小龙虾所带来的冲击（六）一 永恒的治理

一个名叫OpenClaw的开源AI项目，最近在全球范围内引起了不小的轰动。因为它的吉祥物是一只龙虾，国内开发者们亲切地给它起了个外号——“小龙虾”。它之所以能引发如此广泛的讨论和尝试，关键不只是因为它能陪人聊天，而是它能实实在在地操作电脑、执行任务。说白了，AI正在从“会说”向“会干”迈出关键一步。这个目前AI圈内最炙手可热的项目，发布才四个多月，就创造了一项历史纪录：以超过24.8万的GitHub星标数正式登顶星标榜，超越了Linux，成为GitHub上最受欢迎的开源项目。

OpenClaw这次登顶GitHub，算是把AI Agent实用化这件事推到了一个新的高度。和那些停留在对话框里、只会给你提“建议”的产品不同，OpenClaw可以全天候自动执行任务——比如读取文件、搜索信息、编写代码、甚至发送邮件。很多程序员已经把这只“龙虾”当成一个能动手干活的数字员工了。

不过，能力越强，风险也越大。OpenClaw的高权限特性是一把双刃剑。它能够读写本地文件、执行系统命令，这意味着一旦配置不当，或者被恶意利用，后果可能非常严重，比如数据泄露、文件误删等等。所以，安全问题，是使用OpenClaw时必须最先考虑的事情。

2026年3月

图片

构建完整的技能管理体系

在传统的软件体系里，我们会统一管理各种组件、微服务。但在AI时代，这套办法可能不太够用了。我们需要对每一个可以统一描述的“AI能力单元”——也就是Skill（技能）——进行更加精细的管控。简单来说，技能就是一切（Skill-Centric Architecture），技能是唯一的核心实体。不管是简单的工具函数，还是复杂的业务场景，都被抽象成“技能”。这种统一的抽象带来了几个明显的好处：一是降低了认知成本，所有AI能力都用统一的方式描述和调用；二是形态灵活，通过SkillForm可以区分场景技能（容器）和独立技能（原子）；三是多维分类，通过SkillCategory和ServicePurpose可以轻松实现多维度分类和检索。

过去，很多企业倾向于集中建设一个中央知识库，强制所有应用共享。但在新阶段，我们不能把Agent当成普通的组件来对待。我们需要让每一个智能体都像一个具有数字素质的员工那样工作。这就要求为每个Skill建立一个独立的知识资料库，让它们从“共享知识”演进到“专属智慧”。这种精细化的设计，能从源头上解决几个老问题：权限难以细化（不同应用需要访问不同范围的知识，中央知识库很难实现细粒度控制）、知识污染风险（一个应用的错误数据可能影响其他应用）、性能瓶颈（所有应用竞争同一套索引和存储资源）。同时，它也形成了一些独特的新优势：身份隔离（不同Agent需要独立的身份来进行权限控制和审计追踪）、状态持久化（每个Agent需要维护自己的对话历史、知识库访问记录）、资源配额（可以为不同Agent分配独立的LLM调用配额）、协作能力（多个Agent之间可以像人类同事一样协作）。最终，数据会形成正反馈循环：用户使用Skill产生交互数据，交互数据被收集和分析，洞察被用于改进Skill（知识库更新、策略优化），改进后的Skill带来更好的用户体验，更多用户产生更多数据……每一次用户交互都在让系统变得更智能。

要构建一个成功的私有原生技能生态，关键在于打破壁垒——让多方参与、自主维护，让每个人都能为技能生态贡献力量。内部需要形成数据飞轮驱动体系：通过审计日志、数据挖掘、推送反馈，形成一个完整的数据闭环。每一次使用中的反馈，都应该成为技能后续变得更聪明的关键。核心策略可以借鉴AutoSkill的思路：增加，让全新能力入库；修正，与既有技能合并，形成新的控制版本；剪接，丢弃一次性需求。同时，需要反复调用两个循环：左循环（Response Generation），检索相关Skill，生成当前回答；右循环（Skill Evolution），从用户交互中提取新Skill或更新现有Skill。

