一个在给龙虾造大脑，一个在冷眼看这场狂欢。两档播客，拼出 OpenClaw 浪潮的完整图景。

两期播客，两个截然不同的切入角度，却指向同一个问题：OpenClaw 这场全民养虾运动，到底留下了什么？

黄东旭是 PingCAP 联合创始人，数据库领域的老兵，现在每天消耗十亿级 token，带着自己的 Agent 团队做产品——他是真正站在 Harness Engineering 前沿的实践者。在「硅谷坐标」的对谈中，他聊的不是龙虾本身，而是龙虾背后那个被严重低估的东西：记忆。

庄明浩是「屠龙之术」主播，本职做科技投资和战略，每季度给大厂做 AI 行业报告的人。他和「知本论」主播孙冰洁的串台，更像是一次冷静的复盘——龙虾热退烧之后，泡沫、价值和焦虑各占几成。

以下是我们的拆解和判断。

龙虾不是产品，是一个动词

庄明浩说了一个很精准的观察：这轮龙虾热特别独特的地方，在于所有人都可以"借着它讲自己的故事"。

OpenClaw 是开源的。不属于任何商业实体。所以从大厂到 KOL，从教辅机构到地方政府，所有人都可以把那个大 logo 放在自己活动的主视觉上。这在 ChatGPT 时代不可能发生——你没有资格"代表" OpenAI。但 OpenClaw 可以。

于是龙虾变成了一面镜子：卖课的看到焦虑变现，投资人看到叙事燃料，工程师看到能力边界，而真正在用的人看到了一个需要"养"的东西。

"养"这个字很关键。庄明浩的解释是：龙虾初始状态就是一个有普通大学生水平的智能体，不了解你的偏好、规范、工具和数据库。你要慢慢教它，通过不断执行任务给它反馈，让它调优。驾驶员依然极其重要。

黄东旭把这件事推得更远。他说，他父母和太太——都不是技术背景的人——现在都在养龙虾。"这标志着一种 AI native 的 application 产品形态的定义出现了。"OpenClaw 不是终点，是及格线。做得比它差的属于上一个时代，未来只会比它更好。

两个人的共识在于：龙虾本身不是革命，它是革命的脚手架。 引擎早就到了 F1 级别，龙虾只是让普通人终于坐进了那台车。但坐进去之后呢？

记忆：被所有人忽略的真正战场

黄东旭的整场对话，核心只有一个字：存。

他抛出了一个反直觉的判断：Agent 时代的数据其实不大。你就算天天跟龙虾往死里聊，能聊出一本莎士比亚那么长的内容吗？和淘宝动辄 PB 级的集中式大数据比，每个人的 Agent 产生的只是"海量的小数据"——高度碎片化的、个人的、灵活的。

但"小"不代表不重要。恰恰相反，记忆是 Agent 时代真正的价值层。

逻辑很简单：每家顶尖模型都很聪明，但模型本身没有状态。ChatGPT 换个对话窗口就忘了你是谁。真正让你的 Agent 与众不同的，不是底层模型——而是它跟你积累的记忆。大模型是通用引擎，记忆才是个人数据。

这就解释了为什么记忆成了 Harness Engineering 里极困难的一环。黄东旭拆解了两个核心痛点：

第一，compaction 带来的灾难性失忆。 当任务足够长，上下文窗口装不下了，Agent 会压缩之前的对话——然后关键信息就丢了。你让它做一件重要的事，到最后一步它把前面的忘了，"挺糟心的"。

第二，产品形态掩盖了问题。 ChatGPT 让你对每个任务开一个新对话，看似绕过了记忆难题，但牺牲了用户体验。你不得不一遍遍重复自己是谁、在做什么。

他的解法叫 mem0——一个开源的龙虾记忆插件。设计哲学很有意思：怎么记、怎么提取，全部交给大模型自己判断。 不写复杂的遗忘曲线算法，而是检索出相关记忆后加一个时间标签——"这条事实距离当前时间 X 天"——然后丢给模型，让它自己评估哪条更关键。

"开发软件的思路变了。变成了我应该怎么更好地利用模型本身的能力去做事情。"

这个方法论的背后是一个更大的赌注：模型本身的判断力，比人类写的算法更可靠。 他甚至说，也许未来 Agent 真正有效的安全软件，就是一句话："你要注意安全，明白了。"

一虾一库：Agent 基础设施的重写

如果记忆是战场，那存储就是军火库。

黄东旭提出了"一虾一库"的概念——每个龙虾都有自己独立的数据库。这不只是技术选择，更是安全的硬性要求：每个人的数据都应该单独加密，你不会愿意把自己的记忆和陌生人放在一起。

