我如何替换整个AI代理栈：从OpenClaw到Grok Bot

Grok Bot 与 OpenClaw：为什么我更换了整个代理栈

现在收听YouTube•Spotify•苹果播客

由：

• WorkOS——让你的应用适合企业级，支持SSO、SCIM、RBAC等
• 超级代理——部署处理真实工作的特工队伍

在这期独奏节目中，Claire解释了她为何用Grok Bot替换了整个OpenClaw系统。她介绍了她现在用来管理六个收件箱、协调家庭、审核拉取请求、监控SOC 2合规、支持客户、审核订阅以及购物服装的机器人。

她还分享了如何安全地授权代理采取行动，Grok Bot仍然犯错的地方，以及她如何迁移每个代理而不丢失其个性、上下文或常规的迁移流程。

最大的收获：

1. 代理平台的真正护城河可能是用户体验，而Grok Bot凭借简洁性胜出。Claire技术能力很高。她运行Tailscale，通过SSH连接Mac Mini，甚至构建了一个救援机器人来管理其他机器人。不过，OpenClaw最终变得难以维护。Grok Bot提供了许多相同的功能，产品稳定在线，这足以让她决定迁移所有设备。
2. 把每个机器人都当作新员工来看待，会让代理设计变得容易得多。Claire会给每个Grok Bot赋予具体的名字、职位和范围，就像她为团队招聘时那样。Grok Bot甚至能从名字推断出代理人的角色。创建一个名为“Prody McProd”的机器人，它已经有了自己应该做什么的概念。这种框架使得培养专注的专家更容易，而不是逐渐变成无焦点的通才代理人。
3. 多账户支持对于经营多家企业的创业者来说是一大杀手锏功能。Grok Bot 允许 Claire 连接六个 Gmail 账户，以及多个 Slack 和 Linear 工作区，然后让单个代理跨越所有账户。其他平台才刚刚开始支持这种设置。对于跨多个公司或项目运营的人来说，这决定了一个仅仅有趣的代理，一个真正有用的代理。
4. 为家庭设计的代理应帮助人们减少在电脑上的时间。克莱尔对TradBot的指导原则很简单：如果她必须花时间与它互动，那说明出了问题。它的厨房桌报之所以成功，是因为输出是印刷的、实体的，并且早餐时陪伴家人。将同一份个性化摘要发送到Kindle，提供了另一种将信息带入日常生活的方式，而无需增加额外的屏幕限制工作流程。
5. 批准门在高风险行动中提供了自主权与信任之间的恰当平衡。Claire的客服代理Holly Helpdesk可以处理退款，但未经她批准无法发放退款。当需要退款时，Claire会收到一个按钮，打开实际的Stripe请求。她审核并确认，退款便完成。上线一周内，Holly开始收到未经请求的五星好评。教训不是客服必须对所有事情都经过批准。而是他们应当在低风险工作中独立行动，并在后果有意义时介入真人。
6. Grok 默认的书写风格过于压缩，因此需要对用户声音进行明确训练。虽然Claude经常写得太多，但Grok Bot却遇到了相反的问题。它对句子的删减过于激进，导致文字变得支离破碎且难以跟上。Claire通过让它研究她发送的邮件并在代写前创建详细的语音档案来解决这个问题。有了这个上下文，它能够处理低风险的外发通信。
7. 一个好的合规代理应该解决问题，而不仅仅是报告。Claire的SOC 2代理Lockdown登录控制仪表盘，扫描问题，调查新漏洞，并在通知她之前打开拉取请求并提出修复方案。Claire负责审核和批准变更，但底层工作由代理负责。更广泛的机会是让AI主动改善公司的合规态势，而不仅仅是生成另一份任务列表让别人完成。
8. 有结构的迁移流程让切换代理平台感觉安全且可逆。在克莱尔关闭任何OpenClaw特工之前，Lifeguard导出了一个无秘密档案，包含每个特工的身份、计划任务和网关配置。她将这些文件夹上传到Grok Bot中，Grok Bot实际上进行了大脑移植。特工们带着他们的个性和职责完整返回。因为迁移保留了她回去所需的一切，切换平台风险大了许多。
9. 客服主动性必须有意识地安排。OpenClaw的心跳功能让代理感觉自然主动，而Grok Bot则保持被动，除非用户创建例程。好处是透明：每一个重复动作都能在设置中可见且易于审计。权衡是用户必须有意识地决定每个代理何时行动。没有这些常规，即使是高能力的代理也会等待有人发消息。

