🎙️ How I AI: GPT-6 Astra is a banger + Stripe’s AI playbook + Grok Bot vs. OpenClaw: why I replaced my entire agent stack

🎙️ 我的AI实践：GPT-6 Astra惊艳全场 + Stripe的AI战略 + Grok Bot与OpenClaw对决：为何我彻底更换代理堆栈

我的AI实践

来自《我的AI实践》的每周精选（Lenny's Podcast Network旗下节目）

Claire Vo

2026年9月7日

Grok Bot与OpenClaw对决：为何我彻底更换代理堆栈

立即收听：YouTube • Spotify • Apple Podcasts

由以下平台支持：WorkOS — 通过SSO、SCIM、RBAC等功能让您的应用企业级就绪 Hyperagent — 部署执行真实任务的代理舰队

在这期独白节目中，Claire解释了为何她将全部OpenClaw配置替换为Grok Bot。她展示了目前使用的代理系统，用于管理六个邮箱、协调家庭事务、审查代码拉取请求、监控SOC 2合规性、客户服务、订阅审计以及服装购物。她还分享了如何安全地授予代理执行操作的权限、Grok Bot仍存在的不足，以及她迁移所有代理时保持其个性、上下文和惯例的方法。

#### 最重要结论：

• 代理平台真正的护城河可能是用户体验，而Grok Bot在简洁性上占优。Claire技术背景深厚，她运行Tailscale，通过SSH连接Mac Mini，甚至构建了用于管理其他代理的救援机器人。但最终OpenClaw变得难以维护。Grok Bot在保持在线稳定性的同时提供了类似功能，这足以说服她完成全部迁移。

• 将每个代理视为新员工能极大简化代理设计。Claire为每个Grok Bot赋予特定名称、职责和范围，就像为团队招聘人员时所做的那样。Grok Bot甚至能通过名称推断代理角色。创建名为"Prody McProd"的代理时，系统已能理解其职责定位。这种框架使构建专注的专家型代理变得更容易，而非逐渐变得泛化的通用代理。

• 多账户支持是为运营多个企业的创业者设计的杀手级功能。Grok Bot让Claire能连接六个Gmail账户及多个Slack和Linear工作区，并赋予单个代理跨所有账户的访问权限。其他平台才刚开始支持这种架构。对于跨多个公司或项目的运营者而言，这决定了代理是仅仅有趣还是真正实用。

• 家庭场景的代理应帮助人们减少电脑使用时间。Claire为TradBot设定的指导原则很简单：如果她需要花时间与它互动，说明哪里出了问题。其厨房桌报的成功在于输出是实体打印的，早餐时放在家人旁边。将相同个性化摘要发送到Kindle则是另一种将信息融入日常生活的途径，无需增加屏幕操作流程。

• 审批机制在高风险操作中实现了自主性与信任的平衡。Claire的客户服务代理Holly Helpdesk可以处理退款，但必须获得她的批准才能执行。当需要退款时，Claire会收到一个打开真实Stripe请求的按钮。她审核后确认，退款即刻完成。上线一周后，Holly开始收到大量五星级评价。这说明代理不需要对所有操作都要求批准，而应在低风险任务上自主行动，当后果重大时再引入人工干预。

• Grok的默认写作风格过于紧凑，因此需要通过用户的声音进行显式训练。虽然Claude常常写得过多，但Grok Bot却存在相反的问题。它对句子的精简过于激进，导致其写作内容变得碎片化且难以理解。Claire通过让它研究自己发送的电子邮件并创建详细的语音档案来解决这个问题，之后再以她的名义进行写作。有了这样的上下文，它便能够处理低风险的外向沟通任务。

• 优秀的合规代理应解决问题，而不仅仅是报告问题。Claire的SOC 2代理Lockdown会登录到控制面板，扫描问题，调查新漏洞，并在通知她之前，先提交包含拟议解决方案的拉取请求。Claire会审核并批准更改，但代理负责处理底层工作。更广泛的机会是让AI主动改善公司的合规状况，而不仅仅是为其他人生成另一份待办事项清单。

