最好用的AI工具
精品文章
2,234 個結果
ip-as-logo-skill – 開源的 Agent Skill，能生成 IP 吉祥物頭像
ip-as-logo-skill是什麼 ip-as-logo-skill 是開源的 Agent Skill，用於生成極簡可愛的 IP 吉祥物頭像。ip-as-logo-skill 用 4–7 個圓潤幾何形狀構成清晰輪廓，配合”兩主色+一背景”的三色約束，讓角色縮小到 32×32 仍能辨認。流程是先出 3 個設計方向，確認後生成 6 張候選圖。ip-as-logo-skill 需搭配 Codex、豆包等兼容 Agent 及 GPT Image 2 等頂級圖像模型使用，MIT 協議可商用。 ip-as-logo-skill的主要功能 極簡輪廓生成：用 4–7 個大幾何形狀構建圓潤角色輪廓，確保縮小到 32×32 像素仍可辨認。 三色約束：默認用兩個角色主色加一個純色背景，減少視覺干擾。 方向提案：給出 3 個設計方向，未定角色時優先推薦常見動物並關聯產品屬性。 批量出圖：確認方向後生成 6 張獨立方圖，左右下角構圖各佔一半。 原樣交付：所有結果一次性返回，不篩選、不自動重試，由用戶挑選後再修改。 構圖控制：角色從左下或右下角探出，佔據畫面 85–95%，保持視覺主導。 模型適配：自動檢查是否接入 GPT Image 2 等頂級圖像模型，不足時提示用戶開啓或提供 API Key。 提示詞淨化：生成提示中刻意隱藏 logo、icon 等用途詞彙，避免模型輸出僵硬圖標風。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用ip-as-logo-skill 安裝 Skill：運行 npx skills@latest add s1dashu/ip-as-logo-skill。 選擇智能體：按安裝提示選擇 Codex、豆包、Coze、Manus 等兼容的 Agent。 確認圖像模型：確保 Agent 已接入 GPT Image 2、Nano Banana Pro 等頂級圖像模型，按提示開啓或填寫 API Key。 描述需求：告知角色用途、受衆、性格和最關鍵的辨識特徵。 挑選方向：查看 AI 給出的 3 個設計方向，確認全部保留或只選其一。 審閱修改：從結果中挑選滿意的圖，或明確提出修改要求讓 AI 再出一批。 裁切測試：用於頭像場景時，把成品放進圓形裁切框檢查耳朵、表情等關鍵特徵是否被遮擋。 ip-as-logo-skill的核心優勢 小尺寸高辨識：用 4–7 個圓潤大形狀構建輪廓，角色縮小到 32×32 頭像場景依然清晰可認。 設計約束明確：嚴格的”三色+單特徵”規則，避免 AI 越畫越花，方案之間更容易比較。 流程先方向後出圖：給 3 個設計方向再批量生成，減少盲目抽卡式試錯。 結果零損耗交付：所有候選圖原樣保留、不自動篩選或重試，用戶掌握完全選擇權。 提示詞工程成熟：隱藏 logo/icon 等用途詞彙、直接命名背景色，引導模型輸出更自然的角色圖。 生態兼容廣泛：支持 Codex、豆包、Coze、Manus、Gemini 等多種 Agent，不綁定單一產品。 