铃阅时讯
❌

阅读视图

有编制的Agent,才是好用的Agent

原创 李墨天 2026-09-16 21:00 上海

我的同事不是人

编程之后,人工智能下一个万亿美元的市场在哪里?产业界已经形成了共识:企业级Agent。

二季度的财报会上,亚马逊CEO Andy Jassy提了一个“需求杠铃”理论:

杠铃一端是Anthropic和OpenAI正在疯狂消耗算力,另一端是企业的业务自动化、反欺诈、智能客服打骚扰电话这些推理场景。位于中间的“企业工作流程”,Agent渗透率偏低,算力需求尚未释放。

前沿的大模型公司全世界也就十几家,各行各业的企业成百上千万,企业的生产场景比纯粹的编程规模大得多。因此Andy Jassy判断,亚马逊的云服务会成为万亿美元收入的业务。

作为出租算力的云服务商,亚马逊的言论自然有屁股决定脑袋的因素,但Andy Jassy的杠铃理论,也反映了当下Agent落地企业的现实:

一方面,AI对生产力的极大解放是公认的事实。

Anthropic本月在威胁报告中表示,一名胡塞武装分子用开源自动驾驶软件手搓制导导弹算法,并让Claude分析发射失败原因,喜提封号。用Agent美美写周报的牛马就别自诩超级个体了,这才叫超级个体。

另一方面,企业对AI的认知和落地之间,似乎存在断层。

按照麦肯锡去年的报告,在有意愿推动规模化落地的企业中,应用也局限在1-2个职能领域。今年Agent的火越烧越旺,但德勤对3235个企业的调研中发现,只有21%的组织拥有成熟的Agrnt系统,且“大多仍是单点的、孤立的”。

问题肯定不是出在态度上。Sam Altman表演了这么多次眩晕瘫坐,再保守的企业应该也跟着入戏了。除了少数秉持“不能让员工自己花钱买吗?”的老板,大部分企业家对AI可谓既有意愿,也有预算。

但目前来看,Agent定位更接近员工使用的“个人工具”,离真正的企业“生产负载”尚且遥远。员工付费上班和公司财务亲自开发票,是规模完全不同的市场。

默默藏起天道酬勤牌匾,天天把转型挂在嘴边的老板们,你们到底在等什么?

01.模型很聪明,同事很陌生

2024年底,微软CEO纳德拉接受访谈发表了一番暴论:SaaS服务的概念可能会在Agent时代崩溃,它们本质上就是带有业务逻辑的CRUD数据库。经过媒体添油加醋,被解读为SaaS药丸。

纳德拉话音未落,一个名叫Marc Benioff的人坐不住了。Marc Benioff是谁?顶级SaaS公司Salesforce的创始人,1999年创立Salesforce时喊的口号正是“软件已死”,结果被纳德拉洗稿用来判自己死刑,自然孰不可忍。

Marc Benioff,Salesforce的创始人

两人的唇枪舌剑,已经点出了企业级Agent落地的最大难题之一:上下文。

上下文是什么?即工作中具体的“语境”。

假设一个员工入职企业五年,他就积攒了公司整整五年的上下文,包括但不限于之前做过的所有项目,积累的经验和Knowhow,部门内部的黑话,哪个领导喜欢爹味教育,哪个领导喜欢对员工随地大小声等等。

我们在组织里交流和协同,隐含的前提就是对上下文的理解,Agent第一天来公司打工,部门的人都没认全,必须依赖人类输入足够多的上下文,变成公司里的老油条,才能准确的执行任务。

事实也是如此,会议纪要、文档搜索、日报周报等场景为什么是当前 Agent 的主战场?因为它们的上下文最薄,薄到只需要文档和对话。既不用碰核心系统、也不需要打通口径、更用不着跨部门权限。

因此,企业级Agent好不好用,关键落在了对上下文的理解。

于是到了今年,两人双双改口。纳德拉释放复活术,表示SaaS不会死,但商业模式需要重构。Marc Benioff亲自宣布开放API接口,面向Agent友好。毕竟上下文都在SaaS软件里,两者唇亡齿寒。

今年的SaaS Mag峰会上,Snowflake CEO Sridhar Ramaswamy就对“SaaS已死”的叙事表示看不下去:

“模型不带来任何竞争优势,因为竞争对手能买到同样的;你的专有数据才创造真正的优势。”

越来越多的人已经意识到,SaaS软件在Agent时代扮演的角色,比想象中重要得多。

02.谁批准它进群的

今年6月,到处散播AI恐慌的Anthropic忙里偷闲,发布了一个名为Claude Tag的产品。

简单来说,Claude Tag可以接入企业的Slack频道,员工只需要在文档和聊天中@Claude,就能狠狠奴役AI替自己干活。就算员工没有指派任务,Claude Tag也是个眼里有活的赛级牛马,会自己根据会议和聊天记录找活干。

Anthropic发布Claude Tag

之后,美国市场涌现出非常多AI Coworker概念的产品,特点是把Agent集成进企业协作场景,可以像普通员工一样和人类一起干活,加班到忘我。

按照Anthropic的说法,公司产品团队65%的代码由Claude Tag完成,工作也逐渐从Claude Code向Claude Tag迁移。

Claude Tag的发布很低调,但在业内引发的反响不小。AlexNet三人组之一的Andrej Karpathy第一时间献上彩虹屁,表示Claude Tag让AI产品交互进入了第三个阶段:AI Co-worker。

Claude在公司群里找活干

Claude Tag的开创性在于,把个人-Agent的1V1交互变成了组织-Agent,Agent调用的上下文规模从“个人”变成了“组织”,人和Agent可以像同事一样协作。

飞书之前发布的@Agent 进群、Agent之间互相协作等功能,也是类似范式在产品上的落地:把AI嵌入真实工作场景,Agent从纯粹的助理变成同事,打通所有上下文,降低沟通产生的摩擦成本。

这种“Agent+容器”的架构,成为当下企业级Agent的主流范式。办公软件和SaaS工具扮演的就是“容器”的角色,解决了两个问题:

一是可靠性。企业对可靠性的要求与个人不可同日而语。最典型的是数据安全。2023年4月ChatGPT问世不久,三星电子的AI潮人就整了三次大活,都是工作中非常典型的场景:

员工A把有问题的原始代码复制到ChatGPT,请AI把把关。员工B把提高生产良率的源代码输入到ChatGPT,要求AI帮忙优化。员工C把会议录音转换成速记稿,要求ChatGPT制作会议纪要。

三星内部泄密事件惨遭媒体嘲笑

数据是所有制造业企业严防死守的机密,你愿意开展一场壮士断腕的变革,公司风控和法务部门未必敢拿饭碗陪你玩命。SaaS软件的可靠性都经历了十多年的考验,天然适合当上下文的容器。

二是Agent的原生支持能力。

人用的东西和机器用的东西是两个物种,SaaS软件的按钮、菜单、视图在过去十几年里完美匹配了人的交互习惯,但Agent需要结构化、可调用验证的接口。因此,企业级产品既要符合人的直觉,也要符合AI调用的习惯。

两者结合,等于把产品架构重写,需要大量适配工作。

国内的SaaS产品里,飞书一直是对Agent适配最激进、也最友好的平台,年初龙虾热席卷中国,飞书短时间内开源迭代了上百项对Agent开放的新功能,让Agent能熟练操作。

直到今天,飞书CLI在Github平台上的Star数量依然是企业微信的约5.6倍、钉钉的约5.9倍。

国内社交媒体上,有一堆Agent接入飞书的教程,原因就是沉淀在飞书里沉淀的上下文和完善的交互。给Agent一堆打卡数据,蒸不出什么好东西;没有完善的交互,Agent的使用门槛降不下来。

换句话说,AI办公大战,打的是一个Agent-模型-协作工具怎么做好配合的仗。

03.文件传输助手不叫数字化

Claude Tag打开了企业级Agent的想象空间,顺便给被判死刑的SaaS公司翻了案,但中国的SaaS公司暂时还笑不出来。

过去十几年里,SaaS这个产业在中国一直躺在重症监护室,是个人都能指出国内SaaS软件面前的三座大山:企业认为软件没用;定制化需求多且杂;企业付费意愿不足,公司无法积累利润投入研发。

目前,大部分企业的内部沟通和文档传递靠的还是微信,虽然会遇到国庆假期一过,所有文件全部失效又不好意思再要一次问题,但不可否认,这是中国公司用脚投票投出来的结果。

SaaS产业繁荣与否,直接挂钩产业界的数字化水平。

过去几年,智能化的妖风吹遍产业界,各路英雄好汉打着转型的旗号大干一场,发现自己在智能化的前置工作——数字化上的欠账实在太多。

数据是一切智能的基石,数据存在服务器里还是A4纸上,直接决定了企业的数字化水平,把组织和业务流程搬到线上的数字化建设,在产业界满打满算也没几年。

到了Agent时代,这个问题的重要性越来越明显。

德勤在报告中明确指出,组织的上下文沉淀在ERP系统里、业务逻辑在ABAP代码和员工的日常沟通里,Agent理解一家企业的知识,本身就是一个大工程。

由此又衍生出一个新问题:能被Agent调用的数据才有价值。

Agent能多大程度提高企业运转效率,取决于Agent对企业生产流程的参与度,能调度多少数据构成的组织上下文。

这个问题不解决,Agent就进不去核心生产场景,相当于招了顶级研究员,但不给人配门禁卡,连个工位也没有。

如果一家企业只积累了大量打卡数据,Agent就只能帮人事部门狠抓考勤。如果企业的知识库里全是领导讲话,肯定能蒸馏出一个DeepLeaderV4,能不能转化成利润就未必了。

AI时代的企业办公赛道,似乎又回到了那个中国SaaS公司思考了几十年的问题:企业到底需要什么样的工具?

