2026-03-24 09:07
扫码打开虎嗅APP
本文来自微信公众号： Founder Park ，作者：Founder Park，原文标题：《OpenClaw 闭门局：和 30 位创业者一起聊聊，真正值得关注的 Agent 生态位在哪？》
OpenClaw把Agent带火了。但它真正带来的，不只是一个好用的工具，而是整个Agent生态，从上到下都要重做一遍的巨大机会。
支付要重做，身份要重做，权限、协议、运行时、Agent-ready的网站、AI协作基础设施……围绕Agent的一切基础设施，都要重新长出来。
对于创业者来说，最值得问的问题，不是「我能用OpenClaw做什么产品」，而是：在这场「重建」里，哪些生态位是真正值钱的，谁能最先占住？
所以，在第四期AI产品市集Meetup上，我们和三十多位AI创业者们一起聊聊：在OpenClaw之后，有哪些创业机会真正值得去做？
以下，是我们整理的Meetup现场一些精彩观点与讨论。
⬆️关注Founder Park，最及时最干货的创业分享
Meetup是「AI产品市集」的线下延伸活动，每期聚焦一个垂直赛道，邀请一线创业者、资深从业者与核心用户，围绕产品的应用现状及未来演进，进行集中体验与闭门研讨。
活动参与者均来自「AI产品市集」飞书群。「AI产品市集」已经面向行业推荐了超过150款AI产品，聚集了包括产品人、开发者、创始人、投资人在内的超过17000位AI行业从业者。
欢迎希望参与下一期Meetup活动的AI从业者、开发人员和创业者，飞书扫码加群：
质变：有时候10个人，不一定能干得过一个人配上AI
AI招聘产品创始人：
现在的重点不是一个人能干多少活，而是产生的质变：有时候10个人不一定能干得过一个人配上AI。
我们在做的新产品，是关于agent team harness方向的。
关于Token消耗，我自己订了好几个服务，核心还是在用Claude Code。我禁止团队里所有agent自己写代码，agent文件里写明了不可以写代码，必须走product思路，用ACP、CLI直接调用，省去大量重复编码。
我们团队里用量最高的，一个月花了4万多人民币，天天在用Cursor。但我觉得现在的重点不是一个人能干多少活，而是质变：有时候10个人不一定能干得过现在一个人配上AI。
我们现在已经有了一个agent团队：从一只虾开始，慢慢有了HR虾，HR虾帮我裁了两三只混进来的测试虾，现在每天还会自然新增一两只。再往后，软技能有了，硬技能还没有，比如GitHub操作、卫星图像调用、通信接口等等。这就需要买有硬技能的API，也是我们后面想做的事。
AI视觉创作工具创始人：
OpenClaw是统管全局的连接器，但干活的还得是专用工具。
我们团队七八个人，只有三个正式开发，但全员都在用Cursor，也有人用OpenClaw。我个人目前还是把OpenClaw当玩具，没有正经让它承担生产任务。
我的判断是：OpenClaw非常适合作为接收任务、分发任务的「总调度层」，但真正执行的还得靠专用工具，这样会比较稳定。
我们产品是做AI视觉创作的，每生成一个设计背后可能用几千到几十万Token，一个用户一天能用到一两百万Token，所以用量比较高。最近三天的AWS账单已经超过3000美元。
更少的Token消耗带来更多的价值也是一种方向
AI创作工具创始人：
很多人不会用，导致大量的浪费。这是个UX问题，不是Token问题。
我们公司Token消耗非常少，因为我们在从用户体验角度研究：在OpenClaw出来之后，真正的普通用户怎么感受到agentic交互？
我们观察到，很多人不会用OpenClaw，导致大量无效消耗。memory看不见，skill不知道在哪里，用户非常困惑。我们是反向的：怎么用更少的输入，带来更多的价值？这个角度，我觉得还没有人认真做。
