OpenClaw 最近在互联网上掀起了一场 AI“命名狂欢”。随处可见的某某 Claw 在各种布道者口中，仿佛只要完成安装，生产效率跃迁的自动化乌托邦就已近在咫尺。讽刺的是，不少人装完 OpenClaw 后才发现，它除了消耗大量 Token，似乎并未带来与宣传相称的生产力提升；而那些真正清楚自己要解决什么问题的技术人员，往往早已借助 Claude Code 等 Coding Agent 完成了类似的自动化。
通过精心设计，为当前生产任务构造一个有效的 Claude Code /loop：接管任务、自动执行、读取报错、自我纠正，的确能够显著拉开解决问题的效率差距。但要让 AI Agent 自主运行数小时、在真实问题上持续产生有效进展，而不是单纯消耗“无效 Token”，远非安装一个工具那么简单。
传统控制论与优化理论为这种有效设计提供了一个基础框架。一个可持续运行的 Agent 系统，至少需要四个要素：
- 状态（State）：善用 Git 与 Git worktree 为项目保留多段快照，在适当节点回退、比较与合并，实现对系统状态的精细控制。
- 目标函数（Objective Function）：给出边界清楚、机器可读的目标，让 Agent 有方向地修正，而不是漫无目的地迭代，或把成败完全押在模型自身的推理能力上。
- 反馈信号（Feedback Signal）：“古法编程”的报错信息本就是天然的人类可读反馈。随着 Agent Coding 工程成熟，DevOps 也会逐渐走向更适合机器消费的高信息密度形态。
- 更新规则（Update Rule）：Agent 依据反馈采取下一步行动的抓手。良好的架构会把单点问题切得足够离散，让 Agent 能在有限上下文窗口中从容处理。
笔者仍倾向于认为，一些企业在内部“赛马养龙虾”后宣布大规模裁员，很多时候只是大型臃肿组织自我瘦身、同时维持社会叙事正当性的借口。但更深层的变化确实正在发生：AI 强化了高度自组织方式的演化效应，而企业本身就是一种可以设计的演化系统。不同企业在感知、学习和重组自身能力上的差距，理应在商业竞争中被进一步放大。
理解这种企业生态进化，可以参考 Interconnected 创始人 Kevin Xu 于 2026 年 3 月 6 日发表的长文 《Chinese Open Source: A Definitive History》。文章梳理了中国开源从“使用者”走向“贡献者”，再走向全球 AI 开放生态重要参与者的漫长历史。
Open source used to be a niche topic. China tech also used to be a niche topic. Thanks to AI, the combined topic of “Chinese open source technology” is the topic du jour.
开源并不只是把代码上传到 GitHub。真正的生态由代码、文档、协作规范、社区、人才与商业化路径共同组成。Kevin Xu 的梳理提醒我们：DeepSeek、Qwen、Kimi、GLM 等开放模型的崛起并非凭空发生，而是中国开发者生态经过二十多年吸收、适配、贡献与社区建设后的自然结果。技术突破之所以能够扩散，是因为此前已经存在承接它的基础设施。
与开源软件生态的崛起相呼应，中国创新药也完成了从仿制为主向源头创新的历史转身。长三角的沪苏地区已经成为世界级医药企业成长的重要土壤：CRO/CDMO 产业链、人才供给、临床资源与执行效率在地理空间中高度聚集，共同构成 AI 制药创新的现实底座。
截至 2026 年 1 月，VCBeat Health/动脉网旗下 IntelPharm 的不完全统计已收录 113 家中国 AI 制药企业，其中 94% 集中在北京、长三角和大湾区。行业也不再只有一种商业形态，而是逐渐分化为自研管线的 AI-Biotech、提供研发服务的 AI-CRO、输出工具与数据基础设施的 AI Software/SaaS，以及在传统药企内部建设的 In-House Pharma AI。
然而，与以大语言模型为标志的 AI 革命相比，医药终究是一个成熟且强约束的行业。它面对的不只是模型能力，还包括漫长的研发周期、复杂的资本结构、企业治理、监管与技术战略。热闹的 AI 叙事无法替这些约束买单。
把前述控制论四要素与行业的资本约束、企业治理和技术战略三个维度叠加，便能看见当下 AI+制药叙事中的内在矛盾。
- **状态 × 资本约束：**AI+创新药企业的底色仍然是创新药企业。支付端主要受各国医保和商业支付体系约束；中国市场的价格压力促使企业通过全球授权、海外临床与美元市场完成更充分的价值发现。AI 的算力、数据与人才投入又进一步抬高了前期成本。企业既要维持本土研发效率，又要建立全球商业化通路，这是第一重矛盾。
- **目标函数 × 资本约束与技术战略：**AI 辅助发现的候选药物在进入临床后，很难仅凭“由 AI 设计”呈现压倒性的创新优势。热门靶点竞争拥挤，差异化空间有限；押注过于前沿、尚未验证的生物学，对初创企业又近似豪赌。生物系统的内在不确定性，决定了机械论式的解题路径难以自动导出真正的突破。企业必须在可融资的里程碑与有意义的科学问题之间取舍，这是第二重矛盾。
- **反馈信号 × 企业治理：**AI+制药的业务决策者常由生物学或药物研发背景的管理者担任，他们未必能准确判断 AI 系统的边界；反过来，AI 团队也未必真正理解实验噪声和疾病机制。传统组织又习惯以单个项目的成败论英雄，而 AI 的价值往往要在跨项目、跨周期的统计意义上才会显现。于是，AI 很容易退化为“降本增效”的工具叙事，这是第三重矛盾。
- **更新规则 × 企业治理与技术战略：**反馈链路一旦断裂，AI 团队与实验团队就会“各干各活”：前者优化漂亮的离线指标，后者沿用原有实验流程；或让一个小型 AI 团队作为转型吉祥物，寄生于实验管线，却无权改变数据结构、实验设计和资源配置。没有紧密的湿实验闭环，也没有从学界和开源生态持续吸收创新的机制，有效更新规则便无从形成。这是第四重矛盾。
车到山前必有路，柳暗花明又一村。正如大模型的盈利路径仍未完全清晰，人们依然相信它会催生革命性产品；投资者也愿意相信，AI+制药终有一天能够创造真正 AI 原生的药物，跨越关键门槛，让生产函数与价值创造机制发生跃迁，逃离传统竞争结构。
但这要求企业同时处理上述四重矛盾，让资本方、管理层、AI 团队、实验团队与临床团队对目标和反馈形成一致认识，并共同搭建正确的 AI—生物技术循环。
2026 年 3 月 19 日，Python 开源工具公司 Astral 宣布已与 OpenAI 达成协议，将在交易完成后加入 Codex 团队。OpenAI 的官方公告强调，将继续支持 Ruff、uv 和 ty 等开源项目，并探索它们与 Codex 的深度协同。
Today, we’re taking a step forward in that mission by announcing that we’ve entered into an agreement to join OpenAI as part of the Codex team.
这一交易被 AI Coding 社区视为 AI 原生开发基础设施继续整合的明确信号。但 DevOps 的重塑从来不是一夜之功，Claude Code 的真正价值也不在焦虑论坛中反复渲染的职业替代叙事，而在于软件组织能否重新设计自己的状态、目标、反馈与更新规则。
AI 制药亦然。企业早期的降本增效从来不是终局价值，而是借由具体业务建立数据资产、实验接口、验证体系、跨团队协作规范和组织学习能力。只有这些基础设施不断沉淀，企业才可能在下一轮技术跃迁到来时，真正参与行业演化，而不只是购买一张写着“AI”的入场券。
万里长征，今日方迈出第一步。