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。 ;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。 code=xxx4.拿code+state去换取openclaw_channel_token5.再用channel_token换取真正的access_token(JWT),后续HTTP调用都用它"""importrequestsWX_API_BASE openclaw_channel_tokenchannel_token=exchange_code_for_channel_token(guid,code,state)print("openclaw_channel_token:",channel_token)#5. 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。 这位员工没有工位、不领年终奖,却每天24小时盯着17个系统,用0.3秒完成一次跨平台数据搬运——它就是机器人流程自动化(RPA)的最新化身。 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。 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。 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。 后续我将会持续结合企业内真实实践,将数字员工系统内的各个核心模块原理和大家说透。
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。 被回收的员工不会丢数据——workspace全部落到CFS共享存储。5.关键机制3:CFS共享存储+Token不落盘为什么必须做共享存储?这正是"跑在云端容器里"这个前提逼出来的机制。 新模式把整个workspace挂载到CFS(共享文件系统):每位用户名下、每个员工独占一份目录,按users/{account}/employees/{emp_id}/组织,里面分为5个固定区——工作区文件
5、配备工具 工具对于agent来说就像软件和系统对于员工一样——支持行动。 用户调用 API 来查询数据、更新记录或预订会议。需要哪些API?它们可用还是需要开发?哪些权限可确保安全使用? 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。
数字员工系列·配置管理篇运行引擎决定了"员工怎么跑",而配置管理决定了"员工怎么来、谁能动、怎么进化"。 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。 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 5.Workload复用池:把"创建"也提速痛点:前面《运行引擎篇》已经把"对话时的冷启动"压了下去,但"创建员工"这一步仍然是个相对重的操作——在云端容器环境里要新建CFS目录、初始化workspace
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。 进入Room后,最有趣的能力是chainingloop:当员工A回答完,按SOP应该轮到员工B时,引擎会自动让B接着发言,最多接力5跳(MAX_BOT_HOPS=5)。 为了避免循环(A@B、B@A无限),引擎做了:跳数硬上限MAX_BOT_HOPS=5;同一员工同一回合不重复触发;@不到任何角色或角色不响应时自动收敛。 /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”, 我告诉它每一步“点什么、输入什么”,让它先小范围试一下——只循环执行5个供应商。 结果第一轮跑下来,5张截图里有3张都是不完整的,有的只截到了页面头部,有的把登录页也给截进去了。 就这样,我问一个问题,它给出一个解决方案,我再试,再问,再改——差不多来回折腾了十几轮,5个供应商终于全部合格了。 但真正的考验在后面。
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"。 5.第三层·SOP:优质经验,可分享,可持续优化这一层是我们当前正在落地的能力,也是把"记忆"从"个人专属"升级到"组织资产"的关键一跃。 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。 5.第④段:Skill/MCP引用层Token鉴权最后一段是整套鉴权链路最容易被忽视、却最容易出事的一段——每一次工具/技能调用都要决定带哪一把钥匙出门。 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。
③ 窗口期只剩 12–24 个月——先拿下 3–5 个可背书标杆,比纠结技术路线重要十倍。 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。 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。 3 运维 / SRE 数字员工 资本已用钱投票(贝联珠贯亿元 A 轮)。告警降噪+根因分析+自动化处置,7×24 刚需。 4产线 / 质检 / 设备诊断 国资委清单正中心。 窗口期内要完成:3–5 个标杆 + 可复用 Skill 资产库。" 结语 AI 时代的淘汰机制,不是"被 AI 取代",而是"被会用 AI 的企业取代"。
而它能稳定、流畅完成各类复杂龙虾任务的核心,就是搭载了全球首个龙虾专属大模型 GLM5-Turbo。 安装 官网下载安装包,便可以一键运行。 让龙虾工作更流畅,工具调用更稳、指令遵循更强、长任务持续执行不中断。让 Agent 从玩具变成生产力工具,企业也不再是 "买 token",而是 "雇一个数字员工"。 5.速度:高吞吐长链条任务大幅提速 在处理数据吞吐量大、逻辑链条长的龙虾任务时,大幅提升推理速度和响应稳定性,提速不降质。 接下来,让我们一起体验 GLM5-Turbo 到底强不强。 而这来源于GLM5-Turbo 超强的「复杂指令拆解与多步骤执行能力」。 日常办公 作为合格的牛马,GLM5-Turbo支持下的龙虾。可以随时帮我们完成日常办公。 总结 作为全球首个龙虾专属大模型, GLM5-Turbo 在实测中表现很亮眼。
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。 二、2026 年最火的 5 大应用场景 投研自动化:券商实测可自动抓取公告、写研报、跑回测。 办公提效:接入飞书/钉钉,定时汇总日报、归纳会议纪要、提醒待办。 维度 轻量应用服务器 Lighthouse 传统 CVM 本地电脑 上手难度 一键镜像,5 分钟完成 需自行装系统 需科学上网、装依赖 网络环境 国内 BGP 优化,免翻墙 需额外配置 需额外配置 价格 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。 一个好的数字员工,要能保证对需求的准确理解、对设计方案的正确设计、对结果的完备自查。能长时间的独立完成任务。这些环节,uni-agent做了大量工作。 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? 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。 超时转人工,数字员工不能把用户卡死。五、进阶:把“助手”变成“员工”能调用工具只是助手。要成为员工,还需要四层加固。1. 岗位说明书(Role Spec)不要写“你是一个有帮助的助手”。 七、落地路线图:12 周从零到上岗阶段目标关键动作1–2 周验证可行性搭骨架,跑通工具调用3–4 周单场景闭环选一个高频、低风险场景5–8 周加固与评测权限、记忆、测试集9–10 周灰度上线小流量,人工并行 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"。 制造业的利润率多数在5%-15%之间。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。 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 五类数字员工各司其职、协同配合,才是工厂真正的"AI团队"。向量空间JBoltAI正是以"数字员工工厂"的理念来构建平台——不是卖你一个聊天工具,而是给你一条能批量制造数字员工的生产线。 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。