但给几十亿个 Agent 每人一个数据库，成本怎么扛？传统云数据库一个月至少几美金，乘以几十亿就是天文数字。所以他做了一层虚拟化——底下是共享的对象存储，上面给每个 Agent 划出一个虚拟门户，每个 Agent 认为自己拥有整个数据库。大部分用户每天只聊两三句，不需要专属基础设施。

这不只是一个产品设计，它指向了一个更大的命题：Agent 时代的基础设施会被全面重写。

给 Agent 用的云不再是 AWS 那种底层平台，而是一个个沙箱。给 Agent 用的通信不是邮箱——Agent 不需要界面。给 Agent 用的数据库不是 Oracle——Agent 极擅长写 SQL，你让它自己来。

黄东旭的判断是：SQL 和文件系统这些经典抽象不会消失，因为 Agent 就是从人类的代码里训练出来的，这些是它极熟悉的心智模型。 但底层实现会被彻底重写。向量数据库不该是独立品类，它应该是所有数据平台的标准能力——"大家都会有这个能力，不需要有一个单独的向量数据库存在。"

记忆的生意经：谁来为龙虾的大脑买单？

说记忆是价值层，但价值层不等于利润层。一个绕不开的问题是：用户愿意为记忆付钱吗？

黄东旭给出了两条路径。第一条是增值服务——基础记忆免费，备份恢复、云端同步走订阅制。这很像 iCloud 的逻辑，稳但天花板低。

第二条路径更激进，也更有想象力：记忆的 marketplace。

他举了一个例子：一个厨师天天跟自己的龙虾聊做饭，积累了大量关于烹饪的对话和判断。现在你可以把这些记忆抽取出来，变成一个"外挂记忆模块"，挂到别人的 Agent 上——别人的龙虾瞬间就获得了这个厨师几十年的经验。厨师通过 marketplace 收钱。他完全不需要会写代码，只需要会做饭、会跟龙虾聊做饭。

"agent application 绝对不会像今天这样由软件工程师编写代码，而是由无数人类领域专家从他们的记忆里提取出高价值的东西。"

这个设想如果成立，意味着记忆不只是基础设施——它是一种新的分发渠道。App Store 分发的是软件，记忆 marketplace 分发的是经验。而且这种经验的载体不是课程、不是书，是一段可以被 Agent 直接调用的结构化记忆。

但这条路要走通，有一个前提必须解决：本地还是云端。

黄东旭的立场很明确：一定是云端。他直接批评了 OpenClaw 作者 Peter 的 local-first 理念——Local 确实安全，但牺牲了用户体验。"你跟龙虾聊了十年，突然有一天升级失败、挂了，你可能有种跟家里真的有亲人去世一样的感觉。"只有云端才能提供备份恢复、无缝迁移、普通人不需要懂 Linux 的使用体验。

他的论证很有说服力，但我认为这里有一个他没有正面回应的张力：当记忆比微信聊天记录更私密——你的决策习惯、认知偏好、甚至财务状况全在里面——把它全部托管在云端，用户真的能接受吗？ 尤其在中国语境下，"邪恶公司"不只是一个哲学假设。黄东旭用微信支付和银行数据做类比——"你的银行数据也在云端啊"——但银行有金融监管，龙虾记忆的监管框架在哪里？

这不是一个能靠技术解决的问题。它本质上是信任问题。而信任问题的解法，往往不在产品设计里，而在制度设计里。记忆 marketplace 要成立，可能需要先回答一个更基础的问题：谁来做记忆的银行？

安迪-比尔定律复活：算力永远不够的结构性原因

记忆解决了 Agent 的"魂"，但"魂"需要载体——算力就是那个载体。庄明浩在泡沫讨论中提出了一个很有解释力的框架，值得单独拎出来说。

他引用了安迪-比尔定律——IT 行业的经典规律：摩尔定律每十八个月让芯片能力翻一番，但微软的操作系统和软件会立刻把多出来的算力吃光。硬件在喂软件，软件在吞硬件，永远不够。

AI 领域正在重演这个循环。 单位 token 成本确实在降，理论上应该越来越便宜。但问题是 Agent 吃 token 的速度增长得更快——早期用 ChatGPT 一次对话几十秒，今天的 Agent 可以跑十几个小时的任务，而且任务类型从纯文字扩展到了 coding、搜索、图片识别、视频生成。几十秒到十几小时，纯文字到多模态，两个维度的几何级增长一乘，算力需求就爆炸了。

