王文锋

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。”

🔗 原始收听与视频来源： OpenClaw 之后，我只想未来 3-6 个月的事情｜对谈 Sheet0 创始人王文锋

这一轮 Agent 热潮的实质，是产品终于从 2023 年 4 月 AutoGPT 式的“玩具”跨到能在真实工作中交付结果。 王文锋把进步拆成两条线：o1 带来了长思维能力，更容易被忽略的则是 Agent 工程开始懂得如何构建 Context、接收环境反馈并调用 Tool；归根结底，结果取决于“Context 加 LM”，并非只取决于谁接入了更强模型。

MCP 的价值不是创造一种新能力，而是把模型调用工具的接口统一成“放之四海而皆准”的度量衡。 王文锋把 Function Calling 比作 0.1、MCP 比作 0.2；只要 SaaS 有 OpenAPI，开发者就能自行包装 MCP，无须等待厂商原生支持。他直言 A2A 更像“一个 KPI 工程”，因为 Agent 本身也可包装成 Tool，背后反映的主要是标准制定权之争。

API 与 GUI 并非两代互斥路线，而是 Agent 应按场景混用的两种执行手段。 API 更稳定，GUI 截图方案却更快、Token 消耗“至少会少一个数量级”，代价是坐标识别可能出错；Manus 展示浏览器过程还有产品价值——用户看得见它如何工作，能获得安全感。曲凯则追问：用户最终只在乎结果，过程透明主要是在 Agent 尚“不 ready、不靠谱”的阶段补信任。

王文锋判断，我们现在处于、也将长期处于垂直 Agent 时代，因为专业结果必须依赖可定义的状态、行动空间与奖励信号。 他用做饭作比：普通人照菜谱也会做，但不能因此等同于五星级酒店大厨；通用任务即使每步有 90% 成功率，多步相乘后也会迅速失真，而垂直产品能用领域 Know-how、长 System Prompt 和结构化校验把路径收窄并收敛。

AI Coding 更像 Agent 的“灵巧手”，复用才是默认路径。 最优顺序是先找已经测试过的 Tool，找不到才现场写代码。关于把成功代码留下、避免 (0.9^{10}) 式累计失败，这是曲凯提出的机制，王文锋表示合理。王文锋判断 Workflow 与 Agent 会长期共存：前者人驱动、稳定但不泛化，后者 AI 驱动、泛化但可能“十次里面有五次搞砸”。他一处给出的粗略比例是 AI 可能负责 20% 更开放的问题、剩下 80% 是更常见的问题，同时又概括为 AI 主要负责常规问题。

Agent 产品的理想交互不是让用户学会写 Prompt，而是让用户“像一个非常幸福的小朋友一样”完成任务。 王文锋把交互自由度置于准确度之前，坚持聊天框仍是最重要入口，再通过 Human-in-the-Loop、偏好记忆、追问和适时弹出的组件补足精度；点开美团或滴滴本身已提供大量意图 Context，真正高质量的数据也不是单点输入输出，而是包含中间状态变化的完整序列。

SHEET0 押注的不是再生成一份报告，而是把异构数据变成完整表格，再驱动后续行动。 其案例包括从 GitHub 用户的提交记录和社交账号识别所属公司，以及完整抓取 YC 批次公司、创始人与 Twitter 后继续触达；王文锋声称产品能做到“百分百准确率、百分百稳定、百分之百不给你丢数据”，但节目没有给出样本量或外部验证。对投资人而言，更关键的问题不是团队是否有漂亮算法履历，而是“环境反馈的激励信号是怎么设计的”。

王文锋给出的产业时间表同时受模型跃迁、推理成本和 Context 工程周期约束。 他在录制时判断 GPT-5 可能于“今年年底左右”出现，成本降到现在的 1/5 乃至 1/10 或还需一年，因此真正大规模可用的 Agent 或要到 2026 年下半年；Context 侧则需要优秀团队至少 6 个月、慢则一年，当年 Q3 可能先看到一批更好产品。“Agent 里面的工程复杂度，远远超出大家想象的。”

🔗 原始收听与视频来源： Agent 开发的上半场: 环境、Tools 和 Context 如何决定 Agent｜对谈 Sheet0 创始人王文锋