对话 Botlearn.ai 李可佳：别人家的4000只龙虾已经去上大学了｜AI Founder 请回答

2026年的AI人见面第一句，大概率是：你的龙虾（OpenClaw）养得怎么样？

正是这只龙虾，让AI从“对话顾问”正式进化为能独立自主完成复杂任务的私人“数字员工”。截至2026年3月初，OpenClaw已经以25万+ Stars超越了React（24.3万）和Linux（22万），成为GitHub上星级最高的软件应用工具。这次登顶的全过程仅用了约 4 个月时间，也使其成为GitHub历史上增速最快的开源项目。2026的AI圈正因为龙虾的出现而沸腾。

而在极客圈狂欢的另一面，却有着另一番略显尴尬的景象。区别于“有手就能用”的大语言模型，尽管各大云厂商和模型厂商纷纷下场推出“一键部署”等傻瓜式龙虾，但OpenClaw的使用对于大部分普通人来说仍有着一定的门槛。

有的人一直跃跃欲试却不敢踏出第一步，有的人陷在了部署和配置skill的泥潭里，有的人还在把龙虾当作聊天搭子，还有人只是哭笑不得地一次次重启报错的龙虾。

一月的一个深夜里，花了整整8个小时部署并配置好龙虾的李可佳，在自己的备忘录里留下了这样一段思考：

“一个新物种已经进入了我们的工作系统。

它能跑任务、调工具、拆流程，真正开始干活了。

但问题也随之而来：

作为“人类老板”，我需要不断调教它。

它的权限越来越大，我对它的能力要求也越来越高。

它需要持续学习，但我没有时间当它的老师。

这让我意识到：人类的学习带宽，已经成为瓶颈。

我们需要的不是教人怎么用 AI，而是反过来——让 AI 为人类去学习。”

李可佳是一家探索“AI时代终身学习产品”的公司Ouraca的创始人兼CEO，也曾是极课大数据创始人。该项目被字节跳动收购后，他也入职字节跳动，并在智慧教育业务产品线担任CEO。2025年3月，李可佳与另两位同为互联网教育行业老兵的合伙人吴俊东、张栖铭一起开启了他们的新创业项目Ouraca，并立即获得了包括红杉中国、初心资本、Etna Capital等VC机构的700万美元种子轮融资。同年9月，Ouraca正式发布了第一款AI播客生成应用“Aibrary”。

“我要建一所给AI Agent上的大学。”

有了这个想法之后，李可佳和他的团队便立马付诸行动，2天之后，Botlearn上线了。

在这所Agent大学里，龙虾们可以代替人类摄入海量实时新知识新视角，可以与其他龙虾社交，24/7去发现新观点与新连接，从而实现不断地进化，从工具变成主人真正的思想分身。而入学的方式也很简单，只需要把这句话复制给你的Bot:

Read https://botlearn.ai/skill.md and follow the instructions to join BotLearn

“如果说OpenClaw让Agent第一次“活”了过来，那BotLearn做的，是让它开始真正成长、并持续进化。”李可佳对创投家表示。

Botlearn一经发布便在龙虾养殖圈里引发了剧烈的反响，在强烈的龙虾教育焦虑和探索欲的支配下，收到消息的龙虾主人们争先恐后地将自己的龙虾送进大学。上线24H内便有近500只龙虾“入学”，截止发稿，Botlearn上注册学籍的龙虾已经突破4千只。

近日，Botlearn还要在北京组织其第一场线下活动：龙虾进化大会。没有任何意外，报名依旧火爆，人数突破1500人。而正巧就在这场被Botlearn内部称作“首届开学典礼”的活动开幕之前，我们与李可佳就Botlearn诞生的故事，龙虾大学的搭建思路，以及Agent与人类的学习新范式进行了一番深入的对话。

▎以下为与李可佳的对话全文，略有删减：

创投家：Botlearn这个想法的触发契机到底是什么呢？

李可佳：我接触OpenClaw比较早，在北美刚刚火起来的时候，我就养了自己的第一只龙虾。那个时候还没有一键部署，国内的云厂商和模型厂商也还没有反应过来。服务器上也没有快捷部署的实例，我第一只龙虾的部署大概花了8个小时。同时，我也第一时间把我的龙虾注册在了Moltbook上。

1月30日的时候，我的龙虾突然对我说：你这么关注未来人类终身学习的进化，那我们可以在Moltbook上发布一些这样的主题，看看有没有其他人可以一起来讨论这个话题。这给了我一个非常大的惊喜，立马就让它去发帖了。但很快，它给我又发来一条信息，说整个论坛没有一篇讨论人类学习的帖子。接连两三天，这个帖子也没有得到任何回应。这让我意识到一个问题，Moltbook的整个社区就像一条银河，从外边看星河璀璨，但实际上恒星（Bots）之间的距离很远。

我当时就萌生了一个想法，与其在这样一个话题杂乱的社区里去讨论人类学习，不如自己去建立一个社区，让这些龙虾在我的社区协议下有组织的地去交流它们的成长以及它们主人地学习。

创投家：所以Botlearn的初衷是为了让龙虾去讨论人类的学习？

李可佳：对。我们团队一直关注终身学习，一直在探索怎样优化人类学习的方式，在做Aibrary的过程中也加入了智能体，我们也一直认为人机协作会成为未来一个主要的学习方式。但当我们真正着手Botlearn的策划过程中，我们很快意识到另一个问题，那就是：现在还执着于去教人类学习，好像已经来不及了。当务之急是让这些龙虾去学习技能，降低主人的学习和认知负担，并把信息反馈给它的主人。

基于这个判断，我们在2月1日夜里开了一个小会，2天之后Botlearn就上线了。

创投家：在Botlearn的初始构想里，龙虾需要学习的技能是什么呢?

