、3个月、一天额外花400至500美元，做出一个年收入可能达到1000万美元的云原生分布式数据库db9。 去年11月，在复杂且难以精确评估模型差异的任务上，他认为最好的策略仍是使用最强模型；当时Opus和GPT-5.1相对第二档Coding Agent存在断崖式领先。

OpenClaw的意义在于把Agent从研究带进工程、从模型带进应用。 东旭认为它把Agentic Loop和工具调用变成了普通用户更容易使用的个人助理形态；但其面向大众后的配置、稳定性和持续资源投入仍是问题，历史使命可能已经完成。关于能力跨越，东旭提到Claude Opus 4.5（去年11月），泓君则说自己从GPT-5.4开始使用。

东旭从Token Maxing转向Token Efficient，受到GPT-5.5、DeepSeek V4和Fable 5影响。 他曾用Slock让10个顶级Agent互相挑刺，一天消耗约10亿Token、账单约300至400美元；但Fable 5有时能在没有前序上下文的情况下，一次解决Agent群讨论不出的复杂问题。DeepSeek V4和GLM-5.2则让他开始相信便宜的本地开源模型可以与顶级闭源模型协同。

个体节省Token不等于总消耗下降。 Agentic Loop会把多轮模型调用、工具输入输出和上下文叠加起来，Token消耗相比Chatbot时代可能增长100倍以上；未来还会出现多Agent协同、Agent-to-Agent Network和更高层的Loop。张宏江用杰文斯悖论概括：技术成熟、价格下降，反而会扩大使用量和市场。

投资机会主要集中在Agent基础设施：数据、记忆与上下文管理、可观测性、协同、Sandbox和Agent-Native Cloud。 东旭最看重能把模型结果从50分提高到80或90分的基础设施，并认为谁能回答“Token花在了哪些事情上”，谁就有价值。张宏江认为企业级垂直数据护城河和FDE也很重要；Manus、Genspark在他和东旭的讨论中更接近面向专业用户的To B场景。

张宏江认为奇点已经到来，并在其定义下把当前模型能力视为已经达到AGI；黄东旭则等待真正能自我改进的哥德尔机作为更具象的标志。 张宏江的依据是，他所说的过去6个月发布的模型在视觉IQ和通用IQ测试中都位于人类均值100的右侧，并认为机器学习能力超过人的学习能力就意味着奇点。两人同时讨论了工作减少和由此产生的存在主义危机。

🔗 原始收听与视频来源： E249｜Token经济转点：OpenClaw、Hermes到本地自研的Agent进化之路

黄东旭判断 OpenClaw 标志着 AI-native 应用形态已经出现，但它只是“及格线”——“做得比 OpenClaw 差的属于上一个时代，未来只会比它更好”。 他家里不懂计算机的父母和太太都开始“养龙虾”，自己手握多个 Claude Code + Codex 的 Pro Max 账号，峰值日耗 token 达十亿量级，平日几亿，因而“很兴奋，同时也很焦虑”，有一种“被 agent team 推着往前跑”的感觉。

Harness engineering 是继 prompt、context 之后的更高维度：多 agent 协同、子 agent 压缩管理、外挂记忆，本质“更像在管一个真正的开发团队”，只是“这帮 agent 不睡觉而已”。 他不认为 harness 有边界——benchmark 只测单 agent、单任务、单环境，“模型本身很聪明了，只是我们的题设计得不好”，未来甚至可能出现“agent 的社会学”。

本期最硬的价值判断：LLM 无状态，各家头部模型都聪明，“很多的价值其实会在记忆这一层，而不是大语言模型这一层”。 “它有多了解你呢？还是得靠记忆。”他的 Mem9 插件正解决龙虾“聊着聊着就忘了”的 compaction 失忆和升级丢数据两大痛点，提供开源自部署与云上托管的永久龙虾记忆服务。

反直觉的数据量判断：agent 时代不是中心化大数据，而是“海量的小数据”——“你跟小龙虾往死里聊，能聊出一本莎士比亚吗？” 但加总规模可能比淘宝、美团级的中心化数据更大，提供商的策略是全存：“永远不删数据，只要价值能 cover 存储成本”；当下存储短缺在他看来只是“产能临时短缺，会回归”，长期需求持续增加可以预期。

