铃阅时讯
❌

阅读视图

Seed2.1 正式发布,深入 AI 生产力

原创 字节跳动Seed 2026-06-23 12:28 北京

Agent & Coding 能力全面提升,复杂场景交付稳定

Seed 模型系列始终致力于挖掘用户真实需求,激发用户创造力。Seed2.0 发布后,我们持续跟踪用户反馈,并观察到,用户对模型的期待进一步指向更可靠的响应和更稳定的交付。

在此背景下,我们很高兴向你介绍 Seed2.1 系列,面向真实生产力场景的全新智能体。Seed2.1 以解决日常生活、专业工作和前沿探索中的复杂需求为研发目标,持续引入内外部用户和开发者的反馈,并结合真实案例校准模型优化方向;评估上,我们也更关注模型在实际工作流中的表现,而非仅依赖静态基准分数。

我们将从以下三个维度,向你介绍 Seed2.1 的真实能力:

  • 更可靠的通用 Agent 能力:Seed2.1 通用 Agent 能力显著提升,并进一步强化跨工具、跨环境的任务交付能力。在面对高经济价值的办公任务和个人生活的复杂咨询时,可稳定完成项目规划、文件处理、工具调用等多步骤任务,产出可落地的结果。

  • 更稳定的代码工程交付能力:Seed2.1 提升了 Coding 的端到端交付能力,可在真实企业级开发任务中完成需求理解、功能实现、bug 修复、运行环境搭建和结果验证等任务,形成稳定交付。

  • 更强劲的多模态等基础能力:Seed2.1 在多模态理解、知识、推理等基础能力上进一步提升,对复杂视觉信息和视频内容处理更准确,为 Agentic 场景、代码工程和前沿探索提供基础支撑。

Seed2.1 系列模型已在豆包产品和 TRAE 上线,同时,该系列模型 API 已同步上线火山引擎,欢迎大家体验、反馈。

项目主页(含 Model Card):

https://seed.bytedance.com/seed2_1

体验入口:

1)豆包电脑版或豆包 App 选择 “办公任务” 模式

2)TRAE Work 或 TRAE IDE 内置模型选择 Doubao-Seed-2.1-Pro 或 Doubao-Seed-2.1-Turbo

3)火山方舟体验中心选择 Doubao-Seed-2.1-Pro 或 Doubao-Seed-2.1-Turbo

通用 Agent 能力显著提升

执行复杂任务更可靠

当模型进入生产力场景,用户需要的不只是一次回答,而是模型能够围绕目标持续推进任务,并产出可用结果。围绕这一方向,Seed2.1 进一步强化了通用 Agent 能力,无论是面向高经济价值的工作任务还是面向个人生活的复杂咨询,模型都能可靠交付。

面向高经济价值的工作任务,过去,用户可能需要咨询外部顾问、专业服务团队来辅助完成;现在,模型可以参与资料分析、方案设计、内容规划和结果整理,帮助用户推进原本需要专业支持的工作,实现降本增效。

Seed2.1 在 Workspace Bench、Agent Startup Bench 基准上表现稳定,Seed2.1 Pro 在 GDPval 基准上获得最高分。其中,Workspace Bench 关注工作中对于复杂文件的信息检索、关联理解和结果生成;Agent Startup Bench 通过调研、访谈真实的 AI 原生创业公司,结合专家意见综合评估模型的回答质量;GDPval 则衡量模型在真实世界工作任务中的完成质量和经济价值。评测结果说明,Seed2.1 在贴近真实工作任务的 AI 工作流中,能够在复杂材料和任务目标之间建立联系,并产生具有经济收益的交付。

此外,在更高难度、更专业的任务上,Seed2.1 也有较好表现。其中,Seed2.1 Pro 在 Agents' Last Exam(ALE)基准评测中,处于当前参评模型的第一梯队水平,体现出在复杂专业任务上的较强竞争力。值得注意的是,该评测发布不久,各模型短期内难以针对该测试进行充分定向优化,能够更真实地衡量模型面对新任务场景时的泛化能力。该结果表明,Seed2.1 所具备的任务规划、工具使用、长程执行、信息整合与结果交付等通用 Agent 能力,能够较好地迁移到此前未见的高门槛专业工作流中。

Agents' Last Exam 基准评测中,左侧为完整通过率,右侧为平均综合得分

面向个人生活中的复杂咨询场景,Seed2.1 系列模型回复的质量和可靠性进一步提升。

这类需求往往不是简单问答,用户会同时提供咨询背景、过往记录、行业报告等多种信息,内容也分布在文档、PDF、图片等不同格式中,形成一个需要综合推理、判断、建议的复杂咨询场景。

Seed2.1 在 xDailyBench、Doubao Multi-Turn Bench 等基准上表现稳定,在 Toolathlon、SeedClawBench 等基准上保持竞争力。这说明模型在日常生活、学习研究等 30 多个垂类场景中,都能更好地理解真实用户需求,并结合用户偏好给出高质量的建议,必要时还能调用不同工具、使用合适的 Skill,产出可靠回复。

SeedClawBench 是由 Seed 自主开发的内部基准,用于评估在 OpenClaw 风格、面向用户的场景中,Agent 提供实际辅助的能力

围绕教学、通用办公和专业研究等场景,Seed2.1 能稳定输出教案 PPT、完成复杂表格分析、生成行业报告

此外,基于稳定的视觉理解能力,Seed2.1 能够在复杂任务中更好地处理视觉信息、理解用户目标,并推进后续执行与交付。Seed2.1 在 Claw-Eval (MM) 等 Visual Agent 相关基准上整体表现出较强的竞争力。这意味着模型不仅能够理解文档、视频、图片、空间结构等复杂的视觉信息,还能围绕任务目标对视觉信息进行整理和分析,并形成可交互、可交付的 Agent 结果,例如基于多视角图像生成平面户型图,或根据视觉信息完成信息检索、内容生成和代码编写等任务。

Image2FloorPlan 为内部自建评测集,考察的任务为理解多张真实照片并绘制平面户型图

在面向专业生产力场景的探索中,我们发现,真实工作流并非发生在某一个固定界面里,而是需要在聊天、搜索、浏览器、代码仓库、文件和外部工具之间切换。因此 Seed2.1 进一步面向通用型 Computer-Use Agent (CUA) 方向优化,让模型能更稳定地在跨环境、跨工具和跨交互方式的任务中持续推进。

其中,面对手机 GUI 任务,模型需要理解屏幕内容、判断下一步操作,并完成点击、输入、切换应用等连续动作,Seed2.1 在 MobileWorld 基准中取得最高分,说明其在手机端任务中能够更稳定地推进操作。同时,模型在 OSWorld 上保持竞争力,并通过强化学习,引导 Agent 自然地在 GUI 和非 GUI 动作空间之中切换最优选择,将完成任务所需的平均步数减少 16%,进一步提升任务执行效率。

此外,Seed2.1 在 CreativeWork 基准上同样表现突出。该基准覆盖了 Notion、Canva 和 Figma 三类具有代表性的环境,意味着模型在文档管理、视觉设计和界面编辑等多种任务中,都能理解复杂目标、分解执行步骤,并在工具调用与 GUI 交互之间自主切换,稳定地完成任务。

CreativeWork 是 Seed 自研的基准,用于评估 Agent 在真实生产力场景中协同使用 GUI 与 MCP 工具的能力

Coding 端到端能力大幅强化
企业生产场景交付稳定

聚焦到 Coding Agent 方向,Seed2.1 结合了公开基准、众测开发者反馈和内部评测综合评估模型表现。其中,公开基准主要关注模型在通用代码任务上的能力边界,而众测开发者反馈则更能反映模型在真实工程场景中的实际价值。

在公开基准中,Seed2.1 Pro 在 ProgramBench 基准上保持竞争力,说明模型具备从零开始完成系统级工程的能力,可独立完成软件系统的架构设计与代码实现。

同时,Seed2.1 Pro 在 NL2Repo-Bench 基准上表现良好,该基准主要评估模型将自然语言需求转化为仓库级代码改动的能力,更接近真实软件工程场景。评测结果说明,Seed2.1 能理解整个代码仓库的架构、依赖关系和业务逻辑,并进行多文件协同修改,最终交付可维护、可运行的工程化代码。

在众测开发者评估中,我们邀请开发者基于真实代码仓库提交工程任务,并对匿名模型输出进行比较。结果显示,在更贴近真实 Coding 流程的任务中,Seed2.1 在最终完成质量上获得更高评价。其中,Seed2.1 Pro 相比 Claude Opus 4.6 获得 59.1% 胜率。

此外,Seed2.1 Preview 版本还在近期参与了前端场景的人类偏好评测。在 Code Arena: Frontend 榜单中,模型以 1539 分排名第 8,并在 7 个前端子类别中的 5 个进入前 10。

多模态理解等基础能力持续领先

进一步服务 Agentic 场景

Seed2.1 不断深化多模态能力,在各类视觉和视频理解任务上,多项评测集取得 SOTA 结果,保持业界领先水准,并进一步服务 Agentic 场景。

面向视觉理解场景,Seed2.1 Pro 在 CharXiv-RQ、MeasureBench 等多个基准上取得最高分,体现出模型在复杂文档理解、图表读取、数值识别和视觉细节判断上的进一步提升。这类能力可以帮助模型在处理 PDF、报告、图表和多页材料时减少误读,增强对非结构化信息的感知。

Seed2.1 还在 ERQA 基准上取得最佳成绩,说明模型空间理解能力进一步增强,可更好地支撑面向现实环境 Agent 任务。

此外,模型在 MMLongBench-128K 长上下文基准上表现突出,说明模型能够处理长文档、多页材料和更长链路的任务信息,帮助 Agent 在更完整的上下文中稳定推进复杂任务。

面向视频理解场景,Seed2.1 Pro 在 TVBench、TOMATO 基准上取得业界高分,说明模型对时序变化、动作和物理运动的理解更加准确。

Seed2.1 还在持续提升处理小时级别长视频的能力,识别与理解的准确性进一步提高,在 VideoMME、LVBench 等多个基准中取得高分,为长视频检索、影视剧剪辑等场景奠定扎实基础。Seed2.1 的流式视频能力也进一步加强,在 OVBench 等基准中表现突出,能在实时视频通话、会议录屏回看、视频分析等场景中协助用户高效理解内容。

Seed2.1 可基于长视频输入完成理解、剪辑以及解说一键成片,自动产出精华解说视频

除多模态理解能力外,Seed2.1 在世界知识、推理和多语言能力等基础能力上也进一步提升。其中,模型在 SciCode 和 FrontierScience-Olympiad 等基准中表现良好,说明它在科研代码、高难科学问题等更具挑战的任务中,也能保持稳定的推理表现。Seed2.1 还进一步增强了多语言能力,能更好地理解不同文化语境下的知识问题,支持更多国际化使用场景。

MSQA 为内部多语言基准测试,旨在评估跨越 11 种主要语言的特定文化知识

Seed2.1 还在不断探索科研、计算机科学、物理与科学计算、高阶数学等更加开放的研究场景。其中,模型在 FrontierScience-Research 等前沿研究基准上保持竞争力。

在物理与科学计算方面,Seed2.1 能够综合理解领域理论、数值公式和数据文件,将科学问题转化为可执行、可验证的计算流程,并根据验证反馈迭代修正结果。在数学研究方面,模型还能帮助数学家搜索构造、测试证明思路,降低构造性论证中的试错成本,进一步支持探索性的数学研究。

此外,随着 Agent 能力从对话走向真实工作流,模型研发场景也在发生变化:模型不再只是被评测、被训练和被优化的对象,也开始参与模型研发流程本身。

我们持续推进 Seed for Seed 研发方向:让 Seed2.1 不只服务外部研发与业务场景,也进一步进入评测、数据、训练、研究和 Infra 等关键环节,参与真实研发任务,并在提升研发效率的过程中反哺模型能力迭代。

在实际场景中,Seed2.1 以 Agent 形式参与评测系统构建、能力诊断、SFT 数据合成、RL 训练框架优化,以及将最新研究论文中的关键方法落到代码和实验中验证等工作。这些任务往往跨越数小时、十几个小时甚至数十天。Agent 需要持续读取中间结果,分析问题、调用工具执行修改,并根据实验反馈反复验证和迭代。

在更复杂的任务中,多个 Agent 还可以协同分工,分别承担执行、评估、诊断和优化等角色,将复杂研发任务拆解为可持续推进的工作闭环,从而提升模型研发链路的整体效率。

Seed for Seed 研发流程示意图

总结与展望

面向真实场景中的生产力价值,Seed2.1 的 Agent 执行能力和 Coding 任务的交付稳定性均有较大提升。同时,我们也注意到,在最具挑战性的开放任务以及前沿研究问题求解上,模型能力仍有提升空间。

未来,我们会继续在以下方面持续优化:

  • 深入调研专家用户的真实需求,进一步提升专业工作流覆盖;

  • 持续优化 Harness 与模型的协同,让模型在复杂的工作流中稳定发挥作用;

  • 通过让模型参与训练,并进行自主研究,加速模型迭代;

  • 持续打磨模型的行为模式,提升用户体验。

沿着这些方向,Seed 系列模型将继续追求智能上限,并不断面向真实场景迭代。

阅读原文

跳转微信打开

  •  

从 OpenClaw 到 FastClaw:如何设计优秀的多 Agent 架构

原创 idoubi 2026-06-23 00:43 广东

好的 Agent 架构不是把所有功能塞进一个进程,而是让每一层都能独立演化。

❝

做了一年 Agent 基础设施,踩了无数坑,我终于想明白了一件事:好的 Agent 架构不是把所有功能塞进一个进程,而是让每一层都能独立演化。

前言

2026 年初,OpenClaw 爆火 —— 一个自托管的 AI 助理。它本质是一个跑在你自己机器上的 Agent 网关(Gateway),通过 Telegram、Discord、Slack、飞书等你已经在用的聊天软件接入,能真正替你干活:收发邮件、管日程、浏览器自动化、执行命令。

OpenClaw 支持多端接入、记忆系统、技能市场(ClawHub)、多 Agent 协作,甚至 A2A(Agent-to-Agent)——功能很全。

为了用上 OpenClaw,我买了台 Mac Mini,日常通过手机发指令,做了很多项目,效率很高。

为了让其他人也用上 OpenClaw,我做了个托管服务,帮 500 多个用户部署了专属的龙虾,跑在云端的一套 K8S 集群上。

在自用和做托管服务的过程中,我对 OpenClaw 的架构设计越来越了解,也发现了很多问题。为了解决这些问题,我认为必须从底层架构全新设计,而不是在 OpenClaw 的基础上魔改。

我决定做一个更好的 Agent 框架:FastClaw,面向云原生多租户场景设计,更快、更轻量、更好用。

这篇文章记录了我对 OpenClaw 架构的理解,以及我对 FastClaw 架构设计的经验总结。

一、OpenClaw 做对了什么

OpenClaw 虽然有不少问题,但它在产品方向上的探索是超前的。回头看,有几个创新点是真正有价值的。

1. 多端接入:随时随地和 Agent 交互

OpenClaw 支持极广的 IM 接入——Telegram、Discord、Slack、WhatsApp、Signal、iMessage、飞书、Matrix、Microsoft Teams 等,外加 Web Chat 和 CLI。用户可以在任何地方和自己的 Agent 对话。

这个设计的核心洞察是:Agent 不应该被困在一个 App 里。你写代码的时候用终端,开会的时候用飞书,摸鱼的时候用 Telegram——Agent 应该无处不在。

2. SOUL 机制:让 Agent 有"人味"

OpenClaw 引入了 SOUL.md 的概念——一个定义 Agent 人格、语气、价值观的配置文件。不是冷冰冰的 system prompt,而是一份精心调教的"灵魂"。

这带来了两个意想不到的好处:

  • 用户粘性暴涨:当 Agent 有了固定人设,用户会产生情感连接,留存率比纯工具型 Agent 高几倍

  • Agent 可复制:同一套 SOUL 文件可以给不同模型用,换模型不换人设

3. 记忆检索:越用越懂你

OpenClaw 的记忆系统分两层:

  • 长期摘要:MEMORY.md,一份精简的长期记忆摘要,作为 project context 注入提示词

  • 每日明细:memory/*.md 每日文件,平时不进上下文,靠 memory_search / memory_get 工具按需检索,不占 token

配合 SOUL.md(人设)、USER.md(用户信息)等文件,Agent 可以记住你的偏好、习惯、常用工具,真正做到"越用越懂你"。

4. 主动通知:从被动响应到主动服务

传统 Agent 是"你问我答"。OpenClaw 加了 Cron Job 和心跳机制后,Agent 可以:

  • 每天早上 8 点给你发天气和日程提醒

  • 监控 GitHub PR 状态,有更新自动通知

  • 定期检查博客评论,筛选有价值的反馈

这是 Agent 从工具进化为助理的关键一步。

5. 对话式安装:养成式体验

OpenClaw 的 Skill 安装不是"去应用商店下载",而是在对话中直接说"帮我装一个翻译技能",Agent 自己去搜索、安装、配置。

这种对话即操作的范式降低了使用门槛,也让 Agent 有了一种"养成"的感觉——你在训练它、给它装新技能。

6. 多 Agent 协作:团队模式

OpenClaw 支持同时运行多个 Agent,每个 Agent 有不同的专长:

  • 一个负责写代码

  • 一个负责写文档

  • 一个负责 Code Review

  • 一个负责部署上线

这些 Agent 在单个 Gateway 进程内相互隔离运行,每个有独立的 workspace、状态目录(agentDir)和会话历史,通过 multi-agent routing 把消息分发给对应的 Agent。

二、OpenClaw 的架构

OpenClaw 采用的是 Node.js 单体架构,核心组件包括:

配置方式:一个 ~/.openclaw/openclaw.json 文件管所有——LLM Provider、Channel Token、Plugin 配置、Skill 列表、默认参数……全在一个 JSON 里。

存储方式:文件系统为主,Session 存 JSON 文件,Memory 存 Markdown,Skills 存目录。

运行方式:openclaw start 启动一个 Node.js 进程,Gateway 挂载所有 Channel 和 Plugin,一荣俱荣一损俱损。

三、OpenClaw 的不足

作为一个个人助理工具,OpenClaw 是够用的。但作为一个要服务多人的生产级 Agent 平台,它有致命缺陷。

1. 缺少平台级多租户:隔离粒度太粗

OpenClaw 的隔离是围绕"Agent"设计的——Session、Memory 都按 agent / workspace 隔离,但没有"用户(account)"这层抽象。要真正隔离,得"一人一 Agent"。

