0 引言
大语言模型的能力持续跃升，正推动人工智能应用由内容生成走向任务执行，并进一步演化为具备工具调用、多步推理与长期记忆能力的智能体形态。智能体已不再是封闭的文本交互系统，而是被界定为能够借助操作系统环境、输入输出接口与控制机制完成复杂任务的执行主体
[1]。其任务达成不再仅由模型本身决定，而是由模型能力、环境状态、动作空间与任务记忆共同塑造。随着研究重心向系统级任务转移
[2]，无论是建立Android设备环境中的可复现训练与评测基准
[3]，还是攻克Windows图形界面（GUI）的跨应用导航
[4]，抑或是在长链路移动交互中维持注意力焦点
[5-6]，相关研究都表明，设备环境中的任务执行具有不同于一般文本交互的结构性约束。
基于中心化算力集群的云端托管模式虽然仍是当前智能体部署的主流路径，但其面对设备环境中的高频交互与敏感数据处理时，已逐步显露出局限性。将大模型能力引入设备环境，并非单纯增加一个问答入口，而是牵动设备功能与应用生态的整体重组
[7-8]。当任务涉及本地文件处理、连续界面操作和敏感数据使用时，在以GUI感知和远程模型决策为核心的云端托管模式中，系统往往需要上传截图、控件树、局部上下文或任务状态信息，以维持连续理解和远程决策能力。对于高频交互和敏感任务而言，这可能带来时延累积、数据出域和责任边界复杂化等问题
[9]。多模态界面本身可能成为隐蔽的注入攻击载体
[10]；更为严峻的是，即便在无攻击场景下，现有模型在复杂工具调用环境中仍难以保持稳定执行
[11]。设备环境的开放性还使风险来源扩展至多步输入与外部交互等多个层面
[12]。由此可见，云端托管模式在高敏、高频和强交互场景中所面对的，已不仅是计算性能问题，更是时延、隐私与安全相互叠加的治理问题。
在这一背景下，设备原生智能体开始显示出独立的研究价值。本文将其作为观察智能体部署模式变化的核心对象，重点关注控制平面、状态保持、工具执行、权限调度和敏感数据处理等关键环节如何在设备本地环境与云端服务之间重新分配。在这一框架下，本地优先强调关键执行环节和敏感数据处理优先在设备本地环境中获得承接，端云协同则说明云端模型或云端服务仍会为复杂推理、统一更新和跨设备协作提供增强能力。本文据此分析其形成条件、结构表现与治理含义。
仅以模型小型化或算力下沉来理解设备原生智能体，仍不足以解释这一方向为何会在当前阶段集中出现。本研究表明，任务需求、工程条件与治理约束的共同变化，使智能体部署问题从模型运行位置的选择，转向系统组织方式与治理结构变化的综合问题。
随着部署模式由云端中心化走向设备原生、本地优先与端云协同并存，数据与控制的流动路径也会随之调整。治理边界不再只围绕远程平台展开，而会进一步延伸到设备环境、组织内部结构与端云协同机制之中。
基于上述认识，本文以OpenClaw为观察样本，重点分析其所揭示的部署逻辑变化，而不把产品性能评价作为讨论中心。文章主要回答以下3个相互关联的问题。
(1)智能体部署模式为什么会从云端中心化走向设备原生智能体、本地优先原则与端云协同路径相结合的新结构?
(2) OpenClaw作为观察样本，具体呈现了哪些结构特征、场景适配和可观察的部署重构?
(3)在端云协同将长期存在的前提下，这种变化将把下一代AI智能体基础设施带向什么趋势方向，并提出哪些治理要求?
