过去几年，AI 行业有一个挺有意思的现象。
ChatGPT 出现时，大家惊叹于机器终于能够像人一样交流。到了 OpenClaw，行业的兴奋点又转向了 AI 能够操作电脑、调用工具，甚至独立完成复杂任务。而现在，Personal Agent 正在成为新的关注焦点，人们开始期待一个真正了解自己、能够持续工作、主动解决问题的数字代理人。
每一次新产品出现，似乎都伴随着一场技术革命。
但仔细拆开来看，会发现一个反直觉的事实：这些产品背后的很多关键技术，其实早就存在了。
工具调用、浏览器自动化、虚拟机、长期记忆、定时任务、工作流编排，都不是最近才被发明的。甚至 Agent 这个概念，也已经讨论了很多年。
那么问题来了：为什么过去这些东西没能成为主流产品，现在却接连爆发？
我认为，答案可能比技术创新本身更值得关注。
模型能力的进步是连续的，但产品的成立往往是非连续的。
理解这一点，不仅能解释 ChatGPT 和 OpenClaw 为什么在各自的时间节点出现，也能帮助我们判断 Personal Agent 为什么可能成为下一次产品跃迁，以及未来六个月，AI 产品的竞争焦点究竟会转向哪里。
一、真正的 Why Now，是模型跨过了产品成立的临界点
我们经常用技术突破来解释一款新产品的成功，但技术上能实现，与产品上能成立，其实是两回事。
以自动化为例。
十年前，我们就可以通过脚本、RPA 和各种 API，让计算机自动完成一些任务。但这些自动化系统有个共同的问题：它们需要人提前定义好流程。
如果现实环境稍微变化一下，按钮换了位置、网页改了结构、任务出现了意外情况，系统就可能无法继续执行。
因此，传统自动化的经济性很依赖场景。对于高频、标准化任务，投入开发和维护成本是值得的；但对于大量低频、非标准化的长尾任务，往往还不如人自己完成。
大模型改变的是这个经济关系。
随着模型的理解、推理和工具使用能力提升，越来越多过去需要人类提前编排的步骤，可以交给模型动态决定。
更重要的是，模型开始具备一定的纠错和恢复能力。执行失败之后，不一定需要人重新编写流程，而是可以让模型观察问题、调整策略、再次尝试。
这背后有一个容易被忽略的非线性效应。
假设一项任务需要连续完成 20 个步骤。如果每一步的成功率是 90%，在没有重试和纠错的理想化假设下，整项任务的成功率只有约 12%。但如果单步成功率提升到 98%，整项任务的成功率就会达到约 67%。
单步能力只是提升了 8 个百分点，端到端的可用性却发生了巨大变化。
真实 Agent 的运行当然更复杂，它可以重试、验证，也可能出现相关性错误。但这个简单的例子足以说明问题：模型能力的一点点提升，可能让原本不值得使用的产品，突然进入实用区间。
这也是为什么 AI 产品的演进不是线性的。
模型在持续进步，产品却往往是在某个临界点之后突然成立。
我觉得，这才是理解 AI 产品 Why Now 最重要的一把钥匙。
二、从 ChatGPT 到 OpenClaw，跨越的是两道不同的门槛
回过头来看 ChatGPT。
2022 年之前，聊天机器人已经存在很多年。自然语言交互也不是什么新鲜概念，搜索引擎、智能音箱和客服系统都在尝试。
但早期系统要求用户迁就机器。你必须尽量按照它能理解的方式表达需求，稍微复杂一点，它就不知道该怎么办了。
ChatGPT 真正改变的，是模型第一次让自然语言成为足够通用的软件交互界面。
人不再需要学习机器的语言，而是机器开始适应人的表达。
这让 AI 从少数专业人士使用的技术工具，变成普通人随时可以调用的通用智能服务。
但 ChatGPT 仍有一个天然局限。
它能告诉你怎么做，却未必能替你把事情做完。
它可以帮你分析一家公司的竞争格局，但研究资料的整理、数据的更新、报告的归档，以及下个月继续跟踪这家公司，很多时候仍然需要用户亲自推动。
于是，第二道门槛出现了：从理解问题，到执行任务。
OpenClaw 的意义就在这里。
它并没有发明一套全新的计算机技术，而是把模型、文件系统、工具调用、消息渠道和持续运行环境组织起来，让 AI 能够真正参与数字世界中的操作。
过去需要开发者提前设计的执行流程，现在可以在一定程度上由模型自主规划。
所以，ChatGPT 和 OpenClaw 代表的其实是两次不同的能力解锁。
ChatGPT 让自然语言成为智能的交互接口，OpenClaw 则进一步让自然语言成为行动的操作接口。
从能够回答问题，到能够完成任务，这是非常重要的一步。
但我认为，这仍然不是终点。
因为无论一个 Agent 能够完成多么复杂的任务，如果每次工作都从头开始，它创造价值的方式本质上还是一次性的。
