2026-08-06 11:28:00
最近一直在深度思考和实践“企业如何实现 AI Native”。
在看了大量架构方案、也踩了不少落地坑之后，我越来越确信一件事：AI Native 绝不是买几个大模型账号，也不是强行造一个新系统给员工用。
如果脱离了企业的真实数据生态和员工的习惯路径，所谓的 AI Native 改造只是一场昂贵的“技术自嗨”。
今天把最近关于 AI Native 落地的前提、短中期痛点、协同载体以及终局形态的思考梳理出来，供大家参考。
在探讨具体协同载体之前，我们先拉高视角，看一张企业级 AI Native 落地全景架构图。
整个架构从上到下分为应用场景层、能力解耦层、核心 Runtime 运行时以及底座资源支撑层：
这张架构图体现了两个核心逻辑： 1. 能力解耦与治理（Skill/MCP Hub）：将数据、工具和系统能力标准化暴露，解决安全鉴权与复用问题。 2. 场景双轮驱动：既包含了研发侧的 Vibe Coding，也涵盖了全公司业务与职能形态的 Agent 化。
后文讨论的所有“Agent Readable”、“IM 协同”以及“私有 Runtime”，本质上都是这张架构图在具体工程和组织管理中的落地延伸。
绝大多数企业在喊 AI Native 时，第一步就卡住了。
原因很简单：大模型虽然聪明，但它对企业内部的真实情况一无所知。
企业要真正走向 AI Native，第一个关键基础设施不是选哪个模型，而是实现 Agent Readable（Agent 可读化）：
只有企业的核心数据、知识与资源变成了 Agent 可以安全获取、读取和理解的形式，AI Native 的改造才有底座。
很多人对 AI Native 抱有不切实际的幻想，认为一旦引入立刻就能全员提效。
现实往往相反：短期内，AI Native 改造大概率是降效的。
引入新技术必然带来额外的成本：
管理者必须有清醒的认知：短期内我们在为“认知升级和工程基础设施”买单，长期来看，当 Agent 能够自主吞吐数据与执行流程时，指数级的提效才会真正爆发。
最近观察到飞书、钉钉、企微等办公软件频繁调整组织架构和 AI 战略，这与我们探索的“企业 Workspace”方向完全吻合。
未来企业真的需要为了 AI 专门再开发一套全新的协作平台吗？答案大概率是：不需要，甚至应该坚决避免。
重新造一个新平台，面临最大的阻力就是用户习惯路径的迁移。而钉钉/飞书/企微有着得天独厚的优势：
虽然用户界面不需要自研，但这并不意味着企业不需要自己的基础设施。
从数据安全性、模型路由与 Runtime 多样性的角度来看，企业必须拥有私有的 Agent 运行与治理能力。
因此，理想的终局形态是明确的解耦：UI 交互层归办公 IM，运行治理层（私有大脑）归企业自建。
试想这样一个未来的产研闭环场景：
@产品经理 Agent：“我们需要增加一个根据用户行为自动生成周报的功能。”@研发 Agent。@产品经理 Agent 验收。在这个过程中：
@ 介入打断或修正。总结来看，企业 AI Native 改造的底层主线已经非常清晰：
打破幻想，扎实建设基础设施，才能真正拥抱 AI Native 的时代。
2026-05-17 11:44:00
最近大量使用 AI 进行开发，我逐渐意识到一个趋势：随着 AI 编程的普及，被颠覆的不仅仅是一线工程师的工作方式，对 CTO、技术总监、技术 Leader 这些技术管理者的要求，正在发生截然不同的改变。
过去，技术管理的核心在于“人”与“确定性”；而现在，当 AI 开始接管代码生成，系统正在变得“非确定性”。如何理解和控制这种非确定性，将成为下一代技术管理者的核心壁垒。
在传统的软件工程时代，代码由工程师一行行敲出来，系统严格按照设定的逻辑执行。
这种模式下，系统是高度确定性的：输入相同，输出必然相同。如果出了 Bug，顺着调用栈一层层 Debug，总能找到引发异常的那行代码。因此，技术管理者不需要每天盯着系统的细枝末节，核心精力主要放在以下三件事：
当研发流程全面接入 AI，情况变了。
现在是工程师设计约束，AI 负责生成代码。这种模式打破了传统的确定性——同样的输入，AI 每次给出的实现细节可能完全不同。这带来了一系列连锁反应：
在这样的背景下，技术管理者的核心工作，正在从单纯的“管人”向“管系统行为”演进。未来的首要任务，是解决“如何完全理解系统为什么这么运行”的问题。
