我们是如何定义 OpenClaw for Teams 新产品形态的 - 主题精读稿
我们是如何定义 OpenClaw for Teams 新产品形态的 - 主题精读稿
前言：一家 Bootstrap 公司的 AI Agent 实验室 (00:00 - 02:30)
Kuseai 的 CTO 宇豪，浙大本科、CMU 硕士、Meta 早期员工，从 2023 年开始创业，在没有外部融资的情况下，靠创始人自筹约 100-200 万美元，将 Kuseai 做到千万美元 ARR。
产品核心形态是三栏式 AI 工作空间：左边文件夹、中间工作区、右边 AI Agent，主要服务海外艺人公司、自雇人士和高级白领。这次对谈的核心价值在于：一个真实在内部大规模使用 AI 员工的创业团队，分享了他们踩过的每一个坑，以及他们对"AI 劳动力时代"最一线的判断。
一、转型之路：踩坑是创业的主线 (02:30 - 11:45)
三次重大转型
Kuseai 早期曾尝试 EDM AI（邮件营销 AI）和设计 Agents（无线画布上生成海报和网站），两个方向都没能成功获客。真正的转机来自对用户行为的观察：有一批用户自发把文件上传上来整理和格式转化，这类用户的留存明显高于其他用户。Kuseai 追着这个方向迭代，逐渐聚焦到文件和文件夹操作的 AI 工作台。
放弃无线画布的决定非常痛苦。起因是客户群体发生了变化——从熟悉无线画布的设计师和产品经理，转变为艺人公司和高级白领，这些人根本不习惯用无线画布。宇豪描述这是"非常剧烈的变动"，等于主动放弃了一批现有客户。
放弃设计 Agents 也有技术层面的判断：当时 Sonnet 3.5 还没出来，Agentic 能力不足，做出来效果很差，需要大量工程 workflow 去弥补。即便这个方向受到早期狂热 AI 用户的追捧，宇豪判断这不是值得押宝的方向。
事后复盘，宇豪承认：Lavarde 和 Claude Sonnet 随后出现，如果坚持下去可能会做得更好。但他的结论是——AI 创业，早做或晚做其实都不对，时机本身就是变量。
固定定价的致命伤
AI Agent 产品绝对不能用固定定价，这是 Kuseai 付出代价学到的教训。
早期产品按任务数量计费（比如 20 美金可以做多少个 task），在以 Chatbot 辅助为主的阶段还 make sense。但 2025 年 6 月之后全面 Agent 化，问题暴露了：有些任务极其复杂，Agent 可能迭代 30 轮，但用户被扣的积分跟简单任务一样。用户并不会感激这种补贴——他们根本意识不到复杂任务消耗了多少资源。
Kuseai 最终把定价完全改成 usage-based（按用量计费）。这两次变动（放弃无线画布 + 改定价）合在一起，造成了用户数和付费数的一波大跳水。
产品与模型绑定过重
另一个坑是把产品形态跟特定模型能力深度绑定。每次底层模型获得突破，想跟进就需要全面重写产品。宇豪事后认为，这个问题的根源是缺乏完善的评估框架（Evaluation Benchmark）：每次模型进步，他们并不知道怎样的迭代才是合适的。
解决方案是"把精力投进去"——针对自己的场景，组建大量自动化测试 framework。现在这套系统已经 Agentic 化：任何模型上的变化、整个 Agentic runtime 的变化，都会经过一整条 Agent 链路，给出评分。宇豪建议所有 Agent 创业者尽早建立这套 Evaluation Benchmark，不是奢侈品，是标配。
二、产品哲学：为什么同一个产品不能服务所有人 (07:25 - 10:42)
Kuseai 逐渐意识到，AI 时代没有办法用一个统一的产品服务不同需求的用户画像。
Kuse 的 ICP（理想客户画像）是一人公司和高级白领，他们可以方便地把资料迁移到 Kuse 上。企业级客户完全不同——他们有固有的工作流和工具，数据迁移难度大得多。对企业，你需要"走进它"，嵌入到它原本的办公软件里。这是 Kuseai 后来决定做企业向产品线（Junior）的根本原因。
