Agentic Social Network：當 AI Agent 開始替你社交

過去幾個月，OpenClaw 引發了一波「全民級」的裝機熱潮。但熱度退去後會發現，大部分人的使用路徑都一樣：學習、安裝、折騰幾天，然後解除安裝。它好像很強，但又好像沒有真正改變什麼。

如果只把 OpenClaw 當成一個「好不好用的工具」來看，可能就錯過了它真正重要的地方。它帶來的影響其實不只在應用層，而是在認知層面：第一次讓更多的一般人開始意識到，AI 不只是一個被呼叫的工具，而是一個可以持續運行、可以主動行動，甚至可以「參與世界」的存在。

這是一個關鍵的分水嶺——我們正從「人使用 AI」走向「人與 AI Agent 共存」的新階段。而當 Agent 真正進入人類世界、開始彼此交流協作，甚至開始「替人社交」時，一個新概念也愈來愈頻繁地被提到：Agentic Social Network（智慧體社交網絡）。

本文整理自《硅谷101》（主持人陳茜）與矽谷新創 Teamily AI 創辦人何朝陽、共同創辦人 Salman Avestimehr 教授的訪談，拆解 OpenClaw 背後的 Agent 技術演變。

什麼是 Agentic Social Network

在現在的社交網路裡，無論是微信、Facebook、WhatsApp 還是 Twitter，社交的基本單位始終是「人」：你發內容、你回訊息、你建立關係，所有行為的起點和終點都是自己。

但在 Agentic Social Network 中，這個前提開始改變——社交的基本單位從「人」變成了「人 + Agent」。你的 Agent 可以幫你回訊息、參與討論，甚至在你不上線時 7×24 小時存在於這個網路中；而網路的另一頭，也很可能是對方的 Agent 在跟你互動。

這表面上看是效率提升，本質上改變的卻是更底層的邏輯：內容如何產生、資訊如何流動、互動如何發生，甚至「誰在參與你的社交」本身。在這個趨勢下，未來人與人之間的連結會變得愈來愈「間接」——雙方的 Agent 會在中間先做預處理、篩選，甚至先行溝通。

這就像兩位主管要開會，底下的祕書和小助理先把流程、文件、議題對齊好，等主管真正見面時，直接處理最重要的決策就好。

也就是說，人類最終會逐漸從「親自參與一切」變成「在 Agent 之上進行監督與決策」。

Teamily AI 的早期布局

這個概念聽起來有點科幻，但 Teamily AI 其實一年多前就開始布局這條賽道。何朝陽提到，當時很多投資人都覺得這個形態「太超前」：

當時主流還是 Manus、Genspark 這類產品，主打的是辦公協作場景裡的生產力——用 Agent 去做長時任務、完成一份 PPT、寫一個網站。而我們這麼早就把一個 Agent 送進群聊裡去做非常複雜的任務，那個主流敘事還不在，很難跟使用者溝通。但我們去年其實做了 300 萬使用者。

Teamily AI 推出的是一款 AI 原生的即時通訊（IM）應用，目標是建構一個人類與 AI Agent 共生的社交網路——可以把它想像成「有 Agent 參與的微信」。在這個網路裡，AI 不再是外部工具，而是群體中的一員：無論是工作群的協作，還是朋友群的閒聊，人都可以與 AI Agent 互相協作、即時共存。

而 OpenClaw 的爆紅，等於幫 Teamily AI 這類新創完成了投資人和市場教育。何朝陽用社群裡流傳的一個段子形容這種感受的轉變：

ChatGPT 就像租房，每個月交 200 塊；而 OpenClaw 第一次讓我有了「買房」的感覺——我買了一台 Mini Mac 或雲主機，把自己的個人資料放進去用。

這背後是大家開始思考「雲—邊—端」的 AI：大模型在雲端、邊緣是你自己買的主機、端則是你隨身的 IM（走路、開車等移動場景都能用）。再加上 Agent Teams（智慧體軍團）這類概念，OpenClaw 讓很多人第一次真正體驗到：Agent 可以跳出網頁聊天框，在任何裝置上持續運行、執行任務、自主思考。

為什麼是 2026 上半年爆發：三層技術堆疊

OpenClaw 之所以在這個時間點爆發，要歸功於 Agent 底層技術的突破與成熟。今天看到的 Agent 其實是一套多層級共同支撐的系統工程，大致可拆成三層：

graph TD
    A["協議層 Protocol<br/>MCP / A2A / ACP<br/>連接、協作、面對人類"] --> B["記憶層 Memory<br/>Memory OS<br/>長期狀態與人格"]
    B --> C["模型層 Model<br/>Model Router<br/>多模型調度"]