也就是说,同一个 Agent 没法安全地服务多个互不信任的用户——做托管只能给每人单开一套,成本高、浪费大。缺的不是会话隔离,而是平台级多租户。

2. Gateway 是单点故障

所有 Channel、所有 Plugin、所有 Agent 的运行时都挂在同一个 Node.js 进程里。一个 Plugin 内存泄漏,整个 Gateway 崩溃;一个 Channel 的 API 超时,所有 Channel 都卡住。

没有隔离,就没有可靠性。

3. 默认上下文偏重,Token 容易失控

OpenClaw 每轮都会把一组 bootstrap 文件——SOUL.md、MEMORY.md、AGENTS.md、工具说明——注入提示词。文件一多、对话一长,system prompt 越堆越大。

它也做了优化(memory/*.md 按需检索、cron 用隔离 session 把每轮压到 ~2-5K token),但默认配置对 token 不够敏感,bootstrap 写得啰嗦,账单就很可观。钱烧得心疼。

4. 资源占用大

Node.js + 一堆 npm 依赖 + 文件系统 I/O,idle 状态就吃 500MB+ 内存。加上 Sandbox(Docker 容器),一台 4GB 的小机器跑得喘不过气。

5. 云原生不友好

  • 配置和状态都落在本地文件系统(~/.openclaw/),多 Pod 之间没法共享同一份配置和会话,天然单机

  • 存储是文件系统,没法水平扩展

  • 部署形态是"一个有状态进程",缩容、迁移、滚动更新都得小心翼翼地保住本地数据

6. 臃肿的 npm 依赖树

node_modules 有 800MB+,构建时间 3 分钟+。每次更新依赖都像开盲盒——不知道哪个包会炸。

7. Web UI 体验差

OpenClaw 的 Control UI 和 CLI 其实共享同一份 ~/.openclaw/openclaw.json(都走 config.get / config.set / config.apply,还有 base-hash guard 防并发覆盖),配置层面是一致的——这点没问题。

问题在体验:Web UI 界面粗糙,配置项藏得深,想在网页上完整跑通一次 Agent 配置并不顺手。对一个想拿出去给用户用的产品来说,"能用但不想用"就是劝退。

8. 安全模型只为"单机单操作者"设计

OpenClaw 的安全边界是"信任操作者本人",不是"在不可信用户之间做隔离"。默认值都是按这个前提来的:

  • 宿主机执行默认全开:exec 默认 full + 免审批、沙盒默认关闭,Agent 能直接在宿主机跑任意命令、读写文件——文档也承认这是"单操作者场景的有意 UX"

  • Prompt injection 未解决:system prompt 只是软提示,一条恶意消息就可能让 Agent dump 文件、跑命令

  • 密钥明文、Session 不加密、Plugin 主进程内运行、无 per-user RBAC

自己单机用足够安全;但要做成多人平台,exec 沙盒、密钥加密、租户级 RBAC、注入防护,每一层都得从头补。

四、如何设计更好的 Agent 框架

FastClaw 的设计原则很明确:轻量、快速、云原生。

1. 云原生优先

# 一行命令安装,单二进制文件
curl -fsSL https://raw.githubusercontent.com/fastclaw-ai/fastclaw/main/install.sh | bash
#
 零配置启动(纯环境变量)
FASTCLAW_PORT=18953 fastclaw
#
 K8s 部署就是一个 Deployment + Secret
  • 没有本地配置文件:Bootstrap 参数全部走环境变量,运行时配置通过 Dashboard 或 CLI 写入数据库

  • SQLite → Postgres:FASTCLAW_STORAGE_DSN 一个环境变量切换存储后端,本地用 SQLite,生产切 Postgres

  • S3 对象存储:FASTCLAW_OBJECT_STORE_* 环境变量接入 S3,多 Pod 共享 Skills 和文件

2. 多租户与 RBAC

OpenClaw 是"一个人的工具",FastClaw 是"一群人的 Agent 平台"。

用户模型:
├── super_admin    — 平台管理员,全权限
├── user           — 普通用户,管理自己的 Agent
├── app_user       — 应用端用户(通过 API 懒创建)
└── channel_user   — IM 渠道用户(Telegram/Discord 登录)

四层配置继承:

system (全局默认)
  → user (用户级覆盖)
    → agent (Agent 级覆盖)
      → (user, agent) (特定用户对特定 Agent 的定制)

内层配置自动覆盖外层,同名 Provider 配置整条替换。这意味着:

  • 管理员配一个默认的 OpenAI Key,所有用户直接用

  • 某个用户想用自己的 Key,覆盖一层就行

  • 某个 Agent 需要特定模型,再覆盖一层

  • 互不干扰,天然多租户

3. 会话隔离

每个 Session 的 key 是 (user_id, agent_id, channel_type, chat_id) 四元组。同一个 Agent 被 100 个用户使用,每人看到的都是自己的记忆和历史。

X-Fastclaw-End-User Header 让 SaaS 层可以透传终端用户身份,FastClaw 自动为每个 (api_key, external_id) 对创建隔离的内部用户。零代码改造,接入即多租户。

4. 高并发

Go 的 goroutine 天然适合高并发场景。FastClaw 的 Session Manager 可以同时处理数千个会话而不会互相阻塞。

关键设计:Session 是无状态的,状态在数据库里。 每次请求从 DB 加载上下文,处理完写回。这意味着:

  • 任意一个 Pod 可以处理任意一个请求

  • 水平扩展只需加 Pod

  • 单个 Pod 挂了不影响其他会话

5. 单二进制分发

# 编译产物就是一个二进制文件,约 30MB
make build
ls -lh bin/fastclaw
# -rwxr-xr-x  1 user  staff  30M  fastclaw
# 交叉编译
make release-local
# → dist/fastclaw-darwin-amd64
# → dist/fastclaw-linux-amd64
# → dist/fastclaw-windows-amd64.exe

没有 node_modules,没有运行时依赖,没有构建步骤。下载、chmod、运行,三步搞定。

6. 内存占用低

对比 OpenClaw(Node.js)和 FastClaw(Go)的 idle 内存占用:

场景

OpenClaw

FastClaw

Idle(空载)

~500MB

~30MB

1 个活跃会话

~600MB

~50MB

10 个并发会话

~1.2GB

~80MB

100 个并发会话

OOM

~200MB

Go 编译为原生机器码,没有 GC 停顿,没有 JIT 预热。同样的硬件,能扛 10 倍流量。

7. 插件隔离

OpenClaw 的 Plugin 跑在主进程里,一个 Plugin 崩了整个 Gateway 挂。

FastClaw 的 Plugin 通过 JSON-RPC 子进程 隔离运行:

FastClaw Gateway ←→ JSON-RPC (stdin/stdout) ←→ Plugin Process
  • Plugin 崩溃不影响 Gateway,自动重启子进程

  • Plugin 没有文件系统访问权限(除非显式授权)

  • 还提供了 openclaw-plugin-bridge,可以兼容 OpenClaw 的 TypeScript Plugin 生态

8. 工具 Provider 的 Fallback 机制

FastClaw 对外部工具(Web Search、Image Gen、TTS 等)设计了统一的 Provider + Fallback Chain 架构。

比如 Web Search 配置了 Tavily 为主、SerpAPI 为备,Tavily 限流了自动切 SerpAPI,用户无感知。

五、FastClaw 的架构设计

整体架构

┌──────────────────────────────────────────────────────┐
│                    FastClaw Gateway (Go)              │
│                                                      │
│  ┌──────────────────────────────────────────────┐    │
│  │              HTTP API Layer                   │    │
│  │  /v1/chat/completions (OpenAI 兼容)          │    │
│  │  /api/chat/stream     (SSE 流式)             │    │
│  │  /api/agents          (Agent CRUD)           │    │
│  │  /api/config          (Provider 管理)        │    │
│  │  /api/skills/install  (Skill 安装)           │    │
│  │  /api/apikeys         (API Key 管理)         │    │
│  └───────────────────┬──────────────────────────┘    │
│                      │                               │
│  ┌───────────────────▼──────────────────────────┐    │
│  │            Scope Resolution                  │    │
│  │  system → user → agent → (user, agent)       │    │
│  │  四层继承,内层覆盖外层                        │    │
│  └───────────────────┬──────────────────────────┘    │
│                      │                               │
│  ┌───────────────────▼──────────────────────────┐    │
│  │            Agent Runtime                     │    │
│  │  ┌────────┐ ┌────────┐ ┌────────────────┐   │    │
│  │  │Session │ │Memory  │ │Tool Providers  │   │    │
│  │  │Manager │ │(MD+DB) │ │(Fallback Chain)│   │    │
│  │  └────────┘ └────────┘ └────────────────┘   │    │
│  │  ┌────────┐ ┌────────┐ ┌────────────────┐   │    │
│  │  │Skills  │ │Sandbox │ │Plugin System   │   │    │
│  │  │Loader  │ │(Docker │ │(JSON-RPC 子进程)│   │    │
│  │  │        │ │ /E2B)  │ │                │   │    │
│  │  └────────┘ └────────┘ └────────────────┘   │    │
│  └──────────────────────────────────────────────┘    │
│                      │                               │
│  ┌───────────────────▼──────────────────────────┐    │
│  │              Channel Layer                    │    │
│  │  Telegram │ Discord │ Slack │ Feishu │ Web    │    │
│  └──────────────────────────────────────────────┘    │
└──────────────────────┬───────────────────────────────┘
                       │
         ┌─────────────┼─────────────┐
         ▼             ▼             ▼
    ┌─────────┐  ┌──────────┐  ┌──────────┐
    │ SQLite  │  │ Postgres │  │    S3    │
    │ (本地)  │  │ (生产)   │  │ (对象存储)│
    └─────────┘  └──────────┘  └──────────┘

1. 存算分离

FastClaw 最核心的架构决策是存算分离:

计算层(Gateway):

  • 无状态,可以水平扩展

  • 处理 LLM 调用、工具执行、Session 管理

  • 任意 Pod 可以处理任意请求

存储层(Database + Object Store):

  • SQLite(单机)或 Postgres(集群)

  • S3 存储 Skills、Agent 文件等二进制数据

  • 数据库是唯一真相源

这意味着:

  • 数据持久化不依赖进程生命周期

  • 可以随时换存储后端(SQLite → Postgres 一行配置)

  • 多 Pod 共享同一个数据库,天然支持水平扩展

2. 基于 Scope 的配置继承

FastClaw 基于 Scope 实现配置的链式继承

这带来了极高的灵活性:

  • 管理员设置全局默认模型为 gpt-5,所有新用户直接能用

  • 用户 A 偏好 claude-opus,覆盖一层

  • 用户 A 的"写作助手"Agent 需要 claude-fable5,再覆盖一层

  • 不需要代码变更,不需要重启,不需要额外配置文件

3. Fallback 容错

FastClaw 对所有外部依赖都做了 Fallback:

LLM Provider Fallback:

主模型 (claude-sonnet) → 备用模型 (gpt-4o) → 最后防线 (本地 ollama)

Tool Provider Fallback:

Web Search: Tavily → SerpAPI → 直接抓取
Image Gen:  Replicate → 本地 SD
TTS:        ElevenLabs → Fish Audio

Sandbox Fallback:

Docker (本地) → E2B (云端) → 无沙盒模式 (受限)

每一层 Fallback 对上层透明,LLM 不知道具体用的是哪个 Provider,用户也不需要关心。

六、FastClaw 的定位与使用场景

FastClaw 不只是一个"更好的 OpenClaw"。它有四个递进的定位:

1. Assistant:更好的个人助理

你可以在电脑上一行命令安装 FastClaw👇

curl -fsSL https://raw.githubusercontent.com/fastclaw-ai/fastclaw/main/install.sh | bash

可视化配置 FastClaw,替代 OpenClaw,Hermes Agent 日常使用。

可接入常用的 IM 软件:

适合:个人用的 AI 助手、Telegram Bot、Discord Bot、飞书机器人、微信 ClawBot。

2. Factory:Agent 制造工厂

你可以在 cloud.fastclaw.ai 云平台创建自己的 Agent

自定义 Agent 的 SOUL、技能、模型。

适合:Skills 创作者、提示词工程师,创建个性化 Agent,自用或分享给朋友使用。

3. Runtime:Agent 运行时

你可以把 FastClaw 作为 Agent Runtime,导出 API 给其他 Agent 产品使用。

比如 weclaw.im 就是把 FastClaw 作为 Backend 的一个 Agent 应用,只做前端交互,一小时上线。

适合:想快速开发 Agent 产品的开发者,无需实现 Agent Loop、Sandbox 等运行时逻辑。

4. Platform:Agent 协作平台

可以把 FastClaw 作为团队版的 OpenClaw,搭建 Agent 协作平台。团队共享知识库、Skills。

适合:需要私有化部署 Agent 平台的企业。只需一台内网服务器,快速部署,无限多开 Agent。

七、多 Agent 框架设计经验总结

在做 FastClaw 的过程中,我总结了几条经验。

1. 先做单租户,但架构要预留多租户

OpenClaw 一开始就做单租户,后来想加多租户发现要改的东西太多,几乎等于重写。FastClaw 从第一行代码就设计了 (user_id, agent_id) 的隔离模型,即使一开始只有一个人用,后续扩展也不需要改架构。

多租户不是功能,是架构决策。越早做越省事。

2. 存储决定一切

OpenClaw 用文件系统存数据,简单直接。但当你要做多实例部署、水平扩展、数据备份时,文件系统就是噩梦。

FastClaw 用数据库作为唯一真相源(SQLite 本地开发,Postgres 生产),文件系统只存 Skills 目录(可以通过 S3 共享)。

永远用数据库存状态。文件系统只存"内容"(代码、文档、配置文件),不存"状态"(Session、用户、权限)。

3. 隔离是可靠性的前提

OpenClaw 所有功能跑在一个进程里,一个组件出问题全盘崩溃。FastClaw 用子进程隔离 Plugin,用 Docker/E2B 隔离代码执行,用数据库事务隔离并发写入。

如果两个组件的故障域不同,就不要让它们共享进程。

4. Fallback 不是可选项,是必需品

LLM API 会限流、会宕机、会涨价。Web Search API 会超时。Image Gen 会排队。如果你的 Agent 在任何一个外部依赖挂掉时就完全不能用,那你的 Agent 就是玩具。

FastClaw 的每个 Tool Category 都有 Fallback Chain,主 Provider 挂了自动切备用,用户无感知。

生产级 Agent 必须对所有外部依赖做 Fallback。没有例外。

5. Token 是钱,上下文是金

OpenClaw 把所有上下文一股脑塞进每次请求,token 消耗居高不下。后来我学到:

  • SOUL 文件要精简:500 token 以内够了,不需要把整本说明书塞进去

  • Memory 按需检索:不要全量注入,用 embedding 检索相关记忆

  • Session 要摘要:长对话定期压缩,保留关键信息丢弃冗余

  • Tools 说明要分层:常用工具详细说明,不常用的只放名字

上下文管理是 Agent 的核心竞争力。会省 token 的 Agent 才能活下去。

结语

从 OpenClaw 到 FastClaw,本质上是从"做一个很酷的开源项目"到"做一个能跑在生产环境的平台"的思维转变。

OpenClaw 验证了方向——多端接入、SOUL 机制、记忆系统、多 Agent 协作,这些都是对的。

FastClaw 解决了工程问题——单租户、单点故障、资源浪费、不可扩展,这些都是要修的。

好的架构不是设计出来的,是迭代出来的。在迭代之前想清楚存算分离、多租户隔离、Fallback 容错这三件事,你会省下很多时间。

如果你也在做 Agent 基础设施,希望这篇文章能帮你少走一些弯路。

欢迎体验 fastclaw.ai,免费开源。

https://github.com/fastclaw-ai/fastclaw

欢迎 fork,感谢 star。

阅读原文

跳转微信打开

  •  

纳逗Pro全链路赋能、专项免费算力支持!爱奇艺AI影视创作营第二期来了

爱奇艺技术产品团队 2026-06-22 15:19 北京

新增实战派导师 头部制作平台加持

当下,AI技术大幅降低了影像创作的入门门槛,“一键成片”让人人都能快速生成视觉画面。量产内容趋于同质化的当下,优质叙事能力、专业镜头语言、高阶审美判断成为AI无法替代的核心创作壁垒,更是拉开创作者差距的关键核心。立足行业痛点与人才需求,爱奇艺重磅升级打造AI影视创作营第二期,以大咖亲授、实战实操、全链赋能的模式,助力广大创作者实现“会用AI工具”到“用AI讲好影视故事”的进阶蜕变。

01#

课程升级、实战大咖加盟

五大核心模块助力

“创意-制作-后期”全链条

爱奇艺AI影视创作营聚焦“AI+专业影视创作”核心能力培养,首期课程凭借干货内容、实战教学收获行业及学员广泛好评。6月17日起,创作营第二期正式开启全网招募。在首期成熟教学体系基础上,本次课程、导师全方位迭代升级,大幅提升AI实操教学占比,让内容聚焦一线AI导演实战创作心法。

第二期课程内容覆盖影视叙事与角色塑造、AI影视导演思维、声音设计与听觉叙事、AI制作技术与影视级后期、用户洞察与版权合规五大核心模块,通过5天系统化、沉浸式集训帮助学员搭建AI影视创作知识体系,掌握AI工具与影视专业创作的融合技巧,精准突破AI创作画面同质化、叙事薄弱、质感不足等核心问题。

第二期创作营延续“让故事更精彩、让制作更专业”宗旨,深耕实战化教学理念,集结编剧、影视表演、AI导演、声音设计、影视技术等多领域资深行业大咖,组建全维度导师团队。相较于首期,本次课程新增曾赠、朱雷蒙、李杨三位深耕AIGC影视创作一线的实战派导演。一众导师兼具传统影视创作深厚功底与AI工具融合落地经验,深谙当前AIGC影视创作的技术边界、行业瓶颈与创新方向。教学过程中,导师将拆解影视叙事底层逻辑与专业创作方法论,结合真实AI影视创作案例,为学员搭建从剧本构思、叙事打磨到AI可视化呈现的整体创作思维。

02#

纳逗Pro全链路赋能

算力加持实现影视级成片落地

为解决学员“学完不会用、成片质感差”的难题,第二期创作营重点强化实战实操环节,依托爱奇艺自研专业级影视制作平台纳逗Pro,为学员提供从创意构思到成片的闭环创作支撑。

纳逗Pro以公共大模型及自主部署的大模型为底座,沉淀爱奇艺在影视工业化、专业制作领域的深厚经验,同时通过结合爱奇艺IP库、数字资产库和创作者社区,形成可调用的平台能力。目前,纳逗Pro为创作者提供专业画布工作流、大规模团队协同创作等服务,支持影视剧本评估、3D导演台实现多角色构图、长剧集角色一致性等专业级影视创作能力,更有“专业戏增强智能体-武打戏”“人物情感关系图”等独家功能,支持多样创作需求。

