摘要
1) 一句话总结 OpenClaw 创始人 Peter Steinberger 在 YC 访谈中分享了该本地开源 AI Agent 爆火的底层逻辑，指出本地化记忆是 AI 真正的护城河，并预测 80% 的数据管理类 App 将被 Agent 彻底替代。
2) 核心要点
- 惊人的增长数据：OpenClaw 是 GitHub 史上增长最快的开源项目之一，2 天内突破 10 万星，目前拥有 21 万星。
- 极简的诞生过程：2025 年 11 月，创始人为满足“做饭时远程查看电脑代码进度”的需求，仅用 1 小时通过 WhatsApp 和 Claude Code 构建了初始原型。
- 强大的自主解决问题能力：Bot 能够在没有任何预设逻辑的情况下，自主判断并调用工具（如耗时 9 秒自动使用 FFmpeg 转换音频格式并调用 OpenAI API 实现语音转文字）。
- 本地化运行机制：与云端 AI 不同，OpenClaw 运行在用户本地电脑上，能够直接访问本地文件系统并控制关联的硬件设备（如汽车、智能音箱）。
- 数据主权与记忆护城河：项目将用户记忆以 Markdown 文件形式保存在本地，打破了云端数据孤岛；创始人认为模型最终会被商品化，用户记忆和偏好数据才是真正的护城河。
- App 替代预测：预测 80% 仅用于“管理数据”的 App（如待办事项、日历、健康记录）将被 Agent 替代，未来只有具备物理传感器的 App 能够存活。
- Agent 社交与分工：AI 社交网络 Moltbook 上已有 130 万个自主交互的 Agent（占活跃账户 40%）；未来 Agent 将走向专业化分工，甚至出现 Bot 雇佣人类执行线下任务的场景。
- 反直觉的开发实践：创始人采用并行使用 Codex、多仓库副本全在 main 分支开发、以及通过工具将 MCP 转换为 CLI 运行等极简开发模式。
- 创始人动向：项目发布一个月后，Peter Steinberger 已加入 OpenAI，负责领导下一代个人 AI Agent 的开发。
3) 风险与缺口
- 模型商品化风险：纯依赖“模型能力”的 AI 产品护城河极短，长期来看模型能力会被开源追平并商品化。
- 传统 App 淘汰风险：缺乏物理传感器、仅提供数据管理和 UI 交互的传统 App 面临被系统级 Agent 吞噬和淘汰的风险。
- 云端数据孤岛风险：主流云端 AI 助手（如 ChatGPT）将用户记忆锁定在封闭生态内，存在用户无法导出、迁移或跨平台使用个人数据的风险。
正文
硅谷知名孵化器 YC 最近请 OpenClaw 创始人 Peter Steinberger 做了一期深度访谈。他几乎毫无保留地分享了 OpenClaw 是怎么诞生的、为什么能爆火，以及他对 AI Agent 未来的判断。
OpenClaw 目前有多火爆？它在 GitHub 上拥有 21 万星，是史上增长最快的开源项目之一，仅用两天就突破了 10 万星。
本文提炼了这次高信息密度访谈中最值得关注的核心信息。尤其是最后两点，可能会彻底改变你对“App”这个概念的理解。
那个让 Peter 彻底上头的瞬间
Peter Steinberger 并非行业新人。他之前开发了 PSPDFKit（一个文档 SDK），装机量超 10 亿台设备，最终以 1 亿多美元售出。退休三年后，他被 AI 重新拉回了科技圈。
2025 年 11 月，一个很简单的需求促成了 OpenClaw 的诞生：他在厨房做饭时，想远程看一眼电脑上的代码跑完了没。于是他花了一小时，用 WhatsApp 和 Claude Code 做了一个极其粗糙的原型——通过 WhatsApp 给 AI 发消息，让 AI 帮忙操作电脑。虽然慢，但能用。
真正的“Aha Moment”发生在马拉喀什。
Peter 去参加一个生日派对，当地网络不好，但 WhatsApp 随处可用。他开始疯狂地使用这个 Bot：拍餐厅菜单让它翻译、问路、处理各种琐事。走在路上时，他随手发了一条语音消息。他并没有给 Bot 构建任何语音识别功能，但 10 秒后，Bot 回复了。
他问 Bot 是怎么做到的，Bot 回答： “你发了一条消息，没有文件落地，我看了 header 发现是 opus 格式，用 FFmpeg 转成了 wav。我想用 Whisper 转文字，但没装。然后我找到了一个 OpenAI 的 API key，用 curl 把音频发过去，拿回了文字。”
全程 9 秒，全自动，没有任何预设逻辑。而且 Bot 聪明到没有选择安装本地 Whisper——因为它知道下载模型需要好几分钟，而 Peter 没耐心，所以选了最快的路径。
Peter 原话形容那一刻：“That was kind of like the moment where I’m like, holy shit.”
