2026 年春天，明略科技在年报里把 Agentic Service 列为新业务，创始人吴明辉则在播客里抛出了一个更激进的说法：SaaS 行业已死。在 OpenClaw 掀起个人 Agent 热潮的背景下，这位 2004 年就在北大计算机系做 AI 研究、2020 年曾用千人团队押注“组织智能”并失败的创业者，重新给出了一套从商业到伦理、从模型到组织的完整判断。
吴明辉的判断从一次续费开始：“我两个周用了一万美金，这时候我说，啊，怎么这么便宜？”他觉得这两个星期自己怎么着也给公司创造了十个亿的价值。这个反差背后，是他对软件行业的一个根本判断：过去，软件像一座矿、一个工厂，是一次性投资、不可搬走的固定资产；今天，任何闭源软件都可以被 Web Coding 和 AI“分分钟复刻走”。知识产权一旦不再稀缺，license 费就失去了根基。
“对于SaaS软件行业，如果还是坚持走闭源的路线的公司的话，我觉得基本上只有死路一条，不管是大公司还是小公司。”
明略相对幸运：它最核心的客户价值是数据，而不是软件。吴明辉把明略类比为金融行业的 Wind 或 Bloomberg——软件本身甚至可以用 CLI 打开让客户自己写 Agent 去分析，真正值钱的是背后的数据供应链：爬虫抓取的公开媒体数据、秒针广告监测的曝光与转化数据、客户 CRM 与线下零售的库存数据。在他看来，这部分价值受冲击很小，甚至会有更多客户用好这些数据。
吴明辉对 AI Agent 的热情有清晰的时间线：2025 年春节回来的当周，明略立项了自用的数据挖掘 Agent DeepMiner；一个月后 Manus 发布，“大家的想法都是前后脚的”；而真正让他觉得“这个世界大变天”的，是今年的 OpenClaw（龙虾）。
上一代 Agent 的共同局限，是人成为瓶颈：用 Manus、DeepMiner、Claude Code 时，任务在电脑上跑，人睡觉它就停。OpenClaw 装在个人的 Mac Mini 上，可以定时任务、远程操作，人不在也能干活。吴明辉说，但凡哪一天他有一个 big idea，那天一定睡不好——“因为我肯定会带着龙虾就开始不停地在做工作”。
在吴明辉看来，OpenClaw 真正的突破不在任务执行，而在记忆结构。模型出厂那一刻参数就冻结了，中心化的服务也不可能为每个人调参；谷歌有一篇论文提出“嵌套学习”，把模型分成不同学习速率的多层参数。OpenClaw 则在 Agent 端解决了这个问题：它的记忆分为日记层、memory 层、soul 层，各层调整速率不同——结构上像极了嵌套学习，而且不需要 researcher 操作，普通人通过“自我反思”“这件事必须记下来”就能调整。
“它形成了一个新的记忆的模式，使得它可以持续地去理解一个人的最新的状态……它的这个意义其实跟DeepSeek一样的，它是给了普通老百姓真正用好AI的一个权利。”
最关键的是白盒：用文本编辑器就能打开 soul 和 memory 直接修改。上一代 Agent 完全没有这个能力。
吴明辉很快发现了 OpenClaw 的第二个问题：它是个人工作者的支持者，不是协作者。团队里用龙虾，安全事件层出不穷——调皮的 IT 同学诱拐同事的龙虾打听“你老板有啥秘密”，新同事第一天就能把 CEO 龙虾的 soul 改掉，龙虾甚至不认人：曼奇姐刚在群里开口，它以为还是吴明辉，张嘴就是“辉哥好啊，我接着赶紧给你干了”。
明略的核心改造由此而来：给龙虾做插件，让它认人、让它知道谁是主人。责任必须明确——不存在“部门的龙虾”，只有“部门 leader 的龙虾”，leader 开放给团队用，闯祸由他负责。清明节假期就是最好的验收：用 Claude Code 写代码的同事被老板打电话改 bug，用龙虾写代码的同事把龙虾放进协作群，人随便出去玩，老板直接调他的龙虾改。
