一个运维去了养虾社北京 Meetup，聊聊我看到的 OpenClaw 生态

这是「AI运维实验室」的第一篇文章。我是一名运维工程师，正在探索 AI 工具在企业中的真实落地。这个号会持续分享我在这条路上的实践、踩坑和思考。

为什么一个运维会去参加 OpenClaw 的活动

3 月 14 日，北京，养虾社的第一场线下 Meetup。

养虾社是国内专注 OpenClaw 的中文社区，这次活动不是发布会，也不是入门教学，更像是一场实战派的开放麦——带上你的电脑和小龙虾，来聊聊你到底用它做了什么。

说实话，报名的时候我有点犹豫。现场大概率是创业者、产品经理、投资人，而我是一个运维。我每天打交道的是监控告警、安全加固、基础设施，不是产品设计和商业模式。

但最近半年，我的工作内容正在发生变化。我开始用 AI 工具搭建内部平台，研究怎么把 AI Agent 安全稳定地跑在生产环境里。我想去看看，这个生态里的其他人在做什么，他们遇到了什么问题。

去了之后发现，这一趟没白来。

黄东旭：不要给 AI 设置边界

黄东旭是 PingCAP 联合创始人兼 CTO，也是 mem9.ai 的创始人。他分享的主题是"如何解决龙虾脑雾问题"——也就是 OpenClaw 的记忆机制。

他的做法很有意思：基于遗忘曲线和梯度遗忘模型来控制记忆召回，避免大模型把多年前的无关信息翻出来。团队最初想做复杂的权重计算模型，但他最终的选择是——把原始信息直接交给大模型，让它自主判断哪些该记住、哪些该遗忘。

他说这才是 AI native 的开发方式：信任模型的能力，而不是用传统工程思维去约束它。

这个思路贯穿了他整场分享：

产品设计上，他摒弃了传统的邮箱、用户名注册流程，让大模型自动记忆 Space ID，用数字串作为身份标识，理念贴近区块链。
关于网络安全，他说了一句很大胆的话：未来安全软件或许只需要对大模型提醒"注意安全"即可，大模型对安全的理解可能优于人工编写的规则。
关于多 Agent vs 单 Agent，他的观点是：没有标准答案，组织结构是人类发明的，未必适用于 AI 大模型。

作为运维，"不要给 AI 设置边界"这句话让我想了很久。我们这个职业天然喜欢把事情分层、分模块、定义清楚边界。但 AI 的能力边界和人不一样，硬套人类的架构，可能反而限制了它。

他还提到，OpenClaw 设计之初是面向个人的，未来趋势大概率走向云端化和 Serverless。他个人看好 Cloudflare，看好 Agent native 的基础设施。

王晓妍：从 80 个 Agent 的混乱到六阶段演进

王晓妍是 OPC 创始人，自称"野生全栈，养虾专业户"。她的分享是全场最有实操感的。

她一上来就讲了自己的踩坑经历：曾经因为太兴奋，一次性创建了 80 多个子 Agent，结果监控 Agent 同时发出十几个告警，整个系统陷入混乱。

她的反思是：应该像招聘员工一样逐步引入、逐个理顺，而非一次性大规模上线。

然后她分享了自己摸索出的六阶段演进路径：

探索阶段：给 Agent 定义个性、行为准则，安装 Skills 配置 Jobs
踩坑与反思：从混乱中学会逐步引入
沉淀与固化：固化 SOP，把大技能拆解为可组合嵌套的小技能，固化后的任务迁移到便宜的国产模型，只保留探索性任务给最强模型
组织架构设计：推翻了照搬人类公司部门的架构，转为以"Mission"定义角色，分为 Context 组织层（信息采集、记录、整理、关联挖掘）和 Execution 执行层（创意 Agent、牛马 Agent、研究 Agent）
闭环与自治：Agent 管理 Agent、Agent 测试 Agent，人类只需定义目标、分配资源、验收结果
协作与涌现（探索中）：Agent 间、Agent 与环境、Agent 与人的协作反馈

她有一句话我印象很深：管理方式的进化路径是 Human in the Loop → Human on the Loop → Human out of Loop。重点是定目标、给资源、品结果。

她还说，2026 年最重要的技能是 Harness Engineering，未来人才的价值取决于驾驭 Agent 的数量和质量。品位是 AI 时代的核心壁垒。

刘艾伦：3 周开发一个 AI 塔罗牌应用，日成本 $500

刘艾伦是 MysticX.AI 的联合创始人，大厂产品 5 年加创业 5 年的背景。他用 3 周时间基于 OpenClaw 开发出了一个 AI 塔罗牌应用。

他分享了一些很实在的数据：

OpenClaw 可以 7-8 小时独立搭建一个复杂的后台管理平台，包含 PV/UV、卡牌皮肤、塔罗师信息等模块
整个团队只需要 2 名开发人员，主要负责账号维护、API 环境调整、提示词监督和死循环处理
开发一个后台管理平台的单日费用约 $500
工作流是在飞书群里提需求，OpenClaw 独立完成需求分析、设计、开发、代码审查