04.你什么家底

想把Agent用好,首先需要一个“Agent友好”的工作环境。很多企业已经发现,Agent能否提效,和组织的工作习惯密切相关。

没有文档文化,蒸馏无从谈起。

国内几家互联网大厂,基本都有从模型-Agent-协作工具的完整生态。考虑到大厂对“入口”的谜之眷恋,Claude Tag+Slack这种形式注定不是主流,Agent-模型-协作工具一家通吃,才是大厂们的目标。

这个时候,各家大厂扮演容器的协作工具有没有让企业形成足够的数字化水平,就至关重要。

理想状态下,组织里的每个员工都应该有意识的归集上下文,但这种反人性的手段既不现实,也不可能实现。因此,企业内部大量的隐性知识,呈现碎片化的分布。

文档文化这件事,很难靠员工自发,更多以来工具倒逼。办公软件所定义的工作方式,会极大影响企业的工作习惯,继而影响当下的“Agent友好度”。

所以,AI办公大战的各路参战方看似在同一条起跑线,其实攒下的家底完全不同。经历了当年的远程办公大战,产业界基本形成了一种共识:飞书积累了最适合Agent落地的工作习惯。

2019年飞书向外界推出,数字化和智能化是企业转型的热门词汇,也影响了飞书的设计理念。飞书的产品逻辑是All in one,即所有功能集成进一个产品,文档,表格,日历,日程完全打通。

从当下的视角看,这是一种非常超前的Agent友好设计。如果聊天一个软件、文档一个软件、会议一个软件,Agent还要逐个建立连接。

同时,飞书推崇的云文档、多维表格、智能纪要等功能,也把“积累上下文”这个动作融入了员工的日常工作,上下文能自动积累。

办公软件有多少日活并不重要,毕竟打仗不是六十万对八十万比谁人多;它主要用来打卡还是用来写文档,这才是关键。而且日活是可以买的,文档是演不出来的。

举例来说,飞书狂推的多维表格,底层其实是基于公司业务的关系型数据库,自动归集了碎片化的数据,表和表之间相互关联,天然适配Agent的调用。

字节今年8月迅速整合产品,打通飞书和豆包工作,就是把豆包工作的Agent能力接入飞书AI Native的工作习惯,组合成一套企业级Agent体系。

对当下的中国企业来说,当年SaaS公司面对的认知不足、要求太多、不想花钱三座大山基本都被AI FOMO铲平,只是这一次,千万不要再输在没有文档文化上了。

05.说话的方式简单点

办公协同作为企业最基础的需求,一直是企业组织的核心应用,但每一次技术变革中,协同方式都会被重新创造。

微软的Office诞生时,其进步性在于把A4纸上的文档原封不动的呈现在屏幕上,把表格里大量枯燥繁琐的运算交由计算机运行,提高了商业世界的信息化密度。

移动互联网时代,员工用手机看文档,用IM工具沟通,在线协作成为可能,Google Docs取而代之。Saleforce用277亿美元天价收购的Slack,原因是美国年轻人在走向工作岗位之前,Facebook和WhatsApp已经嵌入他们的生活方式。

办公协作软件的进化史,就是一部沟通渠道不断打通、摩擦成本不断降低的历史。

人工智能打开了Agentic AI的想象空间,但它的底色依然是沟通渠道越来越顺畅,摩擦成本越来越低,信息传递效率越来越高,个体的创造力被进一步激发。

时至今日,上汽集团、星巴克、古茗等企业,正在基于AI新标准转向飞书,沃尔玛、正大天晴、海信等各行业头部企业,开始选择飞书作为核心协同平台。

AI时代,离AI最近的一批中国公司,正在用脚投票。

全文完,感谢您的耐心阅读。

参考资料

[1] The State of AI 2025,麦肯锡

[2] Scaling Agentic AI to realize business value,德勤

[3] 胡塞武装被曝用Claude Code替代工程师开发导弹,Anthropic:已封相关账户,华尔街见闻

[4] SaaS Applications “Will Collapse” In The AI Agent Era: Microsoft CEO Satya Nadella,S&P Global

作者:李墨天

编辑:戴老板

责任编辑:李墨天

图片

图片

跳转微信打开

  •  

豆包大升级!Agent 干活新姿势~

原创 秋芝2046 2026-09-16 17:21 广东

雷猴啊,朋友们~

豆包工作x飞书大升级,这次真的很给力~这期是我们作为资深飞书客户x豆包工作用户的自用分享!

昨天我就在「飞书未来无限大会 - 暨豆包工作开工大会」的现场!

作为常年住在飞书上、并且第一波用豆包工作团队的“用户代表”~

我还跟飞书 CEO 谢欣、飞书商业化负责人林婵,面对面交流了~   

感谢飞书、豆包工作的邀请哈哈,

印象最深也最有体感的,是谢欣老师说的“Agent现在是飞书的一等公民”,

因为这次豆包工作,是系统性地跟飞书融合,的确跟调用CLI、MCP式的“外接”不一样,后面我们慢慢说~ 

林婵老师的大企业客户们也真的已经有很多各种行业意想不到的Agent落地 !

无论你用没用过市面上的办公 Agent,今天看完都会有收获,这个豆包工作真的不一样~

(何况它现在还能免费领 30 天订阅。)

那我们开始吧!

图片

豆包工作是什么

豆包工作,是跟飞书结合之后刚发布的办公专用 Agent。

界面就是这样:技能、连外部应用、定时任务、操控本地电脑,市面上Agent有的它都有。

额外呢,它还有一台云电脑,还能手机遥控。

但是!这些都不是重点~这回最关键的区别,是用飞书登录之后,上下文自由了,因为豆包工作原生融入飞书~

豆包工作原生融入飞书

上下文说白了,就是做一件事,要知道事情的所有来龙去脉。

就像新同事来了,你还得给人介绍一遍公司和项目情况吧?但很多朋友用普通Agent,不会给Agent组织上下文的。

于是,大多数人找Agent干活,都像让临时工做事。每次都得说一大堆前提,效果还不尽人意。

但豆包工作用飞书登录之后,等于是Agent直接进了你的工作现场。

飞书你里的文档、表格、群聊、会议纪要、日程、组织关系,包括审批进度,全都是豆包工作的上下文。

它全都知道,还全都能操作。它就像你跟你同一天入职的老同事,还跟你共用一台电脑,上下文完全拉通。

结果就是:同样的活,它能干得更省废话、更省事、效果还更好,跟你非常有“默契”!

好,我们一个个看具体案例,越往后越强~

图片

第一层:工作问答

首先,工作的事,问他比问任何人都靠谱~

比如,最近我们公司招人,投递的人很多,那hr就会问它,

现在还有多少人笔试交了但没阅卷?汇总一下。

你看,这提示词可以说没头没尾的,但它几分钟就出了个可视化报告。

你还可以继续说,

那把他们的资料和笔试题按不同岗位打包,整理成清晰的文档,发给相关的岗位负责人,催他们评卷

当当~

消息也直接发出去了,还配了这么清晰的文档,关键我都不用说谁是负责人~

那究其背后的原因也很简单:我们的招聘人员表格,就在多维表格里。我们的部门人员,它也能看到。

图片

第二层:有上下文干活

不过,能查只是基础,有上下文之后干活才是真爽。

比如,给客户做方案。

你一般要写一大串提示词吧:“我要做个什么什么方案,要求是巴拉巴拉。”

但我可以直接说

我要给客户做一套鸡尾酒品牌设计,要求都在会议上说了,
我觉得范式和报价都跟之前小黎做的茶饮项目很像,你参考他那种,生成一个鸡尾酒品牌设计的方案,带图

一整个借鸡下蛋有木有?客户的会议纪要它自己翻,同事的过往项目它自己去看,我都不用给他转述。

然后,它官方还自带了设计技能,还有强大的Seedream5.0 生图,直接就做成这样了!

并且,它的经验还在边做边积累,再加上它的多模态能力,日常的办公方案真的可用率大幅提高。好看,信息又准确~

我说个有意思的,新人入职都要给他介绍公司、也要给大家介绍新人吧。

因为豆包工作公司和新人的信息它两边都知道,而且我们已经做过几次,它就熟门熟路了。

hr只需要一句:

今天杨怀雨入职,做个欢迎卡片和介绍公司的音频发到工作大群里面

你看看,

定制的新人介绍条漫,

还有一条公司介绍音频,听!

节目效果直接拉满。豆包工作确实多模态很强,这个喊麦就是用它新上的 Seed Audio音频模型,一句话做播客、做故事、相声都很给力~

所以说,像我们这种一直用飞书的团队,干起活儿来就像入职多年的老同事,一干一个准~

当然,如果你公司不用飞书,用个人飞书登也可以,因为你跟豆包的协作也可以沉淀下来,也会越用越懂你。

图片

第三层:妙搭做系统

ok,到这其实已经很强了,但还能更强。它还能跟你持续一起干跨几个月的大项目,甚至建系统。

比如,我们最近在开发产品,快上线时,我想让全公司都来测试提bug,想开发个小应用,指导不了解产品的同事测试,方便提交。完了,bug 还能自动进多维表格、自动同步到 GitHub issue,每天还汇报修了多少bug。

这听着是个有点复杂的系统,但我就这么把想法跟它说了。

它当场开发、部署、发群里。

然后这是引导页面,

提交页面,

表格收集,

issue提交和每日提醒全跑通~

因为它连着我的本地电脑,看得到代码,也连着 GitHub,可以直接提issue,还能自己操作多维表格、还能开发应用部署妙搭。

AI友好数据库

你会发,它几乎是团队里最知道情况的人,这就和之前跟林婵老师聊的一样。我们这套提 bug 的小系统,也是在把原来分散的步骤接起来,让大家能照着同一套流程协作~

先进,实在先进!

图片

第四层:远程自动办公

那第四层,就是它新的 Agent 能力也很多:像刚才用到的 Seed Audio、Seedream、Seedance,还有一大堆 mcp 连接器。而且,它手机电脑数据互通、还带个云电脑,等于你随身带个 24 小时在线的同事。

假设你在外面吃午饭,竞品突然上新爆款,老板很紧张,让你赶紧分析。

你直接打开手机,选上云电脑,说一句:

帮我做个竞品分析,去全网找飞书录音豆的相关信息,官网、电商平台、社交媒体,
重要的信息要截图,分析他们的产品定位、竞争策略以及目前上线后的用户反馈、销量数据,
做成交互式应用展示。

然后,还可以点开技能,

选上应用生成、产品分析报告。

然后,锁屏继续吃饭~

它就自己在后台云电脑的浏览器里自己点击、截图、翻页、收集信息、开发应用,可能还自主的派出了不同的子Agent~

等你吃完,回去刚好验收验收。你看看这个效果~

图文并茂的,我直接转发给老板~

最后,企业老板们也省心了,团队版豆包工作的权限、额度、数据都能统一管理。

飞书里员工看不到的,它也看不到,AI 额度,老板分配。

员工看不到的Agent也看不到

最重要的,做的成果、数据都落回飞书,个人经验沉淀成团队资产。

图片

好啦,

其实,现在的 Agent 都很强了,差的不是智商。

很多朋友用不好,是它不在你的工作现场、上下文不够。

这次豆包工作一接飞书,真的太省事,也非常有想象力~

当然,我也期待字节能赶紧出个更强的大模型。那别说日常办公了,公司战略我都要问他了。

好啦,趁他现在还送 30 天订阅,薅住!

我们下次见啦~

跳转微信打开

  •  

DeepSeek Harness:从“会回答”到“能持续做事”的 Agent 运行时

小编 2026-09-16 15:43 北京

我们已经习惯向大模型提问:解释一段代码、生成一个函数、分析一次报错。模型往往能给出像样的答案...

我们已经习惯向大模型提问:解释一段代码、生成一个函数、分析一次报错。模型往往能给出像样的答案。

但把问题换成“请把这个项目里的问题修好,并验证结果”,难度就变了。

它需要读取目录、理解约束、定位原因、修改文件、运行测试;测试失败后还要继续排查。任务中途,用户可能改变要求,工具可能超时,上下文可能接近上限,进程也可能退出。

从回答问题到完成任务,中间隔着一整套运行系统。

DeepSeek Harness,简称 DSH,关注的正是这套系统:如何把模型、工具、上下文、任务状态和执行策略组织起来,让 Agent 能够持续推进工作,也能够在必要的时候停下来。

它最有辨识度的设计是 Everything is a Plugin——一切皆插件。模型适配器、工具注册表、会话日志,甚至 Agent 的执行循环本身,都通过插件装配。

本文沿着“一个任务如何被持续执行”这条主线,拆解 DSH 的核心架构,并讨论它的工程价值与现实边界。

阅读范围:本文主要依据本地 DeepSeek Harness 源码、架构文档及配套插件示例撰写。源码快照为 99f6f02,提交日期为 2026 年 8 月 17 日。2026 年 9 月 15 日查阅的官方仓库仍将项目标注为开发者预览版;后续版本的命令、接口和行为可能变化。本文讨论架构与实现,不作性能排名。

一、Harness 到底是什么?

