从龙虾热到 QoderWake，阿里给 AI 发了一张工牌

作者｜董道力
邮箱｜dongdaoli@pingwest.com

过去一年，国内 Agent 市场经历了几次明显的拐点。

先是各种 Agent 项目它让很多人意识到，AI 不只是一个聊天机器人，而是一个可以拆任务、交付结果的行动系统。再往后，是 OpenClaw 带来的“龙虾热”，当一个 AI 可以接管浏览器、读写文件、执行代码、调用终端，很多人第一次感觉到：AI 不再只是回答问题，它开始真的“动手”了。

但热闹之后，行业很快碰到下一堵墙：会做事，不等于能上岗。

企业满怀期待地给员工配上 Agent 工具，以为效率会成倍提升，结果却发现：每个人都变快了，公司并没有。

一个四十年前的判断，恰好解释了今天的悖论。

1984 年，管理学家高德拉特在《目标》里提出约束理论：系统的产出由最慢的环节决定，优化非瓶颈环节，对整体产出几乎没有帮助。

一个需求从产品提出，到工程师理解，到代码实现，到测试验证，到上线发布，写代码只占其中一段。AI 把这一段从 30 分钟压缩到 10 分钟，但需求评审、上下文同步、权限确认、测试验证、返工修复、文档同步这些环节，并不会自动跟着变快。

慢的地方不再是“谁来写代码”，而是任务怎么流转、信息怎么同步、问题怎么分诊、经验怎么沉淀。

这正是 Agent 行业今天面临的核心问题。

过去大家主要看模型，谁接入了更强的底模，谁就显得更聪明。但现在，模型已经不是唯一变量。真正决定 Agent 能不能进入生产环境的，是模型外面的那套 Harness。

同一个模型，放在聊天框里只能回答问题，放进成熟的 Harness 里，才可能变成一个可以长期工作的数字员工。

4 月 30 日，阿里发布全新 Agent 产品 QoderWake，定位是“生产可用、安全可控、自进化的数字员工”。它不是再做一个“更聪明的 AI 助手”，而是试图回答一个更难的问题：Agent 如何从工具变成岗位。

两者的区别非常大，Agent 工具的逻辑是：用户下指令，Agent 开始工作。数字员工的逻辑是：事件发生，员工自主接手。

比如线上用户反馈来了，数字程序员自动分类问题、读取日志、定位根因、生成修复建议。客户群里出现投诉，数字客户经理先完成分诊、检索历史记录、判断是否需要升级。

这里的关键不是“AI 会不会写一段代码”，而是它能不能长期值守，能不能理解边界，能不能遵守权限，能不能在一次次任务里沉淀经验。

OpenClaw 证明了 AI 可以动手，Hermes 证明了 Agent 可以自我进化，但它们的前提更多是个人场景。

公司场景完全不同， 企业不能把一个高权限 Agent 直接扔进邮箱、代码仓库、客户群里。没有权限边界，越强的 Agent 越危险。

QoderWake 选择的不是给个人 Agent 打补丁，而是从“员工”这个隐喻倒推产品形态。

一名数字员工至少需要六件事：

首先是岗位制，不是通用聊天机器人，而是明确岗位，程序员理解从编码到部署的全生命周期，分析师、客户经理、内容编辑则各自携带专业工作流。

在此之上，是长期身份：员工有持续的“职业身份”，用户可与其长期共事，它知道自己的边界、熟悉团队结构、理解项目历史，每次交互都基于累积的共识，而非从零开始的试探。与长期身份配套的是长期记忆，跨会话、跨任务的持久记忆让它记得你的代码风格、项目背景、历史决策，回应了传统 Agent“用完即忘”的痛点。

