作者：孟岩
最近，Anthropic 宣布进一步强化 KYC 要求，并对部分地区和访问进行了更严格的限制，开始引发越来越多中文用户的讨论。国内对这件事的反应，大致有几种。有人担心，这会让中国大模型公司更难继续走模型蒸馏的捷径。有人担心，国内开发者如果越来越难稳定使用 Claude Code，在 AI 编程这件事上会慢慢掉队。也有人觉得问题没有那么严重，毕竟世界上又不只有一个 Claude，中国自己的大模型也很强，“离了张屠户，就吃混毛猪？”。
这些想法都可以理解，但坦率地说，我心里还有另一层忧虑，而且这层忧虑，可能比“少了一个模型”或者“少了一个编程工具”更值得认真想一想。
我担心的，是中国的企业家、管理者和创业者，正在被逐步隔离在一个日益繁荣的 Claude 智能体生态之外。这不是一个单纯的访问问题，也不只是一个编程工具问题，而是一个关于未来如何与 AI 一起工作、如何组织 AI、如何管理 AI 智能团队的问题。
我在海外生活，可以自由访问 Claude 平台和生态。在过去一段时间里，我自己一直在认真摸索一件事：如何搭建、管理、培养和迭代一个真正能干活的 AI 智能体团队。不是让 AI 陪我聊天，也不是让它偶尔帮我写一段文案，而是让它们像一个小型组织一样，围绕明确目标分工协作，持续处理任务，逐步承担原本需要人来完成的工作。在这个过程中，我越来越强烈地感受到，Claude 的重要性，已经不只是“模型强”或者“写代码好”这么简单了。Claude Code 在官方定义里，已经是一种 agentic coding tool。围绕它形成的，也不只是一个产品，而是一整套越来越成熟的工作台、方法、经验和讨论氛围。
如果说过去几年，很多人理解 AI，主要还是把它理解成一个更聪明的搜索框、一个更能写的聊天机器人，那么我现在越来越觉得，接下来的几年，真正重要的问题会变成另一件事：我们会不会组织 AI，我们能不能管理 AI 团队，我们会不会让一群智能体稳定地为我们工作。
而在这件事上，Claude 生态至少在目前，已经走在了很前面。
这段时间，我在试着搭两个 AI 智能体系统。
一个偏投资，主要是因为 RWA 的发展使熟悉区块链的用户可以自由买卖链上美股和 ETF，因此我期望能够用 AI 智能体系统为我搭建一个投资顾问团队，帮我进行行业和公司分析，兼顾宏观面、消息面和市场情绪，并帮我管理好仓位。我以前在投资美股方面没有积累，期待使用这个系统能够让我少走弯路。另一个偏理财，能够帮我处理一些持续性的财务事项，比如整理支出，跟踪账户变化，归纳投资记录，医保车保的优化，各种政府补贴的申请等，生成周期性的观察报告，提醒一些需要我亲自判断的事项。
说实话，这两个系统都还没做好，没法拿出来见人。但在动手的过程中我获得了两个体会。
第一个体会，真正重要的问题已经不是“怎么用好一个 AI”了，而是“怎么组织管理一群 AI”了。
具体的说，如何让不同的智能体各自承担不同角色，彼此衔接，知道什么时候该查资料，什么时候该调用工具，什么时候该把结果交给另一个智能体继续处理，什么时候该停下来等我确认，什么时候又该把已经发生过的事情记住，留到下一次继续使用。
完全是一个团队管理者的活儿。
最近一年来，无论中文世界还是英文世界，其实都已经在讨论这件事了。国内龙虾（OpenClaw）热起来的时候，中文社群里有很多人热情讨论“一人公司”。国际上也有大量关于 “零人公司（Zero Human Company）” 的讨论和实践。它们听上去很新鲜，也很抓人眼球，但在我看来，这些概念其实都只是 AI 智能体组织的特殊形态。
所谓 AI 智能体组织，就是由若干个 AI 智能体（AI agents）组成的、有特定目标和任务的协作组织。它不一定非得是一家公司。它甚至不一定是一个固定结构。它可以只是围绕一个明确任务临时搭起来的小团队，里面有几个常驻智能体，也可能临时接入外部智能体成员来补足某种能力。它有时候像一个部门，有时候像一个项目组，有时候又只是一个自动运转的任务小队。从专业一点的说法看，它本质上接近于人们常说的多智能体系统。只是我更愿意用“智能体组织”这个词，因为它更容易让非技术背景的人一下子把握住重点：我们面对的，不再只是一个聪明的工具，而是一种可以被设计、被训练、被管理、被迭代的协作结构。
