agent、skills 和 clawbot，这三个的关系。近一年，agent 这个词已经成了 AI 圈的一个热词。大模型平台在推自己的 agent，开发者在做 agent，企业也开始用 agent 来改造流程，包括做一些数字员工之类的。
但如果我们仔细去看，会发现同样都叫 agent，不同产品之间的能力边界差异非常大。尤其是最近比较火的几个，我们把 agent、claude skills 以及最近在社交媒体爆火的 clawbot 这三个放在一起比较时，会发现它们其实代表三种不同层级的能力形态。说得复杂一点，就是从平台内的多步推理，到工程化的跨环境执行，再到本地可控、有记忆的运行。
理解这些专业名词其实不是那么难。我这个视频就是要把最近最火的这几个词讲得深入浅出。所有的线索都会指导我们去看多一个板块的景气度。
了解 Agent、Skills、ClowBot 的区别，关键是要看：
- 是否脱离大模型的封闭环境。
- 是否具备调用其他工具的能力。
- 是否拥有独立的、长期的记忆。
这些才是区别的核心。那我们一个个来给大家解释。
先说 Agent。这个词说了很多，其实 Agent 是泛指 AI 工具进化成 AI 智能体的这么一个定义，它并不是一个具体的产品。从能力的结构上看，一个 Agent 的具体特征可以包括：
- 理解目标
- 拆解步骤
- 多轮执行
- 自检与修正
- 能够调用工具
- 管理自己的运行状态
说起来很复杂，但这些特征并不是某一个平台独有的。理论上，任何大模型系统，只要把推理能力再加上执行能力结合起来，都可以叫做 Agent。因此，现实中我们看到各个平台，比如谷歌的 Gemini、OpenAI 的 ChatGPT，还有豆包、元宝，他们都有各种各样的 Agent，或者国内叫“智能体”。但是，我们认为这些都是一个狭义的 Agent 定义，它通常只运行在这些平台内部。
这些模型平台是一个封闭的环境，它让你通过一套多步骤的提示词（我们称之为Prompt Flow或Workflow，即一个流程）来完成一个相对多步骤的复杂任务。能力上可能很强，但它的边界非常明确：工具的调用范围受平台限制，外部动作的权限也非常有限。长期状态就像一个会话或一个项目集——这次会话结束，它就“忘了”，很难形成一个独立、自主的系统。
因此，我们仍认为Agent是一个广义的定义。平台内这些所谓的“智能体”或Agent，更像是一个多步骤对话的工作流，再结合大模型的推理能力，它能做一些看似复杂的事情，但不能离开这个聊天对话框去干活。
时间来到今年1月初，Cloud推出了一个叫“Skills”的东西并火了。与之前Gemini、ChatGPT平台上的那些简化版Agent相比，Cloud Skills在执行精度和跨环境调用工具方面有明显进步。但就我个人看来，其底层逻辑是一样的：都是基于大模型，由用户编写一份“如何多步骤执行”的说明书，让大模型去完成一个任务。
具体的任务步骤逻辑其实是一样的。但为什么这个东西就能火呢？主要是因为Cloud这个大模型，它跟GPT、Gemini不一样，它的应用场景主要是AI编程。与谷歌和OpenAI相比，Cloud使用的交互方式其实是一种代码交互方式。相比于Gemini在聊天框里的可视化界面，代码交互方式其实更容易实现跨环境调用资源，也就是让Skills有更多调用外部工具的能力，使用户能跳出原来聊天机器人的对话框来实现更多功能。
而且，Cloud的用户主要是工程师。工程师在编写一个说明文档，描述第一步、第二步、第三步要干什么时，自然比小白用户在原来的豆包、元宝、包括Gemini这些平台上编写工作流程要更精准，编写的流程也更准确。因此，它调用的工具也更丰富，其结果就是比原来聊天机器人平台上的那些所谓智能体能力更强，这确实有很大的改观。现在市场上，包括网上，已经有上万个Skills了。
它可以实现许多原来聊天机器人平台无法实现的功能。Skills的核心已不再是原来的多轮对话。在加入跨环境调用能力之后，其核心实际上是可执行的接口。它通过代码交互方式，清晰地定义了如何输入、如何输出，让模型在合适的时机去调用某个技能来完成一个动作。例如：检索数据、分析Excel、调用外部其他软件的API、执行脚本、生成一些结构化的、看起来比较fancy的结果，等等。
