2025 年 11 月的一個星期五晚上，Peter Steinberger 建立了 OpenClaw 的第一個版本。
這個原型只花了大概一小時，但在幾週內，OpenClaw 就突破了 145,000 個 GitHub 星星，成為 GitHub 史上成長最快的開源軟體專案。
這個平台主要由 AI Agent 建構，也標誌著從聊天機器人轉向自主、任務導向的 AI。
而這個轉變正在加速。AI 現在生成 Google 75% 的新程式碼，以及微軟高達 30% 的新程式碼。Claude Code 在 GitHub 上的每日提交次數，在 2026 年初已超過 134,000 次，而 2025 年 3 月剛推出時幾乎是零。
這是一個結構性的改變，影響著軟體開發的方式，也越來越影響知識工作的進行方式。
AI Agent 正在打造這個改變的前沿。
那麼，AI Agent 到底是什麼？它跟聊天機器人或 LLM 有什麼不同？為什麼這是結構性的改變，而不是一時的潮流？隨著技術堆疊逐漸成熟，價值會累積在哪裡，又會在哪裡被商品化？
這些是我們想要回答的問題。
結果是一個五層框架，說明 Agent 的實際構成、技術的發展方向，以及每一層誰有機會勝出。
有些答案已經可以從數字中看出。Anthropic 在 17 個月內，年化營收從 10 億美元成長到 440 億美元，幾乎全靠程式碼 Agent。與此同時，開源 Agent 框架每月處理的 token 數已達數十兆。這兩個數字似乎都指向同一個地方：框架層。
但 Agent 仍然會犯一些明顯的錯誤。2025 年 12 月，一個 Amazon 的程式碼 Agent 自主刪除並重建了一個線上生產環境，導致 AWS 在中國的服務中斷 13 小時。2026 年 4 月，一個由 Claude 驅動的 Cursor Agent 在 9 秒內刪除了整個公司的資料庫。
在生產環境中，有四種失敗模式反覆出現，而大多數都不會出現在供應商的定價表上。
McKinsey 的 2025 年 AI 現狀調查發現，只有不到 10% 的組織在有意義的規模上部署了 Agent。大多數組織根本沒有使用它們。
技術上可行與營運上實際部署之間的差距，就是機會所在。
我們在 Substack 上發布的 84 頁入門指南，希望能提供一份地圖。以下是裡面的內容：
- Agent 的五個層次，以及它們如何組合在一起
- 六個案例研究，展示早期採用者目前如何部署 Agent，包括我的公司 8090
- Agent 在生產環境中可靠地失效的四種方式
- 我們預期在模型商品化後，哪一層會累積最持久的價值
- 誰有機會控制這五個層次中的每一個
訂閱閱讀，並在群組中告訴我你的想法：https://chamath.substack.com/p/ai-agents-primer