完成任务，交付结果，然后等待下一次指令。
这就引出了一个更有意思的问题：如果 Agent 不只是能够工作，而是能够持续工作，并且保留和复用过去工作的成果，会发生什么？
三、Personal Agent 的关键，不是更自主，而是第一次具备智能复利的空间
现在谈 Personal Agent，很多讨论集中在主动性。
比如 AI 能不能主动检查邮件、提醒会议、追踪新闻，或者在发现问题之后主动联系用户。
这些当然重要，但我觉得它们还没有触及最核心的变化。
真正值得关注的，是 云上虚拟电脑与持久化工作环境，为个人智慧的持续积累创造了空间。
过去的 Chatbot 更像一个随叫随到的顾问。
你来找它，它帮你思考、分析、生成内容。一次对话可能产生非常有价值的洞察，但这些洞察往往停留在聊天记录或者最终交付的文档里。
下一次处理类似问题时，很多工作可能还得重新做一遍。
即使模型拥有 Memory，情况也没有发生根本改变。
因为记得一个人的偏好，与真正拥有一套不断积累的工作体系，是两回事。
云上虚拟电脑的价值，在于它可以给 Agent 一个持续存在的数字工作空间。
在这个空间里，Agent 不仅能够执行任务，还可以保留文件、数据库、脚本、工作流、项目状态和历史决策。
更重要的是，这些东西可以成为下一次工作的起点。
举个例子。
第一天，你让 Agent 研究新能源汽车行业，它花了一段时间搜集资料，最终生成一份行业报告。
第十天，它已经建立起主要公司的档案、核心指标数据库和信息追踪流程。
到了第一百天，它可能不再需要从零研究这个行业，而是基于过去积累的资料，持续观察竞争格局的变化，验证之前的判断，并主动发现新的研究机会。
这三次看似都在做行业研究，但价值创造方式已经发生了变化。
第一天，它提供的是一次性的研究服务。
第一百天，它调用的是过去一百天积累下来的研究体系。
这才是我理解的智能复利：过去完成的工作，不只是留下结果，而是在提高未来创造价值的能力。
当然，一台虚拟电脑不会自动产生复利。把所有历史文件堆在一个文件夹里，也不等于积累智慧。
真正的智能复利，需要 Agent 能够持续整理知识、沉淀经验、抽象工具、验证结果，并淘汰已经过时或错误的信息。
但至少，持久化的数字环境第一次为这件事提供了相对完整的基础设施。
模型负责生产智慧，云端工作空间负责让智慧留下来，而长期运行与反馈机制，则让这些智慧有机会被反复利用和持续改进。
这可能是 Personal Agent 相比前两代产品最值得关注的区别。
四、当智慧可以积累，AI 的价值衡量方式也会改变
过去，我们主要用效率来衡量 AI 产品。
一项任务原来需要两个小时，现在只需要二十分钟，那么 AI 帮我们节省了一百分钟。
这个价值很好理解，也很容易计算。
但智能复利带来了另一种可能性。
假设一个 Agent 今天花两个小时完成了一项任务，同时沉淀出可复用的数据、工具和方法。明天遇到类似任务时，它只需要一个小时；再过一个月，可能只需要十分钟。
关键不是它今天节省了多少时间，而是今天的工作为未来创造了多少生产力。
这意味着，Agent 的价值可能从一次性效率提升，转向长期生产资本积累。
我倾向于把这种积累分成三个层次。
第一层是认知复利。Agent 越来越了解用户、行业、项目，以及过去判断的依据。
第二层是能力复利。Agent 在执行过程中沉淀出脚本、Skills、模板和可复用的工作流，使下一次执行的成本下降。
第三层是结果复利。过去的研究、数据和工作成果，可以直接成为新任务的生产资料。
当这三种复利叠加时，一个人的 AI 工作环境，就有可能逐渐变成一个不断成长的数字组织。
这也会改变我们对 Personal Agent 的期待。
今天，我们会问一个 Agent 能完成多少任务。
未来更值得问的是：为什么使用它一百天之后，它的工作质量、执行效率和自主处理能力，应该明显高于第一天？
如果答案只是模型升级了，那用户获得的依然是通用智能的进步。
如果答案是它已经为这个用户建立了一套独有的知识、工具和工作体系，那么产品才真正形成了自己的积累。
当然，复利也可能是负面的。
错误的知识、不合理的流程和未经验证的经验，同样会随着重复使用不断放大。
所以未来 Agent 的竞争，不仅是谁积累得更多，还包括谁能更好地验证、更新和管理这些智慧资产。
五、未来六个月，我更关注这些变化
如果沿着「模型能力跨越临界点，进而触发新产品形态」的逻辑继续推演，我认为未来六个月，也就是到 2027 年 4 月，Personal Agent 最值得关注的未必是又能操作多少个 App。
