铃阅时讯
❌

普通视图

Xiaomi MiMo Claw 正式版|旗舰模型+金山办公,全新订阅服务上线

2026年6月16日 21:33

原创 小米大模型 2026-06-16 21:33 北京

旗舰模型,高效 Agent

Xiaomi MiMo Claw 是一款云端轻量化 Claw 类产品,让用户低门槛快速体验 MiMo 模型与 Agent 能力。正式版现已发布,搭载与 OpenClaw 框架官方深度适配的 MiMo-V2.5-Pro 旗舰模型。

本次联动金山办公生态,推出全链路文档办公提效方案;新增多项 OpenClaw 核心便捷能力;同时升级免费用户权益,单次体验时长 1h → 4h/天,并面向高频、专业用户上线 TokenPlan 分层订阅,满足不同使用需求。

 能力升级

1. MiMo 旗舰模型赋能,Agent 能力跨越式升级

  • 原生协议兼容:MiMo-V2.5-Pro为 OpenClaw 官方预置模型,原生适配 MCP 工具调用协议,内置技能语义解析能力,无需额外配置提示词工程。

  • 百万级超长上下文:搭载超长上下文记忆调度架构,适配长链路复杂任务,支持单会话千次以上连续工具调用,有效减少多步骤任务上下文丢失、逻辑断裂问题。

  • MTP三层解码架构:依托 MTP 三层解码技术,在 OpenClaw 标准 Agent 工作流测试中,全链路任务推理吞吐效率提升约 3 倍,实现框架专属性能优化。

2. 联动金山办公,实现办公文档一站式闭环

  • 多格式兼容:支持 Word、Excel、PPT、PDF 四大主流,超 95% 文档类型,覆盖学习、职场、统计多场景

  • 全流程闭环服务:打通 AI 智能生成、高清在线预览、实时在线编辑全链路,无三方平台跳转,一站式办公提效。

  • 轻量化高效使用:支持自定义指令创作,也可依托内置模板,一键生成标准化文档。

3. 算力效率升级,Token 成本可控

在 ClawEval 基准测试中,MiMo-V2.5-Pro模型任务达标率(Pass³)达 63.8%,依托其优异的 Token 利用效率,同等任务效果下,MiMo Claw 的 Token 消耗较其他同类产品降低约 40%-60%。同时 MiMo Claw 兼容 TokenPlan 各梯度订阅,提供强有力算力保障。

4. 云端免部署,7×24h 专属服务

  • MiMo Claw 采用全云端托管模式,无需本地环境配置、不占用本地设备资源。专属个人 Agent 助力全天候在线,支持后台任务续跑、智能自主纠错,减少本地设备故障导致的任务中断问题。

  • 集成多渠道消息对接、文件管理、多任务并行、异常修复等实用功能,有效降低普通用户使用 AI Agent 的操作门槛。

    Xiaomi MiMo Claw × 金山办公 功能示例

 用户权益

1. 免费用户权益升级

  • 创建即可免费使用,免费用户每日单次体验时长升级至 4 小时

  • 开放全部核心功能,功能配置贴合日常 Agent 使用场景,可满足日常轻度办公使用需求。

2. 过往用户权益兼顾

  • 叠加升级规则:支持在原有 TokenPlan 套餐基础上自由加购 MiMo Claw 权益;套餐升级时,各项权益、费用独立核算,订单生效后统一重置月度/年度有效期。

  • 权益取消规则:已叠加 Claw 权益的套餐支持取消服务,平台将按照未使用时间折算剩余价值。

  • 历史活动额度通用:过往 100T 专项活动、订阅调价活动等渠道赠送额度,均可正常使用。

Xiaomi MiMo Claw 免费版 网页生成效果

 订阅服务

如果您有更高频使用及高峰算力保障诉求,我们推出了 TokenPlan 分层订阅服务:

1. 全套餐适配,支持灵活叠加

  • MiMo Claw 作为独立 Agent 服务,可灵活叠加至 TokenPlan 所有月度、年度套餐(Lite / Standard / Pro / Max)。直接叠加 MiMo Claw 服务开通即可使用,尽可能兼容存量用户权益。

2. 双订阅入口,自主灵活选购

为提升订阅灵活性,平台开放双独立购买入口:

  • TokenPlan 入口:在 MiMo Platform 订阅 TokenPlan 套餐时,可自主勾选 MiMo Claw 服务,一键叠加开通,算力额度及高阶 Agent 权益即时生效。

  • Claw 专属入口:在 MiMo Studio 订阅 TokenPlan 套餐,默认自动包含 MiMo Claw 服务,不同订阅档位对应固定服务定价。

3. 限时订阅定价

为回馈新老用户,MiMo Claw 月度、年度订阅现已开启限时特惠活动。

  • 首次特惠:¥ 14.9/月

  • 限时优惠:¥ 19.9/月、¥ 233.8/年

备注:海外订阅服务暂未开放,敬请期待。

跳转微信打开

Qwen-Robot 发布:打通大模型到物理世界的最后一公里

2026年6月16日 14:14

通义实验室 2026-06-16 14:14 浙江

给机器人装上“大脑、小脑与直觉”

在具身智能的探索中,我们常面临一个共同的困境:为什么大语言模型能写诗、能 coding,却很难让一台机器人稳稳地拿起一个杯子,或者在陌生的走廊里找到一家咖啡店?

因为物理世界是连续、复杂且充满不确定性的。Qwen-VL 等基础模型已为物理智能体奠定了强大的认知基础,但认知到行动的跨越仍是一道核心鸿沟。这本质上是一个对齐难题:语言指令与物理动作处于不同的表示空间,且具身数据(如导航轨迹、遥操抓取、行车记录)天然异构、采集成本极高。简单混合只会产生冲突,而非协同。

今天,我们正式推出 Qwen-Robot,通过模块化协同,用三个专业的基础模型来弥合从“看懂”到“行动”的鸿沟:

Qwen-RobotNav:物理智能体的行动入口

通过自适应的视觉分配策略和工具接口,把视觉语言能力接入移动控制,统一了指令跟随、点/目标导航、目标追踪和自动驾驶四类任务。

Qwen-RobotManip:物理智能体的交互基石

通过规范状态-动作空间和相机坐标系下的末端执行器增量位姿,把视觉语言能力接入操作控制,基于完全由开源数据构建的 >38,100 小时操作数据实现了大规模多机型训练。

Qwen-RobotWorld:物理智能体的无限世界

通过自然语言动作接口,把视觉语言能力接入世界动力学预测,让同一个世界模型能够跨操作、驾驶和导航场景预测符合物理规律的未来。

Qwen-RobotNav:物理智能体的行动入口

智能体要操作任何物体,首先得能到达目标位置。然而不同导航任务对历史信息的需求差异巨大——指令跟随需要保留长程上下文,目标追踪则几乎只关注最近几帧。任何固定的视觉分配策略都无法同时满足这两类需求。

Qwen-RobotNav 的核心思路是将视觉分配策略本身参数化:任务模式选择导航行为(指令跟随、目标搜索、目标追踪、自动驾驶),可调节参数(视觉 token 预算、时间衰减、单相机权重、帧采样模式)决定视觉历史的编码方式。模型在1560 万条样本上训练,同时联合视觉语言数据以保留感知能力,一套权重统一五类导航任务。

这套参数化接口也使 Qwen-RobotNav 天然适合作为智能体系统中的导航模块——上层规划器将长程目标分解为子任务,在执行过程中动态切换任务模式和上下文策略,通过反复调用同一模型来组合复杂行为。由此,整个系统具备了持久记忆与长程推理能力,可处理多步导航、环境取证和循证问答等复杂任务。

统一多域导航:单一模型、单组权重,在 5 个导航领域达到 SOTA — VLN-CE RxR 76.5% SR、HM3Dv2 目标搜索 75.6% SR(仅 RGB,超越所有深度方法)、EVT-Bench 90.0% 跟踪率、NAVSIM 91.4 PDMS,以及 3 个 EQA 基准新纪录 — 2B 到 8B 参数一致提升;

可控观测协议:四个控制轴(视觉词元预算、时间衰减、逐相机权重、帧采样模式)作为推理时参数暴露,训练时逐样本随机化,无需重新训练或修改 Qwen3-VL 架构即可适配任意配置;

智能体导航系统:作为双层系统中可重配置的导航原语,上层规划器(Qwen3.6-Plus)分解长时序目标并调度可配置的导航调用,配合双层记忆机制 — 在 EXPRESS-Bench 上提升 15.4%,导航步数减少 77%;

开放环境泛化:在 Unitree Go2 四足机器人上零样本部署,仅使用单个低分辨率相机,在开放真实环境与自由自然语言指令下展现出强大的泛化能力,无需任何环境特定微调。

Qwen-RobotNav 基准测试结果

真实部署

零样本部署在宇树 Go2 四足机器人(NVIDIA Jetson Thor,推理延迟 196ms),仅使用机器人自带的低分辨率摄像头。机器人在一套从未见过的公寓中,根据逐步的语言指令跨多个房间执行任务。

指令跟随

我们在一个从未见过的展览馆中评估往返导航任务:机器人首先根据语言指令从客厅导航 21.78 米至病房,随后接收反向指令,要求精确地沿原路返回。这一任务极具挑战性,因为模型需要在长距离中保持空间感知,在正向和反向两个方向上识别多样的视觉地标,并仅凭语言实现精准的双向位置控制。

Qwen-RobotManip:物理智能体的交互基石

物理智能体需要与真实世界交互,例如通过机械臂完成操作任务。然而,产线上的工业臂与厨房中的服务臂,执行的抓取动作视觉上可能非常相似,但关节配置和动作空间却截然不同。核心挑战在于让形态各异的机器人在表示层面实现兼容,使跨机器人、跨数据源的大规模训练产生协同效应而非相互冲突。

Qwen-RobotManip 以 Qwen3.5-4B VL 为骨干、结合流匹配 DiT 动作头,通过三种机制解决这一问题。统一的 80 维状态-动作表示在单臂、双臂、灵巧手和移动平台等本体间共享。相机坐标系下的末端执行器增量位姿动作,使视觉上相似的运动在不同机器人之间数值上也相近,从而屏蔽形态差异。上下文策略自适应将执行历史视为隐式的本体标识,实现推理时在线行为校准。

一旦表征体系统一,数据壁垒随之降低。我们利用开源的11,320小时的机器人数据、 开源的 1,933 小时 第一人称人类视频,以及 人-机迁移数据合成管线从人类视频合成的跨 15 个本体的24,808 小时 机器人数据(共计 >38,100 小时 )训练VLA模型。仅依靠开源数据,模型即涌现出对扰动的鲁棒性、零样本指令跟随、自主错误恢复和跨本体迁移等泛化能力。

统一跨本体对齐框架-统一的 80 维状态:动作表示兼容多样化本体,相机坐标系末端执行器增量位姿使视觉相似运动数值相近,上下文策略自适应将执行历史作为隐式本体标识——三者共同实现跨本体一致信号提取。

大规模人-机迁移数据合成:管线将 1,933 小时第一人称人类视频,经由动作重定向、手部去除与补绘、仿真渲染及深度辅助融合,转化为跨 15 个本体的 24,808 小时机器人演示,配合多阶段数据策划管线确保数据质量。

分布外泛化: LIBERO-Plus 91.4%(超越 π0.5 +7.0),RoboTwin-C2R Hard 69.4%(超越 π0.5 +21.5),RoboCasa365 Composite-Unseen 14.9%(第二名的 3 倍),EBench 45.6%(超越第二名 +18.5);RoboTwin-IF 72.0%(超越 π0.5 +22.4),证实了可靠的语言条件控制能力;RoboTwin-XE 零样本跨本体迁移性能达到先前最优的 3 倍。

真实环境表现: RoboChallenge Table30 v1 通用赛道以 45% SR 排名第一,领先亚军 20%;在真实机器人平台上的域内与域外任务、少样本适应及跨本体技能迁移中达到先前最优的 2 倍。