ip-as-logo-skill的項目地址 GitHub倉庫：https://github.com/s1dashu/ip-as-logo-skill ip-as-logo-skill的同類競品對比 對比維度 ip-as-logo-skill SanbaoAI/logo-generator-skill 產品定位 極簡、可愛、小尺寸可辨識的 IP 角色頭像 完整品牌視覺識別系統（VI），含 Logo、品牌規範板 技能結構 單一 Skill（一份 SKILL.md） 三個模塊化 Skill：base-logo、mascot-logo、colorway 輸出形態 6 張獨立方圖，角色從角落探出 品牌系統規範板（含主 Logo、favicon、印章、黑白應用等編號模塊） 設計目標 32×32 像素下仍可辨認，優先”像角色” 可註冊、可縮放的扁平商標剪影，優先”像商標” 複雜度策略 4–7 個大形狀 + 嚴格三色約束，偏圓潤可愛 從動物/角色中提取單一識別特徵（爪子、鹿角等）做扁平化 色彩規則 默認固定三語義色，壓低背景飽和度 支持多色系，另有專門的 colorway 配色 Skill 做場景化換色 圖像模型要求 強制頂級圖像模型（GPT Image 2 等），絕不回退 SVG 無圖像工具時直接輸出提示詞，可粘貼到 Midjourney、Flux、Ideogram 使用 使用場景 頭像、吉祥物快速探索，輕量需求 創業公司/品牌的完整視覺體系，重度需求 成熟度 5.9k stars，社區熱度高 相對小衆，但流程更完整 ip-as-logo
MiniCPM-V 4.7 – 面壁智能等開源的端側多模態大模型
MiniCPM-V 4.7是什麼 MiniCPM-V 4.7 是面壁智能聯合 OpenBMB 開源的端側多模態大模型，含 35B-A3B（MoE）與 1B 兩個版本。旗艦版爲全球首個可在手機端無損流暢運行的開源 MoE 多模態模型，藉助前瞻專家調度技術，約 3GB 內存可在 iPhone 上達 13+ tokens/s，34 項基準全面領先同檔模型；1B 版面向入門級設備。 MiniCPM-V 4.7的主要功能 通用視覺理解：看圖識物、多圖對比、視覺問答，MMBench 91.72 分領先同檔模型。 文檔與 OCR 解析：識別圖片/PDF 中的文字、表格與圖表，OCRBench 91.2 分。 數學與 STEM 推理：解答數學題、科學問題，MMMU 80.22、MathVista 88 分。 長視頻理解：理解長時序視頻內容並回答相關問題，LongVideoBench 68.9 分。 端側流暢運行：35B 模型在 iPhone 上僅佔約 3GB 內存、13+ tokens/s 實時生成。 低成本定製微調：開源自回放微調，學新任務不忘舊能力。 MiniCPM-V 4.7的技術原理 前瞻專家調度（LES）：MoE 模型 65.6 GiB 的權重無法全量入內存，大部分專家存於 SSD、用時讀取，但逐層路由依賴上一層結果，導致每層都要停等讀盤。LES 用相鄰層輸入高度相似的特點，用當前層路由特徵提前預測下一層所需專家並後台預取，同時讓已加載且被真實路由選中的專家優先計算，實現邊算邊讀，實測提速 5 倍且輸出零損失。 權重存取優化：通過逐層混合精度量化減少權重的存儲體積與傳輸量；同時重組專家權重在文件中的佈局，將原本分散三處的參數改爲按編號連續存放，使 SSD 一次順序讀取即可取出完整專家，大幅降低加載開銷。 視覺 token 壓縮：基於 LLaVA-UHD v4 在視覺編碼器內部提前壓縮 token，從源頭減少後續計算；支持 4 倍/16 倍兩檔壓縮率切換，16 倍模式下關鍵指標幾乎無損，兼顧畫質細節與實時交互。 DSpark 投機解碼：由輕量草稿模塊一次生成多個候選 token，主模型並行驗證後批量產出，多個 token 分攤 MoE 的專家讀取與調度等固定成本，實測生成速度平均提升 1.17 倍且質量不受影響。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用MiniCPM-V 4.7 獲取模型：從 GitHub、Hugging Face下載模型權重與代碼。 