铃阅时讯
❌

普通视图

情况很严重了!大家立刻做准备吧,随时会变天!

2026年10月23日 22:30

廖信忠 2026-10-23 22:30 上海

黄金并非最优解!

正所谓“黄金有价玉无价”

可普通人想买块好翡翠,怎么就这么难?

👉商场里标价20万的镯子,

    成本可能不到2万;

👉直播间“捡漏”的冰种吊坠,

    鉴定证书竟是PS的;

👉老人攒了半辈子的钱,

    买回的“传家宝”却是酸洗D货;

动辄几万、几十万的“天价”、遍地假货的陷阱,行业黑话的忽悠……

这些乱象,让普通人谈“翡”色变。想要入手好翡翠的翠友们,是生怕遭遇“灯下玉”,一脚踩进大坑里!

图片

直到这个男人的出现,翡翠圈的暴利泡沫,才终于被彻底戳破!

全国翡翠市场的疯狂溢价

竟然得以停止,

精品美玉也能飞入百姓家中!

此人名叫阿斌,翡翠圈人称“玉界哪吒”。

图片

80年代,他生于翡翠世家,从小泡在玉石堆里长大:

▶️12岁辨种水,18岁已成行业“人形鉴定仪”。

▶️翡翠家族三代阅历与技术的积淀,让他练就一眼断真伪的绝活!

有人曾形容他:是三代翡翠人倾尽心血,才养出来的一位“帝王种”!

图片

可本该享受翡翠圈暴利的他,却偏偏看不惯行业乱象:

“明明3000块成本的翡翠,

贴个证书就敢卖10万!”

“你们从档口零售商手中买到的翡翠,

有水分!”

业内因他震动:在阿斌之前,从来没有人敢如此直言!

▶ 一线商场、珠宝店的花言巧语,被他逐字逐句揭露真相;

▶ 品牌溢价严重的天价翡翠,他竟敢将价格“一刀砍”到谷底;

▶ 老油条遍布的玉石地摊,他竟然敢掀摊子说玉料是假的;

▶ 动辄五位数的精品,他居然现场“开盒”来源地!

图片

阿斌的行为,让许多同行骂他“行业叛徒”,专家嘲讽他“不懂规矩”,全国黑心玉商更是跳脚大骂!

但他们,却挡不住阿斌成为翡翠界公认“翡翠判官”的路!

在明刀暗枪里,阿斌在翡翠行摸爬滚打了十几年,终于走上“高位”:

01

时任北京珠宝学院荣誉导师

02

中国高级珠宝鉴定师

03

高级翡翠评估师

04

多家顶级珠宝公司首席鉴定师

05

中国玉石文化交流会特邀嘉宾....

但哪怕诸多荣誉加身,阿斌也始终不愿忘记自己的初心:

让爱翡翠的翠友,能够用更低廉的价格,买到心中至宝!

图片

✅价格透明:价格清清楚楚,杀灭品牌高昂溢价!

✅品质保障:每块翡翠附带国检证书,每一块翡翠都是货真价实的好!

✅专家闭麦:北京珠宝学院导师、顶级鉴定师身份背书,同行匿名下单不仅挑不出毛病,还发现他的价格远低于实体店!

同行等着看他笑话,但结果?

他带着家族底蕴,和自身多年在行业内摸爬滚打下来的阅历,让曾经被坑怕的翠友疯狂刷屏:“这价格,以前连边角料都买不到!”

图片

不少翠友对于阿斌的做法不敢置信,但到手的翡翠是真的,而且经过鉴定,无一次品!

由他经手的翡翠,胶润大气,剔透淡雅,是难得的好品质!

如果你也曾被天价翡翠劝退,

如果你也受够真假难辨的套路,

那么今天,是时候改变了!

扫码识别二维码,了解真正的至宝翡翠!

▼

图片

扫码添加阿斌老师

只买宝,不踩坑!

可让人想不明白的是,为什么全翡翠市场只有他的翡翠能便宜40%甚至更多?

品质还这么好?

那是因为,阿斌直接撕开了行业底裤:

❌ 商场专柜:租金+抽成+品牌溢价占售价60%,你买的其实是“商位费”!

❌ 中间商套路:一块翡翠倒手5次,每次加价就要50%以上!

❌ 证书陷阱:90%“A货证书”是真的,但品质等级全靠编!

❌ 来源模糊:一块出身不明的翡翠,摇身一变就是专柜里三万块钱的冰种天然翡翠!

他承诺,只做:

天然翡翠A货,

7天内无理由退货,

全国各大检测机构终生复检!

长按识别下方二维码

了解更多行业的内情与鉴别的知识

拥有属于你的人生至宝

▼

图片

扫码添加阿斌老师

只买宝,不踩坑!

而也正是因为敢在鱼龙混杂的玉石市场中,做出如此承诺,所以现在每天都有无数人蹲守他的直播间:

有人省下买房钱,

有人捡漏传家宝,

更多人第一次摸到真正的“玻璃种”。

图片

但很多人不知道,阿斌的日子并不好过:

⚠️ 同行扬言“封杀他”;

⚠️ 品牌方威胁“断他货源”;

⚠️ 甚至有人出价千万买他闭嘴,

他却毫不在乎:

“我这人,就爱掀桌子!”

那些昧着良心赚钱的人不懂,在阿斌的眼里,翡翠可以是:

白居易笔下的“犹疑一半作神仙”的灵物,

李商隐笔下“蜡照半笼金翡翠”的诗意,

老百姓窗台上通透皎洁的月光...

就唯独不能是玉商口中的文字游戏,

更不该是锁在保险柜里用于骗人的赃物!

图片

遥想曾经,我们的祖先,曾以玉寄情,以翠为语。

五千年上下的文化历史,让翡翠绝不仅仅是美轮美奂的装饰物,更是文明刻在中国人身上的烙印!

一块好的翡翠:

会是君子的端庄风骨;

会是美人的玉容花貌;

会是家中的钟鸣鼎盛;

会是亲人对孩子的殷殷期盼。

图片

它托举着人,承载着人。

一块低质翡翠,不仅掉身价,坑钱坑人,没有价值;

而好翡翠,传家送人则更有情怀。

天地之间,其他珠宝越戴越旧,只有翡翠越戴越透——

就像中国人的家族,经久不息。

图片

翡翠对于国人,对于翠友,如此有重要性,从小与玉相伴的阿斌,实在无法眼见大家被蒙骗,却找不到出路。

所以,无论同行如何攻讦,他都坚定地站在了翠友的这一边,“固执”地帮助翠友们快速了解翡翠、入门翡翠,绝不让人再上当受骗,当冤大头!

如果你也想拥有一块真正的人生至宝

但害怕踩坑、上当受骗

那就长按识别下方二维码

了解更多行业内情与鉴别知识

用最平价的价格

获得最优质的翡翠!

▼

图片

扫码添加阿斌老师

只买宝,不踩坑!  

跳转微信打开

Dify 企业版通过红帽 OpenShift 认证,进一步完善企业级 AI 部署能力

2026年10月23日 19:19

Dify 2026-10-23 19:19 江苏

从镜像安全、权限隔离到标准化部署、可观测性与弹性运维,让 AI 应用更快上线,也能长期稳定运行。

近日,Dify 企业版正式通过红帽 OpenShift 容器平台认证,并上架红帽生态系统目录,为已采用 OpenShift 的企业提供了一条更加标准化的 AI 应用部署路径。

过去几年,AI 应用开发的门槛正在逐渐降低。企业可以借助 Dify 编排 Agentic Workflow、接入企业知识库、灵活接入多种主流大模型,加快 AI 应用从原型验证到业务上线的进程。

随着 AI 应用进入生产环境,企业对平台的要求也从构建效率延伸至持续运营:如何满足安全与合规要求,如何管理跨部门的权限与资源隔离,以及如何定位和排查运行中的性能瓶颈,这些因素都会直接影响 AI 应用能否长期稳定运行,并持续为业务创造价值。

对于拥有成熟 IT 体系的大中型企业而言,将 AI 应用纳入既有的运维与治理体系,是推动 AI 规模化落地的重要一步。

AI 应用进入生产环境后,基础设施同样重要

在早期试点阶段,企业通常更关注 AI 应用能否解决具体问题。例如,能不能通过知识库回答内部问题、自动处理文档,或者将多个业务系统串联起来。

随着这些应用逐渐投入日常使用,团队需要考虑的事情也会发生变化。

安全与合规

金融、制造、政务等行业通常有明确的软件供应链管理要求,包括容器镜像来源、漏洞修复机制、运行权限等。即使应用本身已经完成开发,如果部署环境无法满足内部安全规范,仍然可能无法通过生产上线审批。

资源与权限管理

当多个部门开始使用同一套 AI 平台,企业需要管理的不只是应用访问权限,还包括不同工作负载之间的资源隔离、容器运行权限,以及对底层基础设施的访问控制。

监控与故障排查

例如,某个 AI 应用的响应时间突然增加,问题可能来自模型服务,也可能来自应用组件或集群资源。如果缺少统一的监控和日志体系,排查就需要在不同系统之间反复切换。

这些需求并不是 AI 应用独有的,但随着 AI 逐渐进入核心业务流程,它们也成为企业 AI 平台必须考虑的一部分。

Dify 企业版

正式通过红帽 OpenShift 容器平台认证

Dify 企业版现正式通过红帽 OpenShift 容器平台认证,相关认证信息现已发布在红帽生态系统目录。本次认证涉及 Dify 企业版的 12 个核心组件,主要包括:

  • 企业级基础镜像: 相关组件基于红帽 Universal Base Image 9(UBI9)构建。

  • 容器认证: 12 个组件均获得红帽 Grade A 评级。

  • 标准化部署: 支持通过 Helm Chart 在 OpenShift 集群中部署 Dify 企业版。

  • 运行安全: 部署后的容器可在 OpenShift Security Context Constraints(SCC)安全策略约束下运行。

对于已经使用 OpenShift 的企业而言,这意味着 Dify 企业版可以更好地融入现有的容器基础设施和运维体系,而不必为 AI 应用单独建立一套完全不同的部署环境。

企业可以继续使用熟悉的集群管理、安全策略和监控工具,同时通过 Dify 构建、发布和管理 AI 应用。

查看红帽官方认证信息:

https://catalog.redhat.com/en/software/container-stacks/detail/69fc3bfc14f7cd2916ffd595

从部署到运维,这次认证带来了哪些变化?