我更看好三个方向。
首先，Agent 的产品中心会从 Chat 转向 Workspace。
过去用户通过对话窗口理解 AI。未来，当 Agent 开始持续工作，用户自然会关心它在推进哪些项目、已经积累了哪些成果、目前有哪些任务等待处理。
聊天仍然重要，但它更像人与 Agent 沟通的入口，而不是 Agent 工作的全部。
一个长期工作的 Agent，需要的可能是任务看板、持久文件空间、执行记录和可恢复的运行状态。
换句话说，未来的 Personal Agent 可能越来越不像聊天机器人，而越来越像一个有自己工作台的数字同事。
其次，Memory 会从记住用户，转向记住工作。
现在的 AI Memory 主要解决个性化问题，比如记住你的身份、喜好和沟通方式。
但真正影响长期生产力的，可能是工作记忆。
它需要知道一个项目为什么做出某项决策，某个研究结论依据什么数据，哪些方法曾经失败，以及哪些工具已经被验证有效。
未来有价值的 Memory，不只是一个越来越丰富的用户画像，而应该是一套不断演进的工作知识体系。
最后，Agent 可能开始从使用 Skills，转向生产 Skills。
这是我认为最值得观察的信号。
今天我们给 Agent 配置各种 Skills，是为了让它具备更多能力。
但如果 Agent 在执行任务的过程中，能够发现重复模式，把成功经验抽象成可复用的流程，并通过测试将其沉淀为新的 Skill，那么 Agent 就开始参与自身工作能力的建设。
这并不是说 AI 会在六个月内实现无限自我进化。
相反，我认为早期产品仍然需要大量验证、权限控制和人为审核。
但只要出现一批真正能够「做过一次，下一次明显做得更好」的产品，就意味着智能复利开始从概念走向现实。
而一旦这个飞轮成立，竞争焦点也会改变。
过去比的是模型有多聪明、工具有多丰富、单次任务完成得有多好。
未来还需要比较，谁能够更有效地把历史工作转化为未来能力。
六、真正的下一次跃迁，是从消费智能到积累智能
把这几代产品连起来看，会发现一条越来越清晰的演进主线。
ChatGPT 让人们第一次可以低成本、随时随地获取通用智能。
OpenClaw 让这种智能开始拥有行动能力，可以直接参与数字世界里的任务执行。
而 Personal Agent，如果能够结合持久化运行环境、长期记忆和持续学习机制，就有机会让智能从一次性使用的服务，变成可以长期积累的生产资本。
这三代产品并不是简单的功能叠加，而是智能与人的关系在发生变化。
最开始，我们向 AI 提问。
后来，我们向 AI 委托任务。
接下来，我们可能开始与一个持续存在、不断积累经验的数字工作系统共同成长。
这里还有一个更深层的变化。
过去，一个人的知识积累主要依赖自己的学习、记忆和实践。即使使用再多软件工具，很多经验仍然只能留在人的大脑里，或者散落在各类文档和系统之中。
而当 Agent 能够持续工作、保留状态，并不断复用过去的成果时，一部分原本难以沉淀的个人工作经验，就有可能被转化为可执行、可继承、可扩展的数字资产。
这不意味着人的判断不再重要。恰恰相反，当执行成本持续下降，人对目标的选择、价值的判断和方向的把握，可能会变得更加重要。
人负责决定什么值得做，Agent 则逐渐承担如何持续把它做好的工作。
当然，今天距离这个愿景还有不少距离。长任务的可靠性、信息安全、权限管理、记忆质量，以及如何防止错误持续积累，都是需要解决的问题。
但这些挑战并不改变我对方向的判断。
未来真正有竞争力的 Personal Agent，未必是今天完成任务最多的那个，而可能是使用一百天后，最能体现这一百天积累价值的那个。
回到最初的问题：为什么 ChatGPT、OpenClaw 和 Personal Agent 会在不同时间节点接连出现？
因为模型能力的连续进化，正在依次打破智能获取、任务执行和长期积累的产品门槛。
每跨过一道门槛，就有一类过去不具备经济可行性的产品开始成立。
而下一道值得关注的门槛，或许就是智慧能否真正形成复利。
如果说 ChatGPT 的历史意义，是让智能成为人人可以使用的服务，那么 Personal Agent 更大的想象空间，是让每个人都有机会拥有一套不断成长的个人智慧基础设施。
到那时，我们衡量 AI 的方式，可能不再只是今天它替我们做了多少事。
还要看今天与它共同完成的每一件事，是否都在让明天的我们变得更有能力。
智能可以被调用，已经改变了软件的交互方式。智能可以被积累，或许才会真正改变个人生产力的增长方式。