OpenClaw的特别之处
虽然 OpenClaw 的能力令人惊叹，但并不是代码让它如此特别。
AI编程/Vibe Coding 遇到问题需要帮助的，联系微信 ezpoda，免费咨询。
OpenClaw 以雷霆之势席卷了AI世界。
它是一个开源的个人AI助手，可以采取行动真正帮助您完成任务。
无论您是AI专家还是非技术人士，几乎不可能没有听说过这个新的AI封装器。
虽然 OpenClaw 的能力令人惊叹，但并不是代码让它如此特别。
NanoClaw 已经证明了它可以以更简单、更轻量级的方式实现，并且安全风险更小。
OpenClaw 如此受欢迎的真正原因是，开发者 Peter Steinberger 解决了AI领域中巨头公司无法解决的最大问题。
我所说的就是AI采用的问题。
作为这篇文章的读者，您对该领域的当前发展肯定有着浓厚的兴趣，您可能不会遇到这个问题，因为您一直在使用生成式AI。
但在AI泡沫之外，有更多的人并不太关心最新进展，也不真正有兴趣跟上AI炒作的潮流。
他们尝试了几次AI，但结果并不像承诺的那样好，所以就放弃了。
对于这些人来说，AI只是每周发布的众多新技术之一
下面Gartner的图表强调指出了这一点，它展示了AI采用差距。
即使是大型AI公司让人们免费了解他们的工具并让他们试验早期项目的努力，也没有引发更大的采用浪潮。
此类尝试的一些例子包括：
然而，所有这些努力与OpenClaw的成功相比都相形见绌，OpenClaw吸引了技术人员和非技术人员的注意力。
原因何在？
一个易于使用的代理，可以用很少的技术技能运行，能够真正自主地完成我们本来需要自己做的事情。
不需要成为计算机科学家、数据科学家或提示词工程师。
1、什么是 AI 封装器？
我们需要更多这样的AI封装器来弥合当前的采用差距。
不幸的是，尚未建立AI封装器应用程序的明确定义。
这是我对AI封装器的定义。欢迎在评论中分享您的定义。
AI封装器是构建在一个或多个基础模型之上的软件应用程序。 它们结合并构建现有的AI技术，以便在特定生活情况或行业中为特定任务范围提供卓越服务。
重要说明： 尽管AI领域几乎只谈论LLM和vLLM；但如果有更传统的深度和机器学习方法也能很好地完成工作，也不应被忽视。
这种AI封装器应用程序的巨大优势与许多软件产品相同。
您投入巨大精力开发此类产品，可以随心所欲地分享它们，让尽可能多的人受益。
现在，有人可能会争辩说这些应用程序毫无价值，因为可以在一个周末内构建这样的工作流或代理。
对于原型来说，这可能是真的。
但这些原型通常会给人一种虚假的掌握感。
我们可以在几个小时内构建令人惊叹的代理，感觉自己像AI巫师。
当我们接近生产环境时，现实就来了。
调试、性能监控和边缘情况堆积如山，应用程序开始崩溃。
我认为任何尝试构建高级AI应用程序的人都明白我在说什么。
2、让专家做他们的工作
我们需要更多像OpenClaw这样的AI封装器来实现AI采用的一个原因是，专家不应该费心去制作完美的提示词和工作流。
我们不希望我们的律师成为AI专家。
他们应该专注于自己的实际工作，而不是制作完美的提示词、工作流或代理。
这就像自己制作家具。
您可以自己制作所有家具，有些人确实这样做。
但如果让专业人士制作，结果可能会好得多，这样您就有更多时间专注于自己的真正优势。
AI封装器应用程序也是如此。
3、停滞与没有免费的午餐
目前，我们在利用transformer架构构建更强大的AI模型方面似乎处于停滞状态。
日常使用的模型之间的差异感觉不如过去那么大，例如，当我们从GPT-3转向GPT-4时。
仅仅增加计算能力和模型大小并不能让我们走得更远。
也许我们甚至不需要这样做，因为问题不再在于模型的能力，而在于人类对我们要用这些强大模型所做之事的采用。
此外，数据科学中有一句话叫做没有免费的午餐。
这意味着没有一个模型在所有领域都优于其他所有模型。
趋势正朝着更专门的模型发展，例如Google的数学代理Aletheia，它可以解决世界上最难的数学问题。
4、专注于单一目的
当前的AI模型已成为数字时代的终极瑞士军刀。
在理论上，它们几乎可以处理任何事情。
它们可以起草法律简报、编写Python脚本，甚至帮助您在巴塞罗那预订酒店。
但问题来了。
您是否曾试图通过AI节省时间，结果却花了整整一个小时调整提示词，而您本可以用手工在一半的时间内完成的任务？
这有点讽刺，不是吗？
我们开始使用AI是为了完成更多工作，但对许多人来说，这只是意味着我们花在工作上的时间减少了，而花在管理技术上的时间增多了。
在聊天窗口中构建多步骤工作流，特别是对于复杂或特定行业的任务，需要同时对主题和AI本身都有技能。
对于普通专业人士来说，"生产力提升"往往被排除故障所花费的时间完全吞噬。
有一句老话，通常被归功于亚伯拉罕·林肯
如果我有六个小时砍倒一棵树，我会用前四个小时磨斧头
这是一个好主意，但只有当您的磨斧方法真正有效时才有帮助。
对于快速的自制AI项目，我们可能会花费数小时进行准备，但一旦开始使用，事情就会分崩离析。
我们创建的工作流起初看起来很棒，但往往一遇到现实世界的挑战和用户就会失败。
如果我们希望AI在每个行业都得到广泛应用，我们需要停止期望专家成为提示词工程师。
外科医生不应该通过试错来弄清楚如何充当医疗抄写员。
工具应该已经为这项工作而设计。
让AI易于使用的真正秘诀是专注于利基优化。
- 确定要素： 专注于能给您带来80%结果的20%的任务。
- 建模边缘情况： 现实世界的可靠性不会一蹴而就。需要仔细工作来理解哪里可能出问题。
- 隐藏复杂性： 目标是一个高度优化的"利基"应用程序，其中AI是不可见的，结果是显现的。
我们不需要更多人学习如何与AI对话。
我们需要已经理解每个行业语言的AI。行业的语言。
为此，OpenAI引入了"GDPval"评估/基准，它衡量AI模型在经济上有价值的现实工作任务上的表现，而不是考试风格的问题。
虽然模型已接近人类专家水平，但仍需改进。
值得注意的是，上述提示词的长度和细节水平肯定也需要花费不少时间来编写。
缩小AI与专家表现之间差距的一种方法可能不是在训练期间进一步改进模型，而是在推理期间构建智能的AI封装器。
这也可能是Google如此努力地专注于使用自己的TPU进行推理的原因。
5、结束语
正如OpenClaw所展示的那样，真正的价值在于消除人类意图与最终结果之间的摩擦。
我们不需要一个每个人都是提示词工程师的世界。
我们需要一个工具被很好地封装以至于AI变得不可见的世界。
在我看来，"采用差距"并不是缺乏兴趣。
而是缺乏专业化工具。
随着我们将重点从训练更大的模型转移到构建更智能的推理端封装器，我们终于开始将AI视为一种实用工具而非新奇事物。
您呢？ 您是否找到了真正为您节省时间的AI封装器，而不是为您的待办事项列表添加了一项新的"提示词"任务？
原文链接: What Makes OpenClaw Different and Why We Need More AI Wrappers
汇智网翻译整理，转载请标明出处