本地快速體驗：訪問 Hugging Face Spaces 上的官方 Web Demo（MiniCPM-V-4.7-Demo）可免安裝在線試玩。 安裝 App：前往 GitHub 的 MiniCPM-V-Apps 倉庫下載 iOS/Android 客戶端，在手機或平板上直接安裝使用。 選擇推理框架部署：根據硬件平台選用 llama.cpp、Ollama、MLX 或 vLLM/SGLang 之一加載模型，完成本地推理服務部署。 啓用 LES 加速（可選）：端側運行 35B-A3B 時，按開源文檔開啓前瞻專家調度，實現 3GB 內存流暢運行。 選擇視覺壓縮模式：根據需求切換 4 倍壓縮或 16 倍壓縮模式。 MiniCPM-V 4.7的項目地址 GitHub倉庫：https://github.com/OpenBMB/MiniCPM-V HuggingFace模型庫：https://huggingface.co/collections/openbmb/minicpm-v-47 MiniCPM-V 4.7的核心優勢 端側 MoE 全球首創：全球首個可在端側無損、流暢運行的開源 MoE 多模態大模型。 極致內存效率：65.6 GiB 權重的 35B 模型僅需約 3GB 內存即可運行，爲 16GB 設備內存的 1/4。 推理速度領先：iPhone 17 Pro Max 實測 13+ tokens/s，iPad Pro M4 達 17+ tokens/s，LES 技術提速 5 倍。 性能全面碾壓同檔：34 項權威基準全面領先 Qwen3.6-35B-A3B，甚至超越體量更大的 Qwen 27B、Gemma-4 31B。 性能與效率帕累托最優：更短推理時間取得更高綜合得分，刷新端側多模態”性能—效率”前沿。 雙版本普惠覆蓋：35B 旗艦拉能力上限，1B 小鋼炮讓入門級設備也能跑高質量多模態。 MiniCPM-V 4.7的同類競品對比 對比維度 MiniCPM-V 4.7 35B-A3B Qwen3.6-35B-A3B 推理速度 iPhone 17 Pro Max 13+ tokens/s，LES 提速 5 倍 較慢（同檔中處於
豆包工作多 Agent 功能實測 – 一句話拆解複雜任務
不知道你們平時用大模型幹複雜活兒的時候，有沒有過這種令人抓狂的體驗： 給 AI 提了一個需求，比如做一份競品分析，本以爲 AI 能交出一份麥肯錫級的報告，結果等了半天，生成的東西表面很全，內裏極水。 原因其實很簡單：讓一個單體 Agent 做複合型長任務，就像讓一個全棧工程師半小時內又畫原型、又寫前端、又搭後端、還順帶做合規審查。 不僅注意力被嚴重稀釋，推理鏈條一長，後面直接開始幻覺胡扯。 最近我在高頻使用豆包工作時，發現了一個非常爽的隱藏功能——多 Agent 並行任務。 我們直接在對話框裏輸入一句話：“幫我用多個Agent完成……”，豆包工作會自動喚醒一個主Organizer，拆解我們的原始需求，把任務拆解分發給多個子 Agent 去並行執行，最後再由主 Agent 彙總結果。 今天用兩個極具代表性的實測案例，帶大家看看多 Agent 到底是如何把生產力推上新維度的。 01. 哪些任務適合交給多 Agent 無論是做行業競品拆解、多家供應商採購選型、還是不同技術方案的橫向評估，邏輯都一樣：評測的維度是高度統一的，但面對的研究標的卻是離散獨立的。 以往讓單體 AI 做這類事情，往往會出現嚴重的上下文串擾，查到後半段，很容易把 A 產品的特性套在 B 產品上；或者因爲上下文長度超限，前面的標的查得極爲細緻，後面的草草收尾。 