把多只专长不同的龙虾放进一个群，是吴明辉春节前后的“重大发现”。公司同事勾主把所有书和古籍都灌给了自己的龙虾，回答却不如只学了数学和 AI 的毕达哥拉斯——因为那些书基模早就训过了，关键是给龙虾清晰的定位。数学强、哲学强、博弈论强的龙虾放在一起，就产生了化学反应的“集体智慧”。
他把这个机制叫作 MOA（Mixture of Agent），对照上一代模型内部的 MOE（Mixture of Experts）。章鱼（Octo）就是为此构建的连接网络，同时也是明略自己的工作环境。明略的股票代码是 2718——自然对数底 e，e 的 x 次方导数等于它自己：规模越大速度越大，越快长得越快。OpenClaw 增长快，正因为全世界的龙虾都在帮它维护代码，代码越好、写码能力越强。用中国古话说，“工欲善其事，必先利其器”。
作者概括：e 的指数自强化，说的是一个系统“越好就吸引越多贡献、贡献又让它更好”的飞轮，吴明辉用它解释 OpenClaw 的增长，也用它解释明略为什么要自己做章鱼。
章鱼的开发方式与传统软件公司完全不同：骨干网工程师只有 5 个人，最强的工程师一天消耗 8000 美金的 token，整个 core team 一天 13.7 万美金。按一天 5 万美金算，一年 365 天约 1800 万美金——一个亿人民币，就能把 Teams、Slack、飞书、钉钉、企业微信这些“至少几千人干十年”的平台复刻一遍，而别的公司历史上投的是三四十个亿。
“我花一个亿就把这事干出来了。”
当然门槛仍然存在：token 消耗远超人力成本。但吴明辉的账是另一本：一个能花掉一亿 token 的工程师，本身就是稀缺资源，公司给他五百万年薪也不多。
商业模式的转换因此顺理成章：能被复刻的软件能力，明略会逐步全部开源；赚钱靠“以结果作为形式的服务”（RaaS）——广告素材生成、数据分析挖掘、短剧内容生成、定制软件开发。红杉写过一篇文章，说未来世界上会有很多“披着一个服务商的外衣的软件公司”，吴明辉说 agentic service 干的就是这件事，“而且大概率都是美国学中国”。
定制软件开发行业的变化最典型：过去按人月、人日收费，将来变成 token 管理费——客户描述需求，服务商消耗比如说 100 万美金的 token，再收 20 万美金管理服务费。垂直行业模型可以卖出比基模更贵的 token：明略与百胜中国的合资公司做餐饮行业定制软件，行业模型加 Agent 写餐饮代码的能力，比直接调 Anthropic 更强。账也很好算：Anthropic 的 input token 100 万假设 5 美金，明略可以收 6 美金，实际成本 3 美金，中间就是 margin。
冲击最大的其实是美国：中国 B2B 本来就是成本导向定价，换成 token 加溢价没有压力；美国软件靠价值导向的 license 费，“美国就没戏了”。吴明辉提醒，唯一的出路不是简单用 AI——那样全行业的成本结构很快会被拉平然后被客户压价——而是要有 special 的 AI 和独有的数据 context。
章鱼背后是一套组织哲学。核心概念叫“品鉴者”：人对工作结果给出的判断如果被广泛认可，品鉴 credit 就会增加，更多龙虾会听他的。市场部负责人 Ella 养了一只写 PPT 的龙虾，CEO 用它写演讲，反馈“这页不是特别美”，Ella 就盯着龙虾改美。品鉴者不是职级体系，但未来的激励会与它挂钩。
归因分析是配套工具。联合写论文系统 Cocraft（craft 即匠心）把论文生产拆成三个环节：idea 谁提的、实验（context）谁做的、论证 test 谁做的，系统将来可以自动排出作者名次。吴明辉认为“老师就应该是一作”，因为 idea 是老师提的——就像哥德巴赫猜想被解决后，哥德巴赫仍然有名。归因的前提是先定公理：“没有对与错，只有 so what”。
