铃阅时讯
❌

普通视图

山观 HIKE Insight | 商业火箭进入兑现期:从技术验证到资本化窗口

2026年9月4日 17:38

陈宇超 2026-09-04 17:38 北京

完成首飞或取得单项技术突破,只是产品验证的起点;能否保持可靠发射、形成稳定交付,并把订单转化为收入,正在成为更重要的判断依据。

随着低轨星座建设加速、商业火箭企业陆续进入资本市场,行业的评价标准正在发生变化:完成首飞或取得单项技术突破,只是产品验证的起点;能否保持可靠发射、形成稳定交付,并把订单转化为收入,正在成为更重要的判断依据。

东方空间的引力一号已经连续三次发射成功,并开始承接规模化商业发射任务,初步体现出中型运力的可靠性和商业化能力。接下来,引力二号能否顺利首飞,并进一步完成连续入轨、重复使用和批量交付验证,将决定公司能否进入更大运力、更高频次的组网市场。

本文以商业火箭行业的技术演进和资本化进程为背景,讨论行业从“技术验证”走向“商业兑现”的变化,也借东方空间两代产品的衔接,说明山行对可靠交付能力的重视,以及对公司下一阶段发展的期待。

一、行业格局仍在演进:组网运力走向规模化,资本化窗口逐步打开

中国商业火箭仍处于多路线并行验证阶段,尚未形成一家在各项关键指标上全面领先的企业。行业格局最终如何收敛,要看企业能否在高频履约中持续验证任务可靠性,并把单位成本降到可商业化的水平。

猎鹰9的发展可以作为参照。2010年首飞后,SpaceX先依靠不可回收的中型液体火箭积累发射任务和运营经验;到2015年12月才首次实现一级成功着陆,2017年3月完成轨道级火箭一级首次复飞。此后,面向快速回收和翻新的Block 5构型投入使用,复用才从单次技术突破逐步转为高频运营;到2022年,已有一级完成第10次飞行。从稳定发射到首次回收,再到重复使用成为常态,这条路径经历了多年持续验证。

图1|从首飞到高频复用:猎鹰9的验证链条

资料来源:SpaceX公开资料,山行资本研究整理

中国民营火箭公司目前大体处于两个阶段并行的过渡期:一端是较成熟的一次性运力持续履约,另一端是可重复使用火箭首飞和回收验证。部分企业已经能够依靠固体火箭或一次性小型液体火箭承接并交付订单,但可重复使用的大型液体火箭尚未进入常态化、高频次商业运营。因此,现阶段不宜急于判断谁会成为最终领先者,更值得关注的是,哪些企业能够把技术路线转化为持续交付和可复制降本的产品能力。与SpaceX在猎鹰9时期较长的单线验证周期相比,中国民营液体火箭有望以更紧凑的节奏进入可复用能力的集中验证期。中科宇航的力箭二号、星河动力的智神星一号和蓝箭航天的朱雀三号等中大型液体型号已先后完成首飞入轨。其中,朱雀三号于2025年12月首飞入轨,并在2026年8月实现一级陆地回收,两个节点间隔约八个月。既有技术积累、较完整的供应链和大规模星座需求,为国内加快推进“首飞—回收—复飞”提供了条件。

SpaceX于2026年完成IPO,成为全球商业航天资本化的重要节点。一家从运载火箭起步,并将业务延伸至卫星互联网和空间基础设施的公司,开始接受公开市场的持续检验。国内商业火箭企业的上市窗口也在加快打开。2025年末,商业火箭适用科创板第五套标准的细则落地,头部企业的上市进程随之提速。截至2026年6月底,已有5家商业火箭公司启动A股IPO进程,其中蓝箭航天及中科宇航已获受理后进入问询。就当前进度而言,蓝箭航天和中科宇航构成最具代表性的第一梯队。

二、资本化窗口开启:商业火箭进入兑现能力检验期

中国商业火箭市场经历了多轮技术突破和资本热度起伏,目前正进入首批企业密集申报上市的阶段。与此同时,星网、垣信的万颗级低轨星座已启动初步建设,分别累计发射200余颗组网星。随着商业发射需求在未来几年逐步放量,行业竞争的重点也会从率先完成技术验证,转向能否把技术转化为订单、交付和收入。

在这一阶段,市场主要检验三类能力。第一是订单变现能力,即能否将星座组网需求转化为可确认的发射服务收入;第二是稳定交付能力,即能否在高频发射中维持可靠性、交付节奏和成本控制;第三是技术壁垒,即可重复使用和大运力等技术能否沉淀为长期的单位成本优势。