庄明浩给了一个很直观的例证：OpenAI 连 o3 都关了。这家融了几百亿美金的公司，算力依然不够——因为它同时要做模型研发、企业服务、个人用户、coding、视频，所有事情之间也要排优先级。国内厂商"每周只给你一千五百次调用"的限制，本质上是同一个问题。

这意味着"算力过剩"这个阴谋论可以翻案了。 不是模型厂商在找人消耗算力，而是 Agent 这种产品形态天然就是算力黑洞。龙虾不是阴谋的产物，它是安迪-比尔定律在 AI 时代的自然表达。

泡沫拷问：梯云纵之后

理解了算力的结构性短缺，再来看庄明浩的泡沫判断就更有层次了。

他用了一个武侠比喻——梯云纵：左脚踩右脚就上去了。A 涨所以 B 涨，B 涨又证明 A 该涨，不断向上叠加。智谱涨，MiniMax 也涨，因为只要主情绪还在，所有新加进来的东西都成了燃料。

"但我们经历过所有的梯云纵，最后都会踏下来。"

他摆出了一组撕裂的数据：英伟达的市盈率已经低于沃尔玛，台积电跌到比自己的代工厂商还低，苹果——大家眼中 AI 的失意者——市盈率反而超过英伟达。微软经历了可能历史上很差的一个季度，而同期 AI 行业"热闹一塌糊涂"。

这组矛盾揭示了一个深层分裂：市场在两个都有强烈理由的观点之间来回冲撞，谁也说服不了谁。

一边是算力需求远远不够——中国只有几百万人在用 Cursor，就已经让所有大厂的算力都紧张了。另一边是物理极限在逼近——存储芯片涨了两个季度，先进封装受限，电力受限，连数据中心用地审批都成了瓶颈。

庄明浩的结论很直白："所有都是投机股，没有价值股。大家本质上都是在赌那个巨大的未来。"

不过我认为"全是投机"这个判断需要加一个注脚。 庄明浩自己也承认，AI 这波跟 Web3 不一样——三年后 Web3 彻底退出公众视野，而 AI 的能力提升是实打实的、可感知的。真正的问题不是"这是不是泡沫"，而是你在赌的那个未来，哪些环节的赔率被高估了，哪些被低估了。

从两期播客的交叉来看，一个清晰的判断是：记忆和数据基础设施被严重低估了。 所有人都在追 Agent 的能力边界——更聪明的模型、更强的推理——但很少有人在认真解决"Agent 怎么记住你"这个问题。黄东旭说了一句很重的话：语言模型其实是没有状态的，真正有差异性的，是记忆。很多的价值其实会在记忆这一层，而不是在语言模型这一层。

Harness Engineering：从管人到管 Agent

黄东旭给出了一个让人印象深刻的演进框架：

Prompt Engineering → 短对话、无工具调用，调整上下文得到更好结果。

Context Engineering → 长程任务、多轮对话、涉及外部工具，核心挑战是如何高效利用有限的上下文窗口。

Harness Engineering（驾驭工程） → 多 Agent 协同，子任务管理，外挂记忆，信息同步。如果说 Prompt Engineering 是写好一封邮件，Harness Engineering 就是指挥一个交响乐团——你不再关注每一个音符，而是在控制节奏与和声。"更像在管一个真正的开发团队，让他们在一个复杂的大型项目里永续地持续产出。"

他的日常状态印证了这个框架的真实性：峰值每天消耗十亿级 token，手上同时跑多个 Claude Code 和 Codex 的 Pro Max 账号。有个想法一小时后就上线。然后 Agent 团队等着他给下一个方向——"被你的 Agent team 推着跑的感觉"。

庄明浩从另一个角度验证了这件事的真实性：他在企业培训中发现，大家已经不讨论"该不该用 AI"了，焦虑的是"怎么用、用在哪、用谁家的"。从观望到争抢，可能就是瞬间的事。

但 Harness Engineering 的边界在哪里？

黄东旭的回答是：没有边界。"我每一次觉得快到边界了，Agent 又给我一些惊喜。" 他认为未来可能会出现"Agent 的社会学"——就像人类通过组织个体形成了社会，Agent 同样可以通过协同完成超出任何单体能力的事情。

这个判断很大胆，但并非没有根据。他提到了一个值得追踪的假说：多 Agent 协同可能存在自己的 Scaling Law。 把一百个、一千个、一万个 Agent 放进去协作，会产生什么效果？而这种大规模协同的效率，很可能高度依赖于个体 Agent 记忆的精准共享与同步机制——这又回到了记忆层的核心地位。