围绕上述问题，本文从AI智能体部署模式演进的角度，分析设备原生智能体如何在本地优先原则和端云协同路径下形成新的系统组织方式，并据此将设备环境任务执行、模型本地运行、数据控制和智能体安全等问题，放入“任务条件—系统机制—治理边界”的分析框架中加以解释。任务条件用于说明持续上下文、本地文件、敏感数据和低时延交互等需求如何推动本地优先与端云协同形成；系统机制用于说明控制平面、工作空间、会话状态、工具调用和权限调度等环节如何围绕设备本地环境重新组织；治理边界用于说明数据出域、会话隔离、更新审计和责任追踪等问题如何随部署结构变化而调整。按照这一思路，本文先分析部署模式演进的形成条件，再以OpenClaw为观察样本讨论其结构机制和场景适配，最后讨论由此引出的治理风险与政策建议。
1 智能体部署模式演进：从云端中心化到设备原生
AI智能体部署模式的变化，正在从模型运行位置的局部调整扩展为基础设施演进和产业组织方式变化的一部分。国务院《关于深入实施“人工智能+”行动的意见》提出发展“模型即服务”“智能体即服务”，并将人工智能与经济社会各行业各领域的广泛深度融合纳入国家部署
[13]。2026年，《政府工作报告》又进一步提出促进新一代智能终端和智能体加快推广，推动重点行业领域人工智能商业化规模化应用
[14]。可以看出，智能体部署模式的变化已不再只是工程实现问题，而是进入基础设施布局、产业扩散与治理安排共同作用的阶段。
在这一背景下，讨论部署模式演进，需要同时看到技术条件、应用需求和制度环境的变化。中国信息通信研究院发布的《云计算蓝皮书（2025年）》指出，智算服务和智能体已经成为云计算市场增长的重要驱动力
[15]。《人工智能产业发展研究报告（2025年）》则进一步表明，智能体正与基础模型、开源生态、私有化部署和安全治理共同构成人工智能产业演进的新重点
[16]。这意味着，设备原生、本地优先和端云协同并不是彼此割裂的技术概念，而是智能体部署模式在新阶段逐步形成的关联结构。在政策导向、产业趋势与技术进展共同作用下，智能体部署模式演进已具备较为明确的现实基础与研究支撑。为便于把握这一演进的总体逻辑，本文将其概括为AI智能体部署模式演进逻辑图（
图1）。
图1概括了智能体部署模式由云端中心化向设备原生、本地优先与端云协同并存结构演进的基本逻辑。
图1的重点不是展示单向替代关系，而是说明部署模式变化涉及任务需求、技术条件和治理边界的共同调整。为进一步说明这一判断，
表1整理了近5年与该演进方向相关的主要研究证据。
由
表1可以看出，智能体部署模式演进已经具备较为明确的技术、任务和治理基础。云端中心化结构在设备环境中的约束，使部署问题不再只是模型运行位置的选择。本文首先统一核心术语，再说明云端中心化成为上一阶段主流的原因，随后从任务侧、技术侧和治理侧分析本地优先与端云协同的形成条件，并在此基础上给出本地部署与云端托管模式的比较框架。
1.1 核心术语与分析对象
本文所讨论的设备原生智能体，是指以终端设备或组织可控本地环境为主要运行锚点，将控制平面、状态保持、工具执行、权限调度和敏感数据处理等关键环节优先部署在本地环境中，并通过云端模型或云端服务提供增强能力的智能体形态。它区别于一般混合式Agent的关键在于本地环境是否承担任务连续性、权限边界和关键执行过程的组织职责。
本地优先强调将本地执行置于优先位置。凡是涉及本地文件、设备权限、持续状态和敏感上下文的关键环节，都应优先在设备本地环境中完成。
本地部署对应的是实现方式，回答的是系统通过何种结构把本地优先原则落实到实际运行中的问题。
端云协同对应的是现实路径，说明设备原生智能体并不排斥云端，而是在本地执行与云端增强之间形成新的职责划分。
这4个术语并不是并列替换关系，而是分别对应研究对象、运行原则、实现方式和现实路径。与此相关的“去中心化”，在本文中也不是独立的部署方式，而是上述变化在控制关系上的结果。它主要表现为控制平面、持续状态和关键执行环节不再单一依附远程平台，而开始围绕设备本地环境分散组织。
1.2 云端中心化成为上一阶段主流的原因
AI智能体上一阶段之所以普遍采取云端中心化结构，有其明确的历史条件。其一，大模型训练和推理长期依赖集中算力与统一运维。云端托管模式更容易整合算力、统一更新模型，并以平台服务形式快速扩展应用范围。其二，云计算长期承担了人工智能规模化应用的基础设施角色。中国信息通信研究院发布的《云计算蓝皮书（2025年）》仍将云计算视为人工智能时代的重要基础支撑，并强调智算云体系正在成为模型训练和推理的重要承载方式
