生成日期：2026-05-27 性质：AI 项目线补充页，不属于 AI 周期态势基金。 用途：用文明周期论和态势感知框架，判断 AI 从对话到执行的结构演化，并找到个人可进入的位置。
一、纠偏：AI 项目不是 AI 基金
AI 周期态势基金关注的是资产、仓位、市场验证和资源飞轮。 AI 项目关注的是产品、执行系统、工作流、用户价值和项目飞轮。
二者都需要态势感知，但不是一回事：
| 维度 | AI 周期基金 | AI 项目 |
|---|---|---|
| 现实载体 | 仓位、资产、组合 | 产品、工具、工作流、智能体 |
| 验证方式 | 价格、财报、13F、净值 | 用户、效率、任务完成率、复用率 |
| 核心问题 | 哪些结构被重新定价 | 哪些结构能被做成可用系统 |
| 我的角色 | 研究者、模拟组合管理者 | 结构识别者、项目整合者、工作流设计者 |
所以 AI 项目线不能照搬基金线。它要回答的是：
AI 下一相是什么？
哪些结构正在形成？
哪些不是我能做的？
我应该站在哪里，借什么势，做什么项目？
二、核心判断：基座大模型决定上限
当前 AI 的下一相，很大程度取决于基座大模型能力。
尤其是 coding：
Coding 爆发不是因为普通人突然能做 coding agent，而是因为少数前沿公司拥有足够强的基座模型、推理能力、工具调用能力、长期上下文、训练数据、代码评测和工程反馈系统。
Claude Code、Codex、Cursor、Gemini Code Assist 等的爆发，本质上是基座模型能力、工程环境和反馈闭环共同推动的结果。
这意味着：
对个人而言，“自己做一个 foundation coding model”不是合适位置。
个人更合适的位置，是识别趋势、理解结构、选择执行壳、构建工作流、绑定自己的知识库和场景。
文明周期论里，这叫：
知相，不错位；识势，找己位。
三、AI 从对话到执行的演化线
AI 的主线可以理解为：
对话相 → 工具相 → 协议相 → 技能相 → 执行壳相 → 工作流相 → 项目/组织操作系统相。
| 相 | 现实表现 | 结构含义 |
|---|---|---|
| 对话相 | ChatGPT、Claude、Gemini | AI 成为语言入口 |
| 工具相 | function calling、browser、code interpreter | AI 开始接触外部世界 |
| 协议相 | MCP 等连接标准 | 工具和数据开始标准化接入 |
| 技能相 | Skills、工作流、模板、脚本 | 经验被封装成可复用能力 |
| 执行壳相 | OpenClaw、Hermes、agent harness | 模型获得行动身体和运行环境 |
| 工作流相 | 内容、交易、研究、客服、开发自动化 | AI 进入具体业务流程 |
| 操作系统相 | 个人/组织 AI 工作台 | AI 成为持续执行与记忆系统 |
这条线说明：
AI 的价值正在从“回答得好”，走向“能持续把事情做完”。
但能不能做完，取决于基座模型、工具权限、执行壳、安全边界、记忆、反馈、任务拆解和复盘系统。
四、OpenClaw / Hermes 等代表的结构相
OpenClaw、Hermes 这类项目的重点，不在于它们是否已经完美成熟，而在于它们显现了一个新的结构相：
执行壳相。
所谓执行壳，就是给基座模型一个可以行动的身体：
- 可以接消息入口。
- 可以读取文件。
- 可以运行命令。
- 可以调用 API。
- 可以操作浏览器。
- 可以保存记忆。
- 可以加载技能。
- 可以在本地或服务器上持续运行。
OpenClaw 被描述为一种本地运行、开源、能执行任务的 agent 框架，可以读写文件、浏览网页、执行脚本、调用外部 API，并通过 WhatsApp、Telegram、Slack 等入口工作。它的结构重点是“LLM 负责推理，OpenClaw 提供行动基础设施”。参考：TechRadar、TechTarget。
Hermes Agent 则强调开源、自托管、持久记忆、无云锁定，并运行在用户自己的基础设施上。参考：Hermes Agent。
这些项目告诉我们：
下一步不只是更强模型，而是“模型 + 执行壳 + 记忆 + 权限 + 技能 + 工作流 + 安全”的组合系统。
五、但这里也有重要边界
执行壳相很重要，但不能盲目兴奋。
因为执行壳天然有风险：