一人公司的幻觉与现实

两期播客在"一人公司"这个话题上产生了有趣的碰撞——一个在投资端说不靠谱，一个在实践端已经做到了。

庄明浩的态度很明确："相对悲观。"他的逻辑是：一人公司听着美好，但你看实际做的方向——自媒体博主、卖课老师、美工、手工艺品品牌主理人——"再大也不太可能影响第一产业跟第二产业"。经济环境不允许你用这种方式做大事。他举了郝景芳的例子：她把几十人的公司拆成了十几家四五个人的小公司，原子化经营。但拆开之后干的活没变——AI 更像是润滑剂，让中间环节更容易拆开，但并没有创造全新的商业模式。

黄东旭的实践却给了一个截然不同的答案。他说自己"过去三个月干了传统软件公司一百个人年的事"，新产品团队可能就一两个人，有时候他一个人就是主力。公司百分之九十的代码都是 AI Agent 在写，每天数万行代码被 check in，"AI 写了什么，我完全不知道。"

这两个叙事之间的裂缝，恰恰是理解 AI 赋能的关键。

庄明浩看到的一人公司，是"自媒体博主+AI 工具"——能力的线性延伸，天花板很低。黄东旭做的事情，是"顶级工程师+Agent 团队"——指数级放大，输出直接是商业产品。差异不在于 AI 本身，而在于被放大的那个人，里面有多少东西可以被放大。

这跟我们第一篇文章中李继刚说的"意志性"完全吻合：AI 放大的是你的意志性，不是你的能力。如果你本身是"空的"，AI 放大出来的也是空的。一人公司成不成立，取决于那个"一人"到底有多厚。

所以庄明浩的悲观和黄东旭的乐观并不矛盾——他们说的不是同一批人。一个在描述中位数，一个在描述极端值。问题是，当工具越来越强，中位数和极端值之间的距离会缩小还是扩大？

我的判断是：会扩大。 工具赋能的上限在提高，但起跳的门槛也在提高。你不需要会写代码了，但你需要知道让 Agent 去做什么——这比写代码难得多。

挡不住的替代

短剧行业是庄明浩给出的一个惊悚案例。原来救活了横店，养活了演员、化妆师、编剧、灯光师。然后从文字编剧到分镜到视频生成到声画同步，所有能力全部 ready，"啪，全部扫掉"。半年时间，现在全是 AI 短剧了。"从观望到全部接受，就是瞬间的事。"

黄东旭从技术端验证了同样的速度：未来的组织形态会变成一个个小型部落——一个强 Harness Engineer 加一个领域专家，带着自己的 Agent 团队。大公司不消失，但内部结构会被彻底打散。

两个人都没有给出"人怎么办"的标准答案——因为没有人有。

庄明浩说，焦虑是常态，"那个关于 AI 时代教育孩子的爆款文章，不可能讲出什么标准答案"。他的建议是：让自己手脏一点，去用，去感受，不需要抽出大块时间来学。融入日常流程就好。

黄东旭的建议更朴素：做你热爱的事情。经典的软件工程思维模型——Unix 哲学、架构设计——在 Agent 时代反而更有价值。找到那些永恒不变的东西去学习。如果你学计算机只是为了找一份码农工作，"可能得想一想你真的喜欢什么"。

他推荐了《禅与摩托车维修艺术》——一本关于工匠精神的书，讲的是"你为什么会 enjoy 做好的东西，什么是好的东西"。当 Agent 写完百分之九十的代码，剩下那百分之十的"好"——你的判断、你的品味、你对"什么值得做"的回答——就是人类剩下的全部商业溢价。

文 | 听澜

声入商业说

这是我们第一次用两期播客交叉拆解同一个主题。黄东旭在前线造基础设施，庄明浩在高处看周期波动——两个视角拼在一起，才看得清 OpenClaw 浪潮的全貌。龙虾热会退烧，但它留下的命题不会消失：当 Agent 成为常态，谁拥有记忆，谁就拥有差异化。 模型会趋同，但你跟 Agent 积累的那些对话、判断、偏好——那是属于你的东西。当技术普惠，你与 Agent 共同构建的记忆和工作流，可能正在成为你个人新的、难以被替代的"深井"。

如果你听了这两期有什么感想，欢迎在评论区聊聊。

收听：小宇宙搜索「屠龙之术」Vol.94 或「硅谷坐标」黄东旭专访，或点击阅读原文