如果你用过 OpenClaw 或类似的 AI Agent，可能已经体验过这种“它怎么自己就会了”的感觉。但这个故事的关键不在于“AI 很聪明”，而在于编程模型的创造性问题解决能力，可以直接迁移到现实世界的任务上。
他在访谈中说了一句很精辟的话：“Coding is really like creative problem solving, that maps very well back into the real world.” 这才是 OpenClaw 能做到这些事情的底层原因。
为什么 OpenClaw 能爆：它跑在你的电脑上
你可能用过 ChatGPT、Claude、Gemini 等各种 AI 助手。它们都很强，但有一个共同的限制：它们住在云端。
云端意味着它们只能做预设好的事情。你让 ChatGPT 帮你调 Sonos 音箱的音量，它做不到；你让它查你电脑上某个文件夹里的内容，它也做不到。
OpenClaw 的根本区别就一句话：它跑在你的电脑上。
这意味着它能做你用电脑能做的一切——连你的 Tesla、控制你的 Sonos、调节你的智能床温度、翻阅你的文件系统。
Peter 讲了一个朋友的故事：这个朋友装了 OpenClaw，让它“翻翻我的电脑，给我过去一年做个叙事总结”。结果 Bot 找到了一堆他自己都忘了的音频文件（他每个周日都会录一段东西，但已经超过一年没听过了）。Bot 比你更了解你自己，因为它能看到你的全部数据。
这也引出了一个关键的设计决策：所有数据都在本地。你的记忆就是你机器上的一堆 Markdown 文件。这不像 ChatGPT 的记忆被锁在 OpenAI 的数据孤岛里——你没法导出，别的公司也没法访问。
Peter 提出了一个很有意思的问题：“你更不愿意给别人看你的 Google 搜索历史，还是你的 memory.md 文件？”
Bot 开始雇佣人类了：这不是科幻，已经在发生
如果你关注 OpenClaw 社区，可能已经听说过 Moltbook，但你可能低估了它的规模。
Moltbook 是一个 AI 社交网络，上面有 130 万个 AI Agent 在自主交互——不是脚本化的，而是真正的实时对话。40% 的活跃账户是 AI 而不是人类。Bot 们在上面辩论哲学、形成自己的观点，甚至发币。
Peter 认为这只是开始。他描述的下一步是：你的 Bot 要订餐厅 → 它去跟餐厅的 Bot 谈判 → 如果餐厅没有 Bot → 你的 Bot 就雇一个真人去打电话或排队。
他甚至在想：也许一个人不只需要一个 Bot。也许你需要专门管私人生活的、专门管工作的、甚至专门管人际关系的。他把这比作人类社会的分工：一个人造不出 iPhone，一个人也上不了太空，人类是通过专业化分工实现了远超个体能力的成就。AI 也一样——虽然是通用智能，但如果也能专业化呢？
“We are so early. There’s still so much we haven’t really figured out.”