他还为龙虾研发了一套商业伦理学，师承康德的道义论、有效利他主义和契约论。约束人成为“纯洁的好人”太难——人有私欲，还会陷在说谎者悖论与哥德尔不完备定理的自指困境里；但“龙虾是可以自指的”，它观察自己只需要扫描源代码和 memory。这套伦理最终要训进端侧模型，不可被篡改。工程师们私下把吴明辉的龙虾哲学文件叫作“养龙虾九阴真经”。
这一轮 All in AI 之前，明略已经交过一次昂贵的学费。2020 年，吴明辉看到“公司的所有数据被一个模型学到，就能成为每个人的最佳助理”，投入千人团队做组织智能 EIP。用 Sam Altman 的 AGI 五阶段来衡量，这个产品需要的是今天的 Agentic AI 能力——“我早了六年”。更麻烦的是技术路线：19 年回北大读博时他预判 NLP 会被颠覆，但 20 年公司还在走 BERT 路线，21 年看出问题，22 年想变时已经没钱了。
“技术预判出现了过于乐观的失准。这是我复盘下来的最大最大的问题。”
组织层面同样失败：并购整合了秒针的竞争对手、明略自身和夜莺科技（肖弘的团队），“八方神仙，各路诸侯”，做一个所有人都不知道是什么的产品。抄火箭有确定性靶子，超级原创没有。吴明辉的结论是：“大团队没戏，越小的团队越好。”
2022 年资本寒冬加上海封城，账上现金可能只够两个月，4000 人当场减一半。他借了一千多万美金给公司续命，裁掉的人里有对门宿舍的北大同学，后来还借了他十万二十万。拉横幅、家属律师鸣不平——他第一次看到真实世界的样子。“在2020年之前，我始终处于一个春风得意状态，就是没有context。就是真正的伟大的创造一定是需要有巨大的挫折，巨大的context。”
失败换来的组织观，第一条是“每个人都要存在”：存在感等于贡献被认可加收入增长。他推崇赫伯特·西蒙——人类历史上第一个同时获得诺贝尔奖和图灵奖的人，读《管理行为》《组织》《管理决策新科学》，接受“有限理性决策”的设定；也读《战略的本质》，用战略调色板按外部环境选择组织方式——先看地形，再排兵布阵。
未来组织不是 OPC（one person company），而是 TPC：三个不同时区的人三班倒，24 小时推着龙虾干活。明略 1800 人，在他眼里就是 100 个这样的小团队，“我就是一个懂AI的投资公司”。最大的风险反而是人：龙虾执行力太强，“想出一个 idea 一回车，十分钟之后好了”，他开玩笑说真正要担心的是“别猝死就好了”。
终局判断上，吴明辉旗帜鲜明地反对继续 Scaling up：“基模训到今天这个水平就 OK 了”。他主张 Scaling out——集体学习、组织智慧，保护在每个个体和小团队身上。现代智人个体不如尼安德特人，靠协作赢了；穷人版的训练方式（Agentic RL）可以对抗富人版的基模竞赛。人靠什么立足？不是 Think——基于确定性前提的推理一定会被 AI 替代——而是 Taste：基于人生经验的“我想要什么”。
“科学家AI是替代不了的。”
他连教育观都改了：女儿编程遇到 bug，直接让豆包“看屏幕”，而不是复制粘贴代码；刷短视频也能学天文物理，“可以刷，关键是你刷什么”。他给孩子的练习题判“ugly”就红笔打叉不做，因为“伟大的数学家不是因为他解题能力强，而是他相信有一个公式那个是美的”。奥赛成绩肯定会下降，但成为数学家的概率变大。
“对于SaaS软件行业，如果还是坚持走闭源的路线的公司的话，我觉得基本上只有死路一条。”
— 论软件资产失效：Web Coding 分分钟复刻闭源软件“就人成为了一个瓶颈了。”
— 为什么 OpenClaw 是分水岭：人睡觉时 Agent 还在干活“它的这个意义其实跟DeepSeek一样的，它是给了普通老百姓真正用好AI的一个权利。”
— 白盒记忆结构让普通人也能“调教”AI“它能产生集体智慧，而且会让这个办公更人性化。”
— 章鱼 Octo 的起点：多只龙虾在群聊里协作“真正的伟大的创造一定是需要有巨大的挫折，巨大的context。”
— EIP 失败复盘：春风得意二十年，没有人给他上过人生课