Insights

作者：Kesha Williams 译者：Carl Cui 译者之前写了篇介绍 OpenClaw 的文章：不一样的 OpenClaw，简述了 OpenClaw 这个项目的来龙去脉，并从安全角度讨论了这个明星项目面临的现实问题。随后译者看到了 Kesha Williams 这篇文章，她思考了 OpenClaw 的火爆给 AI Agent 发展带来的启示，值得我们参考，以下是整理翻译后的内容。 1. 自主 AI 并非新事物 OpenClaw 的异军突起感觉与 2023 年 4 月 AutoGPT 横空出世时相似。那时候它也和现在一样，在 GitHub 上迅速走红，承诺能实现 AI 的自主。但实际情况是，那些 agents 陷入了死循环，经常产生幻觉，还造成了高昂的 token 成本。没过多久，人们就纷纷放弃了。 OpenClaw 有一个关键优势：模型变得更好了。最近的 LLM（如 Claude Opus 4.6 和 GPT-5.4）允许模型将各种工具串联起来、从错误中恢复，并规划多步骤策略。OpenClaw 项目既得益于设计，也得益于时机。 OpenClaw 的架构故意保持简单。没有矢量数据库，也没有多 agent 编排框架。Persistent memory 就是磁盘上的 Markdown 文件。让我重复一遍：Persistent memory 就是磁盘上的 Markdown 文件！这个 agent 可以读取昨天的笔记，并在自己的文件中搜索额外的上下文。你可以根据需要查看和编辑 agent 的文件。这其中有一个有用的经验教训：并非每个 agent system 都需要复杂的 memory 策略。更重要的是你理解 agent 在做什么，并且它能够在多次运行中保持上下文。 ...

作者：Tim O’Reilly 译者：Carl Cui 这篇文章源自 O’Reilly 的 Tim O’Reilly 与 Google AI 专家 Addy Osmani 在 2026 年 2 月的一场深度访谈。Addy Osmani 在谷歌领导 Chrome 浏览器的开发者体验团队长达 14 年之久，最近转到谷歌云人工智能公司，专注于 Gemini 和 agent 开发。作者 Tim O’Reilly 的这篇概括性文章可以帮助 AI 时代的开发者更好地区分现实和噪音。 1. 难点在于 agent 协调，而非内容生成 Addy 指出，目前人们使用 AI agent 的方式多种多样。一边是单人公司运行着成百上千个 agents，有时连代码都不会审查。另一边则是对质量门槛和可靠性有要求，需要考虑长期维护的企业。 Addy 的看法是，对于大多数企业来说，“真正的边界不一定是为了某个任务而拥有成百上千个 agents。关键在于协调一定数量的 agents，解决实际问题，同时保持控制和可追溯性”。他指出，像 Google Agent Development Kit 这样的框架现在可以在单个系统中同时支持 deterministic workflow agents 以及 dynamic LLM agents，这样你可以灵活地选择什么时候需要可预测性，什么时候需要便利性。 Agent 生态系统正在快速发展。A2A（由 Google 贡献给 Linux 基金会的 agent-to-agent 协议）处理 agent 之间的通信，而 MCP 处理 agent 对工具的调用。组合在一起，它们就像是 AI agent 时代的 TCP/IP。不过 Addy 认为：“几乎没有人想出如何让所有东西尽可能顺畅地协同工作。我们正尽可能地接近那个目标。而这才是这里的实际难题。不是生成，而是协调。” ...