GEAClaw 来了：企业级“OpenClaw”，一只有商业头脑的龙虾

过去一年，你大概见过不少这样的场景：

有人提了个问题，旁边有人立刻打开手机问了AI，三秒钟出来一个答案，然后说——AI说了，就这么做。

我不是在批评这件事。AI给出的答案，很多时候确实靠谱。

但我想说的是：这件事背后有一个默认假设，值得认真看一看。

我们在默认，商业问题有唯一正确答案。

数学题和商业题，不是同一种题

现在的大语言模型，训练方向是越来越强的推理能力。更大的模型、更长的思维链、更高的benchmark。

它解决问题的方式，本质上是收敛：面对一个复杂问题，一步步缩小范围，最终收敛到那个最有把握的答案。

这在数学上完全正确。在代码里也完全正确。

但真实的商业世界里，很多问题并不是这样的。

比如：某消费品牌CMO准备做一次新品上市传播。他用一个成熟的AI工具问了策略，AI基于历史数据和最佳实践，给出了一个最优方案。

合理，安全，平庸。

问题不在答案错了，问题在这类商业问题，根本不该追求唯一最优解。

新品上市的真正难点，在于你能不能看到别人没有看到的可能性：

如果不做传统广告呢？如果你以为的目标人群，其实并不是最终购买者呢？如果竞品的策略，本身就建立在一个错误假设上呢？

商业问题是多约束、多角色、多目标的复杂问题。它的价值往往不在快速收敛，而在于先看到更多可能性，再从中找到最有价值的那条路。

先发散，再收敛。

这和大多数AI的工作方式，是反的。

吴恩达最近说的一句话

前几天吴恩达（Andrew Ng）发布了一个叫 Context Hub 的工具。

他解释了原因：AI Agent 在调用API时，经常使用过时的文档，导致产生错误的参数甚至幻觉。上下文不对，答案就不对。

这件事讲的是技术层面的问题，但背后有一个更大的洞察值。

同样的模型，给它不同的上下文，得到的是完全不同的结果。

这个逻辑放到企业场景里更加成立。

GPT、Claude、Gemini、DeepSeek……这些模型，你的公司能用，你的竞争对手也能用。当所有人都能调用同一套模型时，模型就不再是竞争壁垒了。

模型是公共基础设施，就像电力。

没有企业会因为"我们用的电更好"赢得市场。

那什么才是壁垒？

是上下文（Context）。

同一个模型，给它公开信息，你得到的是通用答案。给它你的品牌积累、历史决策、用户洞察，你得到的才是那个只有你才能拿到的答案。

模型产生智能，上下文产生价值。

一家做了十年内容管理的公司，说清楚了一件事

特赞核心就在做这件事。

过去很多年，他们做的是 DAM——数字资产管理。简单说，就是帮企业管内容：图片、视频、文案、设计稿，统统存在一个地方，统一管理。

听起来不性感，但这件事让他们积累了一个别人不太有的东西：

大量企业内容资产背后的决策轨迹。

不只是"这张图"，而是：这张图是在什么营销目标下产生的，经过了哪些审核，最终在哪个场景用了，效果如何，后来又被替换成什么。

这些，是真实企业业务运转的上下文。

AI时代来了之后，他们想明白了一件事：这些内容资产不只是给人调用的，它们也可以变成给AI调用的企业上下文。

这件事的效果，超出了他们自己的预期。

有个数据很说明问题：同样一批内容素材，过去被人工调用，平均每千个素材被调用12次；现在进入他们的上下文系统之后，被 Agent 调用超过23,000次。

从12次到23,000次。同样的内容，价值被放大了近2000倍。

但这2000倍不是重复劳动堆出来的，而是 Agent 在7×24小时不间断地从这些上下文里发现关联、提取洞察、组合创意、驱动决策——做人做不到的事。

GEA ：一套真正能进入业务的架构

今年，特赞正式发布了他们的核心产品：GEA（Generative Enterprise Agent）——企业级智能体系统。

这不是一个聊天机器人，也不是又一个AI工具。

解释这套东西，得先从架构说起。GEA 一共四层，但不用死记，用一句话理解各层存在的意义就够了：

第一层：Intent（意图）

你只需要告诉系统你想要什么，不需要想怎么做。"帮我找下季度东南亚市场的增长机会"，这就是一个意图，不是一个 prompt。GEA 从这里开始工作。

第二层：Orchestration（编排）

由一个叫 Creative Reasoning Model（创意推理模型）的模型驱动——这是特赞自研的推理大模型，作为驱动整套编排的逻辑中枢。

这是 GEA 的大脑，也是最有意思的地方。

它做的事，正好和前面说的收敛推理相反——面对一个商业问题，它先发散，把问题拆解成多条可能的执行路径，评估每条路径的价值，然后再编排，把每个子任务路由到最合适的模型去执行。