本次创作营将持续为学员提供单次超200次镜头生成的专项免费算力支持,全面覆盖镜头生成、画面重绘、细节精修等全流程创作需求。同时,纳逗Pro专属技术导师全程驻场指导,一对一解答工具操作、技术落地难题,保障每位学员都能深度上手、熟练实操。

课程结营后,优秀创作者将获得爱奇艺AIGC创意中心优先入驻资格、平台专属流量扶持、官方项目合作对接、多元化商业变现机会 。爱奇艺将致力于全方位搭建创作者“学习-创作-出圈-变现”长效成长通道。

03#

完善AIGC影视生态

爱奇艺全方位赋能创作者长效发展

作为国内AIGC影视生态的核心建设者,爱奇艺持续深耕AI影视赛道,自2025年起陆续落地系列重磅创作活动,搭建完善的AI影视创作孵化体系。此前,“与AI共生”短片大赛、“鲍德熹·爱奇艺AI剧场”创作营等活动已成功举办,其中“鲍德熹·爱奇艺AI剧场”16部入围作品已全部上线播出,收获良好行业口碑。

今年5月20日,爱奇艺携手奥斯卡大奖得主鲍德熹全新升级项目,正式启动“鲍德熹·爱奇艺电影剧场”AIGC商业电影创投计划,面向全球征集60分钟以上AIGC华语商业电影项目,计划孵化推出10部优质长篇商业作品,推动AI影视创作从短篇实验探索,正式迈向长篇商业电影的工业化、市场化新阶段。

依托2026爱奇艺·世界大会战略布局,爱奇艺持续升级创作者扶持体系:全新迭代的爱奇艺号(IQID)已正式上线,实现创作者零门槛入驻、一次性签约、全品类内容通发、高效发布运营;同时推出专项分账补贴政策,2026年底前,AIGC内容与中剧内容可享受20%额外分账补贴。此外,平台从AI工具赋能、专属算力支持、IP授权对接、项目投资合作、专项培训、办公场地供给、市场分发等维度,构建全方位、全周期的创作者扶持生态。目前,爱奇艺AIGC(上海)创意中心已迎来变月文化、熹屿人生等多家优质创作者机构入驻,产业集聚效应持续凸显。

未来,爱奇艺将持续完善AIGC影视创作全链路生态,开放平台资源、升级扶持政策、拓展商业场景,诚邀广大影视创作者、AI创作爱好者携手合作,深耕AI影视创作领域,产出更多高品质原创内容,依托爱奇艺成熟分发运营体系实现价值落地与商业增收。 

报名须知

报名时间:6月17起至7月21日

报名流程:点击原文链接填写报名,提交个人创作相关背景信息,经官方审核通过并完成缴费后,即为报名成功。

阅读原文

跳转微信打开

  •  

搜狐张朝阳:看尽千帆过,笔下一方圆

原创 刘飞Lufy 2026-06-18 13:13 浙江

人会成为经验的俘虏。

本文是中国互联网故事系列的第 2 篇。

文稿内容基于半拿铁中国互联网故事系列的口述稿。

——

书接上回。

1996 年的张朝阳很兴奋,他要请自己的老师尼葛洛庞帝来中国了。

见老师固然开心,见投资人更重要。自己的公司账上没钱了。投资人是谁?就是他老师。

事情从头说起。

1 初出茅庐

1964 年,张朝阳在陕西临潼出生,在西安东郊田王一个工厂的家属院长大,最早还住过窑洞,父母都是医生。

他的童年算是愉快的,家境能支持他不少爱好,学过武术、画画、二胡,搞过飞机模型。中间还一度迷上《水浒传》里「没羽箭张青」打石子的绝技,每天苦练飞刀,用石子砍树。

image

1978 年恢复高考对他影响很大。小学时他跟同学没怎么正经学习,天天学红卫兵拉帮结派打架。到了中学,开始有备考的意识,也喜欢上了物理。1978 年《人民文学》发了一篇报告文学《哥德巴赫猜想》,陈景润天下闻名,张朝阳也想当陈景润,定下了人生梦想:诺贝尔物理学奖。多年之后大家很疑惑,一个互联网公司老板怎么去讲物理课了,这其实算是最初的梦想。

这个梦想对他不算很远。高中毕业考上清华物理系,典型的好学生,早起跑步、占座,晚上在自习室熬到半夜。那时候经典口号是「争取为祖国健康工作 50 年」。

他回忆得也实在:当时并不把苦当回事,有一种自虐倾向,认为是在追求更高的理想。因为压力和竞争太厉害,清华出现了一些怪才,像写诗的清华文学社,还有别的文艺社团。男女比例也失调,许多男生处在极不平衡的状态。生活枯燥,精神苦闷,以至于转向哲学上的追求。1995 年清华一个哲学系的毕业生就去龙泉寺出家了。后来龙泉寺里北大清华的不少。

经历了很多痛苦、苦闷、内心的奋争之后,导致了一种自我怀疑。他说这不是清华一个学校的问题,是整个教育制度的问题。

刻苦学习之后,他成绩好,拿到了李政道奖学金,「Cus-Pea」。张朝阳经过初筛,在全国 700 个学生里再考试,考 3 天,最后选出 100 人,清华只有 8 个,他是其中之一。李政道怕是想不到,自己的奖学金也改变了中国互联网的进程。

终于可以出国了。他回忆说,那是一种中了状元般的感觉,终于可以休息一下了。整个在清华的经历让他有点厌学。

1986 年,到了 MIT 攻读博士。1993 年拿到博士学位,准备留校做博士后。

就像高中吃苦,大学就容易放纵。张朝阳是本科吃苦,到了美国整个人变了。他自己说:「我在银行里从没有存款,但是还要买车,而且一定是敞篷车,开车路过商店时要来个急停调头,进去买一副墨镜戴上……穿衣服一定要穿 POLO。」后来回忆那段时光,他依旧眼光闪动,饱含笑意,「我甚至梳过 Ponytail,马尾。那时我希望过 COOL 的生活。」

什么诺贝尔物理学家,已经抛到脑后。他那时候的梦想是当好莱坞明星,还真去兼职拍过广告。张朝阳是互联网企业家里少有的特别喜欢客串的,也很喜欢抛头露面,当年大鹏的成名作《屌丝男士》里没少演。又是 connect the dots。他读书时候就是这个风格。

90 年代初的美国氛围让他觉得一切皆有可能,心态一下开放了。读了物理学博士又怎么样,明天我就可以干别的。

接下来首要的问题是,要不要留在美国。他的考虑很实际,不是简单的为国做贡献。他想的是,在美国过得不愉快,总归不是自己人,好像一直是外国人。他回忆说,哪怕赚了很多钱,买了房子车子,结了婚生了孩子,小孩长大念了哈佛,到头来会问自己:我得到了什么。

这很现实。文化和生活习惯,很多人还是觉得在国内更能融入。

回国还有个运气,自己的导师已经是 MIT 副校长了。老师说,要么这样,你来帮 MIT 做一些中国各方面的关系维护,title 是 MIT 亚太区中国联络官。

别小看这个联络官。1995 年朱镕基接见 MIT 校长,就是张朝阳安排的。当时在北大,他认识了北大副校长陈章良,这位非常厉害,34 岁就当上校长。张朝阳很受刺激,也有了同侪压力。后来经常来中国找朋友聊天,决心回国。

回国让他兴奋了很长时间。他回忆说,看到远山的景致,跟一个出租车司机报出地名,就像吃久了没有沙拉酱的卷心菜,忽然吃到好吃的川菜一样有滋有味。吃是个大问题。那种在亚文化里生活的麻木和冷漠逐渐被暖过来,他慢慢能欣赏中国人在自己生活里的热情、支持和依靠,明白一个人必须活在自己的文化里才能快乐。

回是回来了,干啥呢?参考美国的互联网公司,他想出的 idea 是 China Online,中国在线。商业计划书里有一段话:顺应我们这个时代最伟大的两个潮流,一是信息高速公路时代的到来,另一个是中国作为全球大国的崛起。

这个 idea 还没落地,他先找到一份工作,帮一个朋友的公司当中国首席代表。公司叫 ISI,Internet Securities Inc.,也是个创业公司。张朝阳回国住在北京万泉庄园,只有 24 平米,没有洗澡的地方,窗外就是锅炉,晚上嗡嗡响,相当将就。

8 个月后任务完成,他把中国的商业信息同其他新兴市场的商业信息汇集到同一个服务器上,通过互联网传播,为华尔街服务。那时候普通老百姓还不上网。

有了经验,张朝阳开始在美国找投资。那时候很难,经常被赶出来。他手里什么都没有,直接要 200 万美元,没人给。他甚至回忆说,有的老板到处散播信息,说千万别投张朝阳。这让他特别崩溃。

最后还是 MIT 的一个教授愿意帮忙,爱德华·罗伯特,MIT 知名的投资专家,投过不少项目,愿意给 5 万。条件是不能只有他一个天使投资人,你得再找一个。

张朝阳找到下一个投资人时相当兴奋,正是 MIT 媒体实验室主任、《数字化生存》的作者尼葛洛庞帝,算是 MIT 的互联网名人。一开始联系上,对方说在英国有一个活动,安排自己演讲,你过来,结束咱们聊聊。

说得简单,挺麻烦。张朝阳拿的是波士顿的护照,得坐飞机从北京到波士顿,再坐火车到纽约,在纽约的英国领事馆取得签证后才能飞英国。去一趟就 5000 美元。据说他出发前还去北京街上看了看大饼卖多少钱,万一破产能撑多久。

大老远跑过去,尼葛洛庞帝也没直接见面,让自己儿子联络。结果,儿子听完说,可以投。

最后张朝阳拿了尼葛洛庞帝、爱德华·罗伯特,还有爱德华一个富二代学生邦德投资的 22.5 万美元。

image

在这个局面下,他还是硬着头皮成立了公司。1996 年,ITC 成立,Internet Technologies China,中文名爱特信。张朝阳说:「我们把网络当成一个开放的人类新大陆,内容提供商可以去这个大陆上建立内容,而我们则把服务器托管。我们没有信息执照,只能是免费,开放平台从此开始。」

image

张朝阳起步的时候,瀛海威已经在到处撒钱了。他不认为瀛海威的模式是未来方向,觉得它不够开放,还没接入主干网,更像广域网。哪怕说一条龙服务都搞定了,大家买瀛海威的服务,从头到尾都是它提供的技术和内容。这不是互联网。据说张朝阳回国后去找张树新吃饭,吃完他要 AA,张树新没同意,直接买了单。张朝阳也意识到,大家价值观上挺有差别。

爱特信最早招人几乎全凭信仰。第一个正式员工何劲梅,就是被张朝阳的理想主义感动的。她在房地产公司月薪 3000 多,来这只有 1500,到的时候还是 ISI 公司的阶段。后来爱特信又来了一个员工苏米扬,也是被打动的。她说当年张朝阳在小破出租屋里,面向全公司 4 个员工,在黑板上说咱们要大展宏图,要做中国的比尔·盖茨,还说咱们就要进入真正的阿里巴巴山洞了。然而这时候工资已经欠了好几个月。

还有的早期员工,比如国庆临也不知道这公司是干啥的,就觉得给钱多、离家近,来了,反正不管做啥,发工资就行。

最早到底做什么呢?不管三七二十一,先做了再说,好歹有个网站。1996 年 12 月 28 日,张朝阳把 2 万块钱的服务器搞定,接入 ChinaNet 主干网,先放了尼葛洛庞帝的《数字化生存》,又放了一些链接,叫赛博空间。链接多了就有目录,慢慢就有点雅虎的意思了。

1997 年 2 月,ITC 正式推出 ITC 中国工商网络;8 月,推出 ITC 指南针,放了很多信息内容。

那时候张朝阳已经听说 ChinaByte 出现了,是个大项目,这是默多克团队建立的,跟人民日报合作。

张朝阳紧赶慢赶,邀请的技术专家是北师大的博士王建军,开发了很接近雅虎的一种网站。致敬到底,域名定为 sohoo,对照 yahoo。中文名最开始叫「搜乎」,搜乎?搜也,好像也挺好。但市场部经理陈剑锋觉得「乎」字不形象、不生动,对照雅虎也想取个动物名。没用「虎」而用「狐」,是因为陈剑锋觉得张朝阳的性格像狐狸,聪明、敏感而有些让人捉摸不透。

陈剑锋还提出一个口号:出门靠地图,上网找搜狐。

搜狐网成立了。张朝阳很懂营销宣传那一套,正儿八经开了发布会。这也奠定了后来搜狐营销的风格。

image

2 崛起

搜狐网成立了,方向却不太明确。另外有个关键点,钱也要烧光了。

这时候巧了,张树新那边想邀请尼葛洛庞帝来演讲。这次张朝阳一石三鸟:第一,见见老师,跟兼任投资人的老师汇报进展,得到一些建议;第二,可以继续要钱;第三,借机会让自己出出风头。

那个年代的互联网都是江湖智慧。

这次活动瀛海威也相当重视,投入 30 个人,忙活了 3 个月。

1997 年 2 月 28 日下午,尼葛洛庞帝来到中国,正式出席为他组织的一场信息革命报告会,作为演讲嘉宾。报告会规格很高,张树新几乎动用了所有资源,至少有 8 个部级干部,上百个官员。

张树新得到了预期的关注,意外的是张朝阳也得到了相当的关注。因为请的专业翻译效果不好,还是张朝阳上去做翻译。他在翻译过程中不断夹杂一些私货,说自己是学生,自己也在创业。最后一分钱没花,也站到了聚光灯下。

聚光灯有了,招人、拿资源问题都不大,就是融资还得再去美国。那时候张朝阳天天跑在路上,见各种大富翁,或者大公司的投资部门。很多人一开始有意向,后来慢慢就不联系了。有的觉得方向很好,但投了别的团队,比如投资银行罗伯森·斯蒂文思投了四通利方,后来的新浪。这家银行也是历史知名,是互联网泡沫的标志,当年投资了康柏、Sun 等公司,是硅谷四大投行之一,2000 年泡沫中遭受重创,2002 年关闭,成为历史。

说回来,最后投资的是谁呢,英特尔。1997 年中国互联网官方出了一个调查,称阻碍中国人上网的第一大原因是中文网页缺乏。英特尔因此认为,投资像搜狐这样的公司可以促进中国互联网发展,而这又能带动电脑和服务器的销售。于是搜狐成为英特尔的投资对象。

相当于为了卖醋,推动水饺事业发展。曲线救国,听起来也合理。

在谈第二轮融资的时候,爱特信已经发不出工资了。张朝阳只好跟第一批股东要了一个过桥贷款,10 万美元,先用着。

终于撑到 1998 年 4 月,第二轮融资到位,包括英特尔、道琼斯、晨兴、IDG 等投资者,共投资 220 多万美元,爱特信也正式改名搜狐。

正好雅虎宣布要进入中国,张朝阳打出口号:美国人用 Yahoo,中国人用搜狐。还有个口号,中国人自己的搜索引擎。说起来,当年的搜索引擎定位跟今天不一样,早期对搜索引擎的理解就是分类目录加部分搜索功能,跟后来的 Google 不太一样。

还搞了新闻发布会,结果当天访问 2 万人次,系统就崩了。2 万访问就崩,还是不够成熟。

这时候搜狐的压力大起来了。面前有座大山,叫新浪网,手里有 8000 万美元。自己的 200 多万就显得寒酸。

2000 年张朝阳说:「搜狐一直很节俭,到现在还没有自己的车。我在创业初期给自己开的工资也只有 1 万元人民币。1999 年,一些网站一个合同 100 万美金,一个户外路牌就是 1000 万美金,这样的烧钱在搜狐简直不可想象。」

从搜狐时代开始,大家对张朝阳的印象更深刻了。当时一个记者说:在我不认识张的时候,张在我眼里是外向的、张扬的、任性的、骄傲的、自负的。

张朝阳私下里反而不是这样。他自己的说法是,为了搜狐不得不上阵。

他选的方法,是当网红。

1997 年,《南方周末》放出一张照片,张朝阳在天安门前滑轮滑。当时相当出名。

image

滑轮滑还好,多年后《时尚健康》杂志的封面更夸张了。

image

张朝阳自己也有个说法:我们现在推的产品都是年轻人用的,游戏、聊天软件都是年轻人在用,20 岁左右是主流人群。不了解他们,不了解现在的铃声、图片、歌,那我们无论提出的产品是不是针对他们的感情,市场营销、创意能不能抓住他们的注意,都需要我们了解他们。

张朝阳还跑到长城脚下舞剑,买游艇出海,奥运会期间当首席记者,自己出镜采访明星。

image

2000 年,以田震、朴树、零点、小柯等当红明星为主角的「万众豪情搜狐夜」音乐晚会举办,庆祝搜狐两周年,花了 400 万。

2003 年,他跟中国登山协会办了中国搜狐登山队攀登珠峰行动,也是万科王石攒的局。最后登顶珠峰,还用彩信直播,信号一直保持,这是第一次用 2G 信号图文直播。

2005 年,张朝阳做大做强,跟王石共同策划了由世界小姐冠军玛丽亚、影视明星曾志伟、苏有朋、范冰冰、宁静、刘烨以及精英企业家共同参与的「2005 搜狗美女野兽登山队」,赴西藏攀登 6026 米的启孜峰,并办了一系列公益活动。

image

image

这套风格一直延续。张朝阳甚至想成为中国的拉里·埃里森,甲骨文的老板,也是非常高调的硅谷明星企业家。有搜狐员工回忆:当时做销售和推广很难,但如果张朝阳亲自出马,跟客户的谈判就会变得容易。

当然张朝阳老师的成名作,在 B 站大火的,还是在《天天向上》里献声演唱《亲爱的那不是爱情》。属于第一次听,什么玩意儿;第二次,张总还行;第三次,再来一遍。听多了会上瘾。

后来的且不说,当时他作秀当网红多少也有点不得已,手里钱少,自己上,节省营销预算。这个这两年又火了,所谓企业家 IP,算是当年张总玩剩的。

当年还出现了一个词儿,叫张朝阳经济,他在 1999 年就提出了注意力经济。这也算很先锋了。在各种会议上,张朝阳确实常常是吸引注意力的。

image

业务当然还得做。

1998 年,搜狐终于接到了第一个商单,一款酒的广告,北京牛栏山二锅头。当时给了 10 万美元。这个广告不光给搜狐开启了商业化时代,还让很多留学生关注到,回国创业。

MIT 校友、在华尔街工作的张永青说:「为什么回国?有一天我登陆搜狐,突然发现上面有一个酒瓶在晃,我知道坏了,再不回国就什么都赶不上了。」他后来创办了 E 国网。1999 年哈佛商学院毕业生邵亦波、谭海音等创办易趣;在华尔街做风险投资的唐越回来创办 e 龙;哈佛 MBA 的「梦之队」唐海松等创办亿唐;耶鲁大学的沈南鹏参与创建携程,MIT 的黄沁创办了网大,沃顿商学院的童家威创办了美商网。大量留学生纷纷回国。这里面很多名字今天不熟悉了,因为都在竞争中被消灭了。