（图摘自：AUTOSKILL: EXPERIENCE-DRIVEN LIFELONG LEARNING VIA SKILL SELF-EVOLUTION https://arxiv.org/pdf/2603.01145）

图片

治理是永恒的话题

战略管理的本质，是在不确定性中寻找确定性。这个过程需要管理者具备创造性思维、系统性思维与批判性思维，能够结合组织实际与行业趋势，做出符合长期发展的战略选择。传统战略管理聚焦的是“人”的活动，包括环境认知能力、资源整合能力、决策与风险承担能力。AI工具的广泛应用，虽然在降低管理成本和提升工作效率方面效果明显，但对工具的依赖问题也越来越突出，最终可能成为制约战略升级的瓶颈。一个值得警惕的趋势是：收益在提升，但核心能力却在逐步弱化。

具体来看，这种弱化表现在几个方面。第一是决策依赖：管理者可能把AI当成答案机器，遇到战略困惑或决策难题时，优先依赖AI生成方案，而不是先进行自身的深度思考。甚至在重大战略决策中，直接把AI的建议作为决策依据，而忽略了AI分析的局限性和组织实际情况的差异。第二是思维依赖：原本需要管理者深度思考、系统整合的战略洞察工作，变成了对AI输出内容的简单筛选和沿用。管理者不再主动挖掘数据背后的行业逻辑和用户需求变化，也不再结合组织资源与能力进行个性化优化，导致战略方案缺乏针对性和可行性。第三是能力依赖：长期依赖AI处理信息、生成方案、整理报告，导致管理者的战略思维、资源整合能力、决策魄力逐步退化。部分管理者甚至丧失了独立分析问题和解决问题的能力，陷入“AI主导、人被动跟随”的恶性循环，最终导致企业战略管理失去核心竞争力。

从人工智能的视角来看，AI的核心价值是“工具赋能”，它的本质是基于算法和数据，完成“信息处理、方案生成、效果监测”等事务性、流程性工作。AI的优势在于高效、精准和规模化，能快速处理海量数据，降低人工成本，减少人为误差。但它也有天然的局限性：AI无法理解“意义”与“价值”，无法预判行业动态中的突发因素，无法结合组织文化、核心能力等个性化因素进行灵活调整，更无法承担决策带来的风险。

决定一个技能价值的最大因素，并不在于它创建之初是否已经完美，而在于它后续是否有持续迭代的机制。一个基本的理念是：只有持续进化，才能被称为拥有智能。当然，我们也担心在进化过程中，随时可能出现的失控或突变。因为在某些场景下，一旦失去信任，也就丧失了协作的前提——安全导向。

这种矛盾，也直接映射到了进化频率与人工干预程度的关系上。人工参与度越高、迭代次数越少，进化就越慢；反之，可控度的风险则会指数级上升。无论在哪个时代，治理都是永恒的话题。而我们更担心的，可能是在当下没有可以借鉴的最佳实践，或者说，面对一个全新的挑战：如何对人工智能中的关键技术进行治理。

Skill的进化程度，决定了Agent的使用广度和场景。这恰好验证了“养龙虾”这个很形象的比喻：过去，我们通过Prompt（静态提示词）创建智能体；现在，我们通过Skill（半静态固化边界与过程）；未来，则是通过养育Skill（动态实现其进化）。企业内部对治理的认知、能力和资源，直接决定了私有化Skill的进化机制。

在很长时间里，基于人机协同的“人与Skill”，应该保持明确的边界：人负责战略方向，AI负责事务效率。战略方向的判断、核心决策的制定、资源的整合分配、风险的权衡等“创造性、判断性、风险性”工作，必须由管理者主导。AI只能作为决策的辅助参考，提供全方位的分析支撑与备选方案，不参与最终决策。而AI应用则聚焦于“事务性、流程性、信息性”工作，比如数据抓取与整理、战略方案初稿生成、常规执行效果监测、复盘报告初步撰写等。这样做的目的，是发挥AI的优势，把管理者的时间和精力释放出来，让他们能聚焦于核心战略工作。