技术突破仍是起点,但只有形成“订单—交付—收入—再投入”的经营循环,才能支撑长期估值。

图2|商业火箭进入兑现期后,资本市场重点检验三项能力

资料来源:山行资本研究整理

蓝箭航天与中科宇航的IPO申报,对应两种具有代表性的市场验证路径:蓝箭航天适用商业火箭扩围后的第五套标准,中科宇航选择第二套标准。

图3|两套科创板上市标准,对应两种市场验证路径

资料来源:上海证券交易所公开规则及企业披露,山行资本研究整理

蓝箭航天适用第五套标准,审核重点是技术成果和长期市场空间。朱雀三号已完成“采用可重复使用技术的中大型运载火箭发射载荷首次成功入轨”“一级回收落地”等关键节点,为进入该标准的审核路径奠定了基础。后续仍需观察其连续发射成功率及可回收、重复使用技术的推进情况。

中科宇航选择第二套标准,更强调经营数据的量化验证:预计市值不低于15亿元、最近一年营业收入不低于2亿元、最近三年累计研发投入占累计营业收入的比例不低于15%。公司2024年营收约2.44亿元,更新披露的2025年营收为2.77亿元。其收入规模和研发投入,为审核机构和市场提供了较清晰的验证依据。

三、东方空间:以稳定中型运力推进收入兑现

东方空间的第一代火箭采用成熟度和可靠性较高的固体火箭路线。在此基础上研制的引力一号具备中型运载能力,可以承接规模化卫星组网发射任务,为公司现阶段的商业收入提供支撑。面向第二代中大型液体火箭,公司计划沿用此前积累的固体捆绑助推经验,在中大型液体火箭平台上拓展固体助推构型,进一步扩大运力覆盖和商业交付能力。

图4|运力技术路线与东方空间的商业化进阶

资料来源:公开资料,山行资本研究整理

引力一号已连续三次发射成功,初步验证了中型商业运载火箭的稳定性和可靠性。与只完成单次首飞验证的产品相比,引力一号已经具备持续执行发射任务的能力,并开始成为面向商业组网需求的稳定运力。

引力一号的近地轨道运载能力为6.5吨,500公里太阳同步轨道运载能力为4.2吨,可以满足多星批量部署需求,提升星座组网效率。更大的单次运载规模,也使其单公斤发射成本相较小型火箭更具优势,更能匹配客户对高效率、低成本发射服务的需求。

2026年,东方空间预计完成3至4次商业发射。随着连续发射能力、运力规模和客户需求逐步转化为实际交付,公司有望在年内实现数亿元营收。对资本市场而言,其商业逻辑正在从技术参数和单次发射成功,转向由发射频次、载荷利用率和收入规模共同验证的经营闭环。

四、引力二号:面向更大批量订单的下一代可复用运力

引力二号的首飞验证,是市场关注的下一个关键节点。东方空间正在研制的引力二号是一款可重复使用大型液体运载火箭,回收状态下的近地轨道运载能力将达到17.4吨,预计今年底具备首飞能力。对于低轨组网星座客户,更大的单次运载量意味着更高的组网效率和更低的单位成本。

首飞只是一个技术节点。此后能否连续成功入轨、完成可重复使用验证、形成批量生产节奏并取得商业订单,才会影响这一技术节点能否获得市场认可。东方空间正在从依靠较早成熟、可靠的中型固体运力获取订单,逐步延伸至以可重复使用液体火箭承接更大批量、更高频次任务。这一能力扩展将成为其后续估值的重要支撑。

结语

评价商业火箭公司,技术进展只是第一步,更难的是把技术、产能和发射任务转化为收入。蓝箭航天与中科宇航申报科创板IPO时分别选择第五套和第二套标准,也反映了企业所处商业化阶段的差异:前者更侧重可重复使用中大型液体火箭的技术进展,后者更强调建立在可靠交付基础上的经营数据。

引力一号连续成功发射和年内多次发射的计划,体现了东方空间以成熟运力推进商业兑现的路径。引力二号预计在年底具备首飞能力,届时公司的产品线将从成熟固体火箭进一步扩展至可重复使用大型液体火箭。若公司能够进一步验证大运力、可重复使用和更低边际成本,就有机会承接规模更大、频次更高的组网需求。