這種需求，天然對應了多 Agent 的同構並行架構。 深度競品拆解 提示詞：我們是一個 10 人團隊，想比較飛書文檔、騰訊文檔和語雀。幫我用多個 agent 並行完成：每個子 Agent 負責一款產品，只查官方公開資料，分別整理實時協作、權限管理、歷史版本、導出格式、免費版限制和價格，並附來源鏈接；查不到的項目寫「未查到」，不要猜測。請先展示任務分配。等三個子 Agent 都完成後，再彙總成一張對比表，指出適合我們團隊的選擇及理由，並保留三個 Agent 各自的研究結果。 豆包工作拆解任務，統籌 3 個子 Agent 並行調研飛書文檔、騰訊文檔和語雀，每個子 Agent 負責一款產品，三者調查相同的六個維度。 三個子 Agent 分別調研到各自產品的官方幫助中心、版本更新說明和價格頁。查飛書的子 Agent 眼裏完全沒有騰訊文檔，徹底杜絕了信息踩踏與交叉污染。 三個子 Agent 的任務同時推進， 查飛書不需要等騰訊文檔查完， 不到十分鐘，三個獨立子任務全部返回，主控Agent完成事實校驗，最終交付了一份顆粒度極細的橫向比對錶。 很多團隊以爲多 Agent 只是爲了快，其實速度只是最淺層的收益。 這一模式的本質在於通過物理級隔離，消除大模型在長鏈條推理中的注意力衰減與交叉污染。 活動籌備 如果說第一種模式是多個人做同類事，那第二類需求則是更具挑戰性的，圍繞同一個項目目標，產出面向不同受衆、不同形態的成套交付物。 比如推進一場新品發佈會： 提示詞：幫我用多個 agent，根據這份已確認的活動簡報，準備一場 30 人的新品發佈與試用體驗會。需要準備現場使用的介紹 PPT；帶計算公式的預算表；工作人員執行清單，包含時間、事項、負責角色和所需物料。 最後統一檢查三份材料中的時間、人數、環節和物料是否一致，交付文件並列出待確認事項。 讓單體 AI 一次性交出這些材料，往往會顧頭不顧尾，要麼預算漏算關鍵物料，要麼 PPT 大綱和執行清單各說各話。 此時，就需要多 Agent 組隊協作。 豆包工作安排 3 個子 Agent 分頭製作，再統一覈對。 我們一起看看最終生成的結果： PPT 從協作痛點、產品功能講到操作演示，再引導客戶體驗和登記試用意向，樣式也保持統一。 預算表區分了含攝影、不含攝影兩套方案，列出預備金規則。 還專門附了口徑說明，哪些設備已包含在場地費中，哪些物料不應重複計費。 執行清單則細化到測試投影、準備胸貼、發講義、登錄賬號、巡視協助和收場交接，並補充了籌備節點及角色分工。 交代一次背景，讓多個 Agent 分頭準備不同材料，減少我們逐份製作、來回解釋和手動對錶的工作。 負責 PPT 的助手組織講述和展示，負責預算的助手處理費用與公式，負責執行清單的助手拆解時間、人員和物料。多Agent讓每個子Agent在專屬的角色設定下，把自身垂直領域的長板發揮到極致。 02. 一些分享 傳統的單提示詞對話容易讓大模型顧頭不顧尾或邏輯混亂。多 Agent 模式本質上是在 AI 內部模擬了人類的 PM 拆解 + 專人專研 + 最終彙總的 SOP 工作流。 過去只有大公司、高預算項目才能僱傭諮詢團隊或專項研究員做競品調研。 現在一個小團隊甚至個人，依靠豆包工作的多 Agent 能力，幾分鐘就能復刻一個專業調研小組的產出。 競爭力的門檻變了，背再多萬能咒語不如學會如何把複雜業務拆解爲 Age
OpenDots – CopilotKit 推出的 AI 同事，OpenAI Dots 開源版