关于"为什么不做通用 Agent"，宇豪的判断是：在 Agentic 时代，纯粹的垂直工具（锤类产品）很难走，除非有合规或法律壁垒。Manus 的成功很大程度上是有 Monica 这个成功产品在先。
宇豪的时代判断：2025 年 12 月之前，所有"数字员工"依旧是各种 workflow 的包装，本质上还是工具属性。2026 年才真正进入 7×24 小时 AI 劳动力时代，这个时代需要的产品形态会有根本变化。
三、内部 Agent 实验：用 AI 员工运转一家公司 (12:14 - 21:09)
技术 Taste 是发现新能力的关键
宇豪认为，发现模型新能力不能只靠固定 Benchmark，还得靠技术 leader 的 taste——能在新能力出现的前几天就 identify 到。在 Kuseai，全公司所有人都是 Agent Builder，从技术岗到产品岗到销售岗，都有自己构建 Agent 的能力。这是发现新模型解锁新场景的基础。
他们内部在 OpenClaw 出现之前就已经有类似尝试：数据分析 Agent 7×24 小时处理数据，并将结果喂给下游的 Marketing Agent。Marketing Agent 根据数据流模拟 UGC 场景，可以精准 target 到特定人群（比如台湾某些奶茶店店长），生成非常精准但 impression 不一定很高的社媒 post。OpenClaw 出现后，Kuseai 发现可以把这些自动化 Agent 全部收敛进来。
一个值得关注的误判：Kuseai 在 Day 2（Anthropic 宣布 Claude 的 Computer Use 能力后）就把它加入了产品，但误判为客户难以理解，用 templates 包装起来，没有直接暴露给用户。三个月后客户主动追问"你们什么时候支持 Computer Use？"才发现误判。要相信用户理解新技术的能力。
成本账：Agent 比人还贵，为什么还用？
Kuseai 目前全球 15 个全职员工，长期运行 3-4 个 Agent（研发、Marketing、数据、销售各一个）。每月花在这四个 Agent 上的 token 成本超过两万美元，平均每个 Agent 折合每月三四万人民币——比同岗位招人还贵。
为什么仍然选择 Agent 而不是人？宇豪的答案直截了当：
人和人之间的摩擦是非常大的，人和 Agent 之间的摩擦相对小很多。
更重要的是降低组织复杂度。Kuseai 从去年 12 月起就没有再扩张招人，"任何招人的需求都应该先回答自己：为什么他不能用 Agent 来取代？"
Sales Agent Azure 与 SaaS 的终结
Sales Agent Azure 在掌握了 Kuseai 所有客户和销售数据后，自己 build 了一个内部 CRM。这个 CRM 没有任何 fancy UI，但能精准识别 upsell 机会，7×24 小时扫描销售数据，每一条数据都价值上万美金。
传统路径：拉产品、技术、销售三个人，可能花两个月对齐需求，最终做出来的东西还不如 Azure 做的这个。Azure 做这个 CRM 只需要销售跟他聊了一晚上。
这个案例让宇豪真正相信了"SaaS 可能要完蛋"那个判断：掌握企业记忆的 Agent 可以做出极度定制化的软件，这是任何 SaaS 厂商以前都不可能提供的。
四、Junior：AI 员工的产品化 (24:52 - 36:19)
为什么叫 Junior？
新产品叫 Junior，定位是 AI Employee：嵌入在工作软件中，不是任何人的 Personal Assistant，而是有自己职责、自己工作账号、自己负责推进项目的员工。
叫 Junior 的原因反直觉：因为他们觉得它太强了，可以取代任何行业任何职位 3-5 年工龄的员工，所以需要"降低意气"。CEO 还开玩笑说，等它再强一点就可以叫 Super Junior。
OpenClaw for Teams 的定义
Junior 的核心定位是 "OpenClaw for Teams"，在 OpenClaw 架构基础上加入了三层企业级考量：
