铃阅时讯
❌

普通视图

动态规则的 Agent 实践:用确定性工程驾驭 LLM 的资产智能验收

2026年10月14日 18:30

原创 星珀 2026-10-14 18:30 上海

资产验收要对几十种费用类型、几十套规则做单据与佐证材料的逐条核对,规则还随业务频繁调整。我们没有为每种费用写一套验收代码,而是做了一套智能验收体系。

目录

一、需求背景:为什么不用传统规则引擎?

二、整体架构:线上流量整体处理流程

三、质量体系:反馈、试跑、回测与发布门禁

    1.用户反馈:系统的「标准答案」从哪里来

    2.试跑与回测 

    3.三种流量的数据隔离

四、Agent 设计:确定性 Workflow 如何驾驭 LLM

    1.总体思路:让 LLM 只做它最擅长的两件事

    2.分层架构及处理流程

    3.材料准备流水线

    4.双制品模型:提取与判定分离

    5.多模型投票:把单点误判压在关键判定上

    6.盖章检测三级流水线:确定性优先,LLM 兜底

    7.防幻觉组合拳

    8.可解释的结构化输出

    9.面向生产的工程护栏与踩坑实录

五、效果展示

    1.验收审批页 —— AI审批结果详情抽屉页

    2.AI验收规则配置页面及版本管理

    3.试跑与回测结果

    4.用户反馈入口

六、数据结构设计

七、小结

一

需求背景:为什么不用传统规则引擎?

先看一个真实的验收场景:财务同学收到一张验收单,点开附件是一份25页的PDF合同、几份扫描件,要核对合同里的约定数量、甲方主体、落款公章、费用发生期间——每一单都是如此,且月均验收单审批量数百单。

抽象一下,这个环节有三个天然难点:

费用类型多、流程各异:资产验收涉及几十种费用类型,不同费用类型的验收流程与规则各不相同。规则非固定,持续调整:业务调整、风控要求变化、审计口径更新,带来规则的增删改,规则是「活」的。单据核对数据量大:验收单头、多条明细、关联合同、发票、各类附件,人工逐条比对费时费力。

常规思路是「把规则翻译成代码」,但在这里走不通:

规则频繁变化:每次调整都要走「开发—测试—发布」全流程,响应成本高。规则作用对象是非结构化材料:大量规则需要核对PDF合同、扫描件、图片附件、印章签字,传统程序「读不懂」这些材料。规则表达是自然语言:「合同甲方主体需与验收单公司主体一致」「附件需加盖供应商公章」,本身就是语义判定而非数值计算,这些恰恰是大语言模型擅长的事。

于是思路定了:让LLM负责「读懂材料、按规则比对」,工程系统负责「流程编排、质量保障、可追溯」:规则以文本形式配置化下发,不再硬编码进代码。

二

整体架构: 线上流量整体处理流程

系统由两个服务组成:

线上流量整体处理流程

线上流量处理时序图

链路上有几个关键设计。

异步受理 + 回调交付:一次LLM验收要解析多份材料、执行多条规则,耗时可达分钟级,不能阻塞审批主流程。资产Agent系统收到请求后秒级返回「已受理」,后台执行完成后回调资产管理系统。回调所需的上下文由消息自带,而非服务端保存。

幂等与兜底:以「审批实例 + 财务节点轮次」构造幂等批次号。加签、重试、退回再提交,都不会重复触发。提交失败同步落整明细失败行,查询侧懒超时兜底,保证任务不会「挂起不动」。

一套通道,三种流量:线上流量、试跑流量和回测流量,共用同一套提交与回调链路,仅靠流量类型+上下文区分,新的流量模式零成本复用全部基建。不同流量完全隔离,避免 试跑/回测 流量污染线上流量,影响业务。

图片和文本双通道处理:Agent对图片和文本使用独立通道进行处理,既可以降低token消耗,又能保证识别的准确性。

三

质量体系:反馈、试跑、回测与发布门禁

验收规则本质上是一段提示词文本,改规则就等于改线上行为。规则既然非固定、调整会经常发生,就必须有一套轻量的「测试—回归—发布」机制——否则没人敢动规则。而要回答「新规则判得对不对」,前提是有一份标准答案。我们的标准答案不靠人工出题,而是从日常复核中自然长出来,所以先讲裁判,再讲考试。

用户反馈:系统的「标准答案」从哪里来

审批人在复核AI判定结果时,可以对每条判定做轻量标注——认可/不认可;不认可时必须填写文字原因。系统在反馈时记录两个快照:当时AI的判定结果、当时生效的规则版本。标准答案由此自动推导:认可→标准答案=AI原判定;不认可→标准答案=AI判定的反面(通过↔拒绝)。

反馈数据有两个去向:一是作为回测的比对基准,二是进入试跑侧,让系统对照反馈计算新旧版本的一致率。

试跑与回测

目的:规则正式发布前,用真实的验收单对草稿版本规则演练,完全不影响线上真实验收单与审批流;可以理解成是业务同学debug规则的入口,让业务同学每次创建新的规则版本都可以实时感知当前版本的效果。实现:管理端选择若干历史/在途满足条件(时间范围,费用类型一致等)的验收单号发起试跑;系统实时重建验收上下文(头、明细、附件、合同),「草稿版本」与「当前生效版本」各跑一遍,结果落在独立的旁路任务中——不回写验收单状态、不触达审批。试跑结果支持新旧版本并排对比,自动计算判定一致率,并对照用户反馈给出建议通过结论。

回测数据集:线上流量在每次验收时自动沉淀重放快照(验收上下文+当时的规则版本),构成可重放的历史样本池。结合用户反馈,样本按「AI 判定 × 人工标准答案」划分为四类,并分层抽样:

分层抽样的目的:如果只用随机抽样,集合很容易被简单样本主导,测出的高分没有说服力。假阳/假阴恰恰是规则调整最该盯的地方,重点关注新规则有没有修复历史误判,有没有又引入新的误判。

回测通过条件(双阈值)需要两个条件同时满足才算通过:

  • 数量阈值:四类有效样本(带人工标准答案)数量达到配置下限,避免小样本下结论。

  • 质量阈值:回测结果与标准答案的一致率超过配置阈值(如≥90%)。

规则版本的发布被回测状态门禁卡控:回测状态为「回测通过」或「试跑替代回测通过」,允许常规发布,版本指针切换即生效;其他状态(待回测/回测不通过),只能走强制发布通道,必须是权限用户才能操作,并全程留痕。另外,任何对草稿的编辑都会自动重置回测状态——防止用旧版本的回测结论,放行新版本的规则。

用试跑替代回测:

回测门禁冷启动死锁

「回测通过才能发布」变成了一道永远过不去的门。为打破死锁,我们允许权限用户在试跑完成后人工审阅试跑结果(逐条判定、新旧版本对比、判定依据与材料出处),确认无误后将回测状态手动更新为通过——用人工对试跑结果的判断,替代回测对历史标准答案的自动比对。该通道严格限定在冷启动场景:权限控制、全程留痕、草稿一经编辑即重置回测状态;样本池充实后,规则调整回到标准回测通道。

试跑替代回测示例图

三种流量的数据隔离

试跑/回测与线上流量共用同一套提交、执行、回调链路,前提是严格的隔离——既不能影响线上验收,也不能污染回测样本池。隔离设在四道闸门:

三种流量的四道隔离闸门

由此,试跑/回测完整复用了生产级执行链路,又互不干扰:既不影响线上审批,也不污染发布门禁所依赖的数据集。把这些环节连起来,就是一个闭环:

数据飞轮闭环

规则调整不再是「拍脑袋上线」,而是每一次修改都能被历史标准答案检验。

四

Agent 设计:确定性 Workflow 如何驾驭 LLM

前面是业务侧的质量体系;这一章深入资产Agent系统内部——它是「规则即配置」能成立的技术底座。下文的技术细节均来自实际代码与实测数据。

总体思路:让 LLM 只做它最擅长的两件事

我们没有做对话式的多Agent架构,而是采用确定性工作流编排的pipeline式设计,把一次验收拆成固定阶段:

LLM只出现在两个绿色环节:从材料中提取事实、基于事实与规则做比对判定。其余环节:文件解析、印章检测、数值核对、结论校验、超时兜底,全部由确定性代码完成。

收益是:行为可预期、环节可测试、问题可定位。对生产系统而言,这比「看起来很智能」重要得多。顺带回答一个常见问题:为什么不用自主循环的 Agent?因为这个任务是方向明确的工作流,不是探索性质的问题,阶段划分、输入输出、成功标准在设计时就已确定。探索型任务里循环反思有价值,但方向明确的流程里,循环引入的是不可预测的步数与行为,恰好与「验收结论必须可预期、可回归」的要求相反。我们把「提升单次执行质量」的力气花在拆解阶段、压缩判定输入、关键判定投票上,而不是让模型自己决定下一步去哪。这与前端场景常见的取舍一致:能用TypeScript确定性表达的流程,不交给运行时自适应。

分层架构及处理流程

    路由层                        薄路由:读请求原文 / 上下文标识日志 / 错误码映射,零业务
      └─ 异步编排层                受理校验 / 背压槽位 / 后台任务 / 失败重试
           └─ 执行内核             并发信号量 / 预算 / 材料准备 / 分阶段调度 / 超时兜底
                ├─ 解析模块        纯函数:入参解析 + 金额精度处理 + 契约兼容
                ├─ 映射模块        纯函数:规则翻译 / 提示词模板 / 结果映射
                └─ 复用既有引擎:
                     ├─ 审核引擎    并发执行、多值结果协议、多模型投票
                     └─ 材料处理    下载、归类、抽取、渲染、要素检测

    路由零业务:职责仅四项——读raw body、四级校验漏斗、背压占位、后台注册。业务编排全部下沉 async.ts;错误码映射统一收口在入口,网关接入不感知内部结构。

    内核单一职责:执行内核只认任务不认请求——只管并发信号量、预算、材料准备、分阶段调度四件事。受理与回调全部上提至异步编排层,同一内核可被同步、异步、重试三种入口复用。

    规则与引擎解耦:解析、映射两模块全为纯函数——入参解析、金额精度、契约兼容、规则翻译、提示词模板、结果映射,无IO、无副作用,业务规则的任何变化都收敛为可单测的函数改动;底层审核与材料能力抽象成引擎服务,多模型投票、要素检测等能力只实现一次,上层编排迭代不触碰引擎代码。