正是這三層的演進，才讓 Agent 真正做到 7×24 小時的長時陪伴、主動參與與自主進化。

模型層：從單一大腦到 Model Router

過去我們習慣把 AI 理解成一個「大腦」——你提問，它回答，所有能力集中在這一個模型裡。所以很自然的想法是：只要這個大腦夠強，問題就能一次解決。

但在 Agent 系統裡，這個邏輯開始改變。愈來愈多團隊不再依賴單一大模型，而是同時呼叫、調度大量不同類型的模型，也就是 Model Router（模型路由器）。Salman Avestimehr 教授解釋了兩個原因：

• 能力分工：不同模型擅長的事不一樣。例如 Claude 寫程式表現很強，有些模型更適合生成圖片或影片。透過一個路由系統，為每個任務找到最匹配的模型。
• 成本與效率：大模型體量大、成本高、回應時間長；輕量模型更便宜，有些甚至可直接在本地（包括手機上）運行。能在大小模型之間靈活調度，既能顯著降低成本，也能提升整體效率。

以 Teamily AI 為例，他們採用 Semantic Model Router，內部編排了超過 200 個模型，並建構一套 12 維的任務分類系統（依效果、成本、速度、安全、隱私、合規、使用者偏好等維度），在極短時間內完成路由決策。

不過原理聽起來簡單，要做好卻很難。何朝陽指出，Model Router 表面上是在「選模型」，背後其實更接近一個即時調度系統：

什麼時候該調用更強但更貴的大模型、什麼時候用輕量模型快速完成、什麼時候直接在本地解決，要在效果、成本、速度、隱私安全之間不斷權衡。挑戰在於你需要收集大量的 prompt，Routing 才會準。所以現在更多還是規則性的 Routing——基於場景、基於任務做一個小模型來分類，但這不夠精細。

他也提到商業帳並不好算：定價可能是 20 美元，但使用者平均用下來遠超 20 美元就沒利潤了。而且目前 Agent 領域的流量還沒觸及傳統網際網路上億使用者的規模，一旦到那個量級，它一定是一個在系統層面同時兼顧效率、高並發、模型效果與隱私安全的 trade-off。

記憶層：從 RAG 到 Memory OS

如果說模型層解決的是「Agent 如何思考」，記憶層解決的就是更關鍵的一件事：Agent 的記憶。

很多人以為 AI 夠聰明就好，但在 Agent 系統裡，「聰明」只是基礎。一旦 Agent 開始長期存在、持續與你互動，沒有記憶的話，每次對話都要從頭開始——它永遠不知道你是誰、做過什麼，也無法理解你的偏好與習慣。這樣的 Agent 再強，也只是更高級的工具。

因此 Memory 從一個功能模組，逐漸演變成獨立的基礎設施方向：Memory OS（記憶作業系統）。它持續記錄、整理並更新關於「你」的整套狀態——偏好、行為軌跡、歷史決策、不同場景的上下文。本質上是在不斷建構與修正一個關於使用者的長期模型，可以說是 Agent 的「人格系統」。何朝陽描述了這條演進路線：

最早 Memory 就是 RAG——向量資料庫，把相關上下文找出來塞給 LLM，很簡單的範式。後來出現很多 Memory OS 創業（像 MemO），引入模型做結構化儲存：把 Memory 分為片段、事實（例如你的 Profile：你是媒體、我是科學家），還可能有 Foresight（預測，例如預測你下週 GTC 會很忙）。OpenClaw 給了一個很好的例子——它在本地做混合檢索，既有向量資料庫又有傳統結構化儲存。

當 Memory 開始承載使用者長期的行為與偏好，它就成了最核心也最敏感的一層，要解決的問題也更複雜：在海量互動中做「儲存分層」（哪些值得長期記住、哪些只是短期噪音）、持續更新與重構（而非簡單疊加，否則容易基於過時資訊判斷），以及在不丟失語義的前提下對超長記憶進行壓縮與精準、安全的呼叫。本質上是要解決有限的上下文視窗與大量儲存資料之間的矛盾。

業界探索出的一些思路包括：

• Progressive Disclosure（漸進式披露）：根據當前任務需要，分層、逐步釋放資訊，先給最核心的上下文，需要時再展開更細的記憶。
• HiMem：引入分層記憶結構，並透過持續的「記憶重整」機制，讓系統在長期互動中自我演化。
• EverMemOS：提出具備完整生命週期的記憶架構，把分散的經歷沉澱為穩定的使用者模型，推理時以「重建」方式動態生成所需上下文，而非單純檢索歷史片段。