• 一个结构化的迁移过程能让切换代理平台的操作感觉安全且可逆。在Claire关闭任何OpenClaw代理之前，Lifeguard导出了一个不含机密信息的存档，其中包含每个代理的身份、计划任务和网关配置。她将这些文件夹上传到Grok Bot中，这相当于进行了“大脑移植”。代理们带着原有的个性和职责完整回归。由于迁移保留了她需要返回所有内容，切换平台的风险感大大降低。

• 代理的主动性必须有意识地安排。OpenClaw的心跳功能让其代理自然地表现出主动性，而Grok Bot则保持被动，除非用户创建了例行任务。其优势在于透明度：所有重复操作在设置中都清晰可见且易于审计。权衡之处在于用户必须有意识地决定每个代理何时行动。如果没有这些例行任务，即使是非常有能力的代理也会仅仅等待有人向它发送消息。

#### 本集博客和详细工作流程指南：

Grok Bot代理模板和工作流程：https://www.chatprd.ai/how-i-ai/grok-bot-agent-templates-and-workflows

↳ 如何构建个人AI造型师来管理你的衣柜：https://www.chatprd.ai/how-i-ai/workflows/how-to-build-a-personal-ai-stylist-to-curate-your-wardrobe

↳ 如何创建AI驱动的家庭报纸和物流协调员：https://www.chatprd.ai/how-i-ai/workflows/how-to-create-an-ai-powered-family-newspaper-and-logistics-coordinator

↳ 如何使用五星级AI代理自动化客户服务：https://www.chatprd.ai/how-i-ai/workflows/how-to-automate-customer-support-with-a-5-star-ai-agent

构建你自己的企业大脑：Stripe工程团队的AI企业实践手册 | Sharadh Krishnamurthy

由以下内容提供支持：DX — AI时代工程智能 Hyperagent — 部署处理真实工作的代理舰队

Sharadh Krishnamurthy 是 Stripe 的工程经理，他带领 1.5 名工程师在两周内构建了 Stripe 内部的 AI 代理 Kai。在本期节目中，他解释了 Kai 如何发展到每周服务超过 10,000 名员工，为什么在公司范围内扩展 AI 最终是一个治理问题，以及 Stripe 如何通过项目、技能、工具政策和人工监督来确保代理的实用性和安全性。他还分享了当代理几乎压垮生产系统时发生的情况，Stripe 如何管理超过 2,000 项技能的库，以及为什么强大的数据和开发人员基础设施比简单选择最佳模型重要得多。

• 将 AI 引入大型公司的最大挑战不是模型本身，而是治理。当 Sharadh 和一位同事开始构建 Kai 时，他们很快意识到，为每位员工提供 AI 访问权限并非主要技术挑战。真正的挑战在于教会系统如何运作一家复杂的全球公司。这就是为什么 Kai 最具特色的功能，包括项目、工具政策和技能路由，其设计目的是管理访问权限和行为，而不是改进底层模型。

• 项目是团队使用 AI 的配置层，而不仅仅是组织工作的文件夹。在 Kai 中，一小群知识渊博的员工可以为整个团队或工作流程选择默认模型、批准可用工具，并定义需要人工审核的操作。其他所有人会自动获得正确的配置。例如，Stripe 的人力资源项目运行在独立的专用后端上，工具访问权限受到严格控制，防止敏感员工数据泄露到公开文档中。

• 在 AI 爆发之前构建的基础设施在代理到来后变得更加有价值。Stripe 已经投资建设了分层分析目录、弹性 Trino 查询引擎以及为人类开发人员的可信指标层。现在，相同的基础设施使代理能够以巨大规模安全可靠地查询数据。Sharadh 的激进建议是在大力投资代理之前，将开发人员体验和数据团队的规模翻倍。没有强大的底层基础设施，即使是最聪明的代理也会遇到困难。

• 代理会放大公司系统中已有的所有弱点。Sharadh 不认为代理会创造全新的问题类别，而是会显著增加现有问题的数量和严重程度。Stripe 曾看到代理表现出不可预测的行为，压垮核心系统，甚至几乎导致生产环境崩溃。更好的提示并不能解决这些问题。Stripe 需要代理专用的身份、优先级信号、负载削减机制，以及能够吸收额外需求的查询层。

