用Lighthouse和腾讯云桌面托管龙虾,7×24小时在线,变成真正的云端数字员工;用QClaw做本地入口和微信入口,把手机、PC统统连进来;既能在PC上用,又能通过腾讯云桌面远程访问。 (2)腾讯云Lighthouse:OpenClaw一键部署的云端虾。 ;支持Linux和Windows双系统,完整桌面GUI体验;适用场景:个人私人AI助手、企业员工统一的AI助手桌面等。 (2)直接在本地机器用QClaw执行Python脚本。 如果你也搭好了自己的云端龙虾工作站,欢迎在评论区留言你的玩法,互相交流、互相抄作业,一起把龙虾玩出花来。
如果今天有人告诉你,一家中型银行把原本需要90天的对账流程压缩到3天,并不是靠裁员,而是多雇了一位“数字员工”,你大概不会惊讶。 01 RPA是什么:从“录屏脚本”到“数字员工”很多人第一次听说RPA时,脑海里浮现的是Excel宏或者早期按键精灵。两者确实同源:用软件模拟人手去点击、输入。但RPA的演进不止于此。 2.决策层:规则引擎、工作流引擎、机器学习模型决定下一步做什么。3.执行层:UI Automation、API Hook、消息队列负责真正去点、去填、去提交。 权限升级则是安全与效率的拉锯:机器人账号需要足够权限才能跑通流程,但IT部门担心“数字员工”成为新的攻击面。目前主流做法是“最小权限+零信任+录屏审计”,每一步操作都有水印和时间戳。 到那时,真正稀缺的是能够定义业务规则、训练数字员工、设计数字孪生的复合型人才——而这,正是当下每一个对RPA感兴趣的人可以提前布局的未来。
Anthropic 出了个叫 ant 的东西,配合托管智能体架构,以后 Claude 会永远挂在线上,谁手里有 API 权限,谁就等于攥着一个数字员工的遥控器,随时可以支使它干活。 这个数字对个人来说也不小, 其实只要 Agent 记忆和 session ID 可被保留, 并不需要实际意义上的资源永远在线, 除非你的会话非常繁忙, 否则 serverless 的架构更好. Stripe 把支付能力封装成几行代码接进去,结果不是所有公司都变成了 Stripe 的员工,而是催生出一大批基于 Stripe 的垂直 SaaS;AWS Lambda 把"计算"变成按次付费的能力,结果也不是 这更像是把工作范围交代清楚之后放手让一个新员工去干、定期看汇报。 这就引入了另一个问题, AI 与人协作的问题, 可参考阅读: 《德说-第524期, 我们与 AI 到底如何共处?》 可以盯着有没有主流的、跟 Anthropic 没有直接关系的第三方软件,真的把这套托管智能体架构当成自己产品里"AI 员工"功能的底层,而且这类案例在半年内明显增多 —— 如果看到了,说明这套生态是真的被打开了
数字员工系列 · 综述篇 本系列共 N 篇,从整体到局部拆解一套企业级数字员工平台的关键模块设计1 写在前面最近半年,"Claw" 是整个行业最热的词。 司内司外做"智能体"、"Agent Team"、"工作流"、“龙虾”络绎不绝,但真正放到企业里去用,真正解决部门或着业务垂类场景过程中就会发现,问题远比 Demo 复杂得多:一个数字员工要常驻吗? 带着这些问题,接下来我们一起来剖析数字员工系统。希望读完后,你能在脑海里画出一张完整的"企业级 数字员工平台"心智地图。 2项目背景与定位2.1 我们为什么要做数字员工先交代清楚这套系统的由来,后面所有的技术选择才有"锚点"。 接下来,我们将带你从关键的一些模块开始,以数字员工平台的实践为例,逐步揭开数字员工这个概念背后的一些核心技术理念。
数字员工系统是团队为了解决内部AINative流程提效而提出的新方向,目标是让AI以"员工"的形态嵌入到每一个具体工作环节。 1.痛点:为什么要做多进程最早的版本是这样的:一个数字员工被1个用户使用=一个Pod。 运维复杂:用户数量x数字员工数量等于Pod数量,K8s集群压力线性上升,节点紧张时调度长尾严重。 2.设计目标:一真人一Pod,多员工多子进程上面三个缺陷的根因其实是同一个:我们把"隔离单元"错误地对齐到了"员工"这个粒度上。 4.关键机制2:懒启动+空闲回收数字员工进程的生命周期由PM(ProcessManager)+Supervisor+IdleReaper三件套管理:具体职责:PM(ProcessManager):唯一对外暴露的