1998 年搜狐还不错,广告收入有 60 万。10 月,域名从 sohoo 改成 sohu,更简洁。

1999 年,搜狐更像门户网站了,推出新闻、财经、体育等一系列内容频道。

在张朝阳自己当网红的运作下,1999 年他的个人声望和搜狐的国际知名度达到一个高峰。他被美国《时代周刊》评为「全球 50 位数字英雄」之一,先后登上《财富》论坛和《亚洲周刊》的封面。

早年间有个说法,门户网站就是互联网的天,不像今天的互联网。新浪、搜狐做得最好,好像就是到头了,天花板如此,互联网上的东西都在他们那,很难想象后面会出现别的。

接下来就是重点了,要不要上市。1999 年底,气氛烘到这了,必然都要考虑上市。

之前投资过的公司都来参与,看能不能拿到最后的船票。1999 年末,英特尔、道琼斯、晨星、IDG、华登等机构再次提供了 3000 多万美元融资,是之前累计融资的 3 倍。现在的估值达到 5 亿。

张朝阳知道网易和新浪也都在准备上市。上市代表有主动权、有资金、有名望,甚至先上市的有可能设法吞并其它家。

他很紧张,想了个主意,能不能绕过国内程序,直接以美国企业身份上市。他自己有绿卡,是可以操作的。律师有点担心,张朝阳说先试试看。

那时候上市本身怎么操作都是灰色地带。门户网站算 ICP,也就是增值服务,但算不算电信增值业务,都不明确。

2000 年 2 月春节期间,张朝阳向纳斯达克提交了 IPO 文件。第二天,美国证监会开始推动上市流程。一看,这不比新浪快。

那确实是想得美了。中国信息产业部很快就联系张朝阳了。张解释说:搜狐是美国的公司,国内要管只能管搜狐在国内业务是否合法,而不是能不能上市的问题。上市跟海外融资的本质是一样的,像 e 龙、亿唐这些公司都几千万几千万地拿风险投资,这跟上市融的钱有什么区别,为什么他们不用批,为什么我们要批,批什么,到底是批它的合法性,还是批它在美国可不可以公开融资。

说半天也没用。信息产业部坚持:虽然搜狐事实上已经在赴美上市途中,但业务在中国,所以搜狐要上市还是要得到信息产业部批准。

结果是,新浪最早上市成功。4 月 14 日,IPO 价格 17 美元,首日股价上涨 22%,募资 6600 万美元。

同时 CNNIC 2000 年的排名,搜狐排到第三,不光从最风光的第一掉下去,甚至不如网易了。然后祸不单行,6 月 30 日网易上市,开盘价 15.3 美元,收盘跌破发行价,跌至 12.125 美元,跌幅 21.77%。

这两家不光上市了,走势还越来越不乐观。搜狐基本上要算流血上市。

7 月 12 日终于要上市了,IPO 价格跌到 13 美元,大家没信心,1999 年底那次每股估值算是 15.5 美元,投资人就不高兴了。张朝阳说,不高兴也没办法,再不上市死得更惨。

上市后认购量倒是预期的两倍,整体总价值跌到 4.1 亿,还算可以接受。

中间跟董事会也有很多摩擦,有些董事已经有意见了。最危险的是泡沫破灭的时候,董事会召开秘密会议。张朝阳知道了,一身冷汗。

不管是张朝阳比王志东更敏锐,还是别的原因,他发现了,就想办法让董事会安心。比如安排职业经理人加入公司,其实是做做样子,真正的活儿分配得不多;另外腾挪董事会,慢慢把一些人换掉。算是躲过一劫。

他自述掌握了一套方法:和董事会沟通,一般人的理念是这样,一个孩子大脚踢开家门对父亲说,爹,你要给我多少多少钱,我去干怎样怎样的事。你应该这样,和爹讲这钱去干怎样的事,这事对家庭有怎样的帮助,你又是如何计划这一切的。我相信,这钱和这个小主意一定会被采纳,而不是非暴力不予合作的激进心态。

搜狐算是创始人跟董事会关系不错的。新浪就完全相反了。网易为啥没出问题呢,因为丁磊自己是大股东。今天的网易,丁磊还有超过 40% 的股份,有着绝对控制权。

有了钱,那就要高举高打了。

张朝阳操盘了多轮收购。

2000 年 9 月,搜狐宣布收购中国最大的年轻人社区 ChinaRen 校友录。听名字就知道,跟校内网有点类似,在上面可以跟校友交流,界面内容还粗糙,但当时很早,耳目一新。可以理解就是最早的社区,大家加入班级或社团的群组交流,找同学、聊天,一年多时间有几百万用户。

image

ChinaRen 当时也是很新的网站,1999 年陈一舟、周云帆、杨宁三位斯坦福留学生创立。陈一舟是武汉大学的,周云帆是清华的,杨宁是美国密歇根大学的,他们在硕士阶段互相认识。

陈一舟是董事长兼 CEO,收购后担任过副总裁,很快离职,2002 年创办千象互动,2006 年收购了王兴的校内网,改名人人网,2011 年上市。周云帆担任搜狐 COO,2002 年跟杨宁一块出来创业,做了空中网,无线增值服务 SP 公司,2004 年成功上市。周云帆一路的经历是:中关村发展集团总经理、昌平区副区长、科学技术部,目前是一位司长,进入体制内了。杨宁目前精力主要在投资上。这几位都是连续创业者,也都算很成功。

说回来,张朝阳是想要用户,也想要团队。「当时得跟新浪和网易竞争,网易的势头还可以,以社区见长,而我也特别认同社区。」「第二个原因是这支队伍不错,清华的技术高手很多。搜狐自创办以来一直没找到一个技术高手,是我一个很大的遗憾。我也可以做技术,可以编程,但我太忙了,得去融资,得去管理。亚信是三四个人合伙创办的,他们可以分工,但我就一个人。」「第三个原因是人不错,是做事的人,都很诚实。」

ChinaRen 收购,加上搜狐灌的流量,用户量超过 8000 万。

到了 2003 年底,又并购了中国最大的游戏门户 17173 和最大的房产门户焦点网。

17173 诞生于福建福州一家叫天晴的网吧。2001 年 5 月,网吧的几个网管成立,为游戏玩家提供资讯、攻略和下载资源。名字 17173,「一起一起上」。2001 年网龙公司收购。网龙也是一代互联网明星,少见的福州公司,后来做网游,比如《魔域》《征服》,也做教育,还孵化出 91 无线,卖给了百度。都是后话。

这时候张朝阳确实是高举高打,他说:「搜狐的收购不是为刺激股市,而是看重未来,就像宝洁那样,搜狐以后要走多品牌、多域名的道路。」

而且他很乐观:这个平台将会更加深入。三四十岁的人对这种平台的使用,此时主要局限在新闻,也就是获得资讯;我们下一代,十几岁的年轻人已经把互联网看作他们本土的社区,成为真正的生活平台;再过几年,社会决策者的群体会越来越全面地拥抱互联网,使得整个电子商务和商业更多应用在互联网上。

收购很多。当然也错过了一些公司。

比如 2000 年的时候,深圳一个公司穷途末路,正在找人收购,那就是腾讯。这几年风头最盛的是搜狐、新浪,于是马化腾找到了搜狐,报价 300 到 400 万。当时 OICQ 已经有很多用户,但张朝阳哪怕是互联网前辈,对腾讯的判断也是:一个免费工具价值不大,想了半天不知道怎么赚钱,做公益又没劲。另外呢,自己有技术团队,这种简陋工具分分钟几个人做出来。彼时行业里,对互联网网络效应和用户逻辑的理解,都还处于比较早期的地步。

搜狐的发展,商业化上也很多元,张朝阳提出了 4E 概念:广告营销、技术解决方案、用户服务,以及电子商务。所以这几年广告之外的业务也陆续在增长,算是比较超前。

说到商业化,有件事很重要。搜狐虽说很早就有广告收入,跟支出完全不是一个体量。2000 年互联网泡沫破灭的时候,三大门户全部跌到 1 美元以下,网易甚至 5 毛钱了。丁磊都要把公司卖了算了,新浪搜狐差点合并成新狐或者搜浪。是移动梦网拯救了门户网站,3 年后 3 家纷纷盈利。

互联网泡沫破灭的时候,很多投资人倾家荡产,真的很难。

2000 到 2010 年代,重点都放在门户网站了。搜狐网不光是一堆链接,那时候你去搜狐网,真感觉什么都有。我自己小学初中上网的时候,搜狐是经常去的。还记得当时看到这个小狐狸很好奇,为啥要搜它呢,它是干啥的呢?

这是 2000 年的搜狐首页。

image

这是 2003 年的搜狐首页。

image

2008 年,搜狐借奥运会声名鹊起。早在 2001 年申奥成功,张朝阳就在操办这事了,申奥时他作为企业家代表在莫斯科。

2005 年,搜狐跟北京奥组委正式签约,独家负责互联网相关的承建:第 29 届奥运会官方网站、第 13 届残奥会官方网站、北京奥运火炬传递官方网站、好运北京奥运系列赛官方网站、中国奥委会官方网站、中国体育代表团官方网站,以及所有奥运项目中国单项运动协会官方网站、所有奥运项目中国之队官方网站和 88 名中国参赛运动员个人官方网站。这也被称为奥林匹克历史上第一个互联网赞助商。

那当然是意气风发的。你高兴,可是别人不高兴,谁呢,几乎所有人。

2007 年 7 月 19 日,新浪、网易和腾讯在北京宣布组建「奥运报道联盟」,共建奥运采访团队,共享采访资源,共同打造奥运广告营销平台。除了这三大门户,还有 MSN 中文网、雅虎中国、凤凰网、TOM、猫扑、和讯和 20 家主流地方新闻网,全部加入联盟。讨伐董卓了又属于是。

这个联盟的盟主算是新浪总编陈彤,他说:搜狐拿到的真正权益应该只是北京奥运会官方网站的一个承建权、建设权,跟大楼的承包商一样,只是有一些名称和 Logo 的使用权而已。他拿到的权益当中没有一句话是有关采访的,在这个问题上所有网站都是平等的。

张朝阳说:联盟是一个说法,没什么实质的东西。联不联的吧。我们之间,就是正规军和杂牌军、游击队的区别。他们的联盟同搜狐建立的联盟相比有很大差距,实力很悬殊。很多运动员都在搜狐开博客,中国体育代表团的互联网权益只有搜狐有。

张朝阳还是自己上,当首席记者,天天出入北京街头报道。一方面看出他重视,另一方面他自己也很喜欢。各种奥运的直播、节目里,都是他自己出面。他组建了 700 人的报道团队,自己是大队长。看奥运上搜狐也是当年的知名口号。

效果很显著,之前的投入没有白费。2008 年全年,搜狐的品牌广告收入达到 1.693 亿美元,同比增长 51%。2008 财年总收入 4.291 亿美元,是 2007 年的 2.3 倍,实现了跨越式增长。

而大多数人开始关注互联网、从互联网获取信息,也是 2008 年的事。从这一年开始,互联网成为仅次于电视的第二大信息渠道,超过报纸杂志电台,再过几年就成了第一。

2008 年前后几年,可以说就是搜狐的巅峰时期。

2006 年,搜狐花了 18 个亿在五道口买下搜狐大厦,当年五道口宇宙中心最经典的地点。

之后搜狐在娱乐领域可以说就是中国的头牌媒体,能采访到一大堆知名明星,资源丰富。后来博客时代,在搜狐开博客的都是冯小刚、徐静蕾等一线明星。

而且还推动了娱乐节目的诞生。早在 2004 年,搜狐就办了「搜狐女声」大赛,被认为是中国第一个真正意义上的网络选秀,比湖南卫视的《超级女声》还早。

巅峰时期的搜狐,的确是行业巨头。BAT 还是后辈,没成长起来呢。张朝阳也就有了中国互联网教父的说法。

2009 年,张朝阳作为金鹰节颁奖嘉宾说过一段话:「中国互联网现在已到了决战的时候,这是一场巨头之间的战争。巨头有七个:新浪、搜狐、网易、腾讯、百度、阿里巴巴以及盛大,可以说是战国七雄。但应该不会出现秦灭六国的情况,最后可能是几分天下。」「这场战国七雄的争斗最多五年可见分晓。」

接下来,怎么走呢?

3 转型

门户网站衰落了,我们都知道。为什么呢?

第一阶段是搜索引擎的兴起,在中国就是百度创立、Google 进入中国。以前三大门户加上后来的腾讯网,几乎就是网民的全部,就是中国互联网了。后来个人站长和各种网站出现,供给丰富,搜索引擎更有用,门户迅速被替代,这也不难理解。

第二阶段是移动化。2007 年乔布斯发布 iPhone,2009 年新浪微博上线,大家在手机上的时间越来越多,门户更跟不上了。到了移动时代,信息分发又变化了,从搜索引擎转移到社交媒体,朋友圈、公众号和微博,再接下来又进入更极致的算法推荐时代。这些门户基本都没跟上,都有包袱。

2013 年的搜狐,基本上没啥变化,这也标志着门户网站的迭代已经赶不上时代了。再看 2025 年的搜狐,依然如此。

image

搜狐也面临同样的压力。2010 年开始,跟新浪、网易的竞争不重要了,在沉船上打架有啥意思,得各自逃生。三大门户都有自己的逃生路径,挺有意思:新浪后来的救生船是微博,网易是游戏。搜狐呢?

1978 年,王小川出生于成都,也是张朝阳一样的学霸。以第一名考入成都七中数学实验班,因全国数学联赛一等奖被保送入成都七中高中,因国际奥林匹克信息学竞赛金牌被特招入清华计算机系,随后又被保送至清华计算机系高性能所读研。

image

王小川在清华大三的时候就有一份兼职工作,在陈一舟的 ChinaRen。收购之后,他就留在搜狐了。张朝阳很喜欢王小川,说:「你上学多久我都可以等你,你要多少钱我给你开。」

对王小川来说也是一样,搜狐可是纳斯达克上市公司。研究生毕业就入职搜狐,毕业 6 年成了高级副总裁,那真是火箭里的火箭。

说起来,王小川的同学也厉害。他住 105,隔壁 103 宿舍上下铺的周枫、许朝军,也都一块在 ChinaRen 兼职,后来都成了一代企业家。周枫是网易有道的创始人,许朝军做过人人网的负责人、盛大的 COO,后来是轻博客点点网的创始人,后来也是跌宕起伏。

2003 年,还是高级技术经理的王小川跟张朝阳说,最近百度有点厉害,将军咱们不可不防。他们当时焦虑也合理,那时市场规模里,使用量看,邮件第一,搜索引擎第二,快速增长。有分析机构说,仅国内的搜索市场规模 2004 年就将达到 8.8 亿元人民币。

还有个关键问题,虽说那时候百度也给搜狐提供搜索技术,但毕竟是外姓人,不是一家的。后来发现,百度自己的搜索结果,比在搜狐的搜索结果品质好得多。没有关键技术也是不行。

张朝阳很信任王小川,就让年仅 25 岁的他研发搜索。当时只给 6 个人,王小川说,要么这样,预算差不多,我换成 12 个兼职的。他就搞来一些清华学生一起做。他自己在 ChinaRen 是兼职,招兼职也合理。

2004 年 8 月,搜狐搜索引擎正式发布。名字呢,跟搜狐是雅虎的变形一样,是 Google 的变形,搜狗。

张朝阳还把搜狗定义成「全球首家第三代搜索引擎」。你们是 1.0 和 2.0,我们是 3.0。他认为雅虎是第一代,人工分拣整理;第二代是爬虫机器抓取;我们是第三代,智能化交互式全新的搜索引擎。这个定义当然很有争议,当时很多同行说欠妥,技术上没有那么大差异。

张朝阳很喜欢琢磨这些概念。他收购那几家公司的时候就说搜狐进入了 3.0 时代,意思是要全面布局,所谓矩阵打法。

说回来,搜狗的搜索做得比较吃力,打不过百度。到了 2005 年百度上市,股价相当高,局势发生变化,其实从内部招聘就能看得出来。比如当年我在滴滴的时候,最好的毕业生经常投滴滴,当时风头压过美团;今天最好的毕业生一般都投字节。王小川发现,offer 发了的,很多都想去百度了。怎么办呢,继续破局。

他们就想,搜索技术还有应用空间的,就是做输入法。乍一听好像不好理解。其实输入法也是个搜索引擎,你输入一个拼音也好、笔画也好,搜索引擎能帮去计算中国人的词汇是怎么用的,哪个词用得多、哪个用得少、哪个是新词、哪些是老词。而且这是大数据统计来的,比如「王建军」,叫哪个 jun、哪个 jian 的多,能根据现存的互联网数据整理出来。

这时候要提到早年输入法的一个关键人物,马占凯。他在国企工作,是机械设计师,跟互联网没啥关系,自己是个产品爱好者,觉得输入法有很多提升空间。他先给百度写信,建议做搜索输入法,对方回复:感谢使用百度产品。

他又给搜狗写邮件,标题也很热血,叫「给我一次机会,让我成就你」。

马占凯和王小川见面前,花了三天时间整理 30 页文档,包括上万字的搜索笔记、200 个灵感点和 100 个小创意。最后王小川让他加入团队,一起做。所以马占凯也被称为搜狗输入法之父。

搜狗输入法在 2006 年 6 月发布。这里面的互联网词库,简直对传统输入法是颠覆。过去电脑里最常用的输入法是智能 ABC,北大朱守涛教授的作品,1993 年发布,后来内置在 Windows,成了全民输入法,市场份额一度有 70% 还多。搜狗输入法很好用,到今天我们日常输入几乎都建立在这套搜索技术之上。

当时还发生了个桥段。2007 年初,谷歌拼音输入法发布,正面竞争。但很快有技术人员和博主发现,词库怎么跟搜狗一样,谁抄谁的。词库相似也就罢了,搜狗有错误的词都一样,甚至包括公司内部的一些花名绰号,搜狗词库里出现是因为公司内部用,谷歌输入法也都有,说不过去了。很快谷歌就承认了,确实用了外部数据,官方发布了道歉声明。这是很少见的谷歌侵权案子,也被称为中国互联网知识产权第一案。

搜狗输入法刚推出来,一年后市场份额多少?2%。当时大家很灰心。王小川就去找别的方法,该做增长还是要做增长。同样的逻辑,今天为什么字节赚钱多?因为大家都刷抖音;为什么字节曾经的增长,是要跟厂商谈预装?因为大家都买品牌的手机了,一个预装现在非常贵。

