Vol. 165 做客声东击西「龙虾」和 vibe coding 正如何改变我们的思维-来自小白、创业者和工程师不同视角的讨论 - 主题精读稿

前言：三种身份，一次碰撞

这期节目录于 2026 年 3 月 30 日，地点是声东击西北京录音室。三位嘉宾身份各异：徐涛是媒体人兼播客主，从零开始搭建了一套内部 AI 新闻系统；Junyu 是豌豆荚联合创始人，以产品设计师视角深度拆解了 OpenClaw 的底层逻辑；Justin 是大厂资深工程师，既是"古法写代码"的亲历者，也是最早一批复刻 OpenClaw 的人。三人聊的核心问题只有一个：当 Vibe Coding 和 OpenClaw 这类 Agent Software 真正来临，它在改变什么？我们又该如何应对？最有价值的洞察来自两处：AI 擅长的恰恰是"可量化的一切"，而人类的不可替代性藏在那些无法量化的地方——品味、共情、以及真正理解人的需求。

一、Vibe Coding 的来处与 OpenClaw 的爆火 (00:00 - 16:30)

AI 辅助编程的演进有一条清晰的时间线。最早是 GitHub Copilot 时代，在编辑器里输入需求，AI 用灰色虚线补全，按 Tab 采纳——更像智能补全，不算真正的"随心编程"。GPT-3.5 出现后，Cursor 解决了手动复制粘贴的麻烦，写代码的方式开始发生明显变化。直到大约一年前，Andrej Karpathy 提出"Vibe Coding"这个词——意思是你不再需要关注代码本身，跟着感觉走就能写程序。这个词有点自嘲，因为它容易让人误以为写代码从此变得简单，但 Justin 的判断是：它描述的是一种巨大的变化，不是一种简化。

在这一切之前，每次有新产品出现，程序员都会认真研究"它怎么做到的"。成本高，自然珍视。现在的第一反应变成了"这不我随手也能 Vibe 一个"——这种感觉并不好，意味着探究事物本质的冲动在减弱。

OpenClaw（小龙虾）的爆火有两波：第一波是开发者社区，Peter 最初做它只是为了"在手机上随时 Vibe Coding"，想法朴素，但项目因开源而迅速进化，最高峰时一天收到一千个 commit，意味着数千人在同时参与改进——这个规模在历史上没有先例。第二波是普通用户：他们平时用的是对话框里的聊天机器人，突然发现"那个机器人居然有了手脚，能真正干活了"，这种兴奋完全可以理解。

在中国，FOMO 情绪加速了这个过程。互联网公司在产品创新上本就有优势，OpenClaw 一出现，大家一窝蜂涌入，因为它看起来可能是未来 Agent Software 时代的入口。但 Justin 的判断很清醒：OpenClaw 是一个历史事件，也是一个转折点，但它不是 Agent Software 的终极形态，而是一个起点。

二、真正的 aha moment：软件开始自我进化 (12:52 - 17:43)

Justin 自己做了一个 OpenClaw，初衷是学习——不做一遍就无法真正踩到作者踩过的坑。过程中他遇到了两个让他印象深刻的时刻：他没有期待自己的小龙虾能自动解析语音，但它就这么做了；发了一张图片，它认出来了。Peter 在写原始 OpenClaw 时也有一样的惊讶：他没打算给它做语音支持，但它"突然会了"，也不知道谁教的。

这就是 Agent Software 和传统软件最根本的差别。传统软件是"你写 1+1，它一定等于 2"，而现在"你写了个 1+1，它可能稍微一分了"——软件开始自我进化，这是以前从未出现过的大规模效应。

这种"随机惊喜"的特性，正是 Justin 着迷于 agent 的原因——他希望它能了解自己的思维定势，故意从反方向打破。 但用了两个月后，他也感受到了现阶段的边界：模型用久了会重复，能力依然有限，前期的震撼感会逐渐消退。

徐涛的 aha moment 路径更直觉：他的 OpenClaw 内存爆了崩溃了，他不得不去研究崩溃原因，才发现后台居然已经有那么多自动生成的程序——小龙虾一直在用"程序员的方式"思考和运作，而他此前完全不知道。