供应链安全:基于红帽 UBI9 构建

Dify 企业版的相关容器组件基于红帽 UBI9 构建。

UBI9 是红帽提供的企业级基础镜像,能够帮助企业采用统一的基础镜像标准,并结合红帽的安全公告与漏洞修复机制管理底层依赖。

对企业来说,这意味着每个运行在 OpenShift 上的 Dify 组件,都有可追溯的镜像来源和补丁机制。对金融、政务等行业,这一点直接关系到软件供应链安全和合规审计。

纵深隔离:平台级和业务级共同保障

OpenShift 的 SCC 是比 Kubernetes 原生 PSA 更严格的安全策略机制,用来控制容器的权限边界。

Dify 的 Pod 在 SCC 策略约束下运行,再结合 Namespace 隔离和 Dify 自身的多租户机制,可以同时从基础设施层和应用层做隔离。多部门共用一套 AI 平台时,数据和权限边界会更清晰。

一键部署:用 Helm Chart 标准化交付

Dify 企业版提供标准化 Helm Chart。企业可以用一条命令在 OpenShift 集群上拉起完整的 AI 应用开发平台,不需要逐一适配组件,也不需要手动处理依赖,明显缩短部署周期。

可观测性:结合应用追踪与基础设施监控

Dify 内置 Collector 组件,可输出 OpenTelemetry 协议,并接入 OpenShift 监控栈。这样一来,企业可以同时查看 AI 应用层指标和基础设施层指标。

弹性运维:自动扩缩和故障自愈

Dify 采用无状态微服务架构,可适配 OpenShift HPA 弹性伸缩和 Operator 自动化运维机制。当业务流量上升时,平台可以按策略扩容;当组件异常时,也能利用 OpenShift 的机制进行恢复。

企业实践

在现有基础设施上部署 AI 应用

某全球领先半导体企业已将 Dify 企业版部署在红帽 OpenShift AI 之上,并在底层接入其自研大语言模型。

在这套架构中:

  • 应用层由 Dify 企业版统一编排信息检索、虚拟助手和内容生成等场景

  • 底座层由红帽OpenShift AI 提供安全运行环境

  • 模型层使用企业内部自研大模型,让关键 AI 能力留在内部环境中

目前,该平台已覆盖数十个研发中心,支持 10+ 种语言,供数万名员工共同使用。

哪些企业适合评估这套方案

对于具备以下需求的企业,可以考虑将 Dify 企业版与 OpenShift 的组合纳入技术选型与部署方案评估:

  • 已经使用或计划使用 OpenShift 作为容器平台

  • 需要在私有化环境中运行 AI 应用

  • 对安全合规有明确要求,例如金融、政务、医药、制造等行业

  • 多个部门共用同一套 AI 平台,需要严格的数据和权限隔离

  • AI 应用已经从 PoC 进入生产,需要更稳定的运行环境

结语

Dify 解决的是 AI 应用如何更快构建的问题。

OpenShift 解决的是这些应用如何在生产环境中安全、稳定运行的问题。

两者结合后,企业可以在同一套体系里完成 AI 应用开发、部署、观测和运维。对于已经把 AI 应用推向生产的企业来说,这不是锦上添花,而是上线前必须认真处理的基础问题。

活动预告

Red Hat Summit 上海站

想进一步了解 Dify 如何与红帽 OpenShift 协同,帮助企业构建和部署 AI 应用?

欢迎10 月 30 日来到 Red Hat Summit 上海站,在AI 生态展区 6 号展台找到我们!期待与你面对面交流,聊聊 AI Agent、企业级部署,以及更多实际应用场景。

上海见!

了解更多

Red Hat Ecosystem Catalog|查看 Dify 企业版信息

https://catalog.redhat.com/en/software/container-stacks/detail/69fc3bfc14f7cd2916ffd595

Dify 企业版|了解企业版部署方案
https://enterprise-docs.dify.ai/zh/3.9.x/deploy/checklist

Dify GitHub|探索开源项目
https://github.com/langgenius/dify

跳转微信打开

“人生七年”落幕:只要一直活着,生活终将给予“你所应得”

2026年10月23日 19:00

李南南 2026-10-23 19:00 北京

在一个足够长的时间跨度里,真正有效的,是持续出现本身。

今天我们从一部很“传奇”的纪录片说起,这个片子叫《人生七年》。之所以说它“传奇”,主要是因为作为一部纪录片,它的时间跨度极大,前前后后一共拍了62年。

就在2026年9月,这个系列的最后一集播出,正式宣告完结。这部片子主要讲了什么呢?简单说,它拍的是14个普通人的“一生”。具体的内容我们一会儿展开。

最近网络上也有很多关于《人生七年》的讨论,很多人都试图从中抽象出一套人生真理,比如“人生七年告诉你的14个真相”,或者“人生七年里藏着阶层跃升的秘密”,等等。

作者:李南南

来源:得到App《得到头条》

01

“看见”和“知道”,是两种完全不同的体验

因为工作的关系,我曾经经常跟纪录片打交道,上面的这些总结未必没有道理。但是,在我个人看来,纪录片这个物种之所以有价值,原因之一就在于它是“去抽象化”的。它的价值不在于让你“懂得一些普遍真理”,而是让你“看到一些无法被抽象道理概括的东西”。

“看见”和“知道”,这是两种完全不同的体验。而“看见”这个动作本身,就是纪录片最独特的价值。

《人生七年》于1964年开拍,每隔七年拍摄一集,跟踪记录同一批人从7岁到70岁的一生,到2026年完结,一共10集,总时长1018分钟。

《人生七年》10剧照

英国《卫报》在今年9月给这部片子写了一篇报道,标题里用了一个词,“电视史上的贝叶挂毯”。贝叶挂毯是中世纪留下来的一幅70米长的刺绣织物,上面记录着1066年诺曼底征服英格兰的全过程。

它之所以珍贵,不只是因为它记录了历史,而是因为它以令人难以置信的耐心,把历史上一个完整的时刻留了下来。《卫报》用这个词来形容《人生七年》,意思是,这也是一件需要62年才能编织完成的作品。

这部片子最初是怎么诞生的?要从1964年的英国说起。当时二战结束不过20年,英国的阶级结构相当固化,一个人的家庭出身,基本就决定了他这一辈子的状态。

只能说“基本”,毕竟,人这一辈子充满了各式各样的变量,童年与环境到底有多大的影响,谁都很难说。于是,1964年,一家叫做格拉纳达的电视台想做一档新闻纪录片。他们找来了一位加拿大导演,叫保罗·阿尔蒙德。保罗接受了这个委托,打算做一期节目,叫《七岁》。

节目的设想来自一句当地的宗教格言,叫“给我一个孩子到七岁,我就能告诉你他的一生。”类似于我们说的“七岁看老”。他们最初是想看看,来自不同环境的孩子,彼此差别到底能有多大。节目组在英国各地的学校里,挑选了14个7岁的孩子。挑选的标准是,来自不同的社会阶层,越两极分化越好。

于是,镜头前出现了这样一群孩子。有来自精英家庭的孩子,有来自工人阶级的孩子,还有来自山村的孩子。

这些孩子被带到了伦敦动物园。镜头记录下他们在动物园里玩耍、被访问的样子。至于具体的内容,不说你大概也能想象到,一群7岁的孩子,差别其实并没有那么大。大家都爱玩,都爱交朋友,都有各式各样的人生愿望,有人说想考名校,有人说想当科学家。但当时的观众没有见过这种节目形式,因此,节目一上映,就引发了英国观众强烈的兴趣。

这第一集节目,也是这14个孩子,这辈子唯一一次全体聚在一起。也应了那句话,“有些人不经意的一次见面,也许就是人生中的最后一面”。

第一集播出之后,导演保罗就撤了。但是,当年做这个节目的一个年轻研究员,叫迈克尔·阿普泰德,他始终放不下这件事,当年那14个孩子,就是他一个个找来的。于是,7年后,阿普泰德提议:我们回去看看他们。这就有了这个系列的第二集。

但是,第二集拍摄时的情况非常不顺利。因为这群孩子正好14岁,正是叛逆的时候,阿普泰德后来回忆说,这一集的素材糟透了,这群青少年什么都不肯说。但是,作为导演,他也意识到,这个反差非常有趣,一个人在7年里居然能有那么大的变化。那么然后呢?再过7年呢?又会有什么变化?

于是,阿普泰德决定,继续把这个片子拍下去,每七年一集。直到2019年,77岁的阿普泰德拍完了这14个“孩子”的63岁,当然,这时早就不能叫孩子了。他的原计划是拍到这些孩子84岁,但两年后,2021年,他就去世了。

但制作方觉得,这个系列不能就这样以“未完成”的方式结束,它必须有一个更加郑重的句号。于是,制作方找来了著名的纪录片导演,曾经获得过奥斯卡的阿西夫·卡帕迪亚,拍摄了这个系列的最后一集,并且在今年9月播出。

换句话说,这个片子不仅贯穿了14个孩子的一生,也几乎贯穿了导演的整个职业生涯。

02

“七岁看老”,是真的吗?

那么,回到这14个孩子,他们的一生里都发生过什么呢?

