# 高密技术突破奖分享 · 内容规划 v5

> 60min 业务分享。
> **标题**：《从云服务器到 AI 时代的"数字身体"——Lighthouse OpenClaw 装机背后的产品思考》

---

# 〇、整场讲述的逻辑（先把骨架交代清楚）

## 0.1 一句话故事

> 一个公司里最"low"的产品，在 9 年长跑之后，意外地成为了 AI 时代最贴身的基础设施。这是一个关于错位选择、长期坚持、与"借势"的故事——也是一个关于：**当所有人都从 pets 开始养私人 Agent，最终却必然回归 cattle、回归云**的故事。

## 0.2 全场的逻辑流（v5 关键升级版）

```
┌──────────────────────────────────────────────────────────────┐
│  开场                                                          │
│  反差画面：龙虾摊的爆火 × 一个"low"产品的奖                      │
│  → 抛出疑问：这两件事，怎么会是同一个故事？                       │
└────────────────────────────┬─────────────────────────────────┘
                             ▼
┌──────────────────────────────────────────────────────────────┐
│  第一幕 · 困境                                                 │
│  CVM 是"low"产品 → 经营压力大 → 三方向延展（C/H/D）            │
│  三件事都成功，但没解决"离用户远"的根问题                       │
│  ↓                                                            │
│  AI 焦虑来袭：CPU 云服务器还有意义吗？                          │
│  我们的判断：AI 不是打击，是强化——但 CVM 必须重新思考自己       │
│  → 2025/4 起每两周一次的 AI 探讨（埋伏笔）                      │
└────────────────────────────┬─────────────────────────────────┘
                             ▼
┌──────────────────────────────────────────────────────────────┐
│  第二幕 · 突破                                                 │
│  其实 2017 我们就做了关键决定：不卷军备赛，走"高密"             │
│  ↓                                                            │
│  这条路能走通，靠的是借势——AMD chiplet 的密度红利               │
│  ↓                                                            │
│  全栈技术攻坚：硬件→OS→虚拟化→网络→存储→调度（6 层）            │
│  ↓                                                            │
│  调度是核心：我们用 AI 让调度懂业务、会规划                     │
│  ↓                                                            │
│  9 年长跑：扛过同行不理解、客户不接受、内部质疑                 │
│  ↓                                                            │
│  小红书弯路：独家创新者的"不信任"，至今未完全解决               │
└────────────────────────────┬─────────────────────────────────┘
                             ▼
┌──────────────────────────────────────────────────────────────┐
│  第三幕 · 惊喜                                                 │
│  高密留下大量"几乎免费的"小规格资源                              │
│  → 帕鲁第一次破圈（C 端"良心云"）                               │
│  → 龙虾装机大爆发（普罗大众第一次有了"私人服务器"）              │
│  ↓                                                            │
│  揭示伏笔：龙虾摊 = 高密技术的另一面                            │
│  没有 9 年的长跑，就没有 3 月 6 日的龙虾摊                      │
└────────────────────────────┬─────────────────────────────────┘
                             ▼
┌──────────────────────────────────────────────────────────────┐
│  第四幕 · 展望（v5 重写版，逻辑链自上而下）                     │
│                                                                │
│  ① 业界对龙虾热的两种错估                                       │
│    乐观派"装机会延续"  ×  悲观派"昙花一现"  → 都错              │
│  ↓                                                            │
│  ② 真相：龙虾热会过去，但 AI 焦虑不会过去                       │
│    底层是"普惠 AI 算力"的渴求                                   │
│  ↓                                                            │
│  ③ 那 OpenClaw 是终极形态吗？借云行业一条老规律答这个问题       │
│    Cattle vs Pets：所有创新都从 pets 开始，但终将回归 cattle   │
│    OpenClaw 是个人的 pets；企业的 cattle 必然到来                │
│  ↓                                                            │
│  ④ 但 cattle 化 ≠ 把 OpenClaw 装到云上                         │
│    Moltbot 启示：方向对（大脑/躯体解耦），但过度承诺反噬         │
│    通用即妥协，专业才能赢                                       │
│  ↓                                                            │
│  ⑤ ClawPro 的定位由此而生                                      │
│    取积极一面：工作流和数据中引入 AI（确定性可衡量）             │
│    避风险一面：不做"什么都能干"的全权 Agent                      │
│  ↓                                                            │
│  ⑥ ClawPro 回答两个 B 端真问题                                 │
│    a. 怎么跟 B 端用户讲 AI 与云的关系？                         │
│    b. 企业 AI 创新的下一步怎么走？                              │
│  ↓                                                            │
│  ⑦ 三方向在 AI 时代的再定义                                    │
│    computing 转 GPU；hosting 反被强化（cattle 承载）；          │
│    developing 走向 ClawPro                                    │
│  ↓                                                            │
│  ⑧ 业界观察 = 我们的差异化机会                                 │
│    所有人都盯 GPU，友商几乎停掉了非 GPU 投入                    │
│    —— 这恰恰是我们 9 年长跑的回报场                              │
│  ↓                                                            │
│  ⑨ 团队的三件 AI 实践                                          │
│    a. 产品级 AI 实践列表                                       │
│    b. 架构师团队 AI native 转型（L1/L2/L3）                    │
│    c. token 治理：帮助大于管理（Harness 是为了让员工更满意）    │
└────────────────────────────┬─────────────────────────────────┘
                             ▼
┌──────────────────────────────────────────────────────────────┐
│  收尾                                                          │
│  一件没想清楚的事：如何衡量 AI 提效？如何让效果可复制？          │
│  几句大白话总结（不显式提方法论，让听众自己悟）                  │
│  压轴两联金句：数字身体 / 创新成本足够低                          │
└──────────────────────────────────────────────────────────────┘
```

## 0.3 听众应该带走的三件事（不显式列）

通过整场叙事，听众会自然得出这三件事——**讲述时不点破**，让他们自己合上：

1. **赛道之外有空间**：当所有人都在卷同一个维度，就值得问一句"还有别的维度吗"
2. **回到用户最朴素的需求**：用户从来不买跑分，只买"用合理成本跑住自己的业务"
3. **时间是最被低估的复利**：把一件事做 9 年，会得到当时看不见的礼物