    一次请求的生命周期:

    受理、执行、回调三阶段生命周期

    时序图第一行的「入参校验 + 回调块校验 + 背压占位」值得展开,受理入口其实是全链路设计密度最高的一段,它是一个多级串行的 fail-fast 漏斗,任一级失败立即拒绝,不注册后台任务、不回调,部分失败码和上游动作举例:

    这样设计的好处在于,一错误码即重试策略:多失败码设计让上游用代码就能区分「改了也没用的失败」与「稍后再试即可成功」,从而上游可以根据返回 code 采取不同的操作;二受理校验全通过才受理:受理校验失败直接前置拒绝,代价远低于让任务跑满超时时间后被懒超时作废。

    材料准备流水线

    材料准备流水线示例图

    核心原则是「每份材料只下载一次,各取最适合的形态」,实现的要点包括:

    • 一个buffer复用到底,下载是重IO操作,同一份文件只下载一次,分页提取、触发页渲染、盖章检测共享。

    • PDF分型智能降级,按单页字符阈值自动分流——电子合同(文本型)零成本直取文本层,扫描件(图片型)才走渲染+OCR,两条路径输出统一结构。

    • 按需渲染,只有存在盖章/签字类视觉规则时才渲染页面截图,纯文本规则不为此买单。

    • OCR与Vision各司其职,OCR只做它擅长的「文字关键词定位」——判断哪些页面可能涉及盖章/签字、把扫描件文本回填进文本槽;Vision只做OCR干不了的「图形判定」——这页有没有章、有没有手写签字。没有用最弱的手段(纯 OCR 判印章)去做最关键的判定,也没让视觉模型去啃整篇文本找触发词。工具分工正确,是这套混合方案能成立的地基。

    双制品模型:提取与判定分离

    每条上游规则被翻译为两条引擎制品:

    以「验收单数量需与合同约定数量一致」这条规则为例,两段制品的真实输出:

    Extract制品(事实,逐字摘录带溯源):

      {
      "needed_fields": ["合同约定数量", "验收单数量"],
      "extracted": [
          { "field": "合同约定数量", "value": "20", "source_file": "合同.pdf", "source_page": 3, "source_method": "ocr" },
          { "field": "验收单数量", "value": "20", "source_file": null, "source_page": null, "source_method": "extraContext" }
        ],
      "judgment": "NULL",
      "reason": "合同数量取自 p3;验收数量取自单据结构化字段"
      }

      Aggregate制品(结构化比对项,无自由文本):

        {
        "checkResult": 1,
        "comparisons": [{
        "leftName": "合同约定数量", "leftValue": "20", "leftSource": "《合同.pdf》p3",
        "rightName": "验收单数量", "rightValue": "20", "rightSource": "补充上下文",
        "relation": "一致"
          }]
        }

        单一职责带来四个好处:

        • 可审计:判断理由必须引用具体值与来源(禁「均一致」这类笼统表述)每个值可回溯到页码。

        • 控成本:判定段只看事实摘要,不重读原始材料,token与耗时可控。

        • 可短路:确定性判断(如盖章)可以在提取段整段跳过LLM(见 4.7)。

        • 可校验:两段均为 JSON输出,模型输出四值→规则判定二值映射可以做成纯函数校验。

        多模型投票:把单点误判压在关键判定上

        验收是AND语义,一个关键事实判错,整单结论就错。而LLM对同一输入的判定存在噪声:扫描件模糊、电子签章不是传统圆形红章、骑缝章跨页,这些都会让单一模型「看走眼」。尤其视觉判定(该页有无章)的准确率是整套方案的下限:单页把「有章」误判成「无章」,一份实际合规的投标就被整份否决,单点误判的代价太高,必须用机制对冲。

        我们的做法是多数表决(majority vote):每个关键判定不交给单一模型,而是主模型+一组投票模型并发作答,取得票最多的答案。投票的适用范围是有边界的——只在关键判定上付费:

        投票机制在两处发挥了不可替代的作用:一是降低输出漂移,把一个长问题拆解成多个子问题(对应多个function),每个function返回值固定在一个小合法集内(是/否),模型只在小闭集上作答,再经多数表决收敛——同一输入反复调用的结果稳定性显著高于让模型自由发挥一段长答案。二是盖章确认(见4.7 Stage 3),Vision二分类「是否印章」走三模型投票,把「单模型看图判章」的噪声压住后,前两级确定性过滤才敢放心把不检出的页面直接判「无章」。

        盖章检测三级流水线:确定性优先,LLM 兜底

        「附件需加盖供应商公章」是验收高频规则。如果直接把整份合同扔给Vision模型问「盖章了吗」,又贵又不稳。我们的做法是三级流水线,前两级零LLM成本:

        盖章检测三级流水

        每个阈值都不是拍脑袋,而是来自对真实合同的逐页实测(以一份25页文本型合同为验证样本):

        防幻觉组合拳

        财务场景容不得「看起来对」。容易出幻觉的点,逐一用工程手段封死:

        上表中的每一条手段都有对应的代码落点,不依赖模型「自觉」。其中逻辑最绕的两条——回答值域的收敛、金额从报文到结论——各用一张图进一步讲解,四值闭集契约:把模型的回答收敛进确定值域。所有 LLM 调用都经统一的 ask 引擎,回答值域先在类型层面钉死。

          export type CheckVal = 'true' | 'false' | 'NULL' | 'N/A'
          // true=通过;false=不通过;NULL=无需判断;N/A=无法判断(如 .zip/.pptx 等无法解析的材料)

          闭集是双重落地的:提示词侧声明「只返回是、否、NULL或N/A」,代码侧对任何越界回答强制回落到合法值末位——模型无论输出什么,都产不出四值之外的结论。从原始回答到最终结论的完整收敛路径见下图,兜底方向永远保守:最坏是「无法判断、交人工」,而不是编造一个 true/false。

          金额链路:从原始报文到最终结论,每一环都不信任模型。BigDecimal字面量预提取、数值双向仲裁、结论派生对账三个手段串成一条流水线,下图即一笔金额的完整旅程——模型只出现在第③环,其余全是确定性代码:

          可解释的结构化输出

          LLM不写自由文本的判定理由,而是输出结构化比对项(左值/右值/各自来源/关系),由代码按固定模板拼装成富文本。字段抽不到时走缺材料形态:

            { "leftName": "合同约定数量", "relation": "缺失", "expectedSource": "采购合同正文" }

            拼装为「合同约定数量缺失(应出自采购合同正文),该部分无法判断」——而不是让 LLM 自由发挥一段「经查验未能获取相关信息」的模糊话术。最终呈现给审批人的每条判定都附带规则原文与材料出处(哪份合同、第几页),人工复核一目了然,也天然支撑了反馈标注。

            以上是缺材料形态;常规形态是可比较项——除左右值与关系外,每项还必须携带各自来源(《文件名》+页码,或「补充上下文」)与 ruleRef(从子规则列表逐字引用的一条规则原文,供代码把该理由挂回规则)。以「各方主体名称应一致」为例,aggregate段输出的比对项:

              {
                "leftName": "合同甲方主体",
                "leftValue": "XXX有限公司",
                "leftSource": "《xxx协议.pdf》p3",
                "rightName": "验收单公司主体",
                "rightValue": "XXX有限公司",
                "rightSource": "补充上下文",
                "relation": "一致",
                "ruleRef": "1、各方主体名称应一致"
              }

              relation是闭集,渲染形态共四种、各配一条专属模板(表中为剥去 <val> 标签层的纯文本):

              程序按固定模板将其拼装为带标签的语句,并跟前端约定好展示规则,生成的结果里每个关键部位都由代码拼装,LLM全程不感知HTML。通过程序拼接的方式能保证返回结果的一致性,示例:

                <judgeverdict="通过"rule="各方****一致性"></judge><br/>来源: <sources><ahref="https://xxxx.pdf">《合同A.pdf》</a>、<ahref="https://xxxx.jpeg">《图片B.jpeg》</a></sources><br/>理由: 经比对,验收界面公司主体()与合同、补充协议、订单附件及验收附件中的我方主体名称完全一致;验收界面供应商主体()与上述各文件中的对方主体名称完全一致,满足主体一致性要求 因此整体判断为通过<br/><b>因此整体判断为通过。</b><br/>置信度: 85%

                前端展示结果示例图

                面向生产的工程护栏与踩坑实录

                背压与预算分层:在途任务上限设置阈值,满则直接拒绝——静默接受一个注定超时作废的任务,不如让上游立即按失败落库,避免雪崩。

                失败显性化:材料下载失败会同时注入提示词与判定理由,明确告知「本次判定基于不完整材料」,禁止静默降级。

                上下文工程:文本预算按文件数均分,防止主合同挤掉关联合同;数值字面量在JSON解析前原文保留。

                Prompt Cache 稳定前缀断点:system消息拆为两个part——稳定模板(角色设定 + 输出契约 + 防注入声明)打cache_control:ephemeral断点,规则指令、素材、图片全部后置。Prompt Cache是前缀匹配,这样组织后稳定模板可跨规则、跨请求、跨投票模型命中缓存。缓存的命中发生在远端LLM网关:网关把断点之前的内容tokenize后计算哈希,在后端KV Cache存储中查找匹配的缓存块,命中则预填充阶段直接从缓存读取KV,无需逐token重新计算——省的是真金白银的算力与首token延迟,而非本地缓存那种响应级别的复用;user段一律不打断点——它每规则都变,参与断点会使缓存永不命中。

                配置驱动:预算/背压/超时/重试全部走配置文件,调参不发版。

                全链路可观测:入口即打身份日志(含入参全文,问题可现场重放);受理、执行、回调三段日志同一 ID串联,一次grep定位全链路;受理成功与背压拒绝日志均携带pending水位,容量回溯无需监控预埋。

                敏感信息脱敏:合同与单据材料在进入LLM前先过一道脱敏——手机号、邮箱、打印人员信息直接抹除;经营指标(GMV/ROI/UV/PV/DAU)等敏感词按配置表替换为占位符。脱敏发生在提示词组装阶段,LLM拿到的材料永远是不含敏感信息的版本,判定所需的主体名、金额、日期等字段不受影响。敏感词表走配置驱动,新词条加入无需发版。

                几条用真实教训换来的经验:

                五

                效果展示

                以下为系统实际效果图,沿「审批复核 → 规则配置 → 版本管理 → 试跑/回测」的主线展示。

                验收审批页 —— AI 审批结果详情抽屉页

                ai批次处理结果汇总

                验收审批明细

                验收单流转到财务审批节点后,AI 判定结果同步透出,点击打开「AI 审批结果详情」抽屉:

                • 规则判定结果汇总:按通过/不通过聚合本单规则数,审批人一眼掌握全单情况,并返回综合判定结果:通过/不通过/需人工复核。

                • 规则判定结果明细:逐规则展示规则编号、AI 判定结果、规则原文与判定依据;判定依据中的数据值(费用类型、金额、合同编号等)以超链接呈现,点击可查看该数据的数据来源,便于逐项核实。

                • 来源:点击文件链接,可以打开分析依据的材料;

                • 反馈:每条判定底部提供「正确/错误」反馈按钮,审批人的标注沉淀为标准答案,反哺试跑/回测。

                AI验收规则配置页面及版本管理

                规则配置:配置页以列表形式展示所有规则维度的信息:规则编号、规则名称、费用类型、等级(阻断/严重/一般)、状态(启用/禁用)、创建人、创建时间等,顶部支持按费用类型、创建人、状态组合筛选,方便快速查询定位某条规则;操作列提供详情、编辑、版本管理、禁用、删除等入口。

                版本管理:每条规则都支持多个不同的版本管理:页面列出规则的全部版本(草稿、v1、…)及是否生效(「生效中」/-)。每个版本都支持试跑和回测,草稿版本额外提供编辑与回测入口;回测通过后方出现发布按钮,规则发布被回测状态门禁卡控。

                试跑与回测结果

                记录历史试跑结果;展示草稿版本与当前使用版本的结论差异;如果有人工反馈(金标),则展示金标结果。

                回测结果列表、与标准答案的一致率、回测状态。

                用户反馈入口

                业务反馈入口

                对于大模型基于每条规则的判断结果,用户可以点击判定底部的「正确」或「错误」按钮进行反馈:点击「正确」即认可AI判定;点击「错误」则弹出错误反馈弹窗,需要用户提交错误反馈的原因(不认可时必须填写,保证反馈信息量)。

                反馈数据有两个去向:一是推导标准答案、反哺试跑/回测门禁(见 3.1);二是错误原因文本本身——程序基于余弦相似度将不同反馈归于不同的语义簇(Semantic Cluster),便于后续从不同的语义簇中抽取代表性数据生成few-shot,让模型从同类历史错误模式中学习,规则迭代越用越准。

                六

                数据结构设计

                附上支撑「试跑/回测/反馈」的核心表结构,方便想落地的同学参考。五张表、一条主线:一切判定都挂到「规则版本」上,让历史可追溯、标准答案可推导。

                设计思路:

                • 三种流量共享重放快照表,靠流量类型+批次编号逻辑隔离,不为试跑/回测单独建表,读侧按流量类型与批次号前缀各取所需——这是「一套通道三种流量」在存储层的直接映射,新流量模式零建表成本。

                • 规则版本号贯穿结果、快照、反馈三张表,每条历史判定都能回答「当时用的是哪个版本的规则」——没有这个外键,「反馈推导标准答案」「草稿编辑自动重置回测状态」都无从谈起。

                • 标准答案在写反馈时固定,设置为金标集,回测/试跑只需逐条比对模型反馈结果和金标即可算一致率,不需要在查询时做任何推导——把一次性的推导成本留在写入时,把高频的比对做成零逻辑。

                七

                小结

                面对「费用类型多、规则非固定、核对量大」的验收场景,这套方案给出的答案是:

                • 规则配置化:规则以文本下发、语义路由,改规则不改代码。

                • 判定 AI 化:LLM 负责材料理解与规则比对,确定性 workflow 保证流程可控。

                • 质量工程化:试跑彩排、回测门禁、反馈标准答案,让每一次规则调整都可验证、可回归。

                • 人机协同:AI 提供判定与依据,人做最终决策并反哺标准答案,形成数据飞轮。

                月均近千单的验收比对,从纯人工逐条核对,变成了「AI 预判+人工复核重点」。后续我们将继续扩充费用类型覆盖与反馈数据积累,让规则迭代跑得更快、更稳。

                往期回顾

                文 / 星珀

                关注得物技术,每周三更新技术干货

                要是觉得文章对你有帮助的话,欢迎评论转发点赞~

                未经得物技术许可严禁转载,否则依法追究法律责任。

                “

                扫码添加小助手微信

                如有任何疑问,或想要了解更多技术资讯,请添加小助手微信:

                跳转微信打开

                Xiaomi MiMo-V2.6-Pro 如何提升新材料研发的生产力

                2026年10月14日 17:00

                小米技术 2026-10-14 17:00 北京

                今天的大模型在代码、数学、法律、审计等众多领域发挥着不可或缺的作用;而进一步在科学探索和研发场景中提供生产力成为了大模型未来聚焦的重点。

                我们想知道 Xiaomi MiMo-V2.6-Pro 能否帮助科学家提升科研效率和研发生产力。小米材料 Core 团队做了一个有意思的尝试——MiMo-V2.6-Pro 能不能提出一些新材料设计的想法,并且端到端地完成计算模拟的“干实验”,从而更好的指导我们是否值得做更加精贵的“湿实验”。

                我们选取了一个和大众生活息息相关的话题“水质”,作为 demo case——我们能否用 MiMo-V2.6-Pro 设计一款新材料,用来吸附水中的 PFAS 有害物质。

                01

                什么是 PFAS

                PFAS 是“全氟和多氟烷基物质”的缩写,此类物质非常稳定,在自然界中很难自然降解或代谢,会在生物体内持续累积。一些 PFAS 物质被认为与免疫系统、肝脏、发育和部分癌症风险有关,因此 PFAS 被多个化学品监管组织评定为持久性污染物,对人类健康和环境造成了严重威胁。这些风险已经推动全球监管的收紧:欧盟早已禁限 PFOS、PFOA 等代表性 PFAS,并通过 REACH 体系推进对整类 PFAS 的广泛限制。

                PFAS 离我们的生活其实很近,不仅消费电子产品在该领域广泛受到法规及公众的监管,食品、纺织、厨卫、材料等行业也遭遇类似情况:比如果干零食、冲锋衣、不粘锅、胶带等产品在包装和产品上出于“不沾脏污”的目的通常会应用含氟材料,其中或多或少会留存 PFAS,因此相关物质的管控也逐渐成为不少商家的营销策略。PFAS 更是随着全球的水资源循环正在不断扩散中。近年来的一项研究中发现,99%的瓶装水中都含有 PFAS,而通过过滤吸附等操作可以使其含量降低50-90%。所以吸附并去除水体中的 PFAS 是获得安全水质的重要手段。

                下图中举例的全氟辛酸(PFOA)是常见的一种 PFAS 分子,通常情况下会利用羧基解离为羧酸根来做吸附的“头部”,其余部分作为尾巴,需要用“笼子”来固定,以实现更好的吸附效果。

                全氟辛酸分子结构式

                02

                用“诺奖材料”

                来定点强效捕捉 PFAS

                我们选用 MOF(全称“金属有机框架”)——获得2025年诺贝尔化学奖的明星材料,作为 demo 的样例。

                可以把 MOF 想成一栋在纳米尺度建成的“多孔公寓”:金属节点是“承重位点”,有机配体分子是连接金属节点的“横梁”和“墙壁”,里面有尺寸规整的“房间”和“通道”。重要的是,“房间墙壁”可以根据需要吸附的目标污染物来“换新”或“装修”——也就是我们可以通过修饰有机配体分子来改变 MOF 材料的吸附特性。这正是 MOF 的独特之处,也是它与传统活性炭等吸附材料很不一样的地方:它不只是有简单的吸附作用,还可以通过分子层面精准设计选择性,来定点强效捕捉 PFAS 这类有害物质。

                但这也正是人类专家设计的难处,我们可能要不停地多轮尝试、迭代,有时还会走弯路,有时会失败,最终才可能得到一个相对正确的设计方向。

                03

                MiMo-V2.6-Pro 如何辅助人类专家

                而现在, MiMo-V2.6-Pro 能帮我们人类专家省下很多力气。我们内部的材料专家和 MiMo-V2.6-Pro 进行了多轮 prompt 和对话,来设计一个全新的、能强力吸附 PFAS 的 MOF 材料。MiMo-V2.6-Pro 很好的进行了全网的文献和专利调研、提出假设、保证创新性,并且进入“干实验”——调用开源计算模拟工具、自动搭建计算模拟环境、自动算出 MOF 材料与 PFAS 的结合能力,然后给出较好的候选材料。

                具体来说,针对 PFAS 的吸附, MiMo-V2.6-Pro 在 MOF 材料的“房间墙壁”上“装修”正电基团,去吸引带负电的 PFAS 头部,再进一步加入更大更平整的芳香基团“新墙壁”,给 PFAS 的尾巴提供贴合的位置,从而得到了下方的A50 / B50 等新型 MOF 材料。“正电钩子 + 特定孔腔 + 疏水芳香面”的组合,为强力吸附PFAS提供了三重保障;从模拟结果看,相比对照材料C50,新 MOF 材料 A50 和 B50 对 PFAS 的吸附能力比基准对照材料C50要强百万到千万倍。

                在整个过程中,我们估算 MiMo-V2.6-Pro 帮助人类专家提升了10倍工作效率,将研发周期从一个月缩短到了2~3天。最后得到的 MOF 候选材料 A50/B50 以及基准对照材料 C50 的结构如下:    

                候选材料 A50

                候选材料 B50

                基准对照材料 C50

                我们也邀请了第三方专家对 MiMo-V2.6-Pro 展示的材料科研工作流和给出的新 MOF 材料进行评价:

                “

                MiMo 此次面向 PFAS 捕获开展的 MOF 材料计算设计,给我留下了深刻印象。面对快速增长的科研文献,即使是长期专注于某一细分领域的科学家,也很难全面掌握相关进展。MiMo 能够快速梳理已有研究,围绕材料专家提出的具体需求设计新的 MOF 体系,并自主开展计算模拟,为设计方案提供理论依据。从文献分析到材料设计,再到计算评估,它在这次任务中展现出的研究能力,我认为已经达到了训练有素的博士研究人员的水平。这些候选材料值得进一步开展实验验证,我也期待 MiMo 在更广泛的材料探索中提出有价值的新思路。