Harness 在 Agent 语境中,可以理解为让模型在真实环境里工作的运行支撑系统。

模型负责理解输入、生成内容、提出工具调用。Harness 负责接住这些输出,并把它们转化为受管理的执行过程。

例如,模型提出“运行测试”,后面至少还有这些问题:

  • 运行哪个工具,参数是否有效?

  • 在哪个目录、哪个执行环境中运行?

  • 当前权限是否允许,是否需要用户批准?

  • 超时、失败或取消之后怎么处理?

  • 工具结果怎样进入下一次模型请求?

  • 执行记录保存在哪里,之后如何恢复和检查?

为了帮助理解,可以写出一个概念性的关系:

Agent 系统 = 模型能力 + 工具能力 + 状态管理 + 执行与控制机制。

这不是严格的数学公式,但指出了一个事实:模型能力只是任务执行的一部分。

同一个模型,置于不同 Harness 中,可能表现出很不一样的做事方式。差别往往来自它能接触什么工具、得到什么反馈、保留哪些历史,以及系统如何决定下一步。

DSH 的定位,就是提供一个可组合、可扩展的 Agent 运行时。官方仓库将其描述为由 DeepSeek AI 开发、基于 Cordis 的开源 Agent Harness,并采用 MIT 许可证。官方仓库

二、先看全貌:一个运行中的 DSH 是怎样拼起来的?

理解 DSH,可以先把它看成五组相互配合的组件:

组成

解决的问题

使用入口

用户或外部程序怎样发起任务、观察进度、进行交互

执行机制

Agent 怎样请求模型、调度工具、继续或结束一轮工作

能力服务

模型、文件系统、Shell、子 Agent 等能力由谁提供

状态与策略

会话如何保存,上下文如何压缩,权限与目标如何管理

Cordis 与配置装配

上述组件怎样挂载、声明依赖、通信和卸载

这是便于阅读的概念分组。实际运行结构是一棵由配置装配出来的插件树。

图 1|DSH 架构总览
图 1|DSH 架构总览

图 1|DSH 架构总览。配置装配运行时插件树,Cordis 管理依赖、事件与生命周期;图中按职责分组。

其中有三个容易混淆的概念。

Profile:一次部署的组合方案

Profile 决定启动哪些 Bundle、安装哪些外部插件,以及采用哪些用户配置。源码提供了 web、headless 等模板。

web 面向浏览器交互;headless 可以执行一次任务而不启动 Web 服务。

Bundle:一组可分发的插件配置与代码

Bundle 把相关配置行和插件代码组织成可安装的单元。

例如,基础 Bundle 提供模型适配、工具、持久化、权限等能力,Web Bundle 再叠加浏览器应用。

Agent Preset:单个会话的能力组合

Profile 面向运行实例,Agent Preset 则进一步决定某个会话中的 Agent 使用怎样的能力集合。

这使同一套运行时可以承载不同用途的 Agent,而不必把差异都塞进系统提示词。

配置还可以分层覆盖。源码中的装配顺序包括 Bundle、Profile 补丁、全局补丁和命令行补丁。需要注意,补丁对目标配置行的 config 采用整体替换,不能想当然地当成逐字段深度合并。

DSH 的产品形态,由一组明确的组件及其配置共同决定。 这也是后续讨论“一切皆插件”的起点。架构文档(本文源码版本)

三、Cordis:让“一切皆插件”成为可管理的运行结构

插件机制并不罕见。DSH 的特点在于:插件化深入到了 Agent 运行时内部。

工具可以是插件,模型适配器可以是插件,负责执行循环的组件同样可以替换。这种结构要求底层框架处理好三个问题:依赖、通信和生命周期。

1. 用服务依赖表达装配关系

Cordis 通过 Context 提供共享服务。例如:

  • ctx.llm:模型调用能力;

  • ctx.tools:工具注册与执行;

  • ctx.sessions:会话与事件日志;

  • ctx.agents:运行中的 Agent。

插件通过 inject 声明所需服务。依赖尚未就绪时,框架会等待相应条件,而不是要求开发者手动猜测启动顺序。

这样,依赖关系就进入了可检查的运行结构。

2. 用事件提供扩展点

DSH 在模型请求、工具执行、回合结束等位置暴露事件。插件可以观察过程,也可以在约定的位置实施策略。

例如:

  • agent/pre-step:决定哪些输入进入下一步;

  • llm/stream:参与模型请求与流式输出链路;

  • tools/pre-execute:执行前检查;

  • agent/turn-stopping:在回合关闭前参与继续执行的决策。

不同事件有不同的分发语义。其中 waterfall 类似中间件链:监听器调用 next() 才会把控制权交给下游。忘记调用,可能会提前截断整条链路。

这说明插件扩展虽然灵活,仍然依赖清晰的契约。

3. 用可回收的注册管理生命周期

工具定义、事件监听器和其他运行时贡献,应通过 ctx.effect()、ctx.on() 等机制登记。插件卸载时,框架据此回收对应资源。

这对动态加载尤其重要:插件撤下之后,不能还残留一份工具定义,或留着一个继续触发的监听器。

这里的“可逆”,有明确范围。

框架能够撤销受管理的注册与资源,已经发生的业务操作则需要另行处理。 插件写过的文件、提交过的数据、发起过的外部请求,不会随着卸载自动还原。

因此,Cordis 提供的是运行结构的生命周期管理;业务回滚仍需要备份、事务或补偿机制。Cordis 入门文档

四、Agent Loop:模型如何从一步走到下一步?

理解持续执行,首先要区分 Step 和 Turn。

一个 Step,是一次模型请求,加上这次请求触发的工具执行。

一个 Turn,是零个或多个 Step 组成的一轮工作。如果输入在进入模型之前被拒绝,这一轮也可能没有任何 Step。

用修复测试失败的任务举例:

  1. 用户提出任务,运行时接收输入。

  2. 模型请求读取相关文件。

  3. 文件工具执行,结果写入会话。

  4. 模型根据结果提出修改。

  5. 修改工具执行,模型继续请求运行测试。

  6. 测试失败信息进入下一次请求。

  7. 模型继续修复,直到给出结果或遇到停止条件。

其中,每次“请求模型,再处理工具调用”构成一个 Step,多次 Step 可以属于同一个 Turn。

图 2|Agent 执行闭环
图 2|Agent 执行闭环

图 2|Agent 执行闭环。工具调用按需发生,结果写入会话并成为后续请求的依据;是否继续由下一步工作决定。

工具输出如何成为下一步的依据?

DSH 不只调用工具,还把调用和结果记录为会话事件,再从会话中派生后续模型请求的历史。

于是,“运行测试失败”成为模型能继续利用的上下文。模型才有机会依据实际报错调整行动。

工具调度也不意味着全部串行。源码区分可并发调用与需要独占执行的调用:适合并行的工作进入有界并发池,需要独占的调用形成执行屏障。

即便部分执行过程重叠,结果仍按模型原始调用顺序提交,避免仅因完成时间不同而打乱上下文。

为什么它不会天然永远执行?

Agent Loop 有明确的停止边界。当工具不再要求后续请求、也没有待处理的下一步输入时,一轮工作可以结束。

回合关闭前,扩展点还允许插件通过新的输入推动下一步。但“不断调用模型”本身不能证明任务在取得进展。

循环负责推进执行;目标管理和验收机制负责回答,还要不要继续、做到什么程度才算完成。

五、持续做事的关键:Goal、子 Agent 与 Workflow

DSH 提供了几种不同层次的持续执行机制。理解它们的分工,比笼统地说“支持长任务”更有价值。

图 3|四种长任务组织方式
图 3|四种长任务组织方式

图 3|四种长任务组织方式。同会话接力、子任务委派、程序化编排与全新执行者接力,分别应对不同任务结构。

1. Goal:在同一个会话中继续推进目标

Goal 服务保存一个当前目标,包括目标状态、版本和已启动的目标轮数。状态变更通过 goal/change 事件写入会话。

单独的 goal-round-driver 插件负责推进:当 Agent 空闲、目标仍处于激活且允许继续的状态、轮数还有余量时,它安排下一轮目标输入。

这意味着,任务不必依赖用户一次次手动输入“继续”。

目标状态与继续执行的权限被分开处理:

  • 目标状态持久保存,恢复后仍能知道此前要做什么;

  • 自动继续的授权只存在于当前进程生命周期中,不会直接随日志恢复。

因此,会话恢复或分叉可以保留目标,却不会仅因旧日志中的目标仍为 active 就自动开始工作;需要显式恢复操作重新激活继续执行。

此外,用户输入会影响自动轮次安排,取消、暂停、阻塞和完成状态也会抑制后续推进。

这是长任务系统中很有价值的一种区分:记得任务,与获准继续执行任务,是两件分别管理的事。

Goal 也有现实限制。该版本主要限制轮数,不能据此推导出固定 Token、费用或时间上限;完成状态由调用方记录,还没有独立验收器替它证明目标已经实现。Goal 服务

2. 子 Agent:把边界清楚的工作委派出去

子 Agent 适合承担能够独立描述和验收的任务,例如检查一组接口、分析某个模块,或审阅一个限定范围的改动。

DSH 为子 Agent 定义统一接口,再提供不同实现:创建全新子 Agent、继承父会话已完成历史的分叉,以及通过 SDK、ACP 或特定外部产品适配器进行委派。

源码中能看到面向 Codex、Claude Code 等执行后端的适配器。实际使用还取决于相应依赖、凭据与运行环境是否就绪。

统一接口的意义是让上层编排减少对具体执行后端的耦合。它不会消除多 Agent 的协调成本:任务拆分、上下文交接、共享文件冲突,以及结果复核,仍需要设计。

3. Workflow:把协作顺序表达成程序

当任务需要“并行分析,再汇总”“逐项处理,再进入下一阶段”时,Workflow 提供程序化编排能力。

本地实现暴露了 agent()、parallel()、pipeline() 等接口,并对并发数、总子 Agent 数和取消流程进行管理。

工作流脚本运行在 Worker Thread 中。这能避免脚本中的同步忙循环阻塞宿主事件循环,也提供强制终止工作线程的手段。

不过,Worker Thread 和 node:vm 在这里不构成安全沙箱;源码文档对此有明确说明。Workflow 实现

4. Ralph:每轮换一个新的执行者

源码还实现了固定策略的 Ralph 工作流:每一轮启动一个不继承父对话的新子 Agent,交给它同一个目标、当前轮次和上一轮的结构化交接报告。

连续性主要依靠共享工作区和交接信息维持。

它与同会话 Goal 的取舍不同:Goal 延续已有上下文;Ralph 让新的执行者重新观察工作成果,同时付出上下文重建的成本。源码要求仅在人类明确请求这种执行方式时使用。

Ralph 返回的完成或阻塞状态,同样属于工作 Agent 的报告,不能当成独立验证结论。

六、会话日志:持续执行背后的事实底座

在长任务中,一个经常被低估的问题是:系统究竟相信哪份记录?

