# 连续的模型进化，非连续的产品革命 > 模型能力的进步是连续的，但产品的成立往往是非连续的。ChatGPT 让自然语言成为智能的交互接口，OpenClaw 让它成为行动的操作接口；Personal Agent 的下一次跃迁，在于智能复利：过去完成的工作，不只是留下结果，而是在提高未来创造价值的能力。 作者：刘启威（AI 转型顾问） 发布：2026-10-20 原文：https://liuqiwei.dev/insights/continuous-model-evolution-discontinuous-product-revolution/ 过去几年，AI 行业有一个挺有意思的现象。 ChatGPT 出现时，大家惊叹于机器终于能够像人一样交流。到了 OpenClaw，行业的兴奋点又转向了 AI 能够操作电脑、调用工具，甚至独立完成复杂任务。而现在，Personal Agent 正在成为新的关注焦点，人们开始期待一个真正了解自己、能够持续工作、主动解决问题的数字代理人。 每一次新产品出现，似乎都伴随着一场技术革命。 但仔细拆开来看，会发现一个反直觉的事实：**这些产品背后的很多关键技术，其实早就存在了。** 工具调用、浏览器自动化、虚拟机、长期记忆、定时任务、工作流编排，都不是最近才被发明的。甚至 Agent 这个概念，也已经讨论了很多年。 那么问题来了：为什么过去这些东西没能成为主流产品，现在却接连爆发？ 我认为，答案可能比技术创新本身更值得关注。 **模型能力的进步是连续的，但产品的成立往往是非连续的。** 理解这一点，不仅能解释 ChatGPT 和 OpenClaw 为什么在各自的时间节点出现，也能帮助我们判断 Personal Agent 为什么可能成为下一次产品跃迁，以及未来六个月，AI 产品的竞争焦点究竟会转向哪里。 ## 一、真正的 Why Now，是模型跨过了产品成立的临界点 我们经常用技术突破来解释一款新产品的成功，但技术上能实现，与产品上能成立，其实是两回事。 以自动化为例。 十年前，我们就可以通过脚本、RPA 和各种 API，让计算机自动完成一些任务。但这些自动化系统有个共同的问题：它们需要人提前定义好流程。 如果现实环境稍微变化一下，按钮换了位置、网页改了结构、任务出现了意外情况，系统就可能无法继续执行。 因此，传统自动化的经济性很依赖场景。对于高频、标准化任务，投入开发和维护成本是值得的；但对于大量低频、非标准化的长尾任务，往往还不如人自己完成。 大模型改变的是这个经济关系。 随着模型的理解、推理和工具使用能力提升，越来越多过去需要人类提前编排的步骤，可以交给模型动态决定。 更重要的是，模型开始具备一定的纠错和恢复能力。执行失败之后，不一定需要人重新编写流程，而是可以让模型观察问题、调整策略、再次尝试。 这背后有一个容易被忽略的非线性效应。 假设一项任务需要连续完成 20 个步骤。如果每一步的成功率是 90%，在没有重试和纠错的理想化假设下，整项任务的成功率只有约 12%。但如果单步成功率提升到 98%，整项任务的成功率就会达到约 67%。 单步能力只是提升了 8 个百分点，端到端的可用性却发生了巨大变化。 真实 Agent 的运行当然更复杂，它可以重试、验证，也可能出现相关性错误。但这个简单的例子足以说明问题：**模型能力的一点点提升，可能让原本不值得使用的产品，突然进入实用区间。** 这也是为什么 AI 产品的演进不是线性的。 模型在持续进步，产品却往往是在某个临界点之后突然成立。 我觉得，这才是理解 AI 产品 Why Now 最重要的一把钥匙。 ## 二、从 ChatGPT 到 OpenClaw，跨越的是两道不同的门槛 回过头来看 ChatGPT。 2022 年之前，聊天机器人已经存在很多年。自然语言交互也不是什么新鲜概念，搜索引擎、智能音箱和客服系统都在尝试。 但早期系统要求用户迁就机器。你必须尽量按照它能理解的方式表达需求，稍微复杂一点，它就不知道该怎么办了。 ChatGPT 真正改变的，是模型第一次让自然语言成为足够通用的软件交互界面。 人不再需要学习机器的语言，而是机器开始适应人的表达。 这让 AI 从少数专业人士使用的技术工具，变成普通人随时可以调用的通用智能服务。 但 ChatGPT 仍有一个天然局限。 它能告诉你怎么做，却未必能替你把事情做完。 它可以帮你分析一家公司的竞争格局，但研究资料的整理、数据的更新、报告的归档，以及下个月继续跟踪这家公司，很多时候仍然需要用户亲自推动。 于是，第二道门槛出现了：从理解问题，到执行任务。 OpenClaw 的意义就在这里。 它并没有发明一套全新的计算机技术，而是把模型、文件系统、工具调用、消息渠道和持续运行环境组织起来，让 AI 能够真正参与数字世界中的操作。 过去需要开发者提前设计的执行流程，现在可以在一定程度上由模型自主规划。 