                ”

                ——窦锦虎|北京大学材料科学与工程学院特聘研究员、博士生导师,长期从事长晶格周期电子材料研究

                “

                早上还在看小米 MiMo-V2.6-Pro 公开训练的新闻,晚上就看到它的内部预览版已在专家引导下完成了一项 MOF 材料计算设计工作,让我十分震惊。这项工作的难点不只是调用计算软件,而是将设计构想转化为化学上合理的结构模型——金属与配体如何连接、配位几何与空间排布是否合理,都需要化学乃至空间几何的判断。MiMo-V2.6-Pro 将文献调研、结构设计与计算评估连接起来,展现了从‘提供建议’走向‘参与研究’的潜力。这是大模型转化为科研生产力的可喜一步,也让我更加期待后续的实验验证。

                ”

                ——汪骋 | 厦门大学化学化工学院教授、美国化学会 Inorganic Chemistry 期刊副主编、厦门元镀数字科技有限公司联合创始人,长期从事 MOF 材料及 AI for Electrochemistry 方向研究

                END

                跳转微信打开

                千问办公发布电商版,开启邀测

                2026年10月14日 15:33

                阿里研究院 2026-10-14 15:33 浙江

                今天,千问办公面向所有电商商家推出千问办公电商版。

                文章转载自公众号

                图片

                今天,千问办公面向所有电商商家推出千问办公电商版。

                基于电商行业商家的日常工作场景进行了AI能力的重新设计和增强,尤其是针对跨多平台的电商经营场景,用一个AI入口驱动不同的电商平台,帮助商家完成AI时代的运营升级。

                目前,千问办公电商版已开启邀测,在千问办公中切换至“电商经营”模式即可体验。

                图片

                除生成营销素材、数据分析等通用AI功能外,千问办公电商版推出了跨平台经营看板、趋势洞察及卖点分析、跨平台ROI智能优化、爆款素材批量生成等专业功能,帮助商家用AI管理跨平台、多店铺、全流程的生意。

                图片

                以往,多平台经营的商家需要逐个登录后台、下载报表再人工核对。现在,商家使用跨平台经营看板,就可以在一个工作台上,管理多平台、多店铺、全渠道的生意。

                图片

                商家可以使用趋势洞察及卖点分析:让千问办公从社交平台的热词和热门内容中捕捉趋势,结合商品卖点,帮助商家及时找准种草方向。

                图片

                跨平台ROI智能优化则可以动态跟踪多平台投放计划,结合经营目标和定时任务,诊断异常并给出优化建议。让每一分钱都花在刀刃上。

                图片

                爆款素材批量生成将热点趋势、品牌调性和商品卖点融入素材生成。

                目前,千问办公已接入生意参谋、有赞、千牛、阿里妈妈万相台、FastMoss、LinkFox等业内主流商家经营和管理工具。

                未来,千问办公电商版将持续向全行业生态开放,以接入更多的商家工具、行业软件。商品、素材、投流、客服、售后、供应链等,商家忙到哪一步,千问办公就帮到哪一步。

                千问办公电商版未来还将推出主动经营能力,Agent将主动发现库存、投放、转化、售后等环节的异常,说明影响和判断依据,并按授权协助处理,让AI从“被动响应”走向“主动干活”。

                千问办公致力于做懂电商、更懂商家的Agent。

                图片

                跳转微信打开

                千问办公发布电商版,并开启邀测

                2026年10月14日 15:09

                千问办公 2026-10-14 15:09 浙江

                用一个AI入口驱动不同的电商平台

                QwenWork

                news

                今天,千问办公发布千问办公电商版。基于电商行业商家的日常工作场景进行了AI能力的重新设计和增强,尤其是针对跨多平台的电商经营场景,用一个AI入口驱动不同的电商平台,帮助商家完成AI时代的运营升级。千问办公电商版已开启邀测,在千问办公中切换至“电商经营”模式即可体验。

                除了生成营销素材、数据分析等通用 AI 功能外,千问办公电商版还推出四大专业功能,帮助商家用 AI 管理跨平台、多店铺、全流程的生意。

                以往,多平台经营的商家需要逐个登录后台、下载报表再人工核对。现在,商家使用“跨平台经营看板”,就可以在一个工作台上,管理多平台、多店铺、全渠道的生意。

                在营销环节,千问办公推出“趋势洞察及卖点分析”及“跨平台 ROI 智能优化”两大功能。

                商家可以使用“趋势洞察及卖点分析”:让千问办公从社交平台的热词和热门内容中捕捉趋势,结合商品卖点,帮助商家及时找准种草方向。

                “跨平台 ROI 智能优化”则可以动态跟踪多平台投放计划,结合经营目标和定时任务,诊断异常并给出优化建议。

                “爆款素材批量生成”将热点趋势、品牌调性和商品卖点融入素材生成。

                目前,千问办公已接入生意参谋、有赞、千牛、阿里妈妈万相台、FastMoss、LinkFox 等业内主流商家经营和管理工具。未来,千问办公电商版将持续向全行业生态开放,以接入更多的商家工具、行业软件。

                这是电商版的第一批功能,能力还在不断完善中。千问办公将在商品管理、营销素材、营销渠道、流量投放、客服售后、供应链等环节,持续打磨各项 AI 功能,致力于成为最懂电商行业的 Agent 产品。

                千问办公电商版未来还将推出主动经营能力,Agent将主动发现库存、投放、转化、售后等环节的异常,说明影响和判断依据,并按授权协助处理,让AI从“被动响应”走向“主动干活”。

                阅读原文

                跳转微信打开

                畅销款保命

                2026年10月14日 13:30

                原创 也谈钱 2026-10-14 13:30 德国

                因为最近刹车踩断的新闻,很多人都在想以后应该怎么选车、避雷。也分享下我的思路,供大伙参考。

                之前跟大伙提过一嘴我的选车思路:优先从经典车型、畅销车型里,选安全测试得分高的。

                因为最近刹车踩断的新闻,很多人都在想以后应该怎么选车、避雷。也分享下我的思路,供大伙参考。

                很多人容易想到的方法,是选个更成熟的品牌。比如刷到不少网友说,以后买车还是回去选 BBA 这些老牌车企吧。

                但这个想法有点低估了造车的复杂度。

                这次很多人关注到刹车踩断的新闻,但不多人注意到,其实老牌车企也时常有车型召回,几乎年年都有,发现的隐患五花八门。

                不是说刹车踩断就合理哈,这样的踏板符合标准说明标准也该改进。是想说更成熟的设计、更严格的测试,能降低出问题的概率,但不能完全避免错误。造车流程复杂,使用工况更复杂,总会有考虑不到的地方。

                所以我考虑这个问题的角度,不是怎么选一辆不会出问题的车,而是假定所有车都可能有隐患,什么样的车更容易被及时发现隐患、修复问题。

                我的想法就是,从比较经典、畅销的车型里,选碰撞安全得分高的。

                碰撞安全得分一定程度上说明车型设计的用心程度,降低有风险的概率。

                经典款存在时间更长,畅销款用的人更多、关注度更高,能让隐患大概率先被发现。这样买了以后再发现新问题的概率,就小多了。加上用户基数大,万一真遇上问题也更容易解决。

                ……

                很多人不理解,为什么如今比 Tesla 更好的同价位新能源车这么多,(目前)还是卖不过 Model Y。

                我的选车思路也能一定程度回答这个问题。

                Tesla 是有很多缺点,但它的缺点都是明牌,没被发现的缺陷更少。相比之下另一辆看起来更完美的车,时间尚短,还说不清到底是更完美,还是问题还没被发现。

                一辆车使用寿命长达 10 年或者更久,有些问题可以很快发现,但还有很多问题需要时间检验。

                就像理财一样,大部分普通人还是会存银行、买固收,而不是买预期收益更高的股票。安心的 80 分,经常胜过可能暴雷的 99。

                国产很多好车不是不够好,而是还需要一些时间。5 年以后情况可能会不同。

                ……

                为啥刹车设计符合标准,却三次测试可复现地被踩断,现在观点很多。

                转述一个我目前比较认同的看法,来自晚点 latepost 采访几位业内工程师。如果表述有偏差还请大伙指正,具体以原文为准:

                行业标准制定时主要考虑的是金属材料,金属材料对静态载荷和动态载荷特性相似。

                但现在很多非金属的新材料面对动态瞬间载荷会变脆、韧性下降,比静态载荷更容易断裂断裂。

                所以按照标准测静态载荷可能没问题,但真实的紧急制动场景却断了。

                标准往往会简化和滞后,符合标准不能证明设计本身没问题,只说明标准该改进更新了。当年三鹿奶粉也符合当时的标准。标准本意是通过含氮量检测蛋白质是否充足,没想到会有人加三聚氰胺来提高含氮量。

                前面说老牌车企也会常年召回,这些车里很多设计也符合当时的标准。但符合标准不一定符合现实。

                ……

                我本人并不排斥品牌犯错。相反,我一直很认同一个观点——品牌就是用来出事儿的。

                消费者买东西认牌子,认的是两件事儿:

                1. 放心的品牌有品控,遇到问题的概率更低;

                2. 你是大品牌,我相信万一有问题你会为我负责。

                考虑到任何人都可能犯错,品牌的第 2 个功能我觉得比第一个更重要。

                我反而很怕一个不会错的品牌。人总会犯错,如果品牌不会出错,到时候错的就只能是我这个消费者了。

                跳转微信打开

                搬完记忆后,豆包工作说出了我自己都没意识到的事

                2026年10月14日 12:45

                原创 AI产品黄叔 2026-10-14 12:45 北京

                过去黄叔用Agent,很多时候都在用Codex,除了额度给的多,还有是我在里面攒的东西太多了,对话内容/记忆/Skill等等。

                直到。。。

                过去黄叔用Agent,很多时候都在用Codex,除了额度给的多,还有是我在里面攒的东西太多了,对话内容/记忆/Skill等等。

                 ㅤ

                但最近确实非常的尴尬,社群的群友都在吐槽,额度少/速度龟爬/甚至是降智-,-,现在说起Codex,大家都是一张图甩出来吐槽:

                Image

                但是换个Agent,所有的一切都要迁移,想想就累。是啊,用久了,里面攒下的对话、偏好、技能和记忆,你可以认为就是你的 AI 资产。用得越久越值钱,也越难搬走。

                 ㅤ

                所以前两天听说豆包工作要上个新功能,能从 ChatGPT、Claude Code、TRAE Work 这些产品一键导入 AI 资产,我第一反应是,真能搬吗?