“

关键发现:对齐是规模化的前提。只有具备统一跨本体表示的模型(UnifiedSpace + UnifiedEEF)才能展现出稳定的对数线性数据规模化曲线。没有对齐,增加更多数据只会产生抖动或持平的曲线——规模化无法弥补未对齐表征框架的固有缺陷。

”

跨本体迁移

在其他本体上训练的任务可零样本迁移至新本体执行,并通过少量示教快速适应全新任务。

指令跟随

在真实环境(第一排)和仿真(第二排)中执行多样化的未见指令。

Qwen-RobotWorld:物理智能体的无限世界

真实世界的经验是机器人领域最稀缺的资源。

Qwen-RobotWorld 通过直接学习世界的状态转移函数来解决这一问题:给定当前观测和一个自然语言动作,预测世界接下来将呈现的样子。

关键的设计选择是将所有动作以自然语言表达——这将末端执行器位姿、转向指令和导航路标点统一为单一接口,使 20 余种本体类型和 500 余个动作类别得以在具身世界知识语料库(860 万视频-文本对,逾 2 亿帧)下协同训练。

60 层双流 MMDiT 将 Qwen2.5-VL 的语义表示与视频隐变量深度耦合。将完整的多模态大语言模型作为动作编码器——而非轻量级文本编码器是关键所在:

它带来了内化的世界知识:手臂是刚体、液体会扩散、物体会下落,从而隐式地将生成约束为物理上可信的未来。

每个领域相互强化:操作教会接触物理,驾驶教会大尺度三维几何,导航教会房间级别的空间推理。

语言驱动的统一动作接口 :自然语言将 20 余种机器人本体和 500 余个动作类别标准化为统一的训练接口,使操作、驾驶、导航和人机迁移得以联合训练;每个领域互相强化。

双流 MMDiT + Qwen2.5-VL 动作编码器:以完整的多模态大语言模型(而非轻量级文本编码器)作为动作编码器,将复杂的组合指令解析为精确的生成信号,并内化物理世界知识,可作为合成数据引擎、闭环策略评估器和动作规划器。

榜单排名: EWMBench 总分第一(运动保真度超越亚军 33%)及 DreamGen Bench 第一;开源模型中 WorldModelBench 第一(牛顿定律、质量守恒、流体动力学等物理规律遵循完美)及 PBBench 第一。

核心能力: 细粒度语言控制(改变单个关键词即产生不同的未来);跨 8 种以上本体的人机迁移,具备多视角一致生成;在 RoboTwin-IF 上的零样本鲁棒性。

任意指令跟随

改变单个关键词,物体、目标或动作动词,即可产生相应不同的未来。世界模型真正理解语言,而非仅仅进行模式匹配。

人机迁移

给定人类演示,Qwen-RobotWorld 能够跨多种本体生成真实的机器人执行效果——无需遥操作。

从模型到智能体:形成闭环

三个模型各自独立可用——但由于它们都提供语言优先的接口,通用 Qwen 模型可以将它们作为物理世界工具进行组合,将通用智能直接连接到物理行动。我们还有一个内部项目Qwen-RobotClaw——一个机器人智能体框架,使 Qwen VLM 智能体能够将 Qwen-Robot Suite 模型作为物理世界工具调用,同时妥善管理长程任务所需的上下文与记忆,推动物理智能走向更通用、更复杂的真实应用场景。以下是目前已实现的早期示例。

开放式任务执行

Qwen-Omni 观察场景,通过语音随机提出操作任务,并对执行结果进行实时评判。每段视频展示了 Qwen-RobotManip 即时完成任务的过程,无需预定义的任务列表——这证明了通用多模态模型完全可以充当任务提出者与评估者的角色,而套件模型则负责物理执行。

智能体导航与具身问答

通过工具调用,将智能体系统与Qwen-RobotNav结合起来,我们在长程 3D 物理世界探索任务上相较于先前最优取得了显著提升,包括 HM-EQA、MT-HM3D 和 EXPRESS-Bench 等具身问答基准。同时,这种开放世界探索能力也已经可以部署到真实环境中。

第一个 demo 中,用户要求智能体在真实建筑中找到一个可用的卫生间。智能体首先扫描周围环境,沿走廊线索寻找卫生间标识;发现第一个卫生间旁贴有清晰的 "Cleaning in Progress / 暂停使用" 标牌后,判断该卫生间不可用,随即重新规划路线前往建筑另一侧寻找替代选项。在通过视觉证据确认第二个卫生间开放且可进入后,智能体返回了一个有实证支撑的答案。

第二个 demo 则是我们此前随 Qwen3.7-Max 一并发布的一镜到底演示:智能体通过调用 Robot-Nav,在开放园区环境中进行自主探索,在过程中修正偏差,并最终找回丢失的雨伞。后续我们将发布更多技术细节。

Chat2Robot

我们提供了一个实验性功能——Chat2Robot——您可以直接在浏览器中与机器人对话。只需输入自然语言指令,即可观察机器人的实时响应。欢迎体验!

注意: Chat2Robot 目前仅支持 Qwen-RobotManip。当前部署的策略仅使用 RoboTwin-Clean 数据集进行训练,该数据集仅包含 50 个任务,因此它并非一个完美的策略。我们希望借此展示模型一定程度的零样本指令跟随能力。该功能仍在持续开发中,可能尚不完善——欢迎反馈与建议!

具身智能还在起步阶段,离真正的“通用机器人”还有很长的路要走。但方向已经清晰:用更强的多模态理解去桥接物理行动,用更大的数据规模去换取泛化能力。QwenRobot 只是第一步,我们期待与开发者一起,让 AI 真正走进物理世界。

推荐阅读

端侧 AI 提速 80%?如何让 Qwen3-VL 在手机起飞

只给一份文档,Qwen3.7-Max 从 0 交付双端应用

查看更多demo,点击阅读原文

阅读原文

跳转微信打开

融 5000 万美金,这个华人团队要用真实生活场景来打造持续学习 Agent 模型

2026年6月16日 12:30

原创 StartupBoy 2026-06-16 12:30 四川

AI 如果真的会持续学习,它应该发生在模型内部还是模型外部

持续学习自我演进已经成为 AI 行业最为关注的一个方向,Anthropic CEO Dario Amodei 在最新的一篇文章里说反馈回路已经闭合《Anthropic CEO:AI 是给人类的成人礼》,本质上也意味着 AI 正逐渐具备持续学习、甚至加速自我演进的能力。

由前 OpenAI CTO Mira Murati 创立的 Thinking Machine,也在尝试让 AI 不再依赖一次性训练,而是作为一个长期运行的系统持续成长:通过外部工具链、动态记忆网络与持续推理流,让模型在复杂任务、代码生成与跨工具协作中不断积累“经验”。

几乎在同时,国内一家叫 Mindvers(心洲科技)的创业公司也在做类似的事情,最近完成了由美团战投领投的 A 轮融资,元禾璞华、韶音科技和老股东跟投。总融资额已近 5000 万美金,其它投资人还包括了蚂蚁、红杉、高榕和真格等。

越来越多公司开始真的把“持续学习”当成系统设计的一部分,而不是单纯的研究方向。但更关键的问题是:

AI 如果真的会持续学习,它应该发生在模型内部还是模型外部?

传统的路径是用 RAG、Memory、Workflow、Harness,把“学习”放在模型外部系统中实现。而 Mindverse 选择了另一条,把“学习”写到模型参数本身。

其核心判断是:

如果记忆不进入参数,就只是外挂;外挂再强,也不是能力本身。

因为在他们看来,“持续学习”不是一个系统设计问题,而是一个训练范式问题。

其核心技术路线是通过共享大脑 + 专属技能包(Mixture of LoRA),让大模型在低成本条件下获得持续扩展能力,从而更贴近真实 Agent 场景。可以将其简单拆解为:

  • 共享大脑(Base Model): 大家都共享同一个聪明、庞大的通用大模型底座,提供基础的智能。

  • 专属技能包(LoRA/Adapter): 在底座之上,给每个人、每个企业或每个场景挂上一个非常轻量、小巧的“技能包”(参数量只占底座的千分之五左右)。

这些“技能包”不是静态存在的,而是可以被组合、调度、替换。这个模式和最近刚拿了 Sarah Guo 领投 1500 万美金的 Trajectory 也比较类似,都属于大模型后训练 + 多 LoRA 混合 + 持续学习模式。

但 Mindverse(心洲科技)的差异在于:它从一开始就围绕真实生活场景构建整个系统。

他们首先基于真实产品中的用户行为,构建了一套生活类 Benchmark 体系,再用这一体系反向驱动模型训练,从而形成:

Agent Model + Agent Harness 协同驱动的闭环系统

在他们的定义里,一个模型是否优秀,不取决于“会不会答题”,而取决于它是否能在真实生活任务中完成完整闭环。

LivingBench:从真实产品中生长出来的评测系统

与传统静态 benchmark 不同,LivingBench 并不假设用户输入是完整的、任务是稳定不变的、环境是确定性的。相反,它刻意模拟现实生活中的不确定性,比方说餐厅突然没位置、路线因为天气变化、预算中途调整、用户临时改变目标、信息源互相冲突……

为了还原这些复杂性,LivingBench 引入了动态噪声、动态环境和动态用户反馈,使得任务本身会在执行过程中不断变化。

此时模型需要做的不只是回答问题,而是要理解用户意图是否发生变化,在信息不完整时重新规划以及处理各种突发约束。更关键的是,这套 Benchmark 本身也是持续生长的,它会从真实产品中的用户行为、失败案例、交互摩擦中不断提取新任务。

有点像是一个“从产品中长出来的评测系统”,类似的思路也出现在 CursorBench V3 中:静态题库无法衡量真实产品能力,只有动态任务才成立。

除此之外这个评测体系还包括了评估生成式 UI 能力的 A2UIBench,评测生活任务与个人助理能力的 VitaBench 以及基于 OpenClaw 的使用场景用于评估多步个人助理工作流的 PinchBench 等。

其核心逻辑是,如果模型不能在真实生活任务中稳定工作,那么在通用 Benchmark 上的领先意义有限。

Macaron-V1-Preview:生活场景优先,但不是“单点模型SOTA”

Mindverse(心洲科技)最近发布了 Macaron-V1-Preview 模型,在这套评测体系下,该公司声称它在生活类场景上表现出明显优势。

其特点不是“全面第一”,而是在生活类任务中显著领先,在通用任务中保持不掉队。它不是一个通用模型,而是一个“生活型 Agent 模型”。更擅长做的做一些具体的事情,比方说帮你预订餐厅、规划路线、管理预算等,甚至在任务进行中应对突发情况。

因此更像是一个“生活型 AI 助手 + 生成 UI + 个性化 Agent”的混合体。

Agent Model + Agent Harness:能力不只在模型里

但我觉得更重要的不是模型本身,而是上面提到Agent Model+Agent Harness 协同的一体结构,这意味着,Agent 能力第一次不只由模型参数决定,而是由“模型 + 系统”共同决定。

在 Mindverse 的定义里,Macaron-V1-Preview 这个模型并不是一个孤立的模型,而是与 Agent Harness 共同构建能力边界,Agent 的能力不只在模型参数里,也在模型运行的环境里。

这里说的 Agent Harness,我们可以理解为模型运行时的执行系统或工作环境,就像是飞机的操纵杆和仪表盘。它包含了工具调用、多步任务轨迹管理、生成式 UI 渲染、用户反馈收集、路由机制、缓存调度以及状态管理等。

其重要的点不在于“它包含什么组件”,而在于一个结构性变化:

模型不是在一个抽象环境中训练,而是在和真实产品同一套系统中被训练、评估和部署。

这意味着训练环境和线上环境几乎是同构的。

Mindverse 早期做的 C 端产品 Macaron,就承担着 Agent Harness 的作用,官方宣称已经有 200 万用户,日活用户超过了 10 万。用户在 Macaron 中的真实行为,会反向进入训练体系,再通过后训练影响模型能力。

不过需要指出的是,其后训练并不是直接使用用户的原始数据,而是通过反馈构建模拟环境,在带噪声、带极端情况的环境中重建任务分布。这点和 Anthropic / Claude Code 的路线非常类似:

产品使用 → 反馈结构化 → 模拟环境训练 → 模型更新 → 产品能力提升

这套协同设计加上真实用户反馈,构成了一个持续改善的飞轮,使得模型能力与产品体验不断相互增强。基于这套机制,Mindverse 在训练算力不到 300 卡的情况下,实现了模型在生活场景类的领先地位。

一个仍然存在的问题:C 端数据能否支撑企业 A2UI?