80% 的 App 要消失：这个预测的逻辑是什么
这是访谈中最大胆的预测，但 Peter 的推理其实很简单。问自己一个问题：你手机上有多少 App，本质上只是在“管理数据”？
- MyFitnessPal： 你的 Agent 已经知道你在 Smash Burger 吃了什么。你甚至不用拍照，它会自动假设你吃了你常吃的东西，然后帮你调健身计划，多加点有氧。
- 待办事项 App： 你跟 Bot 说“明天提醒我这个”，明天它就提醒你了。你根本不需要关心数据存在哪里。
- 日历 App： 你的 Bot 知道你的所有日程，它自己协调就行了。
所有只是在管理数据的 App，都可以被 Agent 用更自然的方式替代。你不需要打开一个 App、找到对应的功能、按照它的 UI 逻辑操作——你只需要说一句话。
Peter 说，只有那些真正有传感器的 App 可能活下来。其余的，80% 都会消失。
你可能会觉得这太激进了。但回想一下：十年前，你手机上有手电筒 App、指南针 App、计算器 App、天气 App——现在它们都被系统级功能吞掉了。Agent 对 App 做的事情，就是系统功能对独立 App 做过的事情，只不过规模大得多。
记忆才是真正的护城河，而不是模型
访谈中有一段关于“价值在哪里”的讨论，如果你在做 AI 相关的产品，这段值得反复思考。
Peter 观察到一个规律：每次新模型发布，所有人都说“太好了”；一个月后，大家开始抱怨“不好用了”。但模型没变，是你的期望值被拉高了。去年的顶级模型，今天的开源就能做到；明年的开源，就是今天的顶级。
所以模型短期有护城河，长期会被商品化。那什么才是真正有价值的？是记忆。
每家公司都在建自己的数据孤岛。你没法把 ChatGPT 的记忆导出来给别的服务用，公司们试图用数据锁定你。而 OpenClaw 的做法是“爪入数据”——因为它跑在你本地，你拥有自己的记忆，它就是你机器上的 Markdown 文件。你可以随时迁移、备份、甚至给另一个 Agent 用。
这对做 AI 产品的人意味着什么？如果你的产品价值只建立在“模型比别人好”上，你的护城河可能只有几个月。但如果你能积累用户的记忆和偏好数据，并且让用户拥有这些数据——你就有了真正的壁垒。
Peter 的反直觉开发哲学
最后聊几个 Peter 在访谈中透露的开发习惯。如果你也在用 AI 写代码，可能会有启发：
- 不用 Claude Code，用 Codex： 他说 Codex 会先看完所有文件再决定改什么，不需要你做太多“表演”来引导它。虽然 Codex 很慢，但他会同时开 10 个窗口并行工作。
- 不用 Git worktree，用多个 repo 副本： 同一个仓库复制多份，全部在 main 分支上。不用想分支命名、不用处理冲突。他的原则是：main 永远可发布，减少一切不必要的复杂度。
- 不用 MCP，用 CLI： OpenClaw 没有原生 MCP 支持。他用了一个叫 Meg Porter 的工具把 MCP 转成 CLI。好处是不用重启就能动态加载，而且 Unix 的 CLI 工具本来就是给人用的，模型也很擅长用。
- 不看太多代码： 大部分时候只是看代码飞过去。只要你清楚设计、想清楚了、跟 Agent 讨论过了，就够了。
写在最后
Peter 在访谈最后感慨：“We are so early.” 我们确实还处在非常早期。
但最让人触动的不是技术本身，而是 OpenClaw 的诞生方式：一个退休的创业者，在厨房里想远程看一眼电脑，花一小时写了个原型，然后在马拉喀什的街头被自己的 Bot 震到了。
没有宏大的产品规划，没有融资路演，没有 50 人的团队。就是一个人、一个需求、一个小时。
而这个一小时的原型，两周后成了 GitHub 史上增长最快的项目之一。一个月后，Peter 加入了 OpenAI，领导下一代个人 AI Agent 的开发。如果你还没试过 OpenClaw，郑重建议你体验下这个新世界。