                 ㅤ

                抱着怀疑,我把自己的家当全搬了一遍。

                 ㅤ

                一、95 项加 344 项,全勾上

                 ㅤ

                打开电脑端,点左下角头像,进设置,里面有个“数据导入与同步”。

                点进去一看,它已经自己认出来了。Claude Code 95 项,ChatGPT 344 项。TRAE Work 我没怎么用,显示暂无可导入内容。

                Image

                Image

                 ㅤ

                我也没挑。技能、连接器、记忆、项目和会话、聊天会话,全勾上,点开始导入。

                Image

                Image

                 ㅤ

                导入要等一会儿,它可以放到后台继续。那我就让它自己搬,我接着干我的活:

                Image

                Image

                可以看到,各种技能/连接器/记忆都能导过来!

                 ㅤ

                迁移完成之后,直观能看到的就是对话全部迁移过来了,太牛了:

                Image

                 ㅤ

                二、敲个斜杠,skill 都在

                 ㅤ

                接着,我先去看了看技能,在Agent时代,Skill是Agent的App,重要性毋庸置疑呀!

                 ㅤ

                在输入框敲个斜杠,打 /deep,我在 CC 里写的 Deep Search 出来了,就是做深度搜索的Skill。再打 /jeff,杰夫风格教程那个 skill 也在。

                Image

                Image

                 ㅤ

                等等,这个有点意思。

                 ㅤ

                这些 skill 是我一个个调出来的,以前换个工具得重新配一遍,或者软链处理一遍。现在迁移过来后,直接敲个斜杠就有了。

                 ㅤ

                然后我尝试运行一下:

                Image

                 ㅤ

                这个Skill会调用OpenCLI打开浏览器去抓取视频内容,完全没问题:

                Image

                 ㅤ

                我观察了下,Skill对应的依赖,豆包工作也自己会去安装,完全无需考虑,方便啊:

                Image

                 ㅤ

                最后跑出来的效果让人惊艳啊,直接在对话框里给出了好看的样式,结果也很全面:

                Image

                 ㅤ

                三、它说出了我自己没意识到的事

                 ㅤ

                让我眼前一亮的,还有记忆。

                 ㅤ

                搬完之后,我新开一个对话,一点背景都没交代,就问了一句:

                 ㅤ

                根据你对我的了解,说出我自己没意识到的事

                Image

                 ㅤ

                它一口气给了我 7 条。说实话,看完我相当震惊。

                涉及隐私,黄叔就挑两条给大家看看。

                 ㅤ

                第一条,它提到了我写的《Skill AI 一人公司》。

                Image

                它说我书里讲的是一个人加技能杠杆,现在却在搭团队,早年写下的理念可能会变成心理包袱。

                最后还顺手给我下一本书起了个名,叫《一人公司的进化》。

                 ㅤ

                这个很牛,其实最近我在从OPC到组建小团队的过程里踩了一些坑,更加坚定了要用好豆包工作这样的Agent来把自己武装到牙齿的信念,没想到真的契合到了豆包工作给的书名:《一人公司的进化》,绝了!

                 ㅤ

                第二条,它说我极度反感通用建议。

                Image

                证据是今年 7 月,我 Switch 手柄失灵了,问 AI 怎么修。它给了一堆通用建议,我直接回了“废话”“滚”。

                 ㅤ

                我自己都忘了这事。它还记得。。。

                然后它说,这套标准对 AI 很好用,但真人团队给不了你这种东西。人会含糊,会试探。

                 ㅤ

                确实是,我很希望得到确定性的答案,哎,不说还真没注意。豆包工作这个细节了。。。

                 ㅤ

                记忆太值钱了,因为大家会用很多个Agent,当它们散在各种Agent里的时候,各管各的,谁也没把它们串起来过。搬到一个地方以后,才第一次被拼到了一起。

                 ㅤ

                四、顺手上的三个小功能

                 ㅤ

                这次豆包工作的更新,我还发现几个特别实用的小功能。

                 ㅤ

                第一个是消息注释,在豆包工作给的答案上面划线后就会出现注释按钮,点击就可以输入注释内容了

                Image

                并且支持多条注释:

                Image

                注释后在输入框里可以看到对应的引用和注释内容:

                Image

                 ㅤ

                这样豆包工作给的答案就能更加清晰和准确,有针对性,我的这个补充,豆包工作给的答案就相当的有针对性了,甚至还给了个很清晰的图卡:

                Image

                Image

                 ㅤ

                还有个在新对话中继续的能力非常实用:

                Image

                在对话列表的更多里,选择在新对话中继续之后,复制出了一条新的对话,带有之前的内容,这样就可以从另外一个思路方向继续和豆包工作讨论了:

                Image

                 ㅤ

                另外,我还发现右边多了一个对话摘要的侧栏,可以很方便的看到这次对话的产物,任务和调用的技能:

                Image

                 ㅤ

                五、这个版本是一次非常实用的更新

                 ㅤ

                我们都知道在AI时代,上下文是最宝贵的资产。

                 ㅤ

                如果你的上下文分布在多个 Agent 里面,豆包工作这次的更新就给了一个非常好的答案:

                 ㅤ

                可以一键把分散在各个 Agent 里的所有技能、连接器、记忆,包括对话这样的资源和信息都直接迁移过来,非常有用。

                 ㅤ

                豆包工作在黄叔的AgentWork社群里的口碑越来越好,经常都能看到群友们的口碑传播:

                Image

                 ㅤ

                好了,大家如果有需求,可以在豆包工作电脑端,下载或更新到最新版,设置里找“数据导入与同步”。

                 ㅤ

                回到开头朋友问我的那个问题。

                 ㅤ

                以前守着一个工具,是因为家当搬不走。现在家当能搬了,我反倒可以放心多试几个。

                跳转微信打开

                啥?「豆包工作」里嵌了个即梦?

                2026年10月14日 12:00

                原创 DracoVibeCoding 2026-10-14 12:00 北京

                站在5年后回头来看,你可能会发现,Agent的交互界面不仅是对话框,而是一个“5件套”:

                1.对话框(及整个聊天窗口):人与Agent通过自然语言进行沟通的最基础交互界面;

                2.浏览器:用于承载所有复杂的视觉展示;鉴于前端技术栈越来越强大,很多需要进行复杂视觉效果的内容都通过浏览器来呈现;

                3.文档:虽然在绝大多数时候,文档(尤其是Markdown)主要用于Agent在自己工作的时候进行内容的传递;但文档作为人类通过文字进行最高效记录的工具也会长期存在;你会发现各家的Agent最近的更新里也陆续把文档(云盘/资料库)工具作为标配内置了进去;

                4.终端:直接用命令行进行交互;

                5.无限画布:如果说文档主要承载的是文字(天然有从上到下,从左到右的逻辑属性),那“无限画布”就是用于承载所有基于多媒体/多模态内容最好的形式,它没有方向,没有边界,可以让Agent(和人)一起不受约束、天马行空的进行多媒体/多模态创作!

                (是否还有第6种基础交互组件?欢迎留言讨论)

                今天的主角就是「豆包工作」刚上线的“无限画布”:

                •如何使用:启动一个“新工作任务”,点击“更多技能”按钮,然后点击“创建画布”:

                image

                •豆包工作会在右侧边栏启动一个“新画布”

                image

                •画布的主要功能:进行图片和视频的多模态创作

                image
                image

                •让我们先点击”图片生成“,无限画布上会出现一个图片生成的容器及其对应的对话窗口,默认提供的生图工具是Seedream5.0 Flash

                image

                •输入以下prompt来生成图片:

                主题:文旅宣传海报
                主体:用行楷体撰写的“北京”软笔书法文字
                风格:水墨+水彩+敦煌风格+极繁主义
                特点:在“北京”两个字里包含北京的地标建筑,彼此紧密衔接不要留白

                •大概30秒左右图片就出现在画布上

                image

                •不过,直接在画布上生成图片有个小问题:在图片生成之后,没办法直接看到原prompt;如果你想保留prompt记录,可以直接在左侧对话框要求Agent生成:

                image

                •当然,画布针对图片提供了很多工具(你会觉得...豆包直接把“即梦”给嵌进来了吧)

                image

                •去背景

                image

                •分图层(图片上的主要元素会被自动分配到不同图层并可以分别编辑,比如下图是移动了女性人物的位置并进行了放大;可以看到耳环、项链也在不同图层并且也可以进行自由移动和编辑)

                image
                image

                •扩图(最右侧)

                image

                •“变清晰”(放大后应该能看到右侧的清晰度更高 -- 如果看不出来的话可能是被微信公众号压缩了)

                image
                image

                •引用生成

                image
                image

                以原图作为参考进行特定元素的修改(比如:吊带衫-->水手服;荷叶裙-->JK)

                image

                •你当然可以用图片来作为视频生成的参考

                image

                为了省钱,我用的Seedance2.0 mini,可能有些小瑕疵(精品化制作可以用Seedance2.5)

                当然,如果是长期多媒体创作,你大概率需要一个“创作额度包”:

                image

                顺便,让我们看一眼即梦的画布...没错,「豆包工作」里的确包含了即梦画布的基础能力(但没包含720全景、多角度等高阶功能;不过,如果未来各巨头的Agent都采用单一品牌单一入口的战略的话,这些高阶功能也不是不能集成进来嘛~ )

                image

                网页搜索【豆包工作】,下载电脑端,新用户限时领取30天会员订阅权益

                跳转微信打开

                人人都要学!Agent 视觉创作全流程~【小白教程】

                2026年10月14日 11:32

                原创 秋芝2046 2026-10-14 11:32 广东

                雷猴啊朋友们~

                这是一节包含图片设计、汇报演示和做视频的AI创作课 ~

                视觉创作,正在成为 AI 时代每个人的必修课!

                但是放心,这门课很简单,因为现在 AI 图像和视频的创作,正在全面 Agent化。

                那今天呢我会用一个 QZ AI 眼镜的完整项目,带大家从市场同事的活动方案,到设计同事的商品图,再到一条完整的广告片,一口气学会视觉创作Agent! 