如果模型上下文、UI 展示和磁盘历史分别维护,很容易出现不一致:界面显示工具成功了,模型却没收到结果;恢复之后,某个关键约束又丢失了。

DSH 把只追加的 Session Event 日志放在核心位置。用户输入、模型输出、工具调用与结果,以及目标等状态变化,都可以进入这条事实流。

模型请求历史通过 deriveMessages() 等投影机制从日志中生成。UI、恢复、分叉和持久化也以事件流为基础。

项目强调的约束是:进入模型请求的内容,应能够从日志中重建。

这让排查问题有了具体依据:

  • 它当时读到了什么输入?

  • 发起了什么工具调用?

  • 工具实际返回了什么?

  • 在哪一步选择了继续、结束或报错?

不过,“可重建记录”不等于“重新运行一定得到同样结果”。模型生成可能变化,外部文件、网络服务和运行环境也可能变化。

日志帮助复盘和恢复;外部操作是否成功,仍应以对应系统的状态和验证证据为准。

七、上下文压缩:让任务继续,也要承认信息损失

任务越长,工具输出和历史消息越多。模型上下文窗口有限,运行时必须决定哪些信息继续原样保留,哪些信息需要浓缩。

DSH 的基本压缩实现大致包含三个环节:

  1. 根据当前请求构成和模型容量评估上下文压力。

  2. 在配置了对应裁剪服务时,先缩减过大的工具结果,必要时再对旧历史生成摘要。

  3. 保留近期的完整片段,用摘要替代模型请求视图中的较早区间。

这里有一个重要设计:压缩修改模型看到的历史视图,原始事件记录仍保留在日志中。

“完整保留执行历史”和“每次给模型发送全部历史”因此可以分别处理。

图 4|会话日志与上下文压缩
图 4|会话日志与上下文压缩

图 4|会话日志与上下文压缩。原始事件保留在日志中,压缩后的请求视图由摘要和近期片段构成。

压缩还要照顾工具调用与结果的配对,避免留下孤立的调用或结果,让后续模型请求失去结构上的完整性。

DSH 也关注缓存。很多包的文档会专门解释对 Token 和 KV Cache 的影响。复用稳定前缀有助于缓存命中,但压缩替换了部分历史,会改变相应位置之后的复用边界;摘要调用本身也会产生额外消耗。

上下文管理是一项在信息保留、请求成本和执行连续性之间做取舍的工程工作。 摘要仍可能遗漏约束,因此重要结论、验收命令和交接信息,也适合保存在可重新读取的项目文件中。

持久日志同样不应直接等同于完善的长期记忆系统。跨会话检索、知识更新和冲突处理,还需要额外的组织方式与组件。上下文压缩实现说明

八、能力接缝:为什么它能够替换执行后端?

DSH 用 Capability Seam 描述可替换的能力边界,可以理解为“预留了标准接口的连接处”。

一个完整接缝有三个角色:

角色

职责

Service Definition

定义能力接口和数据契约

Service Provider

提供具体实现

Consumer

使用接口,或把能力暴露成模型工具

以文件访问为例,上层消费者依赖文件系统接口,下层 Provider 决定实际访问本地环境还是某种远端环境。

模型适配、Shell、子 Agent、上下文压缩等能力也采用类似思路。

这种结构带来的收益,是把经常变化的实现放在可替换的边界后面,让调用方尽量保持稳定。

但替换 Provider 需要满足整组契约。特别是文件系统和子进程等能力,需要指向一致的执行世界:读取的是远端文件,执行命令却落在本地,就无法形成可靠闭环。

架构中存在远端适配空间,也不代表某个具体后端已经达到生产成熟度。例如,本地仓库将 E2B 相关部分标注为 POC,应按概念验证实现理解。

九、扩展怎么落地?看一个“用量与余额”插件

当前资料目录中有一个具体示例:为 DSH 增加 Token 用量概览和 DeepSeek 账户余额面板。

这个例子说明,插件机制如何把已有服务连接成用户看得见的功能。

Host 端:读取与组织数据

宿主侧代码读取会话查询、实时投影或持久化投影缓存,聚合模型 Provider 上报的 Token 用量,再通过 RPC 暴露给前端。

账户余额查询则经凭据服务获取密钥,通过 Shell 调用接口,最后返回适合展示的数据。

Client 端:接入已有界面

浏览器侧通过 host.call() 获取数据,将界面注册到侧栏入口、浮层和设置页等插槽中。

这让数据能力和展示位置能够分别扩展。对于这样的功能,开发者无需修改 Agent Loop。

不过,并非每个 DSH 插件都必须包含 Host 和 Client 两部分。纯工具、策略或服务插件可以只提供它需要的那一侧。

图 5|“用量与余额”插件数据流
图 5|“用量与余额”插件数据流

图 5|“用量与余额”插件数据流。Host 侧读取和组织数据,Client 侧通过 RPC 获取结果,再注册到已有界面插槽。

一个细节,体现插件开发的责任边界

示例把密钥通过环境变量传给 Shell,避免在代码中硬编码密钥。但 Shell 展开请求头之后,密钥仍可能短暂进入 curl 的进程参数。

示例 README 已记录这一限制,并提出通过标准输入传递请求头配置的改进方向。

因此,不能把“通过凭据服务读取”直接写成“密钥绝不会暴露”。服务接口提供了集中管理入口,调用方式仍需要开发者审查。

同样,会话用量统计来自本地记录,不应据此声称它覆盖了整个供应商账户的全部消费。

动态插件:把想法变成运行时实验

DSH 提供 cordis_inspect、cordis_define、cordis_run、cordis_stop 等工具,让 Agent 查询可用接口,定义并运行临时插件。

这是一项很有探索价值的能力:Agent 可以在已有服务和扩展点上,临时补充工具、提示词贡献或界面功能。

但该版本的动态定义仅存在于进程内存中,重启后消失,也不会自动变成持久安装的插件。长期保留与分发,仍要走正常的插件开发、测试和安装流程。

将它理解为可交互的运行时扩展实验,比直接宣称“Agent 已经实现自主进化”更符合源码展示的能力范围。动态插件工具说明

十、Plugin、Skill、MCP:分别在扩展什么?

围绕 Agent 的几个常见概念,可以按职责区分:

机制

主要作用

典型例子

Plugin

改变运行时能力、策略或界面

注册工具、增加模型适配器、拦截执行、扩展设置页

Skill

组织可复用的任务方法和操作知识

代码审查流程、文档写作规范、项目排查步骤

MCP

通过协议连接外部工具与资源

接入知识库、业务系统或外部服务

三者可以配合使用。例如,Plugin 提供 MCP 客户端能力,MCP 连接外部系统,Skill 指导 Agent 如何利用这些工具完成业务流程。

选择扩展方式时,可以先问三个问题:

  • 我需要改变运行时行为吗?

  • 我主要是在固化做事方法吗?

  • 我是在连接一个外部系统吗?

明确问题,往往比先寻找插件更有帮助。

十一、控制能力越重要,边界就越要讲清楚

持续执行的 Agent 可以读写文件、运行命令和调用外部服务。它需要把“模型提出操作”和“系统允许操作”分开处理。

DSH 的工具管线包含执行前策略、审批、只能进一步限制调用的 Guard、执行包装、结果处理和日志记录等环节。

按照本地管线文档,当策略要求询问用户时,审批发生在 Guard 检查之前;审批服务缺失或无法给出有效响应时,该请求被拒绝。工具执行还可以受底层文件系统策略和进程沙箱实现约束。

这些机制分别承担不同责任:

  • 策略与审批决定是否允许这次调用;

  • Guard 保留必须执行的限制;

  • 沙箱约束受其覆盖的执行环境;

  • 日志记录模型可见的调用与最终结果。

需要同时记住:同进程插件本身属于运行时信任边界的一部分。 插件框架的可装卸能力,并不自动把不可信插件变成安全代码;动态插件与 Workflow 文档也都明确说明,相关 VM 机制不提供强安全隔离。

“插件卸载”“会话恢复”“沙箱执行”各有作用范围,不能互相替代。工具执行管线

十二、如何评价 DSH 的价值与代价?

从本地实现看,DSH 的价值可以归纳为三个方面。

第一,Agent 的关键组成变得可以分别研究和替换。

开发者可以沿着公开的接口与事件,研究模型调用、工具执行、压缩策略和继续执行机制,减少为了一个功能直接修改主循环的需要。

第二,长任务的状态与控制问题被认真建模。

会话日志、目标版本、执行授权、取消、插件卸载和子任务清理,都有明确的位置。这些机制未必直接提升模型推理能力,却决定了运行系统是否容易理解、恢复和维护。

第三,扩展覆盖了从执行能力到交互界面的多个层面。

同一套插件思路,可以用于增加一个工具、替换一个 Provider,也可以用于增加一块设置界面,为搭建不同形态的 Agent 产品提供基础。

代价同样存在。

抽象会增加学习与排障成本

开发者需要理解服务、作用域、事件、配置层和生命周期。一次“工具没有出现”,可能来自未满足的依赖,也可能来自注册范围或配置覆盖。

这种复杂度是否值得,需要结合产品的变化频率与扩展需求判断。

持续运行会放大验收与预算的重要性

增加轮数并不保证成功。模型可能围绕错误假设反复尝试,多 Agent 也会增加重复阅读与结果整合的成本。

真正有用的验收标准应尽量落到可观察结果上,例如测试是否通过、文件是否生成、接口响应是否符合约定。

在当前实现中,Goal 或 Ralph 记录的“完成”仍不能替代独立验证。

架构潜力需要实际任务验证

本文进行了源码与文档阅读,没有开展任务成功率、Token 消耗或延迟基准测试,因此不据此宣称 DSH 比其他产品更快、更便宜或更可靠。

截至本文核对时间,官方仍提示开发者预览阶段会有破坏兼容性的变更。对于团队应用,兼容性、插件质量、执行隔离和可复现部署,需要一起评估。官方项目状态

十三、从哪里开始理解和实践?

