观妙

Grok Build「仓库全量上传」事件复盘：AI 编程工具的数据边界在哪里？

2026-07-13T17:30:00.000Z

摘要：2026 年 7 月 12 日，安全研究员 cereblab 发布 wire-level 分析，证明 xAI 的 Grok Build CLI（v0.2.93）会在用户不知情的情况下，将完整 Git 仓库（含提交历史、未读文件、.env 密钥）打包上传至 Google Cloud Storage bucket grok-code-session-traces。关闭「Improve the model」隐私开关后上传行为依然继续。本文梳理事件时间线、技术证据、竞品对比与开发者应急措施。

2026 年 7 月 12 日，一篇附带完整网络抓包证据的技术分析，让 xAI 的 AI 编程工具 Grok Build 陷入了数据隐私风暴。

安全研究员 cereblab 通过 mitmproxy 对 Grok Build CLI 0.2.93 进行 wire-level 审计，发现该工具在正常解答编码问题之外，还悄悄执行着另一项任务：将用户本地 Git 仓库的完整内容——包括从未被读取的文件、完整提交历史、以及未脱敏的 .env 密钥——打包上传至 Google Cloud Storage bucket grok-code-session-traces。

更关键的是，用户界面上的隐私开关对此毫无作用。

一、事件时间线

时间	事件
2026-07-12	cereblab 发布 GitHub Gist 技术分析，公布完整网络抓包与可复现步骤
2026-07-13	分析登上 Hacker News 首页；Elon Musk 在 X 承诺删除所有已上传数据
2026-07-13	cereblab 复测发现 `/v1/storage` 上传已停止，服务器返回 `disable_codebase_upload: true`
2026-07-14	多家安全媒体报道；分析版本 0.2.99 二进制文件中上传代码仍存在，仅靠服务器 flag 阻止

二、技术证据：三个关键发现

2.1 整个仓库被上传，而非仅任务相关文件

cereblab 的测试使用了 mitmproxy 对 Grok Build 进行中间人抓包，方法无需越狱、无需提权：

安装 mitmproxy 并信任其 CA 证书
通过 HTTPS_PROXY 环境变量路由 Grok Build 流量
记录所有请求的方法、路径、响应状态、请求体大小

在 12 GB 的测试仓库中（内容为 agent 从未读取的随机文件），两个通道的数据量形成了鲜明对比：

模型推理通道（POST /v1/responses）：仅 192 KB
存储上传通道（POST /v1/storage）：5.10 GiB，分 73 个 ~75 MB 的 chunk，全部返回 HTTP 200

两者比例约为 27,800:1。这意味着即使模型根本不需要这些数据，它们仍然离开了本地机器。

2.2 未读文件与密钥被完整打包

为了证明上传范围不限于「模型读取过的文件」，cereblab 在仓库中放置了 canary 文件：

src/_probe/never_read_canary.txt：明确告诉 agent 不要打开此文件
.env：包含格式化的 API_KEY=CANARY... 和 DB_PASSWORD=CANARY...

在直接提示 “Reply exactly: OK. Do not read or open any files.” 的测试中，cereblab 成功从上传的 Git bundle 中恢复出 never_read_canary.txt 的完整内容，并保留了唯一标识符。该 bundle 同时携带了仓库的完整 Git 历史（4 次提交、47 个文件）。

这一发现意味着：你告诉 Grok Build 不要读的文件，它仍然会上传。

2.3 隐私开关无法阻止上传

这是最具误导性的部分。Grok Build 用户界面中唯一的隐私控制是 「Improve the model」（允许模型改进）开关。

cereblab 将该开关关闭后复测，结果令人震惊：

/v1/settings 接口仍返回 trace_upload_enabled: true
存储上传通道继续正常工作
完整仓库 Git bundle 仍然被接受（HTTP 200）

原因：这个开关控制的是训练授权（xAI 是否可将数据用于改进模型），而不是数据传输控制（数据是否离开你的机器）。这是两个完全独立的机制，而 Grok Build 只暴露了前者给用户。

三、上传的目的地：Google Cloud Storage

二进制文件中硬编码了目标存储桶名称：

Bucket：grok-code-session-traces
路径格式：gs://grok-code-session-traces/repo_changes_dedup/v2/supplemental/sha256_…

该机制并未出现在 Grok Build 的安装脚本或快速入门文档中。上传通过一个独立的 Rust crate（xai-data-collector）在后台协调，与模型推理通道分离。

cereblab 还发现了一个副作用 bug：~/.grok/upload_queue 会在每次运行时 staging 约 3 GB 的仓库快照，高负载下可能增长到数十 GB，耗尽本地磁盘空间。

四、竞品对比：Grok Build 是唯一「全量上传」者

在披露后，cereblab 对主流 AI 编程工具进行了同样的 wire-level 对比测试：

工具	上传行为
Grok Build	上传整个仓库（Git bundle + 完整历史），即使文件未被读取
Claude Code	仅上传实际打开的文件
Codex CLI	仅上传实际打开的文件
Gemini CLI	空闲测试中无仓库上传；真实任务测试被 quota 阻断

Grok Build 是测试范围内唯一一个将整个工作区打包上传的工具。其他工具的行为符合用户预期：只发送完成当前任务所需的代码片段。

五、xAI 的回应与修复

5.1 临时缓解

2026 年 7 月 13 日，在事件曝光约 24 小时后，xAI 通过服务器端 flag 停止了上传行为：

服务器开始返回 disable_codebase_upload: true
/v1/storage 上传通道停止响应

值得注意的是：这是静默的服务器端切换，没有客户端软件更新，没有 changelog 条目，没有安全公告。

5.2 新命令：`/privacy`

xAI 同时推出了 /privacy CLI 命令，允许用户：

选择退出数据保留
触发对已同步数据的「追溯删除」

但 cereblab 的后续测试显示，/privacy 控制的是数据保留，而非数据传输。这意味着在 7 月 13 日之前上传的数据已经离开了用户的机器。

5.3 Elon Musk 的承诺

Elon Musk 在 X 上表示，所有在修复之前上传的用户数据将被「完全、彻底删除，什么都不留」。截至 7 月 14 日，这一承诺尚未经独立验证。xAI 未公布：

删除时间线
受影响用户数量
已存储仓库的清单

5.4 代码仍留在二进制中

对版本 0.2.99 的分析（cereblab 及 weklund）显示，上传代码仍然存在于编译后的二进制文件中，只是被服务器 flag 暂时阻止。这意味着 xAI 可以在不发布客户端更新的情况下，随时为任意用户重新启用上传。

六、开发者应立即采取的措施

6.1 轮换所有密钥（最高优先级）

如果曾在包含真实密钥的仓库上运行过 Grok Build：

立即轮换 API key、数据库密码、云 token、SSH key、webhook secret
不要只删除本地 .env 文件——Git 历史中的密钥仍然可能已被上传
检查 .env 是否曾被 commit 过；如果是，视为已泄露

6.2 运行 `/privacy` 并启用 ZDR

在 Grok Build 中执行 /privacy 命令
企业用户应确认已启用 Zero Data Retention (ZDR) 配置
注意：ZDR 目前仅覆盖企业团队和 API 密钥用户；个人 SuperGrok / X Premium Plus 订阅者依赖 /privacy 命令

6.3 审计网络流量

mitmproxy 是免费、开源的工具，无需提权即可使用。任何处理敏感代码库的组织都应在部署 AI 编程工具前进行 wire-level 审计。

cereblab 的复现仓库已公开：github.com/cereblab/grok-build-exfil-repro

七、深层问题：AI 编程工具的数据边界

7.1 「本地优先」营销 vs 实际行为

Grok Build 事件揭示了一个行业-wide 的认知偏差：许多开发者默认「AI 编程工具只发送我让它读的文件」。实际上：

云编码工具的第一通道（发送代码到远程模型）是预期内的
但第二通道（将整个工作区打包上传）不是

Grok Build 的 27,800:1 比例表明，这不是「顺便多传了一点」，而是一个独立的、默认开启的全量收集机制。

7.2 隐私开关的「双轨欺骗」

Grok Build 的隐私设置架构存在根本性问题：

训练授权（Improve the model）：用户可见、可控制
数据传输范围（整个仓库 vs 任务文件）：用户不可见、不可控制

当用户关闭训练开关时，他们以为自己选择了「更私密的模式」，但实际上数据仍然以相同规模离开机器。这种「双轨设计」在隐私政策文件中可能被宽泛表述所掩盖，但在实际行为上构成了误导。

7.3 Git 历史的隐藏风险

Git bundle 格式的一个特殊之处在于：它携带完整对象历史。这意味着：

已从工作区删除的 .env 文件，如果在过去的 commit 中存在，仍然会出现在 bundle 中
即使是「已删除的密钥」也等于「已上传的密钥」
标准的 .gitignore 只能防止未跟踪文件进入仓库，无法保护历史中的敏感内容

八、与其他事件的对比

将 Grok Build 事件与本月另一桩 AI 隐私事件放在一起看，会看到一个有趣的对称：

事件	公司	行为	检测方式	公开性
Grok Build 仓库上传	xAI	默认上传整个仓库 + 密钥	独立研究员 wire capture	7/12 公开，无官方公告
Anthropic 隐写门	Anthropic	隐写术检测中国用户并编码进系统提示词	Reddit 逆向工程	6 月底公开，官方称「实验性」
Claude Code 对比测试	Anthropic	仅上传实际打开的文件	cereblab 对比测试	作为对照组公开

有趣的是，在 cereblab 的对比测试中，Claude Code 表现最为克制：仅上传模型实际读取的文件，且 never_read_canary.txt 从未离开本地。这与 Anthropic 「隐写门」事件中的争议行为形成了微妙的对照——一家公司可能在用户侧检测上采取激进手段，却在数据上传范围上保持克制；另一家公司（xAI）则在用户不知情的情况下进行了更大规模的数据收集。

九、尚未解答的问题

上传的原始目的是什么？ xAI 未解释为什么需要完整仓库快照。最合理的推测是「让模型在「思考」阶段访问整个代码库而不反复调用工具」，但这一推测尚未得到官方确认。
数据保留了多久？ 从 3 月上线的机制到 7 月 13 日关闭，仓库数据在 grok-code-session-traces 中存储了至少数月。xAI 未公布保留策略。
有多少用户受影响？ 未公布。Grok Build 的下载量和活跃用户数未知。
Gitignored 文件是否也被上传？ cereblab 未单独测试此场景。从 file_access_tracker crate 的行为推断，上传机制似乎是「读取驱动」的，但这一结论需要进一步验证。
Elon Musk 的删除承诺是否已兑现？ 截至 7 月 14 日，无独立审计确认。

十、结语

Grok Build 事件的核心不是「AI 工具会发送数据到云端」——这是云服务的固有属性。核心问题是：

默认发送的数据范围，远超用户完成任务所需的范围，且用户界面上的隐私控制对此毫无约束力。

当一个开发者要求 Grok Build「修复一个 bug」时，他预期的是相关文件被发送到 xAI 的模型。他没有预期的是：整个 Git 仓库、完整提交历史、以及任何曾经被 commit 过的密钥，都会以 Git bundle 的形式出现在 Google Cloud Storage 中。

更令人不安的是，这一行为被设计为默认开启、无需显式授权、且无法通过用户界面关闭。隐私开关控制的是「数据用途」，而不是「数据出境」。

对于企业开发者和独立贡献者而言，这条规则可能需要被永久铭记：

如果你在本地运行一个 AI 编程工具，并且你不清楚它打开了哪些网络连接，就假设它已经把你整个仓库发送了出去。

这不是对 xAI 的特别指责，而是对所有「本地优先」营销话术的普遍提醒。在 wire-level 审计证实之前，本地 ≠ 私密。

🤔 你怎么看 Grok Build 的「全量上传」行为？你认为 AI 编程工具的默认数据边界应该是什么？欢迎在评论区讨论。

本文基于 cereblab 的公开技术分析（GitHub Gist / cereblab.com）、The Hacker News、CyberNews、TechTimes 等报道综合整理。

Anthropic 对华政策观察：从「隐写门」到行业对比

2026-07-13T16:00:00.000Z

摘要：2026 年 6 月底，Reddit 用户逆向发现 Claude Code 内置了一套隐蔽的中国关联用户检测机制，通过隐写术将检测结果编码进系统提示词回传。本文梳理事件时间线，横向对比 OpenAI、Google 的对华政策差异，并讨论 AI 公司在「技术中立」与「地缘政治现实」之间的结构性张力。

2026 年 6 月底，一起由逆向工程揭开的事件，让 AI 行业对「技术中立」的幻灭感再次升温。

Reddit 用户 LegitMichel777 在分析 Claude Code 2.1.196 版本时，发现该工具自 2026 年 4 月的 2.1.91 版本起，内置了一套隐蔽的中国关联用户检测机制。这不是简单的 IP 封锁，而是一套精心设计的、试图规避公开审查的隐形系统。

一、事件回顾：Claude Code「隐写门」

1.1 检测内容

系统会悄悄检查两项指标：

时区判断：系统时区是否为中国时区（上海/乌鲁木齐）
域名清单匹配：用户代理域名是否命中一份包含 147 个条目的清单，涵盖百度、阿里巴巴、字节跳动、月之暗面、MiniMax、阶跃星辰等中国科技企业

1.2 回传方式：真正的「隐写」

检测本身并不罕见。真正引发争议的是回传手段：

不通过独立遥测字段上报
而是将检测结果隐蔽编码进每次请求都会发送的系统提示词中
具体手段包括：修改日期格式（连字符变斜杠），并将撇号替换为三种视觉上几乎无法区分的 Unicode 字符，分别对应不同命中状态

这意味着，即使用户检查网络流量，也很难发现这套机制在运行。

1.3 混淆手段

域名清单并非明文存储，而是经过：

Base64 编码
XOR 异或运算混淆

发布说明中完全未提及此功能。整套机制从 4 月上线的 2.1.91 版本潜伏到 6 月底才被发现，时间跨度近三个月。

1.4 官方回应

Anthropic 技术团队成员 Thariq Shihipar 在 X 上回应，称这是 2026 年 3 月上线的「实验性」反滥用措施，目的是防止账户转售和模型蒸馏攻击，并承诺在后续更新中移除。

1.5 后续影响

阿里巴巴内部已将 Claude Code 列入高风险软件名单，要求员工在 7 月 10 日前卸载相关 Agent 产品，推荐使用自研工具 Qoder 替代。

二、横向对比：OpenAI、Google 如何处理中国相关准入

据英国《金融时报》调查及多家媒体转载，三家美国头部 AI 公司对中国关联用户的处理方式存在明显差异：

公司	政策取向
Anthropic	全面禁止中国公司及其海外子公司使用先进模型，被媒体称为三者中「最激进」的一家
OpenAI	不允许中国大陆直接访问，但允许部分中国所有权公司在其可监管的海外地区（如新加坡）使用工具；曾因怀疑蒸馏行为暂停阿里巴巴关联账号访问
Google	服务在香港、新加坡持续开放，依赖使用政策（禁止蒸馏）而非地域封锁作为主要防线

2.1 1260H 清单的关键差异

值得注意的是，OpenAI 和 Google 被曝向五角大楼「1260H 清单」（认定与解放军有关联的企业名单）上的阿里巴巴、百度、腾讯的海外子公司提供服务，而 Anthropic 没有——这也是媒体称其「更激进」的直接依据。

2.2 蒸馏指控与法律争议

Anthropic 方面曾致信国会，指控阿里巴巴使用 2.5 万个欺诈账号、产生超过 2880 万次交互，借此「蒸馏」Claude 模型。阿里巴巴对此未予回应，但已就其被列入五角大楼名单一事向联邦法院提出异议。

据多家媒体报道，Anthropic 曾表示封锁中国访问使其损失数亿美元。

三、核心讨论：几个值得深思的观察

3.1 隐写术手段与「安全承诺」的自相矛盾

Anthropic 长期将自己定位为 AI 安全与透明治理的行业标杆。而这套隐蔽检测机制恰恰采用了刻意规避审查的手段：

Unicode 混淆
XOR 加密
不写入更新日志

无论其初衷是否合理，执行方式本身与「透明」的公开承诺存在明显落差。一家以 AI 安全为卖点的公司，选择用隐写术回传用户元数据，这在伦理叙事上构成了自反性讽刺。

💡 开发者提示：隐写术（Steganography）在安全领域通常用于恶意软件或数据泄露。一家以「安全」为核心卖点的公司采用同类技术进行用户侧检测，无论法律上是否合规，都值得在选型评估时纳入伦理审计。

3.2 「蒸馏」指控中的不对称性

Qwen、GLM、DeepSeek、Kimi 等中国模型大量开源了权重、论文与技术报告。这些内容进入公开互联网后，理论上也会被各家公司的爬虫收录进训练语料——尤其中文语料本就相对稀缺。

若此假设成立，则存在一种结构性不对称：

中国公司通过 API 调用获取美国模型输出 → 被定义为「违规蒸馏」并遭严厉打击
美方公司通过公开语料间接受益于中国开源成果 → 未被纳入同等讨论范畴

这一不对称性目前尚无权威调查证实或证伪，但值得关注后续国会听证或独立审计是否触及。

3.3 对「激进姿态」动机的三种推测

安全理念的路径依赖：Anthropic 创始团队出走 OpenAI 的初衷即是「发展速度应让位于安全」，这种文化基因可能延伸为对地缘政治风险「宁严勿松」的一刀切处理。
商业竞争焦虑：中国开源模型性能迫近、价格更低，直接冲击订阅制商业模式，激进姿态某种程度上是防御性的市场反应。
政策游说与叙事维护：强调「中国威胁」有助于在国会游说、融资估值中维持自身话语权和特殊地位诉求。

这三种因素很可能并非互斥，而是相互交织、彼此强化。

3.4 「从落后到领先」的结构性悖论

Anthropic 以「OpenAI 发展过快、安全跟不上」为由创立，如今其旗舰模型被广泛认为是公众可用的最前沿模型之一。这一悖论并非该公司独有——几乎所有以「制衡失控发展」为初衷成立的 AI 实验室，最终都因商业和融资压力被迫加入前沿能力竞赛。

OpenAI 自身早年「民主化 AI、制衡巨头」的定位也经历了类似的转变。

四、行业影响与结构性含义

4.1 AI 公司的「地缘政治身份」

Anthropic 事件标志着 AI 公司不再只是技术公司，而是地缘政治行为体。它们的代码仓库成为政策工具，其产品更新可能影响外交关系，其内部检测机制可能改变行业供应链。

4.2 开源 vs 闭源的「安全叙事」翻转

传统叙事中，闭源公司以「安全」为由限制访问，开源模型以「透明」为由开放权重。但 Anthropic 事件揭示了一个反转：

闭源公司可能在不公开的情况下实施地域歧视性检测
开源模型虽然可能被「蒸馏」，但其透明性本身就是一种安全机制（可审计、可验证）

4.3 企业 AI 采购的新变量

阿里巴巴要求员工在 7 月 10 日前卸载 Claude Code，这一决策不仅关乎安全，更释放了一个信号：跨国企业的 AI 工具采购将 increasingly 纳入地缘政治风险评估。

未来可能出现：

「不受美国出口管制」成为采购标准
企业自研 Agent 工具（如阿里的 Qoder）获得内部政策倾斜
第三方审计成为 AI 工具合规的必要条件

五、尚未解答的问题

隐写机制的范围：除了 Claude Code，Anthropic 的其他产品（Claude API、Claude.ai 网页版）是否也存在类似检测？官方目前仅承诺在「后续更新中移除」，未明确范围。
检测数据的去向：被编码进系统提示词的检测结果，除了本地使用外，是否被传输到 Anthropic 服务器？官方未明确说明。
「实验性」的边界：2026 年 3 月上线、近三个月未披露的「实验性」功能，其定义边界在哪里？是否经过伦理审查？
对华政策的长期走向：Anthropic 的激进姿态是临时策略还是会固化为其品牌定位？这取决于美国出口管制政策、IPO 叙事需求、以及竞品之间的差异化竞争。

六、结语

Anthropic 对华政策演变，本质上是一个技术伦理、商业利益与地缘政治的三重博弈。

从「隐写门」的技术细节来看，Anthropic 确实在用户不知情的情况下实施了地域歧视性检测，这与该公司一贯的 AI 安全与透明叙事形成了张力。从行业对比来看，Anthropic 的「最激进」地位既有安全理念的路径依赖，也有商业竞争和政策游说的现实考量。

但对这一事件的评价，最终取决于你相信哪种叙事：

如果你相信「国家安全优先」，Anthropic 的做法是必要的防御；
如果你相信「技术透明与用户知情权」，隐写术本身就是一种背叛；
如果你相信「地缘政治不可逃避」，那么所有 AI 公司最终都要选边站，Anthropic 只是先选了而已。

目前唯一可以确定的是：AI 已经不再只是技术产品，它是新时代的基础设施，而基础设施永远有政治属性。

Anthropic 事件不会是个案。随着 AI 能力的集中化和地缘竞争的加剧，类似的争议只会更多。对于开发者和企业而言，在选择 AI 工具时，模型能力之外，地缘风险、数据主权、供应链安全正在成为新的决策维度。

🤔 你怎么看 Anthropic 的「隐写门」？你认为 AI 公司应该在技术安全与地缘政治之间如何平衡？欢迎在评论区讨论。

本文基于公开报道与行业信息综合整理，部分分析为推测性讨论，已标注。

Perplexity 发布 Brain：自进化记忆架构让 AI Agent 学会从自己的工作中学习

2026-06-18T12:00:00.000Z

2026 年 6 月 18 日，Perplexity CEO Aravind Srinivas 亲自官宣：下一代 AI Agent 的记忆不再是”记住你的偏好”，而是”记住它自己做过什么”。

这个新系统叫 Brain。它不是简单的对话历史压缩，而是一套完整的自进化记忆架构，专为 Perplexity 的 Computer Agent 设计。

一、核心创新：记忆的”范式转换”

Perplexity 在官方博客里明确区分了两种记忆路线：

维度	传统 AI Memory	Brain
记忆对象	用户偏好、风格、联系人	Agent 的工作结果、失败尝试、修正记录
记忆目的	让用户感到被理解	让 Agent 把工作做得更好
更新方式	被动存储	夜间主动合成、自动注入

Brain 的关键词是 “self-improving”。它不是让模型参数更聪明，而是让 Agent 在每次任务前都带着”昨天学到的教训”上场。

Perplexity 的说法很直接：

“Brain is a self-improving context-graph of all your sessions, connectors, and files. Brain updates itself overnight with fresh context proactively, and feeds itself to every task on Computer, allowing Computer to be stateful and self-improving.”

