Demo 里 95%，上生产只剩 8%——Agent「能干活」和「能上线」是两层东西
Demo 里 95%，上生产只剩 8%——Agent「能干活」和「能上线」是两层东西
你的 agent 在 demo 里表现很好，跑十几步二十步，成功率能到 95%；可链路一拉长，跑到第 50 步，成功率只剩 8%。这不是模型不行，是「能干活」和「能上线」根本是两层东西——大部分人只做到了第一层。
这是抖音「赋范AI说」一条 18.5 分钟视频的深度拆解。视频标题叫《Vibe Coding 从入门到进阶！基于 OpenClaw 开源项目二次开发全流程》，但先把话说在前面：这个标题是钩子，正片其实是一场「2026 企业级 Agent 落地」直播公开课的节选——vibe coding 只是课程大纲八个部分里的第六部分，「OpenClaw 二次开发全流程」是课件和正课承诺的内容，视频里只演示了成品。冲标题点进去的人会失望，但正片里那套「demo 与生产之间隔着什么」的框架，比标题承诺的东西更值钱。这也是本文要拆的核心。
拆解方法照旧是双轨：SenseVoice 逐字稿（6800+ 字）+ 豆包视觉逐段读屏（时间轴、字幕、图表），交叉核对。
一、这条视频的真实结构
18.5 分钟分两段，两个讲师：
- 前 2 分钟：短视频节奏的「认知冲突」包装——95% vs 8% 的数据反差钩、两层论、四件躲不掉的事、两个警示案例。信息密度极高，每 10 秒一个刺激点，柱状图+绿粉色文字框强调。
- 后 16 分钟：直播公开课本体（讲师「木羽」），讲 2026 企业 Agent 落地的课程大纲：行业现状、五大核心能力、核心技术（工具调用/状态管理/长短期记忆）、多 Agent 协作误区、vibe coding 的阶段与坑、技术选型、求职简历、企业项目拆解（智能客服/数字员工/文档审核），并演示了他们官网基于 OpenClaw 和 Claude Code 搭的「数字员工」「内容工厂」等在线项目。
CTA 是教培行业标准双钩：评论区打「课件」领资料 + 加助教 1v1。这个结构本身就值得内容创作者抄，文末细说。
二、核心框架：「能干活」和「能上线」的两层论
视频最有价值的一张认知地图：
第一层「能干活」：工具调用、记忆状态、多智能体协作。讲师原话——「现在随便一个人拿 Claude Code 或者 Codex 都能搭出来，这一层门槛已经很低了。」
第二层「能上线」：稳定、可交付、可监控、可审计、有权限分级。真正决定一个 agent 能不能进生产的是这一层，而且「至少有四件事躲不掉」。
这个分层解释了一个普遍现象：为什么超九成企业都在喊 Agent 落地、却迟迟落不了地——因为大家学的、演示的、面试吹的都是第一层，而企业验收的是第二层。讲师给的行业口径是：真正验证下来「可以完全交由 AI 委托落地」的场景不足 40%。
三、「能上线」躲不掉的四件事
这是全片的干货核心，四道门，一道都绕不过：
1. 确定性检查——你的 agent 能做什么、不能做什么，「得写成硬规则，不能靠一句提示词让它最好别这样做。模型对提示词的约束力其实很弱」。这句是全片最狠的一句：提示词层面的规矩（包括现在流行的 CLAUDE.md/AGENTS.md 那类规矩文件）管的是方向和习惯，真正的红线必须落在代码级的硬门上——发送前的关键词拦截、权限白名单、操作前的强制校验，这些不能指望模型「自觉」。
2. 语义评分——agent 每次输出到底算好还是算坏，得有一套能打分的标准。「这是能不能替代人工的核心依据。」没有评分器，你就没法回答「它替代人工到什么程度」，也没法迭代——你甚至不知道改一版提示词之后是变好了还是变坏了。
3. 对抗测试——专门验证它会不会越界，比如会不会把内部信息说漏出去。注意这跟测「功能对不对」是两回事：功能测试问「它能不能做到」，对抗测试问「它会不会做不该做的」。绝大多数团队只测前者。
4. 人工审查——敏感场景必须有人在环节里把关。医疗、金融、对外发布，最后一道门留给人。
对照一下你手里的 agent 项目：四道门开了几道？多数 demo 的答案是零道或一道——这就是 95% 和 8% 之间的距离。