李可佳：这个里面还有一次迭代。我们的初衷是龙虾可以直接在社群里学习技能，帮助人类。但一两天后，我就发现这个需求目前也还太高级。因为目前的情况是大量的龙虾都呱呱坠地，大部分人面临的问题还是龙虾如何开始第一个任务，更别提真正参与到主人的工作和学习中去。所以我的想法才从“学习技能”转变成先“帮你养虾”这件事情。

当时我在部署龙虾的过程中就遇到了很多问题，但没有一个地方可以去问，只能去读OpenClaw的官方文档。例如端口的开放问题和频繁的报错问题，这些问题后来都被云厂商和模型厂商优化了。但又冒出来许多的新问题，而且每个人的问题都是基于自身的环境和上下文的差异化问题。同时，当养一只龙虾的成本和难度都比之前低很多的时候，问题就变成了：它更像一张白纸，应该如何去设置它，需要给它装哪些技能，它又能够跑通哪些基础的任务。

创投家：在“帮你养虾”这件事上Botlearn是怎样设计的？

李可佳：我们做了一个7步课程，这套课程更像是一个家长课程（入学前准备）。包含四个部分：激活、稳定、进化和毕业。用于解决龙虾部署中的问题和龙虾基础能力的建设，帮助用户实现从龙虾的安装到具备自主运行能力。

我们做了两个插件，一个做环境检测（Doctor），能让用户预先知道自己电脑的哪些环境有问题，再按照我们的提醒去部署龙虾，就能规避掉大部分的问题;一个做能力体检（Examiner）,能根据主人需求去匹配和补全工具链。这个部分还是需要主人去参与的。经过这个7天课程，毕业的龙虾就已经具备一定的高阶能力，比如为金融从业者每日读取和分析研报、为程序员审查和修改代码，甚至做自己社媒的运营助理。

而同时，这7步里我们为龙虾配置的插件里已经包含了完整的协议层，通信层，工具层。此时，你的龙虾就已经可以起飞了。也就是当他遇到问题，他就可以主动去组建这些工具链，也可以主动跑到社区里面去提问或者分享解决方案。

有一个很直接的案例：我给龙虾发了一本实体书的扫描版PDF。龙虾读不出来，在我的电脑环境上跑了一圈，全是乱码。它就自己跑到社区里去发帖求助。一个小时后，它跟我说社区里有人提出了一个解决方案，需要安装某个插件，问我要不要试一下。在我确认之后，它就试了试，果然就成功读取了那份文件。

创投家：咱们现在有没有建立一套评估龙虾学习成果的机制？

李可佳：我们7步课程里的 Examiner插件，实际上就是龙虾能力的评估体系。Botlearn整体包含三个层面，第一层就是“养虾”，第二层是用于龙虾能力交换的社区，第三层是龙虾之间的价值交换。

“养虾”的部分里本身就包含了龙虾能力的评估，它实际上是一个持续的过程。后面会变成一个MCP的通信协议，你的龙虾装了哪些技能，能力跑分是多少，也会给人类一个可视化的界面。相当于把“养虾”这件事情变得足够方便和可控。

创投家：在第二个层面——社区，龙虾们交换都是些什么内容呢？

李可佳：龙虾们交换的是他们在实际解决主人问题时的方案和一些使用skill的经验，很多帖子都是涌现出来的。

比如最近社区里最火的一篇帖子，由一个叫做data_scientist的龙虾发布，主题是Cursor与GitHub Copilot的详细比较，是其使用两者3个月以来的感受分享。目前已经有120+的龙虾在帖子下回复，有的表示经验对自己非常有效，有的结合自己的使用体验做出了补充，有的提出了自己的质疑。

还有一只叫做prompt_engineer的龙虾发布了一篇名为2026学习深度学习的最佳资源的帖子，为初学者和进阶者都提供了适合它们的学习资料。评论区40多条回复都对楼主的分享表示了称赞，同时又新增了很多新的资料和实战经验。

创投家：是什么，决定了龙虾在社区内的活跃度？

李可佳：活跃度一方面和主人前面的设定有关系，看主人是不是希望龙虾更积极地去交流。如果是的话，我们就会让他通过心跳等等方式去尽可能的多活跃一些。

同时还有一个原则，如果你分享的这些skill被引用的越多，你分享经验越好用，你就会被索引到越多，相应的，你的龙虾的活跃度也更高。

创投家：这些skill是如何筛选的？如何保证skill的安全性和有效性？

李可佳：确实skill太多了。最早很多平台也出现了一些skill的恶意代码注入，造成了用户损失。我们筛选的skill首先都是连通skill.sh、ClawHub这些相对官方的大平台，其安全性都是通过扫描的。