## 0.4 三条暗线（贯穿全场，不显式说破）

| 暗线 | 起点 | 终点 |
|---|---|---|
| **产品观主线**：computing / hosting / developing 三方向 | 第一幕 三方向初次延展 | 第四幕 三方向在 AI 时代的再定义 |
| **产品故事主线**：龙虾摊 ↔ 高密技术 | 开场反差画面 | 第三幕末尾揭示伏笔 |
| **演化主线（v5 新增）**：从 pets 到 cattle | 第三幕末尾"私人服务器破圈" | 第四幕"OpenClaw → ClawPro" |
| **情感主线**：长跑的礼物 | 自我介绍"2017 又累又没故事" | 收尾"时间会给你看不见的礼物" |

## 0.5 时间分配（v5 微调）

| 段落 | 时长 | 起止 |
|---|---|---|
| 开场 | 4 min | 0:00–0:04 |
| 第一幕 困境 | 7 min | 0:04–0:11 |
| 第二幕 突破 | 17 min | 0:11–0:28 |
| 第三幕 惊喜 | 9 min | 0:28–0:37 |
| 第四幕 展望 | 20 min | 0:37–0:57 |
| 收尾 | 3 min | 0:57–1:00 |

---

# 一、开场 · 4 min

## 1.0 钩子（30 秒）

**视觉**：腾大广场龙虾摊的照片（保安护场或长队那张）

**讲稿**：

> "今年 3 月 6 日上午，腾大广场。
>
> 500 张号码牌。第一位排队的同事，早上 7 点就到了。
>
> 那一天，腾讯云一个叫 **Lighthouse OpenClaw** 的产品，被 4-5 倍的流量打爆。
>
> 那一天，腾讯股价拉了 7 个点。
>
> 那一天，48 小时之内，百度、天翼、阿里、火山、京东，全部跟进了同样的服务。
>
> 那一天，连摆摊的我都没想到——我们做的是公司里最'low'的产品。"

## 1.1 自我介绍 + 埋伏笔（2 min）

**讲稿**：

> "我是 lili，腾讯云计算产品的负责人。
>
> 我从 2017 年开始负责 CVM 这个产品线。
>
> 那年我接手这块业务的时候，心里其实有一句话——'**这活儿又累、又没什么故事好讲**'。
>
> 9 年过去了。这 9 年里，我们做了一个看起来毫不起眼的决策——把 CPU 主频降下来，把核心数堆上去，走'**高密**'路线。
>
> 这是一个经营层面的差异化选择。当时谁都不知道这个决策意味着什么。
>
> 直到 2025 年，AI Agent 时代真的到来——我们才意识到，这个 9 年前的决策让我们歪打正着，给 AI 时代准备好了一具'**数字身体**'。
>
> 这个奖、这场分享，跟 3 月 6 日龙虾摊那张照片，**是同一个故事的两面**。"

## 1.2 听众价值预告（30 秒）

**讲稿**：

> "你今天会听到三件事：
>
> 一、一个看起来很'low'的产品，怎么找到它的第二条命；
>
> 二、一支技术团队的长跑——以及长跑给我们的礼物；
>
> 三、AI 时代我们看到的产品观与组织观——以及 ClawPro 这条线为什么是 CVM 离用户最近的一步。"

---

# 二、第一幕 · 困境 · 7 min

## 2.1 云服务器的"low"（1.5 min）

**讲稿**：

> "先说云服务器这个产品。
>
> 它有三个'最'：用户用云的第一个产品、经营大盘最大的贡献者之一、但**离用户最远**。
>
> 公司里没几个人愿意做云服务器——技术上不性感、经营上产出差。
>
> 客户不会因为'云服务器'本身兴奋。CVM 的好坏，藏在每一个上层产品的稳定性背后，但你看不见。
>
> 我自己刚接手的时候，也心里打鼓——**这个产品还能救吗？**"

> 💡 决策切片：刚接手的纠结。

## 2.2 经营压力 + 三方向延展（2.5 min）

**讲稿**：

> "更让我打鼓的是——从 2020 年开始，云服务器的经营压力越来越大。
>
> 用一句话概括：**毛利率长期承压**，且不是单点问题，是结构性的——
>
> ① 客户群体不对：头部大客户拿到了过低的折扣；
>
> ② 计费模式不对：包年包月占比过低，长尾流失严重；
>
> ③ 使用规格不对：客户买了大规格但没用满。
>
> 我们当然做过努力。从 2020 年开始，我们做了三个方向的延展——这三个方向，是 CVM 这个产品的产品观地基。**今天我希望大家把它们记住，因为它们最后会再出现一次。**"

**视觉（一张三柱图）**：

| 方向 | 含义 | 那时候我们做的事 |
|---|---|---|
| **Computing** | 算力强度 | 异构计算（跟 GPU 结合） |
| **Hosting** | 托管能力 | 分布式云（贴近客户机房） |
| **Developing** | 开发体验 | 轻量云 Lighthouse（让小客户更易用） |

**讲稿（继续）**：

> "这三件事都成功了。但它们都没解决一个根本问题——
>
> **CVM 整个体系离用户依然很远。**"

## 2.3 AI 焦虑：辩证讨论 + 2025 年探索（3 min）

**讲稿**：

> "然后 2022 年底，ChatGPT 出来了。
>
> 整个云行业，所有人都在问同一个问题——**AI 时代，CPU 云服务器还有意义吗？**
>
> 友商们立刻转向了 GPU、HPC、智算中心。看上去 AI 的故事都是 GPU 的故事。
>
> 但我和团队认真讨论了一段时间之后，得到了一个**和主流相反**的结论——
>
> > **AI 对云不仅不是打击，反而强化了云的本质优势。**
>
> 三件事：
>
> ① 稳定性：Agent 7×24 在跑，断线就是事故；
>
> ② 可调度性：海量 Agent 实例，需要弹性、需要随时起、随时灭；
>
> ③ 可组合性：云原生产品组合（CVM + 存储 + 网络 + 数据库）的工程价值，在 Agent 时代被进一步放大。
>
> 但'**云有优势**'不等于'**CVM 已经准备好了**'。
>
> 真正的命题是——**CVM 怎么适配好 AI？**
>
> 与此同时，我们每个人也都在想：作为相关从业人员，我们自己应该何去何从？
>
> 为了回答这两个问题，**从 2025 年 4 月开始**，我带着团队做了一件事——
>
> 每两周一次的 AI 开放探讨与学习。不汇报、不打分、不立项，纯粹的探讨。
>
> 一年下来，我们做出了不少东西（这部分留到第四幕展开）。
>
> 前段时间，我们在深圳组织了一场 Hermes Agent 线下聚会。会后有朋友跟我说——
>
> '你们对 AI 机会的反应，太迅速了。'
>
> 我当时回答她——
>
> > **'我们不是对 AI 反应迅速。我们可能是真的懂 AI。'**"

