从“回答问题”到“完成任务”：SkyClaw-v1.0 如何重塑 AI Agent 的能力边界

在 AI 技术迅猛发展的今天，大语言模型的角色正在经历一场深刻变革。过去，我们习惯于向模型提问，等待它给出一段文字答案；而如今，模型正被嵌入一个动态的执行环境——它能读取文件、调用工具、编辑代码、运行测试，并根据反馈不断调整策略，最终完成一个完整的工作流程。这正是 Agent 模型的核心价值所在：不再只是“回答”，而是“行动”。

5 月 26 日，昆仑万维旗下天工 AI 正式推出高性能 Agent 模型 SkyClaw-v1.0，并同步发布轻量化版本 SkyClaw-v1.0-lite。这款模型不仅支持百万级 token 的超长上下文，更在复杂任务执行、工具调用、代码生成与多轮迭代等关键场景中展现出卓越能力。更令人惊喜的是，其定价低于主流同类模型的一半，真正实现“半价享顶级性能”。

不止于生成，更在于执行

SkyClaw-v1.0 的设计理念，直指当前 Agent 技术的核心痛点：如何让模型在真实工作流中持续、稳定地推进任务？为此，天工 AI 团队将训练重点聚焦于“实景任务履约能力”——即模型在模拟或真实环境中，能否像人类开发者一样，拆解目标、调用工具、观察结果并修正路径。

为此，SkyClaw-v1.0 在训练过程中构建了一个高度仿真的 Agent 运行环境。该环境基于 OpenClaw 风格框架搭建，涵盖文件读取、代码编辑、API 调用、测试执行、页面观察等高频操作。模型不再是孤立地生成答案，而是必须在每一步选择正确的工具组合，并根据返回结果决定下一步行动。这种“闭环执行”机制，使得模型在面对复杂任务时，能够展现出更强的鲁棒性和适应性。

数据为王：高质量合成轨迹驱动能力提升

训练 Agent 模型的最大挑战之一，在于获取高质量、可复用的任务执行轨迹。传统 SFT（监督微调）数据多为问答对，难以支撑多步推理与工具调用的复杂逻辑。为此，SkyClaw-v1.0 引入了大规模合成任务数据，通过构建“工具关系图谱”，模拟真实工作流中的任务链条。

这些数据不仅包含目标拆解与工具调用，更涵盖结果观察、错误处理与迭代修正的完整过程。更重要的是，团队通过严格的轨迹质量过滤机制，剔除无效调用、错误解释或偏离目标的中间步骤，确保模型学习到的是“最优执行路径”，而非噪声行为。这种精细化数据处理方式，显著提升了模型在多轮任务中的稳定性。

在强化学习阶段，SkyClaw-v1.0 继续在自建 Claw 环境中进行端到端优化。模型需在可交互环境中执行任务、接收反馈、处理失败，并自主修正策略。这种“试错-学习”机制，使其在面对未知任务时，仍能保持较高的完成率。

性能与性价比的双重突破

在多项主流 Agent benchmark 与 Skywork 内部 Claw 任务评测中，SkyClaw-v1.0 展现出令人瞩目的表现：

• 强任务完成能力：在多步任务执行中表现稳定，尤其在代码生成、文件编辑与交互式应用构建方面优势明显；
• 全面超越主流开源模型：性能优于 Minimax 2.7、DeepSeek V4 Flash，以及 Qwen 3.6 35B A3B 和 27B 模型；
• 接近更大规模顶级模型：在 OpenClaw 相关任务上，表现接近 DeepSeek V4 Pro、Claude Opus 4.6 等千亿级参数模型；
• 极致性价比：定价低于 Minimax 2.7 与 Qwen 3.6 系列的一半，为企业和开发者提供规模化调用可能。

此外，SkyClaw-v1.0 具备极强的通用性与兼容性，可在 OpenClaw、Hermes、Nanobot 等主流 Agent 框架中无缝运行，同时适配 Claude Code、Codex 等代码 Agent 工具链。这意味着开发者无需重构现有系统，即可快速集成这一高性能模型。

从“工具使用者”到“工作流主导者”

SkyClaw-v1.0 的发布，标志着 AI 模型正从“被动应答者”向“主动执行者”转变。它不再局限于生成代码片段或回答技术问题，而是能够在一个完整的项目周期中，承担需求分析、方案设计、代码实现、测试验证乃至部署上线的全流程任务。

对于开发者而言，这意味着更高的效率与更低的协作成本；对于企业而言，这意味着 AI 能力可以更深入地嵌入研发、运营与决策流程。而 SkyClaw-v1.0 的限时免费试用政策，则为更多团队提供了零门槛体验这一前沿技术的机会。

未来，随着 Agent 框架的普及与模型能力的持续进化，我们或将迎来一个“AI 自主工作”的新时代。而 SkyClaw-v1.0，正是这一变革浪潮中的重要推动力。

标签： AI Agent SkyClaw 昆仑万维 大模型 智能体