山行公司 | 东方空间引力一号(遥四)运载火箭一箭9星远海发射任务圆满成功

山行公司 | 3D存算一体芯片领军企业谦合益邦完成超20亿元B轮融资

山观 HIKE Insight | 从带宽到容量:HBF技术演进与VC投资机会

东方空间入围国家空间站货运飞船发射服务

山观 HIKE Insight | 算力突围:大模型推理芯片核心指标与产业格局研判(总览篇)

跳转微信打开

奇舞周刊第596期:头条抖音如何实现 OOM 崩溃率下降 50%+

2026年9月4日 17:17

原创 小编 2026-09-04 17:17 北京

性能与稳定性                                                           

📄 字节跳动技术团队|iOS 性能优化实践:头条抖音如何实现 OOM 崩溃率下降 50%+

文章分析 iOS 应用因内存占用过高被系统终止,却缺乏普通崩溃日志的定位难题,并介绍字节跳动基于内存快照研发的线上 Memory Graph 方案。该方案能够还原对象引用关系、识别异常内存来源并辅助归因,落地后三个月内使头条和抖音的 OOM 崩溃率下降超过 50%。

📄 滴滴技术|大规模集群,HDFS 如何从 2.7 滚动升级到 3.2

文章复盘滴滴在大规模生产集群中将 HDFS 2.7 滚动升级至 3.2 的完整实践,重点讨论版本兼容、服务连续性、升级顺序、风险控制和异常回退。团队在不中断业务的前提下完成长期升级,为后续改善集群稳定性、存储性能和资源成本奠定了基础。

📄 快手技术|快手 Android 内存分配器优化探索(二)

文章深入分析 jemalloc 内存分配器的组织结构、分配流程与碎片管理机制,并介绍 Google 针对 Android 平台所做的定制优化。作者从移动设备内存紧张、分配操作频繁等实际问题出发,继续挖掘降低内存占用和碎片率的空间,为大型 Android 应用的底层优化提供思路。

前端与客户端

📄 美团技术团队|微前端在美团外卖的实践

文章介绍美团外卖广告业务如何用微前端治理 PC、H5 和 KA 三端工程膨胀问题。团队采用基于 React 的中心路由基座,将系统按业务线拆分为可独立开发、部署和回滚的子工程,同时保留公共能力复用与单页应用体验,使构建时间由分钟级降低至秒级。

📄 携程技术|从 0 到 1,搭建一个体系完善的前端 React 组件库

文章从实际工程出发,系统介绍 React 组件库从项目初始化到投入使用的建设过程,涵盖组件设计、目录组织、样式管理、测试、文档、构建与发布等环节。同时讨论版本管理、升级和回退等长期维护问题,强调成熟组件库需要在真实业务迭代中持续沉淀。

📄 网易云音乐技术团队|iOS 14 小组件实战手册

文章结合网易云音乐业务讲解 iOS 14 WidgetKit 小组件的实现,覆盖 Timeline 数据刷新、SwiftUI 界面构建、App Groups 数据共享、Intents 个性化配置以及 URL Scheme 跳转,并分析小组件在生命周期、交互能力和刷新频率方面的限制,给出相应的体验设计建议。

工程与智能化实践

📄 阿里技术|如何让 Python 处理速度翻倍?内含代码

文章针对网络请求串行执行造成的 Python 数据处理瓶颈,使用 async、await 和协程对请求模块进行并发改造。处理一千组数据时,整体耗时由约 816 秒降至 424 秒;随着请求池增大,性能提升更加明显。案例同时说明,并发阈值应结合第三方接口的承载能力设置。

📄 高德技术|深度学习在高德 ETA 应用的探索与实践

文章介绍高德如何利用深度学习改善导航路线的预计到达时间。方案通过 LSTM 建模路线序列信息,再结合路线长度、日期和高峰时段等静态特征生成完整 ETA。北京地区实验中,模型的 MSE 损失下降 28.2%,也为继续引入周期性路况和突发事件信息提供了基础。

📄 哔哩哔哩技术|智能成片性能优化探索与实践

文章围绕 B 站智能成片功能的效率与效果优化展开。系统需要完成素材高光提取、模板特效、智能配乐和 ASR 字幕生成,早期快速迭代导致耗时与效果缺少统一衡量。团队重新梳理三条核心链路,建立 P90 合成耗时等可观测指标,并据此开展针对性治理。