所以，ChatGPT 和 OpenClaw 代表的其实是两次不同的能力解锁。 **ChatGPT 让自然语言成为智能的交互接口，OpenClaw 则进一步让自然语言成为行动的操作接口。** 从能够回答问题，到能够完成任务，这是非常重要的一步。 但我认为，这仍然不是终点。 因为无论一个 Agent 能够完成多么复杂的任务，如果每次工作都从头开始，它创造价值的方式本质上还是一次性的。 完成任务，交付结果，然后等待下一次指令。 这就引出了一个更有意思的问题：如果 Agent 不只是能够工作，而是能够持续工作，并且保留和复用过去工作的成果，会发生什么？ ## 三、Personal Agent 的关键，不是更自主，而是第一次具备智能复利的空间 现在谈 Personal Agent，很多讨论集中在主动性。 比如 AI 能不能主动检查邮件、提醒会议、追踪新闻，或者在发现问题之后主动联系用户。 这些当然重要，但我觉得它们还没有触及最核心的变化。 真正值得关注的，是 **云上虚拟电脑与持久化工作环境，为个人智慧的持续积累创造了空间。** 过去的 Chatbot 更像一个随叫随到的顾问。 你来找它，它帮你思考、分析、生成内容。一次对话可能产生非常有价值的洞察，但这些洞察往往停留在聊天记录或者最终交付的文档里。 下一次处理类似问题时，很多工作可能还得重新做一遍。 即使模型拥有 Memory，情况也没有发生根本改变。 因为记得一个人的偏好，与真正拥有一套不断积累的工作体系，是两回事。 云上虚拟电脑的价值，在于它可以给 Agent 一个持续存在的数字工作空间。 在这个空间里，Agent 不仅能够执行任务，还可以保留文件、数据库、脚本、工作流、项目状态和历史决策。 更重要的是，这些东西可以成为下一次工作的起点。 举个例子。 第一天，你让 Agent 研究新能源汽车行业，它花了一段时间搜集资料，最终生成一份行业报告。 第十天，它已经建立起主要公司的档案、核心指标数据库和信息追踪流程。 到了第一百天，它可能不再需要从零研究这个行业，而是基于过去积累的资料，持续观察竞争格局的变化，验证之前的判断，并主动发现新的研究机会。 这三次看似都在做行业研究，但价值创造方式已经发生了变化。 第一天，它提供的是一次性的研究服务。 第一百天，它调用的是过去一百天积累下来的研究体系。 **这才是我理解的智能复利：过去完成的工作，不只是留下结果，而是在提高未来创造价值的能力。** 当然，一台虚拟电脑不会自动产生复利。把所有历史文件堆在一个文件夹里，也不等于积累智慧。 真正的智能复利，需要 Agent 能够持续整理知识、沉淀经验、抽象工具、验证结果，并淘汰已经过时或错误的信息。 但至少，持久化的数字环境第一次为这件事提供了相对完整的基础设施。 模型负责生产智慧，云端工作空间负责让智慧留下来，而长期运行与反馈机制，则让这些智慧有机会被反复利用和持续改进。 这可能是 Personal Agent 相比前两代产品最值得关注的区别。 ## 四、当智慧可以积累，AI 的价值衡量方式也会改变 过去，我们主要用效率来衡量 AI 产品。 一项任务原来需要两个小时，现在只需要二十分钟，那么 AI 帮我们节省了一百分钟。 这个价值很好理解，也很容易计算。 但智能复利带来了另一种可能性。 假设一个 Agent 今天花两个小时完成了一项任务，同时沉淀出可复用的数据、工具和方法。明天遇到类似任务时，它只需要一个小时；再过一个月，可能只需要十分钟。 关键不是它今天节省了多少时间，而是**今天的工作为未来创造了多少生产力。** 这意味着，Agent 的价值可能从一次性效率提升，转向长期生产资本积累。 我倾向于把这种积累分成三个层次。 第一层是认知复利。Agent 越来越了解用户、行业、项目，以及过去判断的依据。 第二层是能力复利。Agent 在执行过程中沉淀出脚本、Skills、模板和可复用的工作流，使下一次执行的成本下降。 第三层是结果复利。过去的研究、数据和工作成果，可以直接成为新任务的生产资料。 当这三种复利叠加时，一个人的 AI 工作环境，就有可能逐渐变成一个不断成长的数字组织。 这也会改变我们对 Personal Agent 的期待。 今天，我们会问一个 Agent 能完成多少任务。 未来更值得问的是：为什么使用它一百天之后，它的工作质量、执行效率和自主处理能力，应该明显高于第一天？ 如果答案只是模型升级了，那用户获得的依然是通用智能的进步。 如果答案是它已经为这个用户建立了一套独有的知识、工具和工作体系，那么产品才真正形成了自己的积累。 当然，复利也可能是负面的。 错误的知识、不合理的流程和未经验证的经验，同样会随着重复使用不断放大。 所以未来 Agent 的竞争，不仅是谁积累得更多，还包括谁能更好地验证、更新和管理这些智慧资产。 ## 五、未来六个月，我更关注这些变化 如果沿着「模型能力跨越临界点，进而触发新产品形态」的逻辑继续推演，我认为未来六个月，也就是到 2027 年 4 月，Personal Agent 最值得关注的未必是又能操作多少个 App。 我更看好三个方向。 **首先，Agent 的产品中心会从 Chat 转向 Workspace。** 过去用户通过对话窗口理解 AI。未来，当 Agent 开始持续工作，用户自然会关心它在推进哪些项目、已经积累了哪些成果、目前有哪些任务等待处理。 聊天仍然重要，但它更像人与 Agent 沟通的入口，而不是 Agent 工作的全部。 一个长期工作的 Agent，需要的可能是任务看板、持久文件空间、执行记录和可恢复的运行状态。 换句话说，未来的 Personal Agent 可能越来越不像聊天机器人，而越来越像一个有自己工作台的数字同事。 **其次，Memory 会从记住用户，转向记住工作。** 现在的 AI Memory 主要解决个性化问题，比如记住你的身份、喜好和沟通方式。 但真正影响长期生产力的，可能是工作记忆。 它需要知道一个项目为什么做出某项决策，某个研究结论依据什么数据，哪些方法曾经失败，以及哪些工具已经被验证有效。 未来有价值的 Memory，不只是一个越来越丰富的用户画像，而应该是一套不断演进的工作知识体系。 **最后，Agent 可能开始从使用 Skills，转向生产 Skills。** 这是我认为最值得观察的信号。 今天我们给 Agent 配置各种 Skills，是为了让它具备更多能力。 但如果 Agent 在执行任务的过程中，能够发现重复模式，把成功经验抽象成可复用的流程，并通过测试将其沉淀为新的 Skill，那么 Agent 就开始参与自身工作能力的建设。 这并不是说 AI 会在六个月内实现无限自我进化。 相反，我认为早期产品仍然需要大量验证、权限控制和人为审核。 但只要出现一批真正能够「做过一次，下一次明显做得更好」的产品，就意味着智能复利开始从概念走向现实。 而一旦这个飞轮成立，竞争焦点也会改变。 过去比的是模型有多聪明、工具有多丰富、单次任务完成得有多好。 未来还需要比较，谁能够更有效地把历史工作转化为未来能力。 ## 六、真正的下一次跃迁，是从消费智能到积累智能 把这几代产品连起来看，会发现一条越来越清晰的演进主线。 ChatGPT 让人们第一次可以低成本、随时随地获取通用智能。 OpenClaw 让这种智能开始拥有行动能力，可以直接参与数字世界里的任务执行。 而 Personal Agent，如果能够结合持久化运行环境、长期记忆和持续学习机制，就有机会让智能从一次性使用的服务，变成可以长期积累的生产资本。 这三代产品并不是简单的功能叠加，而是智能与人的关系在发生变化。 最开始，我们向 AI 提问。 后来，我们向 AI 委托任务。 接下来，我们可能开始与一个持续存在、不断积累经验的数字工作系统共同成长。 这里还有一个更深层的变化。 过去，一个人的知识积累主要依赖自己的学习、记忆和实践。即使使用再多软件工具，很多经验仍然只能留在人的大脑里，或者散落在各类文档和系统之中。 而当 Agent 能够持续工作、保留状态，并不断复用过去的成果时，一部分原本难以沉淀的个人工作经验，就有可能被转化为可执行、可继承、可扩展的数字资产。 这不意味着人的判断不再重要。恰恰相反，当执行成本持续下降，人对目标的选择、价值的判断和方向的把握，可能会变得更加重要。 人负责决定什么值得做，Agent 则逐渐承担如何持续把它做好的工作。 当然，今天距离这个愿景还有不少距离。长任务的可靠性、信息安全、权限管理、记忆质量，以及如何防止错误持续积累，都是需要解决的问题。 但这些挑战并不改变我对方向的判断。 **未来真正有竞争力的 Personal Agent，未必是今天完成任务最多的那个，而可能是使用一百天后，最能体现这一百天积累价值的那个。** 回到最初的问题：为什么 ChatGPT、OpenClaw 和 Personal Agent 会在不同时间节点接连出现？ 因为模型能力的连续进化，正在依次打破智能获取、任务执行和长期积累的产品门槛。 每跨过一道门槛，就有一类过去不具备经济可行性的产品开始成立。 而下一道值得关注的门槛，或许就是智慧能否真正形成复利。 如果说 ChatGPT 的历史意义，是让智能成为人人可以使用的服务，那么 Personal Agent 更大的想象空间，是让每个人都有机会拥有一套不断成长的个人智慧基础设施。 到那时，我们衡量 AI 的方式，可能不再只是今天它替我们做了多少事。 还要看今天与它共同完成的每一件事，是否都在让明天的我们变得更有能力。 **智能可以被调用，已经改变了软件的交互方式。智能可以被积累，或许才会真正改变个人生产力的增长方式。**