官方 README 给出的 Web 入口是:

npx @deepseek-ai/dsh web

默认 Web 地址为 http://127.0.0.1:3080。需要安装 Node.js,并按所用版本的设置流程配置模型服务与凭据。官方运行说明

第一次实践,可以选择一个边界清楚、可验证的小任务:为一个函数补齐指定边界条件,并运行对应测试。

观察四件事就足够有收获:

  1. 模型如何决定读取哪些文件。

  2. 工具调用与结果如何呈现在会话中。

  3. 测试失败后,Agent 如何继续调整。

  4. 最终结论是否有实际执行证据支持。

如果要阅读源码,可以依次看:

  • docs/architecture.md:建立整体地图;

  • docs/cordis-primer.md:理解插件、服务与生命周期;

  • packages/core/agent-loop:理解 Step、Turn 与工具调度;

  • packages/core/session:理解事件记录与模型历史;

  • packages/goal:理解同会话目标如何继续推进;

  • packages/compaction:理解有限上下文如何承载长任务;

  • packages/subagent 与 packages/workflow:理解委派与编排。

再结合“用量与余额”这样的小插件阅读服务调用和界面插槽,会比一开始遍历所有包更容易建立具体认识。

结语:让模型能力进入一个可持续运行的系统

DeepSeek Harness 把 Agent 的执行过程拆成了一组可以组合、观察和替换的组件。

沿着一个任务向下看:模型负责提出下一步,工具把行动落到环境中,日志保存事实,上下文管理维持工作连续性,Goal 和 Workflow 组织更长的执行过程,权限与生命周期机制约束它们何时运行、何时停止。

这些部分共同决定,Agent 能否把一次有用的回答,延伸成一段有依据的工作过程。

“能持续做事”的衡量标准,是持续取得可验证的进展,并在完成、受阻或失去授权时正确停下。

这正是理解 DeepSeek Harness 最值得抓住的主线,也是构建可靠 Agent 系统时绕不开的工程问题。

CadenzaOS:https://github.com/SuperTapir/CadenzaOS

PCB Atelier:https://github.com/SuperTapir/pcb-atelier

tapir-skills:https://github.com/SuperTapir/tapir-skills

PCB_lightgraph:https://github.com/tomatorigid/PCB_lightgraph

我用AI编程复刻了老罗的TNT,还顺手做了个万能遥控器……:https://www.bilibili.com/video/BV1qMKg6uEJr

送朋友一张PCB做的贺卡!:https://www.bilibili.com/video/BV11MjE6qEXb

🎉🕯🎂🕯🎉(我的第一块 PCB Art 作品图案取自这位老师的视频):https://www.bilibili.com/video/BV1ihNx61Ewq

从零开始的二次元电路板艺术画设计教程:https://www.bilibili.com/video/BV1CQjz6ZELZ

-END -

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

  •  

沃尔玛中国朱晓静:AI时代,零售的本质仍是人服务人

飞书 2026-09-16 14:11 上海

“随着技术门槛持续降低,沃尔玛的差异化优势将更多取决于用技术解决什么问题、如何应用这些技术,以及能否为顾客和会员创造有意义的价值。”

9 月 15 日,在 2026 飞书未来无限大会暨豆包工作开工大会上,沃尔玛中国总裁及首席执行官朱晓静以“AI 时代的零售:以人为本,科技赋能”为主题发表演讲,分享沃尔玛对 AI 应用与企业竞争力的思考。

以下是她的演讲全文。

各位朋友:

大家好。我是沃尔玛中国的朱晓静。很高兴来到今天的飞书未来无限大会,和大家交流,也很期待向大家学习。

刚才坐在台下,看到飞书和豆包发布的新工具,我心里有两层感慨。

第一层,是中国科技日新月异的巨变。三十年前,国内零售几乎全是传统业态。正是沃尔玛等一批跨国企业,把现代商超、现代零售的理念带入中国。而今天,中国已经成长为全球科技创新的前沿阵地,更是当之无愧的数字零售试验场——我们称之为 world retail laboratory。

第二层感慨,关乎科技平权,也就是 equal access。如今所有零售企业,本质上也都必须成为科技公司,科技的权重只会越来越高。随着 AI 持续演进,技术门槛正在不断降低。哪怕像我这样非技术背景的从业者,也不必因此过度焦虑,同样可以运用技术解决业务问题。

科技的发展,一直推动着人类社会的进步。沃尔玛中国上个月刚刚过完 30 岁生日。过去这 30 年,也是中国零售市场快速迭代、蓬勃发展的时代。在这个过程中,我们拥有众多 ecosystem partner,生态系统伙伴,字节就是其中重要一位,和我们一起探索,推动技术创新,帮助我们更好的服务顾客与会员。谢谢你们。

首先,请允许我简单介绍一下沃尔玛。

沃尔玛 1962 年诞生于美国阿肯色州的本顿维尔,那是当年美国中西部非常偏远的一座小镇。从这样一个不起眼的小镇起步,山姆·沃尔顿创立了今天的沃尔玛。如今,我们在全球拥有 220 多万名员工,也是全球最大的私营雇主。

说起沃尔玛,大家往往会有两种固有印象。

第一种印象,认为沃尔玛是一家传统的线下零售企业。但事实上,在中国市场,今天沃尔玛门店与山姆会员商店的线上销售占比已经达到 55%。今天的沃尔玛中国,早已是一家不折不扣的全渠道零售企业。

第二种印象,大家会觉得沃尔玛风格偏传统、偏稳健。但很多人并不了解,拥抱科技,从一开始就是沃尔玛的底层基因。早在上世纪八十年代,我们就搭建了全美规模最大的企业私人卫星通信网络,实时打通总部、门店与供应链体系,用极致的数据化、技术化能力,支撑起沃尔玛全球领先的供应链效率。

在沃尔玛的发展历程里,我们始终坚持一套朴素的长期主义哲学:守住不变的,迭代所有可变的。

企业的使命、价值观,是我们永远不变的初心。但顾客的需求在变、时代的技术在变,因此我们服务顾客的方式、运营业务的模式、组织运转的体系,除初心底色之外,一切都可以、也必须持续进化。

带着这样的企业底色与长期思考,接下来,我想和大家分享,我们在 AI 时代,关于人的价值、以及企业如何构建核心竞争优势的一些近期思考。

我今天分享的主题是:AI 时代的零售:以人为本,科技赋能。

AI 如今正处在青春期,迭代速度飞快。 技术门槛正在持续降低。 当 AI 度过这个阶段,所有算法、算力、通用智能工具,终会成为全行业的基础设施。那么,在 AI 带来科技平权的时代,企业真正的长期竞争力是什么?

我们近期的思考是,沃尔玛布局 AI,重心不在于模型本身,而在于系统。我们要让模型深度对接差异化客户场景、自有专属数据、业务流程与实体运营体系。技术日新月异,我们需要打造可以持续应变的组织和架构。也就是说,沃尔玛真正的差异化优势来自于我们选择用技术解决什么问题、如何应用这些技术,以及是否能为顾客和会员创造有意义的价值。

我们从四个层面思考 AI 的应用:顾客如何购物、我们如何运营,商品如何流动、如何赋能员工发展。我们打开来看。

第一,顾客如何购物。AI 正在改变顾客发现商品、做出决策以及体验互动的方式。过去零售的逻辑是“搜索”,你知道你要什么,你来找到它。未来的逻辑是“发现”,你可能不完全知道你要什么,但系统能理解你的生活场景,在合适的时机、用合适的方式,把合适的商品呈现在你面前。购物的未来不是让顾客去学习一个新界面,而是让技术更善于理解顾客想要什么。从搜索与响应,迈向理解与行动。

AI 更在赋能我们为顾客创造开发商品这一核心工作。零售本身,是科学与艺术的结合。选品这件事尤其如此。AI 和大数据,可以帮我们分析顾客当下的行为,看懂大家对现有商品和服务的反馈。但大数据只能看见已经发生的事实。零售的使命,不只是满足顾客已经表达出来的需求,更要真正地理解生活,依靠前瞻性洞察,发掘他们尚未言说的期待,去 delight 顾客,给他们惊喜,超越他们的预期。这需要 AI 的数据处理能力,更需要人的共情能力,判断力 ,与创造力。

第二,我们如何运营。零售的核心本质始终是“通过人服务人”。我们希望借助 AI 优化决策、减少员工的重复性工作,让员工把更多时间投入服务顾客与会员。

蒸汽机刚诞生的时候,人们最先想到的用法,只是把它装到马车上,而不是重构整套交通体系。

当前我们落地 AI 面临的问题正是如此:仅仅停留在单个任务的优化,端到端的完整业务流程并未发生改变。个体提效并没有聚合成组织提效,根源就在于没有重新设计工作流。碎片化的 AI 应用并不是个错误,它是企业建立拥抱 AI 文化中必经的探索过程。但我们不能止步于此。AI 更大的价值,在于重塑企业全链路工作流,真正提升决策的速度与准确度,创造可量化的真实业务收益。我们要实现的转变,是从碎片式 AI——只在零散孤立的环节做单点优化— 走向用 AI 打通整条零售价值链。

业务结果必须作为衡量标尺。AI 的价值要体现在客户体验、商品品类拓展、货品可得性、履约速度、人效、服务成本、盈利水平以及员工赋能效果上。

第三,商品如何流动。沃尔玛可以将需求信号、库存、设施、运输、门店、履约和最后一公里配送连接成一个响应更敏捷的实体网络。而这个实体网络创造了一个独特的机会,让 AI 有机会和现实世界中商品的物理流动真正连接起来。更强的智能可以帮助系统理解当下正在发生什么,预判下一步需要采取什么行动,并在整个网络中做出日益复杂的决策。沃尔玛的优势并不在于规模本身,而在于将这种规模连接起来,让洞察和能力能够贯穿整个企业,自由流动。

第四,员工如何成长。在技术大变革的时代,相信每个人都会有一份焦虑:我们的工作是否会被 AI 替代?就算有全民基本收入保障生存,人之为人的生命意义,是否依旧完整?效率,是否就是全部?

沃尔玛选择:以人为本,科技赋能。

我们官方愿景陈述里写着:We are a people-led, tech-powered omnichannel retailer, dedicated to helping people save money and live better。

这是我们的战略路径,也是我们的人文底色。

首先,这是商业层面的理性抉择。我们相信,人的创造力、审美、人际共情,能够被科技放大赋能,但不能被机器替代。 在中国市场,山姆会员店与沃尔玛门店,持续打磨商品、精进线下服务,也正是这份坚守,逐渐收获了顾客和会员的信任。

这既是商业层面的理性选择,更是一个价值观的抉择。

每一位企业领导者,都肩负两层责任。一层是管理者的责任:管理任务流。过去,人是组织里唯一的智能主体,所有任务依靠人完成,管控任务流本质就是管人。今天,任务流管理正在发生范式转变,从单纯管人,升级为管人+管 AI。

但领导者还有另一层核心责任——培育人、发展人,帮助组织里的每一个人实现自身价值。这份职责,没有因为技术浪潮而削弱,反而愈发重要。企业固然是以创造利润为目标的商业组织,同时,它也应当成为员工构建人生意义的重要平台。

在技术变革的浪潮里,我们希望助力员工持续学习、迭代成长,不断开拓新机遇。与企业同舟共济,穿越时代洪流,一同奔赴新的彼岸。

作为企业,我们不只是适应时代、拥抱变革。我们当下的每一个行动、每一项决策,都在塑造未来。这就是价值观选择的意义:我们希望创造一个怎样的未来。

最后,我想回到零售的本质是什么?零售,是商品与服务的结合,是艺术与科学的结合,是感性与理性、效率与美好生活的结合。但归根到底,零售的本质,是人服务人。人,是一切的源泉,也是我们最终的目的。科技永远是工具,而人,才是零售故事里永恒的主角。

谢谢大家。

跳转微信打开

  •  

我的碎片化编程

原创 caoz 2026-09-16 10:21 新加坡

汇报一下 我的AI编程近况

经常有读者问我还在vibe coding么,中间确实停了两三个月,最近开始重新捡起来。我发现,其实歇一歇也无所谓,有些东西,没有一直跟进去学习,然后发现似乎就不用学了。