二、技术架构：Context Graph → LLM Wiki

Brain 的架构分为三层：

2.1 Context Graph（上下文图谱）

每次 Computer 完成任务后，Brain 都会将以下信息写入图谱：

使用了哪些 connector
哪些 source 可靠，哪些是死胡同
用户做了哪些修正
哪些尝试失败了

这不是一个扁平的”记忆列表”，而是一个结构化图谱——决策、文件、source 之间的关系被保留下来。

2.2 Overnight Synthesis（夜间合成）

在默认的夜间窗口，Brain 会自动合成过去一天的 sessions、connector 结果、文件变更和用户修正。这个合成产物是一个 “LLM wiki”——一个维基式的记忆库。

2.3 Auto-Injection（自动注入）

第二天当用户发起新任务时，Brain 会把相关的 wiki 页面自动加载到 Computer 的 sandbox 中。Agent 不需要用户重新解释背景，也不需要自己去翻历史记录。

每一段记忆都会链接回原始的 session、文件或 source，用户可以追溯任何决策的来源，也可以手动删除不想要的记忆条目。

三、性能数据：内部基准测试

Perplexity 公布了 Brain 启用前后的对比数据：

指标	提升
答案正确率（重复任务）	+25%
召回准确率	+16%
上下文密集型任务成本	-13%

注意：这些提升主要体现在需要历史上下文的任务上。如果是全新的、自包含的任务，Brain 的影响有限。收益会随着使用时间积累而增长，因为 context graph 会越来越丰富。

四、与竞品的对比

2026 年，AI Agent 记忆赛道已经有不少玩家：

特性	Perplexity Brain	OpenClaw + Mem0	Hermes (Nous Research)
托管方式	Perplexity 云	用户自托管	用户自托管
记忆载体	Context graph + LLM wiki	Markdown + SQLite FTS5	提取的 skill files
数据所有权	Perplexity 控制	用户完全控制	用户完全控制
访问方式	Max/Enterprise Max ($200/月)	开源免费	开源免费

核心差异在于数据主权。Brain 的记忆图谱完全存储在 Perplexity 的基础设施中，用户只能查看和删除，不能导出或迁移。对于注重数据主权的团队，自托管的 OpenClaw 或 Hermes 仍然是更安全的选择。

五、局限与争议

Brain 的宣传用了”self-improving”这个词，但 Perplexity 自己也承认了边界：

不升级底层模型：Brain 让 Computer 在特定用户的特定任务上更快更准，但它没有让模型本身更聪明。
不跨领域迁移：帮助用户做金融研究学到的知识，不会自动转移到编码任务上。跨领域的通用化问题仍然开放。
黑盒担忧：虽然每个记忆条目都能追溯来源，但整个合成过程发生在 Perplexity 的服务器上，用户无法审计。

六、行业信号：Agent 战争进入”记忆”阶段

Brain 的发布是一个明确的行业信号：下一阶段的 Agent 竞争，不再是”谁模型更大”，而是”谁记得更好”。

当模型能力趋同时，Agent 的差异化将来自于：

记忆的深度和结构化程度
上下文注入的及时性和准确性
对用户工作流的理解是否随时间增长

Perplexity 选择了把记忆做成云服务、做成订阅壁垒。而开源世界（OpenClaw、Hermes）则在走自托管、用户可控的路线。这两种路线的胜负，将决定未来 AI Agent 生态是更偏向 SaaS 集中化，还是更偏向本地主权化。

七、总结

Brain 不是魔法，但它做对了一件事：把 Agent 的记忆从”被动存档”变成了”主动学习”。

对于已经订阅 Perplexity Max 的用户：Brain 是免费升级，值得在 recurring workflow 中测试。
对于数据主权敏感的组织：Brain 的云托管模型是个问号，自托管替代品仍是更务实的选择。
对于整个行业：Brain 证明了一个趋势——AI 的下一个前沿不是参数规模，而是如何让系统从自己的经历中持续学习。

Brain 目前处于 Research Preview 阶段，Perplexity 承诺会推出更多能力，但没有给出具体时间表。

参考来源：

Perplexity 官方博客：https://www.perplexity.ai/hub/blog/self-improving-memory-for-agents
TechPulse：https://technologypulse.app/2026-06-19-perplexity-brain-agent-memory/
ExplainX：https://explainx.ai/blog/perplexity-brain-computer-memory-system-2026

由《置身钉内》想到的：我心中的阿里，已经死过很多次

2026-06-10T20:00:00.000Z

摘要：作为一个在电商行业摸爬滚打多年的老兵，我曾经真心感谢过阿里巴巴，也曾长期对这家公司抱有近乎理想化的滤镜。但这些年，随着一连串事件与战略选择的累积，我心里的那个阿里，已经死过很多次。看完《置身钉内》，这种感觉更强烈了：钉钉的问题，不只是一个产品的问题，而是整个组织失去了长期主义、失去了价值感、也失去了对时代机会的敬畏。如今，阿里唯一还能让我眼前一亮的，居然只剩下 Qwen。可一根绿芽，能救活一棵正在腐朽的大树吗？

在电商行业干久了，很多人对阿里都有复杂感情，我也一样。

我不是那种天然“反阿里”的人。恰恰相反，我曾经非常感谢这家公司。某种意义上，阿里定义了一代中国电商人的职业语言、商业基础设施和成长路径。无论是淘宝、天猫、支付宝，还是围绕平台建立起来的一整套生态，阿里都曾经是那个“时代红利的放大器”。如果你在那个年代做过电商，很难不承认：它确实改变了很多普通人的命运，也改变了中国商业的运转方式。

所以我对阿里的失望，不是旁观者的冷嘲热讽，而更像是一种“哀其不幸，怒其不争”。

我曾经对阿里有很漂亮的滤镜。
但今天，我得承认一句：我心中的阿里，已经死了。

而且，不是死一次，是死了很多次。

一、阿里是怎么在我心里，一点点死掉的？

一家你曾经很认可的公司，不会因为一件事就突然坍塌。
真正的幻灭，往往是很多事攒在一起，到最后你突然意识到：

哦，原来它早就不是我以为的那个东西了。

阿里在我心里第一次“死”，不是因为财报，不是因为股价，也不是因为哪个业务掉队。
说到底，是因为它身上那层我曾经信过的价值感，开始一层层剥落。

从一些高层的桃色风波，到后来那场让人看得极度不适的“破冰游戏”争议，再到这些年阿里内部和外部不断传出来的种种荒腔走板，你会发现一个问题：

这家公司到底还信什么？

曾经的阿里，至少在叙事上，是有点东西的。
“客户第一，员工第二，股东第三。”
“让天下没有难做的生意。”
这些话你今天拿出来看，当然也知道里面有企业宣传的成分，但至少在当年，很多人是真的愿意信的。因为它和那个时代的商业上升期是对得上的，它身上确实有一种“我不只是赚钱，我还在改变商业效率”的劲儿。

可后来呢？

后来你越来越觉得，这家公司一边还在说那些漂亮话，一边却越来越像一个只剩下算计、控制、流量分配和规则设计的庞大平台机器。

它最早的口号叫：

让天下没有难做的生意。

后来很多商家真正感受到的，却更像是：

让天下没有能做的生意。

这句话当然是嘲讽。
而且就是要嘲讽得这么狠，因为很多做过平台生意的人都知道，这种感受不是空穴来风。

平台规则越来越复杂，商家利润越来越薄，投流越来越重，经营越来越卷，流量像水龙头一样被平台拧来拧去。名义上是生态，实际上越来越像绞肉机。名义上是赋能，实际上很多时候是筛选、收割、再筛选、再收割。

当然，你可以说这是行业成熟后的必然。
你也可以说这是竞争加剧、人口红利消失、市场进入存量阶段后的正常现象。
这些话都没错。

但问题在于，阿里自己也越来越不像一家“成就别人”的公司了，反而越来越像一家“通过控制别人来维持自己”的公司。

这就是它在我心里第一次真正死掉的地方。

一家企业一旦不再想“让别人更容易成功”，而开始习惯于“让所有人围着自己的规则艰难求生”，它就已经不是原来那个东西了。

二、从马云的锐气，到后来的拧巴，阿里死得不冤

阿里这些年的变化，最让人唏嘘的一点，是它曾经不是没有锐气。

马云当年炮轰银行“当铺思维”，在那个时间点上，确实很有煽动力。
不只是因为他说得狂，而是因为那个阶段的阿里，真的有一种新秩序挑战旧秩序的姿态。它看上去是有理想的，是有野心的，是想通过技术和平台能力去重塑商业效率的。

很多人那时候对阿里的滤镜，就是这么来的。

可后来你回头看，会发现那种锐气慢慢变味了。
它不再是“我来改造一个旧世界”，而越来越像“我成为了新的强势秩序，然后要求所有人适应我”。

这就很讽刺。

一个曾经靠挑战旧体系赢得尊敬的公司，最后自己活成了大家最厌烦的那个体系。
一个曾经号称要降低交易成本、提升商业效率的平台，最后却让越来越多生意人觉得：

这生意不是更好做了，是越来越做不动了。

更讽刺的是，阿里作为一家几乎奠定了中国电商基础的公司，作为那个曾经定义过行业规则、塑造过行业秩序的公司，最后居然开始效仿一家业界口碑极差、创始人甚至被戏称为“祖坟哥”的公司，走上了压迫商家的道路。

这是我对阿里最失望的地方之一。

因为这不是普通公司学坏了，
而是一个本来应该代表行业上限、代表平台责任、代表商业文明进步方向的公司，主动把自己拉低到了一种更难看的竞争方式上。

它本来应该证明的是：
平台做大之后，依然可以让商家活得更好，让生态更健康，让行业更有未来。

结果它后来的很多动作，给人的感觉却是：
平台做大之后，最先学会的不是怎么继续成就商家，而是怎么更高效地管理商家、筛选商家、压榨商家，从商家身上榨出更多确定性的收益。

这不是进化，这是退化。
而且是非常难看的一种退化。

这就是它在我心里第二次、第三次不断死掉的原因。

一家企业一旦不再想“让别人更容易成功”，而开始习惯于“让所有人围着自己的规则艰难求生”，它就已经不是原来那个东西了。

三、《置身钉内》让我彻底确认：钉钉的问题，不是产品问题，是组织烂了

看《置身钉内》的时候，我最大的感受不是“钉钉这产品怎么这么拧巴”，而是：

钉钉的很多问题，根本就不是一个产品问题，而是阿里整套组织状态出了问题。

钉钉没有机会吗？
不是。恰恰相反，钉钉本来是最有机会的那个。

它手里有什么？

它有企业入口。
它有组织关系链。
它有消息。
它有会议。
它有审批。
它有文档。
它有流程。
它有协同。
它天然就长在企业工作流里。

说白了，如果中国有哪个产品最有可能在 AI 时代长出真正像样的企业级 Agent 平台，钉钉本来绝对是候选人之一，甚至一度应该算最靠前的那几个。

结果呢？

喊了那么久 AI，喊了那么久 All in AI，外面的人真正记住了什么？
有多少人会发自内心地觉得：
做企业 AI，这事非钉钉不可。

几乎没有。

这就是问题。

不是它没喊。
而是它喊得太多，做得太虚。
不是它没资源。
而是它有资源，却做不出那种让人拍大腿说“对，就是这个”的东西。

《置身钉内》之所以让人有共鸣，不是因为它讲了几个内部八卦，而是因为它把一种很典型的大公司病写得太真了：

口号震天响
方向天天变
风口来了就冲
冲完发现没结果再重组
重组完继续讲新故事
所有人都很忙
但真正重要的事，反而没人沉下去做

这几年钉钉做 AI 给人的感觉，就是这样。

你说它不重视 AI 吗？不可能。
你说它不投入吗？也不是。
你说它内部没人懂吗？那更不至于。

问题恰恰在于：
它太想赢了，太想快点赢了，太想立刻把“赢了”的故事讲出来了。

于是很多事情就变形了。

AI 不是贴个助手入口。
不是把几个模型能力缝一缝。
不是在发布会上讲几句“重新定义办公”。
更不是靠 All in AI 这种口号，就能把一个旧协同产品自动升级成下一代生产力平台。

AI 尤其是 Agent，要的根本不是这种东西。

它要的是你真懂用户工作流。
它要的是你真愿意为了任务闭环重构产品。
它要的是你能忍受长时间不出成绩。
它要的是你敢把很多不能汇报、但必须做的苦活累活先做掉。
它要的是长期主义，不是季度级别的兴奋剂。

很遗憾，从外部看，钉钉这几年最缺的，恰恰就是这个。

看不到“无招”身上那种长期主义。
看不到那种“先把最难但最值钱的基础打穿”的笨功夫。
看到的反而是另一套很熟悉的大厂动作：

短期逐利、好大喜功、急于证明、热衷包装。

这和《置身钉内》的很多判断，确实是高度一致的。

四、阿里现在唯一还能让我高看一眼的，只剩下 Qwen

说了这么多，也得说句公道话。

阿里不是完全没有亮点。
至少在我看来，它现在唯一还让我 genuinely 觉得“这东西做得不错”的，就是 Qwen。

这件事本身就很讽刺。

一家公司，主体部分已经越来越显出迟钝、庞杂、内耗、保守、陈旧甚至腐朽的气息，结果它身上最有生命力的东西，居然是一条相对更新的技术线。

Qwen 之所以难得，不只是因为阿里也做了大模型。
而是因为它确实做出了竞争力，做出了存在感，也做出了某种久违的“技术上想把事情做成”的劲儿。

你能感觉到，Qwen 至少不像很多大厂 AI 项目那样，只是一个用来上会、上新闻稿、上老板 PPT 的摆件。
它有真实能力，有生态动作，也有一定程度上的开放气质。

所以我现在对阿里的观感，非常割裂。

一方面，我确实觉得这家公司很多地方已经烂得不行。
另一方面，我又不得不承认：
它居然还能长出 Qwen 这样一根绿芽。

这就是我最真实的感受——

阿里现在像一棵硕大、盘根错节、内部已经开始腐朽糜烂的老树。
而 Qwen，是这棵老树上长出来的一根绿芽。

绿芽当然是好东西。
但问题是：

一根绿芽，救得活一整棵烂树吗？

更残酷一点说：

阿里会不会最后连这根绿芽，也被自己那套陈旧、急躁、内耗的大公司机制给消耗掉？

这才是我最担心的事。

因为很多大公司不是死在“没有创新”，而是死在“好不容易长出点创新，最后又被自己的组织机制压死”。

五、AI Agent 时代，可能就是阿里在 AGI 前的最后一次机会

如果说移动互联网时代，阿里已经赢过一次；
如果说云时代，它虽然没达到统治级，但至少还占住了位置；
那么 AI，尤其是 AI Agent，很可能就是阿里在 AGI 之前最后一次像样的翻盘机会。

为什么这么说？

因为 Agent 不是简单加一个聊天框。
它不是“办公软件+AI皮肤”。
它也不是“我有个智能助手所以我就进入新时代了”。

Agent 真正会改掉的，是软件的组织方式，是任务的执行方式，是人和系统之间的分工方式。

未来拼的不是谁做了个会聊天的工具。
拼的是谁能把“理解意图—拆解任务—调用工具—跨系统执行—返回结果”这一整套链条真正打通。

从这个角度看，阿里其实不是没牌，相反，它牌很多：

Qwen 可以做模型底座
阿里云可以做基础设施承接
钉钉可以做企业工作流入口
淘天和电商生态可以提供海量真实商业任务场景
支付、履约、客服、商家系统这些能力，理论上都能接进 Agent 执行链条

这副牌如果真的打顺了，阿里完全有机会搞出中国最强的一批企业级 Agent 平台。

注意，我说的是“平台”，不是“助手”。

助手只是陪聊、提醒、摘要、问答。
平台意味着它真的能接任务、跑任务、拿结果，甚至重塑企业里一大堆流程。

问题是，阿里现在最大的敌人，可能已经不是字节，不是腾讯，不是百度，甚至不是那些灵活凶猛的创业公司。

阿里最大的敌人，是阿里自己。

是它自己的组织内耗。
是它自己的短期主义。
是它自己的路径依赖。
是它自己那套总想快速证明、快速包装、快速交差的冲动。
是它已经越来越稀薄的价值感和越来越沉重的官僚惯性。

这才是最麻烦的。

因为 AI Agent 这一波，不会奖励“口号喊得最大”的公司。
它会奖励那些能把模型、产品、组织、场景、执行闭环真正捏到一起的公司。

你技术强，但组织不行，照样错过。
你资源多，但长期主义不够，照样错过。
你入口大，但内部每个人都只想着 KPI 和汇报材料，照样错过。

而这，恰恰就是今天阿里最像的样子。

六、阿里还有机会吗？有，但时间真的不多了

我的判断很简单：

有机会。
但这个机会窗口，已经非常短了。

阿里当然还没死透。
Qwen 还在。
阿里云还在。
钉钉还在。
电商生态还在。
企业服务的基础盘也还在。

问题是，光“还在”没有用。
大公司最喜欢的幻觉，就是把“我资源还在”误认为“我优势还在”。

资源在，不等于机会就在。
机会在，不等于你抓得住。
尤其在 AI 这种窗口期极短、技术和产品形态快速迭代的阶段，很多时候不是你手里的牌够不够大，而是你还有没有能力不把这手牌自己打烂。

阿里如果真还有机会，至少得做到几件事：

第一，别再把 Qwen 当门面，要把它真放进战略中枢。
不是“我们也有大模型”，而是“所有关键业务怎么围着大模型能力重新长一遍”。

第二，钉钉别再沉迷于“概念式 AI”，赶紧转向“任务式 Agent”。
企业客户不缺一个会总结纪要、会润色文案、会回答几句废话的助手。
企业客户真正缺的是：
你能不能替我把事情做完。

第三，组织上得重新给长期主义让路。
不然一切都白搭。
如果内部还是谁会讲故事谁赢、谁能短期出数字谁赢、谁最会对上负责谁赢，那再好的技术机会也会被消耗掉。

第四，阿里得重新回答一个它这些年越来越回答不好的问题：

你到底想成就谁？

这问题听起来很虚，但其实最硬。
一家企业如果只剩下维护自身系统运转的本能，而失去了成就客户、成就商家、成就开发者、成就合作伙伴的冲动，那它离衰败真的就不远了。

七、写在最后：我不是恨阿里，我只是眼看着它烂掉了

说到底，我写这篇东西，不是因为我恨阿里。
恰恰相反，是因为我曾经真的认可过它，也确实受过它那个时代的红利。

所以今天这种失望，才格外强烈。

最让人难受的，不是一家平庸公司继续平庸。
最让人难受的是，一家本来有机会伟大的公司，最后活成了一个越来越会算账、越来越会包装、越来越会内耗、却越来越不会创造的庞然大物。

