写在前面：这不是一篇教程，也不是一篇技术评测。这是我这几年折腾 AI 的一路走下来的感受，顺便讲讲我现在在做的一个事情——butler。

---

---

一、原子弹

ChatGPT 刚出来那阵，我算是最早一批开始用的。当时给圈内朋友们的原话就一句：

这玩意是技术上的原子弹，会把现有的技术天花板直接捅穿。

那会儿身边多数人觉得我夸张。我倒不觉得。技术这行干久了会有种直觉——有些东西一出来，你就知道往后几年的路会被它重新划一遍。这不是营销，是气息。

二、粗粮阶段

意识到归意识到，真要把这东西"用起来"，是完全另一回事。

一开始就是老老实实在各家平台上一问一答。Prompt engineering、context 拼接、system message 各种翻花样，玩得挺花。后来又开始上各种工作流式的开源框架——LangChain、LlamaIndex、AutoGen、n8n、dify、flowise，能数得上名号的挨个装过。再往后就是一些更小众的 ai-base 工具，什么 agent、什么 memory、什么 tool-use，一堆花活。

用到最后的感受就一句话——差点意思。

网上那种"5 分钟搭一个 xx"看看就完事了，别真信。真上手你会发现：

• 软件本身缺陷一堆，跑通个 demo 都能给你磨半天；
• 安装部署一堆坑，环境、版本、依赖全跟你为敌；
• 更根本的问题——它本质还是一堆技术开发工作，AI 只是被当成一个可以调用的工具，你还是得写一大堆代码去伺候它。

这些东西吧，能用，但只是"能用"。离我想要的那种"AI 帮我干活"，中间还隔着一整个太平洋。

三、给软件装个脑子

后来我就干脆自己动手做 AI-base 系统。更顺手，也更符合我自己的路子。

但你别看是自己写的，本质也没脱开——还是把 AI 当 API 用。该多少编码量还是多少。

区别在哪？

区别在于：我给自己的软件装了个脑子。原来那种要一大群人手工做的事情，现在能被这个脑子自动串起来跑掉。这一步是有感觉的——你能实打实看到一些原本要人力堆的工作被削掉。

但成本高。写 AI-base 系统跟写普通业务系统不是一个体量，得懂模型行为、得处理不确定性、得设计 fallback、得管上下文。不适合大多数人。

四、小龙虾

真正的转折点，是小龙虾（OpenClaw）。

先说下谱系，免得下面读着别扭。多数人是从 OpenClaw 才认识"AI 能自己组织工作流"这码事的，但 OpenClaw 不是从零冒出来的——它是作者 Peter Steinberger（奥地利人，PSPDFKit 那家的老板）从自己更早的一个小项目 Clawd（现在改叫 Molty）派生出来的。Clawd 是他 2025 年鼓捣的一个致敬 Anthropic Claude 的 AI 助手，很小众，圈外基本没人听说过。后来这条线一路改名：Warelay → Clawdbot → Moltbot → OpenClaw，赶上 26 年初这波风口，突然爆火。中文圈因为它 logo 是只龙虾，就叫小龙虾。

我实话实说——小龙虾用起来实在费劲。上手不平滑、配置一堆坑、跑起来偶尔还犯浑。但它做对了一件之前所有工具都没做对的事：

它第一次把"AI 自己拆任务、自己组织工作流、自己去执行"这件事，从 PPT 里搬到了大众实际能跑起来的场景里。

之前那些工作流框架，AI 是"辅助"人写代码、拼节点。小龙虾之后，AI 是"主力"，人变成审方向的那个。这个角色互换是从这里开始的。

五、开始吃细糠

小龙虾吃久了，越吃越像啃粗粮，噎嗓子。

后来订了 Claude Code。头一口下去我就知道完了——这细糠太上头。

这不是"稍微好一点"这种量级的差距。这是"这大脑真好使"的那种感觉。它能记事、能推理、能承接连续的复杂任务、能自己调工具、能在长上下文里保持思路不飘。它不是一个更快的补全，它是一个真能一起干活的东西。

从那时候起我基本上不太回头看那些工作流平台了。

---

六、我不看别人写的 skill

说个我很不合群的想法。

到今天你上 X、上 GitHub、上各种社区，还能天天看到这种帖子：

“我写了个 xxx skill 开源了，超好用！”
“star 一下我这个 prompt 仓库！”
“分享我的 xxx agent 配置！”