四、两个警示案例
案例一：OpenClaw 智能体市场被恶意投放。 OpenClaw 火了之后开了智能体市场，几万个智能体挂在上面，结果被人拿去做批量恶意投放——「就是因为护栏这一层没做够」。开放生态的繁荣和护栏缺失是同一枚硬币的两面。
案例二：工具调用 85% → 27%。 工具调用环节在公开评测能到 85% 的准确率，放到实际业务的定制化场景里实测掉到 27%。讲师强调「这些数字不是我编的，是真实测出来的」。公开 benchmark 测的是通用任务，你的业务里全是长尾：内部系统的怪接口、行话字段名、隐含的业务规则——这些 benchmark 里一个都没有。
一句话总结这两个案例：demo 能跑 ≠ 能用，中间这段路没人替你走完。
五、三阶段论：2026 是「规模化验证期」
讲师把 Agent 行业分成三个阶段，这张时间线可以当行业罗盘用：
- 2023–2024 概念期：GPT 爆火后开发框架大爆发——LangChain、LangGraph、AutoGen、CrewAI、OpenAI Agents SDK、谷歌 ADK……每家公司都按自己对 agent 运行时的理解出一套框架。
- 2025 试验期：框架洗牌，「活下来的也就那么几个」；DeepSeek 让企业看到国产模型私有化的希望，大量公司在内部验证「传统链路能不能交给 AI」。
- 2026 规模化验证期：一批公司完成 AI 转型，约 40% 的企业在把 Agent 从 Pilot 推向规模化——瓶颈从「能不能搭」变成成本、稳定性、场景适配。
另一个值得记的转折判断：随着编程模型变强 + Claude Code / OpenClaw 这类多 agent 框架成熟，越来越多场景可以用「通用型 agent」直接开发，而不是为每个场景写专用框架代码。他们官网的「数字员工」就是这个思路：后端由 Claude Code / OpenClaw 自主驱动一个 agent team 完成协作流程；「内容工厂」则是动嘴下需求、全链路产出图文视频。专用框架的位置，正在被「通用 agent + 工程化约束」挤压。
还有一个反直觉提醒：多 Agent 不是万金油。「架构设计得足够复杂、用越强的模型、构建越复杂的体系，效果就非常好——恰恰不是这样。」简单任务强行上多 agent 框架，效果反而更差。架构复杂度要匹配任务复杂度，这条和 Anthropic 官方「能单 agent 就别多 agent」的工程建议完全一致。
模型侧同理：不是接入最强模型就能落地。更强的模型只是提升了任务复杂度的上限，「不上任何工程化手段就直接落地，显然不太现实」。讲师点了一句：OpenAI、Anthropic 这些大厂最近发布的 harness 提示工程，本质就是在约束 agent 的运行行为——连模型厂自己都在给 agent 上缰绳。
六、「普通理解」vs「企业真实需求」
视频里有一段对照，值得每个准备拿 agent 项目去面试/接单的人自查：
| 普通理解 | 企业真实需求 |
|---|---|
| 会 LangChain / Dify / n8n 搭工作流 | 稳定、可交付 |
| 链路能解决 90% 的问题，「效果看着不错」 | 有监控、有审计、可追踪运行链路 |
| agent 能自主做事，越自主越好 | 有权限分级：leader 有审批权限，普通员工只有受限执行权限 |
| 接最强的模型 | 用同样的模型，靠工程化手段把可靠性做出来 |
右列四条，本质都是第二层「能上线」的展开。简历上写「用 LangChain 搭过智能客服」和写「给客服 agent 做过评分器和对抗测试、上线后准确率从 X 提到 Y」,在面试官眼里是两个物种。
七、Vibe Coding 的位置：进阶的尽头是工程治理
回到标题的 vibe coding。它在这门课的大纲里排第六，讲师给的框架是「vibe coding 经历的阶段、学习和落地的技巧、正在踩的坑」。放进两层论里看，vibe coding 的进阶路线其实非常清晰：
- 入门：会指挥模型写代码——描述需求、看结果、迭代。这对应第一层「能干活」，门槛已经很低。