2、任务和计划概要 定义agent的任务和工作流程。 agent需要做什么以及如何做:剧本或例程。定义分步流程是大多数迭代发生的地方,定义关键任务是什么?可能会出现哪些边缘情况?有必须遵守的规则吗? 提示:定义特定用途的工具并实施基于角色的权限,就像为员工提供正确的软件和访问级别以高效、安全地完成工作一样。 通过创建合作agent网络,实质上是在构建一支AI数字员工,能够作为一个协调系统解决复杂的问题,就像一支由熟练员工组成的团队一起解决具有挑战性的项目一样。 员工通过反馈、评论和工作经验来成长——代理也不例外。通过收集反馈(例如用户评分或错误日志)并合并更新,代理可以随着时间的推移改进其行为和性能。 more 安全、运营等 安全性必须是基础——与员工一样,代理也需要 SSO、基于角色的权限和凭证管理等保障措施,以确保他们只访问必要的内容。
建议先读《数字员工系列-综述》与《数字员工系列-运行引擎》。数字员工管理——权限、创建、配置、派生调度引擎决定了"员工怎么跑",而员工管理决定了"员工怎么来、谁能动、怎么进化"。 基于安全可控和知识保护的出发点,我们对数字员工的使用、创建做了严格的角色和权限分层。1.1不是所有人都能使用每一个数字员工都拥有特定的“职能”,而数字员工的创造者可以决定这些职能只开放给哪些人使用。 2.三种"造员工"的方式为什么要设计三条路径,而不是一个"创建"按钮走天下? 方式2:模板派生(开发者/公共模板)模板是这套系统最有意思的设计。开发者写好一个模板后,所有派生自该模板的员工会随模板更新而联动更新。 方式3:从0新建用户可以选择从0到1开始新建一个数字员工,这个过程不依赖于任何已有的模版数据,用户配置好数字员工的基本信息(名称、描述、头像、首选模型等),即进入数字员工的能力挂载配置界面,配置后之后进行调试
建议先读《数字员工系列-记忆体系》,理解SOP与场景的天然闭环。 如果数字员工只能一个个单独用,那用户就得亲自扮演"项目协调人":把A员工的产出复制给B员工,再把B的结论转述给C……这只是把"人和人之间的搬运"换成了"人和多个AI之间的搬运",协作成本一点没省。 一次场景使用大致是这样:2.状态流转场景模板有完整的状态机,保证上线质量:状态谁能看谁能改draft创建者创建者pending_review创建者+审核者审核者approved全员平台管理员archived 3.RoomChaining:多个员工自动接力痛点:把几个员工拉进一个群,并不等于它们会"协作"。 /群聊@一个数字员工,触发场景chainingHTTPpushUrl系统监控告警→POST触发"事故场景"无论上游是企业IM还是自定义webhook,前端拿到的SSE帧字段都是统一的:content(文本片段
今年年初,老板说了一句话,让我整个人都兴奋起来:“未来每个人手下都会有很多个AI员工,你只需要发指令,它们就能帮你把活干完。” 而就在今年三月份,一个叫做“小龙虾”(OpenClaw)的开源AI智能体框架突然爆火,它让AI真正长出了手脚,能够像真人一样操作你的电脑、点开网页、下载文件、发送邮件——那个藏在脑海里的“虚拟员工”,突然就有了落地的可能 案例一:邮件管理,让AI替我处理重复工作 每个月最让我头疼的事情,就是和供应商对账:他们会把账单和发票通过邮件发过来,我得一封一封地搜索供应商名称、下载附件、打开表格核对数字,核对完再回复一句“确认”, 于是我在每一步后面都加了一条“停顿2秒”的指令,再跑一次,一切正常了。 还有一个让我特别有成就感的小发现:截图总是显示不全,页面内容被裁掉了一部分。我反复检查指令,AI自己也查不出原因。 4月2号那天,WorkBuddy全服崩溃了一整个下午,恢复之后还时不时报错;复杂的键鼠操作偶尔还是会因为页面元素识别失败而卡住;目前市面上大多数人用小龙虾做的事情,其实还停留在“信息抓取和整理”这个层面