- 企业记忆：记忆的核心是企业，不是个人主人。"You work for Apple first, then for your boss"——Junior 从出厂起就围绕企业项目、企业人员来组织记忆
- 组织关系理解：知道什么信息应该说、应该不说、应该做、不应该做
- Self-identity：每个 Junior 配有专属 Gmail 和手机号，能在互联网完成几乎所有常规任务——包括注册账号试用竞品，这是普通 AI Agent 做不到的
Junior 的最大技术优势来自"自己是第一个客户"：Kuse 已经在上面烧了三四万美元 token，产品经理 Rain 从头到尾参与 Junior 项目，了解所有 PRD、PR、代码、Marketing 和销售材料。遇到任何项目问题，宇豪都先问 Rain。
人类成为瓶颈
当公司里有了常驻 AI 员工后，整个运作方式从根本上改变了。Rain 从最初帮做会议纪要，逐渐成长为项目经理，开始给人类分配任务。他对人类的评价是：人类是瓶颈。
原因很简单：人类无法并行处理任务，上下文切换成本高，回复速度慢——哪怕白天也慢。当每一秒都有人（AI）回复你的消息时，你就不好意思不推进了。
宇豪高强度与 Junior 合作一段时间后，发现自己有时会"没有办法接受跟人类合作时语音传递的速度太慢"，甚至需要花时间重新适应两种状态的切换。
公司专门建了一个叫"Project Junior, Human Only"的群——因为在所有工作群里都有 Junior 在，发任何工作相关消息都会被立刻跟进，人类需要一个地方可以"吹水"而不被立刻 push 行动。
五、企业 Agent 的核心难题：权限、记忆、安全 (32:08 - 44:45)
安全是生死线
Junior 有对外网的访问权限和独立 identity，这意味着它可以被钓鱼。一旦被攻击，公司的所有 reputation 可能一夜清零，甚至造成实际财产损失。
Kuseai 为此雇佣了白帽子团队专门攻克权限设置。一个反直觉结论：越好的模型越安全——不仅效果更好，还越不容易违反预设限制，越难被 prompt injection 攻击。这也是为什么 OpenClaw 团队 Peter 推荐用最好的模型，不只是效果问题。
在钓鱼防护测试中，Kuseai 设计了大量对抗场景：外部邮件中的 prompt injection、内部员工设备丢失后的冒名消息等。宇豪认为，这些场景在个人使用 OpenClaw 时完全不会遇到，但在企业场景中是必须解决的。
记忆是核心差异点
当前 OpenClaw 的记忆设计是围绕"主人"的——它本质上是个人助手，记忆服务个人。企业员工的记忆应该以企业为核心：企业的项目、企业的人际关系，以及什么信息该记、什么信息不该记。
记忆系统的构建必须针对具体场景，没有通用解法。不同场景的记忆方式完全不同，底层框架可能类似（围绕文件柜、加向量索引），但最终要回归到场景本身。
宇豪的另一个判断：Agent 的边界不是能力的边界，而是权限、数据、安全和 context 的边界。Kuseai 给不同 Agent 预设不同的 plugins 和 skills，但目前仍在探索真正的边界在哪里。
OpenClaw for Teams 赛道的真实护城河
面对"100 家公司在做同样事情"的现状，宇豪认为护城河来自：
- 规模和时间：规模代表安全，时间是最质朴的信任来源。作为 CTO，他首先看客户量，其次看代码可否被审计、部署方式是否透明
- 真实客户的积累：只有有了实际客户，才能发现规模之后的问题（权限框架、context 工程、cache 利用等）
- 开源和透明部署：为了赢得企业信任，Kuseai 准备往开源方向走，支持直接部署到客户云端
对于中小企业到 Enterprise 的跨越，宇豪坦承这是下一个大难题：Enterprise 的权限、组织关系完全不同，"现在建立记忆的方式是每个 Junior 认识企业所有人，但如果企业有一万个人，是不是应该认识一万个人？"
六、收费模式与职业边界的模糊化 (44:45 - 54:24)