---

# 三、第二幕 · 突破 · 17 min

## 3.1 拒绝军备赛（2.5 min）

**讲稿**：

> "回到 2017 年。
>
> 那年我们做了一个关键决定。
>
> 云厂商怎么厮杀？AWS 的模式是——
>
> > **每年发布一个新机型，性能比上代好 10%，价格比上代低 10%。**
>
> 这就是云行业的'摩尔定律'。每年都跟。
>
> 但你跟下去会发现一件事——巨头每年扔一个 10%，跟随者要么跟、要么死。**跟跑必死，要么不跟、要么换维度。**
>
> 我们换了个维度——不卷单核性能，卷'**单位空间的算力**'。这就是'高密路线'。
>
> 第一次商业化是 SA1，跟 AMD 合作。"

**讲稿（接 - 平实化的方法论）**：

> "这个决定的逻辑其实很朴素。
>
> 用户买云服务器，本质上要的是什么？
>
> 不是 CPU 主频，不是 SPEC 跑分，不是性能榜单。
>
> 用户要的是——**用合理的成本，跑住自己的业务**。
>
> 从这个最朴素的需求往回推，'密度'就是一个被严重低估的维度——
>
> 同一个机柜放更多核 = 单位算力的电费、机柜费、运维费摊得更薄 = 用户成本下降。
>
> 简单到几乎是常识。但要把它做成产品，要做 9 年。"

> 💡 决策切片：拍板那一晚——"如果不行，我们就死在这里"。

## 3.2 借势的故事：AMD chiplet + 行业类比（2.5 min）

**讲稿**：

> "选了'高密'这条路，能不能走得通，光靠我们自己想是不够的。
>
> 这背后有一个**没人讲的行业故事**——
>
> 2010 年代，AMD 借助台积电在 iPhone 芯片上磨出来的'先进封装'能力，搞出了 chiplet 架构——把多个小芯片用先进封装拼成一颗大芯片。
>
> chiplet 的核心红利是什么？**密度**——同样的封装尺寸、同样的良率，能塞进更多核。
>
> 2017 年，AMD 推出 Naples（EPYC 第一代）。绝大多数云厂商当时还在 Intel 的 Xeon 里安心待着。
>
> **腾讯云是第一批用 EPYC 大规模商业化的云厂商**——SA1 就是基于 Naples。
>
> 后来 SA2（Rome）、一直到今天的 SA9（Turin），我们一路用 AMD chiplet 的密度红利。"

**讲稿（类比的故事）**：

> "顺便讲一个类似的'借势 + 长跑'故事——AWS Graviton。
>
> 2015 年 AWS 收购了一家叫 Annapurna 的以色列芯片公司。3 年后第一代 Graviton 发布——基于 ARM。
>
> 当时业界普遍觉得'小打小闹'。但 AWS 没停。10 年下来——到 2024 年，AWS 新增 CPU 算力的一半以上都跑在 Graviton 上。
>
> 这两个故事的共同点是什么？
>
> **借势 + 长跑 + 错位**——这是 AI 时代之前，半导体和云行业里真正赚到大钱的那一类故事。"

## 3.3 全栈技术挑战：一张图 + 3 个故事（4 min）

**讲稿**：

> "高密两个字说起来简单。但它不是单点技术——它是六层协同。"

**视觉**：硬件 → OS → 虚拟化 → 网络 → 存储 → 调度 的一张全景图

**讲稿（继续）**：

> "时间关系，我挑三件事讲——这三件事，都是业界第一次。"

**故事1：256C 的天花板**

> "传统虚拟化技术里有个 8bit 的中断路由，天然只能支持到 252 核。
>
> 我们突破了这个 8bit。现在腾讯云是**业界唯一**支持 768 核虚拟机的云厂商。"

**故事2：20 分钟 → 1 分钟**

> "高密服务器以前有个尴尬副作用——一台 256 核虚拟机，启动要 20 分钟。
>
> 我们重构了热迁移框架，把它压到了 1 分钟以内。
>
> 这个数字这里听起来很无聊。但请记住它。**它在第三幕会变成关键。**"

> 💡 第三幕"龙虾摊秒级开机"的钩子。

**故事3：故障率 0.55% → 0.12%**

> "高密机型故障率风险更高。我们做了拦截策略 + 散热升级（1U 加 8 根热管）+ 精细化 RAS。
>
> 故障率下降 78%。
>
> 这背后是跟 AMD 1.5–2 年的提前规划。**我们必须比 CPU 厂商更早看见两年后的世界。**"

## 3.4 调度能力：本次奖最核心的部分（5 min）

**讲稿**：

> "技术上还有最后一块——也是这次的奖最核心的部分——**调度**。
>
> 调度是云服务器的'大脑'。
>
> 当一台服务器从 96 核变成 768 核，意味着**一台高密服务器 = 过去 8 台普通服务器**。装错业务，影响的不是 1 个客户，是几十个。
>
> 调度必须升级。我们做了四件事——"