如果您关注前端+AI 相关领域可以扫码进群交流

添加小编微信进群😊

关于奇舞团

奇舞团是 360 集团最大的大前端团队,非常重视人才培养,有工程师、讲师、翻译官、业务接口人、团队 Leader 等多种发展方向供员工选择,并辅以提供相应的技术力、专业力、通用力、领导力等培训课程。奇舞团以开放和求贤的心态欢迎各种优秀人才关注和加入奇舞团。

跳转微信打开

The Batch: 979 | LLM 清理智能体的“垃圾”

2026年9月4日 12:45

原创 DeeplearningAI 2026-09-04 12:45 北京

Hi~新朋友,记得关注我们哟

AI 智能体通常会通过总结或删除最早的内容来压缩其上下文窗口中的信息。研究人员提出了一种更有选择性地管理智能体记忆的方法。

●最新消息:社交购物网站小红书(也称 RedNote)的Xubin Hao及其同事构建了自主管理上下文(Self-GC)。与常见的智能体设计类似,Self-GC 会建立一个包含输入和输出的上下文,其中既有用户请求和工具调用,也有 URL、文件路径等结果。不同于典型的压缩算法,Self-GC在把上下文发送给关联的 LLM 之前,会由一个大语言模型来决定哪些部分保留、删减或丢弃。

●关键见解:仅靠基于输入输出类型或保留期限的规则,并不足以让智能体决定应保留哪些上下文信息。较早的工具输出可能保存着唯一一个之后还要重新打开的 URL,而较新的输出可能已经过时。LLM 能以更灵活的方式做出这类判断,因为它可以随着上下文累积读取已有信息,并判断哪些细节未来更可能有用。

●工作原理:当输入 token 占满主 LLM 上下文窗口的 30% 以上时,Self-GC 会把历史记录发送给规划模型(默认是 Qwen3.6-Plus),并要求它针对每条用户请求或工具调用及其结果,决定如何处理。

✴ 规划器可以保留这些条目,也可以从三种操作中选择一个。(i) “Fold” 会把某个条目收起来。其内容会移动到单独的存储中,同时附上一条简短说明,描述其位置,以便智能体在必要时能够逐字取回。(ii) “Mask” 会就地缩短条目,保留开头和结尾文本,同时删去中间的重复内容,这种方式适合较长的日志。(iii) “Prune” 会删除任务已不再需要的条目,例如失败命令的日志。

✴ Self-GC 会先在历史记录的副本上执行计划中的操作,并丢弃任何可能干扰最近请求或智能体对该请求持续响应的操作。然后,它会计算剩余操作可以节省多少输入 token。

✴ Self-GC 只有在估计到这能降低未来调用模型的总成本时,才会缩短历史记录,包括使用缓存输入所带来的节省。实际上,他们发现,如果能把历史记录至少缩短 30%,这个方案就值得应用,因此在测试中使用了这一经验规则。

●性能表现:开发人员在一个会浏览网页、运行 shell 命令并为小红书用户编辑文档的智能体上测试了 Self-GC。他们把它与遵循固定规则的方法进行了比较,例如删除最早的消息或删除工具输出。Self-GC 删除的历史更少,但更不容易丢失有用信息。为衡量这一点,开发人员回放了真实用户与其智能体之间已经完成的对话。对于每段对话,他们会在进行到一半时暂停,在截至当时的历史记录上运行 Self-GC,并使用 GPT-5.5 判断缩短后的历史是否仍保留了真实对话后续会用到的每一个细节。

✴ 在一组被认为尤其困难的 33 段对话中,Self-GC 删除了 43.95% 的输入 token,并在 84.85% 的情况下保留了必要细节。基于规则的方法删除了 61.90% 到 69.87% 的 token,而保留必要细节的比例为 54.55% 到 69.70%。

✴ 在更大的 332 段对话集合上,Self-GC 删除了 31% 到 34% 的输入 token,同时在三种不同的规划模型(Qwen3.6-Plus、Qwen3.7-Max 和 GLM-5.1)上都能以 91.27% 到 94.58% 的概率保留必要细节,表明 Self-GC 可以与多种 LLM 配合有效工作。基于规则的方法删除了 40.19% 到 47.76% 的 token,而保留必要细节的比例为 77.71% 到 87.46%。

✴ 在一些真实用户账号上进行在线运行时,与未使用 Self-GC 的账号相比,Self-GC 删除了 10% 到 15% 的输入 token。

● 是的, 然而:开发人员的评估测试了 Self-GC 保留重要细节的能力,但没有测试它生成良好输出的能力。一个使用压缩上下文的系统,其输出可能与完整上下文系统包含相同的细节和结果,但未必同样有用。

●重要原因:为了节省成本而压缩上下文会带来风险,即模型可能忘记之后需要的某个细节。知道该保留、删减和移除什么,能让长时间运行的智能体既保持可负担,又不会变得健忘。

● 我们在想:John McCarthy在 1959 年左右创造了“人工智能”一词,并为计算机发明了“垃圾回收(garbage collection)”,以便程序员不必手动管理计算机内存。妥善管理智能体记忆是另一种将 LLM 视为操作系统的方式——也再次说明,软件工程基础对于构建优秀的 AI 应用至关重要!