- 进阶：不是 prompt 写得更花，而是把工程治理那一层补上——给 AI 立规矩（规矩文件管方向）、写硬规则（代码级门禁管底线）、搭评分器（知道输出好坏）、做对抗测试（知道它会不会越界）、留人工审查位（敏感操作有人把关）。
换句话说：vibe coding 从入门到进阶，就是从「能让 AI 干活」走到「敢让 AI 上线」。标题没骗人，只是这条路的后半段不叫技巧，叫工程。
八、内容侧拆解：这条公开课引流片的可抄骨架
按 7 段文案框架过一遍，重点挑值得抄的：
- 钩子（前 3 秒）：数据反差钩——「demo 里 95%，第 50 步只剩 8%」。数字具体、落差巨大、直指痛点，9/10 的钩子。
- 结构：认知冲突（数据反差）→ 概念分层（两层论）→ 清单（四件事）→ 案例背书（OpenClaw/85→27）→ 课程大纲（解决方案在正课）。这是标准的「公开课引流片」结构：短视频前 2 分钟给足干货建立信任，后 16 分钟直播节选展示课程质感。
- 金句：「能干活和能上线，根本是两层东西」「demo 能跑不等于能用，这中间没人替你走完」「模型对提示词的约束力其实很弱」——三句都是「命名一个大家隐约感到但没说破的现象」，可二次传播性强。
- CTA：双钩——评论区打「课件」（拉互动权重+筛意向）→ 加助教 1v1（私域转化）。「我挨个踢」制造人工稀缺感。
- 可复制骨架：
[惊人数据反差] + 这不是 X 不行，是 A 和 B 根本是两层东西 + 第一层是…门槛已经很低 + 真正决定成败的第二层至少有 N 件事躲不掉 + [翻车案例] + 完整清单我准备好了，评论区打 XX。任何「入门易精通难」的领域都能套。
九、四个角度的反思
对个人开发者：别再堆「我会 N 个框架」，挑一个项目把四道门走完——哪怕是玩具项目，有评分器、有对抗测试记录、有上线前 checklist，含金量立刻碾压十个纯 demo。四道门就是你的项目升级清单。
对做 AI 产品的团队：把「确定性检查/语义评分/对抗测试/人工审查」翻译成上线前的硬性 checklist；红线一律写成代码级硬门，不放在提示词里；给每个 agent 输出配打分标准，否则迭代全靠感觉。
对教育/培训机构：两点。一是业务上，AI 出题、AI 批改要交付给学员，必须先过「语义评分」（判分标准显性化）和「人工审查」（老师终审）两道门——「不足 40% 场景可全交 AI」意味着半自动是常态，全自动是陷阱。二是营销上，这条片子的「公开课引流结构」（干货短视频钩 → 直播课节选 → 评论区领资料 → 助教 1v1）是被验证过的教培获客链路，可直接迁移。
对未来：2026 的分水岭不在「会不会用 AI」，在「敢不敢让 AI 上生产」。模型能力在拉平，四道门的工程能力拉不平——Agent 评测、护栏、可观测性这些「AI 质检」方向，会是接下来几年最实的技能栈。
诚实标注
- 视频是直播公开课节选 + 引流片，标题（Vibe Coding 进阶/OpenClaw 二开全流程）与正片内容不完全对应——OpenClaw 二次开发的「下载源码→架构逆向→换模型接飞书→交付」全流程在其课件/正课中，视频只演示了官网成品。
- 95%→8%、85%→27%、「不足 40%」「40% 企业规模化」等数字均为讲师口径，出处未给、本文未独立核实，引用请标注来源。
- 「OpenClaw 智能体市场被批量恶意投放」为讲师转述的案例，细节（规模、时间）视频未给证据。
- 逐字稿来自 ASR，个别专有名词按上下文校正（如 clod code→Claude Code、open cloud→OpenClaw、郎信/狼倩→LangChain）；「四阶段检查清单」为视频原话中「四件事」的课件包装说法。
- 本文不构成对该课程的推荐或背书；框架有价值，报不报课自行判断。
来源：抖音 @赋范AI说《Vibe Coding 从入门到进阶！基于 OpenClaw 开源项目二次开发全流程》（18.5min）。拆解方法：SenseVoice 音频转写 + 豆包视觉画面理解双轨交叉核对。