“一虾一库”是必然趋势，且他认为记忆一定会在云端。 实现是数据库虚拟化：共享对象存储底座上划出虚拟门户，agent“认为自己拥有整个数据库”；因为重度用户可能只有 1%，不必为轻度用户维护专属基础设施。OpenClaw 的 local-first 是极客理念但“牺牲了用户体验”——龙虾养死“跟家里亲人去世的感觉很像”，云端才能“马上再给你启动一只龙虾的身体，接到你的记忆上又复活了”。

商业化押注“记忆 marketplace”：黄东旭赌下一代 agent-native application 不会像今天这样由软件工程师编写代码，而有可能由无数领域专家从自己的记忆里提取高价值的东西。 厨师不会写代码，但可把与龙虾聊做饭的记忆抽成外挂记忆接到别人 agent 上收钱，成为“一个新的分发渠道”；基础记忆可能免费，云备份、导入导出可做订阅制增值服务。

Agent 基础设施会被整体重写——沙箱化的 agent 云、agent 邮箱、支付、权限和 ID 都值得重新设计，现有数据库“给几十亿 agent 提供，成本扛不住”——但 SQL 和文件系统作为模型的心智模型会长期存在。 独立向量数据库“不需要单独出现”：向量检索只是检索手段之一，会收敛为所有数据平台的标准能力。

组织形态可能变成部落：他一两人团队“过去三个月干了传统软件公司一百个人年的事”，公司 90% 的代码由 AI agent 编写，他不掌握具体代码细节，“上一个时代软件工程已经终结”，全职 coder 可能会很危险。 但这是软件民主化——这并不是像纺织女工一样让软件变少；正如衣服如今反而穿得更多，软件也可能更多。个人护城河方面，他给出的方向是“保持手感”；年轻人该学 Unix philosophy 这类“永恒不变的东西”。

🔗 原始收听与视频来源： 硅谷坐标 x PingCAP联创黄东旭谈Agent 时代基础设施的重构

黄东旭把 2025 年 12 月前后视为 AI Coding 跨过“singularity”的时点：他用人的 blocking 从关键瓶颈降到约 0.1%来描述这一跃迁；在 10 万行代码以内，只要结果可验证，已经可以“人类只管提需求”。 他的评分从年初不及格、局部任务 60 分、模块自治 80 分升至复杂项目约 90 分；自己每天消耗接近 billion 级 token、产出几万行代码，甚至规定项目“不允许人类提交代码”。任川则曾半开玩笑地提出更激进的看法：未来应该禁止人类写代码。

这轮 Agent 的底层主线不是 Cowork 或 Clawdbot 这样的产品壳，而是 Claude Code 确立的工具调用框架、模型长上下文能力与 context engineering 同时成熟。 黄东旭给出的关键跃迁是：在 GPT-5.1 Thinking 出现之前，SOTA 模型在相关长上下文 benchmark 上召回率约 20%—40%，GPT-5.2 接近 90%，使多轮 agentic loop 不再迅速累积幻觉；他的终局判断是“everything is coding agent”。

Skills 比 MCP 更适合现阶段的 Agent 生态，因为自然语言接口既能被模型修改，又能逐层组合，而远程、原子化的 MCP 很难继承和适配现场环境。 但 Skill 可能污染环境，因此黄东旭进一步提出 “box”：把菜谱、食材和厨房绑定成可重复、无副作用的执行单元，才能拼装出登录、绑卡、下单等复杂能力。

Clawdbot（节目中称已更名 OpenClaw）的意义更像通用 Agent 原型，而非已经建立护城河的单一产品：它把 coding agent 的确认和权限限制拿掉，再加本地控制、Skills、长期记忆与聊天入口。 黄东旭设想未来操作系统就是“聪明的编程 Agent 内核—Skills—人机交互层”；它能自行接入 Whisper、理解陌生博客代码并把经验写成 Skill，显示出粗糙但真实的自我补强迹象。