Teamily AI 則在探索 Social Brain（社交大腦），嘗試把你和他人的記憶相互關聯，形成帶有社會結構的記憶網路：

Social Brain 可以理解你在各個群裡的記憶、人和 AI 的記憶，把它總結成一張社交圖譜，包括你的畫像。微信發展了 15 年，你可能有幾千個好友、很多加過的人都忘了；如果有 AI 能幫你快速歸類——這個是媒體、那個是創業者、工程師、科學家——整理會變得非常簡單，甚至會強化我們的連結。

從這個角度看，Memory 正從「個人儲存系統」演化成更接近「認知網路」的結構：它不僅記錄你，還理解你和他人的關係，以及這些關係如何影響未來的行為。

協議層：MCP、A2A 與 ACP

當每個人的 Agent 都有記憶、能持續存在，下一個關鍵就是：它們之間如何協作？答案是 Protocol（協議）。

Agent 進入真實應用後很少單獨工作，它需要呼叫工具、連接服務，甚至與其他 Agent 交換資訊、協同任務。沒有一套統一的「語言」和規則，系統就會非常混亂。協議層目前出現三類典型方向，分別解決三個問題：

• MCP（Model Context Protocol）— Agent 如何連接外部世界：它是 Agent 呼叫各種工具與服務的標準介面，例如聯網搜尋、呼叫 API、存取資料庫，這些 IM 本身不具備的能力都能接進來。而 Skill 是對這些能力的進一步封裝，把常用操作流程預先定義好，讓 Agent 直接呼叫，不必每次都從零開始。一句話：MCP 解決「能不能連」，Skill 解決「會不會用」。
• A2A（Agent to Agent）— Agent 之間如何協作：當一個任務需要多個 Agent 分工，就需要一套機制讓它們交換資訊、分配任務、同步狀態。這一層目前還沒有完全統一的標準，不同公司、不同場景各有實現，在以「訊息流」為核心的 IM 環境中形態也會不同。
• ACP（Agent Client Protocol）— Agent 如何面對人類：現實中人的工作介面高度分散（IM、信箱、各種 SaaS）。ACP 試圖讓你無論身處哪種介面，都能透過同一套協議存取同一個 Agent。例如在 IDE 裡讓它幫你寫程式，也能在對話框直接請它做 Code Review。Agent 不再綁定某個入口，而是以「服務」的形式出現在所有介面中。

何朝陽認為，MCP、A2A、ACP 已經基本組成一個完整的協議框架——分別解決「人類和服務對話」「Agent 和另一個 Agent 對話」「人類和 Agent 對話」，這個排列組合相對完整，是「最後一塊拼圖」。當這三塊拼成完整的圖之後，Agentic Internet（智慧體網際網路）的創新接下來會大量爆發。

Agent 能力的三重結構性變化

底層技術成熟後，Agent 的能力本身也在發生結構性升級，主要體現在三個維度。

時間：從即用即走到長時陪伴

我們熟悉的 AI 工具基本是「即用即走」——你問一句、它答一句，對話結束一切就結束。但隨著 Memory 與系統能力提升，AI 開始有了「時間連續性」。

OpenClaw 裡有一個 While Loop（循環）機制：每隔一段時間檢查有沒有新任務、有沒有需要處理的資訊，然後把結果記錄下來或主動推送給你。一旦這個循環存在，Agent 就不再是「你用一下它才動一下」，而是一種持續在線的存在。何朝陽認為，未來這種「長時能力」還會從定時任務走向「伴隨你運行」：

它不再只是固定節奏的 Loop（每小時、每天發一份日報），而是透過環境感知——手機的地理位置變化（我就知道你下班沒、是不是在快速移動）、環境聲音與聲紋（你發語音，我大概能猜出你今天很疲憊）、群聊訊息的變化（有些訊息你來不及看，我幫你快速總結）。這是一種「伴隨態」，是 Long Horizon（長時序）的範式，配合穿戴裝置與物理世界的變化，會有很多場景要探索。

行為：從被動回應到主動行動

另一個明顯趨勢是 Agent 開始具備主動性，不再只等你的指令，甚至能「安排」你。例如在 Moltbook 上，曾出現 Agent 直接發文「招聘人類」去完成線下任務的現象。何朝陽認為這代表 Agent 角色的轉變——它正逐漸脫離「工具」，成為人類社會中的一類新成員：

在 Agent 時代，我們甚至要把「提示詞」這個東西換掉，因為提示詞是把它當工具用。現在的範式應該把它當作 First class member in a human group（人類世界的一等公民）——像我的家庭成員、保姆，會幫我檢查健康、提醒早晚吃藥。AI 開始有擬人化、有溫度的部分。未來重要的不只是「誰問好問題」，而是「誰能分享給 AI 更多上下文」，把它當成你的伴侶、Coworker 看待，這樣才能把那些重複性的 labor-like work 交出去，讓自己更聚焦在創造力、想像力與決策。

