对话Flowboat谭少卿：Agent办公痛点解析，模型能力并非关键
面向 OPC 的 Agent 工作空间。
今年以来，端侧 AI Agent 无疑是 AI 办公领域最炙手可热的赛道。从 Openclaw 点燃的端侧智能热潮，到各类新产品密集亮相，行业在快速迭代的同时，也呈现出一种明显的割裂感：一边是大模型的通用能力日新月异，Agent 的工具调用与指令遵循愈发精准；另一边，全球超过 10 亿的知识工作者，其日常办公依然深陷于“多窗口切换、上下文反复投喂、工作流与 AI 能力割裂”的普遍困境。
图片来源：Flowboat 正式
最近，一款名为 Floatboat 的桌面客户端产品开启了内测。它将文件管理器、浏览器和 AI 对话界面融为一体，主要瞄准 OPC（一人公司）群体。
这款产品究竟瞄准了 AI 办公的哪些核心痛点？其设计思路与行业主流有何不同？通过与 Flowboat 创始人谭少卿的对话，我们试图梳理出这款产品的核心逻辑及其背后的行业洞察。
AI 办公的最大痛点，不是模型不够强
“我们测试过，即使用户完全不调用 Flowboat 的 Agent 功能，仅凭其工具层面的整合，办公效率也能提升 2 到 5 倍。” 谭少卿的这句话，恰好点出了当前 AI 办公赛道的一个普遍现象：多数产品都在比拼模型能力、多模态效果和工具调用的广度，但 AI 与用户原生工作流之间的割裂，依然存在。
这几乎是每个知识工作者的日常写照：撰写一篇深度稿件，你需要先在浏览器里搜索行业资料、查找数据，然后打开文档整理素材，接着切换到 GPT 或 Claude 的对话窗口，将素材一段段粘贴进去，费力编写 prompt 说明写作风格，等待 AI 生成内容后，再复制回文档手动修改。过程中一旦发现数据缺失，又得重复一遍“浏览-复制-粘贴-投喂”的循环。
对于身兼数职的 OPC 创业者而言，情况更为复杂。撰写商业计划书需要同步产品文档、用户反馈和市场数据；起草招聘需求要结合公司愿景、产品特性和团队情况；进行市场投放则涉及素材制作、账号运营与数据复盘。所有这些信息散落在本地文件夹、微信聊天记录、浏览器标签页和各类 SaaS 工具中，AI 难以触及完整的工作流，只能处理零散、单点的任务。
Flowboat 的解决方案，跳出了“对话框即 Agent”的行业惯性。它没有选择在传统办公流程中简单嵌入一个 AI 对话入口，而是直接构建了一个集浏览器、文件管理器和 AI Agent 于一体的 AI 原生办公环境——这也是其早期代号 AoE 的由来，既是游戏术语“范围伤害”，也代表着 AI Office Environment（AI 办公环境）。
这一设计的核心在于，让 Agent 主动融入用户的工作流，而非让用户围着对话框打转。在 Flowboat 中，AI 更像一个能感知你工作状态的协同者：你打开的产品设计文档、浏览的行业报告、操作的本地文件夹，都会自动成为 AI 可理解的上下文。无需手动上传、复制粘贴或编写冗长的 prompt，AI 天然就知道你正在做什么、需要什么。
例如，在撰写融资计划书时，你只需在左侧打开相关的产品文档和市场调研材料，然后对 AI 说一句“写一版种子轮融资 BP”，它便能自动读取所有上下文，生成完整内容，甚至能根据需求迭代二十多个版本，全程无需任何文件传输操作。招聘时，你无需向 AI 大段解释公司背景，只需说“帮我写一个测试岗位的招聘 JD”，AI 就能自动读取左侧的公司资料，生成精准匹配的文案，你只需微调细节即可。进行内容创作时，你可以直接用内置浏览器浏览博主的社交媒体，然后一句话让 AI 将博主三天的帖子整理、转录并配音，生成一期完整的播客，全程无需切换窗口或下载额外工具。
图片来源：极客公园
在实际试用中，这种整合带来的便利是显而易见的。在工作空间内，可以同时开启并自由切换多个文件夹，文件浏览和查找效率显著提升；也能直接将多份文档拖入对话区域，让 AI 分析其间的关联与逻辑。处理网页信息时，内容可以随手拖拽保存至本地文件夹，告别复制粘贴；内置编辑器支持直接修改文档，每一处改动都会被 AI 同步感知，无需重新上传或手动同步上下文。
完成一次特定任务后，例如按照个人风格生成稿件，用户可以将整段工作流程一键保存为“Combo Skill”。系统会自动记录操作步骤、表达偏好与执行逻辑，形成可重复使用的技能模板。后续遇到相似任务时，AI 会根据当前上下文主动推荐匹配的 Skill，加载即用，无需手动查找或输入命令。
