两栖模式Agent--AmphiLoop，给OpenClaw“龙虾”来个降维打击？
最近在GitHub上瞎逛，发现了一个很有意思的开源项目——AmphiLoop。
一开始以为只是个普通的Agent框架，但仔细看完文档和源码之后，我承认：我被震撼到了。它提出了一套完全不同于OpenClaw（龙虾）、Hermes Agent的智能体构建思路，甚至可以说是在解决一个龙虾们至今都没能很好回答的问题：
如何既拥有AI的自主性，又保持企业级应用需要的稳定、可控和低成本？
这个项目给出了一个相当优雅的答案——两栖模式（Amphibious Mode）。
先放地址，感兴趣的直接去研究：https://github.com/bitsky-tech/AmphiLoop/
一、“龙虾”很火，但企业用起来真的香吗？
坦白说，我也是OpenClaw的用户。那种用自然语言指挥电脑干活的感觉，确实爽——整理文件、批量回复邮件、跨系统搬运数据……人只需要动动嘴，AI就把脏活累活干了。
但当我真正想把它用到工作中、跑一些长周期的自动化任务时，问题就暴露了：
- 稳定性：一个5步的任务，每一步成功率90%，整体成功率只剩59%。稍微复杂一点，它就开始“发疯”。
- 成本：token消耗像喝水一样，企业级场景根本扛不住。
- 安全性：你永远不知道它下一步会不会执行什么危险操作。
项目作者在文档里说了一句话，我特别认同：
“AI技术落地难的主要原因，并非它的准确率还不够高，而是我们使用这种独特能力的方式不对。”
那什么才是“对的方式”？AmphiLoop给了答案。
二、核心洞察：workflow和agent，各司其职
AmphiLoop提出了一个很基础、但被很多人忽略的分类法：
根据“目标和路径是否明确”，任务可以分为：
- 确定性任务：目标和路径都明确（如“登录签到”）
- 路径不明确的任务（如下棋）
- 目标大致明确的任务（如“写一份报告”）
- 混合型任务
而执行模式也有两种：
- workflow模式：确定性代码，不依赖LLM，稳定、零token
- agent模式：自主规划执行，灵活但成本高、不稳定
关键问题来了：很多人在用龙虾时，把第1类确定性任务也扔给agent模式去干——这是典型的“杀鸡用牛刀”，不仅贵，还不稳定。
正确的做法应该是：
- 确定性任务 → workflow模式（稳定、省token）
- 不确定的任务 → agent模式（灵活、自主）
AmphiLoop的核心价值就在于此：它不是一个单纯的Agent，而是一套方法论+工具链，帮你自动把自然语言描述的任务，转化成“workflow+agent”混合执行的代码，并且能够在运行时根据环境变化自动切换模式。
三、AmphiLoop到底是什么？
“AmphiLoop，全称Amphibious Loop（两栖循环），是一套全新的AI智能体构建方法论、技术栈和工具链。”
我自己的理解是：
它是一个Claude Code插件，通过一套“探路 → 编码 → 验证”的流程，让你用自然语言（TASK.md）描述任务需求，然后自动生成可重复执行的自动化代码。
生成的代码有两种形态：
- Workflow模式：纯确定性执行，零token消耗，适合稳定场景
- Amphiflow模式：workflow+agent两栖，遇到环境变化（如页面改版、登录过期）自动切换到agent模式处理，处理完再切回workflow
这也是它名字的由来——两栖循环。
四、我是怎么上手的？
说实话，这个项目的体验设计做得相当友好。我用的是浏览器自动化场景（项目在这方面做了专门优化）。
第一步：安装
在Claude Code里执行：
/plugin install https://github.com/bitsky-tech/AmphiLoop或者直接敲/build-browser，系统会自动引导。
第二步：创建TASK.md
这是唯一需要我动手写的地方。用自然语言描述任务就行，比如：
## Task Description 1. 打开电商网站 2. 搜索“机械键盘” 3. 按销量排序，提取前10个商品的名称和价格 4. 保存到 orders.json ## Expected Output 生成 orders.json 文件，包含10条商品记录，每条有 name 和 price 字段 ## Notes 如果登录过期，提示我重新登录第三步：自动构建
执行/build-browser后，系统会自动：
- 探路：先探索一下页面结构、CLI工具调用顺序，生成
exploration_report.md - 编码：根据我的选择和任务描述，生成workflow或amphiflow代码
- 验证：自动运行测试，检查是否符合Expected Output，不符合就自动修复
整个过程基本不需要我干预，一个对话session就搞定了。
第四步：重复执行
构建完成后，用uv run就能稳定执行。最让我吃惊的是：一个原本需要反复调LLM的任务，生成后运行时token消耗为0（如果是纯workflow模式）。
五、最惊艳的功能：两栖模式自动切换
AmphiLoop最让我拍大腿的设计是Amphiflow模式。
假设我构建了一个浏览器自动化程序，每天定时去某个后台抓数据。正常情况下，workflow模式稳定运行，token消耗为0。
突然有一天，登录态过期了，程序报错。
如果是普通workflow，直接崩溃退出。但amphiflow会怎么做？
它自动切换到agent模式，模型“看到”自己被弹到了登录页，推理出需要重新认证，然后发起一个human-in-the-loop请求让我扫码登录。我登录完成后，它自动切回workflow模式，继续执行后续任务。
整个过程行云流水，我只需要做一次登录操作。
项目文档里有一句话我特别喜欢：
“善用自主性，隔离随机性，获得确定性。”
AmphiLoop把AI的自主性用在了最该用的地方——处理意外，而不是无脑地用在每一步上。
六、和OpenClaw/Hermes有什么不同？
维度 | OpenClaw / Hermes | AmphiLoop |
执行模式 | 纯agent模式 | workflow + agent 两栖切换 |
Token消耗 | 每一步都消耗 | 确定性部分零token |
稳定性 | 错误累积效应明显 | workflow部分100%确定 |
适用场景 | 创意、生成式、一次性任务 | 长程、重复执行、混合型任务 |
可维护性 | 对话即用即弃 | TASK.md可版本管理、迭代 |
环境变化应对 | 每次都重新规划 | workflow兜底，agent处理异常 |
不是说龙虾不好，而是场景不同。龙虾适合那种“临时起意”的任务，而AmphiLoop适合企业级、长周期、需要稳定执行的自动化场景。
七、一点思考
我试用下来，AmphiLoop这套“先探路、再编码、后验证”的思路，本质上是在为AI的不确定性加上一层确定性外壳。
它没有试图让LLM变得更准（这不可能），而是通过方法论和架构设计，把不确定性隔离到最小范围。该用模型的地方用模型（处理意外、理解语义），不该用的地方坚决不用（确定性流程）。
这种思路，我觉得比单纯堆模型参数、拼准确率要务实得多。
项目目前已经在GitHub开源，感兴趣的可以去看看：https://github.com/bitsky-tech/AmphiLoop/
另外，他们还配套了一个浏览器工具库bridgic-browser，适合那种即时性的自动化操作，安装命令：
/plugin install https://github.com/bitsky-tech/bridgic-browser-skill最后引用项目文档里的一句话作为结尾：
“只要颗粒度拆到足够细，技术是流程，思维也是流程。将流程进行自动化的诉求是普遍存在的，这是一个极其广阔的世界。”
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。