**【调度四件事，PPT 一页布局】**

#### ① 物理拓扑树：让调度"看得见"硬件

> "AMD chiplet 架构下，CPU 拓扑变得超级复杂——不是过去单一的 NUMA Node，而是 **NUMA → CCD → CCX 三层结构**。
>
> 一个 64 核虚拟机，过去在 96 核母机上只有 1 种装箱方案；现在在 512 核母机上有 3.5 万种选择。
>
> 我们把过去的 KV 表，改造成了'物理拓扑树'数据结构——把'枚举扣减'问题转化成'树节点遍历'问题。
>
> 装箱耗时从 180ms 降到 20ms。"

#### ② 交织装箱：让调度"避开"硬件瓶颈

> "AMD 高密架构有个局部性能瓶颈——三个 CCD 共享一个内存 Corner，单 Corner 带宽不够分。
>
> 我们做了'交织装箱'——按 CCD/Corner 交错分配，让每个 32 核虚拟机用 2 个 CCD，避开瓶颈。
>
> 32 核机型的性能从'比上代劣化 16%'，变成'比上代提升 25%'——一来一回 41 个百分点。"

#### ③ 业务画像：让调度"懂"业务（AI 第一次出场）

> "前面两件事是工程优化。第三件事——我们用上了 AI。
>
> 我们做了一个深度学习的双塔模型：
>
> - 时间塔：CPU、内存、网络的时序特征 → 卷积网络 → 512 维向量
> - 文本塔：实例标签、机型族、规格 → BERT → 256 维向量
> - 双向交叉注意力，融合成每个虚拟机的'**业务画像**'。"
>
> 举个例子。**Goto，雅加达的一个客户**。他们 90% 的虚拟机集中在某些机型上。一台母机故障，会影响**近 10 台子机**——一连串雪崩。
>
> 业务画像跑通后，我们做了**反亲和打散**——同一业务的虚拟机分到不同母机。故障影响降了一个数量级。"

> 💡 决策切片：业务画像第一次跑通时——"我们的调度终于'懂'我们的客户了"。

#### ④ 时序大模型预测：让调度"会"规划（AI 升级版）

> "第四件事，是我们正在做的——基于时序大模型，让调度器**预测未来**。
>
> 预测什么？
>
> - 用户什么时候会买、买什么规格；
> - 哪些机型库存会紧张，要提前采购搬迁；
> - 当前的腾挪是不是'无效腾挪'，未来是不是要白费功夫。
>
> 第一阶段目标：挖潜 20 万核资源、提升资源利用率 2 个点；远期目标：减少采购 80 万核。"

**讲稿（小结）**：

> "调度从过去的'贪心策略'，演化到今天的'懂业务、会规划'——
>
> > **AI 不是后来才用的'装饰'。AI 在调度的核心战场，就是高密路线得以走通的关键。**"

## 3.5 长跑的代价 / 长跑的礼物（1.5 min）

**讲稿**：

> "高密的故事起点是 2017 年。
>
> 9 年。从 SA1 到 SA9。单位成本从 100% 一路降到 20%。
>
> 这 9 年我们扛了什么？
>
> - 同行的不理解：'你们这种低主频机型，性能不行'；
> - 客户的不接受：小红书曾经'坚决不用'，两年没下单；
> - 内部的质疑：每年都要在 KPI 会上解释为什么这条路走得通。
>
> 但 9 年的长跑，给了我们一个**当年不知道、今天才看见**的礼物——
>
> > **当 AI Agent 时代真的到来的时候，'低主频 + 高密'，刚好就是它最需要的算力形态。**"

## 3.6 弯路①：小红书"全网独家时的不信任"（1.5 min）

**讲稿**：

> "讲一个我必须分享的弯路。
>
> 走错位路线最大的代价，不是技术做不出来——是当你做出来的时候，全网只有你做了，**用户不知道怎么相信你**。
>
> 小红书第一次评估我们的高密机型——拒绝。
>
> 第二次——拒绝。
>
> 拒绝了两年。期间我们差点放弃。
>
> 那两年我经常问自己——这条路是不是真的错了？
>
> 我们做了什么？深入到客户场景做调优，每周对齐数据陪跑了一年。最后做对比测试：SA9 vs SA4 业务 RT 相当、QPS +42%。反馈是两个字——'真香'。2025 年底，我们在小红书的规模反超阿里云。
>
> **但我必须诚实地说——'独家创新者的不信任'这个问题，我们到今天也没完全解决。**
>
> 还有大量客户停在'高密机型 = 性能差'的旧认知里。这是错位路线的代价——**你成为了第一个，但你也成为了唯一一个解释自己的人。**"

---

# 四、第三幕 · 惊喜 · 9 min

## 4.1 副产品的诞生（1.5 min）

**讲稿**：

> "高密做出来之后，我们发现一件意料之外的事——
>
> **超强的调度能力，给我们留下了大量几乎免费的小规格资源。**
>
> 业界资源利用率：AWS 大约 80%、阿里云 70%、火山 80%，**我们超过 90%**。
>
> 我们手上多出来的'小规格碎片资源'，别人没有。
>
> 但小规格谁要？大客户都不要。中小客户也不太够。
>
> 它们看起来像鸡肋。"

## 4.2 帕鲁战役（2 min）

**讲稿**：

> "2024 年初，幻兽帕鲁来了。
>
> 一个游戏服务器，2-4 核就够。
>
> 当所有云厂商都在冲大客户大订单的时候，**我们用 Lighthouse 接住了帕鲁**——一键开服、5 分钟拉起、价格亲民。
>
> 我们成了那一年的'**良心云**'。
>
> 这是我们第一次意识到——**C 端也可能是我们的客户**。"

> 💡 决策切片：看到帕鲁数据时——"原来 C 端也可能是我们的客户"。

## 4.3 龙虾战役 · 重头戏（4 min）

**讲稿**：

> "帕鲁之后，我们一直在想——'数字身体'这件事，能不能再往前走一步？
>
> 然后是 2026 年 3 月 6 日。腾大广场。Lighthouse OpenClaw 装机摊。
>
> 我们没想搞这么大。本来只是 4 个工作日筹备的、一场纯公益的'装机互助'活动。
>
> 但当天发生了什么？"