假如节目开头的那句谚语成真,一个人真的“七岁看老”,那么,精英的孩子自然会成为精英。来自伦敦工人阶级的孩子,也当然会留在他们出生的圈子里。

但事实上,62年过去,真实情况要远比这复杂。

首先,确实有人按照“预想”的方向一路成长。

比如,有个男孩叫约翰,也来自精英家庭,进了牛津,也成了大律师,娶了一位前英国驻保加利亚大使的女儿。但他从一开始就讨厌这个节目。35岁那年,他在镜头前说,参加这个节目就像“每七年向静脉注射一颗小毒药”。

他后来还拒绝让阿普泰德亲自采访他,每次拍摄,他都要求换一个其他人来提问。直到70岁接受采访时,他依然说了一句,“我从来没有喜欢过迈克尔·阿普泰德。”

再比如,还有个男孩叫查尔斯,去了杜伦大学,后来成了英国广播公司的制片人。21岁拍完第三集之后,他就退出了。起因是一次和阿普泰德的电话争吵,查尔斯此后几十年拒绝出镜,甚至试图起诉节目组,要求删除自己所有的历史影像。直到最后一集里,查尔斯的脸依然没有出现,但他提供了大量旁白,讲述了自己这一生的经历。

还有个男孩叫彼得,后来成了小学老师。28岁那年,他在这部纪录片里公开批评了撒切尔政府的教育政策,随后遭到英国媒体的大规模围攻,舆论压力让他不得不退出节目。就这样,他消失了整整28年,直到56岁,才重新回到镜头前。

这几个人,都算得上是“精英轨道”上的孩子。而且从他们的大概经历里,你可能已经感受到,一段真实人生的复杂性与随机性,仅靠“想象”是完全无法预见的。就拿这部片子来说,本来只是一次记录,但对有的人来说,它几乎成了每七年一次的“渡劫”,对有的人来说,它成了自己被媒体围攻的导火索。

片子里也有一些人,人生的发展方向完全超出了所有人的预料。

比如,有个男孩叫尼尔,来自利物浦一个普通的工人家庭。7岁时,他在镜头前说:“我长大想当宇航员。不行的话,当大巴司机也行。”

但事情似乎并不顺利,21岁那年,尼尔从阿伯丁大学辍学,去建筑工地打工。28岁,他失业了,住在一间没有暖气的小木屋里,靠政府救济金生活。那一年节目组找到尼尔的时候,他的眼神空洞,已经完全不像当年那个说想当宇航员的孩子。而且这时的尼尔已经患有严重的抑郁症。

但是,你以为尼尔这辈子就完了?并没有。乾坤未定,尼尔也是黑马。7年后,节目组找到了35岁的尼尔,你猜他在干什么?他在英格兰北部一个小镇,正在竞选地方议员。而且尼尔最后还赢得了竞选。

但你以为尼尔以后会从政,会活成一个励志典范,到处宣扬自己的故事?并没有。42岁时,尼尔在伦敦,当起了牧师。而到了最后一集,70岁的尼尔自己一个人住在法国乡下,他不用电视,也不用手机。按照他自己的观点,假如一个人因为某些原因,表现得跟别人不太一样,那么不要把这当成什么“病”,这就是这个人本身的一部分。

节目里还有个女孩叫杰基。28岁时,她说她这辈子坚决不想要孩子。而42岁,她已经是三个男孩的妈妈,生活幸福。但在49岁的那期节目里,她做了一件让很多人意外的事,她在镜头前质问导演阿普泰德,说阿普泰德在21岁那年的节目里,对她提的问题有性别歧视的嫌疑。

还有节目里那个来自山村的孩子,叫尼克。他7岁时说,“我想弄明白月亮是怎么回事”,后来,尼克真的走上科研道路,成了美国威斯康辛大学的核聚变物理学教授。

但在片子的最终章拍摄之前,尼克就去世了。他的哥哥在他的讣告里写了这样一句话:“他最终接受了这件事:这一生,人们记住他,不会是因为他的科学研究,而是因为那部《人生七年》的纪录片。”

03

只要活着,生活终将给予“你所应得”

回看前面这些人的经历,是不是充满了“意想不到”?充满了各式各样的“反转”?

曾经有人评价巴菲特和芒格的投资生涯,说他们用70年的时间证明了一件事,叫做“在一个足够长的时间跨度里,真正有效的,是持续出现本身。”这句话放在《人生七年》的角色身上,或许也成立。

说白了,只要你活着,一直活下去,那么人生就总还有你意想不到的可能性。

本来按照惯例,我们最后应该给这些故事上个价值,做个总结。但是今天,我想换个方式,不总结了。毕竟,这些经历讲的并不是抽象的道理。但我认为它试图展示的,也许是比道理更重要的东西。

芒格去世前,曾经说过一句很耐人寻味的话,也许形容这些故事带给人的那种“既磕磕绊绊,又毅然决然”的感受,更加合适。他说:“如果你长寿,那么生活最终会给予你所应得的。你像一个独腿人参加踢屁股比赛一样,走完漫长的一生。”

点击“阅读原文”,订阅《得到头条》

阅读原文

跳转微信打开

谈谈 DeepInfer

2026年10月23日 18:44

原创 渣B 2026-10-23 18:44 浙江

本文仅代表个人观点, 与作者任职的机构无关. 

TL;DR

DeepSeek的同学前几天在开源 DeepInfer 的时候, 转发朋友圈的时候都在说“印钞机”开源了. 80%的毛利和17个月回本确实能算印钞机了. 被好多朋友催着写点东西, 其实具体的技术细节的解读, 以前的文章都差不多写过, 这一篇我想把整个事情背后的逻辑串起来详细谈谈为什么要这么做, 以及其它几家为什么做不了.

实质性的问题就是 DeepSeek 从第一天开始就很清楚一个最基本的原理: 计算是很容易 Scale 的, 而 Memory 是很难 Scale 的. 然后整个模型和 Infra 的迭代就充分的围绕着这个逻辑来做.

而在商业逻辑上, 一直延续着普惠这条路, 少了很多功利化的商业变现需求, 因此变得更加纯粹. “印钞机”开源这种事情本身就是这个逻辑, 让更多的普通人用得起, 我个人也深深认同这个逻辑, 也一直反复的拷问自己:“世界上如果只剩一个人了, 要钱还是要名?”

过去几年我自己的工作重心一直放在普惠的硬件算力和 infra 的构建上, 正好在某厂工作满 4 年了, 四年和大家一起做了两颗芯片, 2.0 发布比 BF3 晚了一些, 但是性能全方面超越. 而 3.0 直接全面超越 BF4/CX8/CX9, 把 DPU / AI-NIC 做到了世界第一的位置. 另一方面在ScaleUP/ScaleOut互联领域也基本上达到了全球领先的位置了, 接下来很长一段时间的工作重心会换到算力芯片上, 很简单的一个逻辑就是下一代北美的模型参数规模 Scale 到 50T/100T, 国内要追赶买 Rubin / Feymann 的钱预计需要 2000 亿美金, 还不一定买得到那么多卡. 那么如何用 1000 ~ 2000 亿人民币解决这个问题?

从 Memory 如何 Scale 的视角谈谈

DeepSeek的第一代模型在2024年中规中矩搞了一个标准的 Dense Transformer 架构, 然后第二代就逐渐开启了整个 MoE 的迭代演进, 到 DeepSeek V3 基本上定型. 这一部分是解决了Dense FFN 的算力消耗和 Decode阶段的Memory Scale的问题. 当然也转移到了互联上, 使得国内外都开启了大规模的 ScaleUP 的演进. 具体可以参考《详细谈谈DeepSeek MoE相关的技术发展》

然后 DeepSeek 解决了 FFN block 后, 最近几年的重心逐渐转移到 Attention block 上. 首先是通过 MLA 来压缩 KVCache, 然后是 NSA 和 V3.2 开启 Sparse Attn 的路径, 进一步通过 Sparse 在 Attention block上降低访问内存的需求以及外部存储的需求.

大致的路径就是, 在 V4 的时候引入 CSA 和 HCA 进一步在 token block level 进行压缩, 其实 HCA 的实验发现过度的压缩并不是很有效, 所以 DeepSeek 在 V4.1 Flash的时候换了一个维度进行跨层的 KVCache 共享, 然后再引入了YOCO.具体的分析可以参考 《详细分析 DeepSeek-V4.1 Flash 技术报告(1) : 模型结构》.

谈谈推理 Infra

通常的推理场景下, KVCache的存储会有一个多层的结构:

  • G1 :  GPU HBM

  • G2 :  Host CPU Memory

  • G2.5 :  Host CPU Memory 结合 RDMA 实现的池化版本

  • G3 :  Local SSD

  • G3.5 : 分布式存储集群

  • G4 :  对象存储集群

虽然看上去能够更好的充分的利用资源,  但是也涉及到更复杂的通信和网络压力:

  • PD 分离的 RDMA 流量

  • G1 - G2:  CPU 和 GPU 通过PCIe H2D以及H2D copy的流量

  • G2.5:  不同节点之间的 RDMA 流量

  • G3 : 节点内 CPU 到 NVMe 的 PCIe 流量

  • G3.5 :  GPU服务器机头网卡和存储集群之间的 RDMA 流量

  • G4:  TCP/HTTP 或 RDMA 流量

整个方案存在多种流量争抢, 网络混跑拥塞等情况. 并且 PCIe 上也没有很好的 QoS 控制能力. 各种流量互相干扰较大.

更重要的是在请求调度算法上的问题, 由于 G1~G3 存在, 因此请求通常会做 Cache Aware 的调度, 避免大量 KVCache 的搬运.  但是这样的调度策略其实非常容易导致 Prefill 节点的负载均衡问题, 并引起大量的请求排队带来的长尾.

同时由于 G1 缓存了一些 KVCache 实际 serving 的时候也需要一些换入换出, 并且会导致一些请求batch size 的约束. 最根本的原因其实还是 KVCache 太大了, 数据搬运本身受到了各种带宽瓶颈的约束, 导致难以动弹.