0.背景:一个团队养不出整个生态先回到出发点:数字员工系统是团队为了解决内部AINative流程提效而做的。 这条线的自然终点,就是把"扩展平台本身"的能力也开放出去——让每个懂业务的开发者都能为数字员工贡献能力,从而把平台从"一个提效工具"升级成"一个能自我生长的提效生态"。 为此,下一阶段我们规划了一个完整的插件体系(PluginSystem):为有开发能力的用户,提供一个数字员工配置培养的灵活开放体系。其能力贯穿整个Agent运行时、会话区、工作区。 4.能力二:工作区自定义界面数字员工的"工作区"目前是CFS共享存储里的一个目录树。 <imagedesc="工作区自定义插件示例:<em>数字</em><em>员工</em>的看板式工作区"src=""/>5.能力三:会话区自定义UI聊天气泡在很多业务场景下都是不够的。
数字员工系列·记忆体系篇一个数字员工如果"对话一关就失忆",那它本质上还是个Chatbot,不配叫"员工"。 建议先读《数字员工系列-综述》。记忆——越用越好一个数字员工如果"对话一关就失忆",那它本质上还是个Chatbot,不配叫"员工"。 2.设计:三层记忆系统为什么是"三层",而不是一个大记忆库? 第三层SOP记忆就是为了解决这个问题,目标是构建持续进化的数字员工与场景生态。 这也是为什么我们说数字员工"会成长"——它不只在你这里成长,还能让整个组织一起成长。
数字员工系列·全链路鉴权体系篇数字员工的每条对话都可能调一次大模型API、调一次外部MCP工具、落盘一段记忆——每一步都伴随成本与风险。 建议先读《数字员工系列-综述》。 背景:为什么数字员工的鉴权格外关键数字员工系统是团队为提升内部AINative流程效率而做的,它的价值恰恰在于替用户去"跑腿"——跨系统地查数据、改状态、拉文档、调模型。 2.第①段:接入网关层——办公区智能网关首先从办公区访问Client页面,智能网关负责携带鉴权信息到网关,合法的内网办公区访问都将会放行,并直达容器Server层。 所以第④段之所以重要,是因为数字员工要替用户串联整个公司的协同工具,而不同协同系统各有各的鉴权体系。
一、趋势判断:L3→L4 关键窗口 先对齐一个共识:别再把"数字员工"当成一个黑箱产品。它本质是一条四层叠加的能力阶梯——每一层在上一层之上补能力,不是谁替代谁。 L2问答型数字员工 · 2023起 大模型做认知理解+知识检索。能答能写,但不主动执行动作。典型:智能客服问答、企业知识库。 L3助手型 Copilot · 当前主流 ★ 嵌入工作流与人协作。 ③ 六个高确定性突破方向(按优先级) 1 招采 / 评标数字员工 中国独有高价值洼地。 2 合规 / 风控审查 壁垒最高、单价最高、粘性最强。破局点:做"检出器"把复核负担降下来,倍率从 1.4x 起飞。 3 运维 / SRE 数字员工 资本已用钱投票(贝联珠贯亿元 A 轮)。 2深水区 3–9 月 切核心业务流程,建企业私有数据 RAG 知识库,试点代码辅助/客服机器人,跑通业务+AI 双打。
一句话看懂 OpenClaw 是一款开源 AI Agent 框架,可本地或云端运行,像“数字员工”一样 7×24 小时帮你盯盘、写报告、回邮件、抓数据、甚至做交易。 ,28 元/月;2 核 4G,58 元/月 同规格约 75 元/月起 电费、维护成本更高 运维 自动快照、防火墙模板 手动配置 完全自理 扩展 一键升级配置,支持容器 需手动升降配 硬件固定 四、10 地域选“广州”,套餐选 2 核 4G(58 元/月),系统盘 60 GB SSD。 点击“立即购买” → 支付 → 3 分钟后实例自动启动。 结语 2026 年的今天,AI 不再是“聊天玩具”,而是能真正替你干活的“数字员工”。腾讯云轻量应用服务器把部署门槛降到“一键”,把成本压到“一杯奶茶”。 现在就开一台 Lighthouse,让你的“龙虾”开始 7×24 小时上班吧!