本期博客及详细工作流程演示：

Grok 机器人代理模板与工作流程：https://www.chatprd.ai/how-i-ai/grok-bot-agent-templates-and-workflows

↳ 如何打造个人AI造型师来策划你的衣橱：https://www.chatprd.ai/how-i-ai/workflows/how-to-build-a-personal-ai-stylist-to-curate-your-wardrobe

↳ 如何创建一个由人工智能驱动的家庭报纸和物流协调员：https://www.chatprd.ai/how-i-ai/workflows/how-to-create-an-ai-powered-family-newspaper-and-logistics-coordinator

↳ 如何用五星级AI代理自动化客户支持：https://www.chatprd.ai/how-i-ai/workflows/how-to-automate-customer-support-with-a-5-star-ai-agent

打造你自己的公司大脑：Stripe工程团队的企业AI操作手册 |沙拉德·克里希纳穆尔蒂

现在收听YouTube•Spotify•苹果播客

由：

• DX——人工智能时代的工程智能
• 超级代理——部署处理真实工作的特工队伍

沙拉德·克里希纳穆尔蒂是Stripe的一名工程经理，他帮助公司内部AI代理Kai在短短两周内与1.5名工程师组成的团队共同打造。在本期节目中，他解释了Kai如何成长为每周超过10,000名员工服务，为什么在公司内推广AI最终会成为治理问题，以及Stripe如何利用项目、技能、工具政策和人工监督来保持代理的有用性和安全性。

他还分享了代理几乎压垮生产系统时发生了什么，Stripe如何管理超过2,000项技能库，以及为什么强大的数据和开发者基础设施远比单纯选择最佳模型更重要。

最大的收获：

1. 将人工智能引入大型企业最难的不是模型本身，而是治理。当Sharadh和同事开始构建Kai时，他们很快意识到，让每个员工都能接触到AI并不是主要的技术挑战。真正的工作是教系统如何运作一个复杂的全球公司。这就是为什么Kai最具特色的功能，包括项目、工具政策和技能路由，都是为了管理访问和行为，而不是改进底层模型。
2. 项目是团队如何使用AI的配置层，而不仅仅是用于组织工作的文件夹。在Kai中，一小群有经验的员工可以选择默认模型，批准可用工具，并定义哪些操作需要整个团队或工作流程人工审核。其他所有人则会自动获得正确的设置。例如，Stripe的人力资源项目运行在一个独立的安全后台，并严格控制工具访问，防止敏感员工数据泄露到公共文档中。
3. 在人工智能繁荣之前建立的基础设施，一旦代理到来，价值就更加大。Stripe已经投资了分层分析目录、坚韧的Trino查询引擎以及为人类开发者打造的可信度量层。同样的基础现在让代理能够在大规模上安全可靠地查询数据。Sharadh的激进建议是，在大量投资代理之前，应将开发者体验和数据团队规模扩大一倍。没有强大的基础设施，即使是最聪明的代理也会面临困难。
4. 代理放大了公司系统中已存在的每一个弱点。Sharadh 认为代理并不制造全新的问题类别。相反，它们会大幅增加现有问题的数量和严重程度。Stripe 认为代理行为不可预测，导致核心系统不堪重负，几乎导致生产瘫痪。更好的提示不足以解决这些问题。Stripe 需要代理专属身份、优先信号、负载削减，以及能够吸收额外需求的查询层。
5. 技能是将AI助手变成可靠基础设施的关键。Kai 允许任何员工将成功的会话转换为可重复使用的技能。每个技能都包含运行时间的指导、为 Kai 系统编写的规范，以及用于发布前测试的编辑器。Stripe 目前拥有大约 2,000 项技能，其中公司每天使用约 50 项。由于 Kai 自动选择合适的技能，员工只需描述所需内容，而无需学习系统的工作原理。
6. 在技能方面，数量是质量问题的一部分。每增加一项技能，系统检索池中的信息都会增加，而无关上下文会降低结果质量。Stripe构建了遥测技术，区分公司内使用的技能、小型团队使用的极具价值的工作流程，以及几周未动的工具。这些数据帮助团队提升、合并或淘汰技能，同时保留有用的细分工作流程。
7. 只要基础扎实，小团队就能快速构建企业AI平台。Sharadh 和一位同事仅用两周时间就创建了 Kai 的第一个可用版本。一次全公司演示引发了应用率的急剧上升，目前该平台每周有超过 10,000 名员工使用，采用率高达 86%。如今管理它的人不到 10 人。这种规模之所以能实现，是因为团队得到了编码代理的支持，并且多年投资于 Stripe 内部基础设施。
8. 最好的企业AI产品会向使用者隐藏组织复杂性。Kai 在员工眼中看起来是一个单一、直接的产品，但它由多个可配置层构建，旨在适应不同的团队、数据类型和安全需求。员工无需决定启用哪个连接器、选择哪个模型，或工具是否适合他们所处理的信息。移除这些决策不仅提升了采用率，还能减少因批准路径过慢而绕过防护措施的诱惑。

