智东西2月26日报道，今日，MiniMax Agent迎来一次关键升级：一边是Expert 2.0，让任何可被描述的能力，都能成为“专家”；另一边是MaxClaw上线，把原本需要自己部署的OpenClaw，直接搬进网页端，开箱即用。
前者让个人和团队可以把专业知识封装为可复用的SOP。官方数据显示，Expert功能上线以来，已有1.6万+专家Agent被创建，覆盖技术开发、创意写作、办公效率、商业金融等多个领域。
MaxClaw则基于OpenClaw框架运行在云端容器中，无需自备服务器或API Key，基础版订阅会员即可体验。
目前，Expert与MaxClaw均已开放使用，入口在MiniMax Agent网页端。
MiniMax Agent：agent.minimaxi.com
Expert地址：agent.minimaxi.com/experts
一、一句话生成专家，Agent自动补全SOP
Expert 2.0最直接的变化，是创建门槛大幅降低。
过去如果要做一个复杂专家，往往要手动设计Skill结构、子代理分工、提示词层级以及工具调用逻辑。现在，用户只需用自然语言描述目标能力，Agent会自动拆解知识体系、流程结构与工具编排。
例如，如果你希望构建一个“擅长使用Excel原生能力构建专业财务模型的专家”，只需告诉它目标和交付要求，Agent会自动补全DCF估值、敏感性分析、三表联动、函数规范等知识模块，同时配置对应的子Agent与工具路径，并给出示例使用场景。
在实际体验中，我围绕一个更贴近媒体场景的需求进行了测试：创建一个“跨平台AI产业趋势研究专家”，要求具备数据抓取、新闻来源交叉验证、结构化报告生成能力，同时输出适合公众号长文的结构框架与可视化图表建议。
成功创建专家后，我输入指令：帮我研究2025年度全球AI大模型发展动态，整理成一份结构化的产业趋势报告。
它最终交付了一份接近万字的长报告，标题是《2025年度全球AI大模型产业发展趋势报告》。
但从结果质量看，这个专家的“检索与更新”能力还没有跑顺。报告里大量数据与案例更集中在2024年度与2025年初，信息密度不低，但对“2025年度”的覆盖明显偏弱。
与此同时，我在创建专家时强调过“结构框架与可视化图表建议”，但这次交付里相关输出并不突出。
整体感觉是：框架写出来了，但“查新、对齐时间线、把关键数据做成图”这几步还需要继续调试。
此外，系统为每位用户提供了15轮免费创建与调试额度，支持在多轮对话中不断修正专家能力。
值得注意的是，官方已透露后续将上线创作者定价与分成机制，以及团队内专家共享能力。
二、MaxClaw上线，把OpenClaw变成网页版
OpenClaw作为开源个人AI助手框架，在GitHub上迅速积累人气，但本地部署、环境配置、API接入等步骤，对不少用户来说依然有门槛。
MaxClaw则把这一套流程搬进MiniMax Agent网页端，为每位用户在云端运行一个独立的OpenClaw实例，并接入MiniMax模型。
部署过程几乎只有两步：选择配置，一键部署，等待约10秒即可完成云端启动。模型、记忆系统、工具链均为预设状态，用户无需额外配置。
MaxClaw具备7×24小时运行能力，支持长期记忆、工具调用、定时任务、多平台接入，并预置图片生成、视频生成、联网搜索、网页部署等内置工具，无需自行接入第三方API，也不会产生额外API费用。
每位用户可获得50G专属云储存空间，用于长期记忆与持久储存。
在体验中，我测试了三个场景。
第一是定时产业监测。
我设定每天14点抓取过去24小时AI行业重大融资、模型发布和政策动态，自动去重后生成一份中文摘要并附来源链接。任务通过Cron表达式实现自动化执行。
从实际运行情况看，这个任务能够稳定按时推送。摘要本身的信息组织比较规整，链接也会一并附上。
但它的短板也很明显：时效性不够“新”，对媒体写作这类场景来说，直接拿来用可能不够。
第二是跨端协作。
MaxClaw已打通飞书、钉钉、Telegram、Slack等IM渠道。用户可以在任意聊天工具中直接向Agent下发任务，交付物则同步回网页端。
官方手册中提供了完整的飞书接入流程，包括创建自建应用、配置权限、匹配码验证等步骤。
实际接入飞书的过程比想象中简单。按照指引在飞书开放平台创建自建应用，复制AppId与AppSecret，在MaxClaw对话框内完成配置，整个流程大约5分钟。
过程基本顺畅，没有遇到明显卡顿或权限冲突。接入后在飞书端进行交互，响应几乎无明显延迟，和网页端的体验差别不大。
接入完成后，我在对话框里输入：“每天14点35分，搜索最新AI新闻，去重后只留5条，中文，附链接。”MaxClaw立即回应了该信息，并留下了一个“敲键盘”的状态。
MaxClaw确认“任务已创建成功”后，在后台通过Cron触发执行，随后生成了当日的AI新闻简报内容。
第三是复杂文档处理。
我上传一份长篇PDF报告，要求提取关键数据并生成结构化摘要，同时给出适合改写为媒体报道的章节框架。
MaxClaw在收到指令后尝试调用解析能力，但很快反馈“遇到了PDF内容提取的技术困难”。随后系统日志中还出现了一段执行报错信息，其在云端环境中尝试调用相关解析工具但未成功。
这次体验暴露了一个问题：在复杂文档处理上，MaxClaw的能力仍依赖于底层工具链的稳定性。如果是可直接读取文本的PDF，理论上可以完成结构化提取；但在实际测试中，面对这份文件，它未能顺利完成自动解析，反而需要人工介入转换格式。
也就是说，MaxClaw在复杂文件的一步到位处理上，目前还存在工具兼容与执行环境限制的问题。
写在最后：模型竞赛正酣，Agent工作流能力成为新竞争焦点
从MiniMax官方披露的数据看，1.6万+专家Agent的创建量说明，社区已开始自发构建不同领域的能力模块。未来如果叠加定价与分成机制，Expert可能会演化为一个专家生态市场，可以被调用、复用，被交易的结构化资产。
MaxClaw则解决了“Agent能不能长期运行”的问题，它更像一个挂在云端的“常驻节点”。
我在测试期间，几次临时修改定时任务内容或补充筛选条件，它都能在原有任务结构上继续迭代。
网页端与IM端之间的同步也较为稳定，日报生成后能在两个界面同时查看记录，这种“跨界面一致性”在日常工作中很实用。
当然，当前版本仍有一些待优化的问题。MaxClaw暂仅支持网页端使用，移动端尚未上线。复杂文档处理在某些场景下会受到工具限制，出现解析失败或执行超时的情况。
积分按token消耗，对高频调用定时任务或长报告生成的用户来说，也需要提前规划成本。
但这次升级的方向非常明确：降低门槛、提升复用性、强化跨端协作。
在模型竞赛逐渐趋同之后，Agent层的工作流能力正在成为新的竞争焦点。从这次体验来看，MiniMax已经在往这个方向走。