OpenDots是什麼 OpenDots 是 CopilotKit 推出的開源 AI 同事工作區模板，支持自行託管。支持用戶創建具有獨立角色、工具權限和專屬電腦的 AI 員工，通過 AG-UI 接入各類模型與 MCP 服務。OpenDots支持文檔沉澱、實時操作監控、人工審批、語音通話和 Slack 協作，可用於構建長期在線、能執行任務的個人 Agent 工作環境。 OpenDots的主要功能 Spaces 工作區：提供可搜索、支持嵌套和版本檢查的文檔頁面，用於沉澱 AI 與用戶的協作成果。 專職 Dots：每個 AI 員工可配置獨立姓名、角色、指令、工具權限和記憶權限。 Dot 專屬電腦：基於 OpenBot 容器提供獨立瀏覽器、文件系統和終端，支持實時查看及人工接管。 保存前人工審批：重要內容的創建、修改及非只讀工具執行，都可通過 Approve & Save 卡片由用戶確認。 MCP 工具連接：可接入郵件、日曆、GitHub 或自建服務，按 Dot 控制每個工具的啓用狀態。 多入口協作：支持文字聊天、WebRTC 語音通話和 Slack 線程，並能在通話期間委派後台任務。 持久對話線程：通過 CopilotKit Intelligence 保存對話、工具調用和頁面上下文，支持跨會話繼續協作。 定時後台任務：可讓 Dot 按計劃在原對話中執行重複工作，提供暫停、中斷和重試機制。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用OpenDots 準備環境：安裝 Node.js 24 和 npm，並確保本機可訪問 GitHub 與 CopilotKit 服務。 克隆項目：執行 git clone https://github.com/CopilotKit/OpenDots.git 下載模板。 進入目錄：執行 cd OpenDots 切換到項目文件夾。 安裝依賴：執行 npm ci 按鎖文件安裝全部依賴。 創建配置：執行 cp .env.example .env 生成本地環境變量文件。 啓動應用：執行 npm run dev 啓動 OpenDots 開發服務。 打開界面：訪問 http://127.0.0.1:5173，即可創建 Spaces、編輯頁面和配置 Dots。 登錄 Intelligence：執行 npx copilotkit@latest login 登錄 CopilotKit 賬戶。 選擇項目：執行 npx copilotkit@latest project select 選擇或創建 Intelligence 項目，將密鑰寫入 .env。 配置模型：在 .env 中設置 OPENAI_API_KEY 和 OPENAI_MODEL 等模型參數。 重啓服務：保存配置後重新運行 npm run dev，使模型與 Intelligence 設置生效。 創建 AI 員工：在界面中爲 Dot 設置名稱、角色、指令及瀏覽器、文件、終端等權限。 連接外部工具：按需配置 MCP 服務、瀏覽器電腦、語音通話或 Slack，爲敏感操作開啓人工審批。 OpenDots的核心優勢 真正的 AI 同事形態：每個 Dot 擁有獨立角色、工具權限、記憶和專屬電腦。 具備真實執行環境：通過 OpenBot 容器提供獨立瀏覽器、文件系統和終端，讓 Agent 能完成瀏覽、寫文件和運行命令等任務。 權限控制精細：瀏覽器、文件、終端、研究和記憶等能力可按 Dot 單獨授權，降低 AI 越權操作風險。 人工審批機制完善：關鍵保存和非只讀工具執行都可暫停等待用戶確認，兼顧自動化與可控性。 操作過程透明可見：Agent 的瀏覽器畫面、文件變化和終端輸出能實時呈現在對話中，並支持隨時人工接管。 