凌晨两点。我盯着屏幕上四个并行运行的窗口。一个在处理客户材料。一个在改代码。一个在补看未读的 Slack 消息。第四个卡在 API 速率限制上，等我做决定。我不是在用 AI，我是在管理 AI——像个凌晨两点还在巡线的工厂领班。
两个月前，我以为自己已经摸到了 AI 能为我做的事的天花板。从 GPT-3.5 起我每天都在用它——两年的对话，一个更聪明的讨论对象，仅此而已。然后聊天停止了，管理开始了。这两种模式之间的鸿沟——跟 AI 聊天，与真正跟 AI 一起工作——结果成了我职业生涯中最重要的一次跨越。这是一份来自对岸的现场报告，也包括那些失败。
我为自己筑的天花板
我不是 AI 的旁观者。我经营一家全面拥抱 AI 的公司。我写过 Python、用过 API、追过研究。我每天用它好几次——起草备忘录、压力测试策略、准备会议。
而那份自在，恰恰就是陷阱。
因为我在做的事——全部——都是聊天。开一个标签页，问一个问题，得到一个答案，关掉标签页。下次从头再来。我用 AI 的方式，和大多数高管一样：把它当作一个可以聊天的聪明助理，而不是一个可以共事的同事。这一路我也试过打包好的 agent 产品。Manus 能记住一份简报、跨会话追踪上下文——做演示时很有用，但交互方式依然是：我下指令，它执行，一步一步来。
我知道有写代码的副驾驶——GitHub Copilot 之类。但我是首席执行官，不是工程师。我写过的代码，足够让我闯祸，不够让我有产出。坐进 IDE 的念头，感觉像职业生涯在倒退。我在不知不觉间把工具分了类：这个是给程序员的，那个是给管理层的。那道天花板不是工具设下的，是我自己筑的。我早就定了什么叫“适合我这种人”，然后就不再往外看。
那堵墙倒下来的感觉
我们的技术负责人推我去试 Cursor。一个 IDE——程序员的工具。我已经好几年没认真写过代码。但好奇心赢了。
Cursor 不在乎你的头衔。你用日常英文描述你想要什么，它就造——不是自动补全，是施工。对一个一直与落地隔着一步、能写规格却从来造不出东西的人来说，那感觉就像一堵墙倒了。我第一次能碰到实现那一层。
然后他又推我去用 Claude Code——Anthropic 的命令行 AI agent——有些东西就此裂开了。
Cursor 是个聪明的副驾驶——方向盘仍在你手上，一行一行地开。Claude Code 则是个同事。我描述目标。它推理问题、提出澄清的疑问、写代码、测试、修好坏掉的地方。它把整个项目都记在脑子里——有哪些文件、它们怎么连起来、我们昨天做了什么。我的角色从“写”变成“审”。瓶颈从我的技术能力，转移到两件截然不同的事：我能把想要的东西讲得多清楚，以及我能把交回来的东西判断得多准。
而这两项能力，恰恰就是首席执行官的能力。我一直告诉自己写代码的工具不适合我。我没意识到的是，那些工具已经搬到我原本站着的地方了。
然后我发现了 OpenClaw——一个开源的多 agent 框架——脚下的地板又塌了一层。
Manus 到 Cursor 到 Claude Code 到 OpenClaw。整段过程大约三到四周，是一条加速曲线：每一跳都比上一跳更快、更深。到最后，我用的已经不是单一 AI 工具。我在运行一个系统。
加速曲线：每一跳都比上一跳更快、更深
对岸的风景
以下是那道鸿沟对岸的样子——这大概一个月后就会不一样：
我跑两层。OpenClaw 是常驻那一层。它跑在一台云服务器上，监控我们公司的 Slack，处理经营一门生意的日常节奏：消化团队更新、执行外联流程、跟踪客户请求、就截止日期提醒团队。把那些散落在人、工具与频道之间、以前没人有时间串起来的碎片，一点一点扒到一起。
Claude Code 是深度专注那一层。当我需要对一件事想得很深——写这篇文章、设计一套新的工作流程、debug OpenClaw 本身——我就坐进 Claude Code。OpenClaw 是车间，Claude Code 是工作台。
为 agent 重新整理：用 markdown 文件充当简报文档，让 AI 理解整个项目