**讲稿（数据齐发）**：

> "300 个司内体验福利——15 秒抢空。
>
> 9 点排队，11 点开始，原定 14 点结束——硬延到 17 点。
>
> 来的人横跨 2 岁到 60 岁——8 岁的小朋友、推婴儿车的父母、60 多岁的退休工程师。
>
> 当日 OpenClaw 规模环比 +50%，单日净增是活动前的 5 倍。
>
> 腾讯股价那一周拉了 7 个点。
>
> ClawPro 一周收到近百家 KA 测试申请。
>
> 48 小时之内，百度、天翼、阿里、火山、京东全部跟进。"

**讲稿（彩蛋 + 升华）**：

> "我最喜欢的细节是——
>
> 当天人太多，我们一开始没安排保安，是腾大物业的保安自己冲过来护场的。
>
> 一个人发了一条朋友圈——'**没有号码牌？没关系，我可以等。**'
>
> 那一刻我突然意识到——**云服务器，第一次真正破圈到了普罗大众。**
>
> 普通人第一次拥有了一台属于自己的'**私人助理服务器**'。"

> 💡 决策切片：龙虾摊那天——"我没想过它会是这种样子的"。

## 4.4 揭示伏笔（1.5 min）

**讲稿**：

> "回到分享一开头我留的伏笔——
>
> > 这个奖，跟龙虾摊那张照片，是同一个故事的两面。
>
> 现在我可以揭晓答案了。
>
> 龙虾摊那天，OpenClaw 能扛住 5 倍流量、99.9% 创建成功率，靠的是什么？
>
> 靠的是高密技术留下的**三大底牌**：
>
> ① 秒级创建（还记得我说过的'20 分钟 → 1 分钟'吗？现在已经到 1-3 秒）
>
> ② 小规格富余（一台高密服务器装上千个 OpenClaw 实例，因为我们有 90% 的资源利用率）
>
> ③ 极致调度（业务画像让每个 OpenClaw 都在最合适的位置）
>
> **没有 9 年的高密长跑，就没有 3 月 6 日的龙虾摊。**
>
> 但故事讲到这里，我必须留下一个问题——
>
> > **每个人都拥有一台'私人服务器'，这就是 AI 时代的终极形态了吗？**
>
> 这个问题，留到第四幕来回答。"

---

# 五、第四幕 · 展望 · 20 min（v5 重写版）

## 5.1 业界对龙虾热的两种错估（2 min）

**讲稿**：

> "龙虾摊一炸开，业界出现了两种声音。
>
> 第一种声音，是**乐观派**。说装机热会延续——你看百度阿里全跟进了，普惠 AI 算力的春天来了。我们要再多搞几场活动、再扩大规模、抢占心智。
>
> 第二种声音，是**悲观派**。说这就是一次营销爆款——昙花一现、流量回落，没什么持续价值。
>
> 这两种声音，我们也在听。包括我们团队内部，也有人偏乐观、有人偏悲观。
>
> 但几个月数据回来之后，我们才看清——**两种判断都错了。**
>
> **乐观派错在哪？** 错在把'装机热'当成了'产品热'。流量确实在回落，跟进的友商热度也在退。如果继续按'打爆款'的方式投入，会越投越亏。
>
> **悲观派错在哪？** 错在把'流量回落'当成了'故事结束'。流量会过去，但流量背后真正在涌动的那个东西，没过去。"

## 5.2 真相：龙虾热会过去，AI 焦虑不会过去（2 min）

**讲稿**：

> "我们冷静下来想了想——龙虾摊那天，500 个号码牌、保安护场、8 岁小朋友、60 岁工程师……他们排队装的，**真的是 OpenClaw 这个产品吗？**
>
> 不是。
>
> 他们排队装的，**是他们能找到的、最低门槛的、'我已经在 AI 时代有了一席之地'的证明。**
>
> 龙虾热的本质，是**全民 AI 焦虑**。
>
> > **流量会回落，但 AI 焦虑不会回落。底下涌动的是'普惠 AI 算力'的渴求。**
>
> 这个判断重要在哪？
>
> 它告诉我们——**做一场又一场龙虾摊不是终局**。终局是承接住这股 AI 焦虑底下的'普惠 AI 算力'需求，把它变成产品、变成长期价值。
>
> 那承接的形态是什么？我们走到了一个老问题——
>
> > **每个人都有一台属于自己的'私人助理服务器'，就是终极答案吗？**"

## 5.3 借云行业一条老规律：Cattle vs Pets（2.5 min）

**讲稿**：

> "回答这个问题之前，我想先讲一个云行业 10 年前的老掌故。
>
> 2012 年，云计算先驱 Randy Bias 提出了一个比喻：**Cattle vs Pets**。
>
> 翻译过来就是'**牛群 vs 宠物**'。
>
> 旧时代，每台服务器都是宠物——有名字（'阿毛'、'小强'）、需要精心照料，挂了就心疼。
>
> 新时代，每台服务器都是牛群里的一头牛——只有编号、可随时替换、挂了就再开一台。
>
> 后来 Docker、K8s 把'牛群模式'推到了行业默认。
>
> 但这条规律里**藏着一个常被忽略的细节**——
>
> > **所有的牛群，都曾经是某台电脑上的一只宠物。**
>
> 所有今天看似无情、规模化、可替换的云上服务，最初都来自某个工程师电脑里那只'有名字、需要照顾'的脆弱 Demo。
>
> 创新从 pets 开始；规模化必然回归 cattle。"

**讲稿（应用到当下）**：

> "回到 OpenClaw。
>
> OpenClaw 现在是**每个人手上的一只 pet**——有名字、独享、私有，跑着自己的 Agent，每天需要照顾。
>
> 这是一个非常美好的、刚刚开始的形态。
>
> 但**所有的创新都从 pets 开始，最终都会走向 cattle**。
>
> 今天个人养一只 OpenClaw 当 Agent 宠物，明天每家公司一定会面对**几百只、几千只 Agent 同时在线**的局面——这时候，pets 模式就崩了。
>
> > **个人 OpenClaw 是 pets。企业的 cattle 形态，必然到来。**
>
> 这就是 OpenClaw → ClawPro 这条产品演化路径，最深层的来源。
>
> **不是我们想做 ClawPro，是 cattle 化的需求一定会到来。**"