OpenDots的項目地址 項目官網：https://www.copilotkit.ai/opendots GitHub倉庫：https://github.com/CopilotKit/OpenDots OpenDots的同類競品對比 對比項 OpenDots OpenAI Dots 產品定位 面向開發者和團隊的開源 AI 同事工作區模板，可自行部署與深度改造。 ChatGPT 內置的常駐 AI 代理，由 OpenAI 提供託管服務。 開放程度 MIT 協議開源，可查看和修改完整代碼。 閉源商業產品，主要開放使用規則和接口。 部署方式 可運行在本機、Docker 或自有服務器，但對話依賴 CopilotKit Intelligence。 直接運行在 OpenAI 雲端，用戶無需管理基礎設施。 模型選擇 可接入任意 Op
福客 AI 客服上手實測 – 全流程覆蓋售前導購+售後處理
一年中流量最貴的幾十天，已經到了。 爲了雙11，很多電商老闆咬着牙在直通車和投流上砸了重金。但現實往往很扎心：推廣費大把花出去，後台諮詢消息瞬間爆紅，客服打字打到鍵盤冒煙，回覆還是慢了半拍。 在電商大促裏，讓顧客多等30秒，對方大概率就切到別家下單了。 如果爲了圖快，全盤交給傳統關鍵詞機器人，三句不離“親親在的呢”，顧客問東它答西，更是分分鐘把高意向買家直接勸退。更尷尬的是短期兼職客服：培訓要大半個月，大促提成高，大促一過還得遣散，用人成本居高不下。 有一批商家摸索出了低成本破局的辦法： 做服裝的 ELOF女裝，靠着 AI 預接待＋人工兜底，客服團隊縮減了 75%，按單人全包年薪 6-7 萬元折算，一年直接省下 50 多萬； 專做圖書的人天書店，直接把 80% 的售前重複諮詢交給了 AI，客服團隊精簡了近三分之一，人力成本直降 30%。 他們背後用的都是拿過阿里巴巴戰略投資的福客 AI。 很多商家心裏都打鼓：大促交易鏈條這麼複雜，稍有不慎就是投訴和僅退款，到底哪些髒活累活能放心交給 AI ？它會不會在價格和承諾上滿嘴跑火車？ 帶着這幾個核心痛點，我自己上手把福客 AI 徹底體驗了一遍。 01. 會思考的 AI 客服 我們打開 福客 AI，可以看到它支持淘寶/天貓、拼多多、抖音、京東、快手、微信小店等多個電商平台。 點擊平台後面的聚。接入後的多個平台、多個店鋪，會在同一個側邊欄中集中接待，不需要我們頻繁切換軟件和頁面。 高峯秒回絕不能滿嘴跑火車 大促期間，諮詢高峯一波接一波。很多老闆不敢用 AI，不是嫌它不夠快，而是怕它太愛表現，隨口給顧客承諾福利，最後全是店鋪買單。 我們在福客 AI 側邊欄中選擇店鋪語料知識庫。 把店鋪問答、商品參數等信息喂進去，大概花了不到十分鐘。 我們發起諮詢，發送一個商品鏈接，福客 AI 客服會自動搜索店內的知識庫內容，回覆商品介紹。 商品材質、現貨庫存、發貨時效……福客 AI 幾乎全做到了秒級應答。 最關鍵的是，在回覆信息時，福客會自動標記回覆的置信度。 簡單來說：只要在知識庫裏找到了 100% 匹配的鐵證，AI 纔會秒級自動發送。 一旦顧客問到知識庫裏沒有的信息，系統會判定爲低置信度，立刻靜默攔截，絕不擅自作主。 這時候，福客 AI 會在快速擬好一條高情商建議回覆，人工客服掃一眼覺得沒問題，點一下發送即可。 我們可以自由設置置信度閥值，減少 AI 一本正經胡說八道的商業風險。 這一套下來，至少能把日常 70% 以上查物流、問參數的重複勞動徹底濾掉，不僅保住了黃金進店前 30 秒的響應率，還把商業風險牢牢卡死在規則線內。 顧客猶豫不決時，怎麼像金牌導購一樣推一把？ 傳統機器人最讓人頭疼的，就是隻會死板地一問一答，顧客一追問就傻眼了。