可以说，传统对话式产品的逻辑是“人找 AI”，用户必须主动将所有信息和指令“喂”给 AI；而 Flowboat 的逻辑则是“AI 跟着你的工作走”，它存在于你的办公环境之中，你的工作流延伸到哪里，它的能力就覆盖到哪里。
Agent 行业的内卷误区：我们到底需要什么样的端侧智能？
Openclaw 带火端侧 Agent 的同时，也让这个赛道迅速陷入了同质化竞争：人人都在做端侧产品，个个都在搭建 skill 市场，仿佛谁的 skill 数量多、谁开放的权限高，谁就能赢得市场。然而现实是，全球 10 亿知识工作者中，真正能将端侧 Agent 熟练运用起来的人，依然凤毛麟角。
在谭少卿看来，绝大多数产品都陷入了行业的三个核心误区，而 Flowboat 从设计之初就试图绕开这些内卷陷阱。
Floatboat Founder 谭少卿 | 图片来源:受访者
误区一：用户分层模糊，试图讨好所有人却无人满意。 “我们可以非常粗略地将用户分为三层：极客用户、专家用户和大众用户。每一类用户的核心需求，几乎是完全相反的。” 这是谭少卿基于十多年亿级用户产品经验得出的核心洞察，也点出了当前 Agent 产品的普遍通病。
极客用户追求极致的开放性，他们需要产品的底层能力完全暴露，以便自行编写代码、修改脚本、自定义所有规则。这也是 Openclaw、Claude Code 吸引极客群体的根本原因。但代价是极高的使用门槛，非技术用户可能光安装部署就要耗费一周，面对终端命令行束手无策。
专家用户追求极致的可控性，他们需要 AI “指哪打哪”，该发挥时精准完成任务，不该发挥时绝不画蛇添足。专业的内容创作者、设计师、分析师根本无法接受 AI 随意改动自己的作品，而绝大多数 Agent 产品目前还做不到这种精准控制。
大众用户追求的则是极致的易用性与安全性。对他们而言，AI 工具的核心价值是“快点把活干完，早点下班”。他们没有时间去学习如何编写 prompt、安装 skill 或调试 Agent，复杂的管理与流程编排，本质上都是伪需求。
市面上的产品，要么完全倒向极客，做成了只有少数人能玩转的“玩具”；要么试图讨好所有用户，结果成了“四不像”——极客觉得不够开放，大众觉得过于复杂，专家觉得不可控。
Flowboat 选择先锚定 OPC 这一核心群体。他们是最特殊的一类用户：既是各自领域的专家，又身兼数职，同时处理法务、财务、运营、创作、投放等复杂工作流，对效率提升的需求最为强烈。基于此，产品尝试实现三层用户需求的兼顾：
- 底层开放性： 保留了极客用户需要的自定义能力，支持 Combo Skills 与 API 调用，满足深度定制需求。
- 交互易用性： 实现了大众用户期望的开箱即用，零代码门槛，无需编写 prompt，用自然口语即可驱动 AI。
- 功能可控性： 满足了专家用户对精准控制的要求，内置编辑器允许随时手动调整内容，避免 AI 擅自修改，实现真正的“人机协同”，无需反复下载文件、切换软件。
谭少卿提出了一个本质判断：“我们每个人在不同的事情上，都处于不同的用户分层。你可能是个技术极客，但在处理法务时，你就是个大众用户；你是个内容创作专家，但在数据分析上，可能只是个普通用户。一个真正具有普适性的生产力工具，必须能覆盖这三层用户的需求。这在产品技术架构上是巨大的挑战，但 AI 的进步让这件事有了可能性。”
误区二：将 skill 市场视为核心壁垒，忽略了其过渡属性。
当前的 Agent 行业，几乎所有玩家都在 skill 市场的数量上疯狂内卷，仿佛谁拥有的 skill 多，谁就能建立起下一代应用生态。但谭少卿的判断是：“绝大多数 skill 市场，最终都会消亡。”
他给出了两个理由。第一，第三方 skill 存在难以解决的安全与信任问题。普通用户根本看不懂 skill 背后的代码，无法判断其是否存在安全风险。而平台往往只做聚合，不承担任何责任。用户使用 skill 后若出现电脑故障或数据泄露，后果只能自行承担。这类似于 Openclaw 的开源逻辑：“玩法都开放了，你搞坏电脑与我何干？”但在谭少卿看来，作为一款面向大众的商业产品，这种价值观是行不通的。
第二，skill 本质上只是一个过渡形态。“skill 是什么？其实就是人类在将自己的 know-how 蒸馏给模型，模型厂商开心极了，终于有人系统性地把各行各业经验喂给它。” 谭少卿说，“而大模型的能力正在飞速提升，现在需要 skill 才能实现的功能，未来模型会直接内化，变成其通用能力的一部分。”