本期博客及详细工作流程演示：

Stripe如何打造Kai：数据仪表盘、可重用技能与企业AI治理：https://www.chatprd.ai/how-i-ai/how-stripe-built-kai-data-dashboards-reusable-skills-and-enterprise-ai-governance
↳ 如何用自然语言AI代理实时创建自定义数据仪表盘：https://www.chatprd.ai/how-i-ai/workflows/how-to-create-a-custom-data-dashboard-on-the-fly-with-a-natural-language-ai-agent
↳ 如何将一次性的AI聊天会话转变为团队可重复使用的工作流程：https://www.chatprd.ai/how-i-ai/workflows/how-to-turn-a-one-off-ai-chat-session-into-a-reusable-workflow-for-your-team
↳ 如何通过上下文感知项目控制实施人工智能治理：https://www.chatprd.ai/how-i-ai/workflows/how-to-implement-ai-governance-with-context-aware-project-controls

GPT-6 Astra 真是太棒了——这是我打造的所有东西

现在收听YouTube•Spotify•苹果播客

在这期个人节目中，Claire让GPT-6 Astra经历了一系列涵盖计算机使用、编码、设计、质量保证、硬件和3D开发的真实测试。她分享了Astra如何终于解决了她卡了六个月的ChatPRD功能，无需触键就能操作复杂的生产工具，并逆向工程了一个没有公共API的蓝牙显示器。