搜狗当时找的也是预装的路子,番茄花园,估计大家还有记忆。其实是知识产权没有很成熟的年代,算是 Windows XP 盗版改装系统的经典了,一键安装,多的时候在 XP 盗版市场占的份额 80% 多,一年装机量超过千万。2009 年番茄花园创始人洪磊被微软起诉,有期徒刑 3 年半,一个时代结束。

当时搜狗找的机会很好,花了几百万,第二年市场份额 40%,第三年 70%,三年多就是中国第一输入法了。

搜狗从搜索到输入法,感觉站稳脚跟,接下来还是要做更有流量入口的产品。在门户网站衰落的时候大家都意识到了,浏览器是重要的流量入口。王小川看到的机会是,腾讯在竞争,大家可能有印象,腾讯当时做了搜搜。2008 年搜狗浏览器发布,也占据了一定市场份额,算是非常成功。

王小川后来把公司独立,跟张朝阳的关系的确有点微妙。他自己想要独立经营的权力,觉得自己就是内部创业的老板。

有一些公司也发现王小川脚下的土有松动的迹象,都来谈了。他当时确实是最火的 CTO 人选。李彦宏说你来我这,百度 CTO 就给你做。那时候上任 CTO 李一男刚刚离职。最后王小川还是留在搜狐做 CTO,甚至一度有五道口守门员的说法。搜狐在五道口,说那边来来回回这么多人,只有王小川还坚守阵地,没走。

2010 年 Google 退出中国,王小川说机会来了,咱们搜索被压着,现在有机会跟百度一决高下了。张老板,张老板?你怎么在做瑜伽啊。这时候张朝阳的兴趣,已经在视频了。

这时候看到搜索引擎机会的还有枭雄周鸿祎,他来找张朝阳说,要么搜狗卖给我吧。通过打包换股的方式让搜狐把搜狗转让给 360,搜狐借此成为持有 360 份额 30% 的超级股东。给的价格很好。搜狐这时候市值是 360 的多少,1/5。360 也有搜索,两家联合与百度竞争,能吃下一大块市场。

王小川那是晴天霹雳。周鸿祎他不喜欢也就算了,换个老板自然不高兴,更重要的是,周鸿祎看这架势显然要亲自掌舵,搜狗这个儿子相当于要卖人了。

王小川自己开始主动找外部投资。眼看如果谈不拢,搜索从他这拿走,他肯定要离职。2010 年,王小川在张朝阳那个登山队里认识了一些朋友,这些朋友也认识马云,于是他直接跟马云谈。马云很支持,在马云推动下,搜狗在 2010 年 8 月分拆。王小川在微博上感叹:「绝境之外,便是天堂。面朝大海,春暖花开。」

王小川变成了搜狗的老板,终于不是张朝阳的员工了。

但也没太久,2 年后马云那边退出了,搜狐回购了股份。搜狗又得面临一个问题,投靠哪个巨头呢。答案几乎是二选一,百度和腾讯。

当然 360 不这么觉得,周鸿祎还是趁一次跟张朝阳坐游艇的时候说,咱一块弄嘛。那时候周鸿祎还是风头很好的时候,360 的市场份额 18%,搜狗 10.35%,搜搜只有 3.62%;浏览器也是,IE 42%,360 有 26%,搜狗 7.81%。单纯从商业角度说,选周鸿祎更合理,有的打。百度意愿不强,而百度眼里最理想的情况是腾讯收而不是 360 收,这样相当于制衡了局面。

2013 年,王小川跟百度早就有接触了。他又托成都七中的同学联系到了老学长任宇昕,任宇昕是高管,这就连接上马化腾了。成都七中校友都很厉害,比如 AI 领域的大师李飞飞、bilibili 的董事长陈睿、秘塔科技的 CEO 闵可锐、Kimi 的联合创始人周昕宇等等,也挺神奇,还有一班两院士的说法。

王小川约好会议,打车去首都机场的时候,张朝阳的助理来电话了:立刻从机场掉头回搜狐大厦开会,否则将被停职。

王小川只好回头。回去的路上,干脆在车上,跟马化腾和刘炽平快速开了一次电话会议,聊得很细,包括用户、数据、增长模式、业务规划。马化腾和刘炽平印象很好。

结果是,腾讯以 4.48 亿美元入股搜狗,很多老股东拿钱套现,王小川和管理团队其实没拿到钱,折腾一顿最后换来的是自己的管理权。并且不光投资,深度合作,腾讯把自己的搜搜业务并入搜狗,搜索业务全权交给搜狗了。一年后,腾讯把微信公众号的内容数据也给搜狗。

周鸿祎在 2013 年感慨了一句话,也成了历史名言:「原来搜狗不姓张而姓王」。言外之意,有点后悔一直在跟张朝阳谈了。

2017 年,搜狗在纽交所上市。2020 年腾讯收购搜狗全部普通股。2021 年 10 月 15 日,搜狗正式并入腾讯 PCG,王小川卸任 CEO。一个时代真的结束了。能够在张朝阳、周鸿祎、马云、马化腾之间博弈的王小川,也从这个大江湖里退出了。2023 年成立百川智能,也参与了 AI 创业。

王小川的言论当年也很激励我们这些创业者和产品经理。他技术出身,有很多对用户的判断,聊业务聊商业都很清晰,很佩服。他是上一代创业家的代表,技术出身,懂产品,认真做公司。2019 年,孙宇晨在巴菲特午餐之后发了个朋友圈,说 2014 年的时候,王小川说他是骗子,说跟他录节目是耻辱。孙宇晨的视角是,我现在成功了,你个老家伙看不懂我。当时引起了很多争议,支持双方的都有,有很多人说是王小川的不是。这里也不用评判太多,如果了解王小川过去的经历,他们那代产品人做的事情,也许更能理解他为什么那么说吧。

image

第二个转型方向,是游戏。

当时很多互联网大厂都在转型做游戏,搜狐也很早布局。搜狐于 2002 年 7 月成立游戏事业部,可以说很早,就是看着传奇火了做的。初期主要以代理为主,2003 年推出了首款代理游戏《骑士 Online》。同时团队也开始自主研发的探索,2004 年推出首款自研游戏《刀剑 Online》。

最火的还是经典 IP,天龙八部,这也是一代人的网游回忆。2007 年 5 月,《天龙八部》正式公测,上线后迅速火爆全国,成为当时最受欢迎的国产网游之一,为搜狐带来了巨额收入和利润。

随着这个机会,2007 年 12 月,北京畅游时代数码技术有限公司正式成立,独立运营搜狐旗下的游戏业务。天龙八部有多成功呢,2009 年畅游直接上市,成为搜狐旗下第一家独立上市的子公司,市值一度超过母公司搜狐。当年畅游以 18.7 亿人民币的全年营收在中国上市游戏企业中排名第 5,仅次于腾讯、盛大、网易与完美时空。

不过略可惜的是,就天龙八部一个 IP,撑不住。陆续推出了《天龙八部 2》《天龙八部 3》以及后来的《新天龙八部》等系列,其它也有手游和页游。结果是 2020 年 4 月 17 日,搜狐宣布与畅游达成并完成私有化协议,畅游从纳斯达克退市,重新成为搜狐的间接全资控股子公司。

第三个方向,我们也熟悉。

2004 年底,搜狐宽频创立,早期以影视点播为主,依托门户流量初步试水视频业务。做门户嘛,各种形式的内容都有。2006 年正式推出视频平台,搜狐播客。那时候视频网站都还叫播客。

2008 年,搜狐很早就开始做正版,推出 100% 正版高清影视剧频道,涵盖电影、电视剧、纪录片。我印象最深的就是后来《老友记》一直在搜狐视频上看。2010 年上线《婚姻保卫战》,15 天内播放总量超过 2 亿,成为中国网络视频历史上首部进入「两亿」播放量的电视剧,算是开创了互联网点播时代。还买下来很多韩剧版权,2012 年同步首播《国土安全》《吸血鬼日记》等 19 部热门美剧。

很顺畅的路径,接下来就做自制了。也有一个背景原因,BAT 分别进入视频战场了,百度孵化的爱奇艺,阿里巴巴收购优酷土豆,腾讯做了腾讯视频。资本入局,搜狐没有能力竞争,版权费有的上亿了。搜狐视频宣布推出烧钱大战,张朝阳高调说,我们要做自制剧。谁做呢,这个人我们应该都熟悉。

2004 年,董成鹏从吉林建筑大学工程管理专业毕业,开始北漂生涯。上学的时候他就很喜欢音乐,自己创作歌曲,想成为音乐人。我隐隐记得在哈工大威海读书的时候,学校里一首校园歌曲很火,大鹏在网上维权来着,说是抄袭他的歌曲,有过一次纠纷。不知道大鹏现在还记不记得了。

来到北京,他去后海面试酒吧歌手,可惜老板都没听他唱歌,只看了他一眼就拒绝了。大鹏自嘲:「我当时应该戴个长假发去就好了。」为了养活自己,他成为搜狐音乐频道的一名实习编辑,工作时间早班 7 点到下午 5 点,最晚加班到凌晨两点。他经常的状态是清晨从通州的出租屋出来,坐八通线换一号线,去搜狐总部打卡上班。

日子一过就是 3 年。终于一次,视频节目《明星在线》的主持人因为拉肚子临时来不了,大鹏自告奋勇顶替了一把,从那以后就从幕后转到台前。

2005 年 6 月,搜狐请来了当时在文艺台做娱乐节目的女导演李溪,全面负责《明星在线》。李溪到搜狐做的第一件事就是跟主编说,换掉大鹏。她一边找人,一边继续用大鹏,大鹏每天都在会被换掉的诡异气氛中忐忑地主持。为了不被换掉,大鹏开始想很多办法,先是增加观众黏性,二是发挥自己会唱歌的长处,三是和网友积极互动。有一天,李溪跟大鹏说,我决定不换人了。大鹏去喝了点酒,酒后喊:我要捧红我自己,以后谁也别想换掉我。

2006 年 10 月,搜狐从电视台聘请了主持人,大鹏下岗,接到了新任务,负责培训新加入搜狐的编辑。讲课期间他琢磨,自己可以做一档节目,盘点一天的娱乐大事件,再配上耸人听闻的标题。2007 年,在太太的启发下,大鹏担任搜狐视频脱口秀节目《大鹏嘚吧嘚》的主持人,这是国内很早的脱口秀节目了。大鹏开始小有人气,积累脱口秀经验的同时,也积攒了娱乐圈内的人脉。同时他还认识了在跟搜狐合作的赵本山,2010 年 4 月 5 日正式成为赵本山第 53 位弟子。

2012 年,大鹏刷到了《屌丝女士》,一个德国的喜剧短片系列,挺好看的,看完觉得这个可以做。正好对上了,张朝阳也在看自制剧的机会。连续拍了四季的《屌丝男士》,这是多数人知道大鹏的开始。乔杉在里面洗脚的桥段,今天都有很多人在传播。剧里也有很多明星,柳岩、吴秀波、汤唯、邓超、孙俪、李菁、何云伟等等都客串过。尺度今天看看也很大。

屌丝男士》第二季6月5日上线养眼版海报曝光-搜狐娱乐!!!

张朝阳对大鹏的支持也很好。说实话他对王小川对大鹏都非常保护。2012 年遇到一个事儿,《大鹏嘚吧嘚》新改版的片头抄袭了柯南秀,美国最知名的脱口秀之一,估计很多朋友看过。丢人丢到国外了,因为柯南在节目里说了这件事。大鹏问张朝阳,张说,你自己按自己的方式处理。大鹏就在新节目里道歉了,用的是自嘲的风格,先把片头删掉,又跳了一个 sorry 舞表达 sorry。柯南那边呢,特地做了一期节目说这事,说搞得我们也很过意不去,这样吧,我们让视觉部门做了个片头,而且跳个「对不起让你们这样我们也有点过意不去的舞」。两边就这么通过玩梗的方式消解掉了尴尬。大家可以去搜一下,这种隔空玩梗的互动很好玩,转危为安,变成了营销。

2014 年大鹏找张朝阳说,我能不能拍个电影。张朝阳很支持,拿到了 2000 万拍了第一部电影《煎饼侠》。这部电影票房 11.62 亿,搜狐赚了大概 3000 万美元。大鹏跟搜狐合作是互相成就。2018 年 11 月,大鹏发朋友圈「怀念,感恩,祝福」,张朝阳直播确认其离职,结束 14 年合作。

大鹏是搜狐自己内容的一个代表。还有《法医秦明》等剧集。当时搜狐视频的体量很大。在爱优腾芒时代之前,2010 到 2013 年期间,三巨头其实是优酷土豆和搜狐。那时候还有一些竞争对手,比如 PPTV,比如乐视网。

可惜再往后,就越来越走下坡路了。2013 年,搜狐视频还爆出组织内斗。当时的搜狐视频 CEO 是邓晔,COO 是刘春,两个人都很厉害,有点不对付。简单说,邓晔是搜狐老人,99 年加入,一直负责市场,创立了搜狐娱乐事业部,大功臣,后来负责搜狐视频。刘春是行业的老人,之前在凤凰卫视,是《鲁豫有约》和《锵锵三人行》的策划人和主管,是凤凰卫视中文台执行台长。后来张朝阳为了平衡,自己当 CEO,刘春总裁,邓晔 COO,也没解决问题,斗争更复杂了。2013 年下半年,刘春离职。

2014 年 10 月,搜狐视频收购了 56 网,想补齐 UGC 的短板,可惜没成功。今天的 UGC 可以说几乎都在 B 站、抖音和视频号了。2018 年,张朝阳宣布搜狐视频不再追求购买天价版权剧,转向「小而美」的自制剧和自媒体(PGC)短视频的「双引擎」战略。这之后,提到搜狐视频的越来越少了。也是这一年,《老友记》的版权没了,下架,基本上就是我最后用搜狐视频的时候了。有新闻说 2022 年回归了,我搜了下又没了,不大确定啥时候下掉的。

搜狐视频最新的大新闻,就是 2021 年张朝阳的物理课开播。大家都说,张朝阳好像这次真的在做喜欢的事儿,特别开心。与其说是又拿老板来营销,不如说是张朝阳在完成自己的童年梦想。搜狐视频也往知识内容方向运营,不过目前看收效一般。

在移动时代,搜狐做的转型不光这些,还有很多尝试。

比如搜狐新闻,这个倒是顺畅的过渡,本来门户网站很重点的板块就是新闻。搜狐新闻客户端是当年搜狐的重点业务,2011 年上线,时间还是早的。2013 年 4 月,搜狐新闻客户端用户量突破一亿,国内第一家。2014 年,平台有 130 家媒体入驻,订阅量破 1.6 亿。说媒体入驻就知道了,这时候搜狐新闻还是上一代的新闻客户端。因为那个产品来了。

2014 年 1 月,张朝阳办公室里来了一个年轻人,比他年轻接近 20 岁,叫张一鸣。来聊的当然是今日头条跟搜狐新闻合作的问题,张一鸣比较理想的结果是能多拿点钱做大做强。当时张朝阳没觉得今日头条能怎么样,这种推荐算法为主的新闻媒体质量怕是不行吧。但他觉得今日头条能带量来,相当于我的内容分享给你,大家合作共赢,也没有投资。错失了机会。

不光没投资,2014 年 6 月,搜狐对今日头条提起了版权诉讼,索赔 1100 万。因为今日头条其实是爬取的各家内容,爬完就在当场消费了,不会跳转,同时还把广告删了。不跳转、删广告,相当于夺人钱财,要命的事儿。后来今日头条还是不断跟各方合作,和解是一方面,还推出了头条号,让媒体和个人自己入驻,生态慢慢就建立起来了。新闻领域的产品生态也完全不一样了,搜狐新闻也就慢慢没落了。

搜狐新闻之外,2010 年也跟着新浪微博上线了搜狐微博,包括网易微博,三方竞争。经过两年竞争,新浪微博的先发优势太强了,主要是大 V 和明星的战略思路很靠谱。两年后大战结束,搜狐微博慢慢淡出,基本上看不到了。

别的还有:2014 年的搜易贷,主要产品包括房易贷、车易贷、信易贷,后来改名狐狸金服;2016 年的价值直播,对比秀场直播,2020 年提出知识和价值为核心的直播,后来就有了张朝阳的物理课;2018 年推出的狐友 app,兴趣社交;还有企业邮箱、移动办公产品小 E 等等,都算是小尝试了。

2011 年,在游戏和搜狐视频的加持下,搜狐股价涨到 100 美元,市值 43 亿,这也就是巅峰了。那时候畅游是最好的时候,奥运会赞助的红利延续了 3 年,搜狐视频蒸蒸日上,大家看到搜狗的前景,各方面都很好。

只不过,BAT 乃至后来移动互联网的浪潮都要来了。手里这些业务,都不是那么有生命力。搜狐其实已经是最后一哆嗦,移动时代跟不上了。

张朝阳曾对媒体说,「微博和微信的崛起像是左右扇了我两个耳光」。

2011 年还发生了一件事,张朝阳忽然从公司里消失了,很少出现了。为啥呢,等等说。

营收虽说还在涨,但到了 2014 年就是顶点了。关键这年开始,公司几乎就不赚钱了,持续在亏损中。从 2014 年亏到今天,中间只有一年盈利,因为 2021 年卖出了搜狗。

image

尾声

搜狐为什么是现在这样了?有很多种说法,我们也罗列一下。

第一,对外,缺乏核心业务。搜狐什么都做,门户、视频、游戏、搜索,大而全,不精,跟早期很多互联网公司类似。在 BAT 时代,各方面没有竞争力了,除了门户,基本上都是老二老三。后来到了移动时代也一样,搜狐新闻和搜狐微博都没打赢,那就没有船票了。那个年代还是巨头不断兼并和扩张的阶段,搜狐就持续被挤压。

第二,对内,战略和文化竞争力也变弱。搜狐一般被称为好人文化,张朝阳是个好人,像个有趣的知识分子,不是那种狼性的、杀伐果断的企业家,没有决绝的战斗气质。好处是搜狐员工都赞不绝口,工作体验好,很多人都说他不骂人也不发火,在互联网公司老板里属于相当少见。周鸿祎都评价说:老张太 Nice 了,好人一般打不过坏人,好人没有好报。

