Token 经济拐点：从 OpenClaw 到本地自研的 Agent 进化之路

2024 年底起，「Token Maxing」（最大化 token 消耗）在硅谷科技圈悄然流行：创始人和工程师们争相晒出每日账单，以 token 消耗量彰显对 AI 的全力押注。但仅半年之后，这场烧钱竞赛便迎来转折点——Uber 在四个月内烧穿全年 AI 预算，Meta 收紧了员工 token 配额，多家公司开始弹窗提醒「Opus 4.8 很贵，建议先用其他模型」。如何更经济地使用 token，成为业界共同的新课题。

在 36 氪 AI 频道最新一期节目中，PingCAP 联合创始人黄东旭与原金山 CEO、AI 学者张宏江围绕这一话题展开深度对谈。黄东旭本人就是 Token Maxing 的亲历者：2024 年 11 月起，他用 Opus 从零构建分布式数据库 db9，单日账单一度达到四五百美元。但随后，他对中国开源模型的崛起和前沿模型的「智力碾压」有了新认知——前者覆盖大量日常任务，后者处理最难问题，二者组合远比「无脑用最强模型」更经济。

OpenClaw：Agent 走进千家万户的转折点

黄东旭认为，OpenClaw 的出现是一个标志性事件。它由工程师 Peter 一周内 Vibe Coding 完成，把编程 Agent 的「agentic loop + 工具调用」理念，以更低的门槛带给普通用户。其「local-first」理念和开源属性让它在极客圈迅速传播，类似当年的 Linux。

张宏江评价，OpenClaw 标志着「从研究进入工程，从模型进入 Agent」。作者转投 OpenAI 后，OpenClaw 迭代趋缓，黄东旭认为它完成了「普罗米修斯式」的历史使命——让大众认识到 Agent 可以替代日常 PC 和手机上的操作。

Hermes 与 Slock：Agent 形态的持续进化

黄东旭很快从 OpenClaw 切换到了 Hermes。Hermes 不再纠结记忆问题，而是让 Agent 在执行中不断总结经验、沉淀为 skill，让产品「越用越聪明」。其团队精心打磨的上手流程和稳定性，使其商业化水到渠成：当用户量足够大，token 渠道折扣本身就是一门好生意。

再往后是 Slock（后更名为 Raft），由 Kimi CLI 负责人钱宇超创立。它把聊天频道变成 Agent 协作场所：多个 Agent 不共享上下文，只通过频道信息互通。在复杂代码审查场景中，10 个顶级 Agent 互相挑刺、启发，产出远超单模型一次性结果，代价是 token 消耗约为普通的 10 倍。黄东旭称之为「Agent 动力学」——核心要义是如何让 Agent 在特定任务上持续不停地干活。

Token 经济学拐点：本地开源 + 前沿模型协同

三个关键事件改变了黄东旭对 Token Maxing 的认知：

• GPT 5.5 与 Fable 5 展现出前沿模型的「绝对智商碾压」，能一次性精准搞定 Agent 群讨论不出的难题；
• DeepSeek V4 出现，开源模型质量大幅提升，让本地复杂软件开发任务成为可能；
• GLM-5.2 进一步刷新对开源模型的预期。

由此，他转向「Token-efficient」策略：用顶级前沿模型搭配本地开源模型做协同。黄东旭在 Mac Studio 上本地运行 DeepSeek V4 Flash，速度可达约 30 token/秒，已接近 OpenAI API 响应水平，足以覆盖日常任务。

张宏江补充，从宏观看，token 价格过去几年每年下降约 10 倍，AI 基建远未到过度投资阶段；企业从「放开用」到「预算收紧」再回归理性，是技术革命的必然过程。

Agent 作为入口：对媒体与应用的冲击

黄东旭预测，未来每个人与数字世界打交道的入口可能不再需要 APP。他本人已不再打开 Gmail，而是让 Agent 代为筛选；订阅文章也由 Agent 消化。这对传统媒体推荐系统构成根本性冲击——终极推荐算法可能来自本地观察用户全部数字足迹的智能体。

张宏江总结，AGI 奇点已经到来，现在是做 Agent 的好时机，但关键是：别做容易被大模型本身碾压的应用。