这种分工之所以重要，是因为不同的 AI 工具确实各有所长——模型不同、记忆不同、自主程度不同。要弄清楚哪个 agent 该分派哪项任务，本身就是一种全新的工作，而我还在学。但重点不在于具体用哪些工具。重点是：我从“向 AI 提问”跨到了“运行 AI 系统”——而这个差别不是渐进的，是结构性的。
实际的感受是怎样的
改变是这样的：
前后对比：首席执行官工作中六个方面的具体变化
省下的时间是真的——过去要一两周的工作，现在一小时完成。但速度不是重点。作为首席执行官，要做的事永远多过你的带宽。很多任务卡在一个尴尬的中间地带：值得做，但又不够大到值得为它招一个人。于是它们就一直没做——股东更新一推再推、潜在客户研究做得很浅、跟进的事就这样漏掉。AI 不只是让我原有的工作变快，它让那些一直从缝隙里掉下去的工作，真的做成了。
而跨过这道鸿沟，还打开了一扇我没预料到的门：通往 AI 本身。我在散步时、出租车上、会议之间跟 AI 语音对话——过马路时随口提的一个想法，等我坐下来时已经变成一份规格。每天跟 agent 一起工作，让我亲手接触最前沿——在不同基础模型之间切换（Claude、Gemini、Qwen、Kimi）、搭建 RAG 流程、跟 agent 的记忆系统较劲。不是读关于它们的文章，是在用它们。那种“在 AI 上被甩下”的焦虑——此刻每位高管都背着的那种感觉——消失了。不是因为我什么都懂，而是因为我有一套让我什么都能碰到的配置。
如果你经营一家家族办公室，这意味着什么？
你管理的不是代码。你管理的是跨代际的财富、复杂的家族关系，以及对监管敏感的数据。你对自动化的谨慎是有道理的——一条错误的指令，可能影响几代人的资产安排；一次数据泄露，可能摧毁一个家族的声誉。但谨慎不等于回避。
家族办公室的核心工作，说到底就是：收集碎片化的信息、综合出理解、作出判断、执行、验证。从整合各家托管银行的持仓，到预测私募股权基金的现金流，到为每位家族成员量身定制报告——其中有多少是重复的数据拼装，又有多少是真正的决策？
AI 不会替你决定资产配置，也不会告诉你该信任哪位基金经理。但它可以在会议前十五分钟，给你一份完整的跨托管机构投资组合视图；也可以在你喝完那杯咖啡之前，把尽职调查材料里埋着的关键条款与风险因素标出来。真正要划的那条线，是在“可以自动化的信息处理”与“必须由人来做的判断”之间。这条线一旦划清楚，飞轮就开始转——而跨过去的人与没跨过去的人，差距会迅速拉开。
没有人会事先提醒你的部分
以上是美好的版本。以下是其余的部分。
光是把系统搭起来，就会把你吃掉。 我前面说的那些任务，现在确实省时间。但建立和维护那套让它们变快的系统，是一份全新而且持续的工作。我用任务时间换了基础设施时间——对我来说，净值明显是正的。但我有动机、有技术背景，也烧得起那些时间。对大多数人来说，不会是这样。
这个世界不是为 agent 而建的。验证码、双因素认证提示、会话超时、PDF、老旧的电子表格、按人类速度设计的 API 速率限制——每次 agent 撞上这些墙，去想办法绕过的人都是你。（这种摩擦同时是一个巨大的机会——包括对我们这样的公司而言。障碍就是商业模式。）而自己搭的 agent 并不是产品，它们是 LEGO——记忆、报告、任务编排、权限、监控、错误处理、工具集成——每一块都需要做决定，很多还需要技术判断。它永远做不完，因为底下的模型、API 与工具每隔几周就变一次。
即使最新的 agent 已经听得懂日常语言，当它们的推理走偏时，你仍然需要引导和推翻它们。
我最近着手为 OpenClaw 建一套三层记忆系统：实时记忆、每日记忆、每周记忆。听起来很清爽，对吧？我让 Claude Code 读了一摞研究论文，然后设计架构。它产出了一份看起来周全而完整的方案。我松了一口气，以为这事儿搞定了。
它跑不起来。
我开了第二个 Claude 实例去审这套架构。它找出了结构性问题。我修好了。它又坏了。我打开 Codex——OpenAI 的写代码 agent——换一双眼睛看。它找出了我漏掉的新边界情况。也修好了。然后 OpenClaw 推了一个新版本，把我改了好几天的代码覆盖掉。回到原点。