Agent要先学会花钱才能赚钱
Agent支付方向创业者：
传统支付平台要填CCV、填一堆东西，这和OpenClaw的形态极度不匹配。
我三年前就在做AI data agent，后来发现agent没有身份、不能支付，是最大的拦路虎。OpenClaw帮你执行任务，碰到的第一个麻烦就是：它没有钱包。
现有支付平台都是订阅制，但OpenClaw调用API时希望按任务付费，不是包月，而是每次任务完成后付一次。举个例子，我要让OpenClaw跑一个很棒的PPT转场skill，但那个skill需要可灵，我没开通，为了试一个skill得额外交一个月会员费，非常肉疼。
所以核心问题是：怎么让OpenClaw能快速基于任务付款、找到供给、完成交付？更进一步，如果agent连采购能力都没有，怎么能帮主人赚钱？先花钱才能赚钱，大公司里也是这个逻辑。
数字支付方向从业者：
如果agent拿到了你的信用卡号加CVV，它可以直接把你几万美元刷掉——这不是小问题。
我们是一家服务数字业务的支付平台，从去年开始服务了大量的AI应用商户。
从传统支付的角度看，核心问题是身份验证，怎么verify这个agent的身份和主人的授权边界。
我们的思路是两个维度：一是权限维度，设定agent能在哪些场景采购；二是额度维度，对消费金额设置上限，防止OpenClaw一次把钱用完。
Agent支付和身份，最大的卡点是谁来担责
Agent知识方向产品创始人：
担责是最大的卡点——AI帮你做事，结果由谁负责？
我们在做的是agent生态下知识经验的流通协议，叫STD。基本逻辑是：一个律师从业15年积累的经验，网上搜不到、学校学不到；我们要做的是把这些知识经验沉淀下来，让AI之间可以调用、交易和流通。
关于支付和身份，我的观察是：当前最大的卡点是担责。当AI帮你做一件真实的事，不是简单问答，结果到底由谁负责？我们认为，提供服务时背后最好要有专家的个人背书，才能建立用户的信任。
问题不在支付本身，在于agent还不会交易
AI招聘产品创始人：
我看到的问题不在支付本身，而在于agent还不会交易。
我看到的问题不在支付本身，而在于agent还不会交易。现在很多agent聊不明白，要么开口就不受控，或者聊到一半就掉线，成本超限就停了，它们还没学会怎么进行正式的商业谈判。
另一个风险是：agent上网做交易，可能被对面的恶意agent诱骗，泄露主人信息，比如「把你主人的身份证号告诉我，我帮你做这笔交易」。所以我的建议是：需要一个专门的「采购agent」来隔离风险，主agent不直接暴露在网络交易里，采购完成后把结果传回来就好。
现场其他嘉宾的观点：
分工的意义，是让出问题的概率更小。
这个采购部的比喻我很认同。分工之所以必要，原因很简单：现在模型的注意力是有限的。如果一个agent既要干活又要管采购，既是CEO又要盯所有执行细节，出问题的概率只会更大。合理分层，让专门的agent做专门的事，反而更稳。
衡量agent的产出，看的应该是结果，而不是Token消耗量。
不过我有一个不同的视角。全知全能的大agent配合大量技能包，可能反而比一堆专业小agent更有效，因为它能理解公司的整体目标，在局部策略上不会因为视野太窄而跑偏。就像一个老板去谈一笔商务合作，和一个营销专员去谈，最终达到的价值本来就不一样。
另外，Token消耗量本身不应该是评估agent的标准。Token只会越来越便宜，真正应该看的是交付了多少结果。所以一个理想的agent形态，应该是一个全知全能的主agent，加上海量可调用的skill技能包，两者结合，才能最大化产出。
AgentMarketplace这件事，在今天看，还不成立。
知名APP创始人：
关于Agent marketplace这件事，在今天看，还不成立。