那么我们再来看一下 DeepSeek 是怎么构建的, 原理很简单, 降低 Cache 的层次化结构, 仅保留 G3.5层, 整个数据路径非常干净, 调度策略来看, 无须考虑复杂的KVCache 本地命中等调度策略. 整个计算节点是无状态的, 完善的存算分离实现更加便于弹性缩扩容和调度. 当 Prefill 节点算完并传输到 Decode 节点后, 就可以释放 G1 内的显存.  KVCache 都由 Decode 节点写入存储.

具体的实现其实可以参考 《谈谈DeepSeek DualPath以及ScaleOut直接接入存储》. 这种架构看上去更干净, 但是GPU服务器和存储之间的网络带宽将变得非常大, 其实我们从DualPath的论文也能看到, 论文应该是在 DeepSeek V3.2 的阶段, 当时有一个问题就是 Prefill 节点受到机头的 400Gbps 带宽约束, 无法充分利用 Prefill 服务器的算力

因此通过 DualPath 的处理, 利用 Decode 节点 Relay 的方式来解决这个问题. 当然这只是 Infra 团队的救急策略, 这里再补充一个背景, 按照 DeepSeek V3.2 的KVCache 和在线服务需要 Cache 24小时来算存储的规模, 我去年底大概估计过整个存储服务器的开销估计都会赶上 GPU集群的价格了.

因此 DeepSeek 团队并没有满足于此, 从模型架构上在 V4 和 V4.1 上进一步对 KVCache 进行了优化, 估计现在不需要 DualPath, 直接从 400Gbps的网卡读就行了?

所以这80%的毛利, 并不是某几个技巧就能搞定的. 而是他们在长期的演进中一点点的细节逐渐扣出来的, 你可以看到他们开源的推理引擎的每个算子, 基本上都做到了极致, 例如《DeepSeek-V4详细分析(2): MegaMoE》就是一件非常棒的艺术品, 把 GPU 用到了极致.

为什么其它模型厂做不到?

前段时间写了一篇文章《置身 AI 内 : 读懂 AI 竞赛, 必须读懂 AI 组织》, 那么借着 DeepInfer 来讲讲如果在其它模型厂会出现什么情况.

推理团队遇到 KVCache 大的时候, 会找网络团队优化通信, 会找存储团队一起搞多层的KVCache存储, 然后会在链路上搞复杂的调度提高Cache Locality 的命中率. 每一步在大型的组织结构内似乎都完全正确, 大概率每个团队都会证明自己已经 Try best 都做好了.

或许有几个“大胆”的Infra同学会给高贵的算法爹提一提: 能压一下 KVCache 么? 但大多数基模的算法和训练团队的 KPI 还是模型的质量, 大概率这事最终就会谈成推理团队如何去做 KVCache 的量化加速, 并且模型掉点了还会被算法爹们挑战...

另一方面其实是在一些算法细节上, 例如一些矩阵的 shape 上, 大量的算法哥并不是非常了解 GPU 的微架构, 这也导致推理时某些 shape 的计算很难充分的利用算力, 甚至有些激活参数更小的模型推理的吞吐都赶不上 DeepSeek Flash 这类激活更大的模型.  如何围绕着自己的算力资源池去设计模型, 并渡让一些 KPI 是一件非常难的事情.

还有一个值得探讨的问题是, 组织结构上能否容忍探索过程中的损失? 即便是算法爹们愿意去尝试新的 Attention 架构压缩 KVCache 也会面临巨大的失败的风险. 例如 DeepSeek-V4 中的 HCA, 在 block 维度压缩过了, 整体上 DSv4 pro 刚发布时的模型能力比同期的 GLM-5.3 / Kimi-K3 也是有些差距的. 但它是一个很好的尝试为 DSv4.1 flash 演进到 CSA2 做出了很大的贡献.

而这些常识只有在一个团队有长期主义的组织文化背景下, 整体上算法和Infra充分协同的情况下才能得以实施. 这也是梁文锋在 2024 年的一次访谈[1]中谈到:

"我们创新缺的肯定不是资本, 而是缺乏信心以及不知道怎么组织高密度的人才实现有效的创新."

认识了很多DeepSeek 的朋友们, 在和他们交流的过程中能够深刻的感受到不同. 大家一起讨论的时候能够看到一个更全面的视角, 从算法到算子, 再到Infra, 最后深入到 GPU 的微架构. 而在其它的团队交流过程中, 很大程度上只能和他们谈论某一个小领域的问题, 并且最终通常陷入到局部领域的屎上雕花的优化中.

最后还涉及到一些领导者的taste 如何分辨这些局部最优的场景, 如何推动整个变革, 如何充分的融合各个领域的团队? 具体可以参考《谈谈 AI 时代的组织结构》...

好了, 到此为止吧...

参考资料

[1] 

梁文锋访谈: https://finance.sina.com.cn/roll/2024-07-22/doc-inceypaf4744158.shtml

跳转微信打开

阶跃Step 5 Preview能力强到这种程度?正在免费,赶紧来用!

2026年10月23日 18:08

原创 小互 2026-10-23 18:08 安徽

兄弟们,昨天我发现WorkBuddy上有一个新的免费模型,Step 5 Preview,刚开始看到还一愣,突然想到之前看到一篇新闻,阶跃星辰的最新模型Step 5 Preview在OpenRouter的模型调用榜上排到了第一。

记得今年初我写了一篇阶跃AI桌面伙伴的评测,那时候就对阶跃星辰产生了好感,觉得他们的产品和模型做的真心不错,如果基础模型能再强一点,这个产品就完美了。

赶紧一顿搜索,Step 5 Preview 是面向生产级 Agent 的旗舰模型,总参数量600B,支持 1M 上下文、文本和图像输入。

这个得分,杀的有点狠啊!这不妥妥国产黑马嘛!WorkBuddy10月12日-25日两周独家限免,还有几天,赶紧蹬!

1用代码做视频

现在新模型上线,如果不能用代码做视频,感觉功能少了一半,其实据我观察,大模型早就可以用代码做视频,只是没人想到还能这样玩,Opus 5.5不经意间搞了一个出来,被人们发现视频还能这样做,以为只有Opus 5.5可以,其实很多模型都可以,可以归可以,做的好不好又是另一回事了。

这和模型的多模态能力有很大关系,你想想一个盲人画画,肯定和正常人有很大差距,而正常人,每天看艺术品和每天看山寨海报,审美和输出差距也很大。

以前国产模型有多模态能看图是稀罕物,现在大家都有多模态,都能识图,但怎么训练,审美怎么样,区别还是蛮大的。

所以Step 5 Preview用代码做视频这个肯定要试试,这个能搞定,票价值回一半。我在skillry上找了一个Opus5.5做视频的提示词,把主角替换为Step 5 Preview,看看他们之间差距。