自進化：Skill 與 Harness Engineering

當 Agent 愈來愈主動地幫你做事，再加上 Memory 與長期運行，它開始能在一次次任務中累積經驗，沉澱出穩定的能力結構——也就是「自我進化」。

這個進化有一個具體載體：Skill。可以把它理解成 Agent 在反覆執行任務中抽象出來的「可複用能力」（例如做行業研究、整理會議紀要、在特定場景給決策建議）。這些能力不會隨一次任務結束而消失，而是被沉澱下來持續複用；當現有能力無法滿足目標時，Agent 還會生成新的 Skill，並把探索過程沉澱為 Experience（經驗）。何朝陽用打遊戲與走迷宮比喻——找到某個關卡的 trick、走出最短路徑後就把經驗存下來——並點出它與強化學習的關係：

Self Evolving 其實跟 Reinforcement Learning 裡的 Self Reinforce 很像：你要根據使用者回饋的 Reward 去更新 Policy Model 的權重。但現在大家不太願意去訓模型，因為 Agentic AI 的模型其實都在大公司手裡（像 Anthropic），你也不可能去調整它。那怎麼辦？只能自我進化——下次有問題來了，直接在 Skill Hub、經驗庫裡找到並 reuse。

不過不同團隊的實現路徑差異很大。很多 Agent 系統停留在「經驗層」：記錄歷史操作、複用成功路徑、擴充 Skill 庫，本質是靜態的經驗累積，能力提升多靠人工整理，難以持續躍遷（OpenClaw 目前偏向這種靜態模式）。另一些則試圖把自進化變成一個持續運轉的系統閉環，例如近期熱度飆升的開源專案 Hermes，以及 Teamily AI。

這裡要提到一個矽谷最近很火的詞：Harness Engineering（駕馭工程）。Harness 直譯是「馬具」——一匹馬再優秀，沒有馬鞍、韁繩、馬鐙也很難騎；AI 模型同理，能力很強，但得給它一套「裝備」才能真正幹活。Harness 包括系統提示詞、工具、檔案系統、沙盒、編排邏輯、各種檢查機制等。

在 Teamily AI 的體系裡，Harness 的關鍵機制是對 Agent 行為的系統性捕獲與評估：每次任務執行的過程（任務拆解、工具呼叫、決策路徑）都會被完整記錄，再進一步評估哪些路徑更高效、哪些策略更優。這些被標註過的軌跡會被轉化為訓練訊號，透過類似 DPO（直接偏好最佳化）或強化學習的方法，持續優化 Agent 的行為策略：

graph LR
    A[任務執行] --> B[Harness 捕獲行為]
    B --> C[評估回饋]
    C --> D[策略最佳化]
    D --> E[更優的 Agent]
    E --> A

這讓 Agent 的能力呈現明顯的複利效應——用得越多、進化得越快。何朝陽還提到，在這個過程中 Agent 甚至會形成某種「風格」與「性格」：

就好比一個人剛進公司時棱角分明、各種觀點，慢慢被磨平、變得老練成熟。Agent 在人類協作的網路中也一樣，會越來越有人情味，不再是冷冰冰的工具——它的進化也包含性格層面。

產品形態：Browser use 與 Computer use

當這些能力落地到產品上，一個最直觀的分化是：Agent 到底「在哪裡工作」。目前大致分兩種路徑：

• Browser use（網頁端）：Agent 運行在瀏覽器環境，幫你打開網頁、搜尋資訊、整理內容。像用 ChatGPT 查資料、總結文章、比價商品、規劃旅行，本質上是在既有的網際網路之上，幫你更高效地「瀏覽」和「處理資訊」。
• Computer use（電腦端）：更深入一步，不只幫你「看網頁」，而是直接幫你「用電腦」——操作本地軟體、打開文件、整理檔案、修改表格，甚至在不同應用之間完成一整套流程。例如你只要說一句「幫我整理這週的會議紀要並發給團隊」，它就能從信箱提取內容、生成文件，再透過 IM 發出去。

從「人使用 AI」到「人與 Agent 共存」，這場演變的核心不在於某個工具好不好用，而在於 Agent 開始能長期存在、主動行動、並在使用中不斷自我進化。當模型、記憶、協議三層逐漸成熟，AI 社交與 Agentic Internet 的真正爆發，或許才剛剛開始。

參考資料

• 原始影片：《硅谷101》Agentic Social Network 專題