## 5.4 但 cattle 化 ≠ 把 OpenClaw 装到云上（2.5 min）

**讲稿**：

> "但'cattle 化'这件事，没那么简单。
>
> 不是把 OpenClaw 复制十份装到云上就行了。
>
> 这里我想讲另一个产品——**Moltbot（也叫 ClawdBot）**。它是 Claude Code 之后社区里一个非常激进的产品，思路非常对，但又非常容易看到它的问题。
>
> Moltbot 的核心思路是什么？
>
> > **把 Skill 变成对整个电脑的操作权限——让 Unix 的管道不仅传递数据，还传递意图。**
>
> 它揭示了 AI 时代一个特别重要的架构观——**大脑与躯体解耦**：
>
> - 本地的 Shell、工具、脚本是'**身体**'；
> - AI 是'**大脑**'；
> - 大脑发指令，身体执行。
>
> 这个方向非常对。**但 Moltbot 自己，撞墙了。**
>
> 撞在哪？撞在'**通用即妥协**'这道墙上。
>
> 演示视频里订机票、查天气总是令人心潮澎湃；但真到了'分析三年体检报告'这种复杂私人任务，Moltbot 就懵了。
>
> 用户用着用着会发现一个魔咒——
>
> > **'懂它的人会自己造一个更好的，不懂它的人永远用不明白。'**
>
> 这就是 Moltbot 的'**过度承诺**'——什么都能干的承诺让它出圈，但什么都能干的承诺也让它沉寂。"

**讲稿（升华到 ClawPro 的定位）**：

> "Moltbot 给我们的启示有两条：
>
> **第一条——方向对了。** 'AI 大脑 + 云端身体'是 AI 时代的产品架构基底。这一条，我们要全盘吸收。
>
> **第二条——通用必死。** 让 Agent'什么都能干'是死路。真正能落地的，是**在确定性场景里、围绕真实工作流和真实数据，做专业的 AI 化**。
>
> 这两条放在一起，就定义了 ClawPro 的产品定位——"

## 5.5 ClawPro 的定位：取积极 + 避风险（3 min）

**讲稿**：

> "ClawPro 是这条 cattle 化主线的核心产品。
>
> 我先澄清一件事：**ClawPro 不是另一个企业版 OpenClaw**。
>
> > **ClawPro 不是去造新 Agent，是为企业级 AI 落地提供基础设施。**
>
> 它有两个核心选择——一个'要做'，一个'不做'。"

**视觉（一张表）**：

| ClawPro 的"要做" | ClawPro 的"不做" |
|---|---|
| 在**真实工作流**和**真实数据**中引入 AI | 不做"什么都能干"的全权 Agent |
| 标准化交付：每位员工一个安全隔离的 AI 数字助手 | 不直接给用户'授予 Shell 全权'这种风险敞口 |
| 统一管控：管理员有 cockpit，可以看 token、看权限、看日志 | 不做无法衡量、无法复制的炫技 Demo |
| SkillHub 沉淀团队 know-how | 不做"通用妥协"，只做"专业精确" |

**讲稿**：

> "**要做的部分——**
>
> 在工作流里引入 AI。比如售前架构师写方案、运维写工单、产品做需求分析——这些**确定性的、可衡量的**工作流，是 AI 提效最快、最可量化的场景。
>
> 在数据里引入 AI。让企业的私域知识、CRM、流程系统、内部文档——能被 Agent 调用，但**在权限和审计的边界内**调用。
>
> **不做的部分——**
>
> 我们不会复制 Moltbot 那条"给 AI 一把万能钥匙"的路。原因很朴素——B 端用户不需要奇迹，需要可控。**给企业一个永远不出格的助手**，比给企业一个偶尔奇迹偶尔翻车的天才，要重要得多。"

**讲稿（升华）**：

> "我想说一句，可能有点拗口的话——
>
> > **ClawPro 这件事，本质上和 CVM 的主线，是同一件事。**
>
> CVM 的主线，是'让计算资源对客户更有用'。
>
> ClawPro 的主线，是'让 AI 能力对企业员工更有用'。
>
> 共性是——**让基础设施离用户更近**。
>
> > **CVM 一开始是离用户最远的产品。今天，通过 ClawPro，CVM 离用户又更近了一些。**"

## 5.6 ClawPro 回答两个 B 端真问题（2 min）

**讲稿**：

> "讲到这里，我想切到两个 B 端 CIO/CTO 这两年最常问我们的问题。
>
> **第一个问题——'我怎么跟我的 CEO 解释 AI 与云的关系？'**
>
> 过去 18 个月，CIO 们普遍在被董事会问'你们 AI 转型做到哪了'。但 AI 这个词太大，云这个词又太基础，两者关系讲不清。
>
> 我们的答案是——**云是 AI 的承载，但承载不止是算力。**
>
> 更精确地说：**云是 Agent 的'数字身体'**。算力（CPU/GPU）是身体的肌肉；存储是身体的记忆；网络是身体的神经；调度是身体的呼吸。AI 大脑要长在云上才稳。
>
> ClawPro 把这套话术变成了一个能演示、能体验、能买的产品——CIO 把它带回去给 CEO 看一眼，AI 与云的关系就讲清楚了。
>
> **第二个问题——'我们企业的 AI 创新，下一步该往哪走？'**
>
> 这两年企业 AI 创新的常见路径是：先买几个 license（GitHub Copilot、Cursor）→ 鼓励员工自己折腾 → 不知道效果如何，也不知道下一步是什么。
>
> 这个状态，我们自己也走过。我们的判断是——
>
> > **企业 AI 创新的下一步，不是再买几个工具，而是把工作流和数据治理做好。**
>
> ClawPro 给企业提供的，恰恰就是'**工作流 + 数据'两件基础设施**。在这个基础设施之上，企业自己长出来的那些 Agent，才有沉淀价值、才有复制价值、才有可衡量的 ROI。
>
> 这是 ClawPro 在产品上'承接 cattle 化需求'的具体落点。"