<direction>
Build a 30-second looping motion design showreel that introduces STEP 5 PREVIEW, a motion designer.
Concept, in one line: one pencil line gets promoted three times (graphite on paper, wire on a blueprint, light on black) and never leaves the screen.
Every shot is made out of the previous one: shapes, type and colour transform into the next scene. No cuts, no fades.
Typeface: Geist only. Weight 900 for big words, 600 to 800 for small labels (24 to 28 px, tracked 0.14 to 0.3 em).
Palette: paper cream #EDE6D5, blueprint blue #1B3ED2, hologram cyan #45F0DD, plus black #07080A, graphite #16161A and white. Each stage's accent is the next stage's colour: blue pencil on paper, cyan on the blueprint, white on the hologram.
Camera: locked and front-on for the whole film, like a drafting table. Objects turn; the camera never moves.
Empty border: nothing at rest within 150 px of the sides or 90 px of the top and bottom. Things travelling through may cross it.
Three inks. The same geometry is drawn in whichever ink is on screen:
- PAPER: a cream paper background (use my paper image if I give one, otherwise flat cream with fine drawn grain) with a 60 px blue grid at about 13% and every fifth line at 26%. Lines are pencil: resampled and pushed off true by slow sine waves whose phase changes 8 times a second, stroked twice (full width at 90%, half width at 40% with more wobble), with paper tooth knocked out of the strokes, then multiplied onto the paper. Fills are diagonal hatching drawn on one line at a time. Big type is hatching cut to the letter shapes, with a doubled outline.
- BLUEPRINT: flat blue with the same grid in white. Clean white lines 3 to 4 px, hidden edges dashed and thinner, fills are fine clean hatching.
- HOLOGRAM: black with the same grid in cyan. Cyan lines with a white core 30% of the line width. Fills are horizontal scan lines on an 8 px pitch whose thickness follows how lit the surface is. No blur halo anywhere: it reads as light through line density only.
Banned: particle bursts, glows, lens flares, camera shake, RGB split, crossfades, generic gradients, bouncy easing, holds longer than half a second, anything that looks like a template.
</direction>
<structure>
120 BPM, 60 beats, 15 bars of 2 seconds. Something happens on every beat. Moves start 0.05 s before their beat so they land on it.
Easing: a critically damped spring, 1 - (1 + w t) e^(-w t) with w between 12 and 40, so nothing ever passes its target; exponential ease-in and ease-out for wipes, presses and exits.
Scene changes: paper to blueprint by a shape that floods the frame with a hard edge; blueprint to hologram and hologram to paper by one horizontal scan line.
The last frame is the first frame, so it loops.
Two corner labels stay on all film: top left "FIG. 07 — GEAR" (bar number and name), bottom right "BEAT 27 / 60". Bar names: DRAFT, TYPE, CURVE, MORPH, TILE, SOLID, GEAR, PANEL, DATA, LIGHT, WAVE, GLOBE, DRUM, FORM, END.
</structure>
<mascot>
The creative director: a small box character. Body 76 x 54 units with rounded corners, two short arm stubs (24 x 16) at mid height, four straight legs (11 x 33), two tall rounded-rectangle eyes (8 x 14). Draw it about 250 px wide. Its right arm is raised 58 degrees holding a pencil.
On paper: graphite outline with sparse blue hatching and graphite eyes. In the hologram: cyan outline with scan-line fill and white eyes. It is never a fourth colour.
It runs with alternate leg pairs lifting, six steps a second, leaning 7 degrees into the run.
</mascot>
<storyboard>
Bar 1, HOOK, 0-2 s, paper.
Frame 0: STEP 5 PREVIEW in Geist 900, fitted to 1500 px wide, centred, pencil-hatched. INTRODUCING small above it, A MOTION DESIGNER small below. A pencil rail 1620 px wide sits 96 px above the letters. The mascot stands on the rail at x = 1560 with CREATIVE DIRECTOR lettered to its left.
0.0: the small lines un-type; the mascot runs off the right edge, accelerating.
0.36 to 0.5: the rail drops, accelerating, to 26 px below the baseline and presses the letters flat into itself.
1.0: the line rises to the middle, shortens to 1320 px and splits into two rails 140 px apart; 41 blue ruler ticks sweep along the top rail.
1.5: the rails open to 300 px; a blue height dimension draws at the right with a live number.
Bar 2, KINETIC TYPE, 2-4 s, paper. Words sit between the rails and are clipped to that slot; the rails move to fit each word.
2.0: INTRODUCING rises through the baseline letter by letter, then lifts out through the top.
2.5: A MOTION whips in from the left (1400 px in 0.2 s).
3.0: the rails clap shut on it and reopen, stretching DESIGNER out of the line; its letters then fly out sideways.
3.5: STEP 5 PREVIEW in blue pencil, letters dropping from above one every 0.05 s. At 4.0 the rails close and crush it into one line 1476 px long.
Bar 3, CURVES, 4-6 s, paper.
4.1: the line gets pen-tool handles (430 px long at 58 degrees, small squares at the ends, circles on the handle tips, the label EASE) and bends into an S.
4.5: the handles swing to the mirror angle; eight blue copies fan out 34 px apart, joined at both ends like a leaf.
5.0: handles retract; the ribbon becomes travelling sine waves (amplitude 92 px, 2.75 cycles, each line a little out of phase).
5.5: it gathers back into one flat line.
Bar 4, SHAPE MORPH, 6-8 s, paper.
6.1: the line curls into a circle of radius 235 (curvature grows, length stays). 6.5: triangle, turning 120 degrees as it changes. 7.0: square. 7.5: hexagon, point up, radius 270. Blue hatching builds inside, then cross-hatching.
Bar 5, TILING, 8-10 s, paper.
8.0: the hexagon shrinks to radius 96 and six more slide out around it. 8.5: twelve more, a honeycomb of 19. 9.0: dense hatching sweeps across until every cell is solid blue. 9.6 to 10.0: the centre cell's shape grows past the frame with a hard edge; inside it is the blueprint, with the honeycomb in white line.
Bar 6, 2D TO 3D, 10-12 s, blueprint.
10.0: three lines draw inside every hexagon, plus three dashed hidden ones: each is a cube seen corner-on. 
10.5: the eighteen outer cubes slide into the centre one, which grows to radius 270. 11.0: it turns a quarter and perspective switches on. 11.5: it faces front.
Bar 7, MECHANISM, 12-14 s, blueprint.
12.0: the cube flattens and its front square grows teeth: a 16-tooth gear, pitch radius 208. From 12.25 the train steps 45 degrees on every eighth note. 12.5: a 10-tooth gear grows out to the upper right, meshing. 13.0: a 12-tooth gear to the upper left. Each has a dashed pitch circle, a hub and a label (16T, 10T, 12T). 13.5: the small gears retract; the gear becomes a square again and the cube gets its depth back.
Bar 8, UNFOLD, 14-16 s, blueprint.
14.0: the cube unfolds on its hinges into a cross of six squares. 14.5: the squares slide and stretch into six panels: a header strip, a tall sidebar, a wide chart, two tiles, a timeline strip.
15.0: they fill in. Header: "STEP 5 PREVIEW — MOTION REEL", a BARS / RING switch, a LIGHT toggle. Chart: 30 bars, one per second of this film, heights 42 30 36 44 50 46 52 62 50 56 62 72 60 66 58 76 56 62 68 74 70 78 86 94 100 93 97 90 80 50. Timeline: the 15 bar names, a keyframe diamond on each.
15.5: counters roll up: 120 BPM, 60 BEATS, 1800 FRAMES, 0 CUTS.
Bar 9, DATA, 16-18 s, blueprint.
16.0: a graph line draws across the bar tops; a cyan playhead lands on the timeline at the real time. The current second's bar is solid cyan, earlier ones hatched, later ones outlined. A cursor arrives.
16.5: it clicks RING: the chart's baseline bends round into a circle of radius 110 with the ba

网上随便找了一个阶跃的LOGO,纯提示词和LOGO图直接开始。

可以可以,有点东西,整体节奏和画面细节很到位。这个视频和Opus做的视频比起来,有差距,细节上还有进步空间,但是不知道Opus原视频生成了几次,有没有迭代调优,Step 5 Preview这个视频是一次直出,提示词大家可以拿到WorkBuddy自己生成一次看看。

价格对比

关键Step 5 Preview输入1美金,命中缓存0.1美金,输出2.7美金,Opus 5.5 输入4美金,输出20美金,这个怎么比,就算迭代调优,总花费也会省很多很多很多吧!

而且Step 5 Preview这个视频在我试过的国产模型里已经是妥妥的头部了,我不敢话说的太满,得罪人,哈哈!!

2逐帧复刻一款网页小游戏

兄弟们,接下来给你们看一个非常厉害的东西!

10月15日特斯拉发布新一代 Roadster的第二天,开发者 X Freeze 用 Grok 一款网页小游戏。我拿到了这个视频,然后把这个视频发给Step 5 Preview,让他逐帧研究这个视频,复刻出这个游戏。

哈哈,我感觉我这个版本做的更好,这个片头把我看呆了,这是怎么复刻出来的呢?难道这个开头是逐帧把视频做成了开场?

Step 5 Preview做的这个版本,游戏HUD体验更好,游戏音效还原的也很逼真,原视频我拿到就是加速的,那个音效明显是不对的。这个游戏难度不大,但是我要的是复刻,Step 5 Preview就真的复刻了。

这个游戏不是一次直出,修改了5轮,每一轮我会告诉他哪里做的不好,但是最终还是复刻出来了比原作要好的效果。这时间不白花。

人类和AI协作不管做什么,不怕一开始AI做的不够好,关键是你告诉他哪里不好,应该怎样,他库哧库哧一顿操作之后,刚刚说的真的改了,然后一起迭代,一轮比一轮好,这样的模型我就愿意用。最怕的就是那种你一顿输出,它忙活半天,你感觉刚刚错付了,想砸键盘,它还一脸懵逼。

这个游戏大家都可以玩,WorkBuddy可以一键分享:

https://workbuddy.link/p/67QJrmuHpQBYnvwkVdgFli

377万字西游记,统计63个妖怪

接下来我给Step 5 Preview出的考题是真的很难,下载了一整本西游记,77万字,我让他读完全书,统计所有的妖怪,哪些妖怪有后台哪些没有,这些妖怪的结局是什么。

这个任务执行了一个多小时,确实头皮发麻,坐在电脑前面这个人类为什么会有这种奇怪的想法!

Step 5 Preview输出的这个Excel是我用的所有国产模型中,结构最清晰,输出最美观的,从头到尾我只对网页提出要求,这个Excel我一个字要求都没有提过,本来我也不在意,做什么样都无所谓,注意力都在网页上,没想到啊,Step 5 Preview你跟我玩这一手,你搞办公这套这么牛,为什么不跟我说呢?一会我再考考你!

了让这个网页做出来更好看,消耗了我630积分给这63个妖怪生成了图片,但是最终结果,我觉得这630积分没白花。

Step 5 Preview这审美我只能说在下佩服!

这种感觉怎么描述呢?就是你给他一个任务,满怀期待,最后他交给你的,你有那种想继续和他一起迭代的冲动,他做的没有100分,但是有80分,你就想改一改,往95分做。有的模型一出来是30分,那一刻就没有冲动了,没有意义了,你知道再怎么改,最多就是45分的水平了。

交付感受

第一版做完,我喷了他,觉得他做的虎头蛇尾,路线图做的很精彩,下面做的不行,一共两轮就做出来了。所以我还是那句话,能听懂我在说什么,并且真的按照我说的做,这样的大模型,就值得用。

感兴趣的兄弟们可以自己去看这个网页的质量:

https://workbuddy.link/p/dKIMhg3lBf9dxZLZOBuDDC

4巴菲特错误博物馆,一轮裸出的PPTX

还记得Step 5 Preview之前做的那个Excel吗?作为Office年代的Excel小王子和审美强迫症患者,那个Excel只看一眼,我就知道Step 5 Preview有东西!

于是我安排一个也是非常复杂的PPT给他做一下,看看表现如何。

我把巴菲特1977-2025年所有致股东信全部下载下来,让他整理出巴菲特在信里亲口承认过的所有错误做一个PPT。

这个不是用Html画出来的PPT哦,是实打实的PPTX,每个字和形状都可以改的哦!

每个配图,每个页面排版,所有文字,形状一个都没有错位,就不说其他的,在Workbuddy里做PPT的兄弟们,你们用到现在,哪个国产模型能像这样一步到位做出来这种质量的PPT?