一旦你开始把问题理解成“组织一群 AI”，你看待很多工具的方式就会彻底改变。你关心的就不再只是它会不会写、会不会答、会不会搜索。你开始关心的是另一套问题。它能不能长期执行任务。它能不能稳定调用外部工具。它能不能处理上下文越来越长之后的信息混乱。它能不能和别的智能体配合。它能不能在失败之后恢复。它能不能在连续多轮工作之后，依然保持一种大体可控的状态。
第二个体会，Claude 在智能体生态方面是真强啊。
Claude 生态的领先，不只是“模型感觉更聪明”，而是它正在形成一个非常适合研究和实践智能体组织的生态环境。单说 Claude 模型本身，抛开 Anthropic 玩得炉火纯青的“恐吓式营销”效果，很多人都反映，其实它也没有那么突出，至少并不真的比 ChatGPT 和Gemini 有明显优势。但是，围绕 Claude，已经不只是有模型本身，还有越来越多与智能体工作流相关的产品、文档、接口、方法和讨论。Anthropic 不仅把 Claude Code 明确定位为一种 agentic coding tool，还持续围绕 agent 工作流提供相关能力与文档。
这种环境并不只对程序员有意义。如果只是程序员受益，那这件事的影响还有限，毕竟需要去写代码做软件的人是极少数。真正值得重视的地方在于，Claude 生态正在把原本属于专业开发者的一部分能力，逐步转化成非技术人员也可以接近、理解和使用的东西。这在当前的 AI 生态当中，不但是领跑者，而且它的优势正在扩大。
如果中国用户，尤其是那些并不懂编程、但又最需要尽快学会“如何组织 AI”的企业家、管理者和创业者，长期无法稳定进入这个生态，那我们失去的，恐怕就不只是一个工具，而是一个训练场。
当我开始搭建那两个智能体之后，我发现自己经常被一个基础问题卡住：我到底在用什么？它和我们过去用的 ChatGPT、Claude 普通对话模式，有什么本质不同？
后来我认真看了一些资料，特别是吴恩达著名的 Agentic AI课程，才算把这件事想得比较清楚。
简单说，Agentic AI 不是“问一句、答一句”的聊天模式。它更像一个会自己分步骤做事、会主动调用工具、会检查中间结果、发现不对就调整路径的系统。举个生活里的例子：你让一个普通聊天机器人帮你订机票，它可能只会告诉你“从北京到上海的航班有哪些”。而一个Agentic AI会自己去查航班、比价格、看时间是否合适、确认你的偏好（靠窗还是靠过道），如果发现直飞票价太贵，它还会主动建议中转方案，最后把完整的行程和付款链接一起给你。它不是被动回答，而是像一个靠谱的旅行助理，在后台把整件事一步步办完。
再往前走一步，就是“AI 智能体组织”。这时候不再是一个Agent单打独斗，而是几个Agent组成一个小团队，各自分工、相互协作。
比如在我自己的小实验里，我可以让一个Agent专门负责搜集最新理财资讯，一个Agent负责做数据分析和风险评估，一个Agent负责生成报告并检查数字是否准确，最后还有一个Agent负责把报告用我习惯的语气总结好，发到我的邮箱。它们之间会传递信息、互相提醒、发现问题时一起商量解决方案。合在一起，看起来就很像一个小型的财务团队，只不过所有成员都是AI。
为什么这件事对企业家、管理者和创业者特别重要呢？因为它最擅长解决的，本来就是我们日常工作中最头疼的那些“组织问题”——流程怎么拆、任务怎么分、谁负责跟踪、出了问题怎么复核、长期事情怎么不遗漏。这些正是传统管理里最消耗时间和精力的部分。现在，AI智能体组织可以把这些重复性、结构化的工作接过去，让我们把精力留给真正需要人来判断和创造的事情。
我自己慢慢形成了一个不算惊人、但我觉得挺重要的判断：未来领导者的一项重要能力，恐怕不只是会用 AI，也不只是懂一点 AI，而是能够创建、管理、培养和迭代 AI 智能体组织。它可能会变得像今天会用电子表格、会开视频会议一样，成为管理者的基本素养。不是因为它听起来很高级，而是因为它能实实在在地把我们的时间和注意力，从琐碎事务里解放出来。
这听上去也许有点超前，但仔细想一想，它其实并不夸张。二十多年前，一个管理者会不会用电子邮件、会不会用电子表格、会不会在信息系统里处理流程，也曾经被一些人视为“技术问题”。今天我们都知道，这些东西早就变成了管理能力的一部分。
