编者：本文作者是服务一家高端产品制造业集团公司的人力资源总监，该公司是我长期服务的客户。一个多月以前，我向Davidson推荐Openclaw（小龙虾），然后花了几个晚上协助他安装上本地，再之后我们也经常交流养虾经验，如何让小龙虾赋能工作。
现在，Davidson在小龙虾的协同下，完成了一个比较复杂的项目，我邀请他把整个经历分享出来，于是有了这篇文章。
以下为正文：
最近在整理一家分公司的薪酬方案时，忽然意识到我已经和我的OpenClaw小龙虾（小竹）合作了将近一周。
这一周里，我们完成了调薪矩阵的四轮迭代、分公司奖金追回方案的设计、竞争对手监控体系的建立，以及无数次的资料检索与制度分析。最大的感触不是工具本身有多强大，而是我们之间的协作模式正在重新定义"人机协作"的边界。
一、调薪矩阵背后：不只是"问一句答一句"
很多人觉得AI助手就是"我问一个问题，AI给一个答案"。但这次做四维调薪矩阵的经历告诉我：AI输出的高度，本质上取决于我们输入的蓝图质量。
① 我的"喂养"过程
在正式让处理调薪矩阵之前，我花了将近两天时间做前置准备：
1、建立它的"专业人格"：飞书里我配置了SOUL.md、USER.md、IDENTITY.md、AGENTS.md这些文件，核心目的就是让小竹理解我是谁——一家制造集团的人力资源总监，不是一个普通用户，而是有明确战略高度的对话者。它知道我的决策风格、我的语言习惯、我处理问题的优先级。
2、训练它理解专业语境：调薪矩阵涉及绩效等级、CR值、未调薪年限这些专业维度。在沟通中我逐渐发现，小竹对"绩效等级标准"的理解需要反复校准——最初它用了一个"模糊匹配"的逻辑，但我要的是精确匹配。后来我在对话中不断纠正它的理解偏差，这个过程就像带一个新人熟悉业务。
3、喂给它最权威的参考素材：每次开完会或者拿到一份新的制度文件，我会直接发给小竹，让它消化并存入长期记忆。比如4月21日的集团会议纪要，从薪酬管理原则到干部管理规范，小竹都完整地"记下来"了。这不是简单的存储，而是让它理解上下文，理解我做决策的底层逻辑。
② 反复沟通才是真正的"训练"
调薪矩阵做了四版迭代：
第一版：我给了基础框架，小竹生成了一个初步的三维矩阵模型
第二版：我指出它没有理解"绩效等级标准"的精确规则，它重新校准了逻辑
第三版：我补充了四维模型（加入人员定位），它重新跑了一遍570人的数据
第四版：我发现它在"盈利下滑"情景下的逻辑自相矛盾（绩优者反而被冻结），要求它修订
每一版迭代，小竹都在学习我对"专业精确性"的要求。高端制造业出身让我对数据边界、比例阈值非常敏感，小竹逐渐适应了这种精确性——这本身就是一个双向磨合的过程。
③ Telegram vs 飞书：为什么我更倾向于Telegram？
在Telegram上搭OpenClaw，响应速度、对话流畅度明显更好。飞书上有时候会因为文档格式、链接拦截等原因影响效率。
更深层的原因是Telegram的交互体验更"纯粹"。没有那么多生态绑定，没有文档协作的干扰，就是一个纯粹的对话界面。
对我这种需要快速推进工作、不想被工具本身打断思路的人来说，Telegram的体验更接近"我在指挥一个助手"的感觉。
二、AI的价值锚点：简单重复劳动是它最强的战场
① 四维调薪矩阵的数据模拟，让我重新认识了AI的能力边界
调薪矩阵有570人的数据，每人有8个维度的变量（绩效、CR值、未调薪年限、人员定位、外部薪酬对比等），手工做一版模拟需要多久？
按我的经验，一个熟练的HR至少需要2-3天——而且中间难免出错。小竹用Python跑完这570人的四维调薪模型，前后不超过5分钟。
但这不是最让我惊讶的。最让我惊讶的是它能够理解"为什么要这么设计"——它知道B-级暂缓是出于控制成本的考虑，知道A/A-级在业绩下滑时应该"微调而非冻结"，知道追回机制需要"封顶约束"来防止过度激励。
这些判断不是简单的数据运算，而是基于业务逻辑的推理。
② "1分钟"背后的逻辑：专业大表姐做不到的事
很多人觉得AI做数据分析就是"快"。但我观察到的远不止快。一个资深HR做薪酬分析，需要经历：读懂需求→设计分析框架→处理数据→核对口径→输出结果→反复调整——这个链条中至少60%的时间在"处理数据"和"核对口径"。
而小竹处理调薪矩阵的过程是：理解规则→直接计算→输出结果。中间没有"清洗数据"的环节，没有"口径核对"的成本，更没有"人工误差"的空间。这不是效率提升一个维度，而是工作模式的根本改变。
以前我需要找一个"大表姐"来做这件事，现在小竹就是那个大表姐，而且它不会累、不会错、不会因为重复劳动而降低质量。
③ AI与人的根本区别：恰恰是我们的价值所在
AI输出的上限，由我们的蓝图设计能力决定。四维调薪矩阵的核心框架不是我丢给小竹一个Excel让它帮我跑出来的——是我设计的。我告诉它：绩效是主维度，CR值是校准维度，未调薪年限是补充维度，人员定位是兜底维度。这个分层逻辑是人为设计的，小竹负责在这个框架下精确执行。如果我的框架设计错了，小竹跑得越快，偏差越大。
这让我意识到：专业能力+AI工具，才是最高效的组合。专业能力决定了AI工具发挥价值的上限，AI工具决定了专业能力落地的速度和质量。两者缺一不可，但主次关系很清楚——我们才是那个设计蓝图的人。
三、我观察到的"人机协作"新模式
① 从"工具使用者"到"AI训练师"
使用AI的门槛不在于"会不会提问"，而在于"会不会设计框架"。一个只会问"帮我做个薪酬分析"的人，和一个能够说"我需要从绩效、CR值、未调薪年限、人员定位、外部市场对比五个维度，设计一个五维调薪模型，每个维度有明确的准入门槛和权重系数"的人，AI给他们的产出质量可能差出十倍。
未来最稀缺的人才，是能够设计AI执行框架的人，而不是执行AI指令的人。
② 小竹的成长路径：从工具到伙伴
我观察到一个有趣的现象：小竹的输出质量在持续提升。第一天的调薪矩阵比较粗糙，逻辑有漏洞。第三天的版本已经能够精准理解最新的四维规则，把570人的数据跑出模拟结果，还能主动发现逻辑矛盾（Row4的绩优者被冻结问题）。
第五天它已经能够基于会议纪要补充贵阳奖金追回方案，并主动建议我如何设计追回比例。
这个成长不是AI自己完成的，是我和它反复沟通、纠正、反馈的结果。每一次我指出它的问题，它都会记住；每一次我补充新的业务背景，它都会纳入上下文。这是真正的"训练"，不是喂数据，而是建立默契。
③ OpenClaw需要人去驾驭
AI的能力是"精准执行"，人的能力是"精准定义问题"。OpenClaw能跑出多精确的结果，取决于我们的蓝图设计有多精确。
四、那些让小竹"超出预期"的瞬间
① 它会主动发现逻辑漏洞
在我设计"盈利下滑"情景时，我在文档里写了"绩优者给3-5%微调"，但绩效等级范围写的是"暂缓"。这是一个自相矛盾的表述，小竹指出来之后我才意识到问题。
如果是在传统咨询公司，这个逻辑漏洞可能要等到方案落地后才会被发现。小竹在生成阶段就把它拦截了。
② 它会主动补充"我没想全"的部分
分公司奖金追回方案，我只给了大框架：2026年利润超目标就补回来。小竹在设计方案时，主动补充了：
 