不过我比较怀疑 C 端的轻量数据能否支撑未来企业级的 A2UI(生成界面),因为 C 端里常用的界面比较基础且容错率很高,而企业背后的业务逻辑极其严密的。

Mindverse 的解释是,C 端的价值不在“业务复杂度”,而在“交互模式学习”:

C 端产品核心是让我们持续获得真实交互信号,帮助我们把 A2UI 的底层交互能力训练出来;在进入企业场景时,再通过企业私有数据、合成数据、业务规则和安全架构完成领域适配。

日常前端生成更多考验的是一次性生成一个静态页面,本质上更接近代码生成能力。A2UI 的核心挑战更偏向实时交互:在用户当前意图下,快速生成一个能降低认知负担、并且可以被用户直接操作的界面。

从这个角度看,C 端数据的价值,主要体现在训练模型理解“什么样的信息应该被结构化”“什么样的交互能降低用户负担”“用户在什么时刻需要按钮、表单、确认卡片或结果视图”。这些是跨场景的交互能力,不完全依赖某一个行业的数据。

企业场景则需要结合企业自身的业务规则、权限体系、审批流程和内部数据进行适配。在训练 A2UI 时,不只依赖真实用户反馈,也会使用大量合成数据、User Simulator 和自动化评测环境,让模型在更复杂、更高覆盖度的场景里学习。

从这个角度看,Mindverse(心洲科技)的核心不只是一个模型,而是一套完整路径:

从真实产品出发定义问题,再用问题反推 Benchmark,最后反推模型训练方式。

如果这一路径成立,那么 AI 行业的竞争重点可能正在发生变化:从“谁模型更大”变成“谁更接近真实任务系统”,模型不再是中心,系统(训练 + 产品 + 数据闭环)可能才是中心。

作为中国第一家 Neo Lab,Mind Lab 的阵容不可小视。公司创始人 Andrew 在深圳清华大学研究院任研发中心主任,实验室负责人马骁腾是清华自动化系博士、博士后,核心研究团队约 30 人,团队成员累计发表 200 篇顶会论文,总引用超过 5 万次。

其中,基础设施负责人来自 DeepSeek,算法负责人来自字节 Seed,模型团队成员来自清华、MIT、NVIDIA、xAI 等机构,长期专注于模型训练、强化学习和高性能推理架构领域。

阅读原文

跳转微信打开

4000行代码撑起一个Agent框架?nanobot架构深度解析

2026年6月16日 12:15

俞孟凡 2026-06-16 12:15 广东

以下文章来源于:腾讯云开发者

腾讯云开发者

腾讯云官方社区公众号,汇聚技术开发者群体,分享技术干货,打造技术影响力交流社区。

香港大学数据科学实验室(HKUDS)的 nanobot,2026 年 2 月初开源,30 天内:

  • 28,500+ GitHub Stars

  • 8 次大版本发布

  • 核心代码 3,935 行

对比项:LangChain 核心代码 430,000+ 行。

这个反差值得认真分析。这篇文章拆解 nanobot 的每一个设计决策,包括它的优势、局限,和可以借鉴的架构模式。

01

整体架构:控制面集中化

先看全局结构:

    Chat Platforms (13 channels)
             ↓
       MessageBus (asyncio.Queue)
        inbound / outbound
             ↓
       AgentLoop(核心控制面)
        ├── SessionManager  → 历史对话加载
        ├── ContextBuilder  → system prompt + messages 组装
        └── while loop: LLM → tool calls → execute → append → LLM...
             ↓
      ┌──────────────────────────────┐
      │ ToolRegistry   SubagentMgr   │
      │ exec/fs/web    asyncio.Task  │
      │ spawn/mcp/cron               │
      └──────────────────────────────┘

    这个架构的决定性特征:控制面完全集中在 AgentLoop。

    没有 LangChain 的 Chain/Runnable/LCEL 等编排层,没有 LangGraph 的节点/边/DAG,没有 AutoGPT 的显式 PLAN 步骤。所有决策路径都穿过同一个 while 循环。

    这是个极强的设计约束:可理解性最大化,但弹性空间也随之缩小(后文展开)。

    02

    核心:ReAct 循环的极简实现

    agent/loop.py是整个框架的心脏:

      async def _run_agent_loop(self, initial_messages, on_progress):
          messages = initial_messages
          while iteration < self.max_iterations:   # 默认 40 次
              response = await self.provider.chat(
                  messages=messages,
                  tools=self.tools.get_definitions(),
                  model=self.model,
              )
              if response.has_tool_calls:
                  for tool_call in response.tool_calls:
                      result = await self.tools.execute(tool_call.name, tool_call.arguments)
                      messages = append_tool_result(messages, tool_call.id, result)
              else:
                  final_content = response.content
                  break
          return final_content

      约 20 行,这就是整个 agent 编排逻辑的全部。

      几个关键工程细节值得注意:

      错误响应不持久化到 session history。 防止"400 中毒循环"——如果错误消息存入历史,后续 LLM 调用携带格式错误的 history 会触发 API 400,进而导致更多错误,形成无法自愈的循环。

      工具结果存入 session 时截断为 500 字符。 当前 turn 内 LLM 能看到完整结果,但历史记录只保存摘要。这控制了上下文增长速率,代价是跨会话的工具结果不可追溯。

      错误处理只有一行:

        if result.startswith("Error"):
            return result + "\n\n[Analyze the error above and try a different approach.]"

        把错误恢复的全部责任交给 LLM。这在 GPT-4 级别的模型上工作,在较弱模型上可能导致无效循环。

        03

        Tool 系统:Python 插件的最小接口

          class Tool(ABC):
              @property
              @abstractmethod
              def name(self) -> str: ...

              @property
              @abstractmethod
              def description(self) -> str: ...

              @property
              @abstractmethod
              def parameters(self) -> dict: ...  # JSON Schema

              @abstractmethod
              async def execute(self, **kwargs) -> str: ...  # 硬约束:必须返回 str

          execute 返回值强制为 str 是个有意思的设计选择。好处是接口统一,LLM 天然消费字符串;代价是结构化数据需要在 execute 内部序列化,丢失了类型信息。

          一个数据库工具示例:

            class MyDatabaseTool(Tool):
                @property
                def name(self): return "query_database"

                @property
                def description(self): return "执行只读 SQL 查询"

                @property
                def parameters(self):
                    return {
                        "type": "object",
                        "properties": {"sql": {"type": "string"}},
                        "required": ["sql"]
                    }

                async def execute(self, sql: str, **kwargs) -> str:
                    rows = await db.fetch(sql)
                    return "\n".join(str(r) for r in rows)

            然后在初始化时注册:

              self.tools.register(MyDatabaseTool(connection_string="..."))

              没有装饰器、没有注册配置文件、没有元类。代价是 JSON Schema 要手写——LangChain 的 @tool 装饰器可以从 docstring 和类型注解自动生成 schema,nanobot 这里需要人工维护。

              04

              Skill 系统:用 Markdown 扩展 LLM 能力

              这是 nanobot 最独特的设计,也是最值得深入分析的部分。

              核心理念:Skills 不是 Python 代码,而是 Markdown 文档,教 LLM 如何使用已有的 CLI 工具。

              一个天气 skill:

                ---
                name: weather
                description: Get current weather andforecasts (no API key required).
                metadata: {"nanobot":{"emoji":"🌤️","requires":{"bins":["curl"]}}}
                ---


                # Weather


                ## wttr.in (primary)


                ```bash
                curl -s "wttr.in/London?format=3"

                  系统通过 `shutil.which` 检查 `bins` 里的工具是否存在。如果存在,这个 skill 的 `available` 标记为 `true`。


                  ### Progressive Loading:用文件系统做懒加载


                  关键机制:系统不把所有 skill 内容塞进 system prompt,而是注入一个 XML 索引:


                  ```xml
                  <skills>
                    <skillavailable="true">
                      <name>weather</name>
                      <description>Get current weather...</description>
                      <location>/path/to/skills/weather/SKILL.md</location>
                    </skill>
                    <skillavailable="false">
                      <name>github</name>
                      <description>Interact with GitHub via gh CLI</description>
                      <requires>Binary: gh</requires>
                      <location>/path/to/skills/github/SKILL.md</location>
                    </skill>
                  </skills>

                  System prompt 里明确告诉 LLM:需要用某个 skill 时,用 read_file 读取它的 SKILL.md。

                  这是用文件系统作为懒加载机制。LLM 自主决定何时需要加载哪个 skill,按需加载,不用的 skill 零 token 开销。

                  相比向量检索的优势:确定性(没有相似度阈值的不确定性)、可审计(你能直接读 SKILL.md 知道 LLM 在做什么)、零额外成本。

                  局限:当 skill 数量极大时(比如几百个),XML 索引本身会占满 context window。这个机制在规模上有天花板。

                  4.1 Skill vs Tool 的分工原则

                  场景

                  用Tool

                  用Skill

                  需要执行 Python 逻辑

                  ✓

                  包装已有 CLI 工具

                  ✓

                  需要直接调用 API

                  ✓

                  包装有完善文档的服务(gh CLI 等)

                  ✓

                  添加能力但无 Python 经验

                  ✓

                  这个分工使得非工程师也能扩展 agent 能力:只需写 Markdown,描述如何用某个命令行工具完成任务,下次会话自动生效。

                  05

                  记忆系统:"grep beats RAG"

                  两个 Markdown 文件,不用向量库:

                  文件

                  内容

                  加载方式

                  MEMORY.md

                  长期事实、用户偏好

                  每次都注入 system prompt

                  HISTORY.md

                  对话摘要,追加写入

                  LLM 用 exec grep 按需搜索

                  当 unconsolidated_messages >= 100 时,异步触发记忆整合:

                    async def consolidate(self, session, provider, model):
                        response = await provider.chat(
                            messages=[...],
                            tools=_SAVE_MEMORY_TOOL,   # save_memory(history_entry, memory_update)
                            model=model,
                        )
                        # LLM 决定写什么进 MEMORY.md 和 HISTORY.md

                    整合以独立 asyncio.Task 运行,不阻塞主流程。

                    作者的设计论据(Discussion #566):

                    "grep beats RAG for agent memory — deterministic, auditable, zero-cost, composable"

                    这个论断在个人规模(数百条历史)成立。在企业规模(数万条历史、多用户共享知识库、跨语言搜索)时,文件 grep 的局限会暴露出来。

                    社区持续有人要求加 Qdrant/LanceDB 向量记忆,作者坚持极简路线。这是个合理的范围决策:nanobot 的定位是个人助手,不是企业知识管理平台。

                    06

                    Subagent 系统:消息总线重注入

                    spawn 工具允许主 agent 把长任务委托给后台 asyncio.Task:

                      async def spawn(self, task, label, origin_channel, origin_chat_id):
                          task_id = str(uuid.uuid4())[:8]
                          asyncio.create_task(
                              self._run_subagent(task_id, task, label, origin)
                          )
                          return f"Subagent [{label}] started (id: {task_id}). I'll notify you when done."

