杀死“无效”龙虾

gzcom520

 该图片可能由AI生成

作者 | 张弛
编辑 | 方堃
   
2026，全球AI行业正式进入Token工业时代。
4月2日，火山引擎在武汉AI创新巡展上披露：豆包大模型日均调用量突破120万亿Tokens，3个月内翻了一倍。
120万亿的规模让豆包冲上世界前三，但火山引擎总裁谭待却很清醒。他给媒体算了另一笔账：行业里大多数龙虾智能体，有超过一半的Token消耗在了"无谓的探索"上。
这并非夸张。自OpenClaw爆火，很多养过龙虾的用户收获的却是糟糕回忆：漫长的配置、随时崩溃的BUG、 无效的产出、还有烧钱如流水的Token账户。
低效龙虾的泛滥不是技术进步，而是对社会资源的巨大浪费。


01
 一只“无效龙虾”的诞生

一位直播电商创业者向《创智记》分享了公司的最新养虾案例：
该公司业务部门部署了一套智能体系统来处理月度的经营业绩分析：智能体A负责抓取数据，智能体B负责指标分析，智能体C负责撰写报告。
听起来各司其职、分工明确，但结果呢？A误读了表格里的单位（把"万元"当成"元"），B遗漏了关键的现金流指标，C在整合时发现数据"不对劲"，就"善意"地修正了错误——最终生成了一份看起来专业、实则完全失真的报告。
这是当下智能体应用的常态，而并非个案。
子智能体在隔离环境中运行，一个出错不会污染整个系统——OpenClaw的子会话就是这样设计的，即使子智能体搞砸了，父会话可以丢弃那个上下文，重新派一个。
但实际风险在哪？A智能体的输出被B当作前提，但A的错误B检测不出来，每一步的小偏差在多轮传递后放大。
火山引擎总裁谭待告诉《创智记》：“OpenClaw的实现，大部分还没有用到多智能体协同，它本身是一个智能体，只是搭配了Skill，底层可能会划分几个sub agent，但都在一套agent loop的环境中运行，所以准确率衰减的问题并不突出。智能体协作目前还处于早期阶段，真正落地的案例并不多。”

火山引擎总裁谭待

即便是OpenClaw，也尚在技术发展早期，一旦智能体真正实现协同串联后准确率还会大幅衰减。
而龙虾最大的风险，其实是基座大模型的认知盲区，作为协调者，父智能体可能意识不到子智能体在胡说八道。
当父智能体对复杂问题的理解出现偏差，所有子任务从根上就错了方向。一旦出错，你甚至难以定位责任：是规划者的锅？执行者的？还是整合环节出了问题？多智能体系统在错误传导后，往往彻底失去了回溯和纠错的能力。
这就凸显了底座模型能力在多智能体应用落地中的重要性。
智谱CEO张鹏认为，智能上界的提升，是大模型AGI时代唯一的"第一性"。
大模型的智能水平决定了智能体的准确率，还有更隐性的一种情况是，如果底层模型的能力不够，就会消耗大量不必要的Token来处理任务。
除了大模型能力，稳定性和安全也是导致“一只无效龙虾诞生”的重要原因。
行业普遍采取本地部署，最大痛点在于"断网即中断"。无论是电脑设备问题还是系统问题，一个节点掉线就可能导致全链条崩溃；而龙虾对本地系统文件数据的强制删除等误操作，也是用户对OpenClaw常见的一个诟病。
以上种种弊端，火山引擎云基础产品负责人田涛涛总结为：不敢用、用不起、不好用、修不好。
正因有如此多的不确定性，很多龙虾用户不再活跃也就不足为怪了。


02
 市场选择了MaaS

与本地部署的OpenClaw等龙虾产品不同，火山引擎推出的ArkClaw选择了一条"云端托管"的路径。
ArkClaw的方案是：依托火山引擎的基础设施，将子智能体运行在隔离的云端环境中，单点故障可随时重启替换；父会话作为"协调中枢"持续监控，任务状态实时同步，实现7×24小时不间断托管。
"企业用好Agent，有三个关键词——模型、安全与Skills"，火山引擎总裁谭待向《创智记》等媒体总结了龙虾的三个关键要点：“第一，模型是核心，决定了智能体能力的上限和下限；第二，安全是重点，也是用户关注的核心；第三，技能的开放很重要，很多中国开发者访问ClowHub延迟很高，开发很困难，企业客户则困惑龙虾推出后原有工作该如何开展。”