我相信，AI 智能体组织也会走上类似的路。
我越来越看重 Claude，并不只是因为它模型强，或者写代码能力突出。更重要的是，它正在慢慢长成一个适合研究和训练“智能体组织”的工作台。
这一点，首先体现在它对自己的定位上。Anthropic 在官方文档里，直接把 Claude Code 定义为 agentic coding tool。官方产品页甚至写得更进一步：在 Anthropic 内部，多数代码已经由 Claude Code 完成，工程师更多转向架构、产品思考和对多个 agents 的持续编排。这个表述很值得玩味。它谈的已经不只是“AI 会写代码”，而是“人的角色开始变成组织和调度智能体”。
首先，Claude生态已经不再是一个单一的对话模型。它围绕agent工作流持续扩张，产品和功能都在往同一个方向收拢：让你能更轻松地定义任务、分配角色、设定记忆边界、处理错误、实现长期执行。重点已经不只是“对话能力”，而是“如何把一群AI组织起来干活”。
更让我感兴趣的是，Claude在编程上的优势，正在自然而然地外溢成智能体组织的优势。它吸引了大量程序员和开发者，这些人在过去几年里沉淀了大量实实在在的工程经验——比如怎么把复杂的agent技能封装成可复用的模块（harness engineering）、怎么管理长上下文、怎么设计错误恢复机制、怎么编排多步工作流。这些方法原本只在程序员的小圈子里流传，现在正被不断提炼、包装、抽象，变成更易理解的形式，慢慢流向更广的社区。
这些方法正在一步步帮助非技术用户驾驭智能体。Claude的价值，不只是让程序员写代码更快，而是逐步把程序员世界里那些原本很难迁移的经验，转化成非技术管理者也能逐渐调用的能力。比如我自己，一个完全不写代码的创业者，现在已经能用Claude提供的界面和文档，定义出“先查数据、再分析风险、最后生成报告并提醒”的完整流程，而不需要自己从零搭建底层逻辑。
正因为有这么多开发者在持续试验、总结、分享，Claude 的智能体生态就形成了一种更强的正反馈：生态越活跃，演化就越快，互动就越良性；互动越良性，吸引的优秀实践就越多，方法论就沉淀得越清晰。这是一个自我强化的循环，而这个循环目前在 Claude 这里转得特别顺。
这对非技术管理者尤其重要。我们真正需要的，往往不是最大限度的自由度，而是一个足够成熟、案例丰富、方法清晰的训练场。在这里，你可以先看别人怎么做，再小步尝试自己的业务场景，边试边学，不用每次都从零开始摸索。
所以我越来越觉得，Claude最强的地方，未必只是模型能力本身，而是它正在把程序员世界里沉淀出来的智能体工程方法，转化为非技术管理者也能逐步驾驭的组织能力。这才是让我真正觉得它正在成为“AI 智能体组织”领先训练场的原因。
可能有人会说，搞 AI 智能体组织，用龙虾（OpenClaw）也可以啊，国产的 Manus 在智能体应用方面也是独步天下啊？你有必要这么吹捧 Claude 吗？
我觉得龙虾和 Manus 都很成功。OpenClaw 让很多中文用户第一次真切感受到，AI 不只是会聊天，还可以真的替人执行任务。Manus 也很有代表性，它说明中国团队在 agent 产品化上并不缺创造力，而且 Manus 也提供了 API、集成和自定义连接能力，并不是一个完全封闭的成品。
但我越来越觉得，产品和生态，终究不是一回事。
OpenClaw 的问题，不在于它不强，而在于它更像一个给强用户用的系统。它官方就把目标用户写得很清楚，是 developers and power users。它要求用户自己部署、自己配置、自己处理权限边界和接入问题。这样的东西当然很有价值，但它天然更适合愿意折腾的人，不太像一个可以让普通企业家、管理者和非技术爱好者低门槛进入、持续练习“如何组织 AI 团队”的训练场。
而且，从中文社群的讨论热度看，OpenClaw 这一轮热潮退得也很快。根据微信发布的讨论热度指数，龙虾四月初的讨论热度只有一个月前的四分之一不到。我倾向于认为，这和它门槛较高、安装配置复杂、权限要求偏多，也和国内生态本身比较碎片化有关。各大公司都在推自己的方案，各自为战，互通性又不够强，很难形成一个共同训练场。