                QZ AI 眼镜:活动方案、商品图与 TVC

                那我们现在出发~

                企鹅家族 · 潇洒小滑板(出发)

                图片

                概念介绍

                在开始前,我们先说说什么叫视觉创作的 Agent 化。

                之前用 AI 做视觉物料,我们得找一个语言模型聊创意,然后上网找参考,再找个生图模型生图、修改,再换个视频模型生视频,

                以前:在不同工具之间搬运和组织

                那现在的 Agent 化,其实就是由一个 Agent 主导,既生成创意,又自己生图、生视频,由 Agent 来统一管理和调用那些不同的模型和工具,相当于视觉创作版的 Codex。

                Agent 化:由 Agent 统一调用工具、完成创作

                现在:由 Agent 统一调用工具、完成创作

                图片

                工具介绍

                这样的创作 Agent 呢,现在市面上有不少,我们这期用TapNow来演示。

                因为它不需要额外配置,模型就比较全,语言、图片、视频,这都是最好的模型,也有最新的 GPT6 Astra。

                TapNow 的文本、图像与视频模型选择

                还有它新出的 CreativeOS,就是比较标准的创作 Agent 形态,有连接器、有skill、有记忆。又比普通办公 Agent 多个更适合创作的无限画布,以及一批创作类的内置应用。

                那它界面非常简单,新建项目进来就是一个画布,

                但很多朋友不用担心操作画布复杂,有了 Agent 之后,画布主要用来展示的,我们主要使用的,是右下角的小球,这个创作 Agent ~

                从右下角小球打开创作 Agent

                那创作 Agent,跟过去的 AI 生图生视频,最主要有三个变化。

                第一,构思和创作可以不用分开了。
                第二,项目有了记忆和上下文。
                第三,复杂操作有了可以复用的技能和应用。

                图片

                第一个能力:构思和创作不用分开

                OK,先说第一个:构思和创作一体化,

                用我们的QZ AI眼镜要上市为例子,我们要搞一场线下活动,作为市场部的我需要出策划案,并且要有效果图 ~

                3.1 读资料,再想方案

                首先,就得先让 Agent 知道做什么产品 ~

                那 TapNow 呢,可以连接飞书、notion这类外部办公应用,

                在其他软件里存着的资料,我们可以让它自己去读,比如我飞书里的产品说明文档,

                那我们在左下角+号这里点全部应用 > 管理应用。

                根据引导把飞书授权接上。

                打开全部应用,安装飞书并按引导授权

                打开管理应用,安装飞书并按引导授权

                剩下的还有一些官方内置的应用,我们也装上,比如这个 Design Room、Previs 动态分镜,后面我们都会用,安装也比较简单,点下加号就好了。

                内置应用与添加入口

                然后想创意,我们就可以再选上它这个内置的专门做创意的 Brainstorm,

                选择内置的「头脑风暴」应用

                选择内置的「头脑风暴」应用

                然后简单地说:

                ●●●

                “基于 QZ AI 眼镜项目资料,给我一些线下活动的创意提案和方向。”

                诶,它立马就发散了几个方向,还是可选择的交互式看板,三个方案都很有市场部那味啊~

                可选择的活动创意方案

                那我们就选第一个这个方向让他细化吧,确实是看过我们的文档,基于我们产品特点想的。

                3.2 规划场地看效果

                那有了构思肯定不够,线下场地怎么布置,来宾进场动线怎么走,得有细节~

                那我们就可以让它:

                ●●●

                “按照刚才的活动方案,出一百二十平方米线下活动体验的平面布局图。”

                它还自己还根据需求,自动匹配了适合做平面布局图的应用~

                展示效果非常不错,还有动线规划,先试戴、再去展区、人流密度都做了预测,交互非常直观,

                那再进一步,我们还可以用它的图片 3D 建模应用,把场地给做成 3D 的,它的背后就是GPT6,

                你看~可以拖动旋转、切换视角,立体地来看这个场地是否合适。

                切换视角,查看场地布局

                切换视角,查看场地布局

                那空间布局确认以后,我们可以继续让它:

                ●●●

                “按照这版布局,生成各个区域的线下效果图。”

                嗯~方案很完整了吧。

                五个区域的空间效果图

                原来市场部同学一个人哪能做出这么多那么详细的策划物料~

                3.3 整理成汇报

                方案细节差不多了,就可以汇总起来做个汇报演示了~

                因为 Agent 知道我们所有的创意、场地布局、和图片都是怎么回事,我们都不需要说很多提示词。

                我们再找一个 visualize 可视化应用,直接说:

                你看,它给了我们一个网页演示,活动主题、预算都带进去了,

                直接分享链接,就能拿去汇报了。

                通过左下角“分享此画面”入口分享演示

                通过左下角“分享此画面”入口分享演示

                他的这个可视化还可以用6 Astra来做很多这样有意思的3D交互~

                那这就是创作 Agent 的第一大好处,构思和创作一条龙~ 非常适合做带各类视觉物料的方案策划。

                猫和老鼠 · 鼓掌

                图片

                第二个能力:项目记忆和上下文

                OK,创作 Agent 的第二大能力:是有项目级的长期记忆和超长的上下文。

                比如现在,我们的线下活动办完了,QZ AI 眼镜要上架电商平台了,还要在社媒上宣传~

                那就轮到设计部门的我,得出好几套不同重点的图了,并且还要保持产品外观和品牌风格的一致。

                换在之前,我们可能需要给不同渠道的图分别写不同的提示词,然后每个提示词里还都要带上一些统一的描述,甚至反复上传同一个参考图。

                那用创作 Agent 呢,首先我们可以先写入一些整个项目都要遵循的视觉偏好,作为长期记忆:

                ●●●

                “记住 QZ AI 眼镜项目的视觉偏好:简洁、克制,有真实商业摄影的质感。产品使用柔和、有层次的光影,人物自然,避免夸张科技特效和过度磨皮。后续电商、独立站和社媒素材,都沿用已确认的产品外观与品牌风格。”

                那就会看到它把这些要求写进了项目风格文件,一次交代,整个项目都不用再说,会自动遵循了~

                4.1 把具体资料给齐

                那偏好有了,还需要具体的资料。

                眼镜产品长什么样、有哪些功能、这批图要做什么尺寸,这些资料我都在本地文件夹里。

                产品外观、产品功能与出图需求

                产品外观、产品功能与出图需求

                我们也不需要搬运和上传,TapNow 的桌面版可以在授权之后自己读取本地文件,

                添加完文件夹后,我们再点上刚才用过的飞书,直接让他:

                ●●●

                “先看看这个文件夹里的 QZ 眼镜产品图、文字资料和 PDF 产品册,再结合飞书里的项目资料和反馈,整体了解一下产品、品牌风格和这次的制作要求。”

                这样就能先核对一下它对产品的理解,相当于给它开一个完整的项目会,后面能少一些返工。

                核对 Agent 整理的渠道需求与历史反馈红线

                4.2 把产品存成主体

                OK,那现在要开始做设计了,最需要的就是先把产品的外观固定下来~

                TapNow 呢,有个主体库,侧边栏素材库点进去,在这里可以保存项目里要反复使用的产品、人物和道具,

                侧边栏素材库 → 主体,保存反复使用的产品、人物和道具

                保存资产主体也不用我们操作,一句提示词就能保存~

                ●●●

                “把素材包里的眼镜产品图存成一个新的主体,命名为『QZ AI 眼镜』,保存到主体库。后面做图时都用这个主体,保持眼镜外观一致。”

                到这,三类信息就准备好了:记忆保存了整体偏好,资料讲清了产品和任务,主体提供了外观参考~

                记忆、资料与主体的分工

                4.3 用 Design Room 出图

                那生成出图也很简单,我们可以再去找它内置的应用。

                比如这个专门做电商图和社媒图的 Design Room,

                选上它发送提示词,

                ●●●

                “制作一套电商和社媒用图,包含商品主图、详情页组图、模特佩戴图和社媒宣传海报。”

                因为上下文我们都已经准备好了,所以提示词可以非常简单~

                那它就会先让我们确认方案,而且都是选择题,很省脑子。那确认之后,直接开始整套制作。

                Design Room:确认目标渠道、风格方向与开始制作

                看,这一整套~

                有商品展示、有功能介绍、有社媒的模特佩戴,明显也能看到是按不同的渠道来做的,都挺像样吧~

                如果哪张图不满意呢,直接选中也能单个修改~

                选中单张图片,打开提示词并单独修改

                选中单张图片,打开提示词并单独修改

                章节 5

                第三个能力:应用和技能复用

                OK,那创作 Agent 的第三大能力,则是它可以用专门的应用和技能,把复杂的流程串起来,以后还能复用。

                比如我们眼镜上架了,还要做个 TVC 宣传片~这通常比较复杂。

                但有了现成的应用和技能,可以省力很多~我们刚才就已经用了不少应用了。

                5.1 第一步,把脚本和视觉方向定下来

                比如,我第一步就可以继续用之前的头脑风暴应用,在项目里新建一个对话,选中应用,并且把产品 brief 直接给到它,直接说下面的提示词,

                它就会给我们一些选项,

                比较创意方向,选择方案或提出自定义补充

                比较创意方向,选择方案或提出自定义补充

                你也可以点提出自定义构想,补充一些你的想法。那就这样选择选择,等方向差不多了,就点“确认该结构,输出完整脚本”。

                就这样,脚本就有了。

                每个镜头拍什么、留几秒、配什么台词,都帮我们详细规划出来了。

                TVC 导演分镜脚本

                TVC 导演分镜脚本

                最后还让我们敲定下视觉风格,很好 ~

                已锁定的视觉风格与参考图资产

                已锁定的视觉风格与参考图资产

                5.2 第二步,准备人物和产品资产

                OK~那脚本有了,该准备资产了,比如主角形象。

                还是找现成应用,这个 casting room 就是专做人物设计的,

                我们直接说:

                ●●●

                “根据这些角色、短片的调性和产品 Brief,设计对应的人物。”

