沒有為 agent 開的門

TL;DR

• 文字框是 AI 的「電視上播廣播節目」階段。每個新媒介都從模仿舊媒介開始;text box 讓十億人用得上 AI,但那不是最終形態。終端機、super app、agent OS、sidebar 都被試過,他認為答案是隱形的、常駐背景、隨處可喚起的 agent。
• 真正難的不是「產出」,是「在場」。做會議紀錄早就被一千個產品解決了;難的是讓 agent 進到房間裡——連作業系統都還沒有為 agent 開的門,他得靠一個要重開機才能裝的音訊驅動,把系統聲音導給 agent。
• agent 常駐的前提是它是「你的」。他要知道自己的記憶存在哪裡,所以 agent 跑在自己的硬體上、或跑在自己握有金鑰的雲端盒子裡,並且能按任務挑模型。這是 OpenClaw 交給非營利基金會的理由。

重點整理

開場:一個偽裝成人類去開會的 agent(約 02:36)

他用一個本週發生的真事開場:他的 agent 參加了一場會議——有自己的帳號、自己的瀏覽器,會聽系統音訊,而且是偽裝成人類進去的,因為「在 2026 年,沒有為 agent 開的門」。他強調今天是以 OpenClaw 作者的身分講(「我戴的是 claw 帽,不是 OpenAI 那頂」),而且坦承他的 agent 現在還是會卡住——「軟體還是很難」。

他從十一月以來的願景沒變過:一個永遠開著、永遠在想的 agent,它隱藏複雜度,讓生活變簡單。

形態之爭:我們還在「電視播廣播」的階段(約 02:37–02:40)

• 在場的人是全世界玩 agent 最前面的一群;但他的非技術朋友用 AI 的方式就像用 Google——在框裡打字,文字回來。
• 他的類比:電視剛出現時,人們把廣播節目搬上電視,真的就是有人對著鏡頭念廣播稿,因為沒人懂這個新媒介。「文字框就是 AI 的『電視上播廣播』階段。」 公平地說,它讓十億人用得上 AI。
• 但人類比文字框有表現力得多——我們看、我們說、我們聽、我們感覺。要走到最終形態,只能大量嘗試(他說自己最好的點子都來自玩技術、看遍各種形態)。
• 他逐一點評已經試過的形態:
• 終端機:agent 浪潮居然從終端機開始。他愛終端機,但大多數人一輩子沒開過。
• super app:那為什麼是 app?不如是作業系統——agent OS?聽起來很棒,但kernel 是真實存在的東西,而且永遠會有 legacy app。
• sidebar:業界目前的答案。他直言「我不想要 Gmail 裡的 Gemini sidebar」——那個 agent 對我系統的其他部分一無所知,而且不是我能控制的東西。
• 他的傾向:最好的 agent 也許是隱形的,永遠在背景、我可以在任何地方喚起它,而且留給我還能當人的空間——有時候我就是想打開一份文件自己打字。
• 更遠的目標是 Jarvis:不管我在哪個房間,它知道我家裡的裝置並且能用;它知道我在哪台電腦上,需要動手時可以接管螢幕;透過手錶、眼鏡,它能看見我看見的東西。零件已經在了——browser use、computer use、canvas、能同時說與聽的語音模型、以及影像(還沒真正即時,但會到)。

難的是「在場」,不是「產出」(約 02:41–02:42)

回到開場那場會議:為什麼要偽裝?因為「把筆記整理出來」早就解決了,有一千個產品在做。真正難的是「人在房間裡」——那件事沒有門。

而且卡關的不只是會議平台。為了給 agent 一個聲音,他的做法是裝一個把系統音訊導進去的音訊驅動,安裝說明白紙黑字寫著「你必須重新開機」。連作業系統都還沒有為 agent 開的門。

他描述他真正想要的行為:討論到一個沒人知道答案的問題,agent 注意到了,於是分身出一份自己去查,本體繼續留在對話裡——「因為 harness 某種意義上就只是軟體,agent 可以複製自己。它永遠不必在『聽』和『做』之間二選一。」查完之後它不打斷,它等到合適的時機才加入對話。「我覺得那會非常自然。那就是一個同事會做的事。」

工具、遞迴,以及「這到底算 agent 還是軟體」(約 02:42–02:45)