点击下方阅读原文查看更多有趣内容哦~

阅读原文

跳转微信打开

当 AI 不再只给答案: 豆包工作把办公能力推进到了执行层

2026年9月4日 12:30

原创 Fenng 2026-09-04 12:30 新加坡

体验了一下「豆包工作」这个新产品。

办公一直是 AI 工具最热衷演示的场景:写文案、总结会议、生成 PPT、分析 Excel。问题是,早期产品大多只负责产出内容;整理成文档、写回表格和归档文件,仍然要由用户完成。

豆包的「工作任务」开始接手这些后续步骤。用户给出工作目标后,模型可以拆分任务、调用工具并持续执行,最后交付文档、表格、演示文稿等可以继续使用的文件。

聊天机器人主要看回答得好不好;Agent 还要看任务能不能做完,以及做到一半卡住了怎么办。

先把名字搞清楚:「豆包工作」是个独立的产品

豆包目前有几组容易混淆的名称,有点绕。

豆包开始收费时曾推出「办公任务」,主要变化是增加免费版各项能力的使用额度。「豆包办公」只是外界对「豆包办公任务」的非正式简称。此后,「办公任务」更名为「工作任务」。

豆包工作则是承载这套能力的独立产品,提供可以单独下载的软件客户端。用户也可以在豆包主客户端中使用「工作任务」,或者通过飞书调用。

简单来说,这里涉及三个不同层次:

  • 专业版是收费与额度安排;

  • 工作任务是一种任务执行模式;

  • 豆包工作是独立产品。

三种入口调用的是同一套工作任务能力,主要区别在入口和使用环境。

工作任务开始接手文件和工具操作

字节跳动 Seed 团队在 2026 年 6 月发布 Seed 2.1,强化了模型调用文件、浏览器和外部工具完成长任务的能力。

在工作任务中,模型可以接触本地电脑、浏览器、文档、表格和 Skills,并根据目标选择相应工具。

例如,处理销售数据时,不只是给出几条分析建议,还可以读取原始表格、清洗字段、计算指标、生成图表,再把结果整理成新的文件。制作教学材料时,可以同时处理课程要求、教案、参考资料和演示文稿,而不是停在一份 PPT 大纲上。

资料可能来自网页和 PDF,数据分散在多个 Excel 文件中,结论需要写进 Word,最后再制作成 PPT 或网页。传统聊天式 AI 通常只负责其中一个片段,用户不得不反复复制内容、转换格式并重新补充上下文,既繁琐,也容易遗漏信息。

工作任务在把这些步骤串成一条连续流程。用户仍然需要定义目标、提供材料、确认关键条件并验收结果。是否真正提高效率,也不能只看生成的 PPT 漂不漂亮,还要看材料是否读全、计算是否正确、文件能否继续编辑。

Skills 就是 Agent 手里的工具

豆包工作把文档、表格、PPT、数据分析、可视化、应用生成和录音转写等能力组织为 Skills。

传统软件把功能放在菜单和按钮里,用户需要分别学习不同应用的操作方法。Skills 则把这些能力封装成可以由模型调用的功能模块。用户描述需要的目标任务,模型再判断应当使用哪些 Skills,并把自然语言要求转化为具体操作。

过去要做一份经营分析报告,通常得先在 Excel 中整理数据,再用图表工具实现可视化,最后把结论复制到 Word 或 PPT。现在,模型可以依次自动调用相关能力,把这些步骤组合成一条工作流程。

不必先考虑应该打开哪个软件,只要说清楚要完成什么任务。至于文档、表格和图表工具怎样配合,可以交给模型安排。

这类任务最怕的不是模型回答得慢,而是做到一半突然卡住。文件打不开、登录失效都可能让前面的工作白费,所以执行过程能不能查看,出问题后能不能接着做,会直接影响是否实用。