当然,我依然落伍,还在用cursor。很多人会说,你没用gpt codex,没用claude code,太落伍了。无所谓了,现在新东西出来的太频繁,确实跟不动了。

但其实cursor也有了天翻地覆的变化,第一是基座模型的提升,grok 4.6 high基础任务很可靠了,和一年前AI编程的可靠性相比已经是天壤之别;而且额度根本用不完。以前很多保障AI编程质量和稳定的技巧,现在看上去大部分已经没什么用了,说句惭愧的话,我经常讲我写文章要禁得起时间的检验,但是去年关于AI编程的很多经验,今年就用不上了,可以彻底淘汰了。当然,偶尔也会遇到处理瓶颈,换fable 5.1模型解决,还是很轻松的,当然,只是偶尔使用,如果放开了用大概一个下午额度就没了。我现在还是60刀/月的套餐,我不是重度开发者,也没有从AI开发商赚到哪怕一分钱,所以,就开着当个业余爱好吧,再高就舍不得投入了。我还一度试过kimi k3模型,但当时一直报服务器繁忙,我就没再继续尝试。

其实我去年以来一共开发了五个产品,上线了三款,有两款搁置了,其中一款目前还有成本(虚拟主机成本),正考虑要不要收回来停掉,或者彻底更换为赛博菩萨Cloudflare放着。

回到前面话题,除了基座模型的提升外,cursor第二点提升是,它还提供了remote control和cloud agent模式,这两个模式对于我这样的街溜子来说太友好了。因为都可以手机远程操作。

cloud agent更方便,可以开多个agent,可以多个项目并行操作,但缺点是,无法对iOS版本的产品进行编译和测试。

remote control就是操作我的远端机器,目前我的mac mini全天待机,优点自然是远程可以手机操作;那么mac mini可以做双端的产品编译和测试,但缺点是目前同时只能开一个agent,我开始不知道,想两个项目并行,结果发现一个项目没反应了,后来问AI才意识到这个问题。

那今天题目,碎片化编程,因为有了手机远程操作能力,加上目前基座模型在长程任务的稳定性和可靠性上有了极大提升,(几乎已经不再考虑所谓git restore . 这样的操作了,而一年前这是几乎每天的工作)。所以我现在的工作状态已经变成,随时拿着手机,下一个任务,然后溜达,或者和人吃饭喝茶,闲着停下来的时候看一下手机,然后继续布置一个任务。除了最后版本发布还需要在电脑前进行,其他日常开发都直接手机上完成了,然后远程打个apk包,在家里路由做个端口映射,直接把apk下载到手机安装测试,不开玩笑每天下七八次安装包测试产品的改版。包括晚上躺床上刷手机,也是随时测试自己的游戏,随时发现问题扔给AI改进。

以前我们说编程需要持续注意力,但现在无论是架构设计,功能迭代,其实需要人类思考的很少了,最多就是发布前让AI自己做一次完整的安全检查,前端不要泄露密钥等敏感信息,并且要对输入输出的交互做必要的检查,也就这样了。

目前来说,需要人类的,也就是测试了,或者说,交互体验的人类感知,这个AI还是替代不了的。

对了,cursor的第三点提升是提供了基于grok bot的automation能力,但这个高级玩法我还没掌握,刚刚设置它每天从推上给我抓点产业新闻,不过测试效果看上去也一般,看来还需要调整一下提示词。

最后,汇报一下进展,说了半天,我最近做了啥。

我最早不是做了一个游戏合集 boring time么(中文名 无聊时光),这次做了一版升级。主要升级内容如下:

1、之前音乐,音效,关闭后还是会出现,游戏进入后台后依然不停的问题,彻底解决掉。

2、数独我之前一直不是太满意,这次做个比较大的调整,难度分级更合理,基于人类的解题能力,对大师,极限难度做了重新的调整。魔鬼难度没有调整,因为,实在太魔鬼了,超出人类解题能力了!

3、数独解法帮助手册更新,数独提示更新,现在的数独提示我认为是目前市面上做的最好的,不再是单纯的告诉你一个数字,而是基于人类的解题技巧,给予非常清晰的解题链路(极限难度,经常会为了解开一个数字,需要七八个技巧组合使用),而且会基于草稿自动判断当前玩家是否已经使用了某些技巧。不过魔鬼难度目前依然无法给出人类解题技巧。

4、空当接龙的卡牌拖拽效果优化,字体也做了调整。

5、增加了X账号登陆和绑定能力。

大体如此吧,其他游戏暂时没有调整,主要是也没想好怎么调整,而且,确实也没啥玩家体验。

但数独的调整,说实话,都是去年想做但做不了的能力,去年的AI根本做不出来我想要的难度分级和提示能力,今年突然就可以了,而且做的很轻松,去年各种挣扎各种痛苦的经历,今年就感觉像个笑话。

google play 和 苹果市场都已经可以下载最新版本 英文名 boring time;中文名 无聊时光。

目前没有国内市场发行的计划和打算,反正自己每天都在玩是真的。

网站是 boringtime.web.app,不过是放在firebase托管,所以国内目前无法访问。

其他几个产品,最近会依次调整打磨,等到发布更新的时候,会继续跟读者汇报。

最后,虽然底栏广告一放就会失去推荐流量,不过,也无所谓了,反正也不指望有推荐流量了。

知识星球加入3天内退出,无理由全额退款

跳转微信打开

  •  

放弃百万美金年薪,牛津兄弟想训出「华尔街AI分析师」

原创 暗涌Waves 2026-09-16 09:10 江苏

自研模型,冲向交易金字塔尖。

「自研模型,冲向交易金字塔尖。」

文|孙小雯 海若镜

编辑|海若镜

做AI金融模型创业前,子辰已是年薪百万美元的“金领”,凭借在顶级投行练就的交易嗅觉,赚钱对他来说不算难事。

创业的起心动念,源于一场AI交易大赛Alpha Arena。2025年底,DeepSeek、GPT、千问等大模型都下场参赛,也让子辰发现:通用大模型已经进化出一定的独立判断能力。也许未来,他引以为傲的投资决策能力,也能被大模型复现。

与其恐慌,不如下海去搏一搏风浪。他找到正在Meta从事模型研究的方正,两人一拍即合,开启了名为FreeRide的AI创业航程。「暗涌Waves」独家获悉,FreeRide AI近日完成数百万美元种子轮融资,投资方为L2F光源创业者基金。

在还没有Demo时,就拿到融资,关键有两点:一是选择的方向,二是创始团队的履历和潜能。从牛津大学数学系毕业后,子辰先后在伦敦和香港的摩根士丹利、摩根大通、华泰国际等机构工作,从事复杂衍生品交易,曾担任高级交易主管。

方正的履历则更为复合。牛津大学物理系毕业后,他先后在瑞银、Evercore、麦格理资本等机构,处理欧美区域的投行投资业务。因为感知到AI在金融行业的巨大潜力,他又回到剑桥大学攻读计算机科学博士,并参与到Meta、Oracle等大厂的AI模型训练和AI系统的研究。

两人开始探索:大模型已初具决策智能,但要让AI拥有“华尔街交易员”级别的能力,还有多少座山要翻越?

第一座绕不开的是“数据”。文本、代码可以被海量采集,但真正影响金融交易的高质量经验,往往只存在于一线从业者的大脑里。即便能采购诸多类型的数据库,但怎么判断数据价值、权重,进而转化为真实世界里的决策智能,仍有鸿沟。

而且,金融交易数据天然高噪声,现有大模型围绕coding智能体,适配出的长流程模式很难直接迁移。

架构层面,金融交易任务往往依赖极高维度的逻辑分析,很多任务不是定点、单向的求解路径,仅靠常规模型训练方法难以突破,还需要引入专门的系统学习架构。

即便金融专业模型掌握了应有的专业知识与能力,金融市场瞬息万变,只有让AI能够自主学习、自我进化,才可能捕捉到真实市场信号。

这些路障,也让他们理清了技术路线:做AI金融交易大脑,必须自训专业的垂直模型底座,同时做自进化Agent。基于在金融行业沉淀的经验,调整接入通用大模型的参数权重,进化出更有实操经验的LLM底座,先让AI成为有2-4年工龄的初级员工;再通过自进化Agent,让模型能够适应实时多变的金融交易。

自研模型,无疑是昂贵且艰难的。但子辰、方正认为,这是冲上金融“金字塔尖”的必经之路。一旦跑通,垂直模型进入塔尖的华尔街投行和一线基金,参与衍生品定价、复杂投资研究及决策,未来将能辐射更广的金融市场,甚至成为普通人的交易“副驾”。

在他们看来,模型大厂和互联网平台的确拥有更多算力与资源,但却很难偏离当前AI发展主线,聚焦于金融这一细分场景。未来AI系统,或许更像一个交响乐团:通用大模型,与一群专业模型合作,完成复杂任务。

除训练金融专业模型以外,两人在2026年发表论文,初步验证Agent在高噪声、高变化金融领域自进化的可行性。这一“会寻找Alpha的研究员”机制,在沪深300市场中测验,经过1600步进化后,将生成因子的IR中位数从1.6提高到3.9。这个表现不俗,在传统量化领域,IR大于1.0就可称为优秀因子。

技术初验后,接下来FreeRide将从衍生品定价等专业任务切入,做出金融专业人士可用的模型,再拓展到更广泛的金融任务。

以下是「暗涌Waves」与FreeRide联合创始人张子辰、沈方正的对话(经编辑):

Part01

AI交响乐团:

通用模型带一群垂类

暗涌:通用模型能搭Agent和Harness,为什么还要自己训练底层模型?

子辰:我们还是要用第一性原理去解决智能问题。现在Agent和Harness的架构越来越复杂,但如果你不掌握底层模型权重,上层设计地再精妙,也会面临一些风险,比如通用模型无法满足特定场景的任务质量。

另一方面是,以后机构会有自己的Agent,但这个Agent用哪个模型去驱动?现在的通用大模型不一定适合,我们希望做出一个更适合金融场景的模型,让这些Agent有机会用到FreeRideAI模型。

我们对比过GPT、Claude、DeepSeek、千问、MiniMax和智谱。在衍生品定价这类问题上,它们的确懂很多基础知识,但更像一个很好的实习生。你来投行实习,给出这样的回答,我觉得是OK的;但作为正式员工就不达标,因为你的答案过于肤浅,理论没有结合实际市场经验。

暗涌:投资人怎么看金融垂类模型,担心被通用模型吞掉吗?

子辰:感觉几个月以前,大家还在担心通用模型可以吞噬一切,但最近这一个月开始有变化。

通用大模型有几个限制,包括在专业领域的性能、成本和速度。对于特定专业,模型规模不一定是越大越好,最终形式可能是通用大模型与一系列专业模型合作完成任务。

现在的通用模型,在编程垂类已经做得非常好,但在金融、医疗等专业领域仍需要垂类模型。因为金融领域的一些实操经验,网上搜不到,书里也不会有。一个科技工作者很难复刻垂直领域里的顶尖能力。

方正:与其叫垂类模型,叫专业化模型可能更准确。与通识教育类似,现代AI在早期训练中打下的广泛知识基础,但若想像专业人士一样在特定领域独当一面,必须有高度专精的知识与职场技能培养。

暗涌:怎么确定金融模型该学什么?

