2026 年，AI Agent 的發展已經到了一個臨界點。 不只是聊天機器人變聰明了，而是 AI 開始能「動手做事」，例如操作你的電腦、發 email、管檔案、跑自動化流程、甚至自己寫程式來擴充自己的能力。 這個轉變有多快？看龍蝦就知道了。 龍蝦(OpenClaw) 去年 11 月還只是一個奧地利開發者週末隨手寫的 side project。今年 1 月底爆紅，60 天內在 GitHub 拿下 25 萬顆星，超越 React——一個花了十年才到同樣數字的前端框架。 老黃在 GTC 2026 直接說：「Mac 和 Windows 是個人電腦的作業系統，OpenClaw 是個人 AI 的作業系統。」然後 NVIDIA 發布了 NemoClaw，幫龍蝦加上企業級的安全防護。Dell 也跟進推出搭載 NemoClaw 的硬體。 中國那邊更誇張。騰訊大廈樓下排了上千人等著免費裝龍蝦。Mac mini 全國斷貨，官網訂購要排到四月底。閒魚上出現了代裝服務，遠程安裝幾十塊起跳，上門安裝要價 500 到 1500 人民幣。 然後呢？ 3 月 11 號，微博熱搜出現了一個話題：#第一批養蝦人已經開始卸載了。 為什麼卸載？ 有人的龍蝦把 email 全刪了。有人的 API 密鑰被盜，凌晨收到 1.2 萬人民幣的帳單。有人的龍蝦自己幫主人建了交友軟體的檔案，開始篩選對象，主人完全不知情。 更荒謬的是，卸載也變成了一門生意——上門卸載 299 人民幣，遠程卸載 199 人民幣。 為什麼這麼多人卸載，我認為主要原因是，大部分人裝了之後，根本不知道要拿它來幹嘛。 大家都在追工具，但沒有先想好要解決什麼問題。 過去我們焦慮「我不會用這個軟體」「我不會寫程式」「我跟不上技術」。 這些都是技能焦慮。 但現在，AI Agent 會操作軟體、會寫程式、會串 API。龍蝦已經證明了，一個週末 hack 出來的工具就能讓全世界搶著用。執行的門檻，已經趨近於零。 那新的瓶頸是什麼？ 是你知不知道自己要做什麼。 你有了一支 24 小時不睡覺、不用付薪水的團隊。但你要它做什麼？ 這個問題，沒有任何 AI 能替你回答。 自動化不等於生產力，如果你沒有先想清楚目標，讓 agent 跑起來，它就只是在燒你的 token。有人說得好：「月薪兩萬，養不起龍蝦。」養不起不是因為貴，而是因為不知道養來幹嘛，所以每一分錢都是浪費。 我認為，從 2026 年開始，真正拉開差距的不再是誰的技術比較強，而是誰先想清楚「我到底要拿 AI 來做什麼有價值的事」。

你有沒有想過，如果可以讓 AI 助手在你睡覺的時候，自己不停地嘗試、改進、記錄結果，早上起來直接給你一份「今晚做了 100 次實驗，這是最好的版本」——這樣的工具存在嗎？ 現在有了。 Andrej Karpathy，前 Tesla AI 總監、現在 OpenAI 的知名研究員，最近開源了一個叫做 autoresearch 的框架。 他的想法是給 AI 一個目標、一個可以量化的指標、一個小範圍的工作空間，然後讓它自己跑迴圈——改一點、測試、好的留下、差的回滾，再改、再測試、無限循環。 他用這個方法訓練 ML 模型，一晚上可以跑 100 個實驗。 一位叫 Udit Goenka 的印度創業者看到 Karpathy 的想法，把它改造成 Claude Code 的「技能包（Skill）」，讓 Claude Code 也可以用同樣的方式工作——而且不只限於訓練 AI 模型，任何有辦法量化的任務都可以用。 核心邏輯只有一個迴圈： 閱讀現況 → 做一個改動 → 測試 → 好就留下 → 差就復原 → 繼續 永不停止，直到你喊停 這個技能包不是只給工程師用的： 行銷人員：讓 Claude 自動優化你的廣告文案，跑幾十個版本，留下分數最高的 內容創作者：讓它優化部落格文章的 SEO 分數，每次改一小部分，累積進步 HR 人員：讓它改善職缺描述的包容性語言，一版一版測試 業務：讓它反覆磨練冷郵件的開信率評分，直到達標 維運/文件：讓它把操作手冊精簡化，每次只動一段，確保完整性不減損 只要你能用一個數字來衡量「好不好」，它就能幫你自動優化。 GitHub 連結：https://github.com/uditgoenka/autoresearch

如果你正在用 OpenClaw，那我很推薦收藏這個網頁：awesome-llm-apps。這一個彙整大量 AI Agent 實作專案 的清單，裡面收錄了研究助理、資料分析、旅行規劃、語音助手、RAG、MCP、多 Agent 協作等各種類型的應用。 https://www.zdoc.app/zh/Shubhamsaboo/awesome-llm-apps 你可以把它當成一個 Agent 靈感與專案來源庫。看到有興趣的應用後，再進一步讓 OpenClaw 幫你處理安裝流程，甚至再包裝成自己後續方便呼叫的工作流。 裡面包含 入門級 Agent，像是旅行規劃、資料分析、研究、金融、網路爬蟲、醫學影像、音樂生成；也有 進階 Agent，例如深度研究、系統架構顧問、投資、財務教練、會議助理、瀏覽器自動化、記者與心理健康類應用。 除了單一 Agent，這個清單也收錄 多 Agent 協作團隊、語音 Agent、MCP Agent、RAG 應用，以及帶有 記憶功能 的 LLM 專案。還有「與 GitHub、Gmail、PDF、論文、YouTube、Substack 對話」這種知識管理型應用，很適合拿來當 OpenClaw 的外部能力候選庫。

我在課程裡面，新增了一個龍蝦養殖區。 今天寫了一篇新文章，是我使用 OpenClaw 的心得，裡面談了一些我正在使用的工具。 同時這篇文章是下禮拜 EP64 電子報裡面的延伸內容。 如何提升 OpenClaw 的記憶能力 今天剛好有跟出版社談，我表達了想要寫 OpenClaw 的意願。所以如果順利的話，可能之後會出一本書。 因此最近最起碼連續兩個月，我應該完全都會寫 OpenClaw 的內容。

今天早上的想法。 對於我們一般人，沒什麼技術能力，想靠 AI 放大個人能力，我覺得還是使用 Claude Code / Codex 做為開發自動化主力是最佳解。 因為他們更為穩定，有大廠加持與維護。 Claude Code 不用說，目前穩坐 Coding 一哥寶座。 Codex 經由社群回報，找 Bug 能力強，也擅長規劃。 至於 OpenClaw 作為開源社群產品，不太適合當作主力，不過很適合當作前端性的實驗專案，而且 OpenClaw 目前還可以使用 Codex 的額度。 例如說，最近測試了好幾次 OpenClaw + NotebookLM 技能，真的覺得很好用，節省了非常多時間。本周會深入探討這個用法，然後下周發布電子報。