                那顺着它的选择题一步步选,人物形象、声音和人物小传就都有了,甚至还给了表情的选择,也直接帮我们整理进了主体库。

                选择角色资产模块:人物小传、造型、声音、表情与主体库

                选择角色资产模块:人物小传、造型、声音、表情与主体库

                而且它的个人资产还可以保存到团队资产,

                OK,人物道具齐了,该做分镜了。

                是喵星人啦 · 击掌猫

                5.3 第三步,分镜

                在这一步我们也有应用,就是这个 Previs 动态分镜,直接用它预设的提示词做就行。

                那它会先把脚本拆成镜头时间线,让我们先用文本的方式,确认一下段落、镜头、画面描述和台词对不对。

                先用文字时间线核对镜头画面、段落与台词

                先用文字时间线核对镜头画面、段落与台词

                点开镜头,还能在右上角这块调整景别、运镜和时长。

                那我们确认之后,就生成这样的故事板啦~

                动态分镜预览与镜头时间线

                动态分镜预览与镜头时间线

                这一步则可以看看构图合不合适、镜头接不接得上,提前把问题找出来,后面生成视频就能少返工,和减少 token 消耗了。

                5.4 第四步,把分镜生成视频

                OK,分镜好了,生成视频也就不需要我们一个个写提示词了,直接选中故事板说:

                ●●●

                “把这个分镜做参考,生成电影级写实商业 TVC。”

                你看,它自己引用了人物、产品图和故事板来生成~前面的资产都自己用上接上了。

                生成视频时关联故事板、产品与人物

                生成视频时关联故事板、产品与人物

                我们就等着他生成,对结果给反馈就行了。

                当然,我们可以自己再精调几个镜头,比如复杂运镜,还可以再用它的 3D 白模预演应用,直接让他根据分镜图把场景搭出来。

                发现不对的,我们可以让它用白模的方式先改好~

                白模动态预演:检查镜头路径与构图,再作为视频生成参考

                白模动态预演:检查镜头路径与构图,再作为视频生成参考

                然后把白模视频当做参考再生成视频~

                那最后剪辑到一起,就可以看成片了!还不错吧~

                5.5 把制作方法保存成 Skill

                但是!别着急结束~当你跑完一整套比较复杂的流程,不要浪费。

                我们可以选上这个 Skill Creator,

                告诉他:

                ●●●

                “把刚刚整个做 TVC 的流程固定成一个新的 Skill。”

                喏,技能就建好了,下次我们再做 TVC,就可以调用这个技能,流程至少会很清晰~

                制作流程保存为 Skill

                制作流程保存为 Skill

                这就是第三个能力:用专业应用和技能解决串起复杂的流程,并且可以复用~

                图片

                好啦,到这里,用 Agent 做图片、做演示、和做视频的创作流程,咱们就都走了一遍!

                其实你会发现,大多数普通用户的日常办公,要学的已经不是“提示词神级技巧”,或者“搓工作流”了~

                而是帮 Agent 组织好上下文、选好工具,然后我们负责定方向,判断结果。

                好啦!欢迎在评论区分享你的创作过程!我们下次见~

                跳转微信打开

                碎片化编程,近期汇报

                2026年10月14日 10:00

                原创 caoz 2026-10-14 10:00 新加坡

                题图 gemini制作,徒步中也可以编程。

                我的碎片化编程

                继续碎片化编程,目前依然是cursor,使用基座模型grok 4.7开发,前几天有人问我为什么不用kimi,其实我试过了,cursor应该是和fireworks对接的kimi3.0模型,我试的时候不太稳定,连续出现服务器繁忙,所以就放弃了。后续grok用的还不错,而且在cursor 套餐里额度也挺高,就没再试其他的。

                最近两个产品实现了版本迭代,其实这两个产品的下载和日活都惨不忍睹,其中一个苹果一直不给上架,这也是我一直没宣传的原因。

                不过我做的产品至少我自己在用,而且我觉得还是能满足我自己诉求的。

                第一个是fotohub,是个相册管理应用,(苹果市场和谷歌市场可以搜索下载)。

                缘起是个我常遇到的问题,我不是经常全世界浪么,很多国家和地区申请签证也好,填写入境单也好,经常要提交照片对不对,然后照片还有尺寸要求,现在相机拍出来的都会比较大,然后动不动只允许上传几百K或者明确长宽范围的照片,就很烦对不对。

                我就经常要找照片压缩,或者照片裁剪的工具,要不就收费,要不就各种弹广告,要不就又收费又弹广告,不厌其烦。所以AI这么厉害,干脆自己做一个。

                缘起就是照片裁剪和压缩,可以方便在各个需要资料上传,又有严格尺寸要求的平台进行照片处理,这是我所需要的第一个能力。

                然后就想做老照片修复,但是不想搞联网走API的,涉及成本肯定需要收费才行,就走了本地小模型,但效果确实不行,这块做是做了,效果很差其实。 

                后面就是相册整理,本来想做照片批量压缩替换,来优化手机空间,但发现系统相册很多权限不会轻易给第三方应用,权限限制太多,这个功能就不强求了。

                但相册按地区分类还是挺刚需的,那么就做了分类标签模式,不过因为不是系统相册,需要一个索引的过程,速度还是蛮快的,我的三星手机上一秒钟可以索引几百张照片。这样可以基于地区查阅自己过去的照片。

                这是之前发布就有的功能,这次版本迭代增加了游记功能,可以根据区域和时间间隔自动聚合游记合集,并且自动对相似照片查重,生成简单幻灯播放。

                这就是我之前去新疆和阿拉木图的行程,自动整理的游记合集(含地图轨迹),并且识别了相似度高的重复照片(同位置连续拍摄)。

                另外增加了地图展示,这个其实很多系统相册都有,但我不确定是不是所有手机品牌都有,也是练手,就把这个做进去了。

                这样以后就可以更好地吹牛逼了。

                上图是我去过的人生最北端,斯瓦尔巴群岛朗伊城,照片在地图上的合并展示。

                上图是我人生去过的最南端,南极半岛相关海域的照片合集。当然地图缩放层级不同,照片聚合的位置和数量也会不同。

                但这个产品其实后续应该和instgram之类的对接,以及生成视频什么的,不过现在日活估计个位数,就先不折腾了,反正我自己用起来就行。

                第二个产品 是围棋,katago引擎今年版本迭代还是进步很大的,我之前发布的英文名叫做mastergo ,中文叫做围棋大师,这次改名了,叫做围棋大师陪练,因为围棋大师这个名字苹果过不去,算了,陪练陪练,这总行了吧。

                这是个本地模型,也就是完全手机上单机可跑,无需联网也不存在额外费用。

                根据最新棋力测评数据,现在18B参数的模型棋力已经优于半年前28B参数的模型,所以这次我换了更小的模型,那么文件更小,速度更快,但是棋力更强。

                实际上棋力取决于模型+参数,这个模型如果跑在mac pro上,把参数调高,虽然不是最顶尖的模型,赢个柯洁问题还是不大的,但放在手机上算力有限,大部分还是习惯快棋模式,这在最快模式(参数最低)大概是接近职业初段二段水平,如果放到中档参数(十几秒一步棋也还可以),应该的接近一线职业棋手水平,但离顶尖职业可能还有距离,如果你想让这个引擎跑出顶尖棋手水平,说真的手机上跑还是很困难的,搞台电脑装吧。

                你手机上跑个有职业棋力的AI围棋模型,知足吧。但想靠这个去挑战柯洁或者申真胥,不是模型能力不够,是目前的手机跑不动。

                目前这个围棋App,仅在谷歌市场发布,苹果市场一直不通过,我也很无奈。

                搜索 围棋陪练大师 即可。

                老规矩,以上产品都是无需联网,免费,无广告,我自己一直在玩的。

                然后前两天突然兴起,想重温经典大富翁游戏,让AI做一个U3D版本的,真的一句话就生成了,我玩了一局,基本玩法都是对的,掷骰子,买地,升级店铺,收租,意外事件,破产清算,全都有,当然建模有点粗糙,细节还有很多可以调整的,但真的只用了一段话就完整给做出来了,震惊。

                以前我都不敢碰U3D的。不顾想想细节优化太多东西了,算了,这个就感受一下流程就行了。

                下图就是通关的结算画面。(名称,文案,主题,风格全都是AI设计的,我完全没介入)

                AI没让我变得更有钱,但给了我更多可玩的空间。

                那么依然是碎片化编程,cursor remote control 和cursor cloud都在用。云端可以开多个agent,可以多项目并行,可玩度更高。

                以上。

                跳转微信打开

                10 条必备技巧,全面玩转 Grok Bot

                2026年10月14日 09:45

                一泽Eze 2026-10-14 09:45 浙江

                非常适合理解 Grok Bot 运作原理、以及新用户排坑的指南👇

                昨天在 X 上发了这篇,一天有 1 万多人看过,讨论也不少。试着做了个视频版,用动画把每条技巧背后的原理和细节演示了一遍,比看文字好懂不少。

                看看感觉如何?

                ——————

                这是我在实际任务里跑出来的 10 条 Grok Bot 技巧:

                1. Grok Bot 和 Codex、Claude Code 有什么区别?

                2. 怎么搭好 multi-bot 工作流?

                3. 长任务唤醒、Browser Use、防休眠、省 Token

                跳转微信打开

                个人Agent最需要的是数据,在这个角度上ima简直是天选产品

                2026年10月14日 09:01

                Clip设计夹 2026-10-14 09:01 北京

                👋Hello,这里是Clip设计夹,今天分享的是「个人Agent」。

                最近,AI圈子最火的莫过于个人Agent了。从9月8日,Meta发布了个人Agent Muse之后,上线仅短短22天,就迎来了560万的下载量。同样紧随其后的是Open AI发布的Dots,千问在云栖大会也宣布要加速做Personal Agent。

                看到这个消息,我的第一个想法是去查个人Agent到底是什么,和我们平时用的Agent有什么区别。

                看了懂财帝的报道,才明白,个人Agent在生态环境上有很大的空间。以Muse为例,它靠的是“读你的历史”——用户让它订酒店,它读Airbnb历史记录,结合用户的喜好和习惯,去找价格合适的房型。

                为什么海外能这么干?这是因为海外生活习惯和生态的固定性,让所有的数据最终都流向了邮箱,用户的机票、酒店、购物、保险这些账单都会进邮箱,一切都有迹可循。

                Muse Mac app

                但是放在国内就是另一番景象了,工作用钉钉、飞书,点外卖用美团、淘宝闪购,购物用淘宝、京东、拼多多、抖音电商,酒旅用携程、同程。

                我们的使用数据在各种APP里散落,平台直接并不相通,数据也不会对外开放。最简单的,千问调不了京东、拼多多的商品库,小微也没法用支付宝买单。

                好,问题来了:国内怎么办?有没有一种数据,是依靠产品特性和用户使用沉淀,呈现出优势的?

