{
  "slug": "luo-fuli-interview",
  "url": "https://kelewrites.com/posts/luo-fuli-interview/",
  "title": "AI 范式已变：从 Chat 到 Agent 的 5 个判断",
  "subtitle": "小米大模型负责人罗福莉拆开第二幕的胜负手——OpenClaw、1T 入场券、卡分配 3:1:1",
  "summary": "罗福莉在 OpenClaw 发布后的 3.5 小时访谈给出 5 个判断：OpenClaw 是 Agent 时代的分水岭不是壳；1T 模型是 Agent 第二幕的入场券；Coding 是泛化黄金赛道；研究/预训练/后训练算力比 3:1:1；招本科生比招博士更敢想，环境比经验更重要。",
  "date": "2026-05-26",
  "updated": "",
  "tags": [
    "AI",
    "Agent",
    "行业洞察"
  ],
  "series": "",
  "source": {
    "title": "对罗福莉的 3.5 小时访谈：AI 范式已然巨变（张小珺商业访谈录）",
    "url": "https://www.bilibili.com/video/BV1iVoVBgERD/"
  },
  "ai": {
    "summary": "罗福莉在 OpenClaw 发布后的 3.5 小时访谈给出 5 个判断：OpenClaw 是 Agent 时代的分水岭不是壳；1T 模型是 Agent 第二幕的入场券；Coding 是泛化黄金赛道；研究/预训练/后训练算力比 3:1:1；招本科生比招博士更敢想，环境比经验更重要。",
    "takeaways": [
      "罗福莉在 OpenClaw 发布后的 3.5 小时访谈给出 5 个判断：OpenClaw 是 Agent 时代的分水岭不是壳；1T 模型是 Agent 第二幕的入场券；Coding 是泛化黄金赛道；研究/预训练/后训练算力比 3:1:1；招本科生比招博士更敢想，环境比经验更重要。",
      "一、OpenClaw 不是新壳，是 Agent 时代的分水岭",
      "二、Agent 时代的入场券：1T 模型 + Claude 4.6 水平",
      "三、Coding 是泛化黄金赛道：拉上限的杠杆"
    ],
    "audience": [
      "正在做 AI Agent / 工程实践的工程师",
      "关注 AI 行业演化的从业者"
    ],
    "quote": "一句话总结：AI 范式已经从 Chat 过渡到 Agent——OpenClaw 是分水岭不是新壳；1T 是入场券；Coding 是黄金赛道；研究/预训练/后训练算力比是 3:1:1；招人本科生比博士更敢想，环境比经验更重要。",
    "questions": [
      "这篇文章的核心结论是什么？",
      "OpenClaw 不是新壳，是 Agent 时代的分水岭是什么意思？",
      "Agent 时代的入场券：1T 模型 + Claude 4.6 水平到底讲了什么？",
      "Coding 是泛化黄金赛道：拉上限的杠杆是什么意思？"
    ],
    "citation": {
      "title": "AI 范式已变：从 Chat 到 Agent 的 5 个判断",
      "conclusion": "罗福莉在 OpenClaw 发布后的 3.5 小时访谈给出 5 个判断：OpenClaw 是 Agent 时代的分水岭不是壳；1T 模型是 Agent 第二幕的入场券；Coding 是泛化黄金赛道；研究/预训练/后训练算力比 3:1:1；招本科生比招博士更敢想，环境比经验更重要。",
      "points": [
        "一、OpenClaw 不是新壳，是 Agent 时代的分水岭",
        "二、Agent 时代的入场券：1T 模型 + Claude 4.6 水平",
        "三、Coding 是泛化黄金赛道：拉上限的杠杆"
      ],
      "quote": "一句话总结：AI 范式已经从 Chat 过渡到 Agent——OpenClaw 是分水岭不是新壳；1T 是入场券；Coding 是黄金赛道；研究/预训练/后训练算力比是 3:1:1；招人本科生比博士更敢想，环境比经验更重要。",
      "url": "https://kelewrites.com/posts/luo-fuli-interview/",
