AI 范式已变：从 Chat 到 Agent 的 5 个判断

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。

开场

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。

她在访谈里说了一句非常重的话——「春节那一周，技术变天了。」

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。

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。

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。

金字塔总览

mindmap
  root((范式已变<br/>从 Chat 到 Agent))
    一·OpenClaw 是分水岭
      不是壳是新框架
      Context Engineering
      自动弥补模型短板
    二·Agent 时代的入场券
      1T 模型大小
      对标 Claude 4.6 水平
      预训练没到平台期
    三·Coding 是黄金赛道
      长上下文天然有
      有 verifier 可 RL
      Code 拉上限 其他保下限
    四·卡分配 3:1:1
      研究比预训练更耗算力
      Agent 范式很吃后训练
      多研究空间留出来
    五·组织变了
      环境比经验重要
      本科生比博士敢想
      群体智能 远超个人

一、OpenClaw 不是新壳，是 Agent 时代的分水岭

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。

直到春节那一周，她把它装上了，连续聊到凌晨四点。

1.1 三天的认知翻转

「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。」

1.2 它好在哪里：Context Engineering 的极致

OpenClaw 单看每个设计都「boring」，但拼起来惊人：

1.3 它和 Cloud Code 的根本区别

“OpenClaw 框架的设计哲学是——用 Agent 编排弥补模型的短板。“

1.4 一个反直觉发现：群体智能 > 个人智能

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：

• 100 个人在群里改框架，模型质量越改越好，没有改坏
• 个人能想到的玩法非常局限
• 「你看别人用 OpenClaw 居然能干成这个事——会激发你的想象力」

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。

二、Agent 时代的入场券：1T 模型 + Claude 4.6 水平

第二幕开始了，所有人在同一起跑线——但门票贵了一个量级。

2.1 1T 模型 + 对标 Claude Opus 4.6

罗福莉定义的入场券：

MiniMax 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。

2.2 预训练 Scaling Law 还没到头

2.3 卡的分配比例：3 : 1 : 1

非常具体的实战数字——

「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。」

这跟「预训练优先 + 后训练补一点」的过去做法完全相反。

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。

三、Coding 是泛化黄金赛道：拉上限的杠杆

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」。

3.1 Coding 在每个范式都恰好戳中

3.2 「Code 拉上限，其他领域保下限」

一个顶尖模型的标志：在更广泛场景里更稳定。

3.3 当下顶尖模型只有 Claude 4.6 真正能上 1M 上下文

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。

四、自学习的本质：Agent 框架和模型同步进化

最难懂但最关键的一个判断。

4.1 自学习 ≠ 模型自己变强

4.2 自学习发生的真实路径

flowchart LR
    A[模型 RL 训练] -->|权重变化| B[模型能力变强]
    B -->|测试在框架内表现| C[发现框架瓶颈]
    C -->|改 memory / scaffold| D[Agent 框架变强]
    D -->|新数据采集| A

模型每次进步，框架也要跟着改——这才是「自学习」的真实形态。

4.3 模型公司的边界正在消失

罗福莉的反直觉判断——

「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。」

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。

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。

五、组织变了：环境比经验更重要，本科生比博士更敢想

最颠覆传统大模型团队认知的部分。

5.1 招人：环境 > 经验

「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。」

5.2 招本科生：思想没被污染

正在反向倾斜到招大二、大三本科生：

5.3 怎么造环境

5.4 后训练人才的两种新画像

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。

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。

一页速览

一句话收束

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。