真正的瓶颈正从“能不能做”转向算力和单位经济性，企业因此可能成为第一批规模化买单者。 黄东旭愿意每天烧接近 billion 级 token，是因为“哪怕花十万美金”做出的东西能卖一百万美金；普通用户却未必能从约 200 美元成本中创造更高价值。其推演是 one-man 外包公司先重做低效 ERP 等老系统，再向小店、图书馆和家庭的长尾软件需求扩散。

组织形态可能收缩为少数 senior architect 各自带领大量 Agent，但模块之间必须严格分界。 一百个 Agent 的意义不是角色扮演，而是并行消耗算力、突破单实例每秒约十个 token 的吞吐上限；若两个 Agent 在同一模块重叠工作，就会出现“一边已走一百公里，另一边说第五公里走错了”的灾难，重写反而更便宜。

人类剩余的稀缺性不是继续和 AI 比执行，而是决定“想要什么”、建立人与人的连接，并把主体性和审美放进作品。 黄东旭对工程师的建议是“把自己变成一个更有趣的人”；对创业者则是走向两个极端——把某件事用 AI 提效 100 倍或 1,000 倍，或去做“人味儿特别重”的最后一公里。音乐、现场表演和造物心流之所以仍成立，是因为人消费的不只是结果，也是创作者本人。

🔗 原始收听与视频来源： 从 Clawdbot 到 26 年 AI Coding 主题大爆发｜对谈 PingCAP CTO 东旭

PingCAP 从 Day 1 就把自己设想成未来 AI 的存储底座，而不是从数据库客户和商业化倒推产品。 《疑犯追踪》中 AI 需要保存一切所见所想，触发了黄东旭对“无限 scale 的 system”的追求；落实到 TiKV，则是同一套代码从 3 台跑到 3 万台，数据像细胞一样分裂、迁移、自愈。他的核心工程判断是：“只能通过简单来战胜复杂性，你不能通过复杂去战胜复杂。”

十年后的商业现实是业务约七成在海外，PingCAP 也已从软件 license 转向云服务，但这条路直到 2022 年才真正走对。 早期把数据库部署到云上再按时长计费，成本结构根本不成立；2018 年后公司改为把云视作“水龙头”，重写纯 cloud-native 存储内核。国际化同样从“在中国做出海”改成区域本地化：各 region 自定策略，即便组织冗余，也省下更昂贵的共识成本。

黄东旭押注的数据范式变化，是数据的消费者从数据分析师变成大语言模型。 他的 Salesforce 项目不预制报表，而是把原始数据放进数据库，让模型即时生成数十条 SQL；过去需三五天往返的分析变成对话，市值约 2270 亿美元的 Salesforce 在这个设想里更像 data provider。PingCAP 更远的目标是为每个人免费提供 personal database，并成为所有 AI agent 的 shared memory。

AI 当前更像优秀人才的放大器，而不是立刻裁掉 50% 员工的理由。 黄东旭估计，传统程序员约 80% 时间耗在 boring job，AI 已能接走其中 50%-60%，相当于释放约一半时间；但复杂系统仍要求人先选架构、搭代码骨架、评价结果，再让 Cursor“做完形填空”。他明确反对无经验者盲目 vibe coding：“绝对不行”，因为“first shot”一旦错，agent 会沿错误方向一路跑下去。

开源在 PingCAP 的逻辑里既是信仰，更是建立信任、争夺标准和进入头部客户的竞争策略。 新基础软件没有 Oracle 数十年的信用积累，“不开源就会死”；DeepSeek 能进入海外 data center、MCP 能形成网络效应，也都依赖开放生态。黄东旭的历史判断是“第一名往往闭源，第二波一定开源”，但 Android 与 iOS、Linux 与 Windows 未必必须分出唯一赢家。

黄东旭把大语言模型暂时视为“新的物种”，理由不是它已能自主进化，而是人类看不懂其形式因如何产生泛化能力。 一千行左右可以实现 Transformer，目标也只是 predicting next token，却像“造了一张桌子，桌面上莫名其妙涌现出了饭菜”；主持人的关键反驳是它目前仍依赖人类训练。双方保留的分歧是：高级智能应按任务结果评价，还是按自主学习、发现新规律的能力评价。