方正:如果把模型训练比作“炼丹”的话,首先要知道这个“丹”是给谁吃的、解决什么问题。正因为我们团队在伦敦、纽约、香港等国际金融中心拥有丰富的专业经验,我们知道金融机构和专业人士需要AI模型做什么,就能反过来判断它应该具备什么能力、需要什么样的数据。

暗涌:买大量的商业金融数据库,来训练金融专业模型,是必须的?

子辰:确实需要采购数据库。但真正的经验是两点:第一,找到这些数据;第二,判断它们的价值和权重。同时面对100个数据,哪一个更重要?怎么把这些数据变成对决策有帮助的东西?决策思维链是怎样的?这些经验既往只存在于很小的金融圈,大家不会把它记录并公开出来。

比如期权定价的某一个参数,特定情况下怎么选,互联网语料和文献材料很少。但有一线交易实操经验的团队知道什么对、什么错,现有的数据里哪个权重应该更高、哪个应该更低。

如果只是把数据丢给模型专家,说“我有这些数据,你帮我去训吧”,最后的智能程度会非常低。就像经理让一个初级分析师分析问题,他直接把数据怼过去,那经理肯定会问:“我要你干什么?”

暗涌:只靠小圈子的经验,数据量够么?

子辰:首先,我们团队有能力从真实场景出发,针对需要解决的问题将相应的训练数据量放大。

另外,除了金融圈内的经验,我们还在做一件更有意思的事情,就是创建“模拟经验”的生成机制。它有些像AI斯坦福小镇,可以模拟人类的行为,各个角色在AI世界里交互。我们希望利用已有经验,用AI把数据量做大,去模拟更多有价值的经验。

暗涌:有具体的例子吗?

方正:关键技术细节,现阶段还不太方便透露太多。

但举一个例子,比如论文揭示的STAR机制,该机制处理的原始数据规模很小,而且全是有限、离散且信息与噪声高度浓缩的数值。

即便如此,我们仍然看到其中可以推导出有价值的观察结果,进而在后续阶段指导状态判断与决策行为。虽然应用于自进化和传统的后训练有所不同,但它印证了金融市场中很多信息可以被有效提取,并且作为信号推动AI系统与模型的整体迭代优化。

暗涌:金融领域现有的Benchmark怎么样,你们的垂类模型表现如何?

方正:现在金融领域的Benchmark并不是非常理想。比如去财报里找一些数字,本质上还是信息检索;或者是简单的计算,实质是把通用任务放到金融场景里。

我们也看到近期有一些Benchmark找专业人士标注,例如看一个问题需要从哪些角度思考的评测。但很多做得还比较粗糙,有些不是业内真正会考虑的问题。

子辰:我们不会盲目打榜。金融太大了,一个评测集可能只有小几百个问题。税务、会计、零售金融的问题跟机构金融的问题放在一起,各自覆盖面会比较狭窄。我们会针对性地判断,哪些Benchmark更适合我们。

Part02

自进化Agent:

即时感受市场变化

暗涌:为什么既要训练模型,又要让Agent自进化?

方正:它们是相辅相成的。由于通用模型在金融任务上的能力限制,只做Agent进化仍有效率和效果的瓶颈。与此同时,如果只做模型,那金融市场变化非常快,模型无法实时根据市场动态调整。

如果直接让通用大模型在金融任务上试错和进化,就像把基础能力不错的“高中生”送到华尔街,他成长为国际顶尖机构专业人士的进度,远不及直接引进具备扎实专业知识、高适应力的名校毕业生。训练金融专用模型,就是输出“AI金融名校生”。

我们希望Agent能够持续感知市场的变化,像人一样,慢慢沿着职业阶梯往上走。

暗涌:STAR自进化机制挖掘Alpha,和常见的Alpha挖掘有什么不同?这套机制会怎么用到产品里?

子辰:很不一样。一般大家会规定方向直接找Alpha。但我们的设计是让Agent进化成为一个很会找Alpha的研究员。

STAR加入了一个元认知模块,可以修改研究员的提示词、记忆、工具和研究流程。搜索时,也不只挑当前得分最高的个体,它会优先扩展能产生更强后代的谱系。论文里较少的进化步骤和成本,就将生成的因子使用的算子数量翻了将近7倍。

这些我们没有告诉它,都是它自主进化出来的。

反映到产品里,我们可以让用户定义自己想进化的方向。比如我现在有一个什么样的想法或者策略,你能不能通过STAR这套机制帮我进化,看看多少代之后会变得更好?这个是我们有机会做成“AI研究员”的能力之一。

暗涌:但论文的实验环境很简单,距离真正帮助机构做投资决策还有多远呢?

子辰:STAR这篇论文的核心目标并非优化单个Alpha因子,而是演化一个具备自主提炼能力系统的“Alpha研究员”。作为研究员,它能够综合市场现状、凝练思维框架、历史经验记忆及高阶数学算子工具,协同输出适配策略的量化因子。

这个世界上没有恒定的财富密码。

培养能够整合策略框架、经验与数学工具的研究型Agent,比单纯优化因子更具现实意义,也更契合人类研究员的工作逻辑。模型提出的因子,虽可通过不同样本及回测中的IC、IR和夏普比率等指标进行评估,但要将因子转化为最终的投资决策与收益,仍需历经投资组合构建、风险控制及交易执行等环节——这正是专业金融机构的标准运作流程。

现在机构大部分已经有自己比较成熟的机制,我们刚开始想做的是先融入进去。比如我给你一个好的Factor,你自己还有很多Factor,可以把它加进去做组合构建。

暗涌:怎么判断Agent给出的分析判断够不够专业?

方正:这里可以有很多方法,其中一种是将“高难度验证”转化为“低难度验证”。根据场景不同可以有很多具体实施细节,但其核心目标一致,即通过转换成正确性判定标准,简化整体验证流程。

不过,各种验证方法都无法完全取代行业最顶尖专家的重要性。我们有一个非常大的专家团来支持,他们是华尔街最顶尖的金融机构里的资深从业者,普遍有十几年、二十几年工作经验。

子辰:我举个例子。比如你问它怎么定价一个期权,普通的答案可能是看股票价格、波动率、股票的借款利率和股息率,这些都是教科书上能看到的东西。

但我们希望它能考虑到更多。比如这样的定价方式是否有对行业和同板块的分析,是否考虑到对未来事件的预测、对股票和行业未来资金流的分析等等。如果一个AI模型告诉我期权应该怎么定价,把这几点都说到了,我才觉得它在金融场景中是专业的。

Part03

未来之路

暗涌:FreerideAI首先想服务谁?他们最大的痛点是什么?

子辰:首先当然是希望金融机构和金融专业人士能满意。如果能做到,说明它达到了很高的智能水准。之后可以推广给更多普通人,这也是未来我们也想做的。

目前的问题是,大家根本不放心真的让AI协助投资决策。比如你问DeepSeek,明天该不该抄底?它会跟你说很多,看起来很专业,但有些回答存在AI幻觉,有些回答像教科书只给出概念。在专业的人看来,其实并不可用。

暗涌:现阶段,你们希望模型达到什么水平?什么时候能看到初步产品?

方正:近期要达到外资投行或者顶级对冲基金初级员工的能力,也就是有2到4年工作经验的员工水平。

随着模型训练越来越厉害,进化机制匹配得越来越好,再慢慢提高经验年限。当然,一开始是我们重点训练的场景和专业领域内,之后再逐步扩大事情的边界。

子辰:我们计划Q4推出初步Demo,到时候就可以看到一些特定场景的预演。衍生品定价是其中一个,未来还会逐渐泛化,扩展到二级市场交易、一级市场的投研等等。

暗涌:现在有密集接触投资人吗?什么时候准备启动下一轮融资?

子辰:最近主要在密集做产品研发和模型训练,等下个月Demo出来之后,再开始见一些投资人,准备融下一轮。

排版|郭栩君

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

永别了,豆包!

前端充电宝 2026-09-16 09:00 浙江

核弹级干货分享!

大家好!

今天的文章很特殊,是我一直不敢写的话题,前前后后删改好几次,一直到发文前才把它写出来。

因为它太重要了在当下大家都有可能用到,

真心希望所有人都能看见并重视起来!


▌ 先给新来的朋友交代下背景

老读者应该都知道,去年8月这款「全能AI」就关闭了长期买断通道。

原因很现实:平台模型调用成本持续上涨,长期不限量的定价,每多一个用户就多亏一份。

从那之后只剩一个方案:998元/年标准订阅。

没想到这半年后台的留言几乎每天被刷屏:

"长期卡还有没有?"

"能不能再开一次?"

"我愿意加价,求一个名额。"

尤其近一个月,大量新读者翻完历史文章后集体涌入,说"轰炸"都算客气。

与此同时,今年4月「全能AI」刚完成了一次底层架构重构的重大升级——从模型调度到功能扩展几乎推倒重来,目前已经是内测收尾了,一批新的AI和功能即将全面上线。

两件事撞在一起,我做了一个决定:

趁新功能全面铺开前,去找官方再争取一次。

沟通了好几轮,对方一开始明确拒绝——毕竟长期买断对他们来说也是亏本买卖,最终被我磨到松口,只给批了一个极小额度。

所以,我今天正式宣布:

临时追加100个终身会员名额

原价998元/年 → 今日前100名:298元终身买断

一次付费,不限量使用,后续所有功能更新免费同步

100个名额是我能争取到的上限,抢完即止,通道立刻关闭。

你只需要这一次投入,就能把以下所有AI全部收入囊中(共20多个,而且还在持续增加中……):

☑ 主流大语言模型

☑ AI绘画界的神

☑ AI修图界的魔改神器

☑ AI视频界的大王

☑ AI音乐界的天花板
……

☑长期福利——后续所有迭代的新AI和功能,免费同步更新!

▲长按扫码获取授权码▲

享终身会员,限量100人

我知道,对于刚接触的朋友来说,上面这串AI列表可能看得有点懵:这些东西到底好在哪?跟我平时用的那些AI工具有什么区别?