就像一个优秀的策略顾问：先把所有可能的方向铺开，再做有根据的选择。

特赞解释了这个模型怎么训练出来的——他们把平台上真正做过商业决策的策略顾问、创意总监、品牌专家聚在一起，让他们标注的不是答案的对错，而是思考路径的价值：哪些方向值得探索，哪些可能性最容易被忽略，哪些假设本身就需要被质疑。

第三层：GEAClaw 出现在这一层，Proactive Agent + Agent Skills（执行层）

注意那个词：Proactive，主动的。这也是GEAClaw的最主要的特征。

这层不是等你提问再回答的聊天机器人。它会主动监测数据异常并提醒你，主动跟踪竞品动态并生成分析，主动发现执行偏差并调整方向。

配合超过400个技能模块（Agent Skills），覆盖从内容生成到数据分析、从合规审核到创意评估的各类业务任务。

第四层：Context System（企业上下文系统）

由特赞DAM进化而来，这是整套系统的记忆。

品牌调性、素材库、每次 campaign 的完整决策轨迹、目标用户的行为偏好、什么话对什么人在什么场景最有效……企业所有的上下文，都在这里统一管理，随时可以被上层的任何 Agent 调用。

如果说传统 DAM 管的是内容，那 Context System 管的是内容背后的商业语境。

整套架构用一句话概括：

你给一个意图，系统用上下文理解你，用判断力拆解问题，用最合适的模型执行任务，然后主动地、持续地交付结果，并且越用越懂你。

如果说 OpenClaw 是一个能干活的 AI 员工，那么 GEA，是一整支 7×24 小时运转的 AI 团队。OpenClaw 展示了 AI 可以“主动干活”，而 GEAClaw让 AI 开始“主动经营业务，带来业务价值”。

真实业务里跑起来是什么样的

光说架构还是抽象，看两个真实在跑的场景。

场景一：市场洞察

一家全球食品快消品牌，在做市场调研时面临一个经典困境：传统调研受样本规模、调研周期和分析视角的限制，出来的往往是一份静态报告，而市场早就在变化了。

GEA 接入之后，不只是扩展了调研的样本量，更重要的是：系统会在企业已有的上下文中持续推理，比对不同市场假设，主动生成新的洞察线索。

给企业的不是一份报告，而是一个持续演化的市场认知系统。

场景二：社媒增长

一个全球电子3C品牌，社媒增长工作散落在不同团队和不同工具之间：趋势判断是一拨人，内容制作是另一拨，KOL协同又是另一拨，最后效果分析还要另起炉灶。

GEA 在这个场景里承担了全链路增长智能体的角色。从趋势判断、内容策略、创作者协同，到传播之后的持续优化——这些工作节点被连接在一个系统里持续运行。

从一次次 campaign，变成持续运行的增长系统。

这个区别，比看起来要大得多。campaign是项目思维，做完就结束；增长系统是产品思维，越跑越有积累。

为什么是特赞来做

一个真实的问题：为什么这件事是特赞来做，而不是某家大厂AI团队？

答案在于积累的方向。

特赞做了十年 DAM，服务了200多家全球企业和100万名知识工作者。这十年积累的，不只是技术，而是对企业真实业务流程的深度理解——什么样的内容在什么场景被如何使用，什么样的决策逻辑推动了什么样的结果。

这些是 Context System 的原材料，也是大厂AI团队很难复制的东西。

他们的自研 Creative Reasoning Model（创意推理模型）已完成国家算法备案，申请了160余项AI发明专利申请。

但更重要的不是专利数量，而是他们在做一件方向上正确的事：不追求更会聊天的AI，而是追求真正能进入企业业务的AI系统，真的产生业务价值。

结语

这篇文章绕了一大圈，说的其实是一件事：

AI不缺聪明，企业缺的是一套能把AI聪明用在自己具体业务上的系统。

发散思考比收敛答案更难。理解上下文比调用模型更值钱。持续进化比一次交付更有意义。

特赞把这套东西叫做 GEA。它能不能真正跑起来，最终要在具体业务场景里验证。

如果你的团队也在思考 AI 如何真正进入工作流——不是用来生成文案，而是参与判断、理解业务、推动结果——可以去特赞官网预约 GEA 的企业诊断和 Demo，他们现在对首批企业提供免费咨询服务。

（来源：微信公众号「AI寒武纪」）