[15]。这说明，云端中心化并不是一种偶然安排，而是上一阶段技术条件和产业组织方式的自然结果。
云端中心化还适应了上一阶段智能体应用的基本特点。早期应用更多围绕统一入口、统一模型和统一服务展开。系统主要面对的是相对标准化的调用场景，而不是设备环境中的持续任务。用户与系统之间的关系，也更多表现为远程请求与结果回传。这样的结构更容易发挥平台化组织的优势，也更适合通过统一接口覆盖大规模用户。对产业而言，这种模式还有一个直接好处，就是模型能力、服务部署和安全管理可以被集中到远程平台之上，系统升级和维护成本相对可控。
政策和产业报告也说明，云端中心化在上一阶段具有明显的基础设施合理性。《数字中国建设整体布局规划》明确把数字基础设施和数据资源体系作为数字中国建设的2大基础
[39]。《算力基础设施高质量发展行动计划》进一步从计算力、运载力、存储力和应用赋能4个方面提出量化指标，并把算力基础设施视为支撑人工智能和数字经济发展的关键底座
[40]。关于深入实施“东数西算”工程、加快构建全国一体化算力网的实施意见也表明，算力网已经被放到关键基础设施的位置上统筹推进
[41]。这说明，云端中心化之所以能够成为上一阶段主流，并不是一种偶然安排，而是与当时的基础设施布局和资源组织方式高度一致的。云端能力本身并未失效，但当智能体进一步进入设备环境、持续任务和高敏场景时，仅靠云端中心化已经难以覆盖全部需求。
1.3 本地优先与端云协同的形成条件
本地优先与端云协同在当前阶段受到关注，首先与设备环境中的任务形态变化有关。AI智能体进入设备环境后，任务往往不再停留在一次性问答，而是延伸为持续上下文保持、本地文件处理、应用状态理解、敏感数据使用和低时延交互等连续过程。Android设备、Windows图形界面和智能手机操作等场景，已经把界面理解、应用导航、动作选择和多轮状态保持纳入智能体评测与系统设计之中
[3-6]。在开放Web环境中，真实或近真实的交互任务还会受到网页结构、视觉信息、动作空间、任务链长度和外部环境变化的影响
[17-21,23]。这些共同说明，当智能体进入设备环境和开放交互环境后，执行位置、状态保持、响应时延和权限边界都会成为影响系统表现的重要因素。个人知识工作中的文档导航、信息整合和决策辅助，也会进一步强化上下文连续性、数据敏感性和过程可控性的要求
[42-43]。在这类任务条件下，关键执行环节、持续状态和敏感数据处理更需要靠近设备本地环境。
技术侧条件的变化，使本地优先从方向判断逐步转向工程选项。小语言模型、模型压缩、量化推理、边缘推理和异构算力协同的发展，正在降低设备环境中模型运行的内存、功耗和时延压力
[29-30,44-46]。这并不意味着所有能力都要转向本地执行，而是说明设备本地环境已经具备了承接更多任务环节的基础条件。新一代智能设备正在从连接入口进一步走向感知、交互和智能协同入口，设备环境也随之成为智能体能力组织的重要承接位置
[47]。在人工智能基础设施建设中，模型、算力、数据、应用和治理也需要被放在同一系统框架中协同组织
[48]。在这种条件下，本地部署不再只是模型放置位置的变化，而是工作空间、会话状态、工具执行和权限调度等环节围绕设备本地环境形成更稳定的组织方式。
端云协同回应的是设备资源约束与任务复杂度之间的长期张力。设备环境适合承接贴近任务现场的本地执行、状态保持和敏感数据处理，云端仍然适合承担复杂推理、统一更新、跨设备协同和高负载计算。本地-云端推理卸载、边缘-云端协同推理、异构部署和量化推理等技术路径，使本地与云端之间的能力分配能够根据资源条件、任务负载和响应要求进行动态调整
[37-38,49]。大小模型端云协同进化也进一步说明，轻量模型与云端模型可以围绕任务条件形成分层协作关系
[50]。因此，端云协同更适合作为本地优先在现实资源约束下的实现路径，而不是与本地优先相对立的部署方式。
治理侧约束进一步推动了本地优先与端云协同的结构化形成。AI智能体一旦进入个人设备、组织工作流和行业业务系统，系统需要处理的不只是模型输出质量，还包括数据出域、权限控制、会话隔离、工具调用留痕和责任边界等问题。国务院《关于深入实施“人工智能+”行动的意见》已将智能体、场景应用和标准体系建设纳入整体部署