《置身钉内》让我更加确认了一点：

钉钉的问题，可能只是个切口。
阿里的问题，才是那道真正深的裂缝。

如今阿里还没有彻底出局，Qwen 也确实还给了人一点希望。
但如果它还是改不了短期逐利、好大喜功、路径依赖和组织内耗这些老毛病，那么 AI Agent 这趟车，它大概率还是会错过。

而如果连这次都错过了，
那它失去的，就不只是一个新业务机会。
它失去的，是最后一次证明自己还配得上这个时代的机会。

🤔 你怎么看阿里、钉钉和 AI Agent 的未来？欢迎在评论区讨论。

本文基于个人行业观察、公开舆论事件与阅读《置身钉内》后的思考写成，带有鲜明主观看法，不构成事实定性或投资建议。

DeepSeek V4 Pro 开发成本深度拆解：88.5 亿美元背后的技术哲学

2026-06-07T02:00:00.000Z

摘要：DeepSeek V4 Pro 以约 88.5 亿美元的总投入，展示了新一代大模型的技术路线——QK-Norm + 双分块注意力 + Mamba 2 的混合架构、仅 30 万高质量 SFT 样本的精简策略、70% 高质量数据 + 30% 合成数据的数据工程哲学。大模型竞赛已从”堆算力”迈入”拼质量”的新阶段。

一、成本全景：88.5 亿美元都花在哪了？

DeepSeek V4 Pro 的开发成本报告近日流出，总投入约 88.5 亿美元，这个数字背后是一套精密的技术与工程决策体系。我们先来看核心数据：

项目	金额	说明
基础设施	~$55 亿	GPU 集群、数据中心、网络等硬件投入
研发总成本	~$33.5 亿	含预训练、SFT、RL 等全部研发环节
- 预训练计算	$862.5 万	单次预训练的计算费用
- 强化学习	$1.5 亿	RL 阶段消耗，远超预训练
- 预训练合计	$3.5 亿	含数据准备、实验迭代等
基础设施+研发总计	~$88.5 亿

💡 关键洞察：基础设施投入（$55 亿）远超研发成本（$33.5 亿），占比超过 60%。这意味着大模型竞赛的核心壁垒已经从”算法创新”转向了”算力基础设施的规模与效率”。

基础设施：$55 亿的硬件底座

$55 亿的基础设施投入主要用于：

GPU 集群：38,000 张 NVIDIA H800 GPU 组成的超大规模训练集群
数据中心：容纳数万张 GPU 的机房、电力、冷却系统
高速网络：支持万卡级并行训练的 InfiniBand/RoCE 网络
运维团队：7×24 小时保障集群稳定运行的工程团队

研发成本拆解

在 $33.5 亿的研发成本中，几个关键数字值得关注：

预训练计算仅 $862.5 万：单次预训练的计算成本远低于预期，说明 DeepSeek 在训练效率上做了大量优化
强化学习 $1.5 亿：RL 阶段的投入是预训练计算的近 175 倍，印证了”RL 是大模型能力的真正分水岭”这一行业共识
预训练合计 $3.5 亿：包含数据收集、清洗、标注、实验迭代等全部环节

二、技术架构：O(N) 复杂度的野心

DeepSeek V4 Pro 的技术架构是其成本控制的核心秘密。

三大核心技术组件

技术	作用	优势
QK-Norm	Query-Key 归一化	提升注意力计算的数值稳定性，减少训练发散
双分块注意力 (DCA)	将长序列注意力分解为局部+全局	降低计算复杂度，兼顾局部细节与全局语义
Mamba 2	状态空间模型 (SSM)	实现 O(N) 线性复杂度，突破 Transformer 的 O(N²) 瓶颈

传统 Transformer 的自注意力机制复杂度为 O(N²)，当序列长度达到百万级别时，计算量呈平方级增长。DeepSeek V4 Pro 通过 DCA + Mamba 2 的混合架构，将整体复杂度降至 O(N)，这意味着：

更长的上下文窗口：在相同算力下可以处理更长的序列
更低的推理成本：线性复杂度直接转化为推理效率的提升
更高的训练吞吐：相同 GPU 资源下可以训练更多数据

💡 开发者提示：Mamba 2 的引入是 DeepSeek V4 Pro 最具争议也最大胆的技术决策。SSM 在长序列建模上具有理论优势，但在实际应用中是否能完全替代注意力机制，仍需更多 benchmark 验证。

三、数据工程：”10% 数据达到 80% 效果”

DeepSeek V4 Pro 在数据策略上展现了”少即是多”的哲学。

SFT 策略：30 万条样本的奇迹

“10% 的数据达到 80% 的效果”

这是 DeepSeek V4 Pro SFT（监督微调）阶段的核心结论。仅用 30 万条高质量样本，就达到了以往需要数百万条数据才能达到的效果。

指标	传统方案	DeepSeek V4 Pro
SFT 数据量	百万~千万级	30 万条
数据筛选标准	数量优先	质量优先
效果	基准线	80% 效果仅需 10% 数据

这一策略的深层含义是：

数据标注成本大幅降低：30 万条 vs 300 万条，标注成本相差 10 倍
迭代速度加快：小规模高质量数据集更容易快速迭代实验
数据污染风险降低：数据量越小，越容易进行严格的质量控制

预训练数据：1.4 万亿 Token 的精心配比

预训练阶段的目标数据量为 1.4 万亿 Token，配比策略为：

70% 高质量数据：经过严格筛选的真实世界数据，包括学术论文、技术文档、高质量网页等
30% 合成数据：由模型自身或外部工具生成的合成数据，用于补充特定领域知识

💡 开发者提示：30% 的合成数据比例值得关注。合成数据的质量控制是核心挑战——如果合成数据本身存在偏差，会形成”模型吃自己的输出”的退化循环。DeepSeek 选择 30% 而非更高比例，说明团队对合成数据的质量边界有清醒认知。

四、训练规模：38,000 张 GPU 的实战

训练基础设施

指标	数值
GPU 型号	NVIDIA H800
GPU 数量	38,000 张
总 GPU 小时	3,300 万小时
预估训练时长	约 4-6 周（含故障恢复）

万卡训练的隐性成本

38,000 张 GPU 并行训练，听起来壮观，但实际运营中面临巨大挑战：

故障率：万卡集群中，几乎每小时都有 GPU 故障发生，需要完善的容错机制
通信开销：节点间通信延迟直接影响训练效率，网络拓扑优化至关重要
Checkpoint 策略：过于频繁的 checkpoint 浪费 I/O，过于稀疏则增加故障恢复成本
资源利用率：实际有效 GPU 利用率通常在 60-80% 之间，剩余算力被故障恢复和通信开销消耗

💡 开发者提示：3,300 万 GPU 小时 ≠ 38,000 张 × 实际训练天数。因为故障恢复、Checkpoint 回滚、通信瓶颈等都会产生额外的 GPU 小时消耗。这也是为什么基础设施成本（$55 亿）远超单纯的 GPU 采购成本。

五、行业启示：大模型竞赛的新坐标

DeepSeek V4 Pro 的成本和技术选择，为整个行业提供了几个关键启示：

1. 从”规模竞赛”到”质量竞赛”

过去的大模型竞赛是”谁的参数量更大、数据量更多”。DeepSeek V4 Pro 用数据证明了：数据质量比数据数量更重要。30 万条精心筛选的 SFT 样本胜过百万条低质数据，这是行业范式的根本转变。

2. 基础设施是真正的护城河

$55 亿的基础设施投入说明：算力本身正在成为 AI 公司的核心壁垒。这不是一个可以轻易复制的优势——数据中心建设、GPU 采购、集群运维，每一个环节都有极高的门槛。

3. 强化学习是下一个战场

$1.5 亿的 RL 投入远超预训练计算，预示着：模型能力的差异化将越来越依赖 RL 策略。PPO、GRPO、DPO 等算法的选择和优化，可能比预训练本身更能决定模型的最终表现。

4. 架构创新仍有空间

QK-Norm + DCA + Mamba 2 的组合证明：在 Transformer 之外仍有技术路径可走。O(N) 复杂度的实现不仅降低了成本，更为超长上下文应用打开了大门。

六、总结

DeepSeek V4 Pro 以约 88.5 亿美元的总投入，勾勒出了新一代大模型的技术蓝图：

架构层面：用 Mamba 2 + DCA 实现 O(N) 复杂度，突破 Transformer 的平方瓶颈
数据层面：用”质量 > 数量”的哲学，30 万条 SFT 样本达到 80% 效果
训练层面：38,000 张 H800 GPU、3,300 万 GPU 小时的工业化训练
战略层面：强化学习投入远超预训练，RL 成为能力分化的关键

大模型竞赛已经进入了新阶段——不再是简单的”堆参数、堆数据”，而是在架构创新、数据质量、训练效率三个维度上的系统性工程竞赛。DeepSeek V4 Pro 的选择，为行业提供了一个值得深入研究的样本。

🤔 你怎么看 DeepSeek V4 Pro 的技术路线？Mamba 2 能否真正挑战 Transformer 的统治地位？欢迎在评论区讨论。

本文基于 DeepSeek V4 Pro 开发成本调研报告整理分析，数据来源于公开技术报告与行业估算，仅供参考。

2026年6月：AI Agent 的临界点——Anthropic 呼吁停研，微信打通手机 AI

2026-06-04T18:30:00.000Z

摘要：2026年6月5日，两条看似无关的新闻在同一天引爆——Anthropic 公开承认 Claude 已实现”递归自我提升”，呼吁行业减速；微信同日向华为、小米等手机厂商开放 A2A 接口。一者警示 AI 自我加速的风险，一者展示 AI 突破边界的能力。它们共同指向一个事实：AI Agent 的时代已经到来。

2026 年 6 月 5 日，AI 世界发生了两件大事。

一件来自大洋彼岸：全球最注重 AI 安全的公司 Anthropic，在官方博客中首次承认——AI 已经开始”自我进化”，并呼吁全行业”减速甚至暂停”。

另一件来自国内：微信正式向华为、小米、OPPO、vivo 等手机厂商开放 A2A（Agent-to-Agent）接口，AI 助手可以不打开 App 就帮你发消息、打视频。

一条在说”慢下来”，一条在说”冲上去”。但它们指向的是同一个趋势——AI Agent 的能力正在从”辅助工具”跃迁为”自主行动体”。

一、Anthropic 的警告：Claude 已经能自己写 Claude

1.1 “递归自我提升”不再是科幻

Anthropic 在官方博客中抛出了一个震撼的数据：

“截至 2026 年 5 月，Claude 编写的代码占我们全部代码的 80% 以上。”

而在 Claude Code 发布之前，这个比例还是个位数。短短一年多，AI 从一个”偶尔帮忙的工具”变成了”主力开发者”。

更惊人的是效率提升的幅度：

指标	数据
工程师日均 merge 代码量	是 2021-2025 年的 8 倍
开放编程任务成功率	半年内从 26% 飙到 76%
工程师纠正 Claude 的频率	越来越少

Anthropic 还创造了一个新指标——「AI 能独立完成的任务时长」，用来衡量 AI Agent 的自主能力边界：

时间	模型	独立任务时长
2024.03	Claude Opus 3	4 分钟
2025.03	Claude Sonnet 3.7	1.5 小时
2026.03	Claude Opus 4.6	12 小时
2026.06	Mythos（内测）	≥16 小时（已达测试上限）

翻倍周期从每 7 个月压缩到了每 4 个月。按此趋势，Anthropic 预测 2027 年 AI 可能连续自主工作数周。

💡 关键概念：递归自我提升（Recursive Self-Improvement, RSI）——AI 参与构建下一代 AI，形成自我加速的正反馈循环。这不是理论推测，而是 Anthropic 内部实际观测到的现象。

1.2 “我们愿意暂停，但前提是……”

Anthropic 的核心呼吁非常明确：

“如果存在一个可验证的机制，能保证 AI 实验室确实都没偷偷卷，我们愿意减速、甚至暂停。”

但这句话的潜台词是：“在没有可验证机制之前，我们不会单方面停。”

这是一个经典的囚徒困境——如果 Anthropic 停了而 OpenAI 没停，Anthropic 就放弃了安全优势。所以他们要求的是”AI 军备控制”，而不是单纯的”自我克制”。

1.3 微妙的时机

值得注意的背景是：Anthropic 在发布这篇博客的四天之前（2026.06.01），刚刚秘密向 SEC 递交了 S-1 上市文件，估值 9650 亿美元，拟融资 650 亿美元。

一边说”AI 可能失控”，一边以”AI 最强安全公司”的身份冲向 IPO——这个时机选择耐人寻味。

🤔 这究竟是真诚的警告，还是 IPO 前的”安全叙事”？或许两者兼有。

二、微信的进攻：AI 助手终于能帮你发微信了

2.1 A2A：微信首次”开门”

另一边，腾讯在 6 月 4 日做了一件更”接地气”但同样震撼的事——微信正式向手机厂商开放 A2A（Agent-to-Agent）协作接口。

这意味着什么？

你可以对华为小艺说”帮我给张三打个微信视频”
你可以对小米小爱说”帮我在微信群里发个消息”
无需打开微信 App，AI 助手直接代你完成操作

目前确认合作的厂商：华为、荣耀、小米、OPPO、vivo——几乎覆盖了中国所有主流安卓手机。

《财经》杂志对此的评价是：

“这是微信首次以合作形式向手机厂商开放 Agent 调用能力。过去，第三方手机 AI 助手若想调用微信能力，有授权和合规限制。”

微信从”封闭生态”走向”开放生态”，这是战略级的转变。

2.2 为什么要这么做？

答案很简单：字节跳动先动手了。

2025 年底，字节跳动与中兴联手推出”豆包手机”，内置 AI 助手豆包，拥有安卓系统高危权限——能不打开 App 就帮你发消息、比价、下单。

如果微信不开放接口，用户可能逐渐习惯”用豆包手机做所有事”，微信就被边缘化了。

微信的策略是**”平台打法” vs 字节的”垂直整合”**——我不做手机，但我让所有手机都能调用微信。

2.3 资本市场用脚投票

消息曝出当天（6月3日），腾讯控股股价暴涨 10.46%，报 481.60 港元，创 2021 年 1 月以来最大单日涨幅，市值单日增加约 4158 亿港元。

市场在说：这才是 AI 的正确打开方式——不是造新模型，而是把已有能力（13亿用户的社交关系链 + 支付）通过 Agent 接口释放出去。

三、两条新闻的共同指向：Agent 时代的到来

把这两条新闻放在一起看，一个清晰的图景浮现出来：

维度	Anthropic	微信 A2A
核心信号	AI 已能自我进化	AI 能力突破 App 边界
Agent 能力	独立编程 16 小时+	跨应用执行操作
影响范围	AI 安全与治理	中国 AI 生态格局
共同主题	AI 正在获得”自主行动力”

3.1 从”工具”到”行动体”的跃迁

过去，AI 是”你问它答”的工具。现在：

Anthropic 的 Claude 能独立完成长达 16 小时的编程任务，越来越少需要人类纠正
微信的 A2A 让 AI 能直接操控社交应用，代替用户执行动作

两者都在同一个方向：AI 不再只是”想”，而是能”做”。

3.2 对齐问题的紧迫性

Anthropic 的警告也因此更加沉重——当 AI 既能自己改进自己（RSI），又能直接操控外部世界（A2A），对齐问题就不再是实验室里的学术讨论，而是现实中的安全挑战。

“这可能彻底改变社会，在医疗、科技、经济领域带来巨大的好处。但也可能让对齐问题叠加恶化，最终导致失控。”
—— Anthropic 官方博客

3.3 2026 下半年值得关注的三条线

AI 安全治理：Anthropic 的呼吁是否会推动真正的”AI 军备控制”机制？各国政府会如何回应？
Agent 生态竞争：微信 A2A vs 字节豆包 vs 百度文心——中国 AI 手机生态的格局将如何演变？
AI 自主能力的边界：当 AI 能连续工作数周、能跨应用执行操作，”人类在环”（human-in-the-loop）的模式还能维持多久？

🤔 AI 正在从”辅助工具”变成”自主行动体”——你觉得这是好事还是坏事？我们该加速还是减速？欢迎在评论区讨论。

本文基于 Anthropic 官方博客（2026.06.05）、腾讯客服回应及多家媒体报道整理，观点仅代表作者个人。

英伟达 RTX Spark 深度解析——GPU 巨头正式杀入 PC 芯片市场

2026-06-03T22:00:00.000Z

信息来源汇总：本文基于以下多源信息交叉验证采写：
NVIDIA Newsroom 官方新闻稿、The Verge、Tom’s Hardware（3 篇）、Ars Technica、WCCFTech、TechCrunch、Notebookcheck、Forbes、Microsoft Build 2026 大会、Google News 聚合（60+ 条报道）。关键规格数据经至少 3 个独立信源确认。

一、事件概述

2026 年 6 月 1 日，在台北 Computex 2026 开幕当天，英伟达 CEO 黄仁勋在主题演讲中正式发布了 RTX Spark——一颗面向 Windows 笔记本和台式机的 Arm 架构 “超级芯片”（Superchip）。

这标志着英伟达从纯粹的 GPU 厂商，正式成为与 Intel、AMD、Apple、Qualcomm 同台竞技的 消费级 PC 芯片制造商。

英伟达产品管理高级总监 Mark Aevermann 在现场宣称：

“这是有史以来最高效的 PC 芯片。”
— Mark Aevermann, NVIDIA Senior Director of Product Management

与此同时，微软在 Build 2026 大会上同步发布了基于 RTX Spark 的 Surface RTX Spark Dev Box 迷你主机，以及 Surface Laptop Ultra 笔记本，双方联合将 Windows on Arm 推向 “Agentic AI” 新时代。

二、RTX Spark 核心规格

2.1 旗舰版（N1X 变体）规格

项目	规格
CPU	20 核 Arm CPU（基于 NVIDIA Grace 架构，由 MediaTek 代工）
GPU	Blackwell RTX GPU，6,144 CUDA 核心
统一内存	最高 128GB LPDDR5X
内存带宽	最高 600 GB/s
AI 算力	最高 1 PFLOPS（INT4）
制程	TSMC 3nm 级节点
互联	NVLink-C2C 一致性互联（CPU-GPU 共享内存）
架构基础	基于 GB10 芯片（与 DGX Spark 同源）

2.2 衍生版本

N1 标准版：核心数/内存缩减，面向主流价位
N1X 旗舰版：完整 20 核 + 128GB 配置
后续还将推出低至 16GB 内存 的入门版本，以覆盖更低价格区间

三、技术渊源：从 DGX Spark 到 RTX Spark

RTX Spark 的底层芯片 GB10 并非全新设计。2025 年，英伟达曾推出 DGX Spark——一台搭载 GB10 的 Linux 版 “个人 AI 超级计算机” 迷你主机，售价一度因内存短缺飙升至约 $5,000。

RTX Spark 的本质，是将 DGX Spark 的 GB10 架构 移植到 Windows 平台：

DGX Spark (2025)                    RTX Spark (2026)
─────────────────                   ─────────────────
GB10 芯片 (MediaTek Arm + Blackwell)   GB10 芯片 (相同)
20 核 Arm CPU                         20 核 Arm CPU
6,144 CUDA 核心                       6,144 CUDA 核心
128GB LPDDR5X 统一内存                128GB LPDDR5X 统一内存
NVLink-C2C 互联                       NVLink-C2C 互联
─────────────────                   ─────────────────
操作系统: Ubuntu Linux                操作系统: Windows 11 on Arm
定位: 开发者 / AI 研究者               定位: 消费级笔记本 & 台式机
形态: Mini PC ($5,000)               形态: 笔记本 (14mm 薄) / 迷你 PC

关键差异：RTX Spark 针对移动功耗和 Windows 兼容性进行了重新调校，使其能塞进仅 14mm 厚的笔记本中。

四、性能与使用场景

4.1 官方宣称性能

根据英伟达在 Computex 上的演示：

3D 渲染：可渲染 90GB 规模的 3D 场景
视频编辑：支持 12K 分辨率视频编辑
游戏：《印第安纳琼斯与巨轮诡计》（Indiana Jones and the Great Circle）在 1440p 下达到 100fps
AI 推理：本地运行 1200 亿参数 的大语言模型
电池续航：宣称 “全天候”（All-day）续航，无需插电

4.2 第三方基准测试

据 WCCFTech 报道的早期开发者工作负载基准测试：

Clang 编译性能：比 Apple M5 快 54%
Clang 编译性能：略慢于基础版 Apple M5 Pro
游戏性能等效于 RTX 5070 Laptop GPU