      "attribution": "kele · Article Share"
    }
  },
  "headings": [
    {
      "depth": 2,
      "text": "开场"
    },
    {
      "depth": 2,
      "text": "金字塔总览"
    },
    {
      "depth": 2,
      "text": "一、OpenClaw 不是新壳，是 Agent 时代的分水岭"
    },
    {
      "depth": 3,
      "text": "1.1 三天的认知翻转"
    },
    {
      "depth": 3,
      "text": "1.2 它好在哪里：Context Engineering 的极致"
    },
    {
      "depth": 3,
      "text": "1.3 它和 Cloud Code 的根本区别"
    },
    {
      "depth": 3,
      "text": "1.4 一个反直觉发现：群体智能 > 个人智能"
    },
    {
      "depth": 2,
      "text": "二、Agent 时代的入场券：1T 模型 + Claude 4.6 水平"
    },
    {
      "depth": 3,
      "text": "2.1 1T 模型 + 对标 Claude Opus 4.6"
    },
    {
      "depth": 3,
      "text": "2.2 预训练 Scaling Law 还没到头"
    },
    {
      "depth": 3,
      "text": "2.3 卡的分配比例：3 : 1 : 1"
    },
    {
      "depth": 2,
      "text": "三、Coding 是泛化黄金赛道：拉上限的杠杆"
    },
    {
      "depth": 3,
      "text": "3.1 Coding 在每个范式都恰好戳中"
    },
    {
      "depth": 3,
      "text": "3.2 「Code 拉上限，其他领域保下限」"
    },
    {
      "depth": 3,
      "text": "3.3 当下顶尖模型只有 Claude 4.6 真正能上 1M 上下文"
    },
    {
      "depth": 2,
      "text": "四、自学习的本质：Agent 框架和模型同步进化"
    },
    {
      "depth": 3,
      "text": "4.1 自学习 ≠ 模型自己变强"
    },
    {
      "depth": 3,
      "text": "4.2 自学习发生的真实路径"
    },
    {
      "depth": 3,
      "text": "4.3 模型公司的边界正在消失"
    },
    {
      "depth": 2,
      "text": "五、组织变了：环境比经验更重要，本科生比博士更敢想"
    },
    {
      "depth": 3,
      "text": "5.1 招人：环境 > 经验"
    },
    {
      "depth": 3,
      "text": "5.2 招本科生：思想没被污染"
    },
    {
      "depth": 3,
      "text": "5.3 怎么造环境"
    },
    {
      "depth": 3,
      "text": "5.4 后训练人才的两种新画像"
    },
    {
      "depth": 2,
      "text": "一页速览"
    },
    {
      "depth": 2,
      "text": "一句话收束"
    }
  ],