[13]，人工智能产业发展研究也把智能体、私有化部署、基础设施和安全治理放在同一发展框架中讨论
[16]。人工智能算力基础设施建设的重点，也正在从单点算力供给转向需求场景、能力匹配和落地生态之间的协同
[51]。国家人工智能产业综合标准化体系建设则把智能体、智能产品与服务、安全治理等内容纳入标准化安排
[52]。这说明，智能体部署模式的变化已经超出单一工程选择，开始进入基础设施组织和治理安排层面。基于这一判断，本地优先更适合承接高敏感数据处理、高频交互和强交互任务，端云协同则为复杂推理、统一更新和跨设备协作提供持续支撑。二者共同构成设备原生智能体在当前阶段较为现实的部署结构。
1.4 本地部署与云端托管模式的比较框架
前面的分析已经说明，智能体部署模式的变化主要体现为职责分工和系统组织方式的调整。为了进一步说明这种差异，有必要从更接近运行过程的维度比较本地部署与云端托管模式，包括执行位置、数据是否出域、任务状态保持、工具调用链路、权限控制粒度、审计追踪能力和云端依赖程度等方面。本地部署与云端托管模式的主要差异见
表2。
由
表2可以看出，本地部署与云端托管模式之间的差异，并不只体现为模型运行位置不同，还体现在执行链、数据链、权限链和审计链的组织方式上。对于设备原生智能体而言，任务状态如何保持、敏感数据是否出域、工具调用如何完成、权限边界如何划定以及操作过程能否被追踪，都会影响系统能否在真实任务环境中持续、稳定、受控地运行。由此可见，部署模式变化已经超出单一技术实现差异，进入系统组织方式调整的层面。本文以OpenClaw为观察样本，进一步分析这种变化如何以可观察的系统形态被具体呈现出来。
2 基于OpenClaw的结构观察：机制特征、场景适配
OpenClaw将控制平面、工作空间、会话管理和任务分工等要素组织到同一系统之中，为观察设备原生智能体提供了一个较清楚的样本。本文不把OpenClaw作为单独的性能评测对象，而是关注其在部署结构、任务组织和场景适配层面呈现出的特征，以及这些特征如何使部署模式变化从抽象判断转向可观察的现实过程。本文将围绕本地控制平面与工作空间、多代理分工与任务组织，以及本地优先的代表性适用场景3个层面展开分析。
2.1 本地控制平面与工作空间的形成
从部署结构上看，OpenClaw所体现的一个突出变化，是控制平面和工作空间更多地落在设备本地环境之中。云端托管模式通常把远程平台放在执行链中心，设备主要承担状态采集、结果呈现和动作承接功能。OpenClaw所体现的结构把会话组织、路由管理和任务工作空间安排到更接近设备本地环境的位置。执行协调、状态保持和局部控制随之集中到设备本地环境中，系统的组织重心也因此发生移动。
这种变化如果仅以文字描述，容易被理解为若干分散功能的叠加。从结构上看，它更接近控制平面、工作空间、持续会话与任务单元围绕设备本地环境重新组织的系统样本（
图2）。
图2所呈现的重点，在于结构重心的移动，而不是某一具体组件名称本身。设备环境不再只是远程平台的输入输出接口，而开始承担会话组织、任务保持、局部控制与执行协调等更完整的系统职责。工作空间的分化、持续状态的保留以及任务单元的相互隔离与协同推进，使部署模式变化获得了更可观察的结构形态。因此，OpenClaw更适合作为观察样本来分析，而不宜被写成单一产品功能案例。
公开文档中的Gateway、Workspace和Session结构，为观察这一变化提供了入口（OpenClaw 官方资料主要见:OpenClaw Docs,
https://docs.openclaw.ai/; Gateway Architecture,
https://docs.openclaw.ai/concepts/architecture; Agent Workspace,
https://docs.openclaw.ai/concepts/agent-workspace; Session Management,
https://docs.openclaw.ai/concepts/session）。这些部件的组合方式比单个功能更值得关注。任务上下文、临时文件、局部记忆和工具调用结果，逐步在设备本地环境中获得较稳定的承接结构。