01 AI把同事"炼"成数字人 最近看到一个很火的话题,让我后背有点发凉。 某地有家公司,一位人事专员离职之后,公司把她的聊天记录、工作文档、交接资料全喂给了AI系统,生成了一个"AI数字人"——这个数字人说话风格跟她一模一样,处理工作也跟以前一样溜。 她以为交接完就完事了,没想到自己的"数字分身"还在公司继续打工。 这件事背后,有个叫"同事.Skill"的开源项目在推波助澜。 它本质上是个AI训练工具——把离职员工在公司留下的聊天记录、工作文档、邮件等数据喂给AI,就能生成一个高度模仿本人说话风格和工作习惯的"数字分身"。 有人说这是"赛博永生",人走了还在给公司打工;有人说这是"数字燃料",员工的经验被悄悄榨干;还有人调侃:下次离职得先把所有数据删干净。 不过,有焦虑就有对策。
像一个无休的、无限耐心的数字员工。uni-agent有很多能力,是其他AI编码工具都没有的。 第二:全程自动化——无人值守想实现更好的数字员工,在通用领域时很难做到的。但在uni-app(x)这个场景,经过DCloud的大量优化,让uni-agent相比其他AI工具更像一个靠谱的数字员工。 所以更多的使用方式,是企业多了一个或多个无休的数字员工,而现有的真人员工,则花费更多精力在如何更好的与这个数字员工的协作上。第三:手机指挥你的数字员工干的咋样了? 不过有3点需要注意:智商不足的AI无法发挥uni-agent数字员工的价值。符合uni-agent要求的AI模型可能只有1、2家。中转站是危险的。 你的数字员工,已经在HBuilderX里等你了。
基于数字员工的合馈制体系设计。 从合弄制开始,引入了数字员工替代传统员工,进化到合馈制模式重新定义了在AI数字员工被引入企业后的组织与组织的生产关系,通过ITPAO方法论定义了一个全数字化的组织型态,人与数字员工可以有机的结合,从而产生更高的效率
二、AI 数字员工的本质:Agent = 模型 + 工具 + 记忆 + 约束很多人把“数字员工”想得很玄。 数字员工和聊天机器人最大的区别,就在第四根柱子。 聊天机器人可以胡说,数字员工不能越权。三、入门第一步:让模型稳定输出工具调用Agent 的地基是 Function Calling。 六、数字员工的分级演进级别能力人类介入程度L1 问答回答知识库问题全部人工执行L2 建议给出处理方案人工确认后执行L3 执行自主调用工具完成任务关键节点审批L4 自治端到端负责一个岗位异常升级务实建议: 绝大多数企业应该停在 L2–L3。 想清楚这一点,你才真正拥有了一个数字员工,而不只是一个会聊天的程序。
核心就一个:绝大多数企业搞的所谓"AI应用",根本不是数字员工,顶多算个聊天机器人。数字员工≠聊天机器人。 聊天机器人是"你问我答",数字员工是"你交代任务,它干完交付"。 一个经验丰富的售后工程师,培养周期2-3年,月薪1.5万起步,而且能同时处理的问题极其有限。企业不是不想招人,是招不起、留不住、养不快。过去靠系统,但系统不会"理解"。 传统做法 vs 数字员工做法维度传统做法数字员工做法客户咨询处理人工查系统→手写回复→可能漏单数字员工自动检索知识库→生成专业回复→同步工单系统生产异常响应班长发现→上报车间→等人来处理数字员工实时监控异常数据 Q:我们的数据很乱,能上数字员工吗?这正是你需要数字员工的理由之一。数据乱,靠人整理更慢。 如果走平台化部署,基于现成模块配置,周期可以压缩到1-2个月,投入也大幅降低。Q:数字员工会"胡说八道"吗?大模型的"幻觉"问题是真实存在的。
好的数字员工得“扛得起事”,找得到活、交得出活。这两类产品面向的对象不同,却呈现出一个共同方向:Agent 与使用者的关系,开始跨越一次问答,延续到多次任务和日常协作中。 其中,Claude Tag 带出的一个问题尤其值得关注:数字员工为什么需要进入工作流、参与团队讨论?对于 Data Agent,又有什么借鉴和启发? Context,是数字员工的工作现场“按刚才讨论的方向,明天把分析给我。”在人与人的办公协作中,这句话往往足以推进工作。因为分析师参加过会议,知道问题的来由,也听到了讨论中的补充与分歧。 数字员工上岗,FDE 也要跟着到岗不过,上述过程能够顺利开展,有一个前提:企业的环境已经具备让 Agent 工作的条件。现实中,这些条件往往需要 FDE 与客户一起建设。 未来组织能力强不强,将越来越体现在:能否定义值得解决的问题,找到合适的数字员工,并判断它们交付的结果是否真正推动了业务。