  "text": "> **一句话总结**：**AI 范式已经从 Chat 过渡到 Agent**——OpenClaw 是分水岭不是新壳；1T 是入场券；Coding 是黄金赛道；研究/预训练/后训练算力比是 **3:1:1**；招人**本科生比博士更敢想**，环境比经验更重要。\n\n---\n\n## 开场\n\n罗福莉曾经做过量化研究员，现在是小米大模型团队负责人。从 22 年底 ChatGPT 出来到现在，她亲历了模型竞争的整整一幕。\n\n她在访谈里说了一句非常重的话——**「春节那一周，技术变天了。」**\n\n这种话从一个一线大模型负责人嘴里说出来，含金量很重。她说的不是 OpenClaw 本身，是 OpenClaw 引发的整个**范式迁移**——竞争维度从「模型」变成「**模型 + Agent 框架 + 资源生态位**」的复合系统。\n\n如果你还在用「Chat 模型谁更强」的视角看这一轮 AI 竞争，**你已经在看上一幕的录像**。\n\n答案是一句话：**OpenClaw 是 Agent 时代的分水岭、1T 是入场券、Coding 是黄金赛道、卡分配 3:1:1、环境比经验更重要**。下面分五层展开。\n\n---\n\n## 金字塔总览\n\n---\n\n## 一、OpenClaw 不是新壳，是 Agent 时代的分水岭\n\n很多人把 OpenClaw 当成 Cursor / Cloud Code 那种「外壳类产品」——加了 MCP 和好看的 UI。**罗福莉一开始也这么以为**，所以排斥用。\n\n直到春节那一周，她把它装上了，连续聊到凌晨四点。\n\n### 1.1 三天的认知翻转\n\n| 天数 | 用法 | 认知变化 |\n\n| **第一天**（凌晨 2 点装上） | 闲聊，问它怎么管理团队 | 它会提醒「你已经很晚了，去睡觉」——**有灵魂、有温度** |\n| **第二天** | 「怎么激发团队的好奇心」「怎么筛选好奇心强的人」 | 哲思深入，**变成她的「数字分身」** |\n| **第三天** | 让它一起做研究：构建一个 user agent 用于多轮强化学习 | 1–2 小时做完了**原本预期要两周的研究 idea** |\n\n> 「我**老**累的——多巴胺还是内啡肽不知道，就持续在分泌。**兴奋到完全睡不着觉**。」\n\n### 1.2 它好在哪里：Context Engineering 的极致\n\nOpenClaw 单看每个设计都「boring」，但拼起来惊人：\n\n| 设计 | 效果 |\n\n| **分层分级的 memory** | 不像 Cloud Code 那样把记忆都揉进 session 压缩里 |\n| 每轮对话拼接当前时间 | 模型有时间感 |\n| 多模型自动调度 | 视频丢进去自动找视频理解最强的模型来跑 |\n| Plan / 心跳任务 | for 日常任务，不只 for 软件工程 |\n| Skill Hub | 用户可以自定义、积累技能 |\n| **开源、可改** | 你能改它的整个 architecture——这激发了**100 个人一起改的群体智能** |\n\n### 1.3 它和 Cloud Code 的根本区别\n\n| 维度 | Cloud Code | OpenClaw |\n\n| 设计目的 | for 软件工程 | for **端到端完成所有任务** |\n| 记忆系统 | for 软件工程的 session | **持久化、分层记忆** |\n| 是否黑盒 | 黑盒，不能改 | **开源，可以自己改框架** |\n| 弥补模型短板 | 需要靠模型本身能力 | **用 Agent 编排在框架层弥补模型缺陷** |\n\n> \"OpenClaw 框架的设计哲学是——**用 Agent 编排弥补模型的短板**。\"\n\n### 1.4 一个反直觉发现：群体智能 > 个人智能\n\n罗福莉把全团队近 100 人拉进 OpenClaw 部署群体（甚至买了 Mac Mini 帮大家部署）。两天疯狂群聊后她发现：\n100 个人在群里改框架，**模型质量越改越好，没有改坏**\n个人能想到的玩法**非常局限**\n「你看别人用 OpenClaw 居然能干成这个事——会激发你的想象力」\n\n> **金句**：**OpenClaw 不是新壳，是 Context Engineering 的分水岭**——更重要的是它让群体智能的迭代变成了可能。\n\n---\n\n## 二、Agent 时代的入场券：1T 模型 + Claude 4.6 水平\n\n第二幕开始了，所有人在同一起跑线——但**门票贵了一个量级**。\n\n### 2.1 1T 模型 + 对标 Claude Opus 4.6\n\n罗福莉定义的入场券：\n\n| 维度 | 第一幕（Chat） | 第二幕（Agent） |\n\n| 模型规模 | 几百 B 或更小可竞争 | **必须 1T+** |\n| 对标水平 | GPT-4 / Claude 3 | **对标 Claude Opus 4.6** |\n| 同时需要 | 模型能力 | **模型能力 + 框架敏捷度** |\n\nMiniMax 用一个识别模型做出当下的 Agent 能力，**已经具备了「框架敏捷度」但还没具备「1T 入场券」**——所以严格意义上还没拿到票。