                我扒到最后,还真扒出一个例外——ima。

                ima是2024年10月23日上Mac端、11月15日上Windows端的,先做的不是Agent,是知识库。在“个人Agent”这个词火起来之前,用户已经用了两年ima知识库,往里存公众号文章、微信文件、网页、会议录音、本地文件。这些动作,是本来就在做的,不是为了AI才做的。

                时间走到今年,行业开始不断的讨论个人上下文,讨论Agent与用户建立连接,今年4月29日上线Copilot模式,5月25日全量开放,它能读文件、笔记、知识库,这和ima“你存什么,它答什么”不谋而合。

                海外的生态优势已经给出了参照,但这并不意味着谁抢先接入生态谁就赢。从以往的一些例子里不难看出,平台开放往往不会一家独大,一般而言,某个平台开放就会是面向全行业的,而不是单独授权给一个AI。在这个大的基础条件下,其实每家AI公司都是在同一个起点上的。

                这份积累是天然的,不需要依靠任何一家生态是否开放为基础的。

                详细来说,同样是开源API,千问、today ai可以接入,ima也可以接入,但ima比其他AI多了一层,这一层就是2年来用户的主动积极的个性化知识库积累。

                最值得说的是,这份积累不只是ima可用,是所有依托ima存在的智能体都能用,不管是我们在Skills广场接入的Skill,还是OpenClaw、Codex、WorkBuddy,都可以读写ima的笔记和知识库。内容的价值、积累的过程,都能发挥出更大的作用。

                从现在的基础设施来看,我们最应该清楚的是,国内这些已经形成强烈风格和垂直作用的App之间短期内的数据高墙不会消失。能连上的平台能力也好,生态体系也罢,大家都是一碗水端平的在持续的跟进。2年时间用户自己存下的有效内容,不失为另一种积累方式。

                最后

                而在最后,我们依旧需要强调,ima专注的是工作和学习场景,那些订餐、购物类的生活服务不是Copilot的长项,也不是Copilot要做的事。

                我所说的所有内容,都在围绕数据的来源,如何“认识用户”展开。我认为当别人都在为怎么把数据抓住发愁的时候,ima早就在你两年前的第一条收藏里了。

                这,可能就是国内那条能走得通的路!

                慢慢来比较快,如觉得有帮助,

                请点个赞&推荐,分享给更多的朋友,谢谢!

                由于微信系统改版,关注后请点击右上角,选择“设为星标”,以获得最及时的文章更新。

                跳转微信打开

                卡帕西用航空规范教AI「说人话」:我把这套方法做成了技能

                2026年10月14日 07:00

                原创 快刀广播站 2026-10-14 07:00 北京

                关键不只在提问,还在约束输出。

                10月2号,咱们很熟悉的大神安德烈·卡帕西在X上发了一条帖子,发出来没几天,浏览量就超过了770万。

                可能有些朋友还不认识卡帕西,先和你介绍一下。他之前在特斯拉负责AI,也在OpenAI工作过,是AI圈里顶级的技术人物。

                另外,他还创造了不少新概念,后来成了全世界都在用的词。比如我们现在经常说的vibe coding,也就是氛围编程,就是他提出来的。

                那他这条帖子说的是什么呢?内容非常干货,是一个方法论,讲了一个很多人没意识到的问题。

                我们平时觉得AI不好用,第一反应是什么?改提问方式。换个说法再问一遍,加个角色设定,或者让它「用更简单的话再解释一次」。

                但卡帕西给的诊断却是,你的输入可能没问题,问题出在AI的输出格式上。

                随着AI越来越强,我们以后可能会花越来越多的时间去理解AI的输出。难处在于看懂它交回来的东西,而让AI干活本身并没有变难。

                从这个角度想想,我们经常说AI写出来的文章有AI味,一个重要原因也是AI的输出不符合我们的预期。

                当然,卡帕西并不只是吐槽这种现象,他给了四种方法,让AI的输出变得更好懂。这四种方法是一路递进的。

                我先和你介绍一下这四种方法。然后在今天的最后,我也把他的方法提炼了一下,做成了一个技能分享给你。

                你可以下载后,顺手扔给自己常用的、支持安装技能的AI工具,比如Codex、Claude Code、WorkBuddy等等。

                他给的第一种办法,是约束文字本身。你不用加任何花活儿,就是让AI在回答的时候遵守一套写作规范,少用长句,少用那种一词多义的词,一句话只说一件事。

                他推荐的这套规范叫ASD-STE100,一会儿我细说。这个东西特别有意思,也是他的帖子里给我的最大收获。

                第二种,是加图。让AI在文字旁边配上示意图、流程图,很多时候一张图比三段话管用。

                第三种,是生成一个可交互的网页。卡帕西自己演示了一个例子,让AI把一个技术概念做成带动画的小网页,你可以拖拽、点击,自己探索。

                第四种,这个就有点上难度了,是生成视频。也就是直接让AI把解释或者看不懂的专业词汇做成一段视频,配画面、配语音,你躺着看就行。

                从文字到图、网页、视频,信息越来越丰富,对工具和技术底子的要求也越来越高。

                但这里有个很现实的问题。后面三种,图、网页、视频,确实越来越酷,可它们要么依赖特定工具,要么需要你自己有一定的审美和品味才能玩得转。

                对咱们大多数人来说,日常跟AI打交道,最高频的场景还是文字。你问它一个问题,它给你一大段回答,你肯定想搞懂到底是什么意思。

                所以第一种方法,约束AI的文字回复,反而是覆盖面最广、门槛最低、今天就能用上的小技巧。

                刚才咱们提到,卡帕西推荐的这套ASD-STE100,听起来很技术,其实来历还挺曲折的。它在全球航空业已经用了将近40年,并不是AI公司的发明。

                先说一个真实的空难。1977年3月27号傍晚,浓雾笼罩着特内里费岛机场。荷兰皇家航空KLM的机长范·赞滕焦躁地等待起飞,他的飞行经验超过12000小时。

                副驾驶向塔台报告准备起飞。塔台给出了航路许可,并回复请等待起飞指令。但就在同一时刻,另一架泛美航空的飞机也在同一个频段发话,提醒他们自己还在跑道上。

                问题来了,荷兰皇家航空的机组把塔台的回复误认为起飞许可,后面关键的「等待起飞指令」相关内容被无线电干扰声淹没了。

                然后,机长范·赞滕开始全力加速。等他看见前方跑道上泛美航空的波音747时,已经停不下来了。

                结果,583人遇难。这是航空史上单次事故死亡人数最多的空难。事故调查指出,沟通失误是其中的关键因素。

                非标准用语、语义含糊,一个词被听成了另一个意思,再加上无线电干扰,让机组对起飞许可产生了错误理解,最终酿成了灾难。

                这件事推动了航空通信的进一步标准化。而几乎在同一时期,欧洲航空业还面临另一个问题:维修文档的语言歧义。

                全球大量航空维修人员的母语不是英语,同一本英文维修手册,要给几十个国家的技师看。一个词读出两种意思,在航空维修场景下,就可能埋下下一次事故的隐患。

                所以,航空业的选择,是给自己领域使用的英语上枷锁,而不是强迫全世界的技师都把英语学好。

                1986年,这套标准的前身发布了第一版。它的规则简单到有点粗暴:一个词只能有一个意思,一个东西从头到尾只叫一个名字,不许为了显得文采丰富而轮换同义词。另外,还要求用短句、用主动语态,一句话只说一件事。

                这套标准后来更新到了第9版,包含53条写作规则、大约900个批准使用的基础词,还有大约1200个建议避免的词,每个都给出了替代写法。

                你想想,航空业的这套规则,正好跟大模型平时的写作习惯反着来。

                模型爱堆长句、爱换着花样用同义词、爱打比方,而航空业的这套ASD-STE100标准,故意让语言变得「无聊」,换来的是尽可能减少歧义。

                说到这里,你再仔细想想我们平时怎么评价AI的回答。第一反应往往是看读起来顺不顺,有没有条理。

                但航空业将近40年的经验告诉我们,读起来顺的文字恰恰可能更危险。因为「顺」有时候靠的是同义词替换、比喻、长句包裹,而这些都可能带来歧义。

                把话说得漂亮和把话说得准确,在很多时候是矛盾的。

                而卡帕西的方法论,就是把这套东西搬到AI场景里。他的用法很简单,让AI用ASD-STE100的标准来解释一个概念就行。

                如果觉得完全执行太僵硬,他建议退到80%的程度,留两成弹性。因为完整规范毕竟是给航空维修手册这类专业文档设计的,日常问答全执行,会硬得没法看。

                说回到我自己。当时看完卡帕西这条帖子,我就在想,他给的这个提示词确实好用,但一句提示词背后是53条规则、900个批准用词、1200个限制词,这套完整体系咱们不可能靠一句话就吃透。

                而且对大多数人来说,你也不可能每次跟AI说话,都记得加这么一句。

                所以我做了一个技能。用起来很简单,你把它下载下来,扔进你的AI助手里,和它说「帮我安装这个技能」。安装好之后就能用,不需要每次都手动加提示词。

                以后你遇到一个新东西想搞明白,跟AI说一句「帮我看懂什么什么」,技能就会被触发,AI会自动用更清楚、更精确的方式给你解释。

                workbuddy-skill-upload-guide.png

                WorkBuddy 上传技能包的三个步骤

                下方是我让WorkBuddy学会这个技能之后,帮我看懂「个人智能体」的输出效果,具体内容你可以看看。

                workbuddy-personal-agent.png

                WorkBuddy 用「帮我看懂」技能解释个人智能体

                它适用的工具范围挺广的,你之前装的龙虾OpenCLaw、Claude Code、Codex、WorkBuddy这些主流AI助手都能用。

                而且你也可以按自己的品味去调整它,觉得太严格了就放松一点,觉得某些场景需要更精确,就收紧一点。

                拿我这个技能当个起点就好,不必当成标准答案。

                像论文之类的内容,也可以试着让这个技能去处理。我设定的触发词就是「帮我看懂」,这可以是一个概念、一个名词、一家公司,或者是一篇论文PDF。

                不过我提前声明一下,这个技能能帮你的是让AI说人话,让输出变得清楚、简洁,但它没法帮你判断内容本身对不对。

                这一层,还是得靠你自己。

                最后,技能包的下载链接我放在下方了,拿走就能用。如果你用了之后,调出了很好的效果,也欢迎回来告诉我。

                阅读原文

                跳转微信打开

                ❌