技术管理者的新角色正在转变为：
本质上，AI 时代的研发管理，需要建立一套全新的认知框架。
从管理“人类开发者的产能”，升级为管理“人机协同系统的行为边界”。对现有的技术管理者来说，这不仅是脱离舒适区的巨大挑战，更是抓住下一次技术代差、重塑团队战斗力的绝佳机会。
2026-04-06 00:17:00
很多人开始配置自己的 Agent 时，都会很快遇到一个问题：
SOUL.md 和 AGENTS.md 看起来都像是在“定义 Agent”，它们到底有什么区别？
如果这两个文件不分清，后面就很容易出现一种典型混乱：人格写进岗位说明，业务流程写进行为准则，文件越写越多，Agent 反而越来越不像一个稳定的助手。
先说结论：
SOUL.md 负责定义 这个 Agent 怎么做人、怎么做事、什么不能碰
AGENTS.md 负责定义 这个 Agent 是干什么的、服务谁、交付什么、按什么流程工作
一句话：
SOUL.md 是灵魂，AGENTS.md 是岗位说明书。
原因其实很简单：这两个文件都在描述 Agent，而且都不是技术配置项，而是自然语言规则。
于是很容易出现下面这种误写：
SOUL.md 里写“每周发 3 篇小红书”AGENTS.md 里写“说话别太啰嗦，先给结论”表面上看都能运行，但问题在于：
这就像你在公司里把“企业文化”和“岗位 KPI”写进同一张纸。
短期看没事，长期一定乱。
SOUL.md 适合放什么SOUL.md 更适合放那些跨任务长期有效的行为原则。
也就是：不管这个 Agent 今天在写文章、查资料、做排期，还是和你对话，它都应该稳定遵守的那一层规则。
它更像下面这些问题的答案：
它适合放的内容，大致可以分成 4 类：
比如：
比如：
比如：
比如：
这些东西有一个共同点：
它们不依赖具体业务，而定义的是这个 Agent 的稳定人格和做事方式。
AGENTS.md 适合放什么如果说 SOUL.md 解决的是“怎么做人”，那么 AGENTS.md 解决的就是“你到底是干什么的”。
它更适合放那些业务身份、职责范围、目标、流程和输出物。
它更像下面这些问题的答案：
通常来说，AGENTS.md 更适合放 5 类内容。
比如：
比如：
比如：
比如：
比如：
这些内容有一个共同点：
它们定义的是这个 Agent 的工作岗位，而不是性格。
如果你拿到一条规则，不知道该放哪，就问自己一句：
它到底在回答“我怎么做事”，还是“我做什么事”？
放进 SOUL.md。
例如：
放进 AGENTS.md。
例如：
这是区分这两个文件最省脑子的办法。
SOUL.md
很多人喜欢把一切“对 Agent 的要求”都堆进 SOUL.md，因为它名字听起来更高级。
但这会带来两个问题：
SOUL.md 变成一个无边界的大杂烩AGENTS.md 反而变空，只剩一句角色介绍这样做的后果是，Agent 会越来越像“有很多态度，但没什么明确职责”。
反过来也一样。
如果你把所有业务流程和 KPI 都塞进 AGENTS.md，却不定义风格和原则，那 Agent 通常会变成另一个问题：
所以真正合理的方式，不是二选一，而是：
SOUL.md 负责“人格和准则”AGENTS.md 负责“业务和工作”两者配合，Agent 才会既稳定，又有明确产出。
最简单的模板可以是这样。
SOUL.md只保留 4 类：
AGENTS.md只保留 5 类：
如果你按这个思路来写，后面维护会轻松很多。
因为每次新增规则时，你都知道自己是在改：
这两个东西一旦分清，整个 Agent 配置就会明显稳定下来。
Agent 配置这件事，表面上看是在写几个 Markdown 文件，本质上其实是在回答两个问题：
前一个问题，交给 SOUL.md。
后一个问题，交给 AGENTS.md。
如果你把这两个文件的边界理顺了，后面很多配置问题都会变简单。
因为你终于不是在“堆规则”，而是在真正地设计一个有灵魂、也有岗位职责的 Agent。
2026-03-31 01:10:00
过去一年，围绕 AI Agent 的讨论大多集中在模型能力本身。
但如果把最近几篇有代表性的内容放在一起看，一个更关键的变化已经出现：AI Agent 的竞争重心，正在从“模型能力展示”转向“工程系统能力”。
这里的“工程系统能力”，不是一句空话。它至少包含四层：