在他看来，skill 或许只会在需要高确定性的企业级场景中长期留存。对于绝大多数普通用户而言，它注定只是 AI 发展过程中的过渡产物。
正因如此，Flowboat 没有陷入 skill 数量的军备竞赛，而是打造了一套截然不同的 Combo Skills 体系。它使用 Markdown 这种人与机器都能读懂的格式，将指令、模板、脚本、API 调用全部整合在一个文件包中。用户无需懂得低代码或编写复杂脚本，就能轻松自定义技能。同时，技能与用户的工作流、上下文深度绑定，而非孤立的功能插件。“AI 能力的强大实际上会让每个人变成‘产消者’（prosumer），这与软件和 SaaS 时代完全不同。”
更重要的是，Flowboat 对所有上架的 skill 都进行了严格的安全审核，为用户提供兜底保障，从根源上解决了安全焦虑。
误区三：只做工具层创新，不敢挑战延续数十年的数据垄断。
从 PC 时代的 Office 套件，到互联网时代的 SaaS 产品，办公领域几十年的发展史，本质上是一部平台垄断用户数据的历史。
传统的 Office 软件，通过私有协议将数据、交互、逻辑强行分离。你必须用 Word 才能打开 .doc 文件，否则就是一堆乱码，平台垄断了文件的唯一解释权。后来的 SaaS 产品，更是将数据垄断推向极致。你存储在飞书、Notion 中的文档，大多不支持完整的原生格式导出；ChatGPT 的记忆功能，甚至只允许导出用户自己发送的内容，AI 回复的核心信息无法完整获取。
用户使用的工具越来越多，却从未真正拥有过自己的数字资产。更不用说跨产品、跨 Agent 的协同：你在 Flowboat 中的工作流，无法同步到 Openclaw；你在 Claude 中的 AI 记忆，无法用于 GPT。不同平台之间，数据与上下文是完全割裂的。
这才是办公领域最底层的顽疾，也是 Flowboat 真正试图打破的壁垒——它推出了开源的 Selfware 协议，旨在重新定义 AI 时代的数字文件格式。谭少卿用了一个形象的比喻：“Flowboat 相当于一艘承载用户数字资产的船，船与船之间流转的，就是基于 Selfware 协议的文件包。它就是新时代 Agent 世界里的标准化集装箱。”
这一协议从底层重构了数字文件的逻辑：
- 整合数据、交互与逻辑： 它将数据、交互和逻辑重新整合到一个统一的文件包中，不仅包含最终交付物，还完整保留了创作、协同过程中的所有想法、决策、修改记录，以及用到的 skill 与 API，把 AI 所需的完整上下文全部封装在一个文件里。
- 实现真正的跨平台兼容： 任何支持 Selfware 协议的 Agent 产品，都能打开、编辑、使用这个文件包。用户不再被单一平台绑定，实现了“我的数据我做主”。
- 保障用户数据所有权： 所有文件包、数据、AI 记忆都储存在用户本地，杜绝了平台蒸馏用户数据、泄露隐私的可能性。用户带着电脑，就带走了自己全部的数字资产。
这无异于尝试对整个办公行业的底层规则进行重构，将生产资料的所有权，重新交还给每一个个体用户。
OPC 时代，Agent 的终局是重构生产关系
“我们选择的切入点是 OPC。因为我们相信，OPC 代表了先进的生产力方向。”
AI 大模型的爆发，正在彻底重构社会的劳动分工。过去需要专业团队才能完成的任务，如今一个人就可能胜任：编程、制作视频、搭建网页、设计，这些曾经需要专门职业的技能，正被 AI 转化为人人都能掌握的基础能力。越来越多的人选择成为 OPC，以 10 人以内的小团队，甚至单枪匹马，运营一整盘生意。
然而，传统的办公软件并非为这群人设计。中大型企业分工明确，法务、财务、运营、创作各有专人负责，工作流是标准化、线性的。而 OPC 创业者需要一人扛起所有角色，工作流是动态、交叉且复杂的，信息散落在各个平台与文件中，他们对上下文流转、多角色协同的需求，远比中大型企业更为强烈。
“你的工作越复杂，上下文流转越频繁，一个人扮演的角色越多，Flowboat 带来的效率提升就越显著。” 谭少卿说，“如果你的任务是相对单点、纵深的，或者分工特别明确，那么你对它的能力感知可能不会那么强烈。” 他笑着补充，“比如很多投资人朋友。但未来，成为 OPC 的人会越来越多，需要‘一个人顶一个团队’的场景会成为常态，这就是我们的核心用户。”