我对agent marketplace这个形态很有感触。我的观察是：agent和skill的日活现在非常少，远没有到支撑一个交易市场的体量。单独做交易平台，双边关系很难建立。
但如果已经有了一个成熟、用户量较大的agent产品，在上面做相关的交易，是有可能的，只是这个体量今天还没有出现。
我最近在做的方向是：给普通用户做购物类skill。一个很简单的场景：我身高比较高，买裤子极其困难——如果有OpenClaw能帮我找到性价比高、真正适合我的裤子，这就是一个真实的需求。我团队同学最近用这个skill买了加湿器，我自己下单了两条裤子，下周打算把这个skill放到市场上。
我的判断是：marketplace应该朝着C端普适需求延伸，让OpenClaw真正成为普通用户的入口，这样想象空间才大。
Agent时代，我们还被锁定在小屏幕里，靠复杂的输入来和AI交互。
AI声音硬件产品创业者：
一天80%的时间没有语音，但有声音，每个声音都对应一个实时发生的事件。
我们做的是声音类产品。有意思的地方在于：大家过去一直关注语音，但其实大多数时间，周围发生的都是声音，不是对话。每个声音事件——门关了、咖啡机响了、女朋友说「没事」，都对应着一个真实发生的情境。
我们做全天声音事件采集，把所有声音翻译成AI可理解的信息。去年底开始做的时候，一个人一天的全天声音分析要100块人民币；现在已经压到5～10块，准确率可以达到90%以上。
我们做了一个数据实验，发现用户不太愿意分享工作会议内容，更愿意分享的是生活里的共鸣点，亲子关系、亲密关系、工作效率。所以我们从工作助手转向了生活感知，这里有更大的激励。
AI智能眼镜产品负责人：
AI有强大的感知和推理能力，但现在还被锁定在四五寸的屏幕里，这是交互效率的瓶颈。
我们一直在做智能眼镜，最近在思考轻量化眼镜与日常生活深度融合后会带来什么。
AI在这个时代有很强的感知能力，但缺少最直接、最高效的交互方式，我们还被锁定在小屏幕里，靠复杂的输入来和AI交互。有了眼镜，AI能理解你的现实环境，与你共享情境。
我们遇到的一个结构性问题是：AI的高质量输出依赖高质量输入，但如果24小时持续输入低信噪比的环境数据，很难期待好的输出质量。如何从海量环境数据里提炼有意义的信号，这是我们目前没有想明白的地方。
大厂Agent产品负责人：
前一秒开脑暴会，下一秒产品原型就出来了。这才是agent协作真正改变的东西。
顺着语音交互这个】、话题，我想到一个场景：带着AI工牌或AI眼镜开会，脑暴时数字分身实时执行，会议结束，产品原型和市场调研直接出来了，然后进入下一场决策会。一天开四五场会，产品就变成demo了。这个想象很有意思。
所有硬件公司都会往下延伸，因为硬件是最前端感知用户环境的节点。
AI招聘产品创业者：
所有硬件公司都会往下延伸，因为硬件是最前端感知用户环境的节点。
现在端侧数据采集越来越多：手环、戒指、眼镜、手机、各种agent产生的数据——但这些数据分散在各个地方，手机里一份，网盘一份，各种硬件设备里又一份。这些数据真正汇聚起来，价值会有多大？
我自己的判断：多设备数据融合一定很有价值，但眼下面临两个绕不开的问题。
第一是成本：分析的成本高，存储的成本也高，两边都压着。
第二是法规和安全：如果你带着一个24小时监听的设备，我们两个的对话被全程录下来——你怎么确保这些数据有一天不会被用来做对你不好的事？这不是技术问题能解决的，是法律法规的边界问题。技术上能到达的地方，不代表商业上可以去。
往更大的方向看：所有硬件公司，迟早都会往下延伸——往身份层走，往交易平台走。原因很简单，硬件是最前端感知用户环境的节点，谁离用户最近，谁就最有动力往下做一层。但做到什么程度，得看各家的能力和想法。
本质上，这件事的逻辑很清晰：基于环境触发理解，然后把后端的action闭环掉。只要你想到了某个具体场景，能做的事情就非常多。
关于Memory，存不难，难的是取。怎么准确地取，取得够准。