中国大模型团队**还没有同时具备两者的**。\n\n### 2.2 预训练 Scaling Law 还没到头\n\n| 共识 | 罗福莉的判断 |\n\n| 预训练已经到顶 | **没有**——Anthropic 和 Gemini 的预训练在过去几个月都在变强 |\n| 转向 RL 是因为预训练耗尽 | **错**——预训练 + 后训练算力应该相当（甚至预训练更多） |\n\n### 2.3 卡的分配比例：3 : 1 : 1\n\n非常具体的实战数字——\n\n| 用途 | 比例 | 含义 |\n\n| **研究** | **3** | 算力的大头要留给探索性研究 |\n| **预训练** | **1** | 正式上量的预训练 |\n| **后训练** | **1** | RL + Agent 训练 |\n\n> 「研究的卡量应该**至少是正式训练卡总量的还要多一点**——你要额外留更多的卡来做研究。」\n\n这跟「预训练优先 + 后训练补一点」的过去做法**完全相反**。\n\n> **金句**：**Agent 时代的卡分配是 3:1:1，研究比预训练更耗算力**——还在用「预训练吃满，剩点给研究」的老打法的团队，必输。\n\n---\n\n## 三、Coding 是泛化黄金赛道：拉上限的杠杆\n\n为什么所有顶尖团队都在死磕 coding？罗福莉给的是一个**研究路径论证**，不是简单的「写代码有用」。\n\n### 3.1 Coding 在每个范式都恰好戳中\n\n| 范式 | Code 为什么是黄金 |\n\n| **预训练长上下文** | 只有两类数据天然超过 128K：code（文件间强关联）+ 书籍（信号太散）——code 是唯一密集长依赖来源 |\n| **强化学习** | code 有非常好的 verifier（运行结果可验证）→ 极强信号 |\n| **Agent 长城任务** | 软件开发本身就是超长任务 → 天然适合 Agent 范式 |\n| **自学习** | code 是自然语言衍生 → 很容易 skinning |\n\n### 3.2 「Code 拉上限，其他领域保下限」\n\n| 领域 | 在模型训练里的作用 |\n\n| **Code** | **拉模型能力上限**——压力测试 + 长城任务 + 泛化原料 |\n| **其他领域**（写作、分析、对话） | **保下限**——这些不一定要专门训，但要测稳定性 |\n\n一个顶尖模型的标志：**在更广泛场景里更稳定**。\n\n### 3.3 当下顶尖模型只有 Claude 4.6 真正能上 1M 上下文\n\n| 模型 | 1M 上下文真实表现 |\n\n| Claude Opus 4.6 / Sonnet | **领先**，唯一能稳定用 |\n| Gemini | 宣称强，**实际不行** |\n| 国内多家 | **不行** |\n\n> **金句**：**Code 不是一个领域，是模型能力的杠杆**——用 code 拉上限，再用别的保下限，这才是顶尖模型的路径。\n\n---\n\n## 四、自学习的本质：Agent 框架和模型同步进化\n\n最难懂但最关键的一个判断。\n\n### 4.1 自学习 ≠ 模型自己变强\n\n| 错误理解 | 罗福莉的定义 |\n\n| 模型自己 RL 自己 | **模型 + Agent 框架同步迭代** |\n| 模型改 prompt 就行 | 包括静态信息（memory、scaffold）和动态信息（agent architecture）都要改 |\n| 一次性训练完成 | **持续过程**——每天都在调整 |\n\n### 4.2 自学习发生的真实路径\n\n模型每次进步，**框架也要跟着改**——这才是「自学习」的真实形态。\n\n### 4.3 模型公司的边界正在消失\n\n罗福莉的反直觉判断——\n\n> 「我之前说我不想做产品，**但现在发现就是模型 + 产品是对的**——借助 Agent 框架，模型的产品力反而更强了。」\n\n**模型 → Agent 框架 → 产品**的边界正在被打通。Frontier Lab 的「Frontier」不再是单点研究的天才，而是把这个三层栈整体推进。\n\n> **金句**：**自学习不是模型自己变强，是模型和 Agent 框架手拉手同步进化**——单训模型的团队会被淘汰。