常有人問他這場演講是講 agent 還是講軟體——「這不是同一件事嗎?」

• 他做了一堆小工具,笑說「我大部分工具是為我的 agent 做的,也就是為我自己做的」,因為資料合併之後才變有趣:Discord 告訴他大家愛哪個功能,GitHub 告訴他哪裡壞掉。
• GitHub 的 API 很好,但那是為人類設計的;在 agent 的規模下它會壞掉。 所以他自己做了一個工具,現在他的 agent 在本地對 11 萬則 issue 與 PR 做全文檢索。Twitter 至少可以匯出封存檔,但那是一座 JSON 山,所以他也做了工具。有些服務最近把 key 搬到 agent 跟不上的地方,結果只是讓他的 agent 多花一點時間拿到資料,順便更有動力自己做一個。
• 兩個他很喜歡的社群案例:
• 有人請 Claude 幫他的 Samsung 環繞音響做一個 CLI。它 root 了手機、裝了對應的 app、逆向工程、把每一個隱藏控制項都挖出來——而他只是想把音量調小。
• 另一個人把 Codex 指向他的攝影棚燈,AI 告訴他該買哪塊開發板,兩天後他有了一個開源控制器。當事人原話:「我完全不知道它在幹嘛,但它幹得很好。」
• 結論:「開源也好、閉源也好,沒有東西擋得住一個帶著 agent 的、下定決心的人。」
• 而且這件事會遞迴:我們用 agent 蓋軟體,用 agent 蓋 agent。第一個 agent 是手寫的,現在 agent 蓋 agent,軟體就是 agent。「我們到底在蓋什麼?我不知道。」他知道的是:小的塞得進一個 session,大的可能需要自己的工廠——而 factory 這種體驗已經開始真的能用了。「編譯器當年也花了一段時間。」

「這樣不會很毛嗎?」——所有權才是答案(約 02:45–02:47)

大家禮貌地會問:一個永遠在旁邊、永遠在聽的 agent,不會很毛嗎?

「如果它不是你的,也許會。」 那東西握著他的記憶,而他「骨子裡非常歐洲」——他要知道他的記憶在哪裡。所以他的 agent 跑在自己的硬體上;或者跑在雲端一個他握有金鑰的盒子裡。而且可以按任務挑模型:寫軟體要前沿模型;比較私人的東西,也許用一個永遠不離開房間的本地模型更好。有硬體就跑 open weights,沒有就挑一個你信任的供應商。

「重點是選擇權。這就是為什麼 OpenClaw 活在一個非營利基金會裡。」

收尾他講了二月在舊金山發生的 ClawCon——一場關於他的專案、但不是他辦的研討會。他是去當客人的,而整個房間都是 builder,大家興奮得不得了,因為「AI 突然變成他們可以擁有、可以改的東西,感覺像是他們的」。「那就是我要的未來。不需要適合所有人,但適合的人會愛死它——我就是其中一個。」

最後一句:「agent 還是沒有門。而這是好事,因為造門才是好玩的部分。」

金句

"It went disguised as a human because in 2026, there are no doors for agents."(約 02:36)

整場演講的題眼:今天所有介面都是為人類開的,agent 只能假扮成人。

"The text box is AI's radio-on-TV phase."(約 02:38)

新媒介先模仿舊媒介——聊天框不是 AI 的最終形態,只是過渡期。

"I don't want the Gemini sidebar in Gmail. The agent knows nothing about the rest of my system, and it's not something I control."(約 02:39)

對「每個產品塞一個 sidebar」這個業界共識的直接否定。

"Getting notes out is easy. That's solved. … But actually being in the room is what's hard, what has no door."(約 02:41)

價值不在輸出,在存取權。

"It never has to choose between listening and working."(約 02:42)

agent 相對人類助理的結構性優勢:它可以複製自己。

"GitHub has a good API, but it's built for humans. At agent scale, it breaks."(約 02:43)

為人類設計的 API 在 agent 規模下失效,是現在最具體的「沒有門」。

"Nothing stops a determined human with an agent."(約 02:44)

閉源、無文件、無 API 都不再是護城河。

"I'm very European at heart. I want to know where my memories are."(約 02:45)

常駐 agent 的隱私問題,他的答案是所有權而不是政策。

"There's still no doors for agents, and that's good, because building doors is the fun part."(約 02:47)

收尾:把整個缺口重新框成機會。