                      Subagent 有明确的能力约束:

                      • 没有 message 工具(不能直接给用户发消息)

                      • 没有 spawn 工具(防止递归生成子 agent)

                      • 最多 15 次迭代(主 agent 40 次)

                      • 无 memory/history(独立的 system prompt)

                      结果通知的巧妙设计:Subagent 完成后,通过消息总线重新注入一条 InboundMessage:

                        async def _announce_result(self, task_id, label, task, result, origin):
                            msg = InboundMessage(
                                channel="system",
                                chat_id=f"{origin['channel']}:{origin['chat_id']}",
                                content=f"[Subagent '{label}' completed]\nResult: {result}",
                            )
                            await self.bus.publish_inbound(msg)

                        主 agent 像处理普通用户消息一样处理这条消息,自然地总结给用户。无需特殊的结果传递协议,无需主 agent 轮询子任务状态。

                        代价:asyncio.Task 在同一个进程内运行,无法跨进程/机器分布。大规模 agent swarm 场景需要替换这层。(社区正在 RFC 两种方案:软件层角色模拟 vs 原生多进程。)

                        07

                        MCP 集成:标准协议桥接

                        MCP 工具被自动包装为原生 Tool 对象:

                          class MCPToolWrapper(Tool):
                              def __init__(self, session, server_name, tool_def):
                                  self._name = f"mcp_{server_name}_{tool_def.name}"  # 命名空间隔离
                                  self._description = tool_def.description
                                  self._parameters = tool_def.inputSchema

                              async def execute(self, **kwargs) -> str:
                                  result = await asyncio.wait_for(
                                      self._session.call_tool(self._original_name, arguments=kwargs),
                                      timeout=self._tool_timeout,
                                  )
                                  return "\n".join(block.text for block in result.content)

                          支持 stdio(子进程)和 streamable-http 两种 MCP 服务器。配置:

                            {
                              "tools": {
                                "mcp_servers": {
                                  "my_server": {
                                    "command": "npx",
                                    "args": ["-y", "@my/mcp-server"],
                                    "tool_timeout": 30
                                  }
                                }
                              }
                            }

                            MCP 工具对 LLM 完全透明,和内置工具无区别,只是名字带 mcp_{server}_ 前缀做命名空间隔离。

                            这个设计的长期价值:随着 MCP 生态扩张,nanobot 可以零成本接入所有 MCP 兼容工具。

                            08

                            可借鉴的架构模式

                            拆解到这里,几个可迁移的设计原则值得单独提炼:

                            1. 配置驱动的能力扩展(Markdown-as-Config)

                              把 prompt 工程从代码层分离出来,用文件系统管理。能力的添加不需要改代码、不需要重启服务。适用于任何需要给 LLM 注入领域知识的场景。

                            2. 懒加载 + 文件系统作为 context 管理策略

                              不在 system prompt 里预载所有知识,只放索引。让 LLM 用工具按需加载详细内容。降低常规 token 消耗,代价是加载时有额外的 tool call 延迟。

                            3. 消息总线解耦异步任务的结果通知

                              子任务完成后不通过回调或轮询通知,而是重新注入到输入流,让主处理逻辑统一处理所有输入来源。消除了"结果传递协议",但耦合了子任务与消息总线格式。

                            4. 工具接口的最小公共类型

                              所有工具返回 str,统一接口。放弃结构化返回值,换取接口的绝对一致性。在 LLM 消费所有输出的场景下这个取舍合理。

                            5. 错误恢复委托给 LLM

                              工具错误不在框架层处理重试或回退,只追加一句引导提示,让 LLM 决定下一步。这在强模型上有效,减少了框架的复杂度,但把系统的健壮性依赖转移到了模型能力上。

                            09

                            使用建议

                            适合的场景:

                            • 个人自托管 AI 助手,想接入多个聊天平台

                            • 需要快速原型,不想被框架概念淹没

                            • 想理解 agent 框架的最小实现,作为学习材料

                            不适合的场景:

                            • 需要精确的多 agent 协调(spawn 基于 asyncio.Task,无分布式支持)

                            • 大规模历史记忆(grep 文件有规模上限)

                            • 需要细粒度的 agent 行为控制(控制面集中化意味着定制点有限)

                            • 生产环境安全隔离(exec 工具的黑名单机制不够)

                            nanobot 是目前我见过最诚实的 agent 框架:它的代码量和功能声明是匹配的,没有用复杂的抽象隐藏简单的实现。这本身就值得学习。

                            相关链接:

                            -End-

                            原创作者|俞孟凡

                            参考阅读

                            如果你也在关注 AI 应用如何真正落地到生产环境,2026.6.26 - 6.27 举办的 GIAC 深圳站值得关注。这次大会将集中讨论智能应用开发、架构演进,以及来自一线实践的经验与案例。

                            高可用架构读者可使用专属购票优惠码 UOp5XJcq,点击阅读原文进入购票页面即可使用。

                            阅读原文

                            跳转微信打开

                            龙虾热退潮后,真正留下的是「置 Agent 于电脑内」

                            2026年6月16日 12:00

                            原创 刘飞 2026-06-16 12:00 上海

                            关于把一群 Agent 养在电脑里办公。

                            1 把一群 Agent 养在电脑里办公 

                            前阵子《置身钉内》是钉钉一位产品经理的 7.5 万字的长文,复盘了 ONE 项目从被寄予厚望到下线的全过程。我们也看到了事后更大的人事地震:6 月 11 日,陈航卸任钉钉 CEO,92 年的陈宇森接棒。

                            这场换帅本身讨论很多了,我关注的一个有意思的视角是新任 CEO。

                            陈宇森是技术型连续创业者,做过网络安全的长亭科技,后来一直在做云和 Agent 方向。接手钉钉前,他在做一个叫 MuleRun 的 Agent 平台。他也在几次访谈里反复讲一个观点:AI 会经历 Copilot 和 AI Native 两个阶段,Copilot 是副驾驶,人还是主要的执行者;到了 AI Native 阶段,工作会围着 AI 重新组织,人从每一步的执行者,变成标准的制定者和结果的检查者。他还说过,AI Native 组织和非 AI Native 组织之间,效率差距最小也有十倍。

                            这个很有意思,换帅的目标就是要用 AI 重置组织数字化协作的感觉。

                            这就有一个推论:未来的数字化办公,是「置 Agent 在电脑内」。

                            过去我们用 SaaS、用各种在线协作工具,都是把活搬到云上去做:文档在云端,表格在云端,人对着浏览器一个个标签页切。另外很多工作流都分散在各个地方。

                            而 Agent 则代表的是,不需要再把活搬上去,而是再次回到本地,回到电脑里,用本地的文件夹、本地的浏览器、以及本地的定时脚本。它不再是云上一个服务,是机器里一个常驻的数字同事。

                            最近在试用的 Kimi Work,就是在这几点上,体验非常鲜明。

                            下面我就用几个真实跑过的任务,挨个说说这几点变化具体是什么体感,再聊聊我更大的几点感受。

                            2 Agent 团队配合作战

                            我在做半拿铁的「中国互联网故事」系列,需要一期讲「中文社区」的稿子,要覆盖豆瓣、知乎、虎扑、小红书、B 站。我就让 Kimi Work 去尝试,让它给我三万字。

                            这个活如果交给 Chatbot,它能列个提纲,也能写完。但拿到手往往有几个常见问题:结构上虎头蛇尾,开头详尽,越往后越敷衍;需要交叉验证的地方做得不扎实;给它投喂的资料,它也未必真用得上、读得完。有点像一个人对着一个长任务从头写到尾,本来就容易顾此失彼。

                            交给 Kimi Work 之后,它派了八个子 Agent 并行去查:一个查豆瓣,一个查知乎,各跑各的,互不耽误。光这一轮调研就跑了一百多次搜索,产出八万字研究资料。然后在这堆资料上搭出十章大纲,再派一批写手 Agent 分头写,每个负责一章。最后合稿、统一脚注、转成 Word 格式。

                            我拿到的是一份三万两千字、带三十多条出处的成稿,外加一个排好版的 docx。

                            这不是「答得更长的 Chat」。而是把一件本来需要凑好几个人、干好几天的活,拆开、分给一支临时组建的团队、并行跑完。

                            而且这支团队里的每个 Agent,都能单独调和换。哪个岗位的数字员工干得不行,可以随时替掉,也可以接着调教他,让他下次干得更好。这一点后面还会再聊。

                            3 用苦功夫替代幻觉

                            并行只是表面。更关键的是,它能把整条工作流串起来,从原始资料一直走到成品。

                            我让 Kimi Work 整理一下「置身钉内」这篇文章的前因后果和相关的信息与讨论,最后输出给我一个 PPT。

                            它去搜了来龙去脉——腾讯、财新、虎嗅各自的说法,马锐拉那篇《置身钉外》,阿里合伙人的回应,先都爬下来。然后读了 PPT 制作规范,定了一套视觉风格:深炭底色配琥珀金,结论先行,关键数据做成卡片。

                            再一页页生成,自己检查报错、修掉问题、转成 pptx。

                            第一版 16 页。

                            我说不够,Kimi Work 就扩写成 32 页,补查了新 CEO 陈宇森的背景、钉钉「悟空」的 AI 战略、几家协作工具的竞争格局,重新做成六个章节。

                            整个过程,我只做两件事:提一句需求,然后验收。不满意了,就继续提出修改意见。Kimi Work 就能针对性调整。中间「查资料 → 定结构 → 配数据 → 出设计稿 → 自查纠错」这一长串工作流,它可以自己走完。

                            类似的还跑过一份 SpaceX 投资者报告,这个更复杂,十个子 Agent 分头深挖公司历史、技术、财务、竞争、监管、人物。每个至少搜十五次,最后交叉验证、标出哪些是高置信度发现、哪些是有冲突的说法,产出三十页、三百多条脚注、十三张图表。体感上像是临时拥有了一个研究小组。

                            关键问题不在于推理能力和思考能力。关键问题在于搜集能力和整理能力。有的 Chatbot 有朋友会觉得,明明大家都说很厉害,但为什么还是有幻觉?就是因为这个。

                            搜集整理的能力和推理能力是两码事。

                            4 查得足够广,才足够准

                            查得足够全面,最后的结果才足够准确。

                            我让 Kimi Work 从各个维度分析一下中国半导体公司的现状。这个题目很大,很多 Chatbot 会写成空泛的综述。

                            Kimi Work 的做法是先派八个 Agent 做一轮广扫,再把题目拆成十二个维度——政策、设计、制造、存储、设备材料、制裁、市场、资本、人才、应用、封测、技术差距。

                            然后每个维度再派一个 Agent 深挖,每个至少搜二十次。前后加起来跑了三百多次搜索,最后出了一份十几万字的报告。

                            让我在意的是它对「靠不靠谱」的处理。十二个维度查完,它没有直接拼起来交差,而是也做了一轮交叉验证:哪些数据是多个来源都对得上的高置信度发现,哪些是各家说法打架的。比如中芯某个制程的良率,不同来源从 85% 到 99.7% 都有,它会把冲突标出来用区间值,而不是直接选一个数。来源可疑的,会标上「据报道」。最后还单独提了十条跨维度的洞察。

                            顺带说一句数据源。

                            这份报告走的是公开搜索, Kimi Work 本身接了一批专业数据源的,包括天眼查、同花顺 iFinD、Yahoo Finance、World Bank、arXiv、Google Scholar 等等。对要查公司工商信息、财务数据、学术文献的人来说,这一层十分关键。

                            5 操作本地电脑,常驻干活

                            作为本地的 Agents 工具,Kimi Work 自然也能操作本地电脑,以及持续地、定时地跑任务。

                            我让 Kimi Work 帮我关注杭州出发的机票,降价三成以上就提醒我。

                            它做的不是查一次价格告诉我,而是在本地建了一套脚本:23 条航线的基准价、一个检测脚本、一份提醒日志,还配了个定时任务,每天早中晚各跑一次,降幅够高就在对话里告诉我。