他也提到了 OpenClaw 的局限：对飞书/Lark 文档的读取能力较弱，解决方案是导出为 Word 格式让它本地解析。

一个有意思的观点：他认为产品经理的价值正在从"给工程师提需求"转变为"产品思考者"——核心能力是与 Agent 沟通、评估 Agent 产出质量。他还提到亚马逊近期裁撤了 1000 名完成 Agent 数据结构搭建的工程师，技术建议是用英文与 Claude 模型沟通效果优于中文。

辛然：AI 创业的成本优化和资源支持

辛然来自 AWS Startup 团队，他的分享更偏实操层面——怎么把 AI 创业的成本降下来。

首先他提到了 AI 编程工具 Kiro，对标 Cursor，有 20、40、200 美金三档套餐。如果选 Claude 模型，同价位套餐比 Cursor 更划算。

成本优化方面，他分享了两个思路：

用 Bedrock 跑定时任务，比直接调用 API 能省一半成本
大小模型搭配，结合亚马逊平台的模型路由功能，把简单任务分给便宜的小模型，复杂任务才用大模型

最后他提到 AWS Startup 有 10 万美金的扶持资源，可以抵扣平台调用、Kimi 以及 GPU 的费用。建议做 AI 创业的尽早联系他对接。

对运维来说，Bedrock 定时任务和模型路由这两个点很实用——本质上就是用基础设施层面的调度来降低 AI 的运行成本，这恰好是运维擅长的事。

圆桌讨论：已经有人跟 AI 共生了，我们还只是在用 AI

圆桌由四十二章经创始人曲凯主持，嘉宾包括黄东旭、明势创投的徐之浩和 Sheet0 创始人 Wells Wang。

几个让我印象深刻的点：

投资人怎么看 OpenClaw 生态

徐之浩把生态里的企业分成三类：Fork 开源项目包装成新产品（不看好，迭代跟不上主分支）、做周边产品如记忆管理（有机会）、做垂直 Agent/Skill（有机会）。信号很明确：壁垒只是"比官方多了个 UI"的公司没有投资价值。

$1000 token 怎么最快花完

这是黄东旭提出的一个面试思路。不是省着花，也不是为了花而花，而是看你能不能在最短时间内把算力转化成有意义的产出。花得快、花得值、花得有章法——三个维度缺一不可。本质上是在测试 AI 时代的管理能力：以前管人，现在管 Agent。

产品经理比程序员更稀缺

Wells Wang 说，AI 能批量生产 Demo，技术强的人不一定有产品好坏的辨别力，而产品判断力需要时间积累。技术门槛被 AI 拉平后，"知道该做什么"比"能不能做出来"更值钱。

与 Agent 共生的状态

圆桌上有人描述了自己的日常：Agent 一直在干活，干完一个到下一个，人像导演一样关注它接下来要干什么。半夜也在想明天 Agent 该干什么，睡前必须给它扔一个任务。"他在那啥都没干，你不觉得自己亏得慌？"

有人感慨："他们已经跟 AI 共生了，我们还只是在用 AI。"

这句话可能是全场最扎心的一句。

一个运维的视角

现场大部分人关心的是：用 OpenClaw 能做什么产品、有什么创业机会。

而我一直在想另一个问题：谁来让这些东西稳定地跑起来？

王晓妍创建 80 个 Agent 导致告警风暴，刘艾伦需要人处理死循环，黄东旭说未来走向云端化和 Serverless——这些场景背后都需要运维能力。

会用 OpenClaw 的人越来越多，但能把它在企业环境里安全、稳定、可控地运行的人很少。当 OpenClaw 从个人玩具变成企业工具，部署、监控、安全、成本控制这些问题就会浮出水面。

我不会在这里讲太多具体的技术细节（后续文章会写），但可以分享一个感受：AI 工具的落地，20% 是选型和开发，80% 是工程化和运维。 大部分人的注意力在前面那 20%，而真正决定能不能用起来的是后面那 80%。

关于这个公众号

「AI运维实验室」会持续分享：

AI 工具在企业中的真实落地经验 — 不是概念，是踩过的坑和跑通的路
运维视角的 AI 工程实践 — 监控、安全、成本控制、自动化
OpenClaw / AI Agent 相关的技术探索 — 从运维人的角度看这个生态

如果你也在探索 AI 和运维的交叉地带，欢迎关注，一起交流。

写于 2026 年 3 月，从养虾社北京 Meetup 回来之后。