三、OpenClaw 的三个核心特性：主动性、长记忆、技能 (17:47 - 25:01)

Junyu 读过 OpenClaw 的原始代码，他认为让人震撼的三点，实现原理其实都不复杂，但组合在一起带来了全新的感受。

主动性——不是 24 小时在线的玄学，本质就是一个定时器，每 30 分钟自动唤醒一次。但现有产品（比如 ChatGPT）的定时功能只支持设到天级别，做不到小时或分钟级别，这个"简单的东西"反而成了 OpenClaw 的差异点。

长记忆——OpenClaw 的记忆架构能让它记住你做事的方法，而不只是记住你的标签（"你是产品经理"）或你最近在做什么项目。它可以把你的工作步骤提炼记录下来，并在后续反复调用，就像带一个新人，你在不断反馈中，它能真正学会你做事的偏好和方法。Junyu 把这个比作入职培训的核心：教的不是知识，而是"这家公司特有的做事方式和价值主张"。

技能（Agentic Skills）——这在 Coding Agent 里早就有，但 Junyu 之前没意识到它用在非程序员场景里有多好用。写一套技能让 agent 执行，本质上是把 best practice 固化成可以反复调用的流程。

对个人用户来说，能做的事情相对有限。OpenClaw 真正的威力在于集成进公司团队：把它加入 Slack，让它作为一个旁听者持续观察讨论，每 30 分钟醒来一次，发现自己能做什么就去做，并且拥有内部系统的各种权限。Justin 的判断是：过渡期内它会不断试探安全边界，但沉淀下来之后，很多组织上的琐事它全都能做。

四、Vibe Coding 改变了思维方式：工程视角的渗透 (25:28 - 41:04)

徐涛用 Vibe Coding 做了一套内部系统：底层新闻抓取，加上大语言模型推荐选题，相当于一个"声东击西版的彭博机器"。他的体会是：前期一路惊叹"我居然能做到这个"，但到后来系统越来越复杂，bug 怎么解决、怎么保证稳定，就超出了他的能力边界，需要资深工程师接手。

这个过程有一个重要的副产品：Vibe Coding 帮助需求方理清了自己到底想要什么。

"我一开始想的跟我实际要的不一样，我就改一下，我一边让 AI 帮我改，一边就在想，要是一个工程师，会不会发疯——这个人怎么想不清楚自己要的东西。"

Vibe Coding 就是一个低成本的需求澄清过程和原型生成过程——但从原型到公司可用的稳定系统，工程师团队仍然必须接手。 这个 gap 是现阶段真实存在的。但 Justin 认为这个 gap 很快会被填满，SaaS 公司正在被迫转型为 agent 级服务来承接这个需求——因为"大家都能 Vibe 了，就不需要传统 SaaS 了"。

徐涛从这个过程里得到的最大收获是思维方式的转变：她开始用"工程的思维"重新审视整个工作流程，"该可以 prototype 的就去 prototype"。这种思维方式的渗透，Junyu 认为正是 OpenClaw 对组织的最大改变：运营这件事本来就是一台机器，只是以前没有用工程的语言去描述它。

五、AI 在组织中的应用：流程自动化的边界在哪里 (41:04 - 46:46)

能用 OpenClaw 的人，Junyu 观察下来有两类：一类是 geek，喜欢研究新产品；另一类，而且更多，是创业者和公司老板——因为他们脑子里本来就有一台"机器"，现在发现这台机器的某些环节可以让 AI 自动化了。

Junyu 本人是一个流程爱好者，过去做了很多很细的最佳实践文档。现在他让 agent 去学这些流程，需要做某件事时就让 agent 去查流程、按流程执行、并在执行过程中改进流程。

AI 擅长处理的是"稳定高效"型的工作——重复的、数据驱动的、输入输出相对固定的任务。 而这恰恰是过去十几年互联网行业大量创造的运营岗位的定义。稳定高效四个字"很容易把人当机器"。Meta 之类公司的大规模裁员，本质上是这种组织形态在 AI 时代的自然结果。