                            中途我修改了几次需求,比如加国际航线、调日期、改频率,很快就能调整过来,达到我的预期。

                            聊天是一次性的、被动的,这是常驻的、主动的。它会通过代码脚本常驻在电脑里,有自己的工作目录、文件、日程。这也是为什么 Kimi Work 做成了桌面应用,而不只是一个聊天窗口。它要能碰本地文件,还能开浏览器直接访问(需要安装插件),能在后台定时干活。这些都是 Kimi Work 之所以叫 Work 的原因。

                            6 一些感受

                            用完 Kimi Work ,我会有这些感受。再展开说一说。

                            第一,AI 本来就该并行干活,是我们的习惯把它困在了「一个助手」里。

                            我们看到「八个 Agent 同时查资料」会觉得新鲜,恰恰说明,我们一直在拿对待人的方式对待 AI,问题和流程是串行的。

                            但很多时候任务的完成是并行和协作的。所谓「最多 300 个 Agent」不是一个噱头数字,其实是就是为了这一点而服务的。

                            很多工作就像刚才说的一样,先做一些拆解和并行的安排,远比串行能解决的问题多很多。

                            第二,Agent 从云端落到本地,才算真正接入了普通人的日常工作。

                            作为本地 Agents 工具,意义就不同了。云端 Agent 能查能写,但无法使用电脑里的东西。如果要阅读或者使用,每次都面临把文件传来传去的麻烦。

                            而我们日常的工作,很多都是沉淀在本地的,存了好几年的文档、正在改的稿子、刚导出的表格、堆满文件的文件夹,可以直接按照权限提供给它。

                            所以有一种说法,叫做从 Vibe Coding 到 Vibe Working。过去程序员用自然语言指挥 AI 把代码写出来,现在同样一套「交代目标、让 AI 跑完流程」的方式,正在平移到写文档、做调研、出报告这些普通知识工作上。

                            它能平移的前提,就是 Agent 得先从云端走到桌面。用之前用过的比喻的话,就是 AI 长出了双手。

                            第三,接下来拉开差距的,可能不再是「会不会写 prompt」,而是「会不会拆任务、派任务、验收」。

                            在 2024 年,大家比的是谁更会调教 AI、谁的 prompt 更精妙。但现在不一样了。你需要知道该怎么跟 AI 派发任务。

                            像前面提到的机票票价监控的任务,你得先有一个明确的预期,表达清楚,Agents 才能去工作。

                            这种表达更多是源于我们对任务的预期有没有想明白。对于一个报告,我们想要的是哪些维度的看法?对于一个监控任务,我们想要的是怎样的标准?这些会变得很重要。

                            只要用好了,在日常这些知识工作上,AI 将会帮我们大大省事。

                            第四,在这上面花钱,买的不是消费,是执行杠杆。

                            最后说句实在的,这类工具值不值得花钱。

                            我的看法是:一旦发现这件事 ROI 是足够的,那它就是非常好的执行杠杆。

                            我自己的工作就能算得过来。比如一篇文稿我自己过去需要 4 天的整理,如果现在能通过工具缩减到 2 天,那这 2 天的时间值不值我在工具上的付费,是一个很简单的数学题。

                            哪怕是一些很小的事情,比如电脑的空间满了,需要整理电脑的文件。本来需要花费一整天的时间,一个个文件去甄别筛选。但现在 AI 工具换算下来,可以 10 块钱解决这个事情,那我自然特别愿意花这个钱。

                            7 写在最后

                            年初养龙虾的时候我打过一个赌:慢则一年、快则半年,大厂会出来商用的、很好用的 Agent。如今这样的工具越来越多了。

                            半年多时间,本地 Agent 从发烧友才玩得转的东西,变成好几家在认真做的产品。这个速度,比当年从 Altair 到 Apple II 快很多。

                            Kimi Work 现在 Beta 版本发布,大家可以官网上体验一下。看有没有什么新的体感。

                            希望对大家有帮助。

                            跳转微信打开

                            17 岁高中生做了个假 AI,上线一个月获 2.8 亿次访问

                            2026年6月15日 21:20

                            原创 StartupBoy 2026-06-15 21:20 四川

                            AI 越无所不能,带有“人类瑕疵”的互动反而越珍贵

                            这绝对是近期把“反向创新”和“互联网幽默”玩到极致的一个案例,当整个 AI 行业都在比拼模型参数、Agent 框架、推理能力和算力规模时,一个 17 岁印度高中生却用一种近乎恶作剧的方式,创造了 2026 年最幽默的一个产品。

                            它没有大模型,没有融资,没有 GPU,甚至没有 AI。但上线一个月就获得超过 2500 万独立访客和 2.8 亿次访问。更有趣的是,用户以为自己在和 AI 聊天,但实际上对面是另一个正在憋笑的真人。

                            这就是由年仅 17 岁的 Mihir Maroju 做的网站 youraislopbores.me,可以说他创造了一个几乎没有边际成本的“互助扮演型”流量神话⁠。

                            当所有人都在做 AI,他做了一个“假 AI”

                            这个产品的核心逻辑极其简单,它把硬核的 AI 交互,做成了纯粹的“人类行为艺术互助会”。打开网站,没有注册、没有下载、没有 onboarding。只有两个按钮:

                            1. 人类(Human)模式(提问者)

                            输入任何问题:比方说我该不该联系前任?帮我画一个在太空打碟的 DJ?给我写一封辞职信?人类为什么存在?每次提问消耗一个 Credit。

                            1. 扮演 AI(Larp as AI)模式

                            如果你的 Credit 用完了怎么办?那就去这个模式下“打工”。系统会把别人提的问题随机派发给你,你必须在60 秒内,疯狂敲击键盘,模仿 ChatGPT、Claude 或 Midjourney 的语气把答案回复给对方。通过扮演 AI,你可以赚取 Credit 点数。

                            于是整个网站变成了一个巨大的真人版图灵测试:每个人都在扮演 AI。每个人又都知道对方也是人。这形成了一个完美的、自给自足的闭环。平台本身不提供任何算力,全靠用户互相消耗对方的精力和时间。你以为你在调戏 AI,其实你在调戏另一个屏幕前憋笑的真人。

                            传统 AI 产品:用户提问—>调用模型—>消耗 Token —>产生服务器成本

                            Your AI Slop Bores Me:用户提问—>随机分配给另一个用户—>对方免费回答—>平台成本≈0

                            提问者同时也是回答者,消费者同时也是生产者,无需真正的 AI,因为它让用户直接扮演 AI。

                            它是如何一夜爆火的?

                            这个产品 2 月份上线,一个月就收获了超过 2500 万独立访客和 2.8 亿次访问,但真正让它爆火的核心原因我觉得是AI 疲劳。很多人把它理解成一个搞笑网站,其实它更像是一场大型互联网行为艺术。

                            首先是对“AI 垃圾信息(AI Slop)”的极端审美疲劳。产品名字就带有极强的反叛色彩(Your AI Slop Bores Me,翻译过来就是你的 AI 垃圾信息真无聊)。

                            在 2026 年的今天,互联网上充斥着毫无营养的 AI 生成文本、一眼假的 AI 假图片以及视频等。大众从最初的惊艳,变成了如今的厌恶。这个产品用一种极其戏谑的方式,公开嘲讽了当前 AGI 泡沫下的“注水互联网”。

                            整个互联网正在被一种叫做 “AI Slop” 的东西填满。而所谓 Slop,就是大量低成本、低质量、缺乏创造力的 AI 内容。我之前在《最具争议的 1 人 AI 公司融了 3000 万美金,估值达到了 2.5 亿》里也曾提到,有人认为它也是一种行为艺术或讽刺作品,其产品名字 Polsia 反过来也是 AI SLOP(AI 垃圾)的意思。

                            其次是“梗文化(Meme)”与极佳的传播载体。网站里充满了让科技圈会心一笑的黑色幽默:

                            比如在扮演 AI 的界面,系统会用一行灰色小字警告你:“你只有 60 秒的时间来完成请求,否则 Sam Altman(OpenAI CEO)就会烧掉你的 H100 显卡。”

                            这种极具网感的讽刺瞬间引发了 Twitter (X)、Reddit 等社区的疯狂转发。而粉丝们甚至总结出了“高分攻略”:回复开头一定要写“作为一个 AI 语言模型,我没有情感,但我的建议是……”。

                            最后就是混沌与意想不到的“笑果”。因为背后是真人,所以交互结果充满了失控的乐趣:有人要一张“太空打碟 DJ”的图,真人只能用符号或极其抽象的文字拼出一幅画,结果看起来和早期 AI 跑图失败的畸形产物一模一样。有人问严肃的人生情感问题,却得到了一个陌生人带着一本正经口吻胡说八道的“AI 幻觉式”神级回复。

                            人们怀念的不是旧互联网,而是“人味”。

                            现在这个产品的流量下降了不少,但仍然很高。我感觉它本质上就是在卖情绪,在生产力工具卷成红海的今天,能够提供极端娱乐价值、讽刺价值或社交谈资的产品,依然能瞬间卷走海量流量。

                            其次是它这个供需互换的设计非常巧妙,几乎零成本解决“冷启动”与“算力成本”,传统的社交或互动软件最怕两件事:冷启动没人玩,以及用户量暴增后撑爆服务器/算力账单。

                            Mihir Maroju 的设计,把供给侧(回答者)和需求侧(提问者)融为了一体。想提问?先去当生产力。这让平台在没有一分钱算力预算的情况下,支撑起了数千万用户的实时互动。

                            同时产品设计非常极简,降低一切用户阻力(No Friction),这个网站没有手机号注册、不需要绑定邮箱、没有付费墙、甚至没有引导你下载 App 的弹窗。你点开链接,立刻就进入了笑话的核心。在用户注意力只有 3 秒的时代,把“发现产品”到“获得快乐(Aha-moment)”的路径缩短到了极致,可以说是病毒式传播非常经典的一个案例。

                            另外,其网站页脚有一行不起眼的灰色小字:

                            “Humans make mistakes because that's what makes us human.”(人类犯错,因为这正是我们身为人类的原因。)

                            当所有大模型都在追求 100% 的准确、绝对的理性、完美的对齐时,人们反而开始怀念互联网早期的混乱、无序、沙雕和充满人情味的错误。这提醒我们:AI 越无所不能,带有“人类瑕疵”的互动反而越珍贵。

                            1.最具争议的 1 人 AI 公司融了 3000 万美金,估值达到了 2.5 亿

                            2.10 万名创作者在 Substack 上赚到了钱,AI 版 Zapier 如何 2 年拿下 7000 万美金?

                            阅读原文

                            跳转微信打开

                            43 Talks报名 | Context Is All You Need!AI 时代最后的差别

                            2026年6月14日 00:10

                            薛临风 2026-06-14 00:10 北京

                            模型人人都有,提示词人人会写,最后的差别,是 Context。这究竟意味着每个人、每个组织都能构建起独一无二的智能护城河,还是打开了让数据、记忆与隐私边界彻底失控的潘多拉魔盒?

                            Context Is All You Need!

                            当提示词技巧被写进每一份入门教程,当 Agent 们开始替我们读文档、写代码、做决策……为什么有人的 AI 如虎添翼,有人的 AI 却始终答非所问?我们正在逼近 AI 时代一个朴素的真相。

                            长久以来,我们把全部的注意力倾注在模型与提示词上——更大的参数、更巧的咒语,仿佛智能的上限只取决于这两件事。而现在,当模型能力日趋同质,提示词红利逐渐消退,真正拉开差距的东西浮出水面:你喂给 AI 的上下文。模型人人都有,提示词人人会写,最后的差别,是 Context。这究竟意味着每个人、每个组织都能构建起独一无二的智能护城河,还是打开了让数据、记忆与隐私边界彻底失控的潘多拉魔盒?

                            当 Context 工程的热度不断攀升,喧嚣之下,我们必须回到最本质的追问:

                            • 当模型趋同、提示词平权,「上下文」凭什么成为新的分水岭?它是一门可以被工程化的手艺,还是一种世界观?

                            • 当 Context 从一个人的积累,变成一群人的共享资产,组织的知识、记忆与默契,该如何被重新组织和喂养?