• 技能是将 AI 助手转化为可靠基础设施的关键。Kai 允许任何员工将成功的会话转换为可重复使用的技能。每个技能都包含何时运行的指导、为 Kai 系统编写的规范，以及发布前测试的编辑器。目前，Stripe 已拥有约 2,000 项技能，其中约 50 项每天在公司范围内使用。由于 Kai 会自动选择合适的技能，员工只需描述需求，而无需学习系统的工作原理。

• 技能的数量是质量的一部分问题。每项新技能都会向系统的检索池添加更多信息，而无关的上下文会降低结果质量。Stripe 构建了遥测系统，用于区分公司内部广泛使用的技能、小团队使用的高价值工作流程以及数周未被触碰的工具。这些数据帮助团队在保留有用细分工作流程的同时，推广、整合或淘汰技能。

• 当底层基础足够强大时，小团队也能快速构建企业级 AI 平台。Sharadh 和一位同事仅用两周时间就创建了 Kai 的首个可用版本。一次公司范围的演示引发了采用率的迅速上升，目前该平台每周被超过 10,000 名 Stripe 员工使用，采用率达 86%。如今仅有不到 10 人负责维护。这种规模的实现得益于编码代理的支持以及 Stripe 多年对内部基础设施的投资。

• 最优秀的企业级 AI 产品会将组织复杂性隐藏在用户面前。Kai 对员工而言是一个简单直接的产品，但其底层由多个可配置层级构建，旨在适应不同团队、数据类型和安全需求。员工无需决定启用哪个连接器、选择哪个模型或判断工具是否适合处理当前信息。消除这些决策不仅提高了采用率，也减少了绕过安全措施的诱惑，因为合规路径不再显得过于缓慢。

How Stripe Built Kai: Data Dashboards, Reusable Skills, and Enterprise AI Governance: https://www.chatprd.ai/how-i-ai/how-stripe-built-kai-data-dashboards-reusable-skills-and-enterprise-ai-governance ↳ How to Create a Custom Data Dashboard on the Fly with a Natural Language AI Agent: https://www.chatprd.ai/how-i-ai/workflows/how-to-create-a-custom-data-dashboard-on-the-fly-with-a-natural-language-ai-agent ↳ How to Turn a One-Off AI Chat Session into a Reusable Workflow for Your Team: https://www.chatprd.ai/how-i-ai/workflows/how-to-turn-a-one-off-ai-chat-session-into-a-reusable-workflow-for-your-team ↳ How to Implement AI Governance with Context-Aware Project Controls: https://www.chatprd.ai/how-i-ai/workflows/how-to-implement-ai-governance-with-context-aware-project-controls

GPT-6 Astra 是一款突破性产品——这是我构建的所有内容

在这期独白中，Claire 对 GPT-6 Astra 进行了跨计算机使用、编程、设计、QA、硬件和 3D 开发等多个领域的实际测试。她分享了 Astra 如何最终解决了困扰她六个月的 ChatPRD 功能难题，如何在不触碰键盘的情况下操作复杂生产工具，以及如何在没有公开 API 的情况下逆向工程蓝牙显示器。她还探讨了模型能力飞跃对软件界面、雄心勃勃的个人应用以及突然变得可实现的项目类型意味着什么。

• Astra 最大的突破在于它扩展了人们敢于尝试的边界。Claire 曾花费六个月尝试为 ChatPRD 构建产品智能功能，但早期模型因无法在提示中完整解释系统而反复做出糟糕的架构决策。Astra 在首次尝试中就完成了 90% 的功能，随后通过几次跟进完成剩余部分。当曾经不可能的项目开始运作时，真正的变化不仅是生产力的提升，更是野心的觉醒。

• 计算机操作的精确度终于足以应对复杂的视觉界面。Claire现在每天约有90%的时间无需触碰键盘。Astra在Adio的基于节点的工作流构建器中导航，添加新节点、重新连接逻辑，并生成定制的潜在客户响应邮件，全程无需任何点击操作。她曾因早期模型缺乏必要的精确度而放弃类似尝试。但这一差距似乎正在迅速缩小。