因此，Claude Skills在能力层面，相比平台内的这些Agent（我指的是谷歌、豆包这些Agent）是进步了的。它突破了纯对话的边界，让AI的动作更加可控、可落地、可集成。
然后，从上周开始，又火了一个东西叫ClawBot。它为什么又火了呢？
如果说Skills是一个工具层面的升级，那么ClawBot更像是一个完全能够自主运营的智能体落地的形态。
ClawBot的一个关键特征在于：本地部署、完全开源，并且拥有独立的存储能力，也就是拥有一个长期的记忆能力。这三个特点的叠加，直接带来了两项重要能力的提升：
第一是记忆。因为它是在一台电脑上运行，很多社媒说把苹果的Mac mini主机都带火了。原来闲置没用，现在往里面装一个ClawBot，它就可以24小时在线，当你一个AI员工。因为它占据了这台电脑，有一个独立的存储空间，可以持久地保存历史文件、用户偏好、知识库、上下文摘要等。而且它的对话不是说一结束就没了，它一直存在那边，有记忆，并且是可以被反复检索、更新、复用的一种状态。所以，这就使得ClawBot越来越像一个能够长期培养的、干活的助手，而不是每次都从零开始的聊天对话。
第二是它可以更大程度地去跨环境执行工作。本地部署意味着它可以自然地调用电脑上的工具，可以使用电脑上的浏览器，也可以使用电脑上的文件系统。
第三方的软件等等，它不再受限于某个平台提供的工具接口，它用的就是你电脑上能装的软件，它都能用。所以，它更接近于操作系统级别的智能体执行体验。
从这个角度来说，ClawBot 是把 Agent 从一个对话流程，推进到了一个可运行、可持续、可扩展的系统级别状态。
那我们再分析回来，这三者的关系，它不是一个谁替代谁的关系，而是一个分层、递进的组合。因此，我们说 Agent、Claude Skill 还有 ClawBot，它们并不是互相替代的关系，更像一种层层递进的结构。
在一个大模型的平台内部，通过聊天窗口的这些 Agent，是解决能够多步骤推理的工作。而 Skills 解决的是把一些能力变得可执行化，更像一个工具箱，你能做这么多的 Skills，这么多的执行能力。然后 ClawBot 解决的是一个本地的部署，还有一个长期的 Agent 工作状态。
其实，在2026年开年还不到一个月，在 Agent 这个方面已经有各种各样的东西开始，今天这个火，明天那个火。
具体来说，一句话概括就是：让AI智能体（Agent）越来越有能力去跨环境解决问题，同时能够调用更多工具，其能力变得越来越强。
我相信未来还会有更多执行力更强的Agent系统出现。AI数字员工在今年肯定会越来越强，能力会越来越强，能帮我们做的事情会越来越多。
而所有这些发展，其实都利好模型Token的消耗量。
因为Agent执行这些任务需要消耗大量Token（即算力）。原来的一问一答模式，可能只是生成一段文字就结束了。但现在，例如在Claude Bot上部署到一台独立电脑，它可能持续工作24小时，工作的每一秒都在消耗Token。用户通过使用Claude Bot，选择某个大模型进行AI编程，它就可能从早到晚持续运行，因此会持续消耗Token。
因此，我们坚定地看好与算力相关的所有板块，从上游的设备、芯片、存储到AI数据中心（AI DC）。
但是，我们对某些应用公司反而比较谨慎。因为当AI Agent真正成熟时，它实际上是在替代传统的软件应用。
模型就是应用，Agent就是应用——它并非利好传统应用，因为它本身就是应用。
应用流量的需求会持续聚拢到这些大型模型公司。当Agent什么都能做的时候，试问，你还需要在电脑或手机上安装十几个甚至二十几个软件吗？当然不需要了！
而算力与电力，其实就是Agent的粮食和血液。Agent应用落地越多，被我们使用得越多，其消耗的算力和电力就越多，这肯定是正向关系。
我们之前在择时笔记里写过几次，我认为当前算力的定价中，并未完全计入Agent爆发式增长的需求。算力和电力在某个时点，肯定会被市场重估，其估值将从周期股重估为成长股。因为，就像消费品对于人类一样，消费品享有稳定成长股或价值股的估值，它稳定，没有那种周期性。那么，算力和电力对于数字员工（Agent）来说，不就是消费品吗？