早期搜狐度过了很多年美好时光,黄金时代大家相对比较舒服,就没有居安思危。人才也有流失。对比看,搜狐真的是黄埔军校。

收购焦点网之后,焦点网的创始人龚宇加入搜狐,成为副总裁,2007 年成为 COO,2010 年创办百度的视频网站奇艺,后来改名爱奇艺,直到今天也是中国视频巨头的老板。李善友 2000 年加入搜狐做 HR,后来成为搜狐新闻中心总编,2006 年离开创立酷 6 网,2014 年创办混沌大学。酷 6 网的另一个联合创始人韩坤,也是搜狐的主编,酷 6 上市之后,韩坤后来做了秒拍、小咖秀和一直播,算是短视频行业的前辈。古永锵,1999 年以 CFO 身份加入搜狐,后来担任 COO,2004 年离职创业,2005 年创办了优酷网。陈一舟和许朝军我们聊过了,一个是人人网的老板,一个是点点网的创始人。张黎刚,1998 年就加入搜狐担任产品总监,1999 年离职创办艺龙网,是中国最早的在线旅游平台之一,2004 年再次创业创办爱康,后来合并国宾成为爱康国宾,2014 年在纳斯达克上市。这些都算是搜狐出来的老人了。

如果能让这些人内部创业,那搜狐可能就不是今天这样了。当然反过来说,搜狐也未必留得住他们。

还有个视角是,正因为张朝阳都是放养式管理,你们都得自己上阵,才能培养出人才。那时候某些企业家是手把手微操型的,就很难出大将。但说得难听点,就是张朝阳自己管得不多了。到底一把手应该管得多还是管得少,不是个简单的事儿。

说到这个,就要提,搜狐的今天跟一把手的关系可能是最大的。

第一,张朝阳早年间很爱玩。这是他自己说的。一把手的目标,是不是自律、非要做到极致,肯定有影响。后面的企业家创始人,我们也能感知到区别,目标是不一样的。

第二,张朝阳在 2008 年前后焦虑症发作,经常不在公司了,看书、听歌、做瑜伽、登山、跑步变多。2011 年到了顶峰,有一次爬山很严重,焦虑症爆发,2012 年确诊抑郁症,公司错失了黄金时机。他作为当年互联网最巅峰的宗师之一,眼睁睁看着马云马化腾做起来,很焦虑,这种好学生心态让他相当崩溃。这也是为什么他最后还是选择更喜欢的事儿,至少自己能开心。他自己后来就通透很多。

第三,作为物理学出身的张朝阳,有一定技术理想主义,不喜欢烧钱,不喜欢地推,不是那么商人。跟后一代的一些企业家又有很多不一样。

贯穿整个互联网公司历史,我们都能看到,一把手决定公司的未来,无一例外。看张朝阳和张树新,会发现有点相似,又有很多不一样。

回到搜狐的最新情况。

2025 年 5 月 19 日发布的最新财务报告:Q1 总收入 1.36 亿美元,其中在线游戏收入,畅游,主要的游戏还是天龙八部,1.17 亿美元;广告收入 1400 万美元,主要靠搜狐的门户和视频,还是有一些量。那么利润呢,-1600 万。主要靠游戏的高毛利撑着,也没撑到赚钱。

目前的市值,市值是 3.3 亿美元,腾讯差不多是 1776 个搜狐。苹果的话,1 万个搜狐吧。

可以说搜狐就是活化石了。从 1998 年到今天,几乎是 30 年了,想想真快。大家可以现在打开 sohu.com 网站,依然能看到在不断更新的网页信息。

就像有时候看到报刊亭,感觉路过的人也没有驻足看的了,有种淡淡的忧伤。但报刊亭还在,又代表过去的生活也挺真实的。

五道口的搜狐大厦,就在华清嘉园斜对面,上面的公司名字现在是智谱了。时代变了。

image

张朝阳代表的时代确实过去了。搜到一条新闻:2024 年 9 月 15 日,搜狐创始人张朝阳成功蛙泳横渡威海海湾,从刘公岛出发抵达幸福门广场,全程 4.15 公里,耗时 2 小时 36 分钟。身体倍棒,也挺好的。

张朝阳现在讲物理,回归喜欢的事情,也是完全能理解的选择。放到自己的位置上,才能理解吧。

如果用最恰当的一句话总结,张朝阳自己说的很合适:

人会成为经验的俘虏。

参考

没有不可能——并不陌生的张朝阳,董国用

张朝阳:读清华很苦,清华大学

沸腾十五年,林军

沸腾新十年,林军

考入清华,他成了一个“苦行僧”,陈润

王小川:从「孙悟空」到成为自己,锐公司

王小川自述:狐狸的子宫里为什么能长出狗?创业家

搜狗创始人王小川的执着人生,鬼文子

四个男人的抢“狗”戏,南方周末

告别搜狐:大鹏和中国网络视频的最好时光,深网

发力自制、强调低成本,搜狐视频的“小而美”困境,犀牛娱乐

好人张朝阳,三联生活周刊

我曾经想被全世界认可,如今只忠于自己,风眼

张朝阳放不下搜狐视频,海克财经

听张朝阳聊内部创业和走出抑郁,程苓峰

报道:“注意张朝阳经济”,三联生活周刊

商界40年系列:张朝阳

光荣与梦想:互联网口述系列丛书·张朝阳篇

跳转微信打开

  •  

AI 时代的质量门禁左移:Agentic Quality Engineering 架构与落地模板

移动产品研发团队 2026-06-18 12:00 北京

AI质量门禁左移的架构实践

01#

 为什么质量门禁必须左移

AI 编码改变的不是单个开发者的写代码速度,而是整个交付系统里的流量分布。过去很多团队的瓶颈在“代码写不完”;现在瓶颈会快速迁移到 Review、测试、验收、复验和线上风险处置。

如果质量门禁仍然放在提交之后,团队会看到一个很典型的现象:代码变更多了,Review 队列更长了;功能分支更多了,测试环境更拥堵了;问题暴露更晚了,修复成本也更高了。质量门禁左移的本质,是把验证能力前置到开发活动内部,让每次 AI 参与生成的变更都能尽早进入可执行的验证闭环。

左移不是多测一点,而是改变验证能力的位置

  • 从人工经验到显式契约:把入口、环境、动作、断言和证据要求写成 AI 可执行的结构。

  • 从结论驱动到证据驱动:任何通过、失败、阻塞都必须能回看截图、日志、网络请求、结构树或度量数据。

  • 从单点工具到系统能力:自动化执行、环境准备、报告治理、复验入口都要进入同一条链路。

02#

 AI 在质量门禁中的角色:

 从 Copilot 到 Quality Orchestrator

AI 参与的是整条质量门禁链路的编排。它通过 Harness 管理上下文,通过 Agent 拆解任务,通过 Subagent 承担专项验证,通过 Skills 调用稳定工具,最后把证据交给门禁规则做可审计判定。

  • Harness:质量门禁的运行框架,管理上下文、工具、状态、权限、日志和执行约束。

  • Agent:质量任务负责人,负责理解变更、识别风险、规划验证路径和解释证据。

  • Subagent:专项验证角色,例如 UI、Network、Telemetry、Visual、Report,各自只处理清晰边界内的问题。

  • Skills:可复用工程能力封装,例如进入指定页面、采集截图和结构树、抓取请求、校验字段、生成复验报告。

    agentic_quality_gate:
      harness:
        owns:
          - context_window
          - tool_registry
          - execution_state
          - audit_log
          - permission_boundary
      planner_agent:
        responsibilities:
          - understand_change
          - identify_risk
          - select_gate_level
          - dispatch_subagents
          - summarize_evidence
      subagents:
        ui_subagent:
          skills: [navigate_to_page, capture_screenshot, inspect_ui_tree]
        network_subagent:
          skills: [start_capture, filter_requests, assert_fields]
        telemetry_subagent:
          skills: [collect_events, compare_event_schema, count_occurrences]
        report_subagent:
          skills: [assemble_evidence, classify_failure, create_recheck_entry]
      rule:
        ai_orchestrates: true
        gate_decision_remains_rule_based: true

    03#

     参考架构:

     AI Harness 驱动的质量门禁系统

    要支撑大量 AI 生成代码的 Review 和测试,质量能力需要被封装成稳定的系统,而不是分散在个人脚本、口头经验和临时检查清单里。更合适的架构是:AI Harness 承载上下文和运行约束,Planner Agent 负责任务规划,Specialist Subagents 分工处理专项验证,Skills 调用稳定工具,真正的采证和判定由可审计的工程模块完成。

    架构边界要清楚

    • AI Agent:负责任务拆解、风险识别、调用工具和解释证据,但不直接替代门禁判定规则。

    • 执行运行时:负责真实环境操作,包括 UI、接口、网络、Mock、设备或浏览器能力。

    • 证据总线:负责把过程数据统一收口,避免“通过了但无法证明”。

    • 门禁引擎:负责把不同证据映射为 PASS、FAIL、BLOCK,并产生可追溯报告。

      quality_gate_system:

        trigger:

          - ide_generated_change

          - pull_request

          - pre_merge_ci

        ai_harness:

          context:

            - requirement

            - code_diff

            - case_library

            - historical_defects

          guardrails:

            - single_case_transaction

            - evidence_required_before_pass

            - block_when_context_missing

        planner_agent:

          output:

            - risk_assessment

            - gate_level

            - subagent_plan

        subagents:

          - ui_subagent

          - network_subagent

          - telemetry_subagent

          - visual_subagent

          - report_subagent

        contract:

          input: requirement_or_diff

          output: executable_case_dsl

        runtime:

          capabilities:

            - skills.ui_operation

            - skills.api_replay

            - skills.network_capture

            - skills.mock_injection

            - skills.visual_compare

        evidence:

          required:

            - screenshots

            - ui_tree

            - network_trace

            - logs

            - assertion_result

        gate:

          decisions:

            pass: evidence_complete_and_assertions_met

            fail: assertion_failed_with_repro_steps

            block: environment_or_evidence_not_ready

      04#

       核心抽象:

       把测试用例写成 AI 可执行契约

      AI 不怕用例长,AI 怕用例模糊。面向人的测试说明可以依赖经验补全上下文,但面向 AI 的自测用例必须像接口协议一样明确:输入是什么、环境如何准备、入口如何定位、每一步如何执行、证据如何收集、什么情况下不能继续。

      技术人员更容易复用的契约模板

      契约并不是为了“把用例写复杂”,而是为了把 AI 原本需要猜的上下文变成明确输入。契约越清楚,AI 的执行越稳定,Review 的证据越可复查。

        case:


          id: mobile_entry_bubble_hide_after_click


          goal: verify_entry_bubble_disappears_and_target_tab_selected


          risk_level: high


        preconditions:


          account:


            login: required


            permissions: [content_access]


          device:


            platform: mobile


            orientation: portrait


          experiment:


            entry_bubble_enabled: true


          data:


            channel_has_reservation_bubble: true


        entry:


          route: app_home_to_channel_page


          anchors:


            - channel_tab_visible


            - reservation_bubble_visible


          ready_when:


            - page_stable_for_ms: 1200


            - loading_indicator_absent: true


        steps:


          - action: tap


            target: reservation_bubble


            observe:


              - target_tab_selected


              - bubble_not_visible


        assertions:


          functional:


            - reservation_bubble.visible == false


            - selected_tab == target_tab


          telemetry:


            - event_name == entry_bubble_click


            - request_count == 1


          visual:


            - no_overlap_around_tab_area


        evidence:


          required:


            - before_screenshot


            - after_screenshot


            - ui_tree_after_action


            - network_trace


            - final_report





        05#

         执行状态机:

         让 AI 只能在证据闭环里给结论


        很多 AI 测试实践失败,不是因为 AI 不够聪明,而是因为执行过程没有状态机约束。只要允许 AI 在证据不足时继续往下走,就会出现“看起来执行了,但结论不可信”的情况。

        一个可靠的执行引擎应该把每条用例当成事务:准备失败就是 BLOCK,导航失败就是 BLOCK,断言失败才是 FAIL,证据缺失不能写 PASS。

        06#

         技术广度:不是只测功能,

        而是建设一条证据流水线


        质量门禁左移要解决的不只是“功能是否能点通”。在真实研发里,很多线上问题来自埋点字段错误、UI 偏差、弱网异常、状态污染、兼容性、性能退化或灰度配置错误。架构上要预留足够的证据类型和断言扩展点。


        证据模型要足够宽

        • 功能证据:用户动作前后的截图、页面结构、状态持久化结果。

        • 数据证据:接口请求、字段值、请求次数、链路耗时、错误码。

        • 视觉证据:运行截图、设计源、控件边界、差异定位。

        • 环境证据:账号、设备、版本、网络、实验、Mock、缓存状态。

        • 治理证据:失败归因、阻塞原因、复验记录、趋势指标。

        07#

         门禁策略:

         用风险分级决定验证深度

        不是所有变更都应该跑同一套重型验证。合理的做法是用风险模型选择门禁强度:低风险变更快速验证,高风险链路进入更完整的证据闭环,涉及关键业务、支付、账号、埋点或 UI 核心路径时再提高验证级别。

          risk_model:

            dimensions:

              business_impact:

                high: payment, login, content_publish, critical_entry

                medium: recommendation, notification, profile

                low: copywriting, non_core_style

              change_complexity:

                high: cross_module_or_state_machine_change

                medium: single_module_logic_change

                low: static_resource_or_copy_change

              evidence_requirement:

                high: screenshot_plus_network_plus_logs_plus_replay

                medium: screenshot_plus_network

                low: smoke_result

          gate_level:

            L1: low_risk_fast_gate

            L2: standard_gate_for_user_visible_change

            L3: strong_gate_for_core_path_or_ai_generated_large_diff

          08#

           实际案例:

           移动端入口气泡的完整自测闭环


          下面用一个抽象后的移动端案例说明如何落地。需求是:频道页存在一个“预约气泡”,用户点击气泡后,应进入目标 Tab,气泡消失,并触发一次正确上报。这个需求看似很小,但覆盖了入口定位、状态切换、UI 展示、埋点上报和证据复验。


          这个案例能迁移到哪些场景

          • 入口类需求:浮层、气泡、弹窗、运营位、Tab、快捷入口。

          • 状态类需求:领取、预约、关注、收藏、订阅、购买、开关切换。

          • 上报类需求:点击、曝光、停留、转化、异常路径采集。

          • 视觉类需求:首屏布局、边界遮挡、动态字体、深色模式、多端适配。





          09#

           落地路线:

           从工具试点到组织级质量资产

          真正能复利的不是“跑通一次 AI 自测”,而是让每次执行都能沉淀资产。用例会变成契约库,证据会变成问题样本,阻塞原因会变成基础设施建设清单,报告会变成质量趋势。


          建议优先观察的指标

          • 提测前缺陷拦截数:验证质量是否真的前移。

          • AI 自测覆盖率:核心链路中可执行契约的覆盖比例。

          • BLOCK 原因分布:环境、数据、入口、证据、工具能力哪个最拖后腿。

          • 报告有效率:有结论、有证据、有归因、有复验入口的报告比例。

          • 复验耗时:修复后从触发复验到给出可信报告的平均时间。









          10#

           写在最后:

          AI工程化的核心竞争点会转向验证系统

          AI 编码会继续提升代码生产效率,但工程组织之间的差距不会只体现在“谁生成代码更快”。更关键的问题是:当代码生成速度提升之后,团队是否拥有足够强的验证系统来承接这些变更。

          质量门禁左移的价值,是把测试从后置的人力活动,升级为开发过程中的系统能力。它要求团队把经验契约化、把执行状态机化、把证据流水线化、把报告治理化。这样,AI 才不只是一个写代码的助手,而是进入了一套能支撑真实交付的工程闭环。

          图片


          这张成绩单,数字一个比一个猛!

          别让AI瞎猜了:用Harness Engineering 终结无限返工

          内存峰值降60%+,动图加载快75%:爱奇艺图片库一次从'能用'到'极致'的跨越

          零侵入、低成本!轻松为老系统注入 AI 灵魂

          治愈 Cursor AI 编程的 “幻觉”?用它就够了!

          跳转微信打开

          •  

          统一科学大模型 LOGOS 正式开源

          通义实验室 2026-06-18 10:32 浙江

          用一个“科学语法”打通科学语言与自然语言的边界

          在 AI for Science 领域,我们一直在思考:蛋白质、小分子、材料和化学反应等科学对象,能不能像人类语言一样,被一个模型统一建模和生成?

          现状是,AI4S 的主流路径是为每个问题训练一个专家模型。结构预测有专门的模型、分子生成有专门的模型、逆合成规划又有专门的模型。它们各做各的,跨领域知识很难迁移复用。

          更关键的是,它们大多构建在一套独立于大语言模型的技术栈之上:依赖稀缺的 3D 坐标数据和专用的几何网络,与 LLM 生态已有的成熟工程基建也是完全割裂的。

          但 LLM 已经在自然语言领域证明了"一个模型解决万千任务"的可行性。AI for Science 能不能也走通这条路?

          LOGOS(Language Of Generative Objects in Science) 给出了一条具体路径:设计一套"科学语法",让多领域科学数据原生地运行在大语言模型框架之内。

          LOGOS是什么?