从生成文件到操作电脑,也要保留接管权

工作任务现在已经把执行范围延伸到本地电脑和浏览器了。

按照现有产品能力,用户可以让模型整理文件、处理本地文档,或者在浏览器中点击和输入。设备授权后,还可以从手机端连接电脑,继续桌面端尚未完成的任务。

比如,我现在已经开始在豆包工作中使用这样的提示词:

    请对我的 macOS 系统做一次全面的进程安全审计。检查是否存在危险、可疑
    或未授权的进程。

    Agent 开始操作浏览器和本地电脑以后,权限就不能含糊。哪些内容可以读取,哪些文件可以修改,涉及删除、支付和发布时是否必须确认,都应该让用户看得见。

    翻看了下豆包的说明,任务模式可能通过浏览器访问网站、理解页面内容并执行点击和输入。遇到登录或安全验证时,部分步骤仍然需要用户接管。对于已经登录的网站,系统在一定条件下也可能调用仍然有效的本地登录状态继续执行。用户可以终止任务,并管理相关 Cookie 设置。

    让 AI 写错一段文案,代价通常有限;让其整理本地文件、操作账号、发布内容或调整系统设置,错误可能造成文件丢失、信息泄露、误发布甚至账号风险。

    有没有用,拿一项真的工作试试

    豆包工作覆盖的场景很多,包括文档、表格、PPT、会议纪要、教学备课、电商运营、学术研究、金融分析、网页制作和电脑维护。

    场景列表再长,也不能证明产品适合每个人。最直接的检验方法,是拿一项真实工作进行验证。

    我更愿意拿一项每周都要重复的工作试它,比如整理会议资料、汇总销售表格,或者把几份文件合成一份报告。

    豆包工作生成的报告示例,部分

    我首先看材料有没有读全,计算能不能复核。最后拿到的还应该是一份可以继续修改的文件。如果一个任务原来需要在四五个软件之间反复切换,现在能够在一条流程里完成,节省下来的时间就是真正的收益。

    Agent 可以负责收集资料、转换格式和完成初步分析,我倒是觉得多数时候都比人工(我自己)做得好多了。

    对于复杂任务,如果觉得处理效率不够,那么刚发布的「多 Agents 并行」就可以派上用场:

      使用「多 Agents 并行」能力,
      分析附件《2025 年我国卫生健康事业发展统计公报》。


      安排 4 个子 Agent 同时工作:


      1. 数据 Agent
      提取 2024—2025 年核心指标。
      包括医疗机构、床位、卫生人员、卫生费用、诊疗量、入院量和患者费用,
      并计算同比变化。


      2. 医疗服务 Agent
      分析卫生资源、医疗服务量、基层医疗、公立与民营医院、中医药服务
      及患者费用的主要变化。


      3. 公共卫生 Agent
      分析疾病控制、妇幼健康、老龄化、食品安全、人口与托育等内容,
      提炼值得关注的指标。


      4. 复核 Agent
      检查数据、单位、同比和统计口径,区分百分比与百分点,核对正文与表格
      是否一致,指出不能从公报直接得出的结论。


      所有 Agent 完成后,由主 Agent 汇总,生成一份简洁的分析报告,包含:
      - 300 字以内的摘要;
      - 8—10 项关键发现;
      - 一张 2024—2025 年核心指标对比表;
      - 4—6 张清晰的数据图表;
      - 三项值得关注的结构性变化;
      - 数据口径、限制及需要谨慎解释的地方。


      要求:
      - 每项重要数据注明页码或表号;
      - 不得虚构数据或擅自推断因果关系;
      - 严格区分人数、人次、机构数、床位数、百分比和百分点;
      - 2025 年卫生总费用须注明为初步推算数;
      - 最终生成一份可编辑的 Word 报告,并将数据图表插入报告。

      别着急讨论谁替代谁,先让它干点活儿

      过去使用办公 AI,更像随时找个人帮忙写几段文字。到了豆包工作,开始能打开文件、调用工具,把后面的步骤一起做完。

      对每天在网页、Excel、Word 和 PPT 之间搬运资料的人来说,能够少做几轮复制、粘贴和格式转换,就已经是很具体的价值。

      对正在寻找 AI 落地场景的创业者和公司管理者,与其继续开会讨论 AI 能替代哪些岗位,不如先选一条真实、可控的工作流程,付费让团队用上一段时间。

      拿点原本要自己加班干的活儿,交给豆包工作试试。好不好用,跑几次就知道了。


      提醒:现在下载豆包工作,然后用豆包或飞书登录,有免费一个月会员的羊毛可以薅。

      跳转微信打开

      ❌