从事技术工作多年，一直关注 AI 在企业中的落地实践。最近开源圈里，OpenClaw 这类个人向 Agent 工具热度很高，在openclaw龙虾社区看到这样一条讨论,养一只龙虾能让公司200人一起用吗？
作为企业管理者，他们的核心诉求从来不是 “一个能跑的 AI 工具”，而是一套能在企业环境中安全、合规、高效运行的 AI 系统。今天就从技术管理的视角，拆解企业落地 Agent 的 3 个核心痛点，同时分享我们团队的开源解决方案，希望能给同行们一些参考。
OpenClaw 为什么这么火
我觉得有必要先认真说说 OpenClaw 好在哪，因为它确实做出了一些真正有价值的东西。 本地运行、模型无关、Skill 生态、多 IM 接入——这套组合在个人 Agent 领域目前找不到几个能打的。更重要的是，它让一大批之前觉得 AI Agent "听起来很厉害但不知道怎么用"的人，第一次真正把工具跑起来了。 这个普及价值是实实在在的，不该因为后面要说问题就轻描淡写。 我们团队也从 OpenClaw 开始用，用了几个月，受益颇多。
个人工具放进企业会发生什么
做技术的人都懂，工具的设计假设决定了它的边界。 OpenClaw 的设计假设是单用户、单实例。这个假设在个人场景下完全成立，但放进企业环境，有几个结构性问题是绕不过去的，不是配置问题，是架构问题
问题一：没有组织记忆，只有个人记忆。 每个人的 Agent 实例是隔离的，各跑各的。A 花了两周摸索出来的 Prompt 技巧、Skill 配置、业务上下文，B 完全继承不了。团队经验沉淀在个人，不在组织。 这在个人工具里不是 bug，是 feature——我的 Agent 就该只懂我。但在企业里，这意味着每个新人都要从零开始，团队没有学习曲线，只有个人学习曲线的重复叠加。
问题二：数据流向对公司来说是黑箱。 员工把内部文档、客户数据、业务流程喂给自己的 Agent，这很自然，也很有用。但公司层面没有任何手段知道发生了什么、问了什么、发出去了什么。 不是说员工有恶意，但这种状态在合规审计层面是灰色地带，在一些强监管行业，这个灰色地带是硬伤。
问题三：并发模型不适合多人场景。 OpenClaw 单实例下并发处理能力有限，多用户同时高频请求时响应会明显变慢，单用户用完全感觉不到，但 50 个人同时发请求，体验就不一样了。 这三个问题加在一起，本质上说的是同一件事：个人 Agent 工具和企业 Agent 基础设施，是两个不同层次的问题，用同一套工具硬撑，迟早会碰壁。
企业 Agent 基础设施，应该长什么样
我们团队讨论过这个问题在决定自己做之前，我们其实试了不少路。 第一个想法是直接改 OpenClaw 的配置，毕竟它已经有一套跑得很好的 Agent 运行时，能复用就复用。我们试了几个方向：在外层加鉴权、用不同的账号做用户隔离、用 Skill 配置来区分部门权限。跑起来了，用了一阵子，但问题越来越明显——这套打法在用户量小的时候还能撑，一旦部门多起来，隔离的漏洞就开始出现。根本原因在于，OpenClaw 的记忆和会话模型本来就是单用户设计的，在上面模拟多租户，本质上是在用应用层约定替代架构层保证，这个约定一旦被某个边界情况打破，就没有兜底。
还有一个思路是自己搭多租户层，在 OpenClaw 外面包一层鉴权和隔离。维护成本很高，每次 OpenClaw 更新都要重新适配，而且核心问题——记忆隔离——还是没有从根上解决，只是把问题推到了应用层。
然后我们看了一圈其他开源方案要么太重、要么不适合私有化部署、要么企业级功能是付费的，开源版本砍掉了关键能力。。最后的结论是：这个问题没有现成答案，要么接受现有工具的局限、要么自己做，我们选了后者，最后梳理出几个必要条件：
多租户隔离要在运行时层面保证，不能靠应用层约定。 不同用户、不同部门的执行环境要真正隔离，不是"我们约定好不互相访问"，是架构上就做不到越界。
记忆要有层次结构。 行业知识、公司知识、部门知识、个人知识，这几层的边界要清晰，调用逻辑要分明。把所有东西混在一个大记忆池里，表面上信息丰富，实际上噪声也多，更重要的是数据边界失控。
操作要可审计、可回放。 是为了在出问题的时候有据可查，也是合规的基本要求。Token 消耗、操作链路、数据访问，这些在企业环境里应该是可见的。
Skill 和能力要能在组织内流转。 一个 Agent 学到的有用的东西，应该能变成组织资产，而不是个人私有。
把这几个条件加在一起，你会发现这已经不是一个 Agent 工具能解决的问题，而是一个 Agent 运行时平台要解决的问题。
我们自己搭了一套，然后开源了
说了这么多问题，说说我们实际怎么做的。
我们基于对企业场景的理解，做了一个专门面向企业的 Agent 运行时，叫 EnClaws，Apache 2.0 协议开源，最近刚开放出来，分享给同行们做个参考。核心设计就是围绕上面说的几个点：多租户运行时隔离、四层记忆结构（行业→企业→部门→个人）、全链路审计、Skill 共享流转。技术栈是 TypeScript + Swift + Kotlin，支持跨平台，私有化部署，安装也比较简单：
npm install -g enclaws
enclaws gateway
不展开说太多功能细节了，感兴趣的可以去 GitHub 翻 README，写得比较清楚。
说到底
企业 AI 落地真正的难点从来不是模型够不够聪明，而是怎么让 AI 在一个有权限、有边界、有合规要求的组织里安全地跑起来。 OpenClaw 这类工具把个人 Agent 的体验做到了很高的水准，这是它的价值所在。但企业需要的是另一层东西——不是更聪明的 Agent，而是能管理一群 Agent 的基础设施。回到最开始那条消息，那个问题的答案，现在想来其实很简单：养一只 OpenClaw 龙虾，公司 200 人一起用，做不到。不是它的问题，是它从来不是为这个场景设计的。
五、最后想说
模型的智能程度在不断提升，但企业的瓶颈从来都不是智能本身，而是如何让 AI 在企业中安全、合规、高效地运行。作为企业有时候需要的不是最 “炫” 的 AI 工具，而是最适合企业场景、能真正解决问题的方案。你们公司现在解决多用户 Agent 隔离是怎么做的？是每人独立部署、还是有统一的管理层？