## 5.7 三方向再定义（2 min）

**讲稿**：

> "讲到这里，回到我们一开始讲的三个方向——computing / hosting / developing。
>
> 还记得 2020 年我们的延展尝试吗？
>
> | 方向 | 2020 年 | 2026 年（AI 时代） |
> |---|---|---|
> | **Computing** | 异构计算 | GPU 算力机型（向 GPU 转移） |
> | **Hosting** | 分布式云 | **CVM 高密 + 数字身体（cattle 承载）** |
> | **Developing** | Lighthouse | **OpenClaw（pets 阶段）+ ClawPro（cattle 阶段）+ SkillHub** |
>
> 我想强调一个**反直觉的判断**——
>
> 当 GPU 时代到来，computing 属性大量从 CPU 转移到 GPU 上。
>
> 很多人因此说'CPU 没有未来'。
>
> 但我们看到的恰恰相反——
>
> > **当 GPU 接走了'重计算'的活儿，CPU 的 hosting 属性反而被进一步加强了——它要给海量的 Agent cattle 提供永远在线的'数字身体'。**
>
> 这就是为什么'高密 + 低主频'的 CPU 形态，恰好就是 Agent 时代 cattle 承载的'天选'。
>
> 我们 2017 年走错位路线的时候，没人想到 AI Agent。
>
> 我们只是认认真真把追赶者该走的路走了 9 年。
>
> 但 9 年后回头看——**长跑的礼物，往往在你看不见的地方。**"

## 5.8 业界观察 = 我们的差异化机会（1.5 min）

**讲稿**：

> "讲完三方向再定义，我必须再讲一段我对**整个业界**的观察。
>
> 今天整个云行业，**变得非常浮躁**。
>
> 几乎所有人——包括头部友商——都把 80% 的产品研发资源压到了 GPU 一条线。
>
> 我们看到一个现象：**友商几乎停掉了 GPU 以外的计算产品能力提升**。CPU 机型不更新、调度器不演进、Lighthouse 这种轻量产品基本停滞。
>
> 这就跟当年 AWS 推 Graviton 时整个业界的反应一模一样——'小打小闹'、'不重要'、'反正 GPU 才是未来'。
>
> 但我前面讲过——
>
> > **GPU 接走了 computing，但 hosting 属性会反而被 AI Agent 时代强化。**
>
> 也就是说——**整个业界正在主动让出'cattle 时代的 hosting 主战场'。**
>
> 这恰恰是**我们未来几年最大的差异化机会**。
>
> 当所有人都在抢一条赛道时，**默默把另一条赛道的 9 年功课做扎实，会在某个时刻一次性兑现。**
>
> 这是一个我们已经体验过一次的剧本——它叫 SA1 → SA9 的故事。我们相信，下一个剧本，已经开演了。"

## 5.9 团队的三件 AI 实践（4.5 min）

**讲稿**：

> "讲完了产品和行业，回到我们自己——团队。
>
> 我们团队从 2025 年 4 月开始正式探索 AI，到今天 14 个月。我快速过三件事。"

### 5.9.1 产品级 AI 实践列表（1 min）

**【AI 实践列表 ·初稿，待 lili 增改】**：

| 类别 | 实践 |
|---|---|
| **产品级 AI 化** | 双塔模型业务画像（调度懂业务）、AI Multi-Agent 故障诊断、时序大模型规格预测 |
| **开发体验** | TAT 遥控器、OrcaTerm 监视器、AI 助手、Skill 商店 |
| **个人 / 企业 AI 基础设施** | OpenClaw（个人 pets）、ClawPro（企业 cattle）、SkillHub（技能沉淀） |
| **组织 AI 化** | 架构师 Agent 公约（S0/S1/S2）、四组 AI 同事军团 |
| **学习共建** | 每两周 AI 开放探讨、内部 AI 技能大赛、Hermes Agent 线下聚会 |
| **token 治理** | 双额度体系、模型选型规则、Harness 体系 |
| **方法沉淀** | Vibe Coding、SOP→指令集 改造、知识库双层结构 |

> 💡 这一页留待 lili 后续手工增改。

### 5.9.2 架构师团队的 AI native 转型（2 min）

**讲稿**：

> "三件事里，最深入的就是**架构师团队的 AI native 转型**。
>
> 也是我们走过弯路的地方——
>
> 一开始我以为，给每个人配 Cursor、配 Claude，团队效率就上去了。
>
> **错。**
>
> 三个月后我意识到——
>
> > **个人提效 ≠ 组织提效；组织提效 ≠ AI native。**
>
> 转型分三阶段——
>
> L1 个人提效 → L2 组织提效 → L3 AI 主导
>
> 我们现在卡在 L2，卡在两件硬事——
>
> ① **数据治理**：商机失真、知识散落、过程数据散落。'你之所见即 AI 之所见'。
>
> ② **SOP 重写**：把架构师工作拆成 6 阶段、58 子任务、19 规则。
>
> > **'SOP 不只是写给人看的流程图，更是写给 AI 看的指令集。'**
>
> 现在每个 +1/+2 管理者都配了一个 AI Agent。
>
> > **'工具不需要公约，同事才需要。'**
>
> 现在的状态是——
>
> > **'人下班了，AI 还在干活。'**"

> 💡 决策切片：第一次让 Agent 写周报后的恍惚——"它写得比我还顺"。

### 5.9.3 Token 治理：帮助大于管理（1.5 min）

**讲稿**：

> "最后一件事——**钱**，准确地说，是**token**。
>
> 大家都知道 AI 不便宜。我们做过一个测算：Claude 17.2M tokens 花 ¥111；同样的活，Codex 3M tokens 花 $1.55。差 5.78 倍。
>
> 但今天我想讲的，**不是怎么管控 token**。
>
> 当我们在 ClawPro 框架内开始做 token 治理的时候，我们很快发现一件事——
>
> > **管控不是目的，帮助才是。**
>
> 一个员工如果天天担心 token 花超额、担心 KPI 扣分、担心被审计——他不会去用 AI，更不会去探索 AI。
>
> 而我们这一年最大的收获，恰恰来自于**那些敢于'敞开了试'的同事**。
>
> 所以我们 ClawPro 里的整套 Harness 体系，定位变了——
>
> > **它的目标不是约束员工，是让员工更满意地用上 AI。**
>
> 具体做了三件事：
>
> ① **双额度体系**：探索额度（鼓励试错）+ 生产额度（保障业务）。两条线分开计量，探索归探索，生产归生产。
>
> ② **不卷 token，看产出**：token 用得多不是问题，业务产出小才是问题。我们不考核'用了多少 token'，考核'用 AI 多产出了什么'。
>
> ③ **降阻力**：比起'管 token'，更重要的是'帮员工选模型、帮员工设场景、帮员工写好 Prompt'。我们做了一套 ClawPro 内置的模型选型规则——什么任务用 Codex（性价比），什么任务用 Claude（深度规划），员工不需要懂这些，ClawPro 自动帮他选。
>
> > **'Token 是新时代的电——但电不是用来管的，电是用来发动机器的。'**"