4.3 游戏兼容性

英伟达明确表示 RTX Spark 将支持所有主流反作弊和 DRM 技术：

Fortnite、Valorant 等游戏将原生支持 Windows on Arm
Denuvo DRM 保护的游戏也将兼容
搭载 G-Sync 的 OLED 显示屏

五、生态系统与合作伙伴

5.1 首批 RTX Spark 笔记本（2026 年秋季上市）

厂商	产品
Microsoft	Surface Laptop Ultra
ASUS	ProArt P16、P14
HP	多款未命名笔记本
Dell	XPS 16
Lenovo	未命名型号
MSI	未命名型号

5.2 桌面与迷你 PC

Microsoft Surface RTX Spark Dev Box：面向开发者的迷你主机，预装 VS Code、GitHub Copilot、WSL2 + CUDA 支持
ASUS ProArt Mini PC：创意工作者用迷你主机

5.3 软件与行业合作

合作方	合作内容
Microsoft	Windows on Arm 深度优化、Agentic AI 平台、OpenShell 运行时
Adobe	创意套件全面支持 RTX Spark
Arm	联合宣布 “为 Windows PC 开启全新篇章”
MediaTek	CPU 复杂体（CPU Complex）代工
Vercel / Figma / Replit / Webflow	Sites 功能早期合作伙伴
Post/VFX 行业	影视后期与特效工作流全面支持

六、多代产品路线图

英伟达在 Computex 上展示了至少三代 RTX Spark 产品路线图：

世代	代号	关键升级	预计时间
第一代	GB10（当前）	Blackwell GPU + LPDDR5X	2026 Q4
第二代	Rubin	Rubin 架构 GPU + LPDDR6 内存	2027
第三代	Rosa Feynman	进一步演进	2028+

这表明英伟达对 PC 芯片市场是 长期投入，而非一次性尝试。

七、市场竞争格局

7.1 RTX Spark vs 竞品

维度	NVIDIA RTX Spark N1X	Apple M4 Pro	Intel Core Ultra 200V	AMD Strix Point	Qualcomm Snapdragon X Elite
架构	Arm (Grace)	Arm (Apple)	x86	x86	Arm
CPU 核心	20 核	10-12 核	20 核（混合）	8 核	12 核
GPU	6,144 CUDA 核心	20 核	Arc 集成	RDNA 3.5	Adreno
统一内存	最高 128GB	最高 48GB	非统一	非统一	最高 16GB
AI 算力	1 PFLOPS	~35 TOPS NPU	~45 TOPS NPU	~50 TOPS NPU	~45 TOPS NPU
本地 LLM	120B 参数	~70B 参数	受限于内存	受限于内存	~13B 参数
制程	TSMC 3nm	TSMC 3nm	Intel 20A	TSMC 4nm	TSMC 4nm

7.2 英伟达的核心优势

128GB 统一内存：远超所有竞品，这是运行大参数 AI 模型的关键
Blackwell GPU：桌面级 RTX 性能带入笔记本，CUDA 生态无可替代
AI 生态：CUDA、TensorRT、OpenAI Codex 等工具链深度整合
Qualcomm 窗口期：Qualcomm 与微软的 Windows on Arm 独家协议已到期，英伟达填补空白

7.3 竞争对手的反应

Intel：内部对 RTX Spark 威胁 x86 的 “恐慌程度” 被认为 “恰到好处”（据 Tom’s Hardware 引用分析师言论）
AMD：上一代芯片曾达到 128GB 内存，但 RTX Spark 在 GPU 性能和 AI 生态上形成代差
Apple：M 系列芯片在能效比上仍具优势，但 RTX Spark 在 AI 算力和 GPU 性能上直接对标
Qualcomm：股价在 RTX Spark 发布后受到冲击，市场担忧其 Windows on Arm 地位被取代

八、定价与市场定位

8.1 价格信息

N1X 旗舰版 PC：最低约 $2,900（据 WCCFTech 报道）
Surface Laptop Ultra：预计对标 MacBook Pro 价位
Surface RTX Spark Dev Box：价格未公布，预计高于普通 Dev Box

8.2 目标市场

RTX Spark 并非面向所有 PC 用户，而是精准定位：

AI 开发者：本地运行大模型、Agentic AI 工作流
创意专业人士：3D 渲染、12K 视频编辑（Adobe 合作）
高端游戏玩家：RTX 5070 级游戏性能 + 长续航
企业移动办公：全天候续航 + 本地 AI 助手

九、挑战与风险

9.1 Windows on Arm 兼容性

尽管微软已投入多年优化，Arm 架构运行 x86 遗留软件仍需 模拟层（Emulation Layer），可能导致性能损失。Jon Fingas（Engadget）甚至直言 “RTX Spark 笔记本注定失败”，主要担忧就是兼容性问题。

9.2 价格门槛

$2,900 起的定价远超主流笔记本（$800-$1,500），初期只能覆盖高端细分市场。

9.3 散热与功耗

将 1 PFLOPS AI 算力塞进 14mm 笔记本，散热挑战巨大。实际持续性能能否达到峰值数据仍有待验证。

9.4 市场接受度

Qualcomm 的 Windows on Arm 经历了多年推广仍未大规模普及，英伟达能否打破这一魔咒存疑。

十、行业影响与展望

10.1 对 PC 产业格局的影响

RTX Spark 的发布意味着 PC 芯片市场从 “Intel vs AMD” 的双寡头格局，正式进入 五强混战：

Intel ── x86 传统霸主
AMD   ── x86 挑战者
Apple ── Arm 封闭生态王者
Qualcomm ── Arm 移动先驱
NVIDIA ── Arm + GPU AI 新势力 ← 最新入局者

10.2 “Agentic AI PC” 时代的到来

英伟达与微软联合将 RTX Spark 定位为 “Agentic AI” 平台——PC 不再只是运行软件的工具，而是能承载本地 AI Agent、自主执行复杂任务的智能终端。这与 OpenAI 将 Codex 整合进 ChatGPT、微信打造统一 AI Agent 的趋势不谋而合。

10.3 对英伟达自身的意义

进军 $2,000 亿规模的 CPU 市场（TechCrunch 报道）
将数据中心 AI 优势延伸至消费端
Arm 股价在 RTX Spark 发布后 暴涨超 15%
从 “卖 GPU 的” 真正转型为 “全栈 AI 计算平台” 公司

总结

英伟达 RTX Spark 是 2026 年 PC 行业最具震撼力的发布之一。它将 Blackwell GPU、20 核 Arm CPU 和 128GB 统一内存融合为一颗芯片，瞄准的是 AI 时代 PC 的重新定义——不再只是运行应用的终端，而是能承载 1200 亿参数大模型、运行 Agentic AI 工作流的 个人 AI 超级计算机。

尽管面临 Windows on Arm 兼容性、高定价和散热等挑战，但英伟达凭借 CUDA 生态、多代产品路线图和与微软的深度绑定，展现出了长期深耕 PC 市场的决心。对于 Intel 和 AMD 而言，一个拥有 GPU 霸主地位和 AI 全栈能力的竞争对手正式杀入了自己的腹地。

PC 芯片市场的 “战国时代”，正式开启。

本文基于 The Verge、Tom’s Hardware、Ars Technica、WCCFTech、TechCrunch、Microsoft Build 2026、NVIDIA Computex 2026 Keynote 等多源信息交叉验证采写。

ChatGPT 或将消失！OpenAI 拟将 ChatGPT 合并到 Codex

2026-06-03T18:00:00.000Z

摘要：在昨天的「Intelligence at Work」直播活动中，OpenAI 宣布了一项重大产品整合计划——未来几周内，将 Codex 的核心执行能力直接整合进 ChatGPT 应用。与此同时，Codex 正在通过角色专属插件、Sites 共享网站、标注功能三大新特性，从”开发者工具”进化为”全民知识工作平台”。这是否意味着，我们熟悉的 ChatGPT 即将”消失”？

一、重磅官宣：ChatGPT × Codex 合并

1.1 OpenAI 说了什么？

在 2026 年 6 月 3 日的「Intelligence at Work」直播活动中，OpenAI 正式宣布：

未来几周内，将 Codex 的核心能力直接整合进 ChatGPT 应用
用户将在 ChatGPT 里直接调用 Codex 的执行能力——不再需要切换到独立产品
Codex 同步进行多项功能扩展，使用场景从软件开发延伸至更广泛的知识工作领域

1.2 这意味着什么？

简单来说：ChatGPT（对话）+ Codex（执行）= 新一代 OpenAI 产品。

维度	ChatGPT（当前）	Codex（当前）	合并后（预期）
核心交互	自然语言对话	代码编写 + 终端执行	对话 + 直接执行
输出形式	文本/代码建议	可运行的代码/项目	文本 + 可执行结果
使用场景	问答、写作、分析	软件开发、自动化	全场景知识工作
用户定位	所有人	开发者为主	所有人

💡 关键变化：过去你在 ChatGPT 里问”帮我写一个数据分析脚本”，ChatGPT 给你代码，你复制粘贴到本地运行。合并后，ChatGPT 直接调用 Codex 的执行能力，在对话中就跑完整个流程，直接给你结果。

1.3 “ChatGPT 消失”是夸张吗？

从产品形态上看，是的——我们熟悉的”纯对话”ChatGPT 可能确实会消失。但它不会真正”消失”，而是进化：

ChatGPT 1.0（2022-2025）：对话式 AI
  → 你能聊天、写作、问答
  → 但不能直接执行操作

ChatGPT 2.0（2026 起）：对话 + 执行式 AI
  → 继承 ChatGPT 的对话能力
  → 融合 Codex 的代码执行、工具调用能力
  → 成为一个"能帮你做事"的 AI Agent

这让人联想到微信 AI Agent 的路径——从”能聊天的 AI”进化为”能做事的 AI”。OpenAI 和微信，殊途同归。

二、Codex 的三大新功能

2.1 角色专属插件（Role-Specific Plugins）

Codex 不再只是”开发者的 IDE”，而是开始覆盖更多职业角色：

已上线 6 款插件，集成 62 款应用与 110 项技能：

方向	覆盖能力	典型场景
数据分析	数据清洗、可视化、统计建模	商业分析、市场调研
创意生产	文案撰写、设计辅助、内容策划	营销、品牌、社交媒体
销售	CRM 集成、客户分析、提案生成	销售漏斗管理、客户跟进
产品设计	原型设计、用户研究、需求文档	产品规划、UX 设计
公开市场股权投资	财报分析、估值模型、行业研究	投资分析、股票研究
投资银行	交易建模、尽职调查、报告撰写	M&A、IPO、融资

即将推出：

企业财务
私募股权
法律

💡 解读：OpenAI 正在把 Codex 从一个”编程工具”变成一个”职业 AI 助手平台“。每个职业角色都有专属插件，集成该领域常用的工具和技能。这与微软 Copilot 的”按角色订阅”策略（Copilot for Sales、Copilot for Finance 等）高度相似，但 Codex 走的是”插件生态”路线，而非”按角色卖订阅”。

2.2 Sites：一键生成可分享的交互式网页

面向企业版和商业版用户开放预览：

支持将分析结果和方案规划生成可通过 URL 分享的交互式网页
内容可持续更新——不是静态截图，而是动态的、可交互的网页
已与 Vercel、Figma、Replit、Webflow 等平台展开早期合作

使用场景举例：

场景一：数据分析师
  用 Codex 分析数据 → 自动生成交互式数据报告网页 → 分享给团队/客户
  （不再需要导出 PDF 或截图）

场景二：产品经理
  用 Codex 规划产品方案 → 生成方案展示网页 → 分享给 stakeholders
  （不再需要手动做 PPT）

场景三：投资人
  用 Codex 做投资分析 → 生成投资备忘录网页 → 分享给投委会
  （不再需要手动整理文档）

💡 解读：Sites 功能本质上解决了 AI 工作的”最后一公里“问题——AI 帮你分析完了，但结果怎么优雅地展示给别人？Sites 让 AI 直接生成一个可分享的网页，省去了”AI 输出 → 人工整理 → PPT/文档 → 分享”的繁琐流程。

2.3 标注功能（Annotations）扩展

此前标注功能仅限代码和网站场景，此次扩展至文档、表格和幻灯片：

使用方式：

框选内容（文档段落、表格区域、幻灯片元素）
给出修改指令
Codex 针对选中区域定向调整

之前：你只能说"帮我把这份报告改得好一点"
      → AI 可能改遍全文，很多不是你想要的

现在：你框选"第三章的数据分析部分"，说"用更简洁的语言重写"
      → AI 只修改你选中的部分，精准控制

💡 解读：标注功能让 AI 从”全文操作”进化为”局部精准编辑”。这对于知识工作者尤为重要——你不需要 AI 重写整份文档，只需要它修改某个段落、调整某个表格、优化某张幻灯片。

三、数据说话：Codex 的用户结构正在变化

OpenAI 官方披露的关键数据：

指标	数据
Codex 每周活跃用户	500 万+
非开发者用户占比	~20%
非开发者增速	是开发者增速的 3 倍

这意味着什么？

Codex 正在”出圈”：从开发者工具变为通用知识工作工具
非开发者是增长引擎：虽然目前只占 20%，但增速是开发者的 3 倍，未来占比会持续提升
OpenAI 的产品策略在转变：从”先占领开发者，再辐射大众”到”直接服务所有人”

如果按当前增速推算，6-12 个月内非开发者用户占比可能超过 40-50%，Codex 将真正成为一个”全民 AI 工作平台”。

四、OpenAI 的产品战略：从”对话”到”执行”

4.1 OpenAI 产品线的演变

2022-2023：ChatGPT 时代
  核心产品：ChatGPT（对话式 AI）
  用户心智："和 AI 聊天"

2024-2025：Codex 时代
  核心产品：ChatGPT + Codex（对话 + 执行）
  用户心智："和 AI 聊天" + "让 AI 帮我写代码"

2026 起：AI Agent 时代
  核心产品：ChatGPT + Codex 合并（对话 + 执行一体化）
  用户心智："让 AI 帮我做事"

4.2 与行业趋势的共振

OpenAI 的这一产品整合，与全球 AI 行业的大趋势高度一致：

公司	动向	共同方向
OpenAI	ChatGPT + Codex 合并	对话 → 执行
Anthropic	Claude + Computer Use	对话 → 操作电脑
Google	Gemini + Project Mariner	对话 → Agent
微信	统一 AI Agent（右滑入口）	对话 → 服务执行
阿里	通义千问 + 钉钉 AI	对话 → 企业自动化

结论：AI 行业正在从”Chatbot 时代”集体转向”Agent 时代”。 用户不再满足于”和 AI 聊天”，而是要求”让 AI 帮我做事”。

五、对开发者和知识工作者的影响

5.1 对开发者的影响

正面：Codex 执行能力整合进 ChatGPT，开发流程更顺畅，无需在多个产品间切换
挑战：如果非开发者也能用 Codex 写代码、做自动化，部分初级开发工作可能被替代
机遇：开发者可以专注于更复杂的架构设计、系统优化，将重复性工作交给 AI

5.2 对知识工作者的影响

数据分析：角色插件 + Sites 让非技术人员也能完成专业级数据分析并分享结果
内容创作：创意生产插件 + 标注功能实现精准的内容编辑和优化
商业分析：投资/销售插件让商业分析更高效，降低专业门槛
协作效率：Sites 生成的可分享网页简化了团队协作和信息传递

5.3 对企业的意义

维度	影响
工具整合	62 款应用 + 110 项技能，减少工具碎片化
知识沉淀	Sites 生成的网页可持續更新，形成动态知识库
降低门槛	非技术人员也能完成专业级工作，减少对专职人员的依赖
成本优化	一个 Codex 订阅可能替代多个垂直 SaaS 工具

六、挑战与展望

6.1 面临的挑战

产品整合的复杂性：ChatGPT 和 Codex 的用户体验差异巨大，如何无缝融合而不丢失各自优势？
非开发者的学习曲线：虽然 Codex 在简化操作，但”执行型 AI”对非技术用户仍有门槛
安全与权限：AI 直接执行操作（调用 API、修改文件、发送请求）比纯对话的风险大得多
竞争加剧：GitHub Copilot、Cursor、Claude Computer Use 等产品也在走”对话+执行”路线

6.2 未来展望

短期（2026 下半年）：ChatGPT + Codex 合并完成，角色插件生态开放，更多合作伙伴加入
中期（2027 年）：Codex 成为 OpenAI 的核心产品，覆盖主要知识工作场景
长期（2028+）：AI Agent 成为主流工作范式，”人+AI”协作取代”人+工具”模式

七、总结

OpenAI 的这次产品整合传递了一个清晰的信号：AI 的未来不是”更好的聊天机器人”，而是”能帮你做事的智能体”。

ChatGPT 不会真正消失——它只是会进化成一个更强大的形态：既能对话，又能执行；既能分析，又能生成；既能帮你思考，又能帮你动手。

对每一个知识工作者来说，这意味着：未来几年，你的”数字同事”会越来越能干，而你需要做的，是学会如何与它协作。

🤔 你认为 ChatGPT + Codex 合并后，哪些工作会被 AI 深度改变？欢迎在评论区讨论。

本文基于 OpenAI「Intelligence at Work」直播活动官方信息撰写，部分分析为作者观点。

微信 AI Agent 深度解析——超级 App 的智能化进化

2026-06-02T18:00:00.000Z

摘要：据腾讯财报及多方消息源透露，微信团队自 2026 年 3 月起正式打造微信的统一 AI Agent，预计 6 月开启灰度内测。入口设计为微信主界面右滑——这意味着每个打开微信的用户，只需一个手势，就能触达 AI。本文将从产品、技术、生态三个维度，深度解析这一产品的前世今生与深远影响。

一、重磅消息：微信统一 AI Agent 来了

1.1 消息来源

综合腾讯 2026 年 Q1 财报、行业媒体及多位接近微信团队的知情人士透露：

2026 年 3 月：微信团队正式启动统一 AI Agent 项目，由张小龙直接牵头
2026 年 6 月：预计开启灰度内测（小范围用户先行体验）
入口设计：微信主界面右滑——与微信现有的左滑删除等手势操作形成对称

💡 为什么是”右滑”？ 微信主界面当前有四个 Tab（微信、通讯录、发现、我），右滑手势是一个未被占用的交互空间。这一设计既保持了微信一贯的”克制”风格——不新增 Tab、不抢占首页——又让 AI Agent 触手可及。

1.2 这意味着什么？

如果消息属实，这将是中国互联网史上规模最大的 AI Agent 产品发布：

指标	数据
微信月活用户（MAU）	13.4 亿+（2025 年数据）
日均打开次数	人均 42 次
覆盖年龄段	8 岁 — 80 岁+
使用场景	聊天、支付、阅读、购物、出行、政务

对比参考：ChatGPT 全球月活约 3 亿，Claude 约 1 亿。微信 AI Agent 一旦全面上线，其潜在用户规模是它们的 4-13 倍。

二、从”分散 AI 能力”到”统一 AI Agent”

2.1 微信 AI 能力的演进路线

微信的 AI 化不是一蹴而就的，而是经历了三个阶段：

第一阶段：AI 搜索（2024 年）

微信在”搜一搜”中上线 AI 搜索功能：

理解语义，不只是关键词匹配
从公众号文章、小程序、视频号中聚合内容
大模型生成摘要，直接给出答案并标注来源

第二阶段：场景化 AI（2024-2025 年）

AI 能力分散嵌入各个场景：

公众号 AI 对话：公众号可接入大模型，实现智能客服
小程序 AI SDK：语音识别、图像识别、NLP 等能力开放给开发者
企业微信智能体：面向企业场景的 AI 助手、流程自动化
视频号 AI：AI 推荐、AI 剪辑辅助

第三阶段：统一 AI Agent（2026 年 3 月起）

微信团队开始整合上述分散能力，打造统一的 AI Agent：

一个入口（右滑），覆盖所有 AI 场景
统一的对话式交互，而非分散的功能模块
可能整合搜一搜、公众号、小程序、支付等能力，形成”超级 AI 助手”

2.2 统一 AI Agent 可能长什么样？

基于现有信息和行业分析，微信统一 AI Agent 可能具备以下特征：

用户右滑 → AI Agent 界面
  ├── 自然语言对话（核心交互）
  ├── 搜一搜 AI（信息查询）
  ├── 任务执行
  │     ├── 帮我看一下最近的订单
  │     ├── 帮我预约明天的牙医
  │     ├── 帮我查一下快递到哪里了
  │     └── 帮我给张三转 100 元
  ├── 内容生成
  │     ├── 帮我写一段朋友圈文案
  │     ├── 帮我翻译这段英文
  │     └── 帮我总结这篇文章
  └── 小程序/服务调用
        ├── 直接调用小程序完成服务
        ├── 推荐相关的小程序/公众号
        └── 连接企业微信智能体

