麻辣小龙虾

我用openclaw连续跑了三周高频任务，把能想到的使用场景基本都试了一遍，从日常到应用生成再到数据分析，覆盖得很杂，也很真实。最后得出的结论没有那么复杂，但和很多人的预期是相反的。

在简单任务、模糊任务、允许误差的场景下，AI几乎没有问题，甚至可以说很好用。整理信息、生成内容、给出大致判断，这些事情它做得又快又稳。但只要任务开始要求精确，比如文件命名必须严格一致、数据必须写入指定位置、JSON字段必须完全匹配，准确性就会明显下降。上下文一旦复杂，这种问题只会被放大，而如果上下文不够，它又根本做不了复杂流程。

原因其实很直接。AI擅长的是给出一个大概正确的答案，而数据型workflow要求的是每一步都完全正确。这两者之间没有缓冲空间。

我测试过一个流程，大概十个步骤，包括新建文件、修改JSON字段、在目录中插入内容、再触发后续解析，每一步都不复杂，但它们是强依赖关系，只要其中一个环节出现微小偏差，整个流程就会失效。而且这种失效非常难排查，因为AI的错误通常不是直接报错，而是偏一点点，比如路径错一层、字段名稍微变化、数据结构看起来正常但不符合预期，甚至换一个模型，原本还能运行的流程直接崩掉。

等你发现问题的时候，基本已经全盘失败，而且很难知道是哪一步出了问题。这种问题不是靠堆memory或者调tools就能解决的。

所以我现在的判断很明确。AI很强，openclaw也很强，但不适合直接操作精确数据。只要是高精度的数据工作，最终还是要回到数据库、代码和明确的workflow结构。AI可以参与其中的某些环节，比如做分析、做评分、生成局部结果，然后通过严格限制的接口接入系统，但不应该直接掌控整个流程。

更合理的方式，是让AI生成代码，由代码去操作数据。很多时候改prompt不如改代码来得稳定，这一点在实际使用中非常明显。

这也让我重新看待现在SaaS和软件行业的低迷。市场在假设AI agent可以直接替代软件本身，但从实际使用来看，这是一个明显的误判。AI会改变软件的使用方式，但不会替代对确定性的需求，尤其是在数据层面。

很多人现在说openclaw是玩具，永远当不了生产力工具。我反而觉得，这个判断本身就有问题。因为你很难定义什么是生产力工具。

Python早期也只是被当作脚本语言，当年Java是主流，谁用Python做网站都会被觉得不靠谱。但后来一样有人用它搭出了知乎早期版本，也有人用它支撑Instagram的后端。工具本身并不会限制它的价值，限制的是使用它的人。

生产力从来不是工具决定的，而是人和工具的组合。在一个人能力有限、工具有限的情况下，只要能创造商业价值，就已经是生产力。

当年有人写爬虫抢票，也有人冬天去医院排队挂号再转卖。后者甚至没有任何技术工具，但对他来说，一个闹钟就是生产力。因为它帮他赚到了钱。

现在也一样。有人用openclaw写几个prompt，控制多个subagent定时生成内容，发到平台上赚一点流量钱。这个过程不高级，甚至有点粗糙，但对他来说，这就是最顺手的生产力工具。

很多人忽略了一点，这个世界上绝大多数人，并不具备你以为的技术基础。他们不理解文件系统，不会用terminal，没有编程经验，只会用App和浏览器。但他们同样有需求，也愿意为工具付费。

你让他们自己去配置openclaw，几乎不可能。但如果有人把一切都封装好，让他们在一个简单环境里使用，他们会玩得很开心，甚至会沉浸进去。这种体验本身就有价值。

所以工具的未来，不只是更强，而是更可用。不是让少数人更强，而是让更多普通人也能用起来。