谭待表示，龙虾对Token的无谓消耗，是因为完成任务时有很多无效尝试；豆包坚持回归第一性原理，看产品本身创造的价值，同时在同等级模型中，通过工程和调度优化，做到成本最低。
从底层模型本身来看，豆包大模型持续迭代。春节前发布的豆包2.0，在LMArena榜单上已经超越了很多主流模型，跻身全球第一梯队，国内第一。好的模型是Agent能力的基础。数据显示，其在复杂逻辑推理场景的准确率已突破95%，在Agent与工具调用维度评测中处于领先地位。
市场的反应验证了火山引擎MaaS（模型即服务）模式的战略判断。过去两年，火山引擎MaaS业务增长1000倍，已有140家万亿级Token消费企业客户。自推出MaaS以来，火山引擎是全球唯一一家持续公布Token公有云调用量的云厂商。
MaaS模式的另一个优势是订阅制。多智能体的高频调用，让用户在使用本地方案时"每发一条指令都在心里默算成本"。ArkClaw的固定月费模式，消除"计费焦虑"，鼓励用户大胆拆解复杂任务。ArkClaw还实现了模型的智能调度：简单指令用轻量模型快速响应，复杂分析调用Pro模型深度推理，避免"杀鸡用牛刀"或"小马拉大车"。
据《创智记》了解，MaaS已经成为火山引擎销售最重要的KPI，2026 年MaaS营收目标至少翻 5 倍以上。
据谭待最新透露，按照现在的发展速度，火山引擎1000亿商业化收入目标大概率会提前实现。


03
 “养活龙虾，筛选龙虾”

《创智记》此前在与很多传统企业交流后发现，AI智能体的应用难，难就难在一上来就要搞大工程，投入大、见效慢，需要一把手做决策，但一把手很难被说服，没耐心也很难下决心。
火山引擎MaaS模式给企业提供了两条路走的均衡方案：
ArkClaw是敏态，鼓励一线员工自下而上地探索，用Agent 解决今天的一篇报告、明天的一张海报。这是“养活龙虾”的过程；
HiAgent是稳态，将那些经过敏态验证的、高效的路径，固化为企业资产，形成标准化的流转。这是“筛选龙虾”的过程。
这种逻辑否定了过去那种“先做一个大而全的智能体系统”的旧思路——先别着急改变企业架构这种宏大叙事，而是创建一个真能帮人干活、能解决实际问题的助手。
让听得见炮声的人先试用，让一线员工自己去探索AI能做什么，然后把验证成功的最佳实践沉淀下来，再规模化推广。
谭待的判断是：“AI的发展既要自上而下，也要自下而上，自下而上就是让员工都能使用AI，ArkClaw这类产品就非常适合；自上而下则是像HiAgent这类产品。敏态和稳态不一定需要强行对接，二者是两个并行发展的体系。”
ArkClaw的开箱即用、一键修复这些设计，都是站在用户角度思考的结果。这个思路和字节跳动本身的企业文化一脉相承。一直以来，字节都强调"让业务前线的人做决策"，鼓励一线创新。
在AI转型这件事上，字节把这种方法论复制到了服务企业客户的过程中。
为了帮客户养活龙虾，ArkClaw首先要解决安全问题。
"我们从一开始就承诺不存储任何用户数据，但不能只靠承诺，需要从技术上实现可证明的安全"，谭待表示，“信通院的两项相关认证，ArkClaw是国内第一个且唯一一个同时获得的。”
通过AICC 机密计算架构，火山引擎在模型与数据之间筑起了一道物理隔绝的围墙。只有这种“技术可证明的安全”，才能让龙虾从实验室游进核心业务的深水区。

其次是“长记忆”问题。
ArkClaw 引入了 OpenViking 上下文数据库，任务完成率提升了超过40%，减少了无效重复检索，Token 成本反而降低了 80%。
从实用性出发，火山引擎和 OpenClaw还共同成立了中国官方镜像站，提供了超过2 万个经过筛选的 Skills。 这实际上是在做一场“去伪存真”的运动。通过开源和生态的力量，火山引擎要定义什么是“好用的 Agent 技能”。那些低效的、冗余的工具将被迅速淘汰，而是直接通过镜像站“装配”高效率的零件。
此外，ArkClaw并非"寄生"在飞书上，而是原生融入飞书文档、多维表格、日历等生态。多智能体协作的结果可以直接写入飞书，形成闭环。
在各大互联网巨头都在争夺“智能体入口”的时候，字节跳动的策略显得低调务实：我不抢入口，我抢消耗；我不抢故事，我抢效率。
通过Seedance 2.0等高价值产品，字节正在定义“真龙虾”标准。Seedance 2.0 视频大模型的公测，预示视频生成正从“抽卡式”的艺术创作转向“流水线”的工业化。在广告、短剧、电商领域，这种能精准还原物理规律、高度可控的视频 Agent，是真正能带来现金流的资产。 
结语
万亿Token 洪流中，新世界的秩序正在重构。“杀死无效龙虾”听起来残酷，却是向AGI时代进化的必经之路。
正如早期的蒸汽机大多是笨重且低效的“无效怪兽”，直到瓦特改良了冷凝器，工业革命才真正爆发。今天的火山引擎，试图扮演那个“改良者”的角色，通过ArkClaw 建立了一套关于效率、安全和成本的新标准。
当那些遮蔽视线的“无效龙虾”被清理干净后，AI 技术的真正力量才会破壳而出。模型未来不再是实验室竞赛，而是电，是水，是每一个能切实提升效率的工业零件。

神隐之左手

120万亿Tokens相当于每天处理6400万本新华字典的信息量，豆包大模型能冲到世界前三确实有两把刷子，但多智能体协同的准确率衰减问题不解决，再高的调用量也是烧钱玩