如果只记一条：2026 年的 Agent，已经不再只是“大模型 + 工具调用”，而是在走向一套完整的软件工程体系。
以 Cursor 发布 Composer 2 为例，这类发布最容易被表面解读为“又一个新模型上线”。但如果只盯着 benchmark 分数，其实会错过真正重要的信息。
真正值得关注的是：垂直场景优化，正在从提示词层面的工程技巧，变成底层模型层面的产品策略。
过去大家默认的路径是：
而现在，越来越多产品开始反过来做：
在代码生成领域，这个逻辑尤其成立。因为对开发者来说，关键指标从来不是“会不会聊天”，而是：
所以代码模型的价值，不在于“像人一样懂很多”，而在于“在狭窄但高价值的任务里做到足够可靠”。
从工程视角看，这一步非常重要。因为一旦模型专用化开始成立，系统设计就会自然进入下一阶段：
一句话：模型层一旦专用化，Agent 系统就不再是单核结构，而开始具备多能力模块化特征。
如果模型层的关键词是“专用化”，那么框架层的关键词就是“生产化”。
以 AgentScope Java 这类框架为代表，可以明显看到一个趋势：企业级 Agent 框架的卖点，已经从“快速做 Demo”转向“纳入生产治理体系”。
一个 Demo 能跑起来，解决的是“能不能演示”；而一个生产系统能跑下去，解决的是另一组完全不同的问题：
这些问题很少出现在社交媒体上的 Agent 演示视频里，但它们决定了系统是否能进入真实业务。
这也是为什么 Java 框架在企业 Agent 讨论里开始重新获得存在感。不是因为 Java 在模型创新上领先，而是因为大量企业核心系统、权限体系、服务治理体系本来就在 Java 世界里。谁更容易接入这些系统，谁就更容易跨过“从试验到生产”的门槛。
从架构角度看，生产化框架至少意味着三件事。
它可能被启动、暂停、中断、恢复、观察、接管。这说明 Agent 已经不再是单纯的“函数调用”，而更接近“状态化任务单元”。
生产环境里，最终结果固然重要，但更重要的是：
没有过程可见性，就没有治理能力。
企业不会为了 Agent 重写整套权限和运维体系。真正可落地的框架，必须反过来适应既有系统，而不是要求企业围着 Agent 转。
因此，从这一步开始，Agent 就越来越像软件基础设施问题，而不是一个单独的 AI 功能问题。
过去一段时间，“多智能体”几乎成了 Agent 讨论里的政治正确。但真正有实践经验的团队，反而越来越强调另一条原则：Single Agent First。
这个原则看起来保守，其实非常工程化。原因很简单：多智能体架构虽然听起来强大，但它天然会引入新的系统成本：
如果业务复杂度还没高到需要这些机制，那么多智能体带来的收益，很可能不足以覆盖它引入的复杂度。
因此，更合理的路径不是“先上多智能体，再想办法降复杂度”，而是：
这个“阈值”通常出现在几类场景：
这意味着，多智能体的本质不是“更聪明”，而是更适合处理复杂系统中的职责拆分与流程编排问题。
从这一点看，多智能体更像微服务演进中的服务拆分：
当模型专用化、框架生产化、架构分层化之后，会自然冒出下一个问题：多个 Agent 之间如何协作？
如果没有标准协议，所谓“多智能体”很容易退化成一种脆弱的私有编排：
这也是 A2A 这类协议值得关注的原因。它的价值，不是又发明了一个新缩写，而是试图回答协作系统里最基础的几个问题：
这件事为什么重要？因为它标志着“上下文工程”的边界正在上移。
过去谈上下文工程，大家主要关注的是：
但在多 Agent 系统里，这些问题不再只发生在“人和模型之间”，还发生在“Agent 和 Agent 之间”。
于是新的工程问题出现了：
当这些问题成为主问题时，Agent 系统的本质就已经变了。它不再只是“一个大模型加若干外挂工具”，而是在向“分布式协作系统”靠近。
把前面四层连起来，可以看到一条非常清晰的演进链路：
这四者不是并列关系，而是递进关系。
因为一旦你开始使用专用模型，就会需要调度；一旦你进入调度，就会需要框架与治理；一旦任务复杂度提高，就会需要角色拆分；一旦角色拆分发生，就会需要标准化协作协议。
所以今天讨论 Agent，最容易犯的错误，就是仍然把它理解成一个单点能力增强工具。实际上，它正在逐步变成一套软件系统的基础设施层。
从这个意义上说，Agent 的下半场竞争，本质上是软件工程能力的竞争。