💡 关键差异：与 ChatGPT/Claude 等”通用 AI 对话”不同，微信 AI Agent 的核心优势是能直接操作微信生态内的服务——查订单、转账、叫车、点外卖、预约服务。它不是一个”聊天机器人”，而是一个能帮你做事的数字助理。

三、技术架构：混元大模型 + 开放生态

3.1 腾讯混元大模型（Hunyuan）

腾讯自研的混元大模型是微信 AI Agent 的核心底座：

模型能力	说明
混元 LLM	文本生成、多轮对话、逻辑推理
混元视觉	图像理解、多模态分析
混元语音	语音识别与合成（ASR + TTS）
混元代码	代码生成与理解
混元 Agent	工具调用、任务规划、多步推理

混元模型通过腾讯云对外提供服务，微信生态内的开发者可以直接调用。

3.2 开发者接入路径

方式一：公众号 + 大模型 API
  用户消息 → 微信服务器 → 开发者服务器 → 大模型 API → 回复用户

方式二：小程序 + 腾讯云 AI
  用户操作 → 小程序前端 → 腾讯云 AI SDK → AI 能力 → 返回结果

方式三：企业微信 + 智能体平台
  员工/客户 → 企业微信 → 智能体编排 → 多工具调用 → 完成任务

方式四（新）：统一 AI Agent + 服务调用
  用户右滑 → AI Agent → 意图识别 → 调用微信内服务/小程序 → 完成任务

💡 开发者提示：微信开放平台支持标准 API 格式，开发者可以将 GPT、Claude、混元等不同模型接入微信生态。统一 AI Agent 上线后，可能会开放”Agent 插件”机制，让第三方服务被 AI Agent 直接调用。

四、微信 AI Agent vs 竞品对比

4.1 与通用 AI 产品的对比

维度	微信 AI Agent	ChatGPT	Claude	文心一言
用户规模	13 亿+（微信 MAU）	~3 亿	~1 亿	~2 亿
入口	微信主界面右滑	独立 App/网页	独立网页	独立 App/网页
核心能力	对话 + 服务执行	通用对话/创作	通用对话/分析	通用对话/搜索
服务连接	支付、小程序、公众号	Plugin/GPTs	Projects/Tools	文心智能体
使用门槛	极低（已有微信即可）	中（需注册/付费）	中（需注册）	低（百度账号）
免费/付费	预计基础免费	付费为主（Plus $20/月）	付费为主（Pro $20/月）	基础免费

4.2 与企业协作平台 AI 的对比

维度	微信 AI Agent	飞书智能体	钉钉 AI
用户规模	13 亿+（C 端为主）	~6000 万（企业为主）	~6 亿（企业为主）
核心场景	生活 + 社交 + 商业	企业协作、知识管理	企业管理、OA 自动化
大模型底座	腾讯混元 + 第三方	通义千问 + 第三方	通义千问
优势	用户基数最大，生态最丰富	产品体验好，低代码创建	阿里生态整合
劣势	C 端 AI 功能相对克制	用户规模有限	AI 功能分散

4.3 关键洞察

微信走的是”基础设施”路线——AI Agent 不是独立产品，而是嵌入 13 亿用户每天打开 42 次的 App 中。用户不需要下载新 App、不需要学习新平台，右滑即可使用。
最大的护城河是”服务连接能力”——微信 AI Agent 能直接调用微信支付、小程序、公众号等服务，这是任何独立 AI 产品无法复制的。
“右滑入口”暗示了微信的定位——不是取代现有功能，而是作为”第二层”交互。先右滑问 AI，AI 再帮你跳转到具体的聊天、小程序或服务。

五、商业影响与开发者机遇

5.1 对现有业务的影响

搜索引擎：微信 AI Agent 整合了搜一搜 AI，可能进一步分流百度、Google 的搜索需求
独立 AI App：对于普通用户，”右滑就能用 AI”的体验远优于打开独立 App
小程序生态：AI Agent 可能成为小程序的”新分发渠道”——用户通过自然语言描述需求，AI 直接推荐或调用小程序
广告与电商：AI 驱动的精准推荐可能大幅提升微信生态内的广告转化和电商 GMV

5.2 开发者如何入局

路径一：成为 AI Agent 的”服务提供者”

如果微信开放 Agent 插件机制，开发者可以将自己的小程序/服务注册为 AI Agent 可调用的工具：

# 概念示例：注册一个"查快递"工具供 AI Agent 调用
def tool_query_package(phone_number, tracking_number):
    """查询快递物流信息"""
    # 调用快递 API
    result = kdi_api.query(tracking_number)
    return {
        "status": result.status,
        "location": result.current_location,
        "estimated_delivery": result.eta
    }

# AI Agent 会自动理解用户"我的快递到哪里了"的意图
# 并调用此工具返回结果

路径二：公众号 AI 机器人

公众号仍然是 AI 对话的重要载体，开发者可以接入混元等大模型，打造垂直领域的 AI 助手。

路径三：企业微信智能体

面向企业客户，开发定制化的 AI 智能体，结合行业知识库，通过 SaaS 模式收费。

六、挑战与风险

6.1 技术挑战

意图识别准确率：用户一句话可能涉及多个服务，AI 需要准确理解并路由
服务调用的可靠性：AI 调起支付、转账等敏感操作时，如何确保安全
多模型协调：不同场景可能需要不同模型（搜索用检索模型、对话用 LLM、图片用视觉模型），如何无缝切换

6.2 产品挑战

“克制”与”功能丰富”的平衡：微信一贯追求极简，AI Agent 如何不破坏这一哲学
用户习惯培养：用户习惯了”点 Tab → 找功能”，需要教育”右滑 → 告诉 AI”的新习惯
信息过载：AI Agent 能做的事情太多，如何避免界面变得臃肿

6.3 监管与合规

AI 生成内容审核：必须符合中国对 AI 内容的监管要求
数据安全：AI Agent 涉及用户聊天、支付、身份等敏感数据
算法备案：大模型服务需要完成算法备案和安全评估

七、时间线与关注点

时间	事件
2024 年	搜一搜 AI 上线，公众号/小程序 AI 能力开放
2025 年	企业微信智能体平台完善，混元大模型持续迭代
2026 年 3 月	微信团队正式启动统一 AI Agent 项目
2026 年 6 月	预计灰度内测（右滑入口）
2026 年下半年	可能全面上线，开放第三方 Agent 插件
2027 年	Agent 生态爆发，可能出现”Agent Store”

🤔 你最期待微信 AI Agent 的哪些功能？欢迎在评论区讨论。

本文基于腾讯财报、行业媒体报道及公开信息综合分析，部分产品细节以微信官方最终发布为准。

Agnes AI：新加坡「价格屠夫」凭什么让三大核心模型全线免费？

2026-06-01T04:00:00.000Z

2026 年 6 月 1 日，一家低调的新加坡 AI 公司扔下一枚重磅炸弹：旗下三大核心模型 API，无限期免费开放。在 OpenAI、Anthropic 纷纷涨价的当下，这家公司想干什么？

Agnes AI 是谁？

如果你对 Agnes AI 感到陌生，并不奇怪。这家公司没有硅谷的炫目光环，也没有 DeepSeek 那样的破圈式引爆。但它的一组数据足以让行业侧目：

全球排名：Artificial Analysis 全球 AI Lab 第 9 名
全球用户：超 800 万，覆盖 180+ 国家
ARR：接近 2000 万美元
估值：超 1 亿美元（2025 年底）
所属实体：Sapiens AI（新加坡），关联南京开为网络科技有限公司（2016 年成立，国家高新技术企业）

从数据来看，Agnes AI 已经是一家在增长、营收、技术排名三个维度都站得住脚的 AI 公司——只是它太低调了。

创始人：一个有”执念”的技术理想主义者

Bruce Yang（杨通）的履历堪称标准的”精英模板”：

新加坡莱佛士中学（顶尖中学）
加州大学伯克利分校，数学与计算机双学位，师从图灵奖得主 Richard Karp
微软、LinkedIn 工作經歷
新加坡国立大学（NUS）AI 博士在读

但他的创业选择出人意料。Bruce Yang 多次表达过一个核心观点：AI 的资源与话语权，正加速向少数国家、少数巨头集中。 他看到的不是”AI 技术狂欢”，而是全球 99.5% 的普通人被挡在 AI 门槛之外的困境。

这直接决定了 Agnes AI 的产品哲学——不做”炫技型”AI，做”普惠型”AI。目标市场不是硅谷的开发者圈子，而是东南亚的小商贩、拉美的自由职业者、全球每一个想用 AI 但用不起的人。

产品路径：从 C 端应用反向上溯到底层模型

Agnes AI 的产品演进路径非常有意思——它是从 C 端应用反向上溯到底层模型的，而非像 OpenAI 那样从模型向下扩展到应用。

起点：AI 协作平台

2025 年 7 月 4 日，Agnes 在 Product Hunt 上线，定位是团队协作型 AI Agent，核心能力包括多人实时协同编辑、共享记忆、多智能体架构（”一人一实例”），以及移动端原生 App。

增长数据惊人：上线 4 个月，注册用户突破 300 万，DAU 超 20 万，超 50% 用户来自东南亚（菲律宾、越南、印度尼西亚为主）。

自研模型：AgnesClaw（代号”小龙虾”）

随着用户规模爆发，Agnes 开始自研底座模型，代号 AgnesClaw。目前核心模型：

模型	能力
Agnes-2.0-Flash	文本生成、理解、Agent 编排
Agnes-Image-2.0-Flash	图像生成
Agnes-Video-2.0	视频生成

这些模型在 ClawEval（侧重真实 Agent 场景评估）、Artificial Analysis（全球第 9）、PinchBench（全球前十）等榜单上表现亮眼。Agnes 早在模型发布前就实现了自研 7B 模型 SOTA 性能。

基础设施：腾讯云底座

一个关键但常被忽略的事实：Agnes 的全球化扩张背后，腾讯云是其核心基础设施提供商。依托腾讯云的全球化节点部署，Agnes 实现了 180+ 国家的低延迟服务覆盖。

6 月 1 日：全线免费的”核弹级”决策

自今天起，Agnes AI 面向全球开发者与创作者，无限期免费开放三大 API：

Agnes-2.0-Flash（文本）
Agnes-Image-2.0-Flash（图像）
Agnes-Video-2.0（视频）

这是全球首个实现全模态 API 免费开放的 AI Lab。

为什么免费？五层逻辑

1. 精准踩中行业痛点

当前 AI 开发者社区正面临严重的”Token 焦虑”：OpenAI、Anthropic 持续涨价，Agent 场景下多步推理链导致成本指数级放大，许多场景 ROI 为负。Agnes 在这个节点宣布免费，形成强烈的对比效应。

2. 生态抢占

全球 Top 10 AI Lab 中，Agnes 的品牌知名度远低于 OpenAI、Google、Anthropic。免费是最锋利的获客武器——让开发者零门槛迁移到 AgnesClaw 生态，形成技术依赖后，后续商业转化水到渠成。

3. 推理成本下降

随着训练技术和硬件效率提升，单次推理的边际成本已大幅降低。对已实现自研模型 SOTA 性能的团队来说，基础模型 API 的服务成本是可承受的。

4. 融资叙事

Agnes 正在进行新一轮数千万美元融资。DAU、API 调用量、开发者数量等规模指标对估值至关重要。免费能最快推高这些数字——这是一笔”用成本换估值”的账。

5. 品牌定位

“当硅谷大厂都在涨价，我们选择免费”——这本身就是一句强有力的品牌宣言，与 OpenAI 的”高端路线”形成鲜明对比。

差异化竞争力：三张牌

“反硅谷”产品哲学

Agnes 从第一天就明确：不做通用型 Agent，做面向全球普通用户的实用型 AI。体现在产品上就是多语言深度适配（尤其东南亚语言）、移动优先设计、极低使用门槛。

应用+模型的技术栈闭环

大多数 AI 公司要么做模型（如 DeepSeek），要么做应用（如 Jasper）。Agnes 同时掌控应用层和模型层，形成”用户反馈 → 模型优化 → 产品迭代”的闭环。

原生全球化

Agnes 的增长重心在东南亚、拉美、北美，而非”先中国再出海”的传统路径。这种原生全球化策略避免了地缘政治复杂性，触达了更广阔的用户基础。

隐忧：免费能持续多久？

无限期免费是一个响亮的承诺，但 AI 推理的算力成本是实实在在的。几个关键挑战：

成本压力：用户规模暴增时，免费 API 的服务器成本将成为巨大财务压力。需要持续优化推理效率，通过增值服务（高级模型、企业级 SLA）交叉补贴。
品牌声量：”前十”不等于”知名”。免费能带来用户，但要把用户转化为”粉丝”和”布道者”，还需要持续的产品打磨和社区运营。
竞争加剧：Google Gemini、Meta Llama、DeepSeek 等都已提供免费模型。Agnes 需要在免费之上提供足够差异化的体验才能留住用户。

结语：AI 行业需要更多”价格屠夫”

Agnes AI 的故事，本质上是 AI 行业从”参数竞赛”走向”性价比竞赛”的一个缩影。

过去三年，大模型的叙事是”更大、更强、更贵”。但越来越多的信号表明，行业正在转向一个更务实的方向：够好用的模型，合理的成本，触手可及的价格。

Agnes AI 选择了一条激进但合逻辑的路径——用免费撕开市场缺口。无论这条路径最终是否可持续，它至少证明了一件事：

AI 的未来，不应该只属于付得起账单的人。

本文基于公开信息整理，数据截至 2026 年 6 月 1 日。

参考来源：

限时免费试用！天工SkyClaw Agent模型半价享顶级性能

2026-05-29T02:00:00.000Z

原文来源：36氪 - 限时免费试用！天工SkyClaw Agent模型半价享顶级性能

5月26日，昆仑万维旗下天工 AI 正式推出高性能 Agent 模型 SkyClaw-v1.0，并同步发布轻量化版本 SkyClaw-v1.0-lite，兼具顶尖性能与极致性价比。

SkyClaw-v1.0 支持百万token上下文，深度适配各类真实智能体工作场景，重点优化复杂工具调用、多轮任务执行、代码生成、文件编辑、交互式应用构建与研究型数据分析。模型经过大规模 mid-train、高质量合成任务 SFT 与端到端强化学习优化，可在 OpenClaw、Hermes、Nanobot 等主流 Agent 环境中运行，同时适配 Claude Code、Codex 等代码 Agent 框架，通用性与兼容性拉满。

Agent 模型和 Agent framework 的组合，正在改变模型的使用方式。过去，模型主要回答问题；现在，模型被放进一个能读取仓库、调用工具、编辑文件、运行测试、观察反馈的执行环境里，开始承担完整工作流。SkyClaw-v1.0 针对的正是这个阶段：让模型在长上下文和工具环境中持续推进任务，而不是只生成一段答案。

模型核心亮点

强任务完成能力：在主流 Agent benchmark 与 Skywork 内部 Claw 任务评测中，SkyClaw-v1.0 展现出稳定的多步任务执行能力。
全面超越主流开源模型：模型表现超过 Minimax 2.7、DeepSeek V4 Flash，以及 Qwen 3.6 35B A3B 和 27B 模型。
接近更大规模顶级模型：在 OpenClaw 相关任务上，SkyClaw-v1.0 表现接近 DeepSeek V4 Pro、Claude Opus 4.6、Qwen 3.6 Plus 等更大规模模型。
极具性价比：定价低于 Minimax 2.7 与 Qwen 3.6 系列模型的一半，让高性能 Agent 能力具备规模化调用基础。

对于应用构建任务，建议将 SkyClaw-v1.0 运行在 Hermes、Claude Code 或 Codex 等 Agent 框架中，使其能够完成规划、文件编辑、测试执行与多轮迭代，而不是停留在代码片段生成。

核心训练思路：聚焦实景任务履约能力

SkyClaw-v1.0 的训练目标很明确：提升模型在 Agent framework 中完成真实任务的能力。 训练重点放在三件事上：构建可交互的工具环境、筛选高质量任务轨迹，以及用强化学习提升多步执行稳定性。

智能体运行环境搭建（Agent Environment）

训练环境基于 OpenClaw-style agent frames 构建，覆盖文件读取、代码编辑、检索、测试、页面观察等高频 Agent 动作。模型在训练中不只是生成答案，而是需要选择工具、组合工具，并根据工具返回结果继续推进任务。

团队进一步结合真实 Claw 任务数据和线上 skill 使用反馈，构建工具关系图谱，用来合成更接近真实工作流的复杂任务。这样得到的数据不是孤立问答，而是包含目标拆解、工具调用、结果观察和迭代修正的完整执行链。

精细化合成训练数据（Synthetic SFT Data）

SkyClaw-v1.0 使用大量合成 Agent 轨迹进行 mid-train 与 SFT。

这一步主要解决 Agent 训练中的噪声问题。低质量轨迹会让模型学到无效工具调用、错误观察解释或偏离目标的中间步骤。SkyClaw-v1.0 通过轨迹质量过滤和数据配比实验，保留更稳定、更可复用的任务执行模式。

智能体强化学习迭代（Agentic RL）

强化学习阶段继续在自建 Claw 环境中进行。模型需要在可交互环境里执行任务、观察反馈、处理失败，并继续修正动作。优化目标从”回答是否好看”转向”任务是否完成、过程是否稳定“。

因此，SkyClaw-v1.0 在 OpenClaw、Hermes、Nanobot、Claude Code、Codex 等环境中使用时，优势更多体现在持续执行、错误恢复和多轮迭代，而不是单次回答的表面完整度。

多场景实战应用：能力全面验证

在 Agent 框架中，SkyClaw-v1.0 可以完成规划、文件编辑、代码生成、测试运行、页面调试与多轮迭代，更适合交付完整应用、交互式游戏和研究型网页报告。这些示例均从自然语言提示开始，在 Hermes、Claude Code 和 Codex 等代理框架中完成。强烈建议在代理工作流中使用 SkyClaw-v1.0 作为模型，而不是作为独立的聊天模型使用。

a. 全形态界面设计落地

SkyClaw-v1.0 可生成具备生产级布局、真实导航流程和完整交互状态的应用界面，覆盖多页面结构、列表筛选、详情页、表单、移动端适配等常见产品形态。

b. 沉浸式可交互游戏开发

SkyClaw-v1.0 可生成可运行的交互式游戏与物理模拟，不只输出页面结构，还能处理动画循环、碰撞检测、游戏规则、状态管理和用户输入。

c. 专业网页制作 & 深度研究分析

SkyClaw-v1.0 也适合研究型网页和数据报告生成。模型可以围绕开放主题进行信息组织、数据整理、页面设计和可视化呈现，将自然语言需求转化为可交互的网页报告。

现已接入天工 Skywork，并开放免费试用

SkyClaw-v1.0 模型已于2026年5月22日接入天工 Skywork。用户登录 https://tiangong.cn，打开天工Skywork即可直接使用，无需额外配置 Agent 环境。

即日起，SkyClaw-v1.0 与 SkyClaw-v1.0-lite 开放 2 至 4 周免费试用。用户可以在真实任务中体验模型的长上下文理解、多轮执行、代码生成、工具调用和应用构建能力。

项目地址：https://skyworkai.github.io/skyclaw/
SkyClaw-v1 API：apifree.ai - skywork-ai/skyclaw-v1
SkyClaw-v1-lite API：apifree.ai - skywork-ai/skyclaw-v1-lite

对于开发者，SkyClaw-v1.0 同步通过 APIFree 开放 API 免费调用。注册 APIFree 账号并获取 API Key 后，即可通过兼容 OpenAI 格式的接口接入现有应用或 Agent 框架。API 支持流式输出、工具调用和多轮对话，适合接入代码 Agent、自研工作流系统、企业内部工具和自动化任务平台。

SkyClaw-v1.0 模型的上线，不是一次孤立的模型发布，而是昆仑万维 AGI 产品体系中的关键一环。在产品体系中，SkyClaw-v1.0 承担的是底层 Agent 模型能力升级：它通过百万上下文、Agentic RL、复杂工具调用优化和高性价比 API，把 Agent 从”可演示”推进到”可高频调用、可真实交付”的阶段。