          它是由 ATH-Token Foundry 联合中国人民大学高瓴人工智能学院开源的基于统一“科学语法”的多领域科学生成基础模型。

          核心洞察在于:蛋白质、小分子、材料虽然表面各异,但底层遵循着相似的组成规则、结构约束和相互作用语义。它们本就是同一种“科学语言”的不同方言。统一语法的价值也正在于此,跨领域知识迁移、多任务协同优化、预训练与下游目标对齐,都因为有了共同的语言基础而成为可能。

          性能总览:六个任务一图看懂

          在深入技术细节前,我们先看看 LOGOS 的“实战成绩单”。在六大代表性科学任务上,LOGOS 以纯序列建模范式,一致性地匹配或超越了领域专用方法。

          尤其值得关注的是它的参数效率。LOGOS-1B 仅用 1/56 的参数量(1B vs 8×7B),就在多个任务上超越了 NatureLM,展现了极高的参数效率。

          实验亮点:几大任务逐一解读

          🟣 任务1:口袋条件配体生成 —— 纯序列首次打败3D扩散模型

          这是 AI 制药最核心的应用场景:给定一个蛋白质口袋,生成能精准结合的小分子药物。

          LOGOS-1B 仅用约 1/56 的参数量就超越了 NatureLM(8×7B),展现出极高的参数效率。

          在纯序列范式下,它的表现超过了依赖 3D 坐标的扩散模型,这说明将空间结构转化为序列的方案确实有效。生成的分子同时满足了结合亲和力、药物相似性和合成可行性三重要求,具备了实际药物设计的潜力。

          🟣 任务2:逆合成预测 —— 直接辅助化学合成路线规划

          给定一个目标分子,预测出合成它所需的前体分子。这是化学家设计合成路径时的核心工具。

          LOGOS 的 Top-1 准确率达到 74.8%,全面超越所有基线方法。这意味着化学家可以直接用 LOGOS 来辅助设计合成路线,减少试错成本。

          🟣 任务3:口袋位点识别 —— 仅靠序列预测蛋白质结合位点

          预测蛋白质表面哪里能结合小分子,是药物发现的起点。传统方法必须依赖 3D 结构数据,但大量蛋白质根本没有可用的 3D 结构。

          LOGOS 仅用氨基酸序列,就在 HOLO4K 数据集上达到 58.5% 的 Top-n 准确率,超越所有传统 3D 方法(除P2Rank外)。这一结果将口袋识别从“依赖3D结构”扩展至“仅需序列信息”的新范式。

          🟣 任务4:MOF材料生成 —— 探索未知化学空间

          生成新型金属有机框架材料,这类材料在气体存储、分离、催化等领域有重要应用。

          LOGOS 生成的 NBB(新型构建单元比例)从 MOFFlow-2 的 10.10% 提升至 17.78%,提升幅度达 76%。模型具备超越训练数据已有组分、生成全新分子构件的能力。AI对科学的推动,不应止步于再现已知,更应面向未知空间的生成与创造。

          另外两个任务:蛋白质编辑(Hard 难度 Fitness 达 0.93,相比基线 0.34 提升 174%)和抗体 CDR 设计(AAR 达 79.82%,超越结构依赖的逆折叠方法 RADAb)同样优于现有最强基线,进一步验证了 LOGOS 在更广泛场景下的泛化能力。

          核心突破在哪,三个关键设计

          LOGOS 严格按照科学界的“知识体系”来挑选模态的。

          核心主干

          蛋白质是生命活动的核心执行者,小分子是调控蛋白质功能、干预生命过程最重要的化学手段。它们是科学界的两大核心。

          家族扩展

          抗体是具有高度序列多样性与特异性识别能力的特殊蛋白质,是生物大分子家族中不可忽视的成员;化学反应与功能材料则从转化过程与物质组成的角度,进一步拓展了小分子化学空间的知识覆盖。

          界面互作

          蛋白质与小分子并非孤立存在,二者之间的界面互作——尤其是蛋白质结合口袋对小分子配体的选择性识别——构成了连接生物大分子与化学实体的关键纽带,也是理解分子识别机制与药物作用机制的基础。

          基于这套逻辑,LOGOS 构建了涵盖 7 类模态、总计 44.87B tokens 的庞大预训练语料库:

          • 生物大分子层 蛋白质(28.9B tokens)+ 抗体(3.0B tokens)

          • 化学实体与转化层 小分子(2.1B tokens)+ 化学反应与MOF材料(0.47B tokens)

          • 界面互作层 蛋白质口袋(5.8B tokens)+ 蛋白口袋-配体复合物(4.6B tokens)

          这就确保了这本“字典”不仅词汇量大,而且符合真实的科学规律。

          🟣 创新点一:统一"科学语法" + 空间交互的离散化

          这是 LOGOS 最具突破性的设计,由两个相辅相成的部分构成。

          技术A:统一词汇表,万物皆可 Token

          LOGOS 设计了一套共享词表,把蛋白质、小分子、材料等原本“鸡同鸭讲”的异构对象,全部编码成统一的离散 Token 序列。这让它们得以在同一个生成空间中被大模型“自回归”地理解和生成。

          技术B:无需3D坐标,用序列读懂空间

          传统 AI 要看懂蛋白质和小分子怎么结合,须依赖显式 3D 坐标和复杂的几何神经网络。LOGOS 发明了一种“文字描述法”:它把 3D 空间接触模式直接“语法化”为离散 Token。

          把蛋白质口袋的三维关系写成了三种递进的“文字序列”:残基-口袋标注序列:先标出氨基酸级别的基本信息;残基-口袋-小分子展开序列:加入表面接触信息,让结构更立体;残基-口袋转换序列:通过一个特殊的标记,把氨基酸和分子结构在序列里强行“对齐”。

          结果就是:LOGOS 完全不需要输入 3D 坐标,仅靠“读文字”(序列预测),就能在脑海里构建出复杂的 3D 空间互作规律。

          🟣 创新点二:预训练和下游任务,形式和目标完全一致

          传统范式中,换一个研究环节(比如从结构预测换到分子生成),往往就得换一套新模型和新假设。 同时,预训练目标与下游任务之间存在显著的"目标偏差",这种“学用脱节”导致模型落地时需要大量微调。

          LOGOS的科学语法设计彻底解决了这个问题:

          • 形式一致:预训练数据的序列形式等于下游任务的输入输出形式

          • 目标一致:预训练的 next-token prediction(预测下一个词)等于下游的条件生成目标

          这种 form-objective alignment 有效消除了预训练与下游应用之间的 gap,无需复杂的适配层或大量微调即可激活生成能力。

          🟣 创新点三:跨领域知识正向迁移,实验证实有效

          统一语法不仅让科学对象们“语言相通”,更让它们在底层“知识共享”。为了验证 LOGOS 是否真的学会了跨领域的知识,团队进行了深入的探究。

          验证“跨语言翻译”能力

          模型看到蛋白质的“方言”(氨基酸口袋序列),能直接“翻译”出小分子的“方言”(SMILES结构)。这证明它真的学会了两者之间的对应关系。

          验证统一语法组分的必要性

          团队做了一个“拆解实验”来验证每个设计环节的价值:如果去除口袋与复合物数据,模型性能接近随机(Vina -3.57);加入全部语法组分后性能大幅跃升(Vina -7.64)。

          验证“1+1>2”的协同效应

          让模型同时学四个任务,效果反而比各自独立训练更好,证明了跨领域的正向知识迁移。

          “

          LOGOS 的实践证明了:AI for Science 的发展不在于重新构建与 LLM 割裂的独立技术栈。而在于让科学基础模型与大语言模型深度对齐——共享架构、共享训练范式、共享推理基础设施——从而使基础模型真正成为 AI4S 的新入口。

          ”

          通过继承 LLM 的预训练权重,科学模型能够直接复用 vLLM 推理加速、模型量化等成熟的工程基建,大幅降低训练与部署成本。同时,统一的语法空间打破了学科壁垒,使得生物、化学、材料等不同领域的数据能够在同一个模型框架内回流训练,形成跨领域的知识闭环。

          从“筛选已知”到“设计未知”,LOGOS 正在推动自然科学研究向“设计驱动”与“发现驱动”转变。未来,团队将进一步把这套“科学语法”扩展至基因组等更多领域,并探索科学语言与自然语言的深度融合,致力于构建一个真正通用的科学基础模型。

          现在,欢迎体验与使用 LOGOS。我们完整开源了模型权重、推理代码与技术报告,获取方式如下:

          🤗 HuggingFace:https://huggingface.co/LOGOS-Hub

          💻 GitHub:https://github.com/LOGOS-Hub/LOGOS

          📄 技术报告 (Paper):https://arxiv.org/abs/2606.16905

          推荐阅读

          Qwen-Robot 发布:打通大模型到物理世界的最后一公里

          只给一份文档,Qwen3.7-Max 从 0 交付双端应用

          跳转微信打开

          •  

          B站特征选择算法LeAP:模型的“精准瘦身”实践

          原创 AI 2026-06-17 12:00 上海

          在深度学习推荐系统中,想要自动化地筛选特征,并没那么简单。

          论文arxiv:https://arxiv.org/abs/2606.01111(作者:bilibili搜索团队。已被ECML-PKDD 2026录用)

          一、现状与挑战

          在深度学习推荐系统中,想要自动化地筛选特征,并没那么简单。现有的特征选择方法在真实的工业场景下,目前依然存在以下挑战:

          挑战1 维度异构问题

          工业模型的输入极其复杂,既有 1D 的连续统计特征,也有高达 128D 甚至 256D 的用户行为序列 embedding。用统一的惩罚项来约束所有特征,这就导致高维特征天然能产生更大的梯度来对抗惩罚;而有用的 1D 特征更容易被稀疏化。

          挑战2 稀疏特征问题

          真实场景中存在长尾特征,99%以上的样本在这个特征上都是默认值。现有的特征选择算法常把这种“低激活频次”误认为是“毫无用处的噪音”,从而施加重罚直接剔除,导致模型丢失了关键的个性化长尾信号。

          挑战3 排列(Permutation)方法的算力问题

          什么是 Permutation [1] ?它的核心思想是:如果想知道某个特征到底重不重要,就把这一列特征的样本数据彻底打散(Shuffle),人为制造噪声以切断它与真实标签之间的关联,然后看模型的预测性能掉了多少。性能掉得越惨,说明特征越关键。

          虽然这种方法直观、客观且具有很强的模型无关性,但它要求对成百上千个特征依次、孤立地进行打乱和重新前向推理。这种次推理的计算复杂度,在动辄几十上百亿样本的大规模数据流中,面临严峻的算力问题。

          挑战4 掩码门控(Mask-Gate)的权重代偿与不极化困境

          业界主流的深度学习特征选择通常基于掩码门控机制 [2,3,4],但在端到端联合训练时,门控变量与网络下游权重存在严重的代偿效应。当正则化项施压迫使门控值缩小时,为了维持原有特征的信息传递量,模型会自动放大该特征对应的下游网络参数进行补偿。这种代偿机制使得特征得分往往停留在非零的模糊区间,无法实现向 0 或 1 的极化收敛。由于门控分数的绝对值无法直接反应特征真实贡献,特征保留的阈值划定退化成了繁复的阈值试错过程,大幅增加了验证成本。

          挑战5 超参调节问题

          工业级特征选择模块应当具备极简的超参空间。部分现有方法(如 LPFS [2])为了强制特征重要性收敛到0,引入了复杂的极化函数,额外增加了多达5个以上的超参数,不同超参数组合产出的特征重要性又不一致,导致实际使用的困难。

          二、LeAP: 把“特征打散”做成

          端到端可学,并采用自适应

          梯度去偏的正则稀疏

          为了推翻这五个挑战,LeAP (Learnable Adaptive Permutation)放弃了传统的离散打乱验证,将计算密集型的特征打散过程改造成了一个复杂度的端到端可学习模块。

          核心网络架构与公式化表述

          理论上,我们可以将门控网络插入到模型的任何位置,但在工程实践中,为了方便和通用性,LeAP 通常在模型的特征拼接层之后插入一个轻量级的门控模块。

          在每一次 batch 训练中,我们通过算法在 batch 内部对第 i 个特征进行独立洗牌,生成服从原始边缘分布的“伪造噪声”。为了让大家更直观地理解这个过程,这里贴一段精简后的 TensorFlow 核心代码:

            # shuffle all feature
            # hidden is the feature concat representation
            def shuffle_all_features(hidden, fea_dim_range_dict):
                """
                对 hidden(形状 [B, D]) 的所有特征做样本间行洗牌。
                不同的特征使用不同的随机排列。

                fea_dim_range_dict: 类似 {
                    fea_0: {'dim_start':0, 'dim_end':3},
                    fea_1: {'dim_start':3, 'dim_end':7},
                    fea_2: {'dim_start':7, 'dim_end':10},
                    ...
                }
                返回: shape=[B, D] 的张量,逐特征完成洗牌。
                """
                # 先把特征 ID 排序,确保按原顺序拼接回去
                sorted_keys = sorted(fea_dim_range_dict.keys())

                shuffled_blocks = []
                for f in sorted_keys:
                    d_start = fea_dim_range_dict[f]['dim_start']
                    d_end   = fea_dim_range_dict[f]['dim_end']

                    # 切出这个特征的列区间
                    mid_part = hidden[:, d_start:d_end]  # [B, (d_end - d_start)]

                    # 对该特征单独生成一个随机行排列 perm_f
                    B = tf.shape(mid_part)[0]
                    perm_f = tf.random.shuffle(tf.range(B))  # [B], 每行打乱

                    # 对 mid_part 行洗牌
                    mid_part_shuffled = tf.gather(mid_part, perm_f, axis=0)

                    shuffled_blocks.append(mid_part_shuffled)

                # 把所有洗牌后的分块按列拼回 [B, D]
                hidden_shuffled = tf.concat(shuffled_blocks, axis=1)
                hidden_shuffled.set_shape([None, hidden.shape[1]])
                return hidden_shuffled

            接着,引入一个特征专属的可学习门控变量(通过 Sigmoid 函数参数化),将原始特征与噪声特征进行无缝的融合组合:

            这里使用了一个至关重要的操作——。这个操作的作用是确保反向传播时,梯度不会通过噪声分支传回去污染上游。

            为了促使特征走向稀疏,我们在模型的总损失(Total Loss)中加入了正则项约束:

            很明显,如果一个特征是冗余的,用噪声替换它后模型的并不会受到影响。那么在正则化的持续施压下,就会被压向0。

            • 当时,模型完全依赖真实的原始特征;

            • 当时,模型则倾向于完全使用打散后的噪声。

            对比掩码门控(Mask-Gate),LeAP 的核心机制转变在于,将特征层面的“幅度缩放”(Masking)替换为了“信息替换”(Noise Substitution)。 面对按比例混入的真实打散特征,由于洗牌操作直接切断了该维度与 Label 之间的互信息,下游网络即使试图通过放大权重来进行代偿,也只会成比例地放大纯噪声的方差,进而导致模型整体的 Task Loss 迅速恶化。这种结构设计从根本上阻断了网络的代偿退路:对于核心特征,模型必须顶着正则压力维持其门控值。

            【自适应梯度去偏正则】

            为了解决异构维度和极度稀疏问题,LeAP 抛弃了统一惩罚(如全局 L1 正则),创新性地提出了 基于特征打散差异(Shuffle Divergence)的自适应正则化。

            我们在每次 batch 训练中,实时计算原始特征与其被打乱版本之间的 L2范数差异:

            为了防止常数特征的 Shuffle Divergence 计算为 0 导致惩罚项失效,LeAP 会对其设置一个下界截断。

            通过指数移动平均(EMA)在整个训练周期内平滑这个散度得到后,特征 i 的自适应正则化权重被定义为:

            这里的是我们在全局设定的稀疏项超参数,这也是 LeAP 中唯一需要调参的变量。

            为什么这个设计能解决上述的异构与稀疏难题?这背后隐藏着非常巧妙的梯度动力学机制。损失可以拆分成任务损失和正则损失。根据链式法则,任务损失对门控变量的偏导数最终可以推导并解耦成如下两部分的乘积:

            正如公式所示,任务梯度的更新力度本质上由两项决定:

            (1) 真实敏感度(Sensitivity):模型任务本身对该特征表征的敏感程度,这才是我们真正想要的“特征重要性”指标。

            (2)打散差异(Shuffle Divergence):特征被打散前后的物理距离偏差,高维特征或稠密特征的物理差异天生就很大,这导致它们的梯度是被严重放大。这其实是一种不公平的“特征梯度偏差(Bias)”。

            而 LeAP 的精妙之处在于,我们将正则化惩罚项设置成了与正相关的。在反向传播中,总损失等于任务损失+正则损失。任务损失对门控产生的梯度本质上是,而正则损失的梯度则是。当任务损失与正则损失进行对抗时,这个偏差项就被抵消了! 

            最终的梯度方向,变成了特征的真实敏感度期望(特征重要性)与我们设定的全局稀疏化超参之间的纯粹较量。

            这套设计在数学上带来了一个极其优雅的特性:高可解释性与天然的极化趋势。

            在这里,“高可解释性”有着明确的物理意义:在设定了当前正则系数的前提下,门控分数直接反映了该特征能否被随机打散的噪声安全替换的概率 。

            同时,正因为优化的核心变成了与的直接拉扯,对于绝大多数特征而言,其敏感度与设定的之间存在明确的强弱差异:如果有用特征的敏感度压过了,它就会在梯度驱动下坚定地奔向 1;反之,若敏感度不足以抗衡,冗余特征则会被快速压向 0。

            上图是一个真实业务模型产生的特征重要性频数分布图,如图所示,LeAP 学出的特征重要性呈现出非常清晰的两极分化。这意味着算法工程师不需要像以前那样反复调参、设置多个阈值。在实际业务中,我们通常直接设定 0.5 作为分界线,就能干脆利落地“一刀切”,大大提升了特征筛选的确定性和迭代效率。

            三、真实的工业落地:

            在复杂业务中实现降本增效

            在公开数据集(Criteo [9] , Avazu [7] , ML-1M [6] , AliCCP [8] )上,LeAP 在不同剪枝率下的表现均达到了现有的 SOTA(State-of-the-Art)水平。

            在实际的真实业务生态中,目前,LeAP 已经在B站内的多个核心业务场景中成功落地应用。

            为了验证 LeAP 在业务场景下的能力,我们在一个包含 12,000+ 维特征、checkpoint大小高达 2TB 的排序模型上进行了离线验证。LeAP 成功识别出超过 3,600 个(占比超 30%)冗余特征维度,且离线评估指标没有任何降低。这充分证明了它在应对大规模工业模型时的有效性与稳健性。

            LeAP 带来了:

            • 推理提效,降本增效: 在各个业务线的多种模型场景中,LeAP 初次使用普遍有效删减了 15%~50% 的冗余特征。在保持线上核心业务指标(如播放量、互动量等)稳定的前提下,单模型的线上推理资源消耗直接降低了 5%~20%。

            • 加速日常特征迭代: 当算法团队引入一批新特征时,不再需要“盲人摸象”。先让模型训练收敛一段时间,随后接入 LeAP 跑一遍,可以直接客观评估新特征的实际价值,从而进行针对性筛选。这种“白盒化”的迭代体验,大幅缩短了实验验证周期,避免了无效特征对计算资源的无谓消耗。

            综上所述,LeAP 通过将离散的特征打乱过程转化为端到端的可学习门控网络,并结合优雅的自适应梯度去偏机制,成功解决了工业界特征选择中的维度异构与长尾稀疏难题。这套方法不仅在理论和公开数据集上得到了验证,更在 B站复杂的真实业务生态中实现了真正的降本增效。

            引用

            [1] Fisher, A., Rudin, C., Dominici, F.: All models are wrong, but many are useful: Learning a variable’s importance by studying an entire class of prediction models simultaneously. Journal of machine learning research: JMLR 20 (2019)

            [2] Yi Guo, Zhaocheng Liu, Jianchao Tan, Chao Liao, Daqing Chang, Qiang Liu, Sen Yang, Ji Liu, Dongying Kong, Zhi Chen, et al. 2022. LPFS: Learnable Polarizing Feature Selection for Click-Through Rate Prediction. arXiv preprint arXiv:2206.00267 (2022).

            [3] Yejing Wang, Xiangyu Zhao, Tong Xu, and Xian Wu. 2022. AutoField: Automating Feature Selection in Deep Recommender Systems. In Proceedings of the ACM Web Conference.

            [4] Yejing Wang, Zhaocheng Du, Xiangyu Zhao, Bo Chen, Huifeng Guo, Ruiming Tang, and Zhenhua Dong. 2023. Single-shot Feature Selection for Multi-task Recommendations. In Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. 341–351.

            [5] Jia P, Wang Y, Du Z, et al. Erase: Benchmarking feature selection methods for deep recommender systems[C]//Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2024: 5194-5205.

