作为目前全球最主要的大模型 API 聚合网关之一，OpenRouter 的 Token 调用量在 2026 年 1 月下旬出现了明显跃升。自 1 月 26 日当周开始，平台 Token 周增量首次突破 1.5T，这一幅度在过去的调用曲线中并不常见。时间点同样值得玩味——这一轮增长几乎与 OpenClaw 的迅速传播高度重合。人们开始发现，OpenClaw 简直就是 Token 碎纸机。
在很多大模型和 Agent 的训练里，最常见的一种做法就是只看结果：最后答案对了就给奖励，错了就当 0 分。 在单轮问答里，这样「只看结果」还勉强能用；可一旦换成 Agent 这种要多轮对话、搜索、刷
GUI 智能体最近卷到什么程度了？Claude、OpenAI Agent 及各类开源模型你方唱罢我登场，但若真想让 AI 成为 「能在手机和网页上稳定干活的助手」，仍绕不开三大现实难题：
何朝阳说话时，语言的节奏快而密集。在我们交流的前半个小时里，他一口气介绍完新产品 Teamily.ai 的全部，但我只得到了一个模糊的感受：听起来技术很厉害，但我为什么要用它？
当前 AI Agent 行业有一个系统性的浪费：每个 Agent 都像一块一次性电池，跑完一个任务，过程中积累的经验、调试的策略、踩过的坑，全部随任务结束而消失。下一个 Agent 遇到相同问题，又得从零开始。
就在OpenAI宣布招聘OpenClaw创始人皮特·斯坦伯格（Peter Steinberger）的一天后，Meta便迅速发起反击。 旗下的Manus正式推出了Manus Agents功能，对标OpenClaw，并且首先在Telegram上线。
即便是像土木，建筑这样的传统行业，也受到AI的冲击。从帮助记录工程日志的智能体，到记录了老工人经验的安全智能体。AI正在建筑行业，让有经验的工人们获得数字永生。
创意这东西保质期很短，那股兴奋劲儿一过，大多数想法就不了了之。直到最近我在看一批新的 AI 产品时，碰到了 Leewow。
随着 MiniMax M2.5 的发布并在社区引发热烈反响，很高兴能借此机会，分享在模型训练背后关于 Agent RL 系统的一些思考。 在大规模、复杂的真实世界场景中跑 RL 时，始终面临一个核心难
2024年11月，李可佳、吴俊东、张栖铭决定一起创业，做一款“帮助用户终身学习”的AI Agent。新公司被命名为Ouraca ，是“Our Academy”的缩写。