                            • 当我们谈论「让 AI 懂你」,我们究竟在谈论存储、检索、观测,还是在谈论一段关系的构建?

                            让我们共同落座,来一场 Context 于你,于组织,于智能时代的思辨。

                            本期 43 Talks,我们邀请了四位「上下文工程」的探路者。他们中有把 Context 从个人实践推向组织协作的布道者,有深耕人机对话的提示词先行者,也有在基础设施与产品一线躬身入局的创业者与工程师。他们将从组织协作、人生叙事、Agent 架构到工程方法的多元视角,剖析当下的技术路径,与我们一同探寻 Context 时代的未来图景。

                            PART 02

                            特邀嘉宾

                            张凯寓

                            分享主题:《当 Context 从一个人,变成一群人》

                            身份:43 AI 集团联合创始人 | 43 Cloak CEO

                            张凯寓长期专注于提示词与智能体的企业应用落地,是把 AI 真正带进组织一线的实践者。这一次,他要谈的是所有团队都会撞上的问题:个人用好 AI 靠日积月累的私人语料,那一群人呢?当 Context 从个人资产变成组织资产,知识如何沉淀、默契如何共享,他将带来 43 Cloak 实践中的一线观察。

                            小七姐

                            分享主题:《人生上下文与 AI》

                            身份:词元共振 CEO | "Her" 创始人

                            AI 浪潮中最早一批认真研究「如何与 AI 对话」的人——小七姐的提示词教程曾是无数人的入门引路牌。提示词是一句话的艺术,Context 却是一生的叙事。这一次,她将从「人生上下文」出发,聊聊当你的经历、偏好与价值观成为 AI 理解你的底层语料,人与 AI 的关系会走向何处。

                            杨攀

                            分享主题:《Context 即 Agent》

                            身份:bilink 创始人

                            写了三十余年代码,从即时通讯云到 AI Infra,杨攀始终站在基础设施的最前线,如今他再次出发,创立 bilink。「Context 即 Agent」是一个足够大胆的判断:剥开框架与编排,一个 Agent 区别于另一个 Agent 的,就是它携带的上下文。他将从一线构建者的视角,拆解这个判断背后的逻辑。

                            三亿

                            分享主题:《从存储到观测:一种世界观先行的 Context 工程》

                            身份:地球爱好者 | 产品经理

                            在一众头衔中,「地球爱好者」显得格外朴素。作为一线产品经理,三亿给出的切入角度也最反直觉:Context 工程的起点不是技术选型,而是世界观——「存储」是把信息堆进仓库,「观测」是带着问题去看世界,两种姿态会长出两种完全不同的系统。具体怎么讲,留给现场。

                            PART 03

                            圆桌激辩:当 Context 成为新的护城河

                            主题分享结束后,四位嘉宾将同台论道。

                            从个人的人生上下文,到组织的共享记忆;从 Agent 架构的底层判断,到工程落地的方法论——这场圆桌将是组织、叙事、架构、工程四种视角的正面碰撞。各位嘉宾将从「Context Is All You Need」这个命题出发,激辩上下文的边界与归属:它是谁的资产?该如何被保护、被交换、被定价?当模型的浪潮一波波涌过,沉淀在上下文里的,会不会才是这个时代真正留得下的东西?

                            请相信每一个问题,都会对你有帮助。 答案,只在落座后的交锋中浮现。

                            那就请大家扫码报名,欣然入座,且思且辩。

                            跳转微信打开

                            致开发者:GLM-5.2全量开放,前沿智能属于所有人

                            2026年6月13日 14:19

                            智谱 2026-06-13 14:19 北京

                            在一些前沿模型突然变得不可用的时刻,我们选择相信另一条路:前沿智能不应只属于少数人,也不应被少数规则随时收回。它应该开放、可用、可构建,并服务于每一位开发者。

                            GLM-5.2 是智谱迄今能力最强的开源模型,支持真正可用的 1M 上下文,并在长程任务中继续保持领先。它也依旧是我们心中最强的国产 Coding 模型。

                            今晚 5:21,GLM-5.2 将面向 GLM Coding Plan 全量用户开放,覆盖 Lite / Pro / Max / 团队版。

                            GLM-5.2 API 将于下周上线,模型下周正式开源,遵循 MIT 协议。

                            A step closer to frontier intelligence for everyone.

                            The future of AI is open, and it is for the people.

                            ModelKey:GLM-5.2

                            跳转微信打开

                            Anthropic CEO:AI 是给人类的成人礼

                            2026年6月13日 13:00

                            原创 StartupBoy 2026-06-13 13:00 四川

                            人们总是高估一项科技所带来的短期效益,却又低估它的长期影响

                            Anthropic 刚开放的最新模型 Fable5,今天宣布因为美国政府以国家安全为由指令暂停访问,导致 Anthropic 停用了Fable 5 和 Mythos 5。

                            今天再次读了一下 Anthropic CEO Dario Amodei 在 1 月份写的《技术的青春期》(The Adolescence of Technology)一文。这篇文章读完给我的第一感觉是,他不再只是在谈论冷冰冰的算法,而是在写一份有点类似“生存备忘录”的东西。

                            他用这篇长文把我们从对 AI 虚幻的恐惧或盲目的乐观中拽了出来,直面那个即将到来的、甚至可能有点窒息的转折点。也用它和另一篇文章《Machines of Loving Grace》,来反驳外界对他是 AI “毁灭论者”的误解,因为他一直在强调 AI 的风险。

                            我们正处在一种“致命的悸动”中

                            Dario 在开头引用了卡尔·萨根《接触未来》(Contact)里的一个场景:如果我们能问外星文明一个问题,那应该是“你们是怎么做到的?你们是怎么度过技术青春期而没有毁灭自己的?”

                            我理解的是,他把人类现在的处境生动地类比成了青春期——我们突然发现自己手里握着几乎无法想象的力量(AI),但我们的社会、政治和心智系统,似乎还没成熟到能驾驭这种力量。这种感觉很奇妙,就像一个刚拿驾照的少年突然被塞进了一辆时速 400 公里的赛车驾驶室。

                            更有意思的是,他提到 2023-2024 年大家对 AI 风险的讨论已经有点“宗教化”或“末日论”了,这反而让一些严肃的建议被埋没。而现在(2025-2026 年,他在文章中设定了这个近未来的视角),风向又转到了只谈机遇、不谈风险的另一个极端。这种像钟摆一样的反复其实挺危险的,因为技术演进并不在乎舆论的流行。

                            想象一个“塞在数据中心的天才国家”

                            为了让人明白什么是“强大 AI”(Powerful AI),Dario 提出了一个非常有意思的比喻。他让我们别把 AI 仅仅当成一个对话框,而是想象在 2027 年左右,世界上突然出现了一个拥有 5000 万人口的虚拟国家。

                            在这个“国家”里:

                            • 每个人都比诺贝尔奖得主、顶尖程序员或政治家还要聪明。

                            • 他们干活的速度是人类的 10 到 100 倍。

                            • 他们能独立完成需要数周时间的大型任务,而不只是被动回答问题。

                            • 如果需要,这几千万个天才可以像军队一样协同工作。

                            看到这里有点科幻的感觉,但也很震撼。这本质上就是一种“降维打击”。正如他所说,如果有情报官员告诉国家元首,在数据中心里诞生了一个由超级天才组成的国家,且这个国家每过一个小时可能就完成了人类一年的科研量,任何一个清醒的领导人都得把它视为有史以来最大的国家安全挑战。

                            AI 进化的“时钟效应”

                            关于 AI 到底什么时候能达到这个水平,Dario 提到了一个观察:反馈回路已经闭合了。

                            Because AI is now writing much of the code at Anthropic, it is already substantially accelerating the rate of our progress in building the next generation of AI systems.(因为 AI 现在已经承担了 Anthropic 大部分的编程工作,它目前正极大地加速我们构建下一代 AI 系统的进程。)

                            这句话有种印证了那种“奇点”临近的体感——我们不再是单纯用手码砖头造大厦,那是原来的线性增长;现在的状态是,我们造出的机器正在帮我们设计更强的机器(这和 Notion CEO 之前的文章《Notion CEO 最新好文:蒸汽、钢铁与无限心智》里提到的观点类似)。

                            Dario 说,虽然外界总有人觉得 AI 到了瓶颈,或者快撞墙了,但在实验室内部看来,AI 的认知能力提升其实是“平滑且不可阻挡”的。

                            这种风险不是科幻,而是现实主义的战斗

                            他把接下来我们要面对的“成人礼”考验分成了几个具体的维度。与其说是担心机器人造反(像那种俗套的科幻电影),不如说他更担心的是以下几点:

                            1. 自主权风险

                              :如果这个“天才国家”有了和人类不一致的目标,会发生什么?

                            2. 毁灭性的滥用

                              :如果这些天才成了恐怖分子的“雇佣兵”,制造生化武器或发起瘫痪级别的网攻,我们防得住吗?

                            3. 权力的极端集中

                              :如果某个独裁者掌握了这支天才大军,现有的全球权力平衡会瞬间崩塌。

                            4. 经济大震荡

                              :即便 AI 特别听话、特别和平,数千万个顶尖天才突然进入劳动力市场,社会系统能接得住这种结构性的失业和财富分配不均吗?

                            Dario 说如果通不过考验(停留在青春期),人类可能会因为生物武器滥用、技术失控(自主风险)或地缘政治极权而走向文明的毁灭。

                            如果通过了考验(迈向成年),人类就能用极度的理性和高超的技术控制,将 AI 应用于攻克癌症、消除贫困、解决能源危机。度过成人礼的奖励,是一个真正走向“成年”的成熟人类文明。

                            这里我能感觉到 Dario 很努力地在保持一种“外科手术式”的严谨,他反对那种极端的、全面禁绝的回应,认为那只会引发反弹。他提倡的是一种非常务实的态度:我们先承认不确定性,然后开始为每一种具体的威胁制定“战斗计划”。

                            都说人们总是高估一项科技所带来的短期效益,却又低估它的长期影响。读完这篇长文,我最大的感触是,虽然这看起来有点夸张,但我们可能真的只有几年时间去完成这场“社会性的成年礼”。那种把 AI 当成好玩工具的心态可能要收一收了。

                            如果“一个天才国家”即将降临,我们所引以为傲的纯认知类工作,在那种上百倍的效率差面前,生存空间到底在哪?

                            1.Notion CEO 最新好文:蒸汽、钢铁与无限心智》里提到的观点类似

                            2.红杉资本:服务,新时代的软件

                            阅读原文

                            跳转微信打开

                            SpaceX上市,背后在玩什么资本游戏?

                            2026年6月12日 21:30

                            原创 小 Lin 团队 2026-06-12 21:30 北京

                            SpaceX上市,背后的资本游戏

                            SpaceX

                            上市背后的资本游戏

                            SpaceX刚刚完成了人类史上最大的IPO,估值1.77万亿美元,融资750亿。在这之前,美股最大的IPO还是12年前的阿里巴巴。

                            SpaceX这家公司,其实之前一直都非常神秘,我们在新闻里只能零星看到一些报道,筷子夹火箭、火箭炸了、Starlink、马斯克要造太空数据中心等等,信息都很碎。

                            而上市一大好处呢,就是——它得公开财务报表,好几百页的招股书,还是藏着不少有意思的东西的。

                            今天我不想长篇大论,这段视频也不构成任何投资建议啊,我就是借着它公布招股书,来聊聊这个极其神秘、极其特殊的公司,SpaceX:

                            业务到底是个什么结构?

                            赚不赚钱?

                            为什么要上市?

                            而且我跟你们说,马斯克为了控制权,还在SpaceX上进行了一个史无前例的玩法,我发现的时候也很震惊。

                            我们赶紧来看看,SpaceX上市背后的资本游戏...