她还探讨了该模型能力的飞跃对软件界面、雄心勃勃的个人应用以及那些突然变得可能实现的项目意味着什么。

最大的收获：

1. Astra最大的突破是它扩展了玩家愿意尝试的范围。Claire花了六个月时间尝试为ChatPRD构建产品智能功能，但早期模型因无法在提示中完整解释系统而做出糟糕的架构决策。Astra在首次尝试中完成了90%的完成，随后通过几次后续完成。当原本不可能实现的项目开始成功时，真正的变化不仅仅是生产力;而是雄心。
2. 计算机的使用终于足够精确，能够处理复杂的视觉界面。Claire现在大约90%的时间都没碰键盘。Astra操作了Adio的节点式工作流程构建器，添加了新节点，重新连接逻辑，生成了自定义的潜在客户回复邮件，无需点击任何东西。她放弃了早期模型的类似尝试，因为那些模型缺乏必要的精度。这一差距似乎正在迅速缩小。
3. 基于浏览器的质量保证可能是计算机代理最有价值的应用之一。Astra花了一个小时四十五分钟测试一个分支的竞赛条件和流式边缘情况。它检查了控制台，有意刷新了应用程序，并继续探查故障。这正是人类往往匆忙完成或跳过的重复但重要的测试。代理愿意耐心处理繁琐工作，往往和它的智能一样宝贵。
4. SaaS 回归了，而取消接口的理由正在减弱。“没有UI是下一个UI”的论点假设AI需要通过API或命令行工具直接访问。但如果代理能够可靠地操作视觉软件，产品团队就能选择最能表达产品的界面，而不是完全围绕机器访问进行优化。换句话说，按钮回归了。
5. 硬件破解正成为前沿模型的一个严肃应用场景。Claire花了数月时间尝试使用没有公开API的Divoom Mini 2设备，但进展不大。Astra逆向工程了它的像素算法，构建了一个直播命令行工具，并使她能够直接将剧集信息和图片发送到显示屏上。这不仅仅是一个巧妙的演示。它表明AI能够解锁之前难以定制或文档不足的实体设备。
6. 一次性3D游戏开发正在提升个人软件的天花板。Astra 在 Blender 中基于一个提示，构建了一个功能齐全的芭比风格换装游戏。它还为 Claire 的家庭应用创建了一个 3D 世界，孩子们可以步行去图书馆或池塘，感受自己的情感。这些项目是她用早期型号无法完成的。随着创建互动世界的成本下降，深度个人化的软件开始显得更加实用。
7. Astra 的 AIM 风格 Codex 包装展示了雄心勃勃的桌面开发变得多么易于接近。Astra 一次性构建了一个受 1990 年代启发的 AIM 界面，围绕 Claire 的实时 Codex 线程，配备了活跃写手指示器和离席消息。怀旧感很有趣，但更大的教训是，定制桌面工具和独特的个人软件创意如今触手可及，即使它们永远无法支撑传统开发团队。
8. Astra生产的文物更适合现有品牌，而不是从头开始。当Claire需要缩略图时，设计师不在，Astra会在Flora和Figma内部工作，研究现有工作流程，并匹配既定美学。理解并扩展现有视觉系统的能力，正是成果在制作中有用的关键。一个精致的文物令人印象深刻，但真正看起来属于它的作品更有价值。
9. Astra的定价使得选择合适的任务比减少使用更为重要。每百万输入代币10美元，输出代币50美元，长期的计算机使用和质量保证会话可能变得昂贵，尤其是在输出端。关键在于部署Astra，其额外能力值得高价：顽固的编码问题、复杂的可视化界面和高强度的质量保证工作。问题不在于模型是否昂贵，而在于任务是否足够有价值以值得使用。

本期博客及详细工作流程演示：

GPT-6 Astra 评测：硬件、3D游戏与编程：https://www.chatprd.ai/how-i-ai/gpt-6-astra-review-hardware-3d-games-and-coding
↳ 如何用AI自动化从Flora到Figma的YouTube缩略图制作：https://www.chatprd.ai/how-i-ai/workflows/how-to-automate-youtube-thumbnail-creation-from-flora-to-figma-with-ai
↳ 如何利用GPT-6 Astra自动化CRM中的复杂潜在客户路由：https://www.chatprd.ai/how-i-ai/workflows/how-to-automate-complex-lead-routing-in-a-crm-with-gpt-6-astra
↳ 如何使用GPT-6 Astra破解和控制蓝牙扬声器：https://www.chatprd.ai/how-i-ai/workflows/how-to-hack-and-control-a-bluetooth-speaker-using-gpt-6-astra

如果你喜欢这些节目，欢迎回复告诉我你想了解更多内容：人工智能工作流程、招聘、增长、产品战略——任何话题。

下周见，
伦尼

附言：想让每一期新节目一上线就收到吗？点击你最喜欢的播客应用上的“关注”。