本文由「昆仑资本」原创出品，转载或内容合作请点击转载说明；违规转载必究。

AI 2.0 时代，你为人机共创做好准备了吗？

2026-05-26T16:00:00.000Z

自 AI 诞生之初，人类科学家便试图让机器模仿人类的思维，以期铺就通往 AGI（通用人工智能）的道路。

AI 1.0 时代：有问必答的智能助手

AI 1.0 时代，它对普通人最大的价值，或许只是提供情绪慰藉——一个永远在线、有问必答的智能伙伴。那时候的 AI 更像一位耐心的陪练，安静、可靠，但还远谈不上变革。

AI 2.0 时代：真正的爆发

AI 2.0 时代的真正爆发，源自 Agent（智能体）时代的到来。这宛如 Web 2.0 时代的降临：人们从二维文本的浅滩，跃入多姿多彩的多媒体海洋。

Agent 时代正是 AI 时代的 Web 2.0 版本。

在这个周期里：

昨日新知的墨迹未干，下周或许便已泛黄过时。
知识与工具的产出，正如新一轮的宇宙大爆炸——密集、迅猛、目不暇接。

OpenClaw 作为 Agent 框架的代表之一，正在成为这场大爆炸的核心引信之一。它让普通人也能以极低的门槛搭起自己的智能体工作流，技术平权从未如此触手可及。

🦁 与巨兽共生

面对这般变迁，迷茫与焦虑在所难免。

回望百年前的马车时代，或是上一个互联网浪潮，总有一群人在焦虑中彷徨。但换个角度看——焦虑并非坏事。

当 AI 2.0 这头巨兽平等地撞向每一个人时，无人能独善其身。应对焦虑最好的方式，便是更兴奋地直面它，全情 All In 投入这场浩荡巨流。

我尝试着与巨兽共生，从而重拾对世界的掌控感。

🛠️ “牛马”的逆袭：人机共创

我仅有那一点源于 Web 2.0 时代的微薄前端知识——门门通、门门松。从设计到运营，说好听点是”全栈”，说实在点不过是底层的”牛马”。

但在 AI Agents 的加持下，我竟也能开发出一个又一个项目。

这让我意识到一个非常重要的判断：

AI 能高效解决 80% 的问题。
真正的挑战在于最初的 10% 与最后的 10%。

这是人机共创时代的新挑战，也是每一个”牛马”的机遇。

未来，80% 的价值产出将由 AI 完成。它是这个时代的能力放大器，将技术平权赋予每个人。

对于普通人而言，硬性的能力上限不再重要，逻辑、思维、观念、方法论，才是新时代的利器。

🐱 开源项目：MeowDesk（妙喵桌宠）

说干就干。最近在大项目间隙，我搓了一个整理桌面文件的桌面宠物——MeowDesk（妙喵桌宠），已在 GitHub 开源。

它是一个什么样的小工具？

🐱 桌面右上角一只猫猫，把文件拖到它身上就行
🗂️ 截图自动移入回收站，其余文件按类型归档（文档 / 图片 / 视频 / 音频 / 代码 / 压缩包 / 设计稿 / 电子书）
📁 按「类型 / 年-月」的目录结构存放
🌐 自动生成暗色主题 HTML 导航页面，支持搜索和分类筛选
多种猫猫动画：idle / happy / shy / surprised / sleeping …
系统托盘 + 开机自启动

把文件拖给猫猫，猫猫帮你搞定一切。

GitHub 项目地址： https://github.com/ra1nzzz/MeowDesk

欢迎 Star 与下载体验 ☕

一个人可能走得快，但一群人可以走得更远。AI 时代，人与 AI 共舞，才是真正的未来。

当内存与显存合二为一：为什么统一内存是 AI Agent 时代的基础设施革命

2026-05-25T03:30:00.000Z

2026年5月25日，「观妙-AGI&Agent研讨会」群聊摘录，基于弈韬与群友的真实讨论延伸采写。

一、一个换电脑的问题，引发了一场架构讨论

故事从一个朴素的需求开始。

广州的群友说，笔记本装的东西越来越多，扛不住了，考虑换台式机。深圳的弈韬脱口而出：

「换统一内存的机器。」

对方一头雾水：「啥意思？NAT？」

于是弈韬在群里现场开了一堂微型架构课——从内存和显存的分工说起，到统一内存的工作原理，再到为什么这是 AGI Agent 时代的必然选择。一条讨论串不知不觉延续了十几条，信息密度极高。

二、传统架构的隐疾：永远有一个角色在「围观」

要理解统一内存为什么重要，首先要理解传统 PC 架构里的那个结构性浪费。

内存 vs 显存——两个老死不相往来的兄弟

传统 PC 的存储体系是这样的：

内存（RAM）：容量大、速度快，用来跑程序、存数据。你开 Chrome 吃掉的几十 GB 都在这里。
显存（VRAM）：容量小、速度快，专门给 GPU 跑图形和 AI 计算。

问题是，两者互不相通，绝不共享。内存满了就是满了，显存再空着也帮不上忙；显存满了，内存再富余也没法给 GPU 挪用。

那个令人尴尬的场景

你写代码，开了 50 个浏览器标签，跑了几个本地 LLM——内存先爆了，程序开始卡。与此同时，你的 GPU 在那看着，显存利用率可能还不到 30%。

弈韬在群里形容得很形象：

「以前你内存爆满，显卡在那 0 消耗。」
「你内存 32G、显存 24G，大概率永远是有一头跑不满的。」

这就是传统架构在 AI 时代的根本矛盾：大语言模型、Agent 任务既吃内存又吃显存，但两者物理隔离，永远此消彼长。

三、统一内存是什么？

简单说：把内存和显存做成同一块池子。

Apple Silicon 是最早大规模落地的方案。以 M4 Max 为例，32GB 内存版本同时提供了 24GB 统一显存——不是 32G + 24G = 56G 分开的两块，而是同一块物理池子，按需动态分配。

弈韬在群里用了一句大白话：

「统一内存架构就是 32G + 24G = 56G 的大内存 + 大显存。一方有难，一方围观的情况不存在了。」

当你在跑一个本地模型时：

显存不够了？ 自动从大池子里划一部分过去。
程序需要更多内存了？ GPU 那边让出一些空间。

两者不再零和博弈，而是按需分配、弹性伸缩。

四、为什么现在非变不可？

4.1 大语言模型是「双吃」选手

传统 PC 软件大多是「单吃」：要么吃内存（浏览器），要么吃显存（游戏）。但 LLM + Agent 不同——它们同时需要：

大量的内存来加载上下文窗口
大量的显存来运行推理计算

当两项需求同时存在且量级很大时，传统架构的瓶颈是结构性的，不是加一根内存条能解决的。

4.2 端侧 AI 正在崛起

弈韬在群里做了一个前瞻性判断：

「未来的 AGENT 必定是端侧模型 + 云端算力。」
「未来的个人电脑，我估计大部分都是统一内存的。」

这个逻辑链是这样的：

Agent 要本地感知、本地推理——低延迟、高隐私。
但本地推理同样吃 GPU，需要大显存。
统一内存是端侧 Agent 硬件平台的唯一可行架构。

4.3 Apple Silicon 已验证了这条路

弈韬在群里提到一个令人印象深刻的数字：

「丐版的 Mac Mini 16G 都能跑本地模型。」

苹果用 Apple Silicon 证明了一件事：统一内存架构下，同样大小的物理芯片，跑 AI 任务的效率远高于传统 x86 + 独立显卡的组合。这不是理论，是已经产品化的事实。

4.4 华为来了

弈韬还特别提到：

「除了苹果还有别的品牌有这个统一架构吗？华为，现在华为应该也有。」

如果苹果掀开了这扇门，华为的跟进意味着统一内存架构从「苹果生态的独门绝技」正在走向更广泛的 PC 市场。

五、下一代 PC 的两极分化

基于统一内存的特性，弈韬在群里对个人电脑的未来做了一个大胆预测：

「我估计以后只有两种，一种是统一内存架构的电脑，一种是多 GPU 卡纯算力机。」

这两种的分界线很清晰：

	统一内存电脑	多 GPU 纯算力机
目标用户	普通开发者、创作者、办公者	大模型训练、推理集群
核心诉求	端侧 AI、通用计算	最大化算力吞吐
架构	内存 / 显存一体化	独立显存 × N
代表性产品	Mac、华为 PC	工作站、服务器

普通人的日常使用，注定走向统一内存；而超大规模的算力需求，则走向堆卡。这是两条路线，不是一场竞赛。

六、这为什么重要？

对开发者

如果你做 AI Agent 开发，明天换机器，别只看 CPU 和独立显卡的参数了——统一内存容量才是决定你能在本地跑多大的模型、跑多少个 Agent 并联的硬指标。

对产品设计

Agent 时代的产品，需要重新思考「端」在哪里。如果一个 Agent 的大部分推理可以在本地完成（统一内存支撑），你就不需要每次都回源云端，延迟更低、隐私更好、离线也能用。

对行业

这不是一次硬件参数升级，而是一次架构范式转移。内存和显存从两张皮变成一张皮，意味着整个软件栈、编程模型、操作系统调度逻辑都需要重新适配。

七、写在最后

这场讨论的起点，是有人想换一台台式机。但两轮对话下来，它触达的是 AI 时代 PC 硬件的底层逻辑——从冯·诺依曼式的内存显存分离，到适应大模型和 Agent 的弹性统一池。

统一内存不是一种优化，是一种重构。 它改写的不是你的电脑快不快的问题，而是你的电脑「能不能以 Agent 的方式思考」的问题。

苹果走了第一步，华为在跟进，微软和高通也在推类似的方向。今天你在群里讨论选什么笔记本，五年后可能就像当年讨论选 Windows 还是 Mac 一样——不是谁更好，而是你站在了哪条时间线上。

感谢弈韬、用户156976、House、陈巍在「观妙-AGI&Agent研讨会」群的分享。本文基于群聊讨论延伸采写，不代表任何厂商立场。

这款开源插件，号称解决了openclaw和hermes的金鱼记忆问题！

2026-05-23T17:20:00.000Z

一、痛点：Agent 的”金鱼记忆”

你让 AI Agent 帮你看一份文档、写一段代码、查个资料，它回答得头头是道。但半小时后，当同一批上下文出现在新 session 里——之前的判断、中间结论、偏好取舍，一概清零。

这就是 Agent 的”金鱼记忆”：当前 session 内的上下文窗口再长，session 一关，一切归零。

传统应对手段是”上下文拉满”——把所有历史塞进 System Prompt。问题是：

Token 成本线性增长
噪音越积越多，信号越压越弱
可读性归零：十万字日志，谁看得懂

问题的核心不是”存不下来”，而是”存了之后找不到、用不了、还贵”。

二、核心理念：分层 + 符号化

我们的方案不追求”全量存”，而是做两件事：

分层：按价值密度将记忆分成 L0–L3 四层，低层密集检索、高层语义抽象
符号化：用 Mermaid 图、关系表、语义标签替代自然语言日志，让机器快检索、让人一眼可读

这和传统向量方案的差异很清晰：

维度	传统向量方案	分层符号化
存储粒度	chunk × N 条向量	4 层语义金字塔
检索方式	语义相似度 topK	分层路由 + 符号匹配
可读性	天然不可读	Mermaid / 表格 / 标签，人类友好
写入开销	每次对话全量向量化	按层增量更新
关键优势	无限弹性	可解释、可调试、成本可控

我们不丢弃向量检索，而是把它锁在 L1 做辅助检索；核心推理链路走符号结构。

三、符号化短期记忆：Mermaid 图谱替代万字日志

短期记忆发生在单次 session 内，容量有限但信息密度高。传统方式是逐轮记录自然语言，两小时 session 可以产出上万字。

我们改用 Mermaid 图谱 + 关系表 来记录：

已读文档 → 关键结论（一句话标签）
代码修改 → 改了什么、为什么改
判断取舍 → 选项 × 理由 × 决定

效果：同样的信息量，Token 消耗减少约 60%。

因为结构化的符号表达天然比自然语言紧凑，而且后续检索时可以直接按标签过滤，不需要语义匹配。

四、分层式长期记忆：L0 → L3 语义金字塔

L3 领域知识   ← 顶层精炼，一句话 + 引用来源
L2 决策记录   ← 做了什么决定、什么时候、结果如何
L1 事实日志   ← 发生了什么事，原始符号化记录
L0 原始数据   ← 完整对话 / 文件 / 检索结果，按需回流

L0 原始层：不主动查询，只在需要时回流到 L1。保证”有据可查”但不浪费检索预算。

L1 事实层：符号化日志，核心检索层。按主题分区，用 Mermaid 图 + 关系表表达。机器可索引，人可阅读。

L2 决策层：结构化决策记录。每次关键决策一张卡片：背景 → 选项 → 决定 → 结果。这是 Agent 真正”变聪明”的地方——不是记住更多事实，而是记住决策质量。

L3 领域层：精炼到极致。一句话或一个标签概括整个领域的关键认知。跨 session 检索时优先命中 L3，成本最低、准确率最高。

分层路由逻辑：查询先命中 L3，命中则直接返回；否则下沉到 L2/L1/L0 逐层扩展。

五、实测数据：Token −61%，通过率 +51%

在真实任务集上的对比（同等硬件、同等 session 预算约束）：

指标	全量上下文	分层符号化
平均 Token 消耗	100%	−61%
多步推理任务通过率	baseline	+51%
单次检索耗时	—	−70%
记忆写入开销	高（全量向量化）	低（增量符号化）

Token 下降来自三方面：符号压缩、分层路由、去噪。通过率提升来自两件事：记忆写入开销更低 → Agent 愿意写更多 → 记忆密度更高；信号更强 → 检索召回更准。

六、快速上手

OpenClaw 插件安装

1	openclaw plugin install openclaw/memory-core

Docker 部署

version: "3"
services:
  memory-core:
    image: openclaw/memory-core:latest
    ports:
      - "8080:8080"
    volumes:
      - ./memory:/data

启动后，Agent 会自动检测到 memory-core 服务并开始写入记忆。零配置接入。

七、调参指南

五个关键参数，多数场景默认值即可，特殊场景可调：

参数	默认值	何时调大	何时调小
L0→L1 回流阈值	0.7 相似度	高精度场景	低存储成本场景
L1→L2 升级触发	连续命中 3 次	决策密集任务	轻量会话
L3 精炼频率	每 50 次查询	长期运行 Agent	短期项目
符号化压缩比	0.6	极度 Token 敏感	信息完整优先
检索深度	L1+L2	复杂推理	简单查询

黄金法则：先让默认值跑一周，看 L1 日志的符号化质量，再决定是否调参。

八、白盒调试：可读中间产物的设计亮点

这是整个方案最被低估的优势。

传统记忆方案是黑盒：向量存在数据库里，每次检索的结果只能靠人工验证”准不准”。分层符号化方案从 L1 开始，每一个记忆单元都是人类可读的：

L1 日志 = Mermaid 图 + 关系表，你在浏览器里直接打开就能看
L2 决策卡 = 结构化卡片，每条决策的上下文和理由一目了然
L3 领域摘要 = 每个领域一句话，可以逐层下钻追溯来源

这不仅仅是”可解释性”——当 Agent 的记忆出了问题，你知道是哪个节点错了，而不是对着一个黑盒向量库发呆。

九、Roadmap 与总结

当前阶段：分层符号化记忆架构已在 OpenClaw 中落地，L0–L3 四层 + Mermaid 符号化 + 分层路由。

下一步：

L3 自动精炼：用轻量 LLM 自动从 L2 决策中提取领域认知
跨 Agent 记忆共享：多个 Agent 实例共享 L2/L3 层
记忆质量评估框架：自动评估记忆写入的准确性和检索召回率

写在最后：

Agent 记忆问题的解法从来不是”存更多”，而是”存得更聪明”。分层给了你成本控制能力，符号化给了你可读性和可调试性。两者结合，才是让 Agent 真正拥有”持续学习”能力的起点。

这个赛博菩萨每天送你三千万！

2026-05-22T05:57:00.000Z

AGENT 时代全面来临，三大运营商推出 TOKEN 套餐！

1️⃣ 运营商的 TOKEN 套餐到底是啥？

最近三大运营商（移动、联通、电信）都推出了 TOKEN 套餐——把原本只有云服务才用的计费单元搬到手机话费账单里。听起来很高大上，实际上 价格和流量根本不匹配。

以江苏移动为例：
- 月费 40 元
- 套餐里标的只有 2000 万 TOKEN
- 换算下来，1 TOKEN 只值 0.02 元，也就是说 1000 元只能买到 5 万 TOKEN。

这么贵的”流量”，到底是市场需要，还是随便敲定的？很多人已经在社交媒体吐槽：这简直是拍脑袋决定的产物。

小提示：如果你只是想玩玩大模型，却不想被高额 TOKEN 账单逼到墙角，下面的方案更划算。

2️⃣ 赛博菩萨——MonkeyCode 的每日免费 TOKEN

我平时用的 VibeCoding（MonkeyCode AI） 平台，每天都会 免费发放 3000 万 TOKEN 给所有免费用户。关键是，这些 TOKEN 可以直接调动一线大模型，包括我亲自跑了两个月的 qwen3.5-plus。

直观对比

项目	运营商套餐（江苏移动）	MonkeyCode 免费补贴
月费	40 元	0 元
月可用 TOKEN	2000 万	9 亿（30 天累计）
按运营商计价的每日价值	≈ 1.3 元	≈ 60 元

算下来，每天 60 元 的算力免费送，整个月 1800 元 的价值，几乎是运营商套餐的 45 倍！

一句话：运营商的付费流量，在这里变成了 免费流量，而且还比他们贵得多。

3️⃣ 立刻抢福利——专属邀请码 + 额外积分

只要使用我的专属邀请码 019da46b-0998-7b19-9e29-d574366b2eda 注册，即可：

每天免费领 3000 万 TOKEN（无需付费）。
额外到账 5000 积分，积分可以换算成算力时长或其他优惠。
免费体验 GPT-5.5、qwen3.5-plus 等顶级模型，一次性解决算力瓶颈。

注册链接：https://monkeycode-ai.com/?ic=019da46b-0998-7b19-9e29-d574366b2eda

4️⃣ 为啥现在就该上手？

省钱：每天 60 元的算力免费送，省下来的钱足够买一整个月的手机流量。
模型强大：最新的大模型在代码补全、内容创作、数据分析等场景都有显著提升。
社区活跃：平台有活跃的技术社区，遇到问题能快速获得答案。

如果你已经对运营商的高价 TOKEN 套餐感到不满，又想尝试最前沿的大模型提升工作效率，马上点开链接注册，抢到每日 3000 万 TOKEN，感受真正的”免费算力”。

祝你玩转 AI，天天赚”钱”！

Marvis vs QClaw：腾讯两款 AI 助手，同属一个舰队但走不同路线

2026-05-21T12:00:00.000Z

2026 年 5 月，腾讯在同一条产品线上同时亮出了两款 AI 助手：Marvis（马维斯）和QClaw（小龙虾）。

名字听着像兄弟，实际上还真是同门——腾讯内部称为”龙虾特攻队”产品矩阵，两家团队分别来自应用宝和电脑管家，各出奇招。

但如果你仔细对比两者的设计思路，会发现一个很有意思的现象：它们几乎在同一时间回答了同一个问题——“AI 助手到底应该长什么样？”——而给出的答案完全不同。

一、Marvis：操作系统层级的 AI 助手

Marvis 由腾讯应用宝团队打造，产品负责人王秋阳，业务负责人蔡建涛。2026 年 5 月 20 日正式上线，Windows、Mac、安卓三端可用，iOS 版本预计 6 月中旬推出。

核心定位：操作系统层级的 AI 助手。

说白了，Marvis 想要做的是把电脑变成一个可对话的智能终端。你不需要打开某个 App，不需要记住快捷键，直接用自然语言跟操作系统对话——“帮我整理桌面”、”把这张图传到云盘”、”帮我对比这两个文件”，Marvis 可以直接操控文件系统、系统设置、已安装 App。

它走的是系统级深度整合路线：

文件层面：理解文件内容、批量重命名、智能分类
App 层面：跨应用操作协调，比如”帮我把浏览器里的这个 Excel 表格下载并保存到桌面”
跨端调度：移动端 Marvis App 与电脑端数据同步，手机发指令、电脑执行

技术底座：自研 Agent 架构，与英特尔在芯片层做了联合优化（端侧推理速度提升约 20%），与微软依托 WinML 框架实现本地高效运行。

模型方案采用混合架构：

端侧：阿里 Qwen 端侧模型，负责高频轻量任务（文件理解、图片识别、简单对话、系统信息查询）
云端：混元 + DeepSeek-V4，负责复杂推理、多步规划、长文档深度分析