别急,接下来我把每个内核都拆开,一个一个给你看清楚。

看完之后你再决定要不要抢,完全尊重你的判断。

一、AI界三巨头:不是简单的聊天机器人,而是你的全能智囊

稍微了解AI行业的朋友都清楚,全球真正具备强大逻辑推理能力的对话模型,数来数去就那么几家。

而在我们的系统里,这些公认的主流天花板级大模型不仅全部打通,而且接入的都是高配版本——不是缩水版,不是套壳版,是原汁原味的满血体验。

更关键的是我们的更新速度:只要上游发布了新一代模型,我们基本上隔天就能完成同步上线。你在这里能体验当下前沿的AI技术,不用自己到处折腾。

但光说"模型强"太抽象了,我直接给你看几个真实使用场景:

场景一:你的随身法律助手

你需要一份措辞严谨的劳务合同,或者急需给房东拟一份退租说明?把需求丢进对话框,它不仅能快速生成结构清晰的文本,还会像一个经验丰富的法务顾问一样,主动帮你补齐容易被忽略的风险条款。

提示词:

拟一份北京某科技公司与员工的劳动合同,要求能够直接使用

场景二:多模态视觉识别,拍照就能问

我们的平台已经全面开放了多模态视觉能力。

遇到看不懂的英文报错信息?孩子拿来一道复杂的几何题?直接把截图丢进对话框,它会像一个耐心的私教一样,一步步帮你拆解、标注,讲得清清楚楚。

提示词:

求解图中的题目

我自己前阵子装修房子,去建材市场看石材,随手拍了几张大理石的照片发给它。结果它不仅准确识别出了石材种类,连纹路品相、市场行情、优缺点都给我分析得明明白白——说实话,比现场的销售顾问还专业。

提示词:

看下图中地砖的款式,都适合什么样的装修风格,给点建议,整理成表格输出

场景三:程序员的效率加速器

在代码开发领域,这套系统的表现堪称恐怖。

无论是从零搭建网页、编写自动化脚本,还是排查棘手的Bug,它输出的代码质量都非常高。你只需要用大白话描述需求,生成的代码很多时候可以直接运行,连修改都省了。

更贴心的是,平台自带前端代码实时预览功能。你在对话框里让它写一个网页,右侧立刻就能看到运行效果,不需要自己配置本地环境。

提示词:

直接为我生成一个完整的、可运行的单文件网页应用,目标是做出一个“非常惊艳、非常高级、非常像 2026 年高端AI产品官网”的落地页。

(省略了一段,需要完整提示词,请在评论区留言)

输出要求:

必须保证复制后可直接运行

场景四:自媒体人的内容生产线

如果你是做内容创作的,这个工具对你来说就是效率的质变。

不管是小红书种草文案、知乎深度回答,还是公文写作,给它几句内核提示,它就能快速产出一篇结构完整、语感自然、金句频出的高质量初稿。

很多时候拿过来微调几句就能直接发布,一天能帮你省出好几个小时。

提示词:

写一篇发布到小红书上的种草一款AI集合工具产品的爆款文章

在「全能AI」只需一次付费,即可终身免费畅享AI服务!

国内罕见的高性价比与稳定性,这波错过绝对后悔。

▲长按扫码获取授权码▲

享终身会员,限量100人

二、AI修图界的魔改神器:指哪改哪,精准无痕

「全能AI」里的修图功能,真正做到了"指哪改哪"且"不毁原图",每一处修改都精准细腻,看不出任何违和感。

直接看几个实用场景和准备好的提示词:

1、风格转换:真人一键秒变精致手办/二次元。 

提示词:

把这张照片转换成一个角色手办。在它身后放置一个印有该角色图像的盒子,并在旁边放一台电脑,电脑屏幕上显示 Blender 建模过程。在盒子前方加一个圆形塑料底座,角色手办站立其上。如果可以的话,将场景设置在室内。

2、照片修复:10秒让模糊、破损的老照片焕发新生。

提示词:

移除所有老旧损伤痕迹:划痕、瑕疵、褪色与霉斑,修复并自然着色此图像。精细还原人物五官并增强细节,保持画面干净柔和,避免过度锐化。

3、AI试衣:电商福音,免模特实现虚拟换装。

提示词:

图中的模特站在图中的场景里,右手牵着图中的狗,图中的衣物替换到模特身上,挎着图中的包,左手拿着图中的饮料,图中的文字在左下角

    4、证件照生成

    再也不用跑照相馆排队了。上传一张普通生活照,AI自动美颜、调光、换装、换背景,效果比专业的摄影师拍的还好。

    5、线稿上色:草图直接渲染成精美设计图。

    提示词:

    请为这张黑白线稿进行上色,配上合适的背景,变成一张装修效果图

    6、智能去背景+换场景——直出产品海报

    做电商的朋友都懂,拍商品图最麻烦的就是抠图和换背景。以前要用PS慢慢抠,头发丝、透明物体特别难处理,现在:直接上传商品图+指令秒出图。

    这些功能在其他平台上,要么找不到入口,要么需要单独付费订阅。而在我们这里,全部包含在内,长期更新,不限用量。

    ▲长按扫码获取授权码▲

    享终身会员,限量100人

    三、AI绘画界的神:无限量畅用,零焦虑创作

    在AI绘画领域,「全能AI」接入的生图模型,在业内的口碑和实力都是有目共睹的。

    只需要输入几个关键词描述,它就能从无到有生成令人惊艳的画作。无论是高端商业海报、创意插画、写实人像,还是二次元动漫风格,统统不在话下。

    提示词:一个男孩在雨后骑车穿过开满绣球花的山坡,湿润的道路倒映着阴天,整体是清新的绿色调,带有惆怅感的日系动画电影氛围,动态轻盈,背景绘制细腻。

    ▼看看这生成的创意,栩栩如生▼

    ▼一次生四张,张张极品▼

    而且「全能AI」提供的是原生绘图接口,功能完整度拉满:文生图、图生图、高清放大、局部重绘、风格变换……我们一个不少。

    最重要的是——没有用量限制。

    你没看错。相比那些按月付费、还限制生成次数的平台,我们这里完全不存在"用量焦虑"这回事。想画多少画多少,随便造。

    ▲长按扫码获取授权码▲

    享终身会员,限量100人

    四、AI视频界的大王:视频创作的效率革命

    生成的视频极度真实,而且支持自动配音且口型完美同步。

    全能生成:支持文生视频(一句话变大片)与图生视频(单图变短视频)。

    电商神器:产品图直接生成带货视频,生产力炸裂。 

    提示词:

    提示词:帮我做一条遮阳帽的带货视频,女声口播

    「全能AI」的会员无限随便用!

    ▲长按扫码获取授权码▲

    享终身会员,限量100人

    五、AI音乐界的天花板:人人都是音乐家,也是歌手

    只需输入歌词与风格,瞬间生成天籁之音,效果绝对炸裂!足以让专业音乐人汗颜。

    ▼先来听听创作出来的歌曲▼

    ▼再来看看在「全能AI」里的操作过程▼

    歌词: 

    第一段(主歌): 

    闹钟在耳边 吵个不停 脑袋还困在 梦里旅行 早餐随便啃 几口面包 出门就撞进 人潮拥挤 手机消息 不停在刷屏 这世界好像 太吵太急 想说点什么 又懒得整理 干脆就 放肆一点 随性

    (省略了一段,需要完整提示词,请在评论区留言)

    副歌(高潮): 

    叽里呱啦 叽里呱啦 烦恼全都 丢一边吧 快乐不用 太多复杂 笑一笑就 轻松一下 叽里呱啦 叽里呱啦 跟着节奏 轻轻摇摆呀 不用假装 多么优雅 自在一点 最最潇洒

    尾声: 

    开开心心 每一天呀

    风格:

    流行,嘻哈,节奏蓝调,欢快,积极

    从此告别门槛高和费用贵(月费约70元)的痛苦。

    何必花那冤枉钱?「全能AI」会员直接终身使用,告别按次收费!

    ▲长按扫码获取授权码▲

    享终身会员,限量100人

    六、多端同步:随时随地,无缝切换

    完美适配安卓、iOS及网页端。

    聊天记录与创作数据云端实时同步,无论电脑还是手机,切换设备无需迁移,随时随地无缝续接灵感。

    ▼长按扫码获取授权码▼

    享终身会员,限量100人

    七、超值赠品:今天下单,即送3000元搞钱干货

    我做这套系统的初衷,不仅仅是给大家提供一个好用的工具。我更希望你能借助这个工具,真正提升自己的工作效率,甚至找到新的收入增长点。

    所以,凡是今天通过本文下单的朋友,我个人额外赠送3套精心整理的实用资料:

    🎁 福利一:《AI效率提升实操手册》(价值799元)

    下单后凭截图联系客服领取。这套资料我会持续更新,涵盖各行各业如何利用AI工具提升工作效率的实操案例。

    🎁 福利二:《AI写作进阶全套方法论》(价值599元)

    这是我们团队耗时两个月,精心打磨的近10万字深度内容,从文案写作到内容策划,系统性地教你如何用AI辅助创作。

    🎁 福利三:《自媒体优质内容创作指南》(价值699元)

    内核目标只有一个:手把手教你如何借助AI工具,持续产出高质量的文章内容。

    注意:以上福利仅限通过本文下单的朋友领取,其他渠道不享受此权益。

    ▲长按扫码获取授权码▲

    享终身会员,限量100人

    八、算一笔账:298元到底帮你省了多少钱?

    如果你之前深度使用过各类独立AI工具,心里一定有一本账。

    像我们这种融合了"AI界三巨头+AI视频界的大王+AI绘画界的神+AI修图界的魔改神器+AI音乐界的超巨天花板……等20多个超级AI"的综合平台,如果在市面上逐个去订阅,费用是非常惊人的:

    AI界三巨头之主流对话能力:约150元/月

    AI界三巨头之代码辅助:约150元/月

    AI绘画界的神:至少200元/月

    光这三项,每月硬支出就超过500元,一年下来就是6000元以上。

    而这还没算AI修图界的魔改神器、AI视频界的大王、AI音乐界的天花板的费用。全部加起来,一年的订阅成本轻松破万。

    说实话,对于普通上班族、自由职业者、学生党来说,谁愿意长期背负这么高的订阅压力?

    但今天,你只需要298元,一次性打通所有硬核AI,长期使用,后续更新全部免费。

    这笔账怎么算都是划算的。

    🔔 温馨提示:100个名额售罄后,长期买断通道将立即关闭,届时将恢复为998元/年的标准订阅价格。

    ▲长按扫码获取授权码▲

    享终身会员,限量100人

    九、最后唠两句

    今天这100个长期买断名额,确实来之不易。

    从去年8月关闭信道到现在,大半年的时间里,我收到了太多太多的请求和期待。这次能重新争取到这批名额,说实话我自己也松了一口气。

    但我必须把话说清楚:这是一次面向公众号读者的专属回馈,名额极其有限,不会常态化开放。

    你用一顿朋友聚餐的花费——298元,换取一套在市面上需要花费数千元才能凑齐的AI工具平台,而且是长期不限量使用,后续所有新功能免费同步更新。

    这笔账划不划算,相信你心里有数。

    🔔 最后再明确一次规则:

    · 前100位下单用户:298元享受长期VIP权限

    · 100个名额售罄后:长期买断信道立即关闭,系统自动恢复为998元/年的标准订阅价格

    如果你之前就一直在关注「全能AI」这个产品,这次真的不要再犹豫了。这已经是你能拿到的最优价格方案。

    🔥 限时限量 · 仅100名 · 卖完即止

    ¥298 = 终身会员

    一次付费 · 长期使用 · 主流AI全解锁

    终身会员卖完下架·之后只有998元/年卡

    长按识别二维码 · 抢终身会员

    🎉 评论区互动抽奖 🎉

    今天高兴,给家人们再送一波福利! 

    欢迎在底部评论区留言,聊聊:“你最想用「全能AI」来帮你解决什么具体问题?”

    将从精选留言中抽取3位走心粉丝直接赠送『终身会员』一个!

    抽奖暗号: 留言越真诚和真实中奖率更高哦!冲冲冲~

    阅读原文

    跳转微信打开

    •  
    ❌