从机制层面看，Gateway、Workspace和Session分别对应本地控制入口、任务承接空间和持续状态管理。Gateway的作用在于连接模型调用、工具路由和本地执行，使设备环境不只是远程模型的动作承接端，而是能够参与任务协调和执行分发。Workspace为任务上下文、临时文件、工具返回结果和局部记忆提供相对稳定的承接位置，使持续任务不完全依赖远程会话堆叠。Session则用于维持任务生命周期和跨轮次状态，使多步任务能够在相对连续的边界内推进。在这一结构中，权限边界、上下文边界和任务边界可以围绕不同工作空间和会话单元加以区分。在需要云端能力参与时，云端更多承担复杂推理、统一更新和跨设备协同，本地环境则继续承接状态保持、工具调用和敏感数据处理。三者结合后，控制平面、任务状态和执行边界被安排到更接近设备本地环境的位置，本地优先由此不再只是数据处理位置的变化，而表现为任务组织方式、执行协调方式和治理边界配置的调整。
由此，OpenClaw的分析重点不应停留在单个组件名称上，而应放在状态管理、执行协调和边界组织方式的变化上。设备环境中的任务很少以一次性调用结束，分散的文档、历史记录和当前目标需要在任务推进过程中持续整合，这使工作空间和会话状态的稳定承接具有必要性
[42]。《国家人工智能产业综合标准化体系建设指南（2024版）》将智能体、智能产品与服务以及安全治理纳入统一标准体系框架，也说明围绕任务状态、接口调用和控制边界的系统组织，已经进入更正式的讨论范围。
2.2 多代理分工与任务组织方式变化
任务组织方式的变化，是OpenClaw另一项更值得关注的特征。云端托管模式通常围绕单一远程会话组织任务。平台负责统一理解、统一调度和统一回传，设备大多处在承接位置。这样的结构适合处理相对标准化的请求，却难以完整覆盖持续工作流中的多主体、多文档和多目标任务。OpenClaw所体现的分工方式，把执行过程拆分为多个相互隔离但可协同的执行单元。任务因此可以围绕不同工作空间、上下文边界和权限关系被重新组织。
现实任务本身也在推动这种变化。个人事务、组织事务和共享任务往往涉及不同信息来源、权限边界和责任链，统一会话难以稳定承接全部状态。OpenClaw所体现的多代理分工，正是在持续工作流条件下，将任务拆分为相互隔离但可协同的执行单元。
相关研究为这一判断提供了支撑。PEOPLEJOIN任务表明，当系统需要在多用户组织中完成信息收集与文档生成时，困难主要集中在多个主体、多个文档来源和多个任务目标之间的边界划分
[53]。信息来自不同主体，调用发生在不同边界之内，结果却又需要在统一输出中汇合，这样的结构天然要求更清楚的任务划分。谁在处理什么信息，谁有权调用什么工具，谁对何种结果负责，都需要在组织层面被提前区分。由此，任务组织方式的变化就不再只是某一系统的局部设计，而成为智能体从单轮请求走向持续工作流后普遍会遇到的问题。
执行位置的变化固然重要，任务组织单位的变化同样重要。执行单元一旦重新划分，信息组织方式、权限关系和责任分配都会跟着调整。多代理分工因此更适合被放到任务组织方式变化的层面来理解。它所对应的，是工作流条件下系统组织逻辑的变化。
2.3 本地优先的代表性适用场景
场景适配是观察部署模式变化的另一条重要线索。OpenClaw所体现的结构，并不会在所有任务中同样有效。不同任务对上下文连续性、数据敏感性、接口调用和响应时效的要求并不一致，本地优先也不会在所有场景中同时成立。更需要回答的是，哪些任务最先表现出对设备本地环境的强依赖，以及这些任务为什么会成为部署模式变化最清楚的信号。
最先表现出本地优先结构优势的，是个人知识工作场景。此类任务通常伴随持续上下文、跨来源信息整合和结果校正。用户需要在文档、网页、邮件、笔记和历史记录之间反复切换，还要不断修正判断、推进任务和维持中间状态。知识工作的难点因此很少集中在一次性回答上，更多出现在任务过程的持续组织之中。背景知识、外部信息和当前目标需要在同一工作流中被反复整合，数据敏感性、组织约束和使用风险也会随着工作流的完整化同步上升
[42-43]。在这样的条件下，本地工作空间、持续会话和设备本地环境中的状态承接，更容易体现出结构优势。
另一类更早显现结构差异的，是规范密集型敏感任务。这类任务直接依赖正式文档、规则文本和组织内部资料。结果输出只是任务的一部分，依据说明、人工校核和责任边界同样属于任务过程本身。围绕焊接标准知识辅助使用和法律文书构建的研究，都指向同一类问题：系统需要围绕复杂规范知识进行检索、解释和情境化组织，同时保留文档依据的可追溯性和用户控制