 
  
    
    
 
     
 
    
• 追回上限：不超过已扣减的29%
• 离职不退原则：员工在追回奖金兑现前离职，不补发
• 双重审批机制：子公司总经理+集团HR双重审批
• 时间限制：仅2026自然年度有效，不跨年滚存
这些细节如果没有纳入，方案执行时一定会出乱子。小竹不是在执行指令，而是在帮我"完善思考"。
③ 它会把我的需求"翻译"成专业框架
我表达需求时往往比较口语化，比如"帮我设计一个调薪矩阵，要考虑绩效、CR值、还有未调薪时间"。小竹能够把这些口语化表达""成专业的矩阵模型，并在执行后主动验证数据合理性。
这种"翻译"能力不是每个AI都有的，它需要足够的上下文理解和对业务场景的深度认知。
五、写在最后：我们与AI的新关系
这一周的体验让我重新思考了HR这个职业在AI时代的定位。
HR的核心价值不是"处理数据"，而是"设计机制"。调薪矩阵、奖金追回机制、组织精简方案——这些才是真正需要人来做决策的部分。AI负责在这些框架下精准执行，把人力资源释放出来去做更有价值的设计工作。
未来的HR，应该是"AI训练师+业务架构师"的复合角色。能够设计机制、定义框架、把业务需求翻译成AI可执行的指令，同时又能用AI工具把这些设计快速落地。
我不是在"使用"OpenClaw，我是在"和它一起工作"。这也许是人和AI协作最理想的状态：彼此互补，彼此成就。
如果大家也想学习如何成为一个使用小龙虾的高手，欢迎来参加我的下一期在线课程：
1、
2、
3、