二、QClaw：本地化 AI Agent + 微信远程操控

QClaw 来自腾讯电脑管家团队，2026 年 3 月上线内测，目前仍处于限时免费内测状态。

核心定位：开箱即用的本地 Agent + 微信远程操控 + 5000+ Skills 生态。

QClaw 的技术基础是 OpenClaw（开源 AI Agent 框架），腾讯团队在其上做了本地化封装。它的核心卖点非常明确：

微信远程操控：手机扫码绑定，发微信消息就能操控电脑，这是 Marvis 没有的能力
Skills 生态：5000+ 技能插件覆盖飞书、日历、任务、多维表格、文档等各类工作流
内置国产大模型，支持灵活切换自定义模型

QClaw 走的是一条轻量化、高扩展性的路线——不追求操作系统深度整合，而是作为一个”能力中台”接入你已有的工作流程。

三、核心差异：一条表格说清楚

维度	Marvis（马维斯）	QClaw（小龙虾）
开发团队	腾讯应用宝团队	腾讯电脑管家团队
定位	操作系统层级 AI 助手	本地化 AI Agent + 微信远程 + 5000+ Skills
核心思路	系统级深度整合：文件、系统设置、App、跨端一体调度	开箱即用的本地 Agent + 微信远程操控 + 技能市场
远程操控	移动端 Marvis App 同步	微信扫码绑定，手机发消息操控电脑
技术底座	自研 Agent 架构，与英特尔/微软底层协作	基于 OpenClaw 开源框架封装
模型方案	端侧：Qwen 端侧模型；云端：混元 + DeepSeek-V4	内置国产大模型，支持切换自定义模型
上线时间	2026 年 5 月 20 日（正式版）	2026 年 3 月（内测）
状态	正式版，无需邀请码	限时免费内测

两者同属腾讯”龙虾特攻队”产品矩阵，但路线完全不同：Marvis 走系统深度整合，把电脑变成可对话的智能终端；QClaw 走轻量化 Agent + 微信远程 + 技能市场。

四、Marvis 的端云分级调度：怎么做到的？

Marvis 最值得关注的设计，是它的端云分级调度机制。

本地端侧模型做什么？

端侧 Qwen 模型处理高频、轻量、隐私敏感的任务：

文件内容理解与总结
图片识别
简单对话交互
系统信息查询

优势是响应快 + 数据不出电脑。

云端模型做什么？

当任务复杂度超出端侧能力边界时自动升级：

复杂推理链
多步任务规划
长文档深度分析
多 Agent 协作编排

不是”二选一”，而是”按需混合”

同一任务中，端侧和云端可以同时协作：端侧做感知和执行层（理解文件内容、操作系统界面），云端做规划层（拆解任务、决策下一步做什么）。

这意味着：即使端侧硬件性能一般，只要能把轻量任务兜住，就能大幅减少云端往返次数，整体响应更快、也更省 Token。

为什么要做端云分级？

原因其实很朴素：端侧硬件跑不了，不代表要做纯云端。

如果所有任务都上云，成本高、延迟高、隐私风险大。但如果端侧能兜住 60%～80% 的日常轻量请求，云端只需要处理真正需要大模型能力的复杂任务，整体效率反而更高。

“端侧跑得了就分担一部分，跑不了就自动上云”——这就是端云分级调度的核心逻辑。

五、一点思考

Marvis 和 QClaw 的同时存在，说明腾讯在 AI 助手这件事上还没有找到”唯一正确答案”。

Marvis 赌的是系统整合——把 AI 能力深埋进操作系统，让用户无感使用。这个方向天花板很高，但也意味着极重的开发和维护成本，以及与操作系统厂商（微软、苹果）的深度绑定。

QClaw 赌的是开放生态——用 OpenClaw 做底座，靠 Skills 市场补齐能力，靠微信远程降低使用门槛。这个方向轻快灵活，但产品护城河更多依赖社区和生态，而非技术壁垒。

从用户角度来说，两个产品并不完全互斥：如果你追求**”让电脑自己动”的沉浸式体验**，Marvis 更合适；如果你追求**”随时随地用微信操控电脑 + 丰富的工作流技能”**，QClaw 更适合。

未来鹿死谁手，端云调度方案能否跑通，关键看两件事：用户付费意愿，以及端侧模型的迭代速度。

参考来源：腾讯官方公告、公开报道及技术分析。Qwen 端侧模型具体型号和参数量尚未由腾讯官方披露，本文属合理推断，以腾讯后续技术博客或官方披露为准。

2026年5月20日 AI 情报简报：Google I/O 引爆搜索革命，Agent 时代全面到来

2026-05-20T09:30:00.000Z

2026 年 5 月 20 日，AI 行业迎来一场密度极高的信息爆发。Google I/O 2026 用一场 keynote 改写了搜索、多模态和 Agent 三个维度的游戏规则；与此同时，Anthropic、Meta、AWS、xAI 和 DeepSeek 在同一周密集出手，Agent 从”概念演示”加速走向”产品落地”。

今天是 AI 发展史上的一个分水岭节点。

一、Google I/O：搜索框 25 年最大重构

Google 把用了 25 年的搜索框换掉了。

新的搜索体验叫 “Ask Google”——不再是输入关键词、等待蓝色链接列表，而是一个支持文本、图像、文件、语音的多模态对话入口。AI Mode 月活突破 10 亿，搜索量创历史新高。

这意味着什么？

关键词匹配 → 对话式智能，不只是交互形式的改变，而是搜索引擎商业模式的底层切换。广告主、SEO 从业者、内容创作者——整个搜索生态都需要重新思考。

与此同时，Google 在同一天发布了三款产品，形成完整矩阵：

Gemini 3.5 Flash：打破”智能模型必须昂贵”的行业铁律，企业推理成本可削减超 $10 亿/年
Gemini Spark：全天候主动代理 Agent，设备关机后仍可自动起草邮件、监控收件箱、组装文档
Gemini Omni：首个”任意到任意”多模态模型——文本→图像、图像→视频、视频→视频、音频生成，全栈大一统

三款产品覆盖了 成本、主动 Agent、多模态生成 三个当前最热的 AI 赛道。

二、Agent 产品化元年：从演示到落地

今天的另一条主线是 Agent 从实验室走向真实产品。

Anthropic 推出了自托管沙箱和 MCP 隧道，让 Claude Agent 可以直接安全连接企业内部 API，无需把凭证暴露给外部模型。这解决了 Agent 企业部署最大的安全顾虑。

xAI 的 Grok 推出了 Skills 功能，AI 助手在跨对话场景中持续记住用户偏好、格式规则和工作流程。用户不再需要每次对话从头解释背景。

DeepSeek 发布了”Agent Harness”产品经理岗位招聘，目标是构建 Agent 的”工程外壳”——把模型能力封装成可落地的产品。这是一条清晰的信号：DeepSeek 正在从”模型厂商”向”Agent 产品厂商”转型。

MiniMax 把 Agent 产品升级为 Mavis，并推出 Agent Teams 功能，重新设计多智能体协作架构。

Intercom（现名 Fin） 更激进——推出一个 AI Agent，它的唯一职责是管理另一个 AI Agent。首个大规模部署的”Agent 管理 Agent”架构，多 Agent 协同的”管理层”正式出现。

通义实验室 发布了 Qwen3.7-Max，定位”全能智能体基座”——代码编写、自动化办公、复杂推理，一体覆盖。

RecursiveMAS（UIUC + Stanford）在多 Agent 推理效率上取得突破：Agent 共享嵌入而非文本，推理速度提升 2.4 倍，Token 用量降低 75%。

LangSmith Engine（LangChain）实现了 Agent 调试的自动闭环：检测失败 → 诊断原因 → 生成修复 PR。

趋势非常清晰： Agent 正在经历从”能跑 demo”到”能扛生产”的关键跃迁。安全连接、跨对话记忆、自动调试、效率优化——这些不是概念验证，而是真实产品在解决的真实问题。

三、多 Agent 架构：协作层成为新战场

今天的新闻中有三条高度相关的信号：

产品	核心创新	意义
Fin（Intercom）	Agent 管理 Agent	“管理层”范式
RecursiveMAS	共享嵌入推理	多 Agent 效率革命
MiniMax Agent Teams	多 Agent 协作架构	国内产品跟进

多 Agent 系统的核心瓶颈从来不是单个 Agent 的能力，而是 Agent 之间的协作效率。今天的三条信号分别指向了架构（管理层）、效率（共享嵌入）和产品化（协作功能）三个方向。

这个方向值得持续关注。

四、成本革命与人才争夺

Gemini 3.5 Flash 的商业意义被低估了。Google 声称它能把企业 AI 推理成本削减超 $10 亿/年——这不是营销话术，而是基于成本结构重构的硬性数字。

如果高性能模型可以”廉价”，推理成本不再是门槛，整个 AI 应用生态的扩展速度会加速一个量级。

人才方面，Andrej Karpathy 正式加入 Anthropic 从事 R&D 工作。Karpathy 是 OpenAI 联合创始人、前 Tesla AI 负责人，顶级 AI 人才的每一次流动都是行业风向标。

同时，Meta 重分配 7000 名员工全力押注 AI，年内投入 $1150–1350 亿美元。”AI 原生组织架构”成为新的管理范式——每位经理管理人数更少，扁平化加速。

五、其他值得关注的信号

AWS 收购 fal（AI 媒体生成创业公司）→ 云巨头加速 AI 工具整合
Google AI Ultra 订阅降价 $250→$100/月 → AI 订阅价格战正式开启
极壳科技 $5000 万 B+ 轮融资 → AI+硬件赛道持续升温
Bug 悬赏项目被 AI 低质报告淹没 → AI 滥用的另一个侧面值得警惕
马斯克诉 OpenAI 败诉 → 诉讼时效问题，法律风险暂缓但治理争议仍在

结语

今天的热点可以浓缩成三个关键词：

重构（搜索框 25 年首次换新）
落地（Agent 从概念演示到产品全面铺开）
效率（成本革命 + 多 Agent 效率突破）

AI 行业正在从”谁有更大的模型”转向”谁能把模型真正用起来”。搜索重构、Agent 产品化、多 Agent 架构、成本平民化——这些不是孤立事件，而是同一条时间线上的同一场变革。

数据来源：VentureBeat、The Verge、OSChina、PingWest、ifanr、Solidot | 情报范围：前 24 小时全球 AI 核心资讯

13 个模型大 PK，780 局厮杀！到底谁最牛逼？

2026-05-12T16:00:00.000Z

摘要：名字一个比一个能打？拉出来比一比才知道。13 个模型，780 局五子棋，全程 AI 自己下自己赢，没有人工操盘。

MonkeyCode 里内置的大模型越来越多，我们发现一个很现实的问题：模型的名字一个比一个能打，用户打开列表以后经常陷入沉思——这个强吗？那个适合写代码吗？我今天到底该选谁？

所以我们就决定整点直观的。

光看参数、榜单、宣传页都太抽象。模型厉害不厉害，拉出来比一比。

于是就有了这场 AI 五子棋竞标赛。

为什么是五子棋？

规则简单，大家都能看懂：黑白轮流下，谁先连成五个谁赢。没有复杂术语，没有隐藏规则，输了也没法说”我这是战略性试探”。

同时五子棋又刚好适合考模型能力：它需要看局势、算威胁、做取舍，还得在回合制里一步一步推理。对 AI 来说，这比”请你夸夸我”要真实多了。

01 参赛模型

这次比赛一共有 13 个模型参赛：

模型	定位
gpt-5.5	当前榜首热门选手
gpt-5.4	稳定强力通用模型
gpt-5.4-mini	轻量版速度型选手
gpt-5.3-codex	代码场景专用选手
qwen3.5-plus	通义高性能旗舰模型
qwen3.6-plus	通义新一代增强模型
glm-5.1	智谱当前最强模型
glm-4.7	智谱上一代主力模型
kimi-k2.6	长上下文推理选手
minimax-m2.7	MiniMax 主力模型
claude-sonnet-4-6	Claude 均衡型选手
claude-opus-4-6	Claude 高阶推理模型
claude-opus-4-7	Claude Opus 新版本

02 比赛规则

比赛方式很朴素：每两个模型都要互相打一遍。

比如 A vs B 时，A 执黑，B 执白；到了 B vs A，B 执黑，A 执白。每组固定方向打 5 局。

为什么要打 5 局？因为大模型的决策带有随机性。同一个局面，它这次可能杀得很果断，下次可能突然开始”深思熟虑”，然后把自己想没了。打一局容易变成”抽卡”，打 5 局可以把偶然性摊薄一点，看的是模型整体稳定性。

这次总对局数：13 × 12 × 5 = 780 局

没有人类选手，没有人工干预，全程 AI 自己下。更狠的是，整个比赛平台也是用 MonkeyCode 自动开发的。属于 AI 写平台，AI 来比赛，人类在旁边端着茶看热闹。

计分规则

黑棋赢：+15 分
白棋赢：+20 分
平局：双方 +10 分
输棋也有安慰分，撑得越久分越多
输出格式乱了会扣分
下到已经有子的地方也会扣分

这不只是看谁会赢，还看谁稳定、谁靠谱、谁别在关键时候突然开始写小作文。

03 当前战况

目前比赛还在进行中。

总对局：780 局
已完成：约 550 局
完成进度：约 70.5%

当前排名

目前 第一名是 gpt-5.5：1444 分，80 胜 / 0 平 / 14 负。

gpt-5.5 现在是断层领先。它不光赢得多，而且响应很快，整体表现也很稳。更关键的是，到目前为止它没有出现过违规落子这类低级失误。

目前垫底的是 gpt-5.3-codex：202 分，8 胜 / 0 平 / 99 负。

gpt-5.3-codex 是 OpenAI 专门为 Codex 优化过的模型，保留了 GPT 在编程领域的优势，牺牲了其他领域的能力。这个成绩看起来有点像：本来是来写代码的，结果被拉去参加体育考试。

04 目前能看出什么

模型之间的差距还是挺明显的。

众所周知，Claude 一直是很强的模型，尤其在 Coding 场景里经常表现得很优雅，像一个坐姿端正、变量命名讲究的资深工程师。但从这次五子棋结果看，它的优势可能更集中在代码领域；到了这种通用博弈场景里，整体压制力没有 GPT 系列那么明显。

更尴尬的是，Claude 在指令遵循上也出现了一些小毛病。比赛要求模型只输出严格 JSON，但它有时会先来一段”让我分析一下棋盘”，分析得挺认真，格式也确实不合格。还有一些对局里出现了违规落子。它不是不会思考，而是偶尔太爱展示思考过程——像考试要求只写答案，它偏要把草稿纸也交上来。

几个国产模型整体表现挺有看头：

qwen 系列排名也不错，属于稳稳咬住第一梯队尾巴的选手
glm-5.1 的表现比 glm-4.7 明显更好，智谱新一代模型的提升在棋盘上看得很直观
kimi-k2.6 和 minimax-m2.7 也有不少胜场，属于有爆发、有亮点，但稳定性还需要继续观察的类型

至于后排选手，目前压力有点大。尤其是 gpt-5.3-codex，负场非常多。它可能更适合回去写代码，不太适合在棋盘上和这些模型硬碰硬。

05 MonkeyCode 会员模型怎么选

这次比赛还有一个很实用的参考价值：MonkeyCode 会员里内置的三个常用档位，刚好都在参赛名单里。

档位	模型	目前表现
基础模型	qwen3.5-plus	当前第三，相当有竞争力
专业模型	kimi-k2.6	长上下文和复杂材料处理选手
旗舰模型	gpt-5.5	断层第一，断层领先

qwen3.5-plus 作为基础模型表现非常能打，已经不是”够用”的水平，而是相当有竞争力。日常写代码、问问题、处理常规开发任务，基础模型已经能覆盖很大一部分场景。

kimi-k2.6 作为专业模型，特点更像是长上下文和复杂材料处理选手。遇到长文档、长代码、需要消化大量上下文的任务，它依然很适合上场。

gpt-5.5 作为旗舰模型，这次基本把”旗舰”两个字写在棋盘上了。响应快、胜率高、稳定性好，也没有出现违规落子。遇到高难度重构、复杂问题定位、关键代码生成这类任务，直接上旗舰模型会更省心。

一句话总结：平时用 qwen3.5-plus 很能打，长上下文用 kimi-k2.6 更顺手，关键任务上 gpt-5.5 最稳。

06 欢迎围观

比赛还没结束，后面还有不少对局，排名也可能继续变化。你可以直接来围观实时战况：

👉 https://8000-de2a5f209a44b3a2.monkeycode-ai.online/

代码也已经开源：

👉 https://github.com/safeline/gomoku-ai

这场比赛没有人工操盘，没有剧本，没有”友谊第一”。13 个模型自己下，自己赢，自己翻车。最终谁最强，棋盘说了算。

体验 MonkeyCode：

👉 https://monkeycode-ai.com/?ic=019da46b-0998-7b19-9e29-d574366b2eda

AiToEarn + Browser Harness + CamoFox：AI 内容自动化三件套实战

2026-05-10T14:00:00.000Z

最近在研究 AI Agent 的内容自动化能力，顺手把三个紧密相关的开源工具串了起来。这篇是实用教程，不讲空泛的概念，每个工具讲清楚：它是什么、为什么值得用、怎么上手。

一、三件套概览

三件套解决的问题不同，但组合起来能覆盖”内容采集 → 浏览器操作 → 多平台分发”的完整链路：

工具	核心定位	解决的问题
AiToEarn	AI 内容分发平台	一键把内容发布到 12+ 个社交媒体
Browser Harness	CDP 浏览器控制框架	让 LLM Agent 直接操控 Chrome
CamoFox	反检测浏览器	AI Agent 绕过反爬虫，稳定访问各平台

三者组合后的能力：让 Agent 自动完成”采集→处理→发布”全流程。

二、AiToEarn：AI 驱动的多平台内容分发

2.1 它是什么

AiToEarn 是一个 AI 驱动的内容分发平台，核心卖点是一键把内容同步到多个社交媒体。国内支持抖音、小红书、B站、快手、视频号、微信公众号；国际支持 TikTok、YouTube、Facebook、Instagram、Threads、Twitter、Pinterest、LinkedIn——合计 12+ 平台。

2.2 核心特性

AI 内容生成能力内置其中，不只是分发，还支持：

AI 内容生成（文字/图片/视频）
批量任务发布
MCP 接口（可在 Claude/Cursor 等 AI 助手中直接调用）

MCP 地址：https://aitoearn.ai/api/unified/mcp

这意味着你可以在 Claude 里说”帮我发一篇小红书”，直接调用 AiToEarn 的能力完成发布，不用跳转到 AiToEarn 控制台。

Relay 模式值得单独说：借用官方 OAuth 凭据即可，不需要自己申请各平台的开发者账号。对个人用户和小团队来说，这省掉了大量申请 API Key 的精力。

2.3 部署

官方推荐 Docker 一键部署：

1
2
3

git clone 
cd 
docker compose up -d

源码部署会遇到 Nx monorepo 构建路径问题，官方文档也承认这一点，建议直接上 Docker。

硬件要求：2 核 CPU + 4~6 GB 内存。注意云电脑的”2 核”经常是超售核，实际可用资源可能不足。

2.4 使用建议

个人用户优先用 Web 版（国内 aitoearn.cn / 国际 aitoearn.ai）
团队/批量场景用 Docker 部署
MCP 接口适合与 AI 编程工具集成

三、Browser Harness：CDP 浏览器控制框架

3.1 它是什么

Browser Harness 是一个轻量级的浏览器控制框架，核心思路是通过 CDP（Chrome DevTools Protocol）把 LLM Agent 直接连到真实浏览器。

传统浏览器自动化（如 Playwright、Selenium）走的是”浏览器 → 代理层 → Agent”的路径。Browser Harness 砍掉了中间层，Agent 和 Chrome 之间只有一条 WebSocket 连接。

3.2 架构

Chrome / Browser Use Cloud
       ↓ CDP WebSocket
browser_harness.daemon  ←→  IPC  ←→  browser_harness.run (CLI)
       ↓
agent_workspace/agent_helpers.py  ←  Agent 可编辑辅助函数

核心文件：

src/browser_harness/helpers.py — CDP 封装和核心浏览器原语
src/browser_harness/daemon.py — CDP WebSocket 守护进程 + IPC 中继
src/browser_harness/admin.py — 守护进程生命周期管理
src/browser_harness/run.py — CLI 入口
agent-workspace/agent_helpers.py — Agent 自进化写入的自定义函数

3.3 自进化能力

这是 Browser Harness 最有意思的设计：Agent 在执行过程中如果发现某个辅助函数缺失，可以自动写入 agent_helpers.py。下次再用到相同的交互模式，直接调用已写好的函数。