• 基于浏览器的质量检测可能是计算机使用代理最有价值的应用场景之一。Astra花费1小时45分钟测试一个分支的竞态条件和流媒体边缘案例。它检查控制台、故意刷新应用，并持续探测故障点。这正是人类通常会仓促处理或跳过的重复但重要的测试类型。代理在繁琐工作中保持耐心的能力，其价值不亚于其智能水平。

• SaaS正在回归，而消除界面的论点正变得越来越站不住脚。"无界面即下一代界面"的假设认为AI需要通过API或命令行工具获得直接访问权限。但如果代理能可靠地操作视觉软件，产品团队就可以选择最能表达产品的界面，而非完全围绕机器访问进行优化。换句话说，按钮正在回归。

• 硬件破解正在成为前沿模型的重要应用场景。Claire曾花费数月尝试操作没有公开API的Divoom Mini 2设备，但进展甚微。Astra反向工程其像素算法，构建了实时流媒体命令行工具，使她能够直接将剧集信息和图片发送到显示屏。这不仅是一个巧妙的演示，更表明AI可以解锁此前因定制难度过高或文档不全而难以改造的物理设备。

• 一次性3D游戏开发正在提升个人软件的上限。Astra仅凭一个提示就用Blender构建了一个功能完整的芭比娃娃风格换装游戏。它还为Claire的家庭应用创建了一个3D世界，让她的孩子们可以步行去图书馆或前往池塘检查情绪状态。这些是早期模型无法实现的项目。随着构建互动世界成本的降低，深度个性化的软件开始显得更加实用。

• Astra的AIM风格Codex包装器展示了桌面开发的可及性已达到何种程度。Astra仅用一次操作就围绕Claire的实时Codex线程构建了一个完整的1990年代风格AIM界面，包括活动写作者指示器和离开消息。怀旧感很有趣，但更重要的是，定制桌面工具和非传统的个人软件构想现在触手可及，即使它们从未能为传统开发团队提供合理理由。

• Astra生成的成果能融入现有品牌体系而非从零开始。当Claire的设计师暂时无法工作时需要缩略图时，Astra在Flora和Figma中运行，研究现有工作流程并匹配既定美学风格。这种理解并扩展现有视觉系统的能力，使生成成果在生产环境中真正具备实用性。一个精美的成果令人印象深刻，但一个看起来真正属于现有体系的成果价值远超前者。

• Astra的定价策略使得选择合适的任务比减少使用量更加重要。在每百万个输入令牌收费10美元、每百万个输出令牌收费50美元的情况下，长时间运行的计算机使用和问答会话可能会变得昂贵，尤其是在输出方面。关键在于在Astra能提供额外价值的场景中部署它：顽固的编程问题、复杂的视觉界面以及高重复性的人工测试工作。问题不在于模型是否昂贵，而在于任务的价值是否足以证明使用它的合理性。

GPT-6 Astra评测：硬件、3D游戏与编程：https://www.chatprd.ai/how-i-ai/gpt-6-astra-review-hardware-3d-games-and-coding ↳ 如何利用AI从Flora到Figma自动化创建YouTube缩略图：https://www.chatprd.ai/how-i-ai/workflows/how-to-automate-youtube-thumbnail-creation-from-flora-to-figma-with-ai ↳ 如何使用GPT-6 Astra在CRM中自动化复杂线索路由：https://www.chatprd.ai/how-i-ai/workflows/how-to-automate-complex-lead-routing-in-a-crm-with-gpt-6-astra ↳ 如何使用GPT-6 Astra破解并控制蓝牙音箱：https://www.chatprd.ai/how-i-ai/workflows/how-to-hack-and-control-a-bluetooth-speaker-using-gpt-6-astra

如果您喜欢这些节目，请回复并告诉我您最想深入了解的内容：AI工作流程、招聘、增长、产品策略——任何内容都可以。

下周见，Lenny

P.S. 想在节目上线的第一时间收到通知？在您最喜欢的播客应用上点击“关注”吧。

上一篇

由以下嘉宾撰写

👩‍👦‍👦 mama 💻 首席产品与工程官 @color • 前 @optimizely 🧠 产品管理、领导力与创业生活 😍 @elawless 📱 http://tiktok.com/@chiefproductofficer

订阅Claire