---

# 六、收尾 · 3 min

## 6.1 一件没想清楚的事（90 秒）

**讲稿**：

> "最后留一件我自己也没想清楚的事——
>
> > **AI 提效，到底怎么衡量？怎么让有效的提效，可以复制？**
>
> 这一年我们尝试过很多 AI 提效，有些有效、有些无效、有些当时觉得有效后来发现是错觉。
>
> 但坦白说——直到今天，**我们仍然没有一套足够好的衡量框架**。
>
> 业内的尝试也都不太成熟：DAU/token 量这些指标只看输入；交付速度这些指标受太多干扰；员工自评又不可靠。
>
> 更难的是'**复制**'——A 团队 Agent 用得风生水起，B 团队怎么也学不会，差异在哪？SOP？数据？文化？管理者注意力？我们都还在摸。
>
> **如何衡量 AI 提效，如何让有效的实践可以复制——这是我留给自己的功课，也是留给在座管理干部的开放问题。**
>
> 如果今天分享之后有人能给我一个答案，那我就赚到了。"

## 6.2 几句大白话（60 秒）

**讲稿**（不显式提"方法论"，让听众自己悟）：

> "如果今天的分享能留下点什么，我希望是这三件大白话——
>
> **第一句**：当所有人都在卷同一个维度的时候，记得问一句——还有别的维度吗。
>
> **第二句**：用户从来不买跑分。他们要的是用合理的成本，跑住自己的业务。回到这个最朴素的需求，常常能找到出路。
>
> **第三句**：把一件事做 9 年。**时间会给你你看不见的礼物。**"

## 6.3 压轴金句 · 两联（30 秒）

**讲稿**：

> "最后两句话送给大家。
>
> 第一句——
>
> > **'云服务器不是 low，它是 AI 时代每个人、每家企业的数字身体。'**
>
> 第二句——这是我对'长跑的礼物'最近的理解——
>
> > **'如果创新的成本足够低，那么创新的可能性就会变得非常大。'**
>
> 当你的基础设施厚度足够、能力复利足够、调度足够智能——你的团队、你的客户、所有跟你协作的人，做新东西的成本会变得非常低。
>
> 这才是高密这件事，留给我们最大的礼物。
>
> 谢谢大家。"

---

# 七、PPT / 视觉设计建议

| 关键页 | 建议视觉 |
|---|---|
| 封面 | 龙虾摊照片背景 + 标题 + 副标题 |
| 自我介绍页 | "2017—2026" 时间线 + "9 年 / 又累又没故事" |
| 三方向骨架页（关键复用） | computing / hosting / developing 三柱图，全场出现 3 次（第一幕 / 第四幕 / 收尾） |
| 全栈技术全景图 | 6 层堆叠图 + 3 个高亮故事点 |
| 调度四件事 | 4 宫格（拓扑树 / 交织装箱 / 业务画像 / 时序预测） |
| 龙虾数据 | 数字爆炸式排版（+50%、5 倍、7 个点、48 小时...） |
| 揭示伏笔页 | 龙虾摊 ←→ 高密技术 双向连接图 |
| **Cattle vs Pets 一图（v5 新增）** | 左侧"宠物时代"插画 / 右侧"牛群时代"插画 / 中间一句"所有牛群都曾经是某台电脑上的一只宠物" |
| **Moltbot 启示一图（v5 新增）** | 大脑 + 身体 解耦图 + "通用即妥协" 警告标 |
| ClawPro 核心 | "要做 / 不做" 双栏对照表 |
| **B 端两个真问题（v5 新增）** | 两个 CIO/CTO 视角的引述卡片 |
| **业界观察（v5 新增）** | 友商在做什么 vs 我们在做什么的对照图 |
| AI 实践列表 | 7 类多条目，可视化为生态图 |
| token 治理（v5 重写） | "帮助大于管理" 主标题 + 双额度 / 不卷 token / 降阻力 三柱 |
| 收尾三句话 | 三页朴素排版，每页一句 |
| 压轴金句 | 两页，大字 |
| **主视觉总图** | 一张图把"2017 决策 → 高密 → 龙虾 → AI 数字身体（pets→cattle）"串成一条线（建议委托设计师专门做） |

---

# 八、下一步流程

1. 你 review v5，特别看：
   - **〇.2 的逻辑流图**——v5 第四幕的九步逻辑链是否成立、是否够紧
   - **5.3 / 5.4 / 5.5 三节的承接**——Cattle vs Pets → Moltbot 启示 → ClawPro 定位 这个推导链是否说服力够
   - **5.6 B 端两个真问题**——是否准确传达了你想跟管理干部传达的 B 端价值
   - **5.8 业界观察**——分寸感是否合适（既要点出友商问题、又不能让外人觉得我们刻薄）
   - **5.9.3 token 治理**——"帮助大于管理"的论述是否到位
   - **6.1 开放问题**——AI 提效衡量与复制，作为留给听众的开放问题是否合适
   - **AI 实践列表（5.9.1）需要你手工增改**
2. review 通过后，基于 v5 出**完整 PPT 初稿**
3. PPT 出来后，按模板 18 项自查清单走一遍
4. 分享前 7 天：录一遍演练 + 团队回看
5. 分享前 1-2 天：最后打磨开场和收尾

---

> 整理人：lili / 2026-06-15