            [6] https://grouplens.org/datasets/movielens/1m/

            [7] https://www.kaggle.com/competitions/avazu-ctr-prediction

            [8] https://tianchi.aliyun.com/dataset/408

            [9] https://ailab.criteo.com/ressources/

            -End-

            作者丨r小黑、芯艺、飞戈、ylin、海忻、问天

            跳转微信打开

            •  

            别只盯着模型:Agent 真正的护城河,是这四层循环

            高可用架构 2026-06-17 11:36 广东

            为什么你的 Agent 总是跑不稳?你可能只搭了第一层

            导读:本文由 LangChain 开源开发者 Sydney Runkle 发布,指出循环设计能显著提升 AI agent 的有效性和自主性。

            文章详细介绍四种循环:代理循环、验证循环、事件驱动循环和爬山循环,并展示如何用 LangChain 原语组合实现。这些循环通过自验证、事件响应和轨迹优化等机制,帮助开发者在不更换模型的情况下改进 agent 表现。

            Image

            Agent 之所以有用,是因为它们能通过在现实世界中采取行动,帮助我们自动化工作。但要让 Agent 可靠地完成有价值的工作,不能只靠一个好模型,还需要一个精心设计、适配一组任务的运行框架。

            Agent 的核心算法很简单:给 LLM 上下文,让它在循环中调用工具,直到任务完成。这是最基础的循环。但驱动 Agent 的循环远不止这一种。@swyx[1] 最近写了一篇很好的文章,讨论 "loopcraft: the art of stacking loops"[2],也就是通过叠加和扩展循环来构建更有效的 Agent。

            下面是我们理解这组循环栈的方式,以及如何用 LangChain 的基础组件为每一层加上观测和控制。

            循环 1:Agent

            Agent 的核心,其实就是模型在循环中调用工具,直到任务完成。

            Image

            这正是 LangChain 的 create_agent[3] 提供的能力。选择任意模型,接入工具,你就有了一个可以工作的 Agent 循环。工具让 Agent 具备了在现实世界中采取行动的能力。

            以我们的内部文档 Agent 为例,后文也会继续用它作为贯穿示例。在第一层循环中,它会收到一个改进文档的请求,模型进行规划并起草修改,然后用工具克隆仓库、读取文件、编写文档、打开 pull request,等等。

            Image

            第 2 层:验证循环

            Agent 循环可以完成工作,但它第一次产出的结果并不总是正确或一致。当一致性很重要时,通常值得在外面包一层验证循环,用来检查输出,并在结果不达标时把反馈发回给模型。

            Image

            验证循环会加入一个评分器:它根据评分标准检查 Agent 的输出。如果检查失败,就把结果和反馈一起发回。评分器可以是确定性的,也可以是 Agent 式的,这里经典例子就是用 LLM 作为裁判。

            RubricMiddleware[4] 可以处理这种模式,你也可以在 create_agent 的 after_agent hook 里自己接起来。

            回到文档写作 Agent 的例子,评分器会在每次尝试后运行测试,检查所有链接是否可访问,所有 CI 检查是否通过,diff 是否只覆盖实际请求的范围。捕获这几类错误不需要人工审核。

            Image
            Image

            一个权衡是:加入验证会增加每次运行的延迟和成本。当质量比速度更重要时,它是值得的,而大多数生产用例都属于这种情况。

            第 3 层:事件驱动循环

            Agent 开发中最重要的部分之一是集成层:把 Agent 连接到你的生态系统里,让它可以在后台运行。

            事件驱动循环会把 Agent 连接到你的生态系统。一个事件触发了,新文档落地、定时任务启动、webhook 到达,然后 Agent 开始运行。Agent 不再是一个需要你手动调用的东西,而是在更大系统中持续运行的组件。

            Image
            Image

            LangSmith Deployment[5] 支持触发器基础设施,包括 cron 定时任务和 webhook。cron 的一个常见例子是 openclaw[6] 中的 “heartbeats”,它们会把你的 Agent 变成一个始终在线、主动工作的助手。

            我们的文档 Agent 由 Fleet[7] 驱动,这是我们的无代码 Agent 构建器。Fleet 的 channels[8] 和 schedules[9] 负责事件驱动和 cron 风格的触发。我们使用一个 channel,在有人向我们的 #docs[10]-plz Slack 频道发送消息时触发文档 Agent。

            Image

            第 4 层:爬坡循环

            前三个循环自动化的是工作。第四个循环,也可以说是最重要的循环,自动化的是改进。

            Image

            每次 Agent 运行都会产生一条 trace:它记录模型做了什么、调用了哪些工具、评分器反馈是什么,等等。这些 trace 里包含很有价值的信息,能说明哪些地方有效,哪些地方无效。爬坡循环会让一个分析 Agent 读取这些 trace,并根据发现重写运行框架,给出改进后的配置。这可能包括调整 prompt、工具或评分器。

            在 LangSmith 中,你可以用我们的 trace 分析 Agent Engine[11] 来搭建第四层循环。

            继续回到文档 Agent 的例子:我们让 Engine 分析文档 Agent 的 trace 来发现问题。当多条 trace 都指向一个潜在问题时,系统会提交一个 issue,要求修改出问题的 prompt 或工具。

            Image

            这里的关键动作是,返回箭头没有只是回到最上层,而是伸进内部,直接更新 Agent 循环。外层循环每跑一轮,都会让内层循环更有效。

            展望: prompt 和工具配置是最简单的改进对象,但选择并不止于此。对于运行开放权重模型的团队来说,爬坡循环可以接入 RL 微调,把 trace 或 eval 结果作为训练信号,用来改进模型本身。记忆、检索到的技能等辅助上下文,也可以用同样方式改进。循环是一种模式,它要优化什么,取决于你。

            人类监督与专业判断

            自动化并不意味着把人从循环中移除。在每一层,都有一些自然的位置适合加入人类监督。自动评分器可以检查链接是否可访问;但要发现表达方式是否适合目标读者,需要人来判断。这种来自上下文、经验和品味的判断,正是人工审核的价值所在。

            有些专业知识应该被固化进 prompt 和工具本身,但对于敏感操作,实时人工审核是必要的,比如金融交易、数据库操作等。LangChain 让你可以直接在每一层循环里接入这些触点:

            1. 在 Agent 循环中,对敏感动作或工具调用要求人工输入
            2. 在验证循环中,让人类为敏感工作流担任评分器
            3. 在应用循环中,输出返回给最终用户之前由人类批准
            4. 在爬坡循环中,运行框架的改进在部署前经过人工审核

            LangChain 的所有开源框架都把 “human in the loop” 做成了一等公民[12]。

            合在一起看

            如果你更喜欢表格形式,下面是这四个循环如何叠在一起:

            循环做什么影响LangChain 基础组件
            1:Agent 循环(模型 + 工具)模型反复调用工具,直到任务完成自动化工作create_agent,任意 LangChain 支持的模型
            2:验证循环(Agent + 评分器)Agent 运行,输出按评分标准打分,失败则带反馈重试保证质量RubricMiddleware
            3:事件循环(验证 + 系统)事件触发 Agent 运行,并更新真实系统规模化工作LangSmith Deployment / Fleet channels
            4:爬坡循环(系统 + 引擎)生产 trace 进入分析 Agent,用来改进运行框架配置持续改进LangSmith Engine

            这就是循环工程,或者按 @swyx[1] 的说法,loopcraft[2] 在实践中的样子。像 Steipete[13]、Boris[14] 和 Andrej[15] 这样的 AI 领导者,都已经得出了同一个结论:Agent 的潜力在于你围绕它们构建的循环。

            我们已经思考循环 1 和循环 2 很久了。但现在焦点应该转向循环 3 和循环 4:把 Agent 嵌入你的生态系统,并让它们持续根据你的标准改进,价值会在这里持续累积。

            Satya 这样描述组织层面的利害关系[16]:那些早早建立学习循环的公司,让人类判断和 token 资本一起持续累积,将建立一种很难复制的优势。

            致谢

            感谢 @Vtrivedy10[17]、@masondrxy[18]、@hwchase17[19] 和 @huntlovell[20] 的认真审阅。

            参考

            • deepagents quickstart[21]
            • create_agent docs[3]
            • rubric middleware[4]
            • cron jobs[22], webhooks[23]
            • langsmith engine[11]
            • fleet channels[8]

            参考阅读

            References

            1. @swyx: https://x.com/@swyx
            2. "loopcraft: the art of stacking loops": https://www.latent.space/p/ainews-loopcraft-the-art-of-stacking
            3. create_agent: https://docs.langchain.com/oss/python/langchain/agents
            4. RubricMiddleware: https://docs.langchain.com/oss/python/deepagents/rubric
            5. LangSmith Deployment: https://info.langchain.com/agent-development-platform?utm_campaign=evergreen_agent_development_platform_cv&utm_campaign_id=23761370321&utm_ad_group_id=195261126163&utm_ad_id=805594028616&utm_network=g&utm_term=ai%20agent%20development%20platform&utm_campaign=evergreen_agents_cv&utm_source=google&utm_medium=cpc&hsa_acc=7906965105&hsa_cam=23761370321&hsa_grp=195261126163&hsa_ad=805594028616&hsa_src=g&hsa_tgt=kwd-2392721013549&hsa_kw=ai%20agent%20development%20platform&hsa_mt=p&hsa_net=adwords&hsa_ver=3&gad_source=1&gad_campaignid=23761370321&gbraid=0AAAAA-PkievTcIb-6awevyQxCB-9n-H6Z&gclid=CjwKCAjwxb7RBhA5EiwAQ-AAdF5XHKtTYLgQVrVYstdxYjTd0hcrCuqxvuACiKzOOdxcJdTza8HkwxoCDiQQAvD_BwE
            6. openclaw: https://docs.openclaw.ai/gateway/heartbeat
            7. Fleet: https://www.langchain.com/langsmith/fleet
            8. channels: https://docs.langchain.com/langsmith/fleet/channels
            9. schedules: https://docs.langchain.com/langsmith/fleet/schedules
            10. #docs: https://x.com/search?q=%23docs&src=hashtag_click
            11. Engine: https://www.langchain.com/langsmith/engine
            12. 一等公民: https://docs.langchain.com/oss/python/deepagents/human-in-the-loop
            13. Steipete: https://x.com/steipete/status/2063697162748260627
            14. Boris: https://x.com/0xwhrrari/status/2064804504608887040
            15. Andrej: https://www.youtube.com/watch?v=kwSVtQ7dziU
            16. 这样描述组织层面的利害关系: https://x.com/satyanadella/status/2066182223213293753
            17. @Vtrivedy10: https://x.com/@Vtrivedy10
            18. @masondrxy: https://x.com/@masondrxy
            19. @hwchase17: https://x.com/@hwchase17
            20. @huntlovell: https://x.com/@huntlovell
            21. deepagents quickstart: https://docs.langchain.com/oss/python/deepagents/quickstart
            22. cron jobs: https://docs.langchain.com/langsmith/cron-jobs
            23. webhooks: https://docs.langchain.com/langsmith/use-webhooks
            24. 原文 https://x.com/sydneyrunkle/status/2066928783534289358

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

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

            Image

            阅读原文

            跳转微信打开

            •  

            GLM-5.2上线并开源:专注Coding与长程任务

            智谱 2026-06-17 09:11 北京

            今天,我们上线并开源GLM-5.2。

            在全球百万用户参与盲测的前端开发评估系统Code Arena上,GLM-5.2取得全球可用模型第一的表现。

            从2025初开始,我们几乎投入全部力量攻关Coding,历时大半年,细扣每一个代码环境的优化,终于迎来代码基座GLM-4.5,年底的GLM-4.7已经成为效果最好的国产Coding模型。

            但代码还不是AGI,在通往AGI的路上,还有更多的高山需要翻越,迎面而来的就是长程任务。当下最需要模型突破的是完成一个极长的,跨越数天、数周乃至数月的任务执行。当一个模型不知疲倦地在写软件工程代码,本质上是在学习一名顶级软件工程师的思维方式,然后以机器的耐力将其放大。这是对一个又一个职业的重新定义。

            今天GLM-5.2专为长程任务能力而生,全新特色包括:

            • Solid 1M上下文,稳定支撑长程任务
            • 更强体感,更实用的Coding能力
            • 极致Infra优化,Day 0运行在国产算力平台
            • MIT开源协议,无地域限制,技术平权无国界

            1M上下文与长程任务

            支撑长程任务的第一步是GLM-5.2必须实现1M无损上下文。此前1M上下文大多数在超过数百K过后就开始劣化,主要问题在于不同时增强Coding Agent环境及数据的情况下单纯扩展到1M帮助有限。为此,我们花了几个月时间扩展1M Coding Agent的训练环境,覆盖自动化研究、性能优化等多个领域,使得GLM-5.2在1M上下文的solid表现有时甚至超过Opus(详见https://z.ai/blog/glm-5.2)。

            1M上下文构成GLM-5.2的长程交付能力,多个长程任务基准表明GLM-5.2的表现介于Claude Opus 4.7与4.8之间,是排名最高的开源模型。在FrontierSWE(测试AI是否能够像软件工程师在数小时尺度上完成复杂技术项目的测试集)上仅比Opus 4.8低1%,超过GPT-5.5(1%)和Opus 4.7(11%);不过在SWE-Marathon(考察Agent自主完成超长软件工程的测试集)上确实还需要进一步提高,低于Opus 4.8不少(13%)。

            在实际体验中,GLM-5.2完成开发、联调、测试到打包上线,完整交付一个覆盖Web、移动端与小程序的多端应用,累计处理88万tokens,几乎用满1M上下文窗口。过去,这样的大型工程需要一支团队协作数周,现在GLM-5.2能在一次长程任务中跑完。

            Coding体感

            GLM-5.2在前端、后端、长程任务上的成功率相比前一代GLM-5.1都有提升,复杂系统工程与深度调试更稳。在主流编程基准上,GLM-5.2保持开源SOTA,与Claude Opus 4.8处于可比区间。例如在Terminal-Bench 2.1(评测AI Agent完成不同类型的计算机终端任务),GLM-5.2比Opus 4.8低4%,相比GLM-5.1提升了17.5%;在MCP-Atlas(大规模工具调研评测的数据集),GLM-5.2比Opus 4.8低0.8%。

            在模型发布前夕,我们已提前向GLM Coding Plan用户全员开放,在数十万开发者的编程任务中,开发者反馈GLM-5.2的最大提升集中在:

              • 项目级上下文承载更强,能把完整工程放进同一条推理链路里;
              • 长程任务执行更稳定,复杂任务能持续推进,不容易中途跑偏;
              • 生产级工程规范遵循更可靠,能守住团队研发流程里的硬约束;
              • 客户端与移动端工程能力更扎实,不止写App,还能完成真机调试闭环。

              GLM-5.2还引入了effort level(思考档位)控制,可以在能力、速度、成本之间做出平衡。在相近的token预算下,GLM-5.2的Coding能力大致位于Claude Opus 4.7与Claude Opus 4.8之间。

              极致Infra优化

              GLM-5.2的进步来自模型架构、推理系统和训练基础设施的协同设计。我们提出IndexShare,在每四层稀疏注意力层之间复用同一个索引器(indexer),在1M上下文长度下,将单位token的FLOPs降低至2.9倍。此外,我们改进了用于投机解码(speculative decoding)的MTP层,将接受长度(acceptance length)最多提升20%。训练侧则依赖自研Slime框架支撑大规模Agentic RL和OPD训练。

              随着GLM系列的持续迭代与调用量的快速增长,线上服务的稳定性与效率愈发关键。GLM-5.2的线上推理依托多个国产算力平台,已在Day 0完成与华为昇腾、平头哥、摩尔线程、寒武纪、昆仑芯、沐曦、海光、壁仞等国产算力平台的推理适配,在国产芯片集群上实现高吞吐、低延迟、大并发的稳定运行。预计下半年昇腾 950 超节点上市后,也将成为GLM-5.2强劲的算力底座。

              面向开发者与知识工作者

              GLM-5.2能长时间自主推进更复杂、更长链路的任务,锁定高价值场景,这将改变开发者与知识工作者的工作方式。

              GLM-5.2在大型重构工程上表现出色。有开发者用Rust从零再造了送人类登月的计算机,将当年65000行、一字未改的登月飞控程序移植为Rust,整个过程由Agent全自主走完。

              通过我们的Agent产品AutoClaw,GLM-5.2的1M上下文与长程任务能力服务于设计、法务等白领场景,例如一次性写出数十个原型页面,自主迭代和微调,在设计中保持品牌规范与一致性。

              开源与使用方式

              GLM-5.2在Hugging Face与ModelScope开源,模型权重遵循最高权限MIT License,可自由下载、部署与商用。vLLM、SGLang、transformers等主流推理框架已经支持。

              同时,GLM-5.2 API已上线,并已纳入GLM Coding Plan,长上下文与长程任务同步升级,全量用户可使用。

              1. 开源链接

              2. 官方 API 接入

              3. 在线体验

              4. Agent

              5. Blog

              * 尾声

              AGI路上,我们还有更多的高山要翻越,下一座我们瞄向完全自治的智能体系统(Autonomous Agent System)。基于长程任务之上,让AI能够自主驱动、协同作业、7×24小时运转的智能体群体将成为新的生产力形态。从“智能助手”走向“数字员工”,构建包含成千上万个不同专业“性格”与“技能”的智能体社会,让它们自主辩论、协作、审查代码、调度资源,实现“自动驾驶”级别的数字生产力。很多核心技术还需要攻关:Memory、持续学习(Continual Learning)、自我评判(Self-Judge)。

              跳转微信打开

              •  

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

              原创 小米大模型 2026-06-16 21:33 北京

              旗舰模型,高效 Agent

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

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

               能力升级

              1. MiMo 旗舰模型赋能,Agent 能力跨越式升级

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

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

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

              2. 联动金山办公,实现办公文档一站式闭环

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

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

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

              3. 算力效率升级,Token 成本可控

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

              4. 云端免部署,7×24h 专属服务

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

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

                Xiaomi MiMo Claw × 金山办公 功能示例

               用户权益

              1. 免费用户权益升级

              • 创建即可免费使用,免费用户每日单次体验时长升级至 4 小时

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

              2. 过往用户权益兼顾

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

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

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

              Xiaomi MiMo Claw 免费版 网页生成效果

               订阅服务

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

              1. 全套餐适配,支持灵活叠加

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

              2. 双订阅入口,自主灵活选购

              为提升订阅灵活性,平台开放双独立购买入口:

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

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

              3. 限时订阅定价

              为回馈新老用户,MiMo Claw 月度、年度订阅现已开启限时特惠活动。

              • 首次特惠:¥ 14.9/月

              • 限时优惠:¥ 19.9/月、¥ 233.8/年

              备注:海外订阅服务暂未开放,敬请期待。

              跳转微信打开

              •  
              ❌