百家亮招“龙卡”，阿里百度激战智能体入口新局
据知情人士向《科创板日报》独家透露，百度健康正在内部孵化一款面向医生的专业AI智能助手，内部代号“DoctorClaw”，已于近期启动内测。
该产品基于近期热门的开源多智能体框架OpenClaw（俗称“龙虾”）进行开发。区别于市面上常见的AI医疗问答产品，它不仅仅是回答问题，而是尝试让AI真正“动手做事”。
一位接近项目的人士透露，团队正在探索一些具体落地的方向，比如帮医生整理资料、跟进进度、设置提醒。“你交代它办事，它就能一直帮你跑着。”这意味着AI从“被动应答”向“主动执行”迈进了一步。
目前，项目仍在封闭开发阶段，具体产品形态未知，上线临近。知情人士称，短期可能会从学术检索和工作辅助做起，长期目标是覆盖临床、科研、教学多个场景。
截至发稿，百度健康最新未对上述信息做出回应。
01
随着开源AI智能体OpenClaw的走红，国内大厂和AI公司开始密集发力“养虾”，百度是较早入局的一家。2月3日，百度智能云率先上线OpenClaw一键部署服务，开发者通过轻量应用服务器就能快速部署。
进入3月以来，百度动作频频。3月11日，百度智能云发布OpenClaw零部署服务——DuClaw，支持 DeepSeek、Kimi-K2.5、GLM-5、MiniMax-M2.5 等主流大模型。3月12日，百度推出全球首款手机龙虾应用——红手指Operator。用户下载、注册后就可以指挥手机版龙虾完成各种任务，还能跨APP打车、点外卖等。
除了百度外，腾讯、阿里、京东等也不甘落后。
阿里云在今日正式推出手机“一键养虾”产品JVS Claw。阿里云正式显示，JVS Claw支持iOS 和Android手机端，以及网页端和Pad端多端访问，任意终端都可以接入OpenClaw。用户在手机上操作三步，就能拥有AI智能体“龙虾”。全程无需配置节点和大模型API密钥，也不用绑定微信/飞书等IM工具。JVS Claw还支持云端、本地双模式切换。未来，JVS Claw将上线多OpenClaw接入功能，将本地部署的Mac Mini和其他部署方式全部接入平台，解决在一个通道里与不同AI智能体之间的交流难题。
腾讯则发布全系“龙虾”产品矩阵，包括桌面版龙虾WorkBuddy、QClaw、腾讯云 Lighthouse、智能体开发平台 ADP、腾讯云桌面等。马化腾在朋友圈里发文称：自研龙虾、本地虾、云端虾、企业虾、云桌面虾，还有安全隔离虾房、云保安、知识库……还有一批产品陆续赶来。
京东云于3月13日中午，在京东集团北京总部免费安装OpenClaw，并发起“养数字龙虾，送实体龙虾”活动，用户完成OpenClaw安装部署并完成一次任务执行，现场送出1份小龙虾，提供百万Tokens免费用，新用户登录京东云JoyCode智能编码助手，还能再领一份小龙虾。
360集团创始人周鸿祎认为，AI产业正进入“大模型+智能体”的双线进化阶段，“龙虾”正印证了这一趋势，大模型不断提升认知能力，智能体持续强化执行能力。随着AI从“会回答问题”走向“能动手干活”，智能体应用也开始向更多实际场景延伸。
周鸿祎进一步表示，“龙虾”代表了一种新的智能体范式，能够让大模型能力与企业业务结合，通过“小切口、大纵深”的方式推动应用落地，这种“以小见大”的方式特别适合中国企业的智能化、信息化落地。目前，一台普通电脑即可运行智能体，正在加速“一人公司”（OPC）式创业。
与此同时，随着智能体能力不断增强，相关安全问题也逐渐受到关注。周鸿祎指出，龙虾作为新生事物，不应因为潜在风险而被简单否定，而应在发展中逐步建立安全边界。他提醒普通用户，在使用智能体时要特别注意账户与资金安全，不要向智能体泄露密码、口令等敏感信息。
热门专题
热门推荐
在流量日益分散的今天，把鸡蛋放在同一个篮子里，风险不言而喻。多平台推广，早已不是“要不要做”的选择题，而是“如何做好”的生存题。它的核心价值，可以概括为两点：实现“流量风险对冲”，以及构建“品牌触点全覆盖”。通过在不同生态位——无论是搜索、短视频、图文还是电商——建立内容矩阵，企业不仅能有效缓冲单一
DeepSeek知识库的核心，是运用RAG（检索增强生成）技术，将DeepSeek强大的大语言模型推理能力，与您的私有文档资源——包括PDF文件、内部代码库、标准操作流程（SOP）等——深度融合。其最终目标是实现基于特定垂直领域数据的精准智能问答，让AI的回答不再是通用泛化，而是具备专业依据、内容详
三大运营商推出Token套餐，将大模型调用量包装为类似流量包的产品，以降低AI使用门槛。中国电信推出个人与企业多档套餐，最低月费9 9元；上海移动推出1元购40万Tokens服务；联通则提供个人与团队版套餐。运营商凭借用户渠道和支付优势，推动算力消费向大众市场普及，可能重塑AI服务消费模式。
HermesAgent本地运行缓慢常因未量化的大语言模型占用资源过多。可通过AWQ量化模型、llama cpp后端加载GGUF模型、配置vLLM引擎提升并发吞吐、禁用非必要工具降低上下文开销，以及调整SQLite记忆检索阈值等方案优化。这些方法能显著降低延迟，提升响应速度。
随着AI智能体能力的持续增强，确保其行为始终符合预设目标与安全边界，已成为行业亟待解决的核心挑战。然而，当前主流的治理方案在防止智能体“失控”或“脱轨”方面，仍面临显著的实践瓶颈。 在之前的探讨中，我们分析了主流治理思路：部署多样化的对抗性验证器，构建一个多层次的安全审查网络。该方案的核心逻辑并非限