光有记忆还不够，还需要技能库，可调用的模块化技能集合，代码审查、日志分析、根因定位，每个技能独立完成单一功能，多个技能可串联成复杂工作流。

能力边界则由权限红线划定，运行在独立权限沙盒里，操作边界清晰，不能越权，给员工发工牌，而不是把全公司的钥匙都交给他。最后一件，是事件触发：不用等用户下指令，监控系统告警、新工单进来、定时任务到了，Agent 自己接手推进。从“人找 AI”变成“AI 主动找人”，这是数字员工区别于数字工具的本质特征。

这六件事合在一起，形成一个可以描述的成长路径：越用越懂你，只是 AI 助手，越用越懂团队、越用越懂公司，才是数字员工。

但“数字员工”终究是个比喻，落到工程层面，它意味着什么？

第一个问题是控制权。现在的大模型太自由了，你让它写代码，它可能顺手把配置文件也改了。QoderWake 的做法是把“想”和“做”拆开。

编排器负责制定计划、把控流程，模型只负责理解意图、推理复杂问题。两者通过一个叫 Session 的独立账本沟通，所有操作、状态、上下文都记在里面。万一某个组件崩溃，重启后翻开账本就能知道做到哪一步、接下来该干什么，不失忆，也不乱来。

执行之后是验证。QoderWake 设计了双层机制：执行器做完先自检，再由独立验证器审查整体结果。验证不通过，自动打回重做，失败原因被记录下来，下次遇到类似情况直接规避。

系统会从多次失败里提炼规律，比如从反复出错的代码审查中归纳出“支付模块的变更必须保持事务结构”。这种经验在单次任务里看不出来，只有跨任务的长期积累才能发现。

QoderWake 给每位数字员工配了独立权限沙盒，每一步操作都进审计日志，出了问题能追溯到具体哪一步、谁授权的。企业最怕的不是 Agent 犯错，而是犯了错找不到根因、追不回损失。

最隐蔽的问题是能力腐化。一个 Agent 刚上线时很灵光，用久了反而变笨，记了一堆过时信息，学了互相矛盾的技能。

QoderWake 用 Critic-Refiner 机制应对：任务完成后系统自动复盘，哪些步骤多余、哪个判断偏了。复盘结果被统一成结构化的学习信号，系统判断这条经验该存进记忆、变成技能，还是写入工作流。

同时定期“体检”，长期未使用的记忆淘汰，互相冲突的技能合并或降级。记住更多不代表做得更好，只有持续清理过的知识，才能转化为真正增长的能力。

这种自我修正，不只发生在记忆层面。QoderWake 的进化是多维的：记忆进化让它越用越懂你，技能进化让它越用越知道哪些工具有效，流程进化让它越用越懂团队，组织进化让它越用越懂公司。四个层次叠在一起，才构成真正的岗位级成长。

从 Qoder 产品矩阵看，进化路线很清晰。

Qoder IDE/CLI 是程序员身边的 AI 助手，解决开发者如何更快完成编码和调试。QoderWork 再往前走一步，把 AI Agent 能力从代码领域扩展到大众办公场景，通过自然语言直接操作本地文件、生成 Office 文档。

QoderWake 又往前走了一步，把能力从“辅助一个人办公”扩展到“承担一个岗位”，7×24 小时值守的数字员工。

从开发者工具，到桌面办公助手，再到数字员工，Qoder 家族正在形成一套完整的 AI 工作体系。

这一定位，恰好落在阿里今天最大的战略版图里，即以Token作为核心，串联大模型、Agent、云等业务板块。

当数字员工开始 7×24 小时处理反馈、分析日志、生成代码等，它消耗的 Token 就不再只是聊天成本，也不再只是 API 调用量，而会变成生产过程本身的一部分。

Token 开始从“技术预算”变成“生产成本”。

站在更长的时间轴上看，这件事的意义不只是一款产品。

未来的公司不会只有真人员工和软件工具，中间会多出一层：数字员工。组织会从“真人员工协作”，走向“真人员工 + 数字员工混编”。过去是把合适的事交给合适的人，未来是把合适的事交给合适的人，也交给合适的生产级数字员工。