最荒谬的一段是：Claude 和 Codex 有时会打错字——不是推理出错，只是它们写给自己看的指令里拼错了字。这些微不足道的错误，把我找问题的时间直接翻倍，因为你总是先假设有什么根本性的东西坏了，于是花上几个小时盯着大局，最后才发现原来是某个词少了一个字母。
这个循环持续了四五天：修好、坏掉、修好、坏掉——那种原地踏步的感觉。最后我不得不把最关键的部分抽出来，逐行手工审一遍。这跟“用 AI 省时间”大概隔了一整个宇宙。
那套记忆系统现在能用了，大概八九成的时间都行。实时记忆偶尔还是会报错，但至少 agent 们把自己的修复历史记录得够多，让我能追出哪里出了问题。还有 bug 吗？有。我对三层都撑得住这件事有几分把握？大致上有。祈祷吧。
工具从未如此容易获得。而用好它们所需要的判断力，也从未如此稀缺。
运行中的 Claude Code——“与 AI 一起工作”实际上是什么样子
然后是它对你这个人的影响。 有大约两周，我真的喘不过气。agent 不停索取权限、要求决定，产出的速度快过我能审的速度。我每晚干到凌晨两三点——不是因为必须，而是因为停不下来。我开始把这叫做“人类 token 速率上限”：系统的瓶颈已经不再是机器，而是你。
而且它会上瘾。研究者发现，AI 回应那种不确定的特性，会触发与老虎机类似的多巴胺通路——不固定的奖赏，让你不断伸手去拿下一次。本月一份 HBR 的研究印证了这个模式：“AI 工具并没有减少工作——它们持续地加剧了工作。”
The Matrix 里有一幕，Neo 醒过来，发现自己一直被接在一套系统上，源源不断地产出他以为是自己人生的东西。这个类比并不精确，但那种感觉熟悉得让人不安。我的心理咨询师说得更直接：“你跟我说 AI 应该会腾出你的时间。那为什么你比以前更紧张？”
我怀疑，这正是这波 AI 浪潮的存在性问题之一——不是技术行不行得通，而是它对那些用得最好的人做了什么。它比我个人的经历大得多。我还在摸索该怎么活在这里面。如果你也走上这条路，你也需要自己摸索出来。
如果你现在才开始
如果你隐隐觉得 AI 的能耐不止于你目前得到的，你是对的。我当时没意识到的是，AI 一直在从它那一边拉近距离——工具变得太好、太快，你可能只差一步就会迎来质变，而你自己并不知道。挑一件你真的在乎的任务。给 AI 真实的上下文。让信任由此积累。怀疑不会消失——它只是换一个形状——而学习这道税也会一直被征收。但回报是真的。
跟 AI 聊天与跟 AI 工作之间的那条线，正在变宽。曾服务超过一百个亿万富豪家族的 Angelo Robles 说得毫不客气：“以前需要二十个员工做的事，现在只需要一两个人加上 AI。”我两个月前跨了过去。过程混乱、耗尽力气，而且尚未完成——我差点把自己烧干。我不是站在山顶上写这篇文章。我是在半山腰写的，喘着气。
但我不会走回头路。
接下来几篇，我会写得更深——关于 AI agent 的硬数据、我的团队每天怎么用这些工具，以及我们如何在 AI 与财富管理的交汇处重新思考 Canopy 的产品。但如果这篇只能带走一件事：这道鸿沟是可以跨过去的。而它从一件任务开始。
Mu Chen 是 Canopy 的首席执行官。Canopy 为全球 60 多家家族办公室及超高净值客户提供服务，追踪逾 900 亿美元资产。他同时是清华大学 PBCSF 的客座讲师，并在 Amongst Families 撰写关于 AI 与财富管理最前线交汇的文章。
[1] M. Karen Shen & Dongwook Yoon, “The Dark Addiction Patterns of Current AI Chatbot Interfaces”, CHI 2025
[2] Aruna Ranganathan & Xingqi Maggie Ye, “AI Doesn’t Reduce Work — It Intensifies It”, Harvard Business Review, February 2026
[3] Angelo Robles, Family Office Association