[54-55]。任务一旦进入这一层面，部署结构就不再只是效率问题，还会牵动权限关系、审计要求和治理边界。本地控制平面和工作空间在这里之所以更具代表性，正在于它们更容易把依据、过程和权限放到同一结构中加以组织。
工业现场辅助则进一步把这种差异推向更具体的流程环境。此类任务更直接依赖现场状态、即时反馈和专业知识调用。系统是否有效，很大程度上取决于它能否贴近具体流程，而不是能否提供一般性的远程问答。装配制造辅助和施工安全等研究已经显示，系统越贴近现场流程，任务支持效果就越容易提升，知识调用也更容易与具体情境保持一致
[56-57]。工业现场辅助因此不只是技术落地场景，它同样反映出本地优先在特定任务条件下的结构优势。
把这3类场景放在一起看，部署模式变化的方向会更清楚。个人知识工作提高了对持续上下文和认知协同的要求，规范密集型敏感任务提高了对依据、权限和责任边界的要求，工业现场辅助则提高了对即时反馈和任务贴合度的要求。任务条件虽然不同，但它们都把状态承接、局部控制和执行连续性推到了更前的位置。这些变化共同说明，本地优先并不会在所有任务中同时展开，而会先在任务连续性更强、数据更敏感、执行更贴近现场的场景中获得更清楚的现实支点。
OpenClaw的意义，正是在这些现实支点上变得清楚起来。控制平面向设备本地环境移动，任务组织单位被重新划分，场景适配开始围绕具体任务条件展开，部署模式变化因此获得了较为清楚的系统参照。这种参照的价值，在于它不仅使结构变化本身变得可见，也让部署模式变化的发生条件、优先成立的任务场景以及由此引出的趋势与治理问题获得了更具体的分析基础。
3 趋势研判与治理建议：面向下一代智能体基础设施
3.1 部署模式演进的趋势判断
从趋势看，AI智能体部署模式的变化将进一步进入基础设施组织层面。围绕智能设备、智能体、高质量数据集和人工智能治理的政策部署，已经把相关要素放到同一基础设施视野中加以统筹
[13]。这意味着，后续竞争和治理重点不宜只围绕模型能力展开，而应更多转向能力组织、资源配置与系统边界的重组
[47]。
由此，评价维度也会随之调整。模型能力仍是AI智能体发展的基础，但当AI智能体嵌入个人设备、组织工作流和行业业务系统后，其评价重点不再只是模型生成效果，而是能否在真实任务环境中持续、稳定、受控地完成任务。这里涉及的能力已经超出狭义的部署环节，涵盖状态保持、工具调用、接口编排、权限控制、任务组织、本地执行、端云协同、操作系统和应用生态适配、安全治理与责任追踪等多个方面。下一代智能体基础设施的竞争重点，也将由单一模型能力扩展到工程化落地能力、系统集成能力、运行时治理能力和生态成熟度。
设备环境也会在这一过程中重新成为信息控制和状态保持的重要位置。任务推进更依赖持续上下文、本地文件、现场状态和即时反馈，设备环境将承担更多信息保持、任务延续和局部控制职责。由此可以看出，下一代智能体基础设施更可能呈现长期分层协同结构，而不是单一云端集中或完全本地化形态。
3.2 面向系统建设的结构建议
在上述趋势下，系统建设需要进一步关注能力在设备环境中的组织方式。对设备原生智能体而言，关键不只是模型接入，还包括状态保持、任务切分、工具调用、权限控制和责任追踪等运行结构。面向下一阶段的系统建设，重点可以从以下3个方面展开。
(1)强化设备本地环境中的执行底座。系统建设需要优先完善本地工作空间组织、会话状态延续、本地接口接入和任务过程中的局部控制能力，使关键执行环节、持续状态和敏感数据处理获得稳定承接。只有这些基础结构稳定下来，本地优先才能转化为可持续运行的系统能力。
(2)围绕持续工作流重组任务单元。持续工作流会直接改变任务单元的组织方式，来源各异、目标不一且权限关系不同的任务，需要在系统中被更清楚地拆分和组织。任务单元、工作空间和权限边界需要被放到同一框架中加以设计。人工智能一旦进入真实组织流程，治理难点就会从单一工具的使用效果转向职责边界、流程衔接和人机协同机制，任务单元的划分也需要与组织结构和权限关系保持一致
[58-59]。
(3)建立本地执行与云端增强的分层协同机制。系统建设需要根据任务敏感性、时延要求和计算负载划定能力边界，使本地执行、云端增强和数据资源配置形成分层组织。人工智能算力基础设施建设的关键问题，正在从单点建设转向需求场景、能力匹配与落地生态的整体协同
[51]。这意味着，下一代智能体基础设施建设会更多围绕设备环境、算力体系、数据资源和系统治理之间的协同关系展开。