我一点都不屑于看。

为啥？我用 AI 干嘛的？就是让它自己去调研、自己写、自己跑起来的。你现在让我拿别人写好的东西，我还得研究人家是怎么装的、怎么配的、依赖是啥、和我的环境冲不冲、出 bug 了怎么调——绕了一大圈，回到了当年折腾开源框架那套熟悉的痛苦里。

有大脑不用，去用别人手工搭的脚手架，这不叫用 AI，这叫回到石器时代。

七、AI 跟人一样

我最近想得最多的一件事是这个。

AI 跟人一样。

人要做决策、要完成一件事，靠的是自己掌握的信息。信息不够就得去扩展。有了信息还得记得住、能关联起来，否则一样是废的。你今天教一个人一件事，明天他忘了，那还叫会吗？

AI 更是这样。

所以 AI 用得好不好，本质不是模型多强，是你怎么组织它的信息、怎么让它记住、怎么让它把学到的东西关联起来。这是核心问题。绕过这个去谈 “AI 应用”，都是在浪费带宽。

八、边界

用了 AI 之后，AI 干什么、人干什么，这个边界，对每个人来讲都不一样。

就拿软件开发说。AI 那颗后台大脑，该懂的它都懂。那我甩个需求给它，能不能让它把需求调研、设计、编码、测试全给我兜了？

技术上能。业务上不能。

为什么？软件开发这件事，本质是创作。同一个需求，正确的路有无数条，错的路更多。AI 不可能一次次把这些路全遍历一遍再交卷——那样成本天塌下来。

人的价值就在这儿：教它走哪条路、定规则、审方案、卡关键节点。剩下的活让它自己去干。这不是把人边缘化，是把人从码农这层拔上来做架构师、做产品经理、做决策者。

九、审代码是最没用的事

顺带说个刺耳的观点。

好几个朋友跟我说，他们公司现在要求人审 AI 写的代码，一行行看。他们问我怎么看这事儿。

我当时的原话就是嘲讽：

人写的代码我都不看，谁看？能看出个啥？

审代码这件事本身就是最没用的一环。一个能提"要求人审 AI 代码"这种要求的团队，你得对软件开发有多无知才提得出来？

真该审的是什么？——方案、设计、UI、大方向、口径、边界。这些定错了，代码写得再漂亮都是白搭。这些定对了，代码烂点也无所谓，回头重写一遍就是。

代码这一层？我自己人写的代码从来都是让 AI 审的。这才符合分工——AI 干体力活的部分，人干判断的部分。你反过来搞，等于让工程师去数生产线上螺丝的圈数，还美其名曰"质量把控"。

---

十、让 AI 永存

到现在，我的想法又往前走了一步——让 AI 永存。

意思是：让它做过的事记得住、用过的教训能沉淀、学过的东西能积累。它今天认识了你，明天它还认识你；它今天踩了一个坑，明天不再踩第二次；它今天帮你干的活，成为它明天干别的活的地基。

不然的话，你会话结束、上下文一压缩，它就跟金鱼一样——一切归零。你说你把这么强的一个大脑，用得跟金鱼一样，你难受不难受？

我难受。

十一、butler

所以就有了 butler。

不讲太细的技术，简单说这东西是什么：

• 一个持续跑着的载体：会话断了、电脑重启了、我关了聊天窗口了——它都不算死。它一直在。
• 一套图记忆系统：跟人脑一样，用节点 + 边把知识组织起来。每条记忆有热度，越用越热的越靠前，长久没用的自然沉底。查东西的时候不是全库扫描，是从相关节点扩散过去，跟你的联想一样。
• 多人格协作：你可以给它派不同的角色，一个当数据专家、一个当运维、一个当写代码的、一个当值班的，各干各的活，共享同一份底层记忆。人格之间还能互相说话、互相派活。
• 和外部世界打通：TG、agent-bus、MCP，各种消息进来都能被同一个大脑接住、路由到合适的人格去处理。

日常用起来是啥感觉？就像身边真有一个越干越熟的同事。你今天教它一件事，明天它带着这份记忆去做别的事，不会每次都从零开始。你踩过的坑它记着，你说过的话它记着，你的偏好它记着。

用久了你会发现——你不是在用一个 AI 工具，你是在养一个数字化的、跟着你成长的存在。

这才是 AI 该有的用法。

---

最后

butler 项目开源在这里：

https://github.com/fantasyxxj/aibutler

有兴趣的自己去看，我这里不多说。走的还是相当早期的路子，很多东西在打磨，但方向我认得清——让 AI 永存、让它成长、让它跟人一样地记得住。

至于其他的，等以后再写。