工具只是 Flowboat 的第一步。它真正想做的，是搭建一套分布式的 Agent 协同网络，让个体生产力首次具备网络效应，从而重构 AI 时代的生产关系。
传统的协同办公，本质是“人找人”。你需要将自己的文件、文档、工作记忆全部暴露给对方，才能完成协作，不仅效率低下，还存在严重的隐私泄露风险。而在 Flowboat 构想的分布式网络里，协同的主体变成了 Agent：你与同事的电脑可以通过 Agent 实现安全、高效的协同，无需暴露完整的数字资产，只需共享项目区间内的上下文，双方的 Agent 就能提前完成多轮信息同步与内容处理，最终由人来做核心决策。
更具想象空间的是，这个网络能对个体生产力产生指数级放大效应。你的 Agent 可以在你休息时，与网络中其他用户的 Agent 完成对接、协作，甚至进行基础的商业交易。原本一个人只能服务四五个客户，在 Agent 的加持下，可服务的上限可能拓展至上百人。
谭少卿表示，“当每个个体的生产力都被 AI 放大 10 倍、100 倍，再通过开放的分布式网络实现协同，整个社会的生产关系，都会发生根本性的改变。”
交流的最后，他反复强调一个核心观点：产品设计决定用户需求。“你把产品叫做 AI Browser，那么来的用户 70% 都是为了抓取数据；你把产品定义为面向 OPC 的 Agent 工作空间，用户才会把剪辑视频、进行科研、撰写播客、做战略分析这些真实而复杂的需求释放出来。而这，才是我们探索的起点。”
*头图来源：Flowboat 正式
相关攻略
5月11日，阿里云正式发布团队版Token Plan服务，为企业AI规模化应用带来全新解决方案。该服务整合了通义千问Qwen3 6、智谱GLM-5 1、月之暗面Kimi-K2 6、万知Wan2 7等十余款主流多模态大模型，旨在通过标准、高级、尊享三档灵活套餐与多坐席管理功能，一站式解决企业在AI订阅
角色与核心任务 你是一位顶级的文章润色专家，擅长将AI生成的文本转化为具有个人风格的专业文章。现在，请对用户提供的文章进行“人性化重写”。 你的核心目标是： 在不改动原文任何事实信息、核心观点、逻辑结构、章节标题和所有图片的前提下，彻底改变原文的AI表达腔调，使其读起来像是一位资深人类专家的作品。
从“动口”到“动手”：OpenClaw如何将AI推入“执行时代”？ 文｜洞见新研社 3月的最后一周，OpenClaw的GitHub社区上演了一出反转剧。往日里忙着报错的开发者们这次成了观众，主角换成了来自蚂蚁、天融信、360等机构的安全研究员，他们密集披露了数十个涉及远程接管、信息泄露的高风险漏洞。
程序员惊喜，每月100美元！OpenAI上线全新Pro方案：Codex限时10倍额度 北京时间4月10日凌晨，OpenAI终于落下了重度用户期盼已久的那只靴子：正式推出每月100美元的全新订阅方案。 至此，OpenAI的商业化版图已经清晰地划分为四个核心层级： ·免费版（接入广告） ·每月8美元的G
2026 04 14 一个核心趋势是：未来的商业竞争，本质上是用户注意力资源的争夺战。谁能更精准、高效地连接信息与用户需求，谁就能在市场中赢得关键优势。 本文配图深刻揭示了这种高效连接的底层逻辑与完整工作流。它系统展示了从数据采集到价值交付的闭环链路，每个环节都紧密耦合。实践证明，其中任一节点的效率
热门专题
热门推荐
今年三月，谷歌DeepMind高级科学家Alexander Lerchner发表了一篇重磅论文，其核心结论清晰而深刻：基于算法的符号操作在结构上注定无法产生真正的意识——无论未来模型规模如何庞大、架构如何精巧，甚至是否为其配备仿生身体，这一根本性限制或许都无法被跨越。 仔细审视这一论断，它并非一个关
研究针对AI助手难以执行复杂屏幕操作的问题，构建了CUActSpot评测基准，通过代码渲染自动生成含精确坐标的多样化训练数据，并训练了一个40亿参数模型。实验表明，提升训练数据多样性比单纯扩大数据规模更能有效增强模型通用操作能力，并展现出跨任务泛化潜力。
《迷你世界》于2026年5月15日发布全新激活码，玩家可凭兑换码领取酷炫角色装扮、迷你币及稀有道具，请及时复制有效激活码前往游戏内使用。
《我的世界》于2026年5月17日发布免费兑换码EMMMyxhjVHMApsb2，可兑换游戏道具与装饰。兑换码常有时间或次数限制，请尽快使用。更多兑换码可查看官方汇总页面。