这么多文字,信息层级,连文字的对齐都做到完美,请注意,这个是PPTX文件哦!而且我没有使用任何WorkBuddy的PPT技能,就是一段需求和巴菲特的信的文本,一轮裸出。

5一个GIF压缩工具

本来到这里这个文章就写完了,但是我发现我做的GIF图非常大,微信公众号的编辑器只能接收小于10MB,帧数少于300帧的GIF图,之前我一直使用一个国外的工具网站,但是好慢,于是我让Step 5 Preview做了一个专门把GIF图压缩到公众号合规标准的工具。

中间测试时遇到一个色彩偏移的问题,很快解决,最终的这个网站把我录屏的GIF图都处理了。

智能模式

这是智能模式,它会自己计算和尝试,图片小于9.5MB它就会停。

手动模式

这是手动模式,可以自己选择怎么处理,每种处理方式会带来哪些优化,有哪些负面影响都写清楚了,简单的图片自己可以选。

这个GIF图中间有一点点停顿,那是在处理,一定要看完!!!!你看到的这张图也是这个程序处理的。

因为这个程序压缩使用了Python库,所以我在Workbuddy里也没法分享,所以我会开源到GitHub:https://github.com/xiaohuailabs/gif-for-wechat  有需要的兄弟自取。

写在最后

Step 5 Preview发布快一个月了,各种评测很多都是从专业的数据对比角度展开探讨。

模型的评分对比数字,很难有直观的感受,得分高的模型用起来是不是效果好,真不一定。但用了那么多模型,每种模型使用过程中,开心还是心累,这种感觉是很真实的。特别是长时间使用,一个长时间让你开心惊喜和另一个长时间让你心累的模型,体感差别非常大。

兄弟们肯定经历过那种,哎呦,我去,尼玛,你搞的这是啥,XX!这种想砸键盘的感觉。

Step 5 Preview的测试过程中,隐约有那种Opus 5.5的感觉,虽然真实水平还有差距,但是无论什么任务,它的交付总是给你一种,哎呦,我去,可以啊,来来来,你再把这个稍微改一改,我觉得挺好。

长期以来,使用国产模型,任务交出去,期待没有那么高,但Step 5 Preview测试完了之后,交给它的任务开始有了对品质的期待。

特别是审美,在你没有特别强调的情况下,他的底线很高,直到我打开阶跃星辰的官网,才明白这是一家审美标准和要求很高的公司,不信你自己去看:www.stepfun.com。

Workbuddy上的免费试用时间到10月25日,建议大家都去体验一下,可能你日常使用的模型要换一换了!

跳转微信打开

「豆包工作」越用越好的10个小技巧(上)

2026年10月23日 17:30

Draco正在VibeCoding 2026-10-23 17:30 北京

一、图2图3:“云电脑”模式:豆包工作的云电脑是一台4核8G的云主机

二、图4:大模型选择在对话框右下角:日常使用选择“自动”或“豆包2.1 Lite”;复杂编程选择“豆包2.1 Pro”;推理强度默认为“高”即可;

三、图5:你在飞书里也可以用到纯血版的豆包工作:升级到飞书最新版,在消息栏中找到「豆包工作」即可

四、图6:反之,你也可以在「豆包工作」里用到纯血版的飞书云盘:位置在「豆包工作」左侧边栏的“云盘” -- 你使用飞书账户登录时,里面的内容是一模一样的

五、图7图8:每个“工作伙伴”都是拥有自己独立工具、技能、记忆、对话session的Agent;你也可以理解成每个“工作伙伴”也都是一只独立的“小龙虾”

篇幅所限,明天放出(下)期

#豆包 #豆包工作 #豆包agent #豆包教程

跳转微信打开

深度讨论 Personal Agent:“最互联网”的 AI 命题

2026年10月23日 17:17

原创 Best Ideas 社群 2026-10-23 17:17 北京

早期重产品,中期看模型,长期看生态

Personal Agent 是今年 Q4 最热闹的 AI 领域:Meta 的 Muse、OpenAI 的 dots、Instinct,以及 Anthropic 新推出的 Claude Duet,让大厂、AI Labs 和创业公司同台竞争。

它也是最像互联网的 AI 命题:如果用户开始把需求交给 agent,那么从用户入口、流量分配,以及交易闭环,都会被被重新组织。

不过,考虑到 Personal Agent 的单用户服务成本远高于传统互联网产品,产品或商业模式角度的也有可能会失效。

今天对 Personal Agent 的想象一定会受限于我们过去的认知和经验。参考 PC 的进化演变,从 Palm、Windows Mobile,直到 iPhone 才找到真正适合大众的移动计算体验。Personal Agent 也才刚刚开始,整个领域同样需要一个“iPhone 时刻”,即找到真正让普通人自然、持续使用的个人智能产品形态。

以下是我们对 Personal Agent 主题 Best Ideas 讨论的观点整理。

⁠/⁠

Insight 01

这一轮 Personal Agent 新在哪里?

 ⁠

1.和 Chatbot 比,“更主动、能办事”是 personal agent 的关键进步。过去的交互主要是用户提问、AI 提供信息;但连接 Gmail 等服务、获得用户背景和授权后,agent 开始有机会主动替用户处理事务。

 ⁠

2.Personal agent 与 Chatbot 的关系,可能更像推荐与搜索的关系。Personal Agent 对用户的吸引力在于主动性。Chatbot 里很多用户不知道可以让 AI 做什么,也很难把需求表达清楚。如果每次都要用户先提问,使用就会受到限制,但当 Agent 具备 proactive 的能力时就可以有效解决这个问题。

 ⁠

3.年初 OpenClaw 的爆火和 personal agent 是一条线的叙事,personal agent 最重要的进步是产品化和云端托管,解决了普通用户搭建、配置和维护的负担,更加“开箱即用”。

 ⁠

4.比如 Meta 的 Muse 其实就是把持续运行的云端环境、连接账户与服务的 connector、可重复使用的 skills,以及后台多 agent 协作放进同一个产品。用户可以直接在手机上给 Muse 交办任务,不需要先把这些部件逐一配好。

 ⁠

5.Meta AI 产品负责人 Nat Friedman 也明确提到,Muse 的产品设计从 OpenClaw 上得到了不少启发。

 ⁠

 ⁠

6.模型进步给 personal agent 带来的产品变化非常重要:模型在长任务执行、工具调用和指令遵循方面的能力进步,让 personal agent 开始变得可用,如果未来百亿、两百亿参数的模型能做好长任务,就可能给 personal agent 带来像 GPT 4o 当年那样的用户增长。

 ⁠

7.Grok Bot 和 Muse 不能 head-to-head 地对比:

 ⁠

•Grok Bot 更像一人公司(OPC)或美国小微企业的工作助理。它能操作应用、浏览网页和调用工具,替企业主或员工处理具体任务。用户还可以把 Codex 等工具接入 Grok Bot 托管的云电脑,之后只需要统一向 Grok Bot 交办任务,由它调用相应工具执行。

 ⁠

•但 personal agent ,尤其是 Muse,很明显对生活场景的优化做得更好。在一些用户的亲身体验中,Muse 处理购物、在 Facebook 上与卖家讨价还价和保险等任务时,能够在 10 分钟内完成,而其他 agent 往往要 20 至 30 分钟。

 ⁠

8.随着这两个产品的功能边界不断发生变化,两者能做的事情也有了很多重合,比如 Muse 上个月也推出了企业版,它通过在 Muse App 中加入面向 small business 的连接器和 skills,定位是能读取经营数据、跨软件执行任务的 AI 经营助手。

 ⁠

 ⁠

9.如果 personal agent 能把语音、跨端使用、主动交互和个人场景优化做好,仍能让产品用起来很不一样。

 ⁠

 ⁠

Insight 02

产品使用体感

 ⁠

10.从用户的直接使用体感来看,大家普遍在重复性、繁杂的信息处理和检索类任务上来使用 personal agent,其中,购物和个人财务类任务是最能感受到 personal agent 产品价值的场景。

 ⁠

11.“定期补货”或许是 personal agent 目前相对明确的一个场景:每周购买的生鲜杂货相近,目标明确,重复下单又费时间,完全可以交给 agent 来完成。

 ⁠

12.此外,AI 擅长的信息检索和比较也可以外化到购物体验上。比如有用户原本习惯去 Amazon 购买物品,Agent 却帮他找到了此前没考虑过的 Best Buy,最后促成了购买。

 ⁠

13.个人财务相关:例如报税、保险、产品订阅管理等。这类任务的典型特征是:流程繁琐,但因为关系到真金白银,用户之前不得不花大量时间来处理。并且在这类场景上,因为 personal agent 既能让用户节省时间,还能直接感受到的收益,因此这一场景比普通购物场景有更大的想象空间。

 ⁠

14.基于上述,站在开发者的视角,要判断一项任务是否值得交给 agent,不能只看 agent 执行任务的成本,还要比较它替用户省去多少沟通、办理手续的时间和麻烦。

 ⁠

15.前面提到的产品体验主要是针对海外市场,国内 personal agent 产品首先需要面临的是接入问题,生态的封闭、 API 生态不够成熟,让独立 agent 更难获得账户数据,替用户执行后续操作的实现度更是很大挑战。

 ⁠

16.作为典型的 To C 应用,Personal agent 的产品角色形象可能也是影响普通人是否愿意尝试 personal agent 的要素之一。Muse 更有亲近感,会让原本不熟悉 AI 的人更愿意尝试。而 Instinct 基于 iMessage 没有明确的角色形象,Grok Bot 和 ChatGPT 的 dots 的形象都偏像素或几何设计。

 ⁠

 ⁠

 ⁠

Insight 03

Personal Agent 需要自己的“iPhone 时刻”

 ⁠

17.AI 产品已经积累了庞大的用户群,ChatGPT、Claude、Gemini 等产品去重后估算可能有 6 亿日活,已经是一个相当 meaningful 的数字,而今天的头部产品例如 Facebook 大致在 20 亿 DAU。