                            三大业务

                            招股书

                            它这个招股说明书,挺特别的, 就跟看科幻小说一样,还是那种带彩色插图的。

                            开篇就先告诉你,我们的使命是:"......让生命成为多行星物种,探索宇宙的本质,并将意识之光延伸至星辰之间。"

                            有内味了吧? 然后放好几页的图片,可漂亮了。

                            你看看,上来不是摆事实,而是先烘托情绪、渲染气氛:

                            "我们公司可不是你们平时投资的那些公司啊,我们这是使命都是站在地球、站在人类的高度的!"

                            视频截取自: 小Lin说

                            接下来,就是几百页的详细业务、财务数据介绍了。招股书把SpaceX的业务分成了三大部分:

                            • Space太空

                            • Connectivity 互联

                            • AI

                            太空 Space

                            首先,第一块就是它的王牌业务——Space太空,主要就是造大火箭。

                            但它关键厉害在哪,不光能上天,还能回收,要么自己落地,要么筷子夹。

                            回收的关键,不光是看着酷炫,关键它便宜,可以把发射一次的平均成本拉到很低,不用每次用一次就报废。

                            火箭最主要的作用之一:就是把卫星、或者任何东西送上天。很合理的一个衡量标准,就是送上近地轨道,每公斤需要多少成本。

                            • NASA原来要把一公斤重量送上近地轨道,大致是54,500美元;

                            • 而SpaceX的猎鹰9号,大约是2720美元,降到了NASA的1/20;

                            • 而目前在测试的星舰,理论目标要把每公斤成本降到100美元以下,那就是不足NASA的2/1000!

                            这么一算,把我送上近地轨道,只需要大概5000美元!(我也不知道我为什么要算这个...)

                            根据它的招股书,截至2026年3月31日,SpaceX累计已完成大约650次发射,其中超过85%,都是再利用的推进器发射的,占了2025年全球入轨总质量的80%以上。

                            这部分技术,说实话SpaceX,就是厉害。

                            它那推进器回收,筷子夹火箭的画面,就算你什么技术都不懂,第一次看到人类能做到这种技术,都不禁感叹一句,牛!

                            图片截取自: 小Lin说

                            我估计很多朋友,看SpaceX各种形态火箭发射的切片,又是星舰、又是猎鹰,V1 V2 V3,感觉很乱是吧, 我们简单了解一下。

                            现在它官网显示的火箭,有这么四款:

                            • 星舰

                            • 龙飞船

                            • 猎鹰九号

                            • 重型猎鹰

                            这里面最重要的是这两个:猎鹰九号和星舰。

                            图片截取自: 小Lin说

                            • 猎鹰九号

                            猎鹰九号,可以说是SpaceX能走到今天的头号功臣了。2015年,它首次成功回收了一级火箭,马斯克开心的就像个小男孩。

                            从此,人类开启了火箭复用时代。

                            咱们刚才提到的SpaceX亮眼的发射数据、绝大多数全都是猎鹰9号发射的。它火箭任务成功率超过99%。

                            • 星舰

                            而这个星舰呢,它是一款还在研发测试阶段的超重型运载火箭。毫不夸张地说,它应该是目前SpaceX最最最最大的核心竞争力。

                            星舰的一大特点,就是——大。理论上载重能到猎鹰九号的5 - 10倍。

                            它分成两级:上面是飞船;下面是超重型推进器;这两级最终目标是想要都分别回收的。

                            图片截取自: 小Lin说

                            目前截止到2026年5月,下面推进器这部分,已经成功回收过几次,就是著名的用筷子夹模式;

                            而飞船部分呢,现在为止,都只是实现了在海面上的受控溅落,就是软着陆在海面预定位置后就销毁了,总之就是还在测试阶段, 现在正在研发第三代V3。

                            剩下两款火箭:

                            • 龙飞船主要是载人、运货的;

                            • 重型猎鹰是把三枚猎鹰9号,绑在一起的重型火箭,计划以后会被星舰替代。

                            大概就这么几款火箭,大家可以有个概念。

                            • 业务模式

                            那这种研发火箭,还要可回收,你用脚指头想都知道它肯定非常烧钱。

                            虽然SpaceX,已经拿下了很多美国政府、美国军方的订单,2025年营收超过40亿美元,但这部分业务单独来看还是亏的,2025年亏损6.57亿美元。

                            这部分可以说是SpaceX的技术发动机,但不是利润发动机。

                            视频截取自: 小Lin说

                            互联 Connectivity

                            那利润发动机是什么呢?

                            就是这第二部分,互联,Connectivity。

                            大家可能更熟悉一个词儿,是星链Starlink。

                            2025年这部分营收114亿美元,利润44亿,是这三部分里唯一赚钱的。

                            星链计划,相信大家应该都有所耳闻了,就是在地球低空轨道部署上万颗卫星,来给全球提供高速上网。

                            观察实时低空轨道星链卫星分布的数据,这个密度是不是还是挺夸张的。

                            星链的订阅数,从2025年3月的500万,一年里翻倍,2026年3月达到了1030万。

                            它的技术呢,其实实现起来没那么难,难还是难在怎么低成本、高效率的把那么多卫星送到天上去,所以它其实本质上,是一个SpaceX火箭业务的众多商业化路径之一。

                            大家看好SpaceX,很主要一块是因为星链,但主要不是因为它赚的那点钱,也不是看好它未来潜力能有多大,关键是星链向市场、向投资人证明了,SpaceX把太空商业化的可行性:"你看,我的太空梦不只是纸上谈兵,我不需要总依赖什么政府、NASA,我是可以自己赚钱的!那以后我在天上干什么都是有可能的,潜力有多大,就看你多敢想了!"

                            图片截取自: 小Lin说

                            顺带一提,这个星链,我有几次坐飞机,包括今年去南极,都试过这个它的网络。你别说,你还真别说,在这些比较少数的极端情况下,星链的网是真的很不错的!

                            刷视频、工作开个会什么的,完全没有压力。你想你之前坐飞机、坐游轮,大都要么是完全没有网,要么是非常贵又非常慢的传统卫星网络,这种环境下星链可真是巨大的体验提升啊!

                            这不是广告啊,它确实帮了我大忙,只是我的个人感受!

                            AI

                            而SpaceX的第三大块业务版图,你是不是猜都能猜到,没错,就是AI。是在它今年收购xAI之后成型的。

                            这部分吧,我觉得不光是一个业务版图,我觉得更是一张巨大的饼。

                            这饼有多大呢:

                            马斯克用了一个指标,叫做 TAM, "Total Addressable Market", 总潜在市场。

                            • SpaceX评估,刚才说的第一部分,太空,潜在市场是3700亿美元;

                            • 互联呢,可以达到1.6万亿;

                            • 而AI,总共是26.5万亿美元!

                            • 三个加起来,总市场潜力是28.5万亿美元。

                            你看看,要不我说这是个大饼呢,AI还在持续亏钱呢,市场潜力已经二十多万亿美元了,意思就是"市场,你看我们现在这点估值才哪跟哪啊,以后潜力大着呢!"

                            而且这张图,是它整个几百页招股书里,出现第一个图表。

                            可见它的重要性,估计是因为要看这么多页的招股书多累啊,你不得饿啊?先吃口饼垫垫~

                            视频截取自: 小Lin说

                            注意啊,我得解释一下,我这里的"讲故事""画饼",用词确实是有点调侃,我想表达的意思是SpaceX,还处在它如此宏大叙事的非常早期阶段,但这不代表马斯克就达不到啊,这我稍微声明一下~

                            那咱们顺着SpaceX的故事看,它打算在AI这怎么实现二十多万亿的"潜力"呢?

                            目前公开的,就是在太空建超大型轨道数据中心,让数据中心像卫星一样在天上飞,靠太阳能供电,向太空辐射散热,解决能源、散热的瓶颈,最早2028年开始部署。这个听着虽然挺宏大,挺遥远,但多多少少还有点概念。

                            但你等一下,这才只是对应了那2.4万亿美元的AI基础设施,这22.7万亿的企业应用才是大头,这到底是个啥?

                            我是真的好奇啊。我就在这招股书里翻啊,找啊。好不容易,在第176页藏了对这个概念的解释。什么叫企业应用呢?就是:

                            "...通过自动化日常认知任务、协助研究和分析、生成内容和代码, 以及优化决策过程,越来越多地支持各行各业的知识工作者。

                            最终,我们认为这一变革可能会将知识工作者转变为自主智能体的赋能管理者,释放前所未有的创造力和生产力水平!"

                            视频截取自: 小Lin说

                            好家伙,怎么样,看懂了么?

                            你能看懂就怪了。是不是感觉每个字都很高级,但读完了就感觉一头雾水有没有~

                            总之这个巨大的企业应用部分。你要强行理解:大概就是AI智能体、机器人替我们上班。

                            不过,它的AI部分也不是纯空想啊,毕竟它还是收购了xAI嘛,人家原本也是有不小的业务的,2025年的营收是32亿美元。

                            就在五月份,SpaceX公布了另一个很重要的合约,它把它的Colossus数据中心,租给了Anthropic,每个月收12.5亿美元,2029年5月到期。

                            这倒确实是实打实的合同了,也很多,但就没那么性感,跟太空没啥关系,而且还不是训练自己的模型,而是租算力给别人。

                            况且这部分AI业务竞争,也非常激烈,极其烧钱,得跟谷歌、亚马逊、英伟达、OpenAI等等,这些AI公司混战。总之,SpaceX要想接近马斯克说的二十多万亿的AI市场,我只能说道路还很漫长...

                            视频截取自: 小Lin说

                            小结

                            所以这就是SpaceX大致的三大块业务:

                            • 太空业务是技术底座;

                            • 互联业务是赚钱机器;

                            • 而AI是未来,是饼,也是真烧钱。

                            它讲的故事,就是拥有大火箭这个核心技术,垄断一切太空故事的叙事权;

                            然后通过星链,验证它故事是真的能实现的;

                            再站在AI风口,讲一个庞大的太空AI故事,让估值起飞。

                            大概是这么个意思。

                            视频截取自: 小Lin说

                            上市

                            为什么上市

                            好,咱大致了解了SpaceX的业务,咱接下来看看,它为什么上市?

                            你可别想当然,觉得上市可不好嘛,一下子能变现,赚钱谁不喜欢啊?

                            诶我跟你说,对于你我这样的普通人来说,上市实现财富自由,肯定美死。但对马斯克,对SpaceX可就不一样了。

                            上市最关键的弊端是什么啊?

                            • 财务信息都要公开;

                            • 控制权要被稀释;

                            • 而且一有个负面新闻、财务表现不好,就得出来解释,会受到资本市场和舆论持续不断的裹挟。需要不停地分心去应付那些合规、舆论、市场等等。

                            这对于马斯克来说,成本是很高的。

                            这也是为什么之前,他说过很多次,过早上市会让SpaceX很痛苦。

                            但是2025年,马斯克突然又改口了,确认了2026年要上市的计划, 具体是为什么呢?

                            图片截取自: 小Lin说

                            缺钱

                            其实首先一个原因,确实是缺钱。但并不是SpaceX原有的太空业务缺钱,那个靠星链计划,已经完全能养活了。而像我们刚才说的,其实是AI。

                            这就是为什么你看2023年的时候,SpaceX几乎没什么债务、融资。

                            但2024年,AI市场爆发,融资一下就涨到118亿,2025年变成263.5亿。

                            AI基建花钱,这也不难理解,我也不想费太多话。

                            图片截取自: 小Lin说

                            过桥贷款

                            不过融资,有一块挺有意思的。

                            就是它2026年的融资里,不光有私募股权融资,还藏着一笔200亿美元的过桥贷款。

                            啥叫过桥贷款,就是说不是长期借给你发展业务的,而就是短期帮你"过桥"的。

                            过什么桥呢?就是收购xAI,并且上市。

                            因为它收购xAI,同时会继承过来xAI的一屁股债,SpaceX就是要借新债,还了SpaceX的债,然后等上市了,有钱了,再把这笔钱还上!

                            那xAI为什么有那么多债务呢?