他对 AI 最深的回应不是继续加速，而是解除工作、房产和物品对自我的定义。 黄东旭卖掉房子住进房车，计划在 40 岁前学种菜、缝纫、木工和维修，答案是“为了做一个人”；同时转向冥想、老乐器、磁带、黑胶和亲手做饭。其最终建议极其具体：“养一盆花，做一道菜，然后去认真地了解你身边的人”，因为 AI 可以替你编码，却不能替你体验人生。

🔗 原始收听与视频来源： 121: PingCAP黄东旭的“内在世界源代码”：《黑镜》、程序之美和创作自由

TiDB 的核心价值，是把传统数据库需要管理的“一千个杯子”变成一个能随数据自动扩大的“魔法杯子”。 PingCAP 2015 年成立，前两年主要埋头写代码，最终把分布式关系型数据库做到美团外卖、微信支付和银行卡交易等场景背后。黄东旭的判断是：数据持续增长，而传统容器容量有限，降低多容器扩展和管理复杂度，才是 TiDB 的真正产品价值。

开源的护城河不是公开源代码，而是用透明过程换取信任、人才和项目主导权。 顶级开源不是完成后把代码扔上 GitHub，而是从第一份文档起开放完整构建过程，如同把饭店后厨变成玻璃房；“答案给你抄是不够的”，持续迭代的思路才有价值。PingCAP 约有 300 名 engineer、每年以亿级计的投入及多年积累的 history know-how，后来者即使一次投入 500 人，也很难迅速改写方向。

在收入规模化以前，投资人买的是非共识技术判断和持续上升的 adoption。 PingCAP 公开的上一轮估值为 30 亿美元，但 A 轮时软件甚至尚不能运行、没有收入；云启的陈昱扫了约五分钟 source code 就作出判断，而看不懂代码的人只能依赖滞后的商业数字。一个具象例子是：一家大客户没有预算，却直接派出四五名年薪约 50 万至 100 万元的工程师参与项目，形成开源价值交换。

云服务终于让开源商业化不必以破坏信任为代价。 PingCAP 至少前五年“铁了心不做”商业化，早期销售去大用户处“收保费”、制造信息不对称，被黄东旭视为“杀鸡取卵”；MongoDB 从软件公司转向服务公司后的增长，则给出了可参照的答案。如今 PingCAP 超过 70% 的 ARR 收入来自云服务，最近两年基本每年保持三位数增长，主要与国际化和云相关。

真正的全球化不是从中国远程“出海”，而是创始人把身体、组织和商业关系长在当地。 黄东旭 2015 年 6 月、公司刚开始运作时就去了旧金山，经历 2017 年起的弯路后，于 2022 年举家搬到美国；他的经验是海外头三年可能几乎不赚钱，并强调创始人亲自 all in，不能只靠设立一个 global team。英文文档 day one 优先、2022 年内部 IM 和会议全面英文、local 团队与区域 CEO/CTO，都是“反向工作法”推出来的组织里程碑。

美国 GTM 最容易被华人创始人高估的是语言和商业化难度，最容易低估的是叙事、定价与长期关系。 黄东旭给 AI 创业者的建议是至少在当地生活半年，尽早找本地销售并由创始人亲自卖；英语“只要敢说”即可，他赴美前每天与外教聊两小时，先消除心理障碍。真正的问题往往是产品有 value 却“不敢卖高价”，以及不会用 demo、message framework 和故事抢占心智——“酒香不怕巷子深”在 AI 时代并不成立。

PingCAP 对 AI 的核心下注不是再做一个模型，而是为 agent 提供 right context、企业数据和共享记忆层。 黄东旭认为年初 DeepSeek 的出现标志着 LLM 基础能力已足够支撑有用应用，第一波重构会发生在企业软件：他自己的公司仍有三名全职员工维护 Salesforce 报表，而 data agent 已能直接回答销售活动问题。黄东旭先提到 NCP、A2A 所涉及的交互，后续又以 MCP 为例；通用 shared memory layer 尚未形成。未来两三年仍是“wild west”，开放标准、真实使用和网络效应比先设计变现更重要。

🔗 原始收听与视频来源： 关于 AI、开源、商业化与全球化的经验、教训和方法论 | 对谈 PingCAP CTO 东旭