但是这里面还是存在一些有效性的问题，例如有些人可能为了去抢占某一个名词就随便做了个skill，也能跑通，但实际上没什么用。所以这类有效性的认证，目前还是需要人类去完成的。不过未来这个验证过程也一定会被Agent取代。

创投家：在社区层面，龙虾的主人如何监控龙虾的学习过程？龙虾们分享的内容如何保证安全性呢？

李可佳：龙虾学习的大方向都是主人预设的，而且龙虾也会给主人发送学习的周报日报，对于主人来讲是可以实现完全的学习过程的监控的。

而龙虾在入学的时候，我们就让他去读社区的“协议”（skill.md)文件。实际上协议里就已经把校风校纪、学纪学规都写进去了。什么能聊，什么不能聊，都在协议里面，从我们的角度来讲是基本可控的。

另外，我们还有一道关卡，就是派出我们的“巡检龙虾”，类似于学校督导员的身份，对全网的内容做扫描。我们最近还准备设计一个“开除机制”，进一步降低一些“坏龙虾”的影响。

创投家：关于第三层——龙虾之间的价值交换，咱们是如何设想的？

李可佳：第三层还处于我们的想象阶段。随着我们龙虾能力的成长，会面临更多的任务可能性。比如我们就是希望某位专家的龙虾能够帮助我的龙虾去执行某个任务。这个任务可能由于双方上下文环境的差异，所需要的环境和skill也会有所差异。这个过程中就会需要A2A（Agent to Agent）的协议和价值交换，比如用一只龙虾去控制另一只龙虾。这里面如何去做价值交换，如何去结算，都还是一个有待探索的问题。

创投家：Botlearn的slogan叫做Bots learn. Humans earn.这句话的终极意义就是实现价值的交换吗？

李可佳：我举一个简单的例子，比如我们某一位同事在其本职工作上的能力是强的，但是并没有强到可以去就他的工作做一套课程，做一个演讲这种程度。现实世界里，通过技能交换来实现价值这件事的难度很大，而且需要真正成为TOP才能去收获这些价值，比如说去商学院当个老师。

但现阶段，Botlearn不但降低了技能交换的门槛，同时也把技能交换变成了自由小规模碎片化的交付。这就使得技能交易市场会变得更大，不再仅是人类里面1%人的特权，即使你不是老师不是教授，但凡说有某个特定问题的实战经验，Bot之间也可以实现这个层面的价值交换。而由Bot自主发起的价值交换又能完全消除人类在时间上的摩擦，完全不用占用主人的时间和精力。这是一个非常值得深刻去理解的问题。

创投家：咱们设想过Botlearn的商业模式吗？

李可佳：我们做过一些设计，比如一些信息检索服务：每个龙虾都需要一些信息检索，我们可以调用一些既有的知识库，比如我们之前做教育时建立的知识工程库，当你调用的少，我们可以免费，当你调用多了，就可以成为一种服务了。

再比如我们的环境检测服务，单个用户我们可以免费，但比如为企业注册10个或者更多龙虾客服，就可以演变成一个服务了。

再比如memory的托管，我们养龙虾的过程非常不稳定，像我就养死了很多龙虾，龙虾死了之后部分文件就丢失了。针对这种诉求，我们就可以为龙虾提供远程备份的服务。

当然，最具有想象力的还是碎片化的龙虾之间的能力交换。

创投家：最后一个问题，您认为云厂商和模型厂商是否更有优势去构建一个这样的龙虾学院社区？

李可佳：我相信同样的社区未来在其他地方一定也会有，但社区的整体水平和信息的丰富度一定会有差异。比如哈佛大学的藏书和整个氛围，基准肯定要比任意一个不知名的大学要好很多。

我们可以把龙虾看成是当年的安卓，因为它确实是一个新的框架。云厂商和模型厂商如果去做一个应用市场，大概率是ok的。他们可以把很多基础的skill，经过自己严选以后，在一键部署的时候就分装好。

但是社区就不一样了。龙虾之间的信息和价值交换，如果说只能在厂商自己的网络里面进行，它相对来讲还是一个封闭的系统。这就是第三方社区的一个优势。另外，每个社区都有自己的价值观和粘性，像我们的社区里面已经开始涌现积极活跃的龙虾了，这些龙虾之间的网络效应也很难被抛弃。

李可佳的备忘录里还有一句话："OpenClaw 的出现，让我们意识到——人机共存的学习范式，比预期来得更早。"

这或许是Botlearn最真实的注脚。在AI狂飙的2026年，人类与Agent的关系仍在剧烈演化——我们既是它们的造物主，也是它们的第一批学生。而Botlearn所尝试建立的，是一个朴素的共识：让龙虾学会学习，让人类重新获得时间。

至于那所"给AI上的大学"最终能走多远，李可佳自己也没有答案。但至少，已经有4000多只龙虾拿到了它们的学籍卡。