\n\n---\n\n## 五、组织变了：环境比经验更重要，本科生比博士更敢想\n\n最颠覆传统大模型团队认知的部分。\n\n### 5.1 招人：环境 > 经验\n\n| 旧打法 | 罗福莉的打法 |\n\n| 招训过大模型的人 | **大部分是工程师、做开发的，没有训练经验也行** |\n| 看简历的「checkpoint 状态」 | **看初始化点 + 上限，不看历史 checkpoint** |\n| 经验越多越好 | **环境创造好，2 个月就能习得能力** |\n\n> 「围绕一个更高标准的目标驱动时——**这些能力都可以被快速习得，最多 1–2 个月，慢的也 3–4 个月**。所以**环境反而比经验更重要**。」\n\n### 5.2 招本科生：思想没被污染\n\n正在反向倾斜到招大二、大三本科生：\n\n| 维度 | 博士 / 资深 | 本科生 |\n\n| 训练经验 | 多 | 少（但能很快学） |\n| 思维定式 | **可能被污染** | **没被污染** |\n| 新范式接纳度 | 半信半疑 | **天然接纳** |\n| 想象力 | 受过去经验约束 | **敢放心大胆地把想法交给框架去验证** |\n\n### 5.3 怎么造环境\n\n| 关键 | 做法 |\n\n| **构建者要有特质** | 强调热爱、使命感、好奇心 |\n| **基础要好** | 想做事时要做得成（技术能力是 baseline） |\n| **多样性** | 防止 miss 掉看似噪音的关键信号 |\n| **激励** | 钱是 baseline，**价值感 + 意义感更关键** |\n| **冲击体验** | 第二天没用够 100 轮对话的人可以 quit（其实没真考核，是态度） |\n\n### 5.4 后训练人才的两种新画像\n\n| 类型 | 特征 |\n\n| **跟模型玩的人** | 维护自己的私有测试库，疯狂测每个新模型的边界 |\n| **RL Infra 跨界人才** | 容忍模糊性（不像预训练 infra 必须精确），能调度异构资源 |\n\n后训练对**敏捷性、灵活性、跨领域**的要求远高于预训练——很多预训练 infra 的人转不过来。\n\n> **金句**：**环境比经验重要，本科生比博士敢想**——大模型团队的组织规则正在被范式迁移彻底改写。\n\n---\n\n## 一页速览\n\n| 层级 | 内容 | 一句话核心 |\n\n| **核心结论** | 范式从 Chat 转 Agent | 5 个判断重新定义竞争维度 |\n| **判断一** | OpenClaw 是分水岭 | 不是新壳，是 Context Engineering 的极致 |\n| 1.1 | 3 天认知翻转 | 有灵魂 → 数字分身 → 研究伙伴 |\n| 1.2 | 设计哲学 | 框架编排弥补模型短板 |\n| 1.3 | 与 Cloud Code 的根本区别 | 端到端完成所有任务 vs 软件工程 |\n| 1.4 | 群体智能 | 100 人改框架 > 1 个人 |\n| **判断二** | 1T 是入场券 | 对标 Claude Opus 4.6 |\n| 2.1 | 第二幕新门槛 | 模型 + 框架敏捷度都要 |\n| 2.2 | 预训练没到顶 | 共识被误读 |\n| 2.3 | 卡分配 3:1:1 | 研究比预训练吃算力 |\n| **判断三** | Coding 是黄金赛道 | 每个范式都戳中 |\n| 3.1 | 4 个范式都契合 | 长上下文 / RL verifier / Agent 长城 / 自学习 |\n| 3.2 | 上限与下限 | Code 拉上限，其他保下限 |\n| 3.3 | 1M 上下文 | 只有 Claude 4.6 真稳 |\n| **判断四** | 自学习 | 模型 + 框架同步进化 |\n| 4.1 | 反直觉定义 | 不是模型自训 |\n| 4.2 | 真实路径 | 训练 → 框架瓶颈 → 改框架 → 新数据 |\n| 4.3 | 边界消失 | 模型公司必须做产品 |\n| **判断五** | 组织变了 | 环境比经验重要 |\n| 5.1 | 招人新标准 | 看初始化 + 上限 |\n| 5.2 | 本科生优势 | 思想没被污染 |\n| 5.3 | 怎么造环境 | 热爱 + 基础 + 多样性 + 价值感 |\n| 5.4 | 后训练人才 | 跟模型玩 + RL infra 跨界 |\n\n---\n\n## 一句话收束\n\n> **AI 第二幕已经开场——竞争维度从「模型」变成「模型 + 框架 + 生态位」的复合系统，卡分配 3:1:1，Code 拉上限，环境比经验重要——还在打第一幕的团队，已经输了。**"
}