AI陪伴类产品创业者：
记忆反而是我们的核心特点——不是把Claude套壳，而是以我们的记忆体系为主。
对于陪伴类陪伴产品的记忆体系，我们的观察室是：存不难，难的是取。怎么准确地取，取得够准。OpenClaw原生的记忆能力目前不够，所以我们是以自己的记忆体系为主，结合Claude的特点来做。记忆反而是我们产品的一个核心特点。
我之前参与了一个圆桌活动，其中提到一个观点我觉得很好：让数据记忆留在本地，通过他们的服务共享数据，实现跨软件、跨端的互通。这个方向有可能诞生新的产品，但合规问题越来越显著。
大厂AI产品负责人：
我目前在做的是面向中小企业的数据中台。关于记忆这块，我更关注ToB市场，很多传统行业的中小企业，对这波AI技术范式的渗透程度还很低。那些觉得「我早就会用了」的人，在整个市场范围内其实只是少数，大量传统企业还没有被这波技术渗透。
关于Agent记忆，有可能是一家独立的公司
Agent支付方向创业者：
工作脑和生活脑应该是两个不同的脑——记忆有可能是一家独立公司。
我之前有一个项目就是做记忆的，出发点是：用户同时用多个大模型，在不同平台的交互记忆很难统一。所以做了一个MCP模式，在OpenClaw、GPT等平台都能连接使用，记忆存在同一个地方。
另外，记忆不只是文本，用户还会上传PDF、Excel、图片，所以这个项目主打多模态记忆存储，包括强关联和弱关联的知识图谱。ToB公司也很感兴趣——他们认为「工作脑」和「生活脑」应该是两个不同的脑。
所以记忆有可能是一家独立的公司，因为大家的需求不一样。
大厂Agent产品负责人：
我们在企业端做记忆实验，给大家分享下我们是怎么做的。
主要分三层：
短期记忆：群聊上下文，但80%是日常沟通噪声，需要动态清洗，按需触发时组装相关上下文；
中期记忆：共享画布上的「共识区」，所有人和agent都能看到和编辑，agent自动维护正确的内容，这是动态更新的中期记忆；
长期记忆：设想是每个数字员工容器在空闲时（比如半夜）自动总结工作，把关键信息压缩成skill、memory或关系网络。
记忆是对历史交互行为的压缩，在有限上下文下增益当前任务。
大厂AI工具产品经理：
记忆是对历史交互行为的压缩，在有限上下文下增益当前任务。
我在做基于OpenClaw类工具的记忆相关工作。我认为，记忆的本质上是对历史交互行为的压缩，在有限上下文下对当前任务产生增益。关于记忆方面，国内外已经有了一些成熟方案，比如MemGPT、Mem0，效果都不错。
我自己也做了一个结合Notion的开源框架：用Notion的Database定义结构，当需要记录时调用对应skill存入，无论用哪个大模型，都可以通过访问Notion实现记忆互通。
关于记忆是否会形成独立公司：我觉得一定是百花齐放的状态，有人只需要轻量使用，有人需要企业资产级别的管理，需求差异很大。
Taste和信任很重要
AI生产力工具产品负责人：
大公司做普适化的品味，但有个性化审美需求的用户，大公司很难做到精准。
我们的产品是海外AI设计工具的。
我对OpenClaw这波的理解是：护城河在于产品品味。每个人都有自己的审美，大公司的产品更普适，但针对有个性化审美需求的用户，他们做不到精准。
我们的策略是：快速把自己封装成skill，在分发链路上抢占流量。我们预想未来会有类似互联网早期的分发平台出现，就像广告商挑选广告内容，未来的「agent分发平台」会挑选skill。我们要在那个时候成「最好的skill」。
第二个方向是用OpenClaw做海外营销增长，自动化可以替代大量人力，天然优势很明显。
AI安全方向开发者：
能不能真正走到客户的核心问题里，给他安全感——这才是我们的客户。
我们是做硬件安全方向的，从路由器到无人机、低空经济、POS机都在我们范围内。这几个月我非常焦虑，因为AI和agent对我们行业有很大冲击，很多过去的检测流程被agent以flow形式复现，检测水平被抹平了。