 ⁠

18.这个趋势最直接体流量分配的改变上:当用户把需求交给 agent,由它跨平台搜索、比较并完成购买,过去受限于个人注意力和使用习惯的选择范围就可能扩大。比如用户原本只习惯在 Amazon 购物,agent 却可能找到 Best Buy 等此前未考虑的渠道。这个变化也可能压缩部分依赖信息不对称赚钱的业务。

 ⁠

19.从 Muse 的早期用户规模来看,“Facebook 级别的机会”也是可预期的:估算角度,Muse 上线一个多月后,就有了~300 万 DAU,每名日活用户每天发起 10 次以上 prompt。虽然 Meta 旗下应用的导流贡献了 ~60%—70%,但 Muse 的数据仍旧是 Personal Agent 需求验证的重要信号。

 ⁠

20.但 Personal Agent 的现实瓶颈也很明显:

 ⁠

•今天用户可能还是要用上 Muse 2-3 周,才能逐渐进入重度使用的状态;

 ⁠

•根据 Sensor Tower 的数据,在 9 月、81 个国家的 iOS 与 Android 新安装用户中,Muse 安装后第 1 天的打开率高于 ChatGPT,到第 14 天则低于 ChatGPT;

 ⁠

•其中一种可能是普通人没有那么多值得交给 personal agent 来办的事,也就是说,能长期提供邮箱、职业资料、代码仓库等背景、又不断提出高价值任务的人群有多大,仍需要讨论。

 ⁠

 ⁠

21.但 Personal Agent 类产品也已经开始在解决帮助用户“发现需求”这件事,以 Muse 为例:

 ⁠

•Muse 用 Goals 保存用户长期想完成的目标,再用 ideas 提供新的任务建议,目标是希望用户在一次任务结束后,还能找到下一件值得交办的事。

 ⁠

•有调研估算,目前只有约 10% 的交互由 agent 先发起(agent 主动发起时,多是依据用户的近期计划、到访地点或搜索记录),90% 仍由用户先发起。

 ⁠

22.当然,用户展示出来的数据未必反映真实需求。从推荐内容到主动完成实际行动,产品面临的难度更高,因此主动性的实现会是一个循序渐进的过程。

 ⁠

23.不过,仍有一类声音是质疑当下市场对 Personal Agent 的部分热度是否来自大众对个人助理的想象,而相比之下,企业里的 agent 同事或许比消费级 personal agent 更可能产生万亿美元级公司:

 ⁠

•企业有更明确的任务来源;

 ⁠

•企业的业务记录、内部沟通信息和流程中的新事项,都能给 agent 提供待处理的事;

 ⁠

•团队里只要有少数能提出有价值任务、搭建流程的人,就能带动其他成员使用,而非要求每个人都不断想出新任务。

 ⁠

24.人们往往沿着已有的产品形态想象未来:今天对 Personal AI 的想象,可能像当年尝试把 PC 搬到小屏幕上,再配上键盘和触控笔,却没有直接得到真正适合大众的移动计算体验,直到 iPhone 出现才实现这一目标。这个演进也说明,找到让普通人自然、持续使用 Personal AI 的产品形态的过程可能比预期更漫长。

 ⁠

 ⁠

25.时间窗口长带来的影响,不是对落后者会更宽容,而是让领跑者也非常煎熬:它们需要建设生态、持续留住用户,甚至在亏损中坚持投入,最终迈过拐点。

 ⁠

 ⁠

Insight 04

产品能力提升靠什么

 ⁠

模型

 ⁠

26.接下来值得关注的是,模型能否继续降低 personal agent 的使用门槛,让它像 coding agent 一样明显变得更好用。

 ⁠

27.围绕个人任务设计 benchmark,再根据表现调优模型,可以很大程度上改善 agent 处理这些任务的表现。办公场景中的 AutomationBench 就提供了一种参考:在模拟企业环境中,让 agent 通过 API 完成跨应用任务,再检查要求的操作是否真正生效。

 ⁠

左右滑动查看更多图表

 ⁠

28.Meta 的 agent 模型 Muse Wonder 就很强调 active memory 和 active focus 能力,分别对应跨对话保留重要上下文、在长任务中持续围绕目标执行。

 ⁠

29.Muse 目前还是用搜索等常规工具读取记忆,并在模型推理前按需要提供相关内容。如果这些检索和信息提供的工作已经做好,那么专门训练模型的记忆能力,还能带来什么提升?

 ⁠

Context

 ⁠

30.普通用户未必关心背后用了哪个模型,更在意产品用起来怎么样。大家开始更多地讨论产品体验,产品本身的重要性正在上升。

 ⁠

31.也有用户认为,长期来看,得到用户个人的信息比使用 SOTA 模型更重要,甚至模型会是 personal agent 里最不重要的一环。

 ⁠

•以电脑类比,换 CPU 会改变运行速度和能使用的软件,但只要原有数据和状态还在,用户仍会觉得这是自己的电脑。

 ⁠

•因此,相比 coding 工具把主要产物和项目状态留在代码仓库里,personal agent 除了要留下单次任务的结果,还需要长期保存用户资料和任务进度,并有能使用外部服务的账户和身份。

 ⁠

32.但 agent 能拿到用户的背景信息,并不等于理解了用户想要什么结果。比如有用户在 Claude Code 与 Codex 之间切换时发现,即便把原有 agent 掌握的背景信息搬过去,新 agent 仍可能不明白用户的真实需求。

 ⁠

33.即使 agent 理解了用户想要什么结果,agent 办事时仍要分清哪些动作可以自行完成,哪些必须先问用户。

 ⁠

•比如读邮件、起草回复和直接发出邮件,带来的后果是不同的。

 ⁠

•写代码可以通过运行和测试检查结果,个人事务往往没有同样明确的检查办法。如果每一步都要用户确认,用户仍得花精力盯着,如果全让 agent 自行处理,agent 又可能发错消息或作出难以撤回的承诺。

 ⁠

34.为了让 agent 做好专业任务,还有一种分工设想:由掌握个人身份、记忆、目标和权限的主 agent,按需调用编程、法律、健康或财务等专业 agent。

 ⁠

•比如在编程任务中,有开发者用 DeepSeek V4.1 Flash 驱动 Hermes,并在同一台电脑上安装 Codex CLI,在需要写代码或修 bug 时,他就会让 Hermes 先写任务单,再交给 Codex 执行。

 ⁠

35.Personal agent 早期重在产品,中期看模型,长期则看生态。

 ⁠

生态

 ⁠

36.国内国外的生态环境差异很大,而这一差异限制了国内和海外在 Personal Agent 产品体验上的差距:

 ⁠

•国内的个人信息、支付和生活服务更多集中在超级应用里,独立产品较难读取其中的个人信息。

 ⁠

•美国许多服务仍围绕 PC 网页展开,agent 通过浏览器操作网页,已经能提供不错的体验。

 ⁠

37.但即便 agent 在技术上能操作网页,平台也可能限制它接入,比如今年 9 月,Amazon 就屏蔽了 Muse,阻止它代用户购物。

 ⁠

•一种解释是,平台不愿让新入口截走用户关系和业务利益。因此,如果 agent 服务商与平台能谈妥合作后的利润分配,生态接入的阻力可能减小。

 ⁠

 ⁠

38.除了接入大平台生态,agent 也可以直接连接商家。比如瑞幸已提供 MCP 服务,支持 agent 搜索门店、选品和下单,关键环节仍需用户确认和支付。

 ⁠

39.行业也在尝试建立通用的接入协议。Meta、Sierra 正与 Instinct、Shopify、Stripe、Walmart 等公司共同开发 Personal Agent Protocol,让用户决定授予 agent 哪些权限,企业决定允许 agent 执行哪些操作。

 ⁠

 ⁠

40.不过,即便开放支付或 agent 互通协议,也不一定能解决所有接入问题。Agent 在实际执行时,仍要处理个人数据接入、账户授权,以及用户设备与云端如何配合执行任务、保护隐私等问题。

 ⁠

41.这些生态接入难题也带来一个创业设想:能否由专门的服务商帮助 agent 接入不同平台,并获得平台的数据访问授权?或许大厂和创业团队都可以尝试提供这类服务,但能否做成一门生意,还不确定。

 ⁠

 ⁠

Insight 05

成本测算

 ⁠

42.Personal agent 的成本包括模型推理、运行环境和对外身份的配置。在 personal agent 的服务成本上,不同人的估算差异较大。

 ⁠

•有从业者估计,Muse 和 Instinct 每名用户每天约需 1 至 5 美元。

 ⁠

•参考 Morgan Stanley 估算,如果用户每周用掉 5% 至 10% 的 token 额度,Muse 每月服务一名用户约需 10 至 18 美元,其中 CPU 沙箱成本约为 5 至 8 美元。

 ⁠

 ⁠

43.OpenClaw 爆火之后,一个曾尝试将 personal agent 产品化的团队,分享了当时搭建和运行产品的成本:

 ⁠

•给每个 agent 配备独立计算环境和可靠的网络身份,每名用户每月至少需要约 50 美元(不包含 token):团队最初试过 Mac Mini,觉得价格高,也难以规模化,但改用带桌面的虚拟机后发现,即使按 AWS 大客户价格,每月仍需 10 至 15 美元。按团队当时的方案,用于注册外部服务的 Gmail 账户每月还需要 14 美元,再加上电话、信用卡等身份配置,固定开支已经不低。

 ⁠

•Token 开支随模型型号和用户使用强度变化。团队早期给 personal agent 用的是当时最好的模型,测算发现,重度用户每月仅 token 就可能消耗约 1000 美元。

 ⁠

•总的来说,用户正常使用 personal agent 产品时,算上 token 和计算资源,每名用户每月约需 50 至 100 美元,这已是当时的最低量级。

 ⁠

44.除了成本,团队还遇到了规模化接入的问题:部分网站限制注册,大量 agent 所需的邮箱、电话和信用卡身份也很难规范配置。因此,增加预算并不一定就能服务更多用户。