但流程并不是一切都能被拆解。徐涛举了声东击西选题标准的例子：怎么告诉同事什么选题符合我们的风格？这件事他提炼了很多年都提炼不清楚。AI 可以把颗粒拆得很细，但"声东击西的气质"那一部分，拆了也描述不完整。Junyu 认为这很正常：

"审美和直觉很多时候是懒得去解释，其实很多东西都是可解释的——但确实也有些东西是旁人无法理解的。"

六、可量化 vs 不可量化：大模型的边界与人的不可替代性 (46:46 - 1:00:44)

徐涛在做内容创作时的判断是：AI 写的内容大概可以做到 50-70 分，但要做到 90 分以上，AI 做不到。这不仅仅是内容领域的观察。Junyu 和 Justin 在此处形成了本期最清晰的一个理论框架：

大模型最擅长的是可量化的事物。只要结果可量化，大模型就能做得好，而且可以自我迭代。 因此，流程管理、重复性运营、数据驱动型任务——这些都在它的射程之内。AI 能保证不出错，能保证 60-70 分，但无法保证 90 分。

Junyu 提出了一个有趣的思想实验：为什么 CEO 还没有被 AI 取代？上市公司 CEO 的工作明明是可以被量化的——看财务报表。答案是：训练数据不够。人类社会是金字塔结构，越往上走人数越少，能被用来训练的数据也越少。资深工程师、顶尖设计师、优秀编辑——他们的不可替代性，当前阶段相当程度上是因为"没有足够的数据来训练一个替代他们的模型"，而不完全是因为那些工作本身不可描述。

这一框架也解释了 AI 和人的分工关系：agent 上场的事人类未必上场，人类上场的事 agent 未必能上场。不是取代关系，而是合作关系——就像我们用计算器一样。真正让人警惕的，是过去十几年被当作"机器"来运转的那些运营岗位：输入输出稳定、流程固化、高度重复——这恰恰是 AI 最擅长的领域。

Junyu 在黑客松结束后，对每个展示了"用 AI 自动化一部分工作"的同事，都会问同一个问题："那你觉得，这里面不可替代的人类智慧是什么？"这个问题并不是制造焦虑，而是一种认知工具：找到那个边界，比担忧整体替代更有用。

七、给年轻人的三条建议：用、基础、品味 (1:00:45 - 1:06:52)

讨论的最后落在一个具体问题上：对于现在的年轻人，面对 AI，该怎么办？

三人达成了基本共识，Justin 做了最完整的概括。

第一是持续使用 AI，而且要用最好的。不是说每天焦虑地追着更新，但至少要保持在最前面。徐涛补充了自己的感受：偶尔用和高密度全天使用，带来的理解完全不一样。Justin 认为这个过程本身就是在锻炼一种能力——就像产品经理通过大量用户访谈锻炼挖掘需求的能力，用 AI 的能力也需要这样磨练。

第二，有点反直觉：AI 时代，基础比以前更重要。 因为只有扎实的基础，才能判断 AI 生成的东西到底是对的还是错的，是好的还是坏的。AI 的默认输出接近最大公约数，你如果没有能力辨别，就会接受那个最大公约数，输出也就变得平庸。

第三，培养品味。

"那么你的独特性在哪里？你的个性在哪里？你的表达在哪里？你的自我价值在哪里？你的灵魂在哪里？"

品味是积累出来的，不是想出来的。当所有人都能用 AI 做到 60-70 分，那个 90 分的部分，来自于你过去所有经历打磨出来的那个独特判断。Junyu 从产品设计师的角度补充：当执行层的工作可以交给 AI 之后，他最想做的事是花更多时间直接和用户聊天——

"你怎么去理解人今天的生活，他的痛苦，他的希望，他的人生目标，我觉得这是我工作里最有意思的部分，但过去很多年真的因为要花很多时间在执行事务上，这方面的机会不够多。"

AI 时代最大的礼物，可能就是把这种机会还给人。

悲观者正确，乐观者成功。