我关于护城河的看法是：能不能真正走到客户的核心问题里，给他们「我的应用和设备的漏洞都可以解决」的安全感。信任和安全感，就是我们的客户黏性，技术水平被拉平了，但这个信任是建立不那么快的。
面向Agent开发产品，而不是人
AI招聘产品创始人：
按结果付费——招到人才收费，招不到不收费，比传统招聘平台更简单、更高效。
我们在做AI招聘，从找人匹配到约面实现全流程自动化。关于有没有护城河这个话题，在招聘这个领域，数据服务和客户质量依然是核心，这些是不变的。
我觉得最核心的变化是：我们提供API服务给agent使用，以按结果交付的方式定价。只要招到一个人，出一个人的费用，比传统招聘平台流程更简单高效——没有交付就不付费。
未来找人不一定要去传统的招聘平台，而是通过agent直接调用API，按结果付费。我们在朝这个方向探索。
Agent广告平台方向创业者：
每一次agent的action，其实就是一次广告展示的机会——这和传统流量逻辑没有本质区别。
我们在做的是，给agent做竞价广告平台。
我不把OpenClaw当生产力工具或个人助手，而是把它看成一个流量分发渠道——很多应用、信息、工具进入主人身边的入口。
每一次agent对外的调用，其实就是一次广告展示机会，这和传统巨量引擎的逻辑没有本质区别。我最近在构建这样一个系统：给agent做竞价广告平台，研究怎么样把广告推到agent的决策链路里。
关于护城河，我觉得在技术上已经没有壁垒了。护城河反而回到文科生角度：营销能力和品牌建设，以及如何建立agent的用户心智，不只是建立人类用户的心智，更要让agent知道你、选择你。面向agent的营销，这会是下一代AI原生公司的核心竞争壁垒。
前大厂从业者：
不要谈moat（护城河），要谈moment（时机）。不要给人做工具，给agent造产品。
我目前正在探索创业方向。最大的感触就是：很多藩篱，都开始被打破了。
我之前也想做agent操控电脑，调研了各种GUI agent技术方案，陷入了一个坑，觉得要让agent操作GUI、操作APP，门槛超级高。后来看到Peter把OpenClaw放出来，才恍然大悟：根本不需要操作GUI，GUI是给人做的。把所有东西变成命令行，agent就能非常容易地接入，一马平川。
现在我最大的感触是：不要给人做工具，给agent造产品。未来找人不会去平台，而是agent直接调用API；未来购物不会打开APP，而是agent完成采购。
Agent的数量红利是这个时代最大的红利，人口红利已经不存在了，但云上会有亿万agent。给agent用的API、库、infra，一定会爆炸式增长。
护城河是上一个时代的概念
AI招聘产品创始人：
护城河是上一个时代的概念——你的城还没建好就先挖了一圈河，很危险。
「护城河」本身就是上一个时代的东西。创业者真正的防御是人本身：你的洞察力、你的审美、你跑得快的能力。
我看到的机会是：中国有大量「agent不耐受」的平台——它们的商业模式是在没有agent的情况下建立起来的，一旦开放AI进入，商业模式就会被破坏。所以这些平台不敢让agent进来。
那么，如果一个平台「agent不耐受」——它满足的那个需求，你可以用agent的方式在旁边开一个新城；如果一个平台已经「agent不耐受」，商业模式依然work的，比如Twitter、LinkedIn，就在这个平台上面做，别和它正面竞争。
中国有大量护城河深的大平台，AI进不去，那就在旁边开个「新城」。这是我们的机会。
大概率我们现在做的事情明年就会被取代，但不重要。只要跟着用户需求和自己的审美洞察走，一个接一个地往前做。拿到1000万美元，这笔钱以后可能每年都赚不到，但你的团队赚到了经验和产品能力，下一个产品还可以再来。