在这个磨合过程中，短板定律依然有效：人或Skill的短板，就是组织能力的上限；参与者的素养决定了AI输出的内容与质量；Skill输出的方案与局限性，决定了应用的广度与深度。如何为Skill筛选出真正的“导师”，把碎片化的资源、信息和结果进行系统性整合，至关重要。长期来看，AI的普及并没有降低对参与者的要求，反而提出了更高的标准。参与者必须同时具备两种能力：一是AI应用能力，学会熟练运用AI工具高效获取信息、生成方案、监测效果；二是战略核心能力，在AI辅助下，强化自身的战略思维、环境认知能力、资源整合能力与决策能力，避免核心素养被弱化。

延伸阅读：

人工智能时代的核心竞争，本质上是战略管理能力的竞争。要解决当前人机关系失衡、组织僵化等问题，唯一的解决方案是强化战略管理，以韧性和抗逆力为抓手，明确“人主导战略、AI落地执行、人管控审核”的人机共生逻辑，让AI真正成为组织的“副驾驶”，而不是替代人类的“主导者”。

从宏观来看，生成式AI技术已经突破了奇点，“人工智能+”在各行业的行动全面渗透。传统的“线性规划、静态适配、孤立决策”战略管理模式，已经无法应对技术迭代、市场波动、生态重构的多重挑战。战略脱节、执行低效、抗风险能力薄弱等问题越来越突出。

从微观来看，当前人-AI协同实践中的问题依然很突出，尚未形成“认知-职责-流程-保障”四位一体的协同机制。各板块的核心与落地要点，以及如何实现规范化、常态化、高效化，如何摆脱依赖困境，都还处在探索阶段。有些企业还是抱着老思路，认为只要开展专项培训，就能让管理者和员工学会AI应用技能，破除“技术至上”与“人力至上”的两极误区。

AI时代的管理，并不是走向退场，而是推动其重要性和价值的重生，并且更加坚定地维护“以人为本”的宗旨。新时代的管理，将摆脱工业时代的管控型范式，实现三大形态跃迁：从“纠偏管控”到“认知协同”，从“层级指挥”到“生态治理”，从“效率优先”到“价值平衡”。这里所说的人机协同，并不是简单的人机交互，而是指AI作为常态化的协同主体，嵌入到组织决策、执行、监督与迭代的全过程治理结构中。人类参与关键节点，做决定性的控制，掌握价值判断与风险兜底的权力，对AI输出进行校准、约束与修正。人类认知能力的提升，引导AI的应用方向与伦理边界；AI效率的提升，释放人类认知资源，推动人类向更高层次思考；数据在人机互动中转化为组织知识与系统能力；组织根据技术与个体变化，调整结构、制度与文化。

通过构建“哲学理念—AI宪法—管理制度—实践行动”的传导机制，将“以人为本”“公平正义”等哲学理念融入管理价值观，将AI宪法的伦理要求转化为具体的管理制度、岗位职责与操作流程，引导组织与个人在人机协同实践中遵循伦理规范、践行哲学价值。同时，建立反馈机制，将实践中的问题、AI行为的伦理偏差，及时反馈给AI宪法的优化与哲学理念的实践延伸，形成“理念—规范—管理—实践—优化”的完整闭环，让哲学理念真正照进现实，让AI宪法真正落地生根。

协调好人机关系、优化人机分工，是AI时代管理学的重要使命。要打破“人类与AI对立”的误区，构建“优势互补、协同高效”的人机协同管理新体系。明确人机分工边界，基于AI与人类的优势差异，合理划分任务。优化人机协同机制，通过构建灵活的组织结构、高效的沟通机制与协同的工作流程，打破人机之间的壁垒，促进人类与AI的高效配合。比如，利用AI辅助人类完成基础工作，让人类聚焦于高阶任务，最大化释放技术价值与人类潜能。同时，建立人机协同的冲突解决机制，针对AI行为失范、人机决策分歧等问题，制定明确的解决流程与责任划分，确保人机协同系统有序运行。

传统的“以效率为核心、以管控为导向”的管理使命，已经难以适配人机协同的新时代需求。人工智能时代的管理，将更聚焦于“构建中介机制、培育核心能力、协调人机关系、实现协同发展”，突破传统管理边界，重塑管理内涵与实践路径。

------------------------ END ------------------------