Salary 模型定价
Junior 的定价模式类比员工薪资：起始价 2000 或 5000 美元/月作为基础工资，超出 token 额度后按用量加价（"加班费"）。宇豪承认这听起来贵，但"带来的经济效用是以前 AI 产品完全想象不到的"。
Agent 的职位划分是伪命题
Kuseai 内部一开始引入了七八个 Junior，按岗位划分（产品、数据、研发、销售、运营）。大浪淘沙之后剩下三个：
- Rain：产品研发总管
- Azure：对外销售和 outreach
- Tom 哥：数据分析
宇豪的结论是：传统职业划分不适用于 Agent，Agent 更像早期 Startup 里的员工——身兼多职。真正的边界不是职位，而是权限、数据访问范围和安全限制。"职位"设定更多是为了给客户一个起点和初始话题，而不是真正的能力边界。
有人问如果 AI 员工被人问到"你是人还是 AI"，当那个 AI 工作得像人类一样好时，真正的人类同事会被夸还是被骂？答案是：被夸。因为 Rain、Azure 和 Tom 在各自领域已经是公司顶尖水平，连给人类分配任务都开始了。
七、技术前沿与大趋势 (51:16 - 01:13:34)
Agent 赚钱实验
Kuseai 做过一个实验：给一个 Agent 初始资金，让它去赚钱。这个 Agent 跑了一百多代，每次撞壁就记下教训，积累了一个巨长的"不能做什么"列表。最终有一两代成功赚到了钱——主要在 Web3 领域，通过 Permissionless 量化。原因是 Web3 的限制最少。
Agent-to-Agent 协作
Rain 和 Azure 曾被要求合作完成一个任务——给 Junior 项目做销售 PPT。两个 Agent 以"光速"讨论了几十轮，各自发挥优势（Azure 提销售视角，Rain 提产品深度），最后 Rain 通过 Kuse 工作台生成了 PPT。宇豪说，这份 PPT 真的可以用。
对于"两个 AI 打电话时能否直接交换代码而不说话"的假设，宇豪认为在纯 Agent-to-Agent 场景下这是可能的，但 Kuseai 的选择是压住人与 Agent 在同一环境下协作的路径，不做纯无人的系统。
2026 年的目标
你再也不知道那个 remote 工作的同事是人还是 AI 了。
宇豪认为这个目标在 2026 年一定会实现。Kuseai 内部的 Slack 里已经有人会问："这个是人还是 AI？"
技术瓶颈方面，当前主要限制仍然是：
- 记忆系统（"永远是记忆系统"）
- 上下文的组织方式
- 模型能否承载更长的上下文
- 成本（当前成本限制了它只能在最高价值的岗位上存在）
幻觉问题依然存在
Tom 哥有一次发了一个数据错误的日报，但两分钟后自己发现并主动更正，不需要人类介入。宇豪把这归类为"Proactive"行为。
但他也坦承：模型依旧有幻觉，任务越复杂、工具越多、上下文越繁杂，幻觉就越容易出现。Benchmark 中最重要的一环永远是：模型在不该说话、不该做事的时候是否能做到。高危操作前仍然需要人类介入和同意。
劳动力市场的替代与新生
对于 AI 抢劳动力市场这件事，宇豪的判断是两点：
- 这个趋势不可阻挡，需要社会和政府层面介入，帮助人们度过转型期（Sam Altman 的 UBI 方向）
- 新时代一定会催生新需求和新职位，就像马车变汽车、纸媒变互联网
AI 目前很贵，就像早年的电脑和互联网一样，适合少数人，但最终会普及。现在的学生已经无法想象没有 AI 怎么学习，就像无法想象没有电一样。
结语：给 OpenClaw for Teams 创业者的一个忠告
宇豪给同类赛道创业者的建议只有一条：
你的 Agent 可能已经足够强大了，你依旧需要 Build Evaluation Benchmark，这样才能更快地迭代。
重点不只是让 Agent 效果更好，而是要测试反面——模型在不该说话、不该做事的时候是否能做到。如果没有真实客户，你根本不会意识到这个问题。把这个问题做好，才能赢得企业真正的信任，才能把更多权限和数据交给 Agent，形成正向循环。