Manus 的情况不太一样。它的问题不是不能开发，而是至少到目前为止，它更多还是作为一个强产品在被使用。它有能力，有接口，也有想象空间，但还没有像 Claude 那样，吸引到足够密集的开发者方法论沉淀，也没有明显把“AI 智能体组织”发展成一个完整生态主轴。
产品可以替代，训练场不容易替代；入口可以替代，生态闭环不容易替代。OpenClaw 和 Manus 都值得我们重视和支持，但至少在今天，它们还不足以替代 Claude 生态在“培养非技术管理者的智能体组织能力”上的价值。这个差距，不是某一个功能强弱的问题，而是整个生态成熟度、方法论沉淀速度和非技术用户可及性上的综合差异。
如果只是少了一个工具，问题其实没有那么大。工具总会更新，也总会有替代品。今天这个强一点，明天那个强一点，本来就是技术世界的常态。
我真正担心的是另一件事：未来几年，真正拉开差距的，可能不是“谁先用上 AI”，而是“谁更早学会组织 AI”。
理财和家庭管家，只是我自己现在做的小实验。再往前走，这种多智能体系统几乎一定会越来越多地进入真实业务流程。销售线索筛选、客户服务、投研辅助、财务整理、招聘协同、法务初筛、内部运营，这些事情都有一个共同点：它们不是单一步骤，而是一串彼此衔接的动作。也正因为如此，它们天然适合交给智能体组织来处理，而不是只靠一个聊天机器人临时回答。Anthropic 自己对 managed agents、long-running agents 和 multi-agent systems 的持续投入，本身就在说明，这条路并不是边缘玩法，而是在快速走向更成熟的工作流形态。
更往前看一步，AI 智能体组织不会长期停留在“一个人管理一组智能体”这个阶段。它很可能会很快继续演化，变成一种更开放的智能体网络。到那时，一个任务未必只由同一家公司、同一个团队内部的智能体完成，而可能由来自不同实体、不同平台、不同专业方向的智能体协作完成。它们之间会相互通讯，交换结果，调用彼此的能力；在一些场景里，甚至可能逐步发展出相互支付、相互授权、相互缔结合约的机制。Anthropic 对多智能体系统的公开研究，也已经在讨论多个 agents 通过工具循环协同工作的结构。 一旦走到这一步，竞争就不再只是单个模型、单个产品、单个团队的竞争，而会开始出现明显的网络效应。谁先进入这样的网络，谁就更容易积累接口、协作关系、任务路由和运行经验。到了那个阶段，再想追赶，难度就会比今天大得多。
这也是为什么，我觉得 Claude 不仅仅是一个好用的模型。因为它正在提供的，不只是功能，而是一整套越来越成熟的学习环境。别人已经在这个环境里反复试验，讨论怎么搭 agent team，怎么做长期记忆，怎么处理上下文，怎么设计 roles，怎么把 skills 和工具接进真实流程。我们如果长期缺席，短期看不一定会有剧烈损失，长期却很可能在案例、方法和组织经验上慢慢起步更晚。
所以我担心的，从来不是中国用户少了一个 AI 工具，而是讲中文的企业家、管理者和创业者，会不会在这条很重要的学习曲线上掉队的问题。
这篇文章不是为了制造焦虑，而是提醒大家关注。要解决问题，首先要认识到问题的存在。而一旦确认了问题，解决办法总是有的。我认为有这么几件事情是可以做的。
第一，在个人层面，尽早做一些小规模的多智能体实验。不要只把 AI 当成聊天工具，而是试着让两三个 Agent 分工合作，完成一个完整的小流程——哪怕只是帮你整理周报、跟踪项目进度，或者管理个人知识库。动手去做，比只看别人分享更有价值。
第二，在管理层面，建议管理者亲自下场尝试。这不是一个纯技术问题，而是未来的组织问题。只有自己上手搭建、调试、迭代，才能真正理解 AI 智能体团队能带来什么改变，也才能更好地带领团队完成从“人管人”到“人管 AI 团队”的认知升级。
第三，在学习层面，与其迷恋某个单点产品，不如优先学习那些可迁移的方法。重点放在工作流设计、分工逻辑、记忆管理、结果验证、错误恢复和多 Agent 协作这些核心能力上。这些方法无论最终用哪个平台，都能帮我们更快地建立起自己的智能体组织能力。
第四，在产业层面，本土大模型公司应该挺身而出，挑起这个大梁来。既然 Anthropic 的智能体生态拒绝中国用户，国内的大模型公司应该有责任在国内构建一个同样繁荣的生态。
喜来顺财经