 ⁠

45.但估算成本时要注意区分使用场景和资源配置情况:

 ⁠

•企业场景下,20 人的财务团队可以共用一台虚拟机,80 人的产研团队可以分摊两台或一台高配虚拟机。

 ⁠

•虚拟机资源还可以超卖,即分给多台虚拟机的资源总量可以超过物理机器实际拥有的资源,其中 CPU 可超卖的比例高于内存;

 ⁠

•此外,工作 agent 可能一天运行十几至二十小时,普通生活助理每天则可能只有十几次请求,因此不应该按照工作 agent 长时间运行的方式估算生活助理成本。

 ⁠

46.考虑到近期 personal agent 产品集中出现的一个原因是,更多团队已经能做出接近 SOTA 水平的模型。因此掌握自有模型和算力的厂商,还可以尝试通过蒸馏小模型,进一步控制 agent 的运行成本。

 ⁠

47.生态开放可能降低单次任务的执行成本,但更可靠的履约也可能带来更多任务。模型降价后,agent 还可以投入更多推理来发现需求,因此单位成本下降,并不意味着总 token 消耗下降。

 ⁠

48.除了当下普遍使用的云端方案,也有人提出,随着本地模型能力和运行效率提升,可以考虑把部分 agent 任务交给用户设备上的本地模型。但这个方案就会带来一个问题,到底哪些可以交给本地模型,哪些仍需调用云端模型?

 ⁠

49.模型能在本地运行,对于普通用户来说仍旧存在设备维护成本,因此面向大众的服务可能仍会以云端为主,而数据敏感或有特殊需求的人群则会选择本地方案,两者可能长期并存。

 ⁠

50.到 2027-2028 年,技术、供应链和市场供需的变化可能进一步降低本地部署门槛,让本地 agent 设备更容易推广。到那时候,这类设备或许能像企业激光打印机一样,成为可以直接采购使用的标准产品。

 ⁠

 ⁠

Insight 06

什么样的收费模式更适合 Personal Agent

 ⁠

51.AI Application 和移动互联网相比最大的区别在于边际成本。Personal agent 的单用户服务成本可能比传统互联网高 2-3 个数量级,因此,互联网商业模式有可能会失效。

 ⁠

52.订阅制是大多数 Agent 产品,尤其是生产力类产品的收费方式,但 Muse 已经提供了免费服务,因此对于 personal agent 来说,在今天的竞争环境下,短期靠消费级订阅实现增长的难度很大。

 ⁠

53.不过,订阅制虽然面临免费产品的竞争,却可能更符合个人助理替用户节省注意力的出发点。

 ⁠

54.但愿意花钱节省时间、重视办事结果的用户可能会接受按量收费,或按结果付费、收取分成:

 ⁠

•对用户:假设 agent 帮用户节省 1000 美元保险费,那么就可以从节省额中收取费用;

 ⁠

•对交易方:可以把 Instinct 这类独立 personal agent 的商业模式设想概括为“AI 携程”,帮用户对接外部服务方、完成服务购买,agent 服务商再从交易中分成。

 ⁠

•但也有人对交易分成换取收入表示质疑,因为 ChatGPT 中有明确购物等商业目的的高价值意图只占 ~5%。

 ⁠

 ⁠

备注:OpenAI 全球广告解决方案负责人 David Dugan 于 2026 年 6 月公开表示,约 20% 的 ChatGPT 查询具有“直接商业意图”(direct commercial intent)。

 ⁠

以 Muse 为例:免费服务怎样回本?

 ⁠

55.Muse 免费提供生活助理服务,对普通人很有吸引力,有用户甚至把 Muse 的出现比作当年 Gmail 的推出:普通人原本难以长期负担的个人助理服务,有机会成为日常生活的一部分。

 ⁠

56.不过,Muse 能否长期提供免费服务,还要看它能找到怎样的收入来源。有观点看好通过 Muse Feed 获得广告收入,因为用户使用生活助理时,可能会更愿意接受广告和商业推荐。相比之下,用户用 ChatGPT、Claude 处理工作时,会很反感回答里插入商业推荐。

 ⁠

57.但如前文所说,如果 Muse 服务一名用户每月至少需要 10 至 20 美元,那么即使 Muse 做到 Meta 其他成熟应用的单用户收入水平,也可能覆盖不了成本。

 ⁠

•Meta 2026 年 Q2 财报显示,Meta 旗下应用的 ARPP(每人平均季度收入)为 16.86 美元,折合每月约 5.62 美元,其中包括 Facebook、Instagram 等应用的广告及其他收入。

 ⁠

•因此,Muse 或许应该先把每名用户的月服务成本再降一个数量级,降到约 1 至 2 美元,让收入先覆盖成本,再进行模型和产品改进。

 ⁠

 ⁠

58.也有人认为,用户交给 Muse 的任务能更直接地反映用户需求,如果这些信息能帮助 Meta 增加现有广告业务的收入,就可以用新增收入补贴 Muse 的服务成本。

 ⁠

备注:Meta 在发布 Muse 的 blog 中公开承诺,Muse 不会把用户对话及虚拟机中的数据共享给广告系统。

 ⁠

 ⁠

Insight 07

谁有优势:大厂、AI Labs,还是独立团队?

 ⁠

大厂

 ⁠

Meta & Google

 ⁠

59.Meta 和 Google 被看好,首先来自于他们在身份认证、基础模型、用户基数等优势,更为重要的还是二者的算力储备:在 Personal Agent 竞争下,只有拥有充分算力资源厂商才能持续提供免费服务、获取用户。

 ⁠

60.公司品牌会影响用户是否愿意连接账户,比如一位 Muse 的使用者就表示,相比 Instinct,他更愿意把账户权限交给 Meta。

 ⁠

61.Google 的优势首先来自 Gmail:海外许多正式事务都是通过邮件处理,邮箱既保留历史往来,也可以给 personal agent 不断带来新任务。

 ⁠

62.Pixel 和 Android 也让 Google 拥有了设备层入口,能从硬件到软件一体化优化用户体验,而不只依靠与手机厂商的软件合作。

 ⁠

63.不过,Google 会投入多少资源做 personal agent,还取决于业务重点和算力分配:

 ⁠

•Google 的外部客户、搜索推荐、DeepMind 和云业务都在占用算力,消费级 agent 的优先级较低;

 ⁠

•但搜索本来就是 agent 完成任务的一步,因此 personal agent 其实与 Google 搜索主业关系紧密,如果未来算力供给增加,Google 可能会提高 personal agent 的优先级;

 ⁠

Apple

 ⁠

64.以 iPhone 为代表的智能手机是真正的大众级个人计算设备,持续承载着用户的日程、位置、沟通和服务记录。因此,Apple 等设备平台在 Personal Agent 竞争中的角色不能被忽视。

 ⁠

65.中立的平台角色也是 Apple 的优势:

 ⁠

•作为平台方,它可能更容易协调开发者和服务商,让 agent 能够接入更多服务,服务商也可能更愿意合作;

 ⁠

•Apple 的封闭生态也让 Apple 更有能力要求开发者按统一规则向 agent 开放服务。

 ⁠

•相比之下,Google 自己经营应用和服务,与部分合作方存在竞争,因此合作方可能不愿把用户入口交给它;而 Android 生态又更开放,Google 也更难统一要求开发者配合。

 ⁠

66.但 OS 权限是否有不可替代的作用,仍有争论。也有人认为,Apple 和现有手机、设备厂商不会成为 personal agent 最重要的玩家,因为目前还不存在只有拿到 OS 权限才能完成、而云端 agent 做不了的任务。而且,app 只是用户使用 agent 的当前入口。如果未来 agent 能主动替用户办事,用户也不再需要通过某个固定的 app 使用它,那么现有 app 和设备入口的重要性就可能下降。

 ⁠

•针对这一观点,有人补充表示,少数身份核验场景仍依赖实体设备:某些验证需要在特定时间、地点通过实体设备完成,有些网站登录则要用前置摄像头扫脸或后置摄像头扫码,这是云端 agent 无法完成的任务。

 ⁠

OpenAI

 ⁠

67.OpenAI 和互联网大厂一样拥有庞大的用户基础和前沿模型,虽然现在 dots 的交互体验并不是最好的。

 ⁠

独立团队

 ⁠

68.更看好独立团队的人认为,创业团队做产品的动力来自自己想把这件事做好,大厂可能只是看到商业机会后跟进。在这一派看来,personal agent 的产品形态还会变化,团队需要持续投入、作出产品选择,最初为什么想做这件事就很重要。

 ⁠

69.对小团队从哪里切入,也有不同设想。

 ⁠

•设想一:专业需求已经能由在垂类工具上加 AI 功能来满足,没有必要再做一个垂直 personal agent。

 ⁠

•设想二:personal agent 可以与硬件结合,硬件作为了解用户情况、让用户接触并使用产品的媒介,或许可以在教育、健康等领域提供独特用户体验。

 ⁠

⁠⁠⁠

延伸阅读

智能进步的复利:从 RSI 加速到持续学习⁠

智能进步的复利:从 RSI 加速到持续学习

›
线虫、多巴胺与股份公司:进化给 RSI 的启发⁠

线虫、多巴胺与股份公司:进化给 RSI 的启发

›
为什么 CPU 重新变得重要?⁠

为什么 CPU 重新变得重要?

›
和一线研究员的闭门讨论:蒸馏变难后,下一步的重点是什么?⁠

和一线研究员的闭门讨论:蒸馏变难后,下一步的重点是什么?

›
Latent Labs:Alphafold 3 发布两年,AI 药物设计进展到了哪一步?⁠

Latent Labs:Alphafold 3 发布两年,AI 药物设计进展到了哪一步?

›

跳转微信打开

❌