福客 AI 的導購邏輯明顯更懂做生意。 我模擬一位女裝買家，進行連續提問：有連衣裙嗎 此時福客 AI 會調用智能商品推薦 Skill ，推薦了一款中長的牛仔連衣裙。 我們繼續諮詢：跟這款有什麼區別 智能商品對比 SKill 會精準拆解服裝特點，像線下的金牌導購一樣，從版型設計、面料、風格到穿着場景，條理清晰地拆解了差異。 165cm，100斤，選哪個碼 福客 AI 會調用尺碼推薦 Skill 動態給出合身建議。 很多大促流失的訂單，往往就卡在顧客選碼糾結的那幾分鐘裏。 把這個環節做透，不僅是幫人工省時間，更是在源頭上把買錯尺碼導致的退換貨率壓了下來。 大促催付回不過來？把瀕臨流失的訂單拉回來 大促期間，諮詢後不買、拍下不付款是流失率非常高的環節。 人工客服忙着回新消息，根本沒精力做個性化挽留催付。 當顧客諮詢完商品突然沒動靜，或者拍下超過設定時間未付款，福客 AI 會自動發起一輪輕量提醒，比如補充優惠券提醒，或者解答疑慮。 福客的福脈功能支持人工或 AI 在後台悄悄給買家打標籤，比如高意向、歷史諮詢、大客戶。 我們設置標籤，福客 AI 會根據我們設置的條件自動完成打標。 客戶這次沒買不要緊，諮詢中留下的需求和意向也能成爲後續跟進的線索。 福客 AI 的福脈功能支持客戶打標和分羣，運營可以根據不同的標籤客羣制定針對性的營銷計劃，讓 AI 客服接待中累計的信息，繼續服務與後續的客戶經營。 售後處理，如何快而不亂？ 過去機器人最怕圖片和視頻，顧客甩一張照片，傳統客服只會機械回覆，根本處理不了問題。 福客 AI 的圖像/視頻識別 Skill 可以直接看懂客戶發的圖片和視頻內容。 我發了張有明顯瑕疵的圖片，一句話都沒說。 福客 AI 的多模態能力直接看懂了圖片上的瑕疵位置，第一句話就是標準的高情商安撫：“寶子，看到圖片裏裙襬的破損確實讓人心疼呢……” 但這裏必須說清楚一個關鍵機制：涉及退換貨、補發或退款補償等利益承諾，福客 AI 並不會直接替店鋪
GLM-Legal – 智譜推出的法律專用大模型
GLM-Legal是什麼 GLM-Legal是智譜推出的法律專用大模型，基於輕量級基座GLM-5.3-Flash，經法律領域中間訓練與強化學習後訓練打造。GLM-Legal覆蓋閱讀材料—提取事實—分析法律關係—制定建議—生成專業文件的完整工作流，支持合同審查、證據分析、法律研究、合規規劃等任務。官方評測中，Harvey LAB全項通過率達19.2%，LegalBench、PLawBench持平前沿閉源模型。 GLM-Legal的主要功能 合同審查：分析合同條款風險，站在客戶立場提出具體可執行的修改建議。 證據分析：批量閱讀案件材料，找出證據間的矛盾與關鍵事實，引用來源編號並區分事實與推論。 法律研究：結合案件事實與法律規則形成有依據的分析結論，輸出可供律師審查的專業意見。 合規工作：針對跨境業務梳理各法域合規義務，輸出分優先級的落地清單並附具體法條引用。 專業文件生成：按法律工作規範組織分析、意見或修改方案，交付可直接使用的工作成果。 AutoClaw 集成：接入桌面 Agent 平台後，可在 Word 中修訂模式和批註直接呈現合同修改內容。 GLM-Legal的技術原理 輕量基座 + 領域縮放：模型構建於 GLM-5.3-Flash 之上，通過擴展高質量法律語料的中間訓練建立法律概念、法規規則和解釋框架的系統性知識底座，用小參數規模換取接近前沿模型的領域能力。 模型與 Harness 協同進化：後訓練階段在數萬個真實法律任務環境中做強化學習；Harness 作爲運行時編排框架管理任務上下文、工具調用與執行反饋，模型訓練暴露的邊