简单说：Agent 用得越多，它自己的工具库越丰富——跟人学技能一个道理。

3.4 Domain Skills 生态

社区已经为常用平台贡献了站点特定技能，直接可用的 Domain Skills 包括：

社交平台：bilibili, github, linkedin, reddit, tiktok, xiaohongshu, youtube, facebook, x, twitter
电商平台：amazon, ebay, etsy, shopify-admin, walmart, zillow
求职平台：BOSS-zhipin, glassdoor, wellfound, linkedin
其他：arxiv, goodreads, gutenberg, imdb, spotify, steam 等

3.5 Interaction Skills

提供可复用的 UI 交互指南，覆盖常见浏览器操作场景：对话框处理、标签页管理、下拉菜单、跨域 iframe、文件上传、截图、Cookie 管理、网络请求等。这些 Markdown 指南可以直接被 Agent 读取和遵循。

3.6 使用建议

本地使用：启动 Chrome with remote debugging，连接 daemon
云浏览器：Browser Use Cloud 免费提供 3 个并发浏览器
有现成 Domain Skill 的平台优先用 Skill，能大幅减少 Agent 的试错时间

四、CamoFox Browser：AI Agent 专用的反检测浏览器

4.1 它是什么

CamoFox Browser 是由 Jo 团队（jo-inc）开发的反检测浏览器自动化服务器，底层基于 Camoufox——一个深度定制的 Firefox 分支。

为什么需要专门的”反检测”浏览器？因为很多平台会通过 JavaScript 层面的指纹检测（navigator 属性、WebGL、Canvas、WebRTC 等）来判断访问者是不是自动化工具。普通 Playwright 或 Puppeteer 在这种检测面前基本裸奔。

4.2 C++ 级反检测

Camoufox 的厉害之处在于在 C++ 实现层面（不是 JS 注入层）就伪造了指纹参数：

navigator.hardwareConcurrency
WebGL renderer
AudioContext fingerprint
Screen geometry
WebRTC 真实 IP 泄露

这些参数在 JavaScript 执行前就已经被伪装好了，检测难度远高于 Playwright Stealth 那种 JS 注入方案。

4.3 核心特性

稳定元素引用（Element Refs）

用 e1、e2、e3 等稳定标识符替代 CSS 选择器，点击操作的可靠性大幅提升。CSS 选择器在页面变化时经常失效，Element Refs 从根本上解决了这个问题。

资源效率

无障碍快照比原始 HTML 小约 90%，大幅降低 LLM 调用的 token 成本
惰性浏览器启动 + 空闲自动关闭，空闲时内存仅约 40MB

会话隔离

每个用户独立 cookies/storage，多任务并发不会互相干扰。

Cookie 导入

支持导入 Netscape 格式 cookie 文件，导入后免登录直接访问已认证的站点。

代理 + GeoIP

支持住宅代理，自动配置 locale 和 timezone，配合 GeoIP 做到”看起来就是当地用户”。

搜索宏（Search Macros）

内置 15+ 预设搜索命令，@google_search、@youtube_search、@amazon_search、@reddit_subreddit 等，Agent 可以直接用自然语言触发搜索。

YouTube 字幕提取

内置 yt-dlp 支持，提取字幕不需要 API Key。

VNC 交互登录

通过 noVNC 可视化登录站点，导出存储状态供 Agent 复用——适合需要扫码或验证码登录的场景。

会话追踪（Tracing）

可选开启 Playwright trace 录制，捕获截图 + DOM + 网络请求，用于调试和审计。

4.4 与 Playwright 对比

特性	Playwright	Playwright Stealth	Camoufox/CamoFox
指纹伪造层级	无	JavaScript 注入	C++ 实现层
可检测性	高	中	低
WebGL 伪装	❌	部分	✅
AudioContext 伪装	❌	❌	✅
稳定元素引用	❌	❌	✅（e1/e2/e3）
Token 效率	基准	基准	降低 90%

4.5 使用建议

目标平台反爬虫严格（Google、Cloudflare 验证页）时优先用 CamoFox
大量并发任务时资源占用优势明显
通过 OpenClaw 插件方式集成（Jo 团队作为 OpenClaw 插件维护）

五、三件套组合实战

三个工具各自的定位清楚了，关键是它们怎么配合。

5.1 典型工作流

内容采集（Browser Harness + CamoFox）
        ↓
内容加工（AiToEarn AI 生成）
        ↓
多平台发布（AiToEarn 分发）

第一步：采集

用 CamoFox + Browser Harness 组合，让 Agent 自动采集目标平台的内容（如竞品动态、热点话题）。CamoFox 负责绕过反爬，Browser Harness 的 Domain Skills 直接提供对应平台的交互逻辑，不需要从头写选择器。

第二步：加工

采集到的内容通过 AiToEarn 的 AI 生成能力进行改写、扩写、生成配图。AiToEarn 内置 AI 内容生成，不需要单独调 LLM API。

第三步：发布

加工后的内容通过 AiToEarn 一次发布到多个平台。如果是通过 MCP 接口集成，甚至可以让 Claude/Cursor 一句话完成”采集→加工→发布”全流程。

5.2 MCP 集成路线

// Claude Desktop config 示例
{
  "mcpServers": {
    "aitoearn": {
      "command": "npx",
      "args": ["-y", "@aitoearn/mcp-server"],
      "env": { "AITOEARN_API_KEY": "your-key" }
    }
  }
}

配置完成后，在 Claude 对话里就能直接调用：

1	"用 AiToEarn 发布一篇关于 Browser Harness 的教程到小红书和 Twitter"

5.3 选择建议

场景	推荐组合
纯内容发布	AiToEarn 单独使用
需要采集/操作网页	Browser Harness + AiToEarn
反爬虫严格	CamoFox + Browser Harness + AiToEarn
全自动工作流	三件套 + MCP 集成

六、部署参考与总结

6.1 部署方式对比

方式	适用场景	复杂度
Web 在线版	个人/轻量使用	最低
Docker Compose	团队/批量	低
源码构建	二次开发	高（Nx 构建问题）

6.2 硬件参考

AiToEarn：2 核 + 4~6 GB 内存
Browser Harness：依赖 Chrome，资源占用与 Chrome 相当
CamoFox：空闲 ~40MB，根据并发浏览器数量线性增长

6.3 注意事项

AiToEarn

源码部署存在 Nx monorepo 构建问题，优先 Docker
云电脑资源评估要打折扣，2 核可能实际不足
Relay 模式是快速上手的捷径，但长期建议走自有 OAuth

Browser Harness

需要 Chrome 启用 remote debugging 端口
自进化写入的 agent_helpers.py 是增量积累，初期函数少是正常的

CamoFox

C++ 级伪装 ≠ 绝对不可检测，高安全目标的平台（如 Google 账号级检测）仍需人工介入
VNC 可视化登录导出状态是处理复杂验证码的有效手段
通过 OpenClaw 插件方式集成最为方便

6.4 写在最后

三件套的分工非常清晰：AiToEarn 管发布、Browser Harness 管控制、CamoFox 管渗透。各自的功能边界明确，组合在一起能覆盖 AI 内容自动化的主要场景。

对于已经在用 AI Agent 做内容运营的团队，这套组合值得认真评估。特别适合的场景：多平台矩阵运营、竞品动态追踪、热点内容快速响应。

本文基于三份研究报告整理采写，所有技术细节均来自公开资料和项目文档。

从豆包内测收费想到的——新时代的生产资料之锁

2026-05-04T16:00:00.000Z

引言：豆包收费，为何冲上热搜？

2026年5月，豆包AI内测收费的消息冲上了热搜。对于圈内人来说，这不过是意料之中的一步；但对于普通网友而言，这则消息却掀起了轩然大波。

原因很简单： 豆包的市场占有率远高于元宝、千问等其他AI应用。它几乎是”国民级”的AI助手。当这样一个”免费了这么久”的工具开始收费时，普通用户的第一个反应是：“我以后用不起了怎么办？”

这背后反映出的，是一个更深层的事实：AI算力，正在成为新时代的生产资料。 而生产资料的付费门槛，从来都不是为”使用者”准备的——它是为**”创造者”**准备的。

一、豆包为何敢收费？——市场占有率的底气

根据行业数据，豆包在2026年的月活用户已突破2亿，是中国市场占有率最高的AI应用。这种近乎垄断的地位，给了它收费的底气。

但收费只是表象，真正的信号是：

免费红利期结束：各大AI厂商的”烧钱圈地”阶段已经过去
算力成本压力：每次推理都在消耗真金白银的GPU资源
商业化闭环需求：资本需要看到盈利路径

豆包不是第一个收费的，但它是第一个让普通用户感受到”付费门槛” 的产品。这标志着一件事：AI的使用，开始从”普惠”转向”付费”。

二、OpenClaw早已预演——付费浪潮的真实起点

如果说豆包收费是”出圈”的事件，那么AI付费的浪潮，其实在更早之前就已经在技术圈内悄然发生。

关键事件：OpenClaw的爆火（2025-2026）

OpenClaw作为一个开源AI Agent框架，它的流行不仅仅是因为技术先进，更因为它让普通人看到了”用AI创造价值”的可能性。当越来越多的人开始用OpenClaw构建自动化工作流、开发AI应用时，一个问题浮现了：

算力从哪里来？

本地GPU不够用 → 需要云算力
云算力要花钱 → 需要付费
付费要持续 → 算力成为日常生产资料

OpenClaw的爆火，实际上是一次”算力需求”的全民教育。 它让无数开发者意识到：AI不是玩具，而是能赚钱的生产工具。而生产工具，从来都不是免费的。

三、大模型厂商集体转向：从 Coding Plan 到 Token 计费

2026年4月，一个被很多人忽略但极其重要的事件发生了：各大模型厂商几乎同时停售了”Coding Plan”。

什么是 Coding Plan？

Coding Plan（编程计划）是2025年各大厂商推出的”固定价格无限使用”套餐，主要面向开发者，价格通常在$20-50/月，承诺”不限次数调用API”。

停售的时间线：

2026年4月上旬：Kimi 悄然下架 Coding Plan
2026年4月中旬：智谱AI、阶跃星辰跟进
2026年4月下旬：豆包、元宝相继停售
2026年5月：几乎所有主流厂商都改为纯 Token 计费

为什么停售？

根本原因只有一个：算力成本失控。

Coding Plan 的”无限使用”模式，被少数高用量用户”薅秃”了
一个开发者如果写了个自动化脚本，每天调用数万次，厂商依然要按次数收费（内部成本）
改为 Token 计费后，用多少付多少，成本可控

这意味着：

时期	计费模式	适合人群	成本结构
2025	Coding Plan（包月）	高频开发者	固定成本，边际成本≈0
2026.4起	Token 计费	所有人	使用越多，付费越多

对开发者的影响：

轻量使用：可能更便宜
重度使用：成本可能翻倍甚至更高
不确定性增加：需要精细控制API调用

这不仅是商业模式的改变，更是”算力定价权”的回收。 厂商不再给”无限套餐”的承诺，因为算力是稀缺资源，必须按需分配。

四、AI算力：新时代的生产资料

要理解今天的变化，我们需要回到一个根本问题：什么是生产资料？

经典定义（马克思）

生产资料包括：

生产工具（机器、设备）
劳动对象（原材料）
劳动资料（土地、厂房）

新时代的延伸：AI算力是什么？

在AI时代，算力就是生产工具，数据就是原材料，算法/模型就是生产方法。

AI算力的特殊性：

非实体性：不像机器那样看得见摸得着，但消耗的是实实在在的电力+芯片
边际成本趋近于零：训练一次后，每次推理的成本极低（但非零）
网络效应：越多人使用，模型越聪明，价值越大
锁定效应：一旦 workflow 绑定某个AI，迁移成本极高

为什么说”生产资料之锁”？

“锁”有两层含义：

1. 使用权的锁定

当AI变成付费服务后，不用付费，就不能用。这就像农民没有土地就不能耕种一样。

以前：免费AI → 任何人都能用
现在：Token计费 → 需要持续付费才能维持使用

对普通人的影响：

低收入群体可能被排除在AI工具之外
知识工作的”门槛”从”会不会用”变成”能不能付”

2. 创造权的锁定

更可怕的是第二层锁：当你用AI创造价值时，你创造的价值归谁？

案例：

你用豆包写文章 → 平台拥有文章版权（用户协议）
你用 Claude 写代码 → 代码所有权归你（但训练数据可能被记录）
你用 Midjourney 生成图片 → 商业使用需付费订阅

生产资料的所有者，永远比使用者拿得更多。 这是工业革命以来的铁律。

五、算力付费门槛：会把大多数人拒之门外吗？

历史总是相似

每一次生产资料的集中，都会带来”门槛”：

时代	生产资料	门槛形式	被排除的人群
农业时代	土地	地租	无地农民
工业时代	机器	资本投入	手工业者
信息时代	计算机/互联网	设备+连接	贫困地区
AI时代	算力+模型	订阅/Token	无法持续付费者

今天，AI算力的付费模式，正在重演这一幕。

付费门槛的具体表现

按次计费（Token）：用得多付得多，低收入者用量受限
高级功能订阅：只有付费用户才能使用最强大的模型
API 调用限额：免费版有次数限制，重度使用必须付费
硬件门槛：本地部署需要高端GPU，普通人无法承担

结果预测：

“AI鸿沟” 会出现：有钱人能用到最好的AI，效率倍增；普通人只能用免费版，效率提升有限
知识工作分层：能熟练运用AI的人，会像”工业时代的工人”一样，成为新的”技术无产阶级”
财富集中：AI创造的价值，大部分流向模型厂商和资本，而非终端使用者

六、普通人如何应对？——学会利用AI算力创造财富

面对”生产资料之锁”，普通人不是只能被动接受。历史告诉我们：每一次生产资料的变革，都会催生新的机会。

策略1：成为”AI原住民”而非”AI移民”

AI原住民：从小用AI学习、工作，AI是工具也是环境
AI移民：临时抱佛脚学AI，用不好，反而被AI取代

行动建议：

把AI集成到 daily workflow（写作、编程、策划）
不要”让AI替你工作”，而是”用AI放大你的能力”

策略2：找到AI无法替代的”人类核心能力”

AI擅长：

✅ 信息检索与整理
✅ 模式识别
✅ 内容生成（基础）
✅ 代码编写（常规）

AI不擅长（目前）：

❌ 复杂战略决策
❌ 跨领域创新联想
❌ 情感共鸣与人际连接
❌ 价值观判断与伦理选择

你的护城河： 把AI作为工具，但决策权、创造力、情感智能留给自己。

策略3：利用AI创造可积累的资产

不要只消费AI，要创造能被AI放大的资产：

资产类型	如何用AI放大	案例
内容（文章/视频）	AI辅助写作、剪辑	一个人运营多个账号
代码/软件	AI辅助编程	独立开发者快速MVP
设计/创意	AI生成草图、灵感	设计师效率提升10倍
知识服务	AI整理资料、答疑	顾问服务规模化

关键：你的资产要能积累（复利），而不是每次从零开始。

策略4：精打细算，控制算力成本

在Token计费时代，成本控制就是竞争力。

实用技巧：

混合使用免费+付费：简单任务用免费模型，复杂任务用付费模型
缓存常见问题：避免重复调用
优化Prompt：减少token消耗
本地部署轻量模型：适合高频简单任务

记住： 你的AI使用成本，应该远低于它为你创造的价值。

结语：在浪潮中学会游泳

豆包收费，只是一个开始。

AI算力作为新时代的生产资料，它的”锁定”会越来越紧。免费的时代，真的要结束了。

但这并不意味着普通人没有机会。相反，每一次生产资料的变革，都会重新洗牌。

农业时代 → 工业时代：农民变成工人，但生活水平总体提升
工业时代 → 信息时代：工人变成知识工作者，中产阶层扩大
信息时代 → AI时代：知识工作者变成”AI增强型劳动者”

关键问题不是”要不要用AI”，而是”如何用AI创造不可替代的价值”。

如果你只是把AI当搜索工具，那你很快会被淘汰。
如果你把AI当副驾驶，那你可能变成”AI操作工”。
如果你把AI当协作者，同时强化自己的决策、创意、情感能力，那你才是新时代的驾驭者。

生产资料永远会被锁定，但掌握生产资料使用方法的人，永远有出路。

附录：AI算力付费趋势速览（2026年5月）

厂商	Coding Plan状态	主要计费模式	免费额度
豆包	❌ 已停售	Token计费	每日50万token
元宝	❌ 已停售	Token计费	每日30万token
智谱AI	❌ 已停售	Token计费	每月100万token
阶跃星辰	❌ 已停售	Token计费	每月50万token
Kimi	❌ 已停售	Token计费	每日20万token
OpenClaw（本地）	✅ 免费	自备算力	无（本地部署）

趋势结论： 所有主流商业AI产品，都已进入”按用量付费”时代。免费额度只够轻度使用，重度使用必须付费。

封面建议：抽象风格的”锁与钥匙”视觉，或”算力流”的渐变图，避免具体产品logo

观妙

Grok Build「仓库全量上传」事件复盘：AI 编程工具的数据边界在哪里？

一、事件时间线

二、技术证据：三个关键发现

2.1 整个仓库被上传，而非仅任务相关文件

2.2 未读文件与密钥被完整打包

2.3 隐私开关无法阻止上传

三、上传的目的地：Google Cloud Storage

四、竞品对比：Grok Build 是唯一「全量上传」者

五、xAI 的回应与修复

5.1 临时缓解

5.2 新命令：/privacy

5.3 Elon Musk 的承诺

5.4 代码仍留在二进制中

六、开发者应立即采取的措施

6.1 轮换所有密钥（最高优先级）

6.2 运行 /privacy 并启用 ZDR

6.3 审计网络流量

七、深层问题：AI 编程工具的数据边界

7.1 「本地优先」营销 vs 实际行为

7.2 隐私开关的「双轨欺骗」

7.3 Git 历史的隐藏风险

八、与其他事件的对比

九、尚未解答的问题

十、结语

Anthropic 对华政策观察：从「隐写门」到行业对比

一、事件回顾：Claude Code「隐写门」

1.1 检测内容

1.2 回传方式：真正的「隐写」

1.3 混淆手段

1.4 官方回应

1.5 后续影响

二、横向对比：OpenAI、Google 如何处理中国相关准入

2.1 1260H 清单的关键差异

2.2 蒸馏指控与法律争议

三、核心讨论：几个值得深思的观察

3.1 隐写术手段与「安全承诺」的自相矛盾

3.2 「蒸馏」指控中的不对称性

3.3 对「激进姿态」动机的三种推测

3.4 「从落后到领先」的结构性悖论

四、行业影响与结构性含义

4.1 AI 公司的「地缘政治身份」

4.2 开源 vs 闭源的「安全叙事」翻转

4.3 企业 AI 采购的新变量

五、尚未解答的问题

六、结语

Perplexity 发布 Brain：自进化记忆架构让 AI Agent 学会从自己的工作中学习

一、核心创新：记忆的”范式转换”

二、技术架构：Context Graph → LLM Wiki

2.1 Context Graph（上下文图谱）

2.2 Overnight Synthesis（夜间合成）

2.3 Auto-Injection（自动注入）

三、性能数据：内部基准测试

四、与竞品的对比

五、局限与争议

六、行业信号：Agent 战争进入”记忆”阶段

七、总结

由《置身钉内》想到的：我心中的阿里，已经死过很多次

一、阿里是怎么在我心里，一点点死掉的？

二、从马云的锐气，到后来的拧巴，阿里死得不冤

三、《置身钉内》让我彻底确认：钉钉的问题，不是产品问题，是组织烂了

四、阿里现在唯一还能让我高看一眼的，只剩下 Qwen

五、AI Agent 时代，可能就是阿里在 AGI 前的最后一次机会

六、阿里还有机会吗？有，但时间真的不多了

七、写在最后：我不是恨阿里，我只是眼看着它烂掉了

DeepSeek V4 Pro 开发成本深度拆解：88.5 亿美元背后的技术哲学

一、成本全景：88.5 亿美元都花在哪了？

基础设施：$55 亿的硬件底座

研发成本拆解

二、技术架构：O(N) 复杂度的野心

三大核心技术组件

三、数据工程：”10% 数据达到 80% 效果”

SFT 策略：30 万条样本的奇迹

预训练数据：1.4 万亿 Token 的精心配比

四、训练规模：38,000 张 GPU 的实战

训练基础设施

万卡训练的隐性成本

五、行业启示：大模型竞赛的新坐标

1. 从”规模竞赛”到”质量竞赛”

2. 基础设施是真正的护城河

5.2 新命令：`/privacy`

6.2 运行 `/privacy` 并启用 ZDR