- 它需要文件、浏览器、邮箱、API、密钥等权限。
- 它可能被提示注入、恶意网页、错误命令影响。
- 它可能把错误行动扩大成真实损失。
- 它可能记住不该记住的信息。
- 它可能造成合规、安全、隐私和成本问题。
所以个人的正确位置不是“立刻把所有权限交给 agent”，而是：
小权限、小任务、小闭环、小复盘，逐步扩大。
先让 agent 做低风险任务：
- 资料整理。
- 文档摘要。
- 知识库分类。
- 内容草稿。
- 公开信息跟踪。
- 文件命名。
- 任务清单。
- 复盘模板。
然后再逐渐进入更复杂流程。
六、我的位置在哪里
在这条 AI 项目线里，我不应该把自己定位成：
- 基座模型公司。
- 顶级 coding model 训练者。
- 大规模 agent 平台公司。
- AI 基础设施巨头。
这些都不是当前可进入的位置。
更准确的位置是：
趋势识别者 + 结构解释者 + 垂直工作流设计者 + 知识库拥有者 + 执行壳整合者。
也就是说，我要做的不是造发动机，而是：
- 判断发动机能力何时升级。
- 看懂新的执行结构。
- 选择合适的壳。
- 把自己的知识库、理论、内容、交易研究、AI 项目放进执行系统。
- 让它形成可复用流程。
- 在真实任务中验证。
用文明周期论表达：
我不占“基座模型位”，我占“结构识别与应用显化位”。
七、AI 项目线 1.0
AI 项目线 1.0 不追求大而全，而是做四个最小项目。
1. AI 趋势雷达
每周追踪：
- 基座模型能力。
- Coding agent。
- MCP / Skills。
- OpenClaw / Hermes / agent harness。
- 浏览器 agent。
- 本地执行壳。
- 企业自动化。
- 安全风险。
输出：一张“AI 项目相位卡”。
2. 执行壳观察库
建立一个轻量数据库，记录每个 agent / harness：
- 它依赖哪个基座模型。
- 它控制哪些工具。
- 它如何保存记忆。
- 它如何加载技能。
- 它如何限制权限。
- 它适合什么任务。
- 它的风险是什么。
目标不是追热点，而是理解结构。
3. 个人知识库工作流
把自己的知识库变成可执行对象：
- 自动整理章节。
- 自动提取问题。
- 自动生成摘要。
- 自动生成备选文案。
- 自动形成正式版和备用库。
- 自动复盘哪些内容需要优化。
这是我最该先做的，因为这是我的根。
4. 内容生产工作流
基于知识库和平台规则，生成：
- 长文。
- 短文。
- 小红书图文。
- 抖音脚本。
- 视频号脚本。
- B站口播。
- 海外平台内容。
这里的重点不是“AI 味内容”，而是：
用 AI 执行壳放大我的结构、语言、观点和人味。
八、AI 项目线的动态判断机制
每周回答五个问题：
- 基座模型能力有没有明显跃迁？
- 执行壳有没有新的结构变化？
- 技能和工作流有没有更标准的封装方式？
- 哪些项目真正降低了任务成本？
- 我的位置有没有变化？
每月回答三个问题：
- 哪个 AI 项目值得纳入我的工作台？
- 哪个 AI 热点只是噪音？
- 我有没有把一个判断变成一个真实流程？
每季度回答一个问题：
我是否从“看懂 AI”向“用 AI 构建自己的系统”前进了一步？
九、和态势感知框架的对应
Leopold 的路径是：
看见 AGI 大势 → 写出 thesis → 映射资产 → 建立基金 → 用结果验证 → 获得资源。
AI 项目线的路径应该是：
看见 AI 执行大势 → 写出结构判断 → 映射项目 → 建立工作流 → 用任务结果验证 → 获得能力和资源。
这里的“项目”就相当于基金里的“仓位”。
基金买的是资产。 AI 项目做的是流程和工具。
共同点是：
都必须把判断变成现实载体。
十、当前结论
AI 当前的关键相，不是“人人去做 coding agent”，而是：
基座模型强化执行能力，执行壳把模型能力接入现实任务，个人需要找到自己的工作流位置。
所以我当前最合理的 AI 项目策略是：
- 不做基座模型。
- 不幻想直接复制 Claude Code。
- 持续追踪 coding、agent、MCP、Skills、OpenClaw、Hermes 等结构相。
- 重点理解执行壳如何形成。
- 先把自己的知识库、内容生产、趋势雷达、交易研究做成可执行工作流。
- 用小闭环验证，再逐步扩大权限和复杂度。
一句话：
看懂基座模型决定上限，抓住执行壳决定落地，找到自己的垂直工作流位置。