上述建议共同指向执行结构建设。控制平面、工作空间、任务单元和职责边界，将直接影响设备原生智能体能否在真实任务环境中稳定运行。
3.3 OpenClaw类本地优先智能体的治理风险与政策建议
OpenClaw类本地优先智能体把控制平面、工作空间、会话状态和工具执行等环节更多地组织到设备本地环境或组织可控环境中。这一结构有助于降低部分数据持续外送风险，但也会使治理对象从远程平台扩展到设备环境、工作空间和执行链内部。由此产生的风险，不只表现为模型输出错误，还包括权限调用、状态沉淀、工具执行、更新接纳和责任追踪等运行过程中的复合风险。
具体来看，这类风险主要集中在4个方面。其一，权限聚合可能放大越权调用和误操作风险。系统一旦接入本地文件、应用接口、工具链和任务工作空间，就需要同时处理“可以访问什么”和“可以执行什么”2个问题。若权限粒度过粗，用户授权、任务边界和工具调用之间缺少清晰对应关系，智能体可能读取超出任务需要的文件，或者在用户意图不充分明确的情况下推进敏感操作。其二，本地工作空间可能带来状态沉淀和信息残留风险。任务上下文、临时文件、历史动作、工具返回结果和局部记忆在设备本地环境中持续积累，如果缺少生命周期管理、分级存储和可验证删除机制，敏感信息可能在用户不易察觉的情况下长期留存。其三，多代理分工可能造成上下文越界和责任链断裂。不同执行单元之间如果缺少会话隔离、上下文隔离和权限继承规则，信息可能在不适当的任务边界之间流动，后续审计也难以准确判断某一输出、调用或错误来自哪个环节。其四，端云协同和工具扩展可能把外部风险重新带入本地执行链。复杂推理、模型更新、插件接入、工具扩展和跨设备协作仍然需要云端能力参与，外部模型、插件、接口和更新机制一旦进入本地执行链，就可能引入供应链、插件安全和更新审计风险。
这些风险说明，OpenClaw类本地优先智能体的治理不能只依赖模型层面的内容安全，也不能简单理解为“数据留在本地即可降低风险”。治理安排需要从模型治理进一步扩展到运行时治理和部署结构治理，重点覆盖状态保持、权限控制、任务边界、会话隔离、更新机制和审计能力。已有智能体安全研究表明，风险会沿工具返回、多步调用和外部环境交互扩散，单纯依赖模型输出层面的控制难以覆盖完整执行链
[12,24-27]。人工智能法律治理和基础模型安全风险治理的相关讨论也说明，治理对象正在从单一模型风险扩展到平台责任、运行机制和系统结构层面
[60-61]。
具体到运行时机制层面，治理安排可以从隔离、授权、确认、留痕、更新和云端协同6个方面展开。工作空间和会话需要建立相对清晰的隔离规则，避免不同任务、不同用户或不同数据来源之间发生上下文越界。权限控制不宜停留在一次性总体授权层面，而应围绕文件读取、应用操作、外部接口调用和高风险工具执行等能力项进行分级配置，使授权范围与具体任务边界保持对应。对于文件删除、数据外送、系统设置修改、支付交易和组织业务流程变更等高风险操作，系统应设置人工确认和二次校验环节，避免智能体在用户意图不充分明确的情况下推进不可逆操作。工具调用日志、文件访问记录、会话状态变化和关键决策链路也应被持续记录，以支持事后审计和责任追踪。模型、插件、工具接口和本地代理的版本更新，则需要配套更新审计、灰度测试和回滚机制，以降低外部组件进入本地执行链后带来的供应链和兼容性风险。在需要云端增强或推理卸载时，系统还应遵循数据最小化原则，优先上传任务摘要、脱敏片段或必要特征，减少完整原始数据的持续外送。
上述运行时机制还需要组织层面的制度安排加以支撑。对于OpenClaw类系统，风险治理不宜只依赖开发者自律或单点用户授权，而应由组织层面建立准入评估、权限配置、审计复核和责任追踪机制。国家人工智能产业综合标准化体系已经将智能体、智能产品与服务、安全治理等内容纳入标准化安排，说明类似风险需要被放入系统组织和标准化框架中处理
[52]。从治理视角看，这种变化不只是执行位置的调整，而是数据边界、控制边界、审计边界与更新边界在设备本地环境与云端之间的重新配置。为了更直观地呈现这种由平台单点集中走向分层配置的变化关系，本文将端云协同下治理边界的重组方式概括为
图3。
图3所揭示的关键，在于原先更多集中于平台侧的若干治理边界，开始向设备本地环境下沉，并在端云之间形成分层配置。敏感数据处理、本地执行控制、过程留痕与更新接纳机制，正在成为部署治理中更值得关注的对象。下一阶段需要推进的，也不只是模型能力规范，还包括围绕工作空间组织、会话隔离、接口留痕和更新备案形成更贴近部署结构的标准化安排。