                            你别以为全是AI烧钱,其实xAI那大概175亿美元的债里,AI基建大概只占了50亿,而有125亿是当年马斯克收购Twitter的时候背的债!

                            晕了么?我给你正着捋一遍啊:

                            • 2022年马斯克轰轰烈烈收购推特,借了125亿美元的债务,之后把Twitter改名为X;

                            • 然后2025年,xAI收购了X,继承了那125亿的债;

                            • 然后2026年,SpaceX又收购了xAI,继承了那125亿的债和xAI额外的50亿债!

                            • 然后,SpaceX借了一笔过桥贷款,把原来那些债,一口气全还清了,现在都变成了SpaceX的新债。

                            • 最后,SpaceX上市,把这些过桥贷款还掉。

                            视频截取自: 小Lin说

                            这些投行里最高兴的,应该就是摩根士丹利了,因为当年马斯克收购Twitter的时候,借的一百多亿美元,主要就来自摩根士丹利,而这也成了华尔街史上被套牢最久的并购债之一,这回总算解套了,还能顺便赚一笔IPO承销费,简直开心坏了!

                            而且,这笔过桥贷款,背后的借贷银行阵容,极其豪华啊:高盛、美国银行、花旗、摩根大通、摩根士丹利。为什么啊?为了这200亿短期债,至于吗?

                            这些投行都不傻,这笔过桥贷款只是个敲门砖,只是个"前菜",真正的"主菜"是什么啊?就是SpaceX这个史上最大IPO。他们为的是能承销IPO, 那承销费用可就赚嗨了。

                            所以,你看最终SpaceX的承销商,有21家银行的豪华阵容,但其实这里面最主要的,就是第一排的这五位,也是给它过桥贷款的5位:

                            • 高盛

                            • 摩根士丹利

                            • 美国银行

                            • 花旗

                            • 摩根大通

                            视频截取自: 小Lin说

                            好,又扯远了。

                            你还记得咱们之前在聊什么吗?对,就是SpaceX为啥要上市。

                            刚才说的是它缺钱,还有呢就是为了老员工可以退出,变现。

                            高估值

                            再有一点,只是纯粹我的个人猜测啊,就是AI资本热一起来,估值已经炒到天上去了,SpaceX也是想顺便吃到这波红利。

                            其实现在SpaceX上市,没有人否认它的火箭牛,但争议最大的,就是它能不能撑得起这么高的估值。它一上来就是全美第7大市值的公司, 超过了特斯拉, 这个真的是非常夸张:

                            这个估值是什么概念,和它类似估值的公司,营收是多少呢:

                            • 沃尔玛:7000亿

                            • Meta:2000亿

                            • 博通、礼来、特斯拉,都是高科技产业,营收也都在600亿往上。

                            • 但SpaceX,只有不到200亿。

                            视频截取自: 小Lin说

                            一般最简单看估值,就是看看公司的市盈率,市值除以利润。

                            SpaceX呢,还在亏钱,没赚钱,没法算市盈率。这对于刚上市的企业,也合理。

                            那可以看看市销率,市值除以销售额。

                            苹果大概是10倍,特斯拉大概是15倍,英伟达是25倍,而SpaceX上来就空降就接近100倍,美股最高。

                            所以,有很大一部分人用真金白银投票相信,SpaceX值这个价,对它非常有信心。

                            估值高对于SpaceX意味着什么呢?就是它可以以非常低的的成本,只消耗了不到5%的股份,就融到了750亿。

                            我们说之前美股最大IPO是阿里巴巴,它融资250亿美元,可是消耗了自己大概15%的股份;

                            而SpaceX融资750亿,只消耗了4.2%。这么便宜的融资,这么高的估值,自然成为它上市的一大原因。

                            视频截取自: 小Lin说

                            马斯克的

                            控制权

                            关于SpaceX,其实有一个很重要的点,我一直没聊,重点咱们都藏在后面啊,就是马斯克的控制权。

                            我们知道马斯克,其实之前在控制权上,栽过好几次跟头:

                            • 他当Paypal CEO的时候,在飞往澳大利亚度蜜月的飞机上被董事会罢免;

                            • OpenAI也是被很狼狈地踢了出来;

                            • 特斯拉你以为他能全说了算吗?马斯克乱七八糟期权什么就算全算上,投票权也就占特斯拉的20%出头,想要干什么还要对董事会经常以辞职相要挟,恨不得刀架在自己脖子上才行。

                            所以,马斯克这回吃一堑长一智了,一定要用各种方法把SpaceX的控制权,牢牢地掌握在自己手里。SpaceX虽然上市了,Go Public了, 可它的控制权一点也不Public。

                            马斯克对它的控制权掌握可以说严格到变态:

                            它把SpaceX的普通股分为ABC三种:

                            A类一股一票,B类一股十票,C类一股零票。

                            C类股完全没有投票权,所以我们就不管了。

                            在上市之前,马斯克有12.3%的A类股票,和93.6%的B类股票,加总下来它公司的投票权是85.1%;

                            这次上市也只融资A类股票,这个B类基本上就是马斯克自己牢牢控制着;

                            我简单算了一下,上市之后,马斯克的控制权也就从85%降到了 ...... 84%~

                            图片截取自: 小Lin说

                            而且这还没完,马斯克觉得这还不保险,在这个S1里还规定了:

                            "B类股股东有权选举董事会过半董事"

                            所以,B类股股东可以控制董事会,而马斯克占了93.6%的B类股股东,这样一来,甭管SpaceX进行了多少轮A类股融资,它永远可以牢牢掌控SpaceX的董事会。

                            挺狠吧~

                            所以,三大公共养老金发出了联名信警告,说SpaceX这套结构"新奇又极端", 意思就是简直闻所未闻!

                            激励计划

                            关于马斯克,在这个计划书里还藏着一个很有意思的信息就是它的—— 激励计划。这部分其实有点番外篇的意思啊,我说给你听听~

                            图片截取自: 小Lin说

                            极限挑战

                            在235页,就这么简简单单非常笼统形容了一下这个激励计划,但其实背后是一个极其庞大, 甚至听起来有点扯。

                            不太熟悉什么是激励计划的朋友,我简单介绍一下啊。激励计划简单来说:就是董事会为了激励马斯克,给他专门定制了一套目标,只要他能达到这些目标,那么他将会获得多少多少额外的股票奖励。

                            特斯拉已经来过这么三轮激励计划了,马斯克全达到了。董事会一看,这招好啊,对于马斯克这种人就得用这种比较特别的方式,所以给他的激励计划越来越离谱,后来都被称作"Moonshot Plan",我觉得可以把它翻译成叫"极限挑战"。

                            2025年底,特斯拉又轰轰烈烈给马斯克开出了新版极限挑战,有一大堆目标,其中市值目标是8.5万亿美元,是当时特斯拉市值的8倍,如果全都达到,马斯克将会得到,价值大约一万亿美元的股票奖励!

                            这是特斯拉啊,咱来看SpaceX。我跟你说相比较而言特斯拉已经算是非常容易达到的了。

                            SpaceX对他呢,这么短短一页里还有两版激励计划,一个是太空版,一个是AI版。

                            视频截取自 小Lin说

                            太空版

                            太空版大概是这样的:

                            首先是市值目标,分成15个阶梯,SpaceX的市值如果达到这么多,马斯克就会得到这些股票奖励。最高时市值达到7.5万亿美元,马斯克可以拿到10亿股B类股。

                            你看着是不是感觉7.5万亿也觉得还好啊,是吧?!

                            SpaceX市值现在就已经完成三个了,再往上翻个五倍,虽然也很高,但就还好。

                            可是你仔细看好了,它的要求里还有第二条要求,你在达到这些市值指标的同时,同时还必须:

                            在火星上建立永久人类殖民地,并达到至少100万居民。

                            图片截取自: 小Lin说

                            这个你直观想都觉得非常遥远了是吧,在火星上居住100万人,如果SpaceX真达到了,我估计市值就远远不止7.5万亿了,这两个完全不是一个难度啊~

                            但我其实有一计,我们如果咬文嚼字,说这里的"居民"不一定是人类啊,也可以小猫小狗,甚至可以是土豆啊。我就可以让火星上有一个常驻人类居民,也算人类殖民地,然后还有100万土豆,那难度是不是会小很多~

                            开玩笑的啦。总之这个100万火星居民的限定感觉有点扯是吧~

                            AI版

                            AI那版也没强到哪去。

                            首先也是市值要达到一些标准,这回是6.565万亿美元,比太空版还低;

                            但同时,必须要建立非地球数据中心,达到每年100太瓦的算力。

                            我们总听吉瓦,现在超大型数据中心一个都能达到1吉瓦的算力,那这个太瓦是什么意思?就是1000吉瓦,所以100太瓦就是10万吉瓦。

                            目前,全球的总用电量大概也只有3太瓦,100太瓦就是目前全球总耗电量的33倍,要在外太空达到。

                            视频截取自: 小Lin说

                            你看看这两个极限挑战,一个要100万火星殖民者,一个要在太空实现100太瓦算力,这是为什么啊?你仔细想想?

                            其实答案很简单,这个激励计划设计的初衷,压根就没打算让马斯克实现!

                            你可能想了,那干嘛要费劲弄这么个不可能达到的激励计划呢?为了凑字数么?

                            唉,不是的。当然一部分原因也是给马斯克一个激励了啊,万一人家实现了呢。

                            但还有一个原因,这个甚至都没有写在招股书正文里,而是藏在了这个激励计划的附加条款里:

                            "参与人...享有B类股持有人的全部权利和特权,包括投票权,自授予日起立即生效。"

                            什么意思啊?马老板,就算你达不到要求,股票你拿不到,但从今天起,这些股票对应的投票权,都归你了,不需要完成极限挑战。

                            图片截取自: 小Lin说

                            所以咱们刚才不是说马斯克有93.6%的B类股么。

                            你要是仔细看。它批注里一行小字说了,这55亿股B类股里,包括了1,302,072,285股限制股。

                            哪来的13亿限制股啊?

                            别急,请同学们把课本再翻回到第235页激励计划的部分:

                            • 太空版给了马斯克多少股啊?对,10亿股;

                            • AI版给了多少啊?302,072,285股;

                            • 加起来一股不差,正好是1,302,072,285!

                            这不就明了了,这两个"极限挑战",虽然几乎不可能完成,但投票权是已经算在马老板头上了,这哪是极限挑战计划啊,应该是投票权白送计划!

                            视频截取自: 小Lin说

                            未来计划

                            最后咱来简单看看SpaceX自己列出来它未来可能的市场,它自己的畅想啊,这些我就不评价了,我也不敢评价:

                            • 地面点对点旅行;就是不坐飞机了,而是坐星舰长途旅行;

                            • 太空旅游;

                            • 在轨道上制造;

                            • 前往月球和火星的客运和货运;

                            • 月球和火星上的生产能源;

                            • 月球和火星上制造;

                            • 小行星采矿。

                            视频截取自: 小Lin说

                            写在最后

                            以上就是关于SpaceX上市、它的资本操作,我的一个简单聊聊。

                            它的估值确实非常夸张,我觉得可以说是马斯克通过这么多年成功的商业履历,带来的散户、资本、银行对它的信任,从而转换成了非常高的"马斯克溢价",有溢价肯定合理,同样业务两家公司,一个CEO是马斯克,一个是小Lin,你说估值能一样么是吧。正因为大家买它是因为对马斯克这个人的信任,所以马斯克独揽控制权,在资本市场来看也不是什么坏事儿,甚至有人觉得是好事儿,他还不用受到资本的裹挟呢!这个就仁者见仁,智者见智了。

                            但不得不说,SpaceX上市真的是把故事讲全了,我真的好奇,大家觉得三年以后的SpaceX,会变成变成一个什么样的公司呢?撑不撑得起它这么高的市值呢?

                            视频截取自: 小Lin说

                            —— E N D ——

                            点击阅读原文可以来B站找小Lin玩呀~

                            阅读原文

                            跳转微信打开

                            ❌