如果这个判断成立，那么技术团队下一步最值得做的，不是继续沉迷“模型榜单更新”，而是反过来重建自己的落地顺序：
不要先问“哪个模型最强”，要先问：
没有任务边界，讨论 Agent 架构几乎一定会失真。
先验证这几个东西：
很多“多智能体需求”，最后会发现其实是“单智能体上下文和工具设计没做好”。
包括：
这些能力越晚补，代价越大。因为它们通常不是外挂功能，而是会反向影响你的框架选择与系统边界。
如果只看单个新闻，最近这些变化看起来是分散的：一个代码模型升级了，一个 Java Agent 框架火了，一篇多智能体选型文章刷屏了，又出现了新的协作协议。
但把它们放在一起，就会看到更本质的趋势：AI Agent 正在从“可演示的智能能力”，演化成“可治理、可扩展、可协作的软件系统”。
这意味着接下来的竞争，不只是“谁更聪明”，而是：
对于真正做落地的人来说，这反而是个好消息。因为从这一刻开始，Agent 不再只是模型厂商的游戏，而重新变成了系统设计者、架构师和工程团队的主战场。
2026-03-24 16:36:02
很多团队在接 OpenClaw Gateway 时，第一反应是：到底该用哪个接口？
答案不是“哪个更新就用哪个”，而是看你的目标：是先把能力接入，还是把系统做成可控、可观测、可治理的平台。
如果你只记一条：Chat Completions 适合快接入，OpenResponses 适合复杂编排，Gateway WS 适合平台控制面。
本文按工程落地视角，把三种协议放到同一张决策图里讲清楚。
先明确一个问题：同一个 Gateway 为什么要提供三种接口？
这是“分层设计”而不是“重复造轮子”——兼容层负责接入效率，原生协议负责控制力与系统治理。
这是 OpenClaw 的原生控制面协议。客户端通过 WebSocket 握手（connect），声明 role/scopes/caps，然后以 req/res/event 方式通信。
它最适合做：
一句话：最完整，但接入门槛最高。
/v1/chat/completions）这是面向存量生态的兼容接口。你已有 OpenAI SDK 或上层框架时，几乎可以低改造迁移。
它最适合做：
一句话：上手最快，迁移成本最低。
/v1/responses）这是更现代的兼容接口，强调 item 化输入、工具回合、多模态输入（文件/图片）和更细颗粒度的流式事件。
它最适合做：
一句话：语义更完整，适合复杂场景。
选 Chat Completions。
原因：复用现有 SDK，改造最小，最快出结果。
选 OpenResponses。
原因：输入输出语义更现代，工具回合、多模态、事件流更顺手。
选 Gateway WS。
原因：只有原生协议能把角色、权限、节点能力、审批、配置纳入一套统一治理模型。
目标：验证价值，不纠结架构完美。
目标：提升工具编排能力和事件可观测性。
目标：统一权限、审批、配置与节点编排，做成平台而不是脚本集合。
OpenClaw Gateway 三种接口不是替代关系，而是分层协作关系。
对工程团队来说，真正重要的不是“选哪个最先进”，而是：
这才是协议选型的终局。
2026-03-18 21:00:00
最近一轮知识库信息放在一起看，结论很清楚： Agent 已经从“能不能做”进入“能不能稳定做、持续做、规模做”。
真正决定成败的，不是模型上限，而是工程治理下限。
很多团队现在都能把 Agent 跑起来：接 IM、调工具、跑自动化流程。 但一上真实业务就出问题：串会话、误操作、成本飙升、结果不可复盘。 这类问题本质上不是 Prompt 问题，而是系统边界没有建好。
第一步不是提并发，而是先把并发“关进笼子”：
如果这一层没做，业务一上量就会出现“同一用户前后文互相污染”，后面所有优化都白做。
Agent 接了终端、文件、外部 API 后，风险不再是“答错一句话”，而是“做错一件事”。
必须落地三件事：
没有这层，任何一次误调用都可能直接变生产事故。
生产环境里，失败不是例外，是常态。 要提前把“故障时怎么继续”设计好：
目标只有一个：在坏环境下还能跑，不把服务打穿。
纯技术落地如果不转成“可复用内容”，团队学习曲线会重复踩坑。
建议固定复盘模板：
技术治理 + 内容沉淀同时做，才能形成长期复利。
Agent 落地不是“再接一个模型”，而是“先建一套护栏”。 先把系统变成可控工程，再把效率放大。 这一步做对了，后面才是真正的规模化红利。