标准化需求会在这一过程中变得更加突出。国家“十五五”规划纲要已经提出完善数据标准体系和质量管理体系，加快建设人工智能语料库，面向重点领域建设高质量数据集，建立人工智能训练数据合理使用制度
[58]。这些要求说明，标准化工作的重点已经开始从单一能力指标逐步延伸到系统组织、数据治理和部署边界层面。
面向下一代智能体基础设施，政策设计至少应当关注以下3个方面。
(1)把部署结构纳入治理范围。前文所述状态保持、任务边界、权限配置、会话隔离和更新机制，需要从系统功能要求进一步转化为组织治理要求。部署模式变化一旦进入设备环境，信息流、权限流和责任链都会比传统云端托管模式更为复杂。治理安排需要覆盖更完整的执行过程，并在组织层面形成准入、授权、审计和责任追踪机制。
(2)把标准化重点推进到系统组织层面。工作空间组织、接口留痕、更新备案和高质量数据集建设，应被纳入更正式的制度框架。围绕人工智能法律治理路径的研究已经把适应性治理、分级分类和关键人工智能规则放到更突出的位置
[60]。这类讨论说明，制度设计需要与部署结构同步推进。当治理对象进入系统组织与运行机制层面之后，相关规则也需要进一步覆盖接口、权限、隔离与备案等更贴近部署结构的议题
[61-62]。
(3)围绕代表性场景形成可复用的制度安排。知识工作、规范密集型敏感任务和工业现场辅助等场景，已经把部署模式变化中的关键问题提前暴露出来。围绕这些场景开展试点，更容易形成可复制的制度经验和治理经验。公共管理研究对自主AI嵌入组织流程、责任归属重组和人机协同机制变化的关注，也说明场景试验正在成为治理落地的重要入口
[63]。人工智能进入具体组织情境之后，制度安排往往不会先以抽象规则的形式完整出现，而是在场景试验、流程磨合和责任校准中逐步成形。因此，围绕代表性场景推进试点，更有可能沉淀出可复用的治理经验。
这3个方面共同说明，治理与政策设计面对的已不只是模型扩散问题，还包括不同行动主体、执行边界和责任链的重新组织。后续制度安排需要进一步面向基础设施逻辑、信息控制方式和责任边界的变化展开。
3.4 讨论与结语
本文以OpenClaw为观察样本，分析了AI智能体部署模式由云端中心化走向设备原生智能体、本地优先原则与端云协同路径相结合结构的形成条件、机制表现与治理含义。笔者认为，执行位置、状态保持、任务组织、信息控制和治理边界正在被纳入同一部署问题之中。
本文的贡献主要体现在3个方面。其一，本文将设备环境任务执行、模型本地运行、数据控制和智能体安全等问题放入“任务条件-系统机制-治理边界”的分析框架中，说明AI智能体部署模式变化并不只是模型运行位置的调整，而是任务需求、系统组织和治理约束共同作用的结果。其二，本文从执行位置、数据出域、状态保持、工具调用、权限控制和审计追踪等维度，比较本地部署与云端托管模式的差异，进一步说明设备原生智能体所涉及的是执行链、数据链、权限链和责任链的重新组织。其三，本文以OpenClaw作为观察样本，分析本地控制平面、工作空间、会话管理和多代理分工等机制如何使部署模式变化获得可观察的系统形态，并据此讨论OpenClaw类本地优先智能体可能带来的运行时治理问题。
从现实启示看，下一代智能体基础设施建设不宜继续沿用“远程平台统一吸收任务、设备只负责接入”的单一思路，而应围绕任务条件重组设备环境与云端能力之间的职责边界。知识工作、规范密集型敏感任务和工业现场辅助等场景已经说明，本地执行、持续状态保持和局部控制能力会在越来越多的任务中成为基础条件。对产业和政策而言，这意味着智能终端、智能体、算力基础设施、高质量数据资源和治理安排需要被放在同一框架中加以统筹，部署结构本身也应进入制度设计和标准建设的视野。
需要说明的是，本文主要基于典型实践观察、文献归纳和趋势分析展开讨论，仍然存在一定局限。文章所依托的OpenClaw样本具有一定观察价值，但还不能替代更大范围的系统比较。文中关于部署模式演进方向、场景优先次序和治理重点的判断，也仍有必要在更多行业样本、更多系统形态和更长期的实践演进中作进一步检验。后续研究可以围绕不同类型设备原生智能体的比较分析、重点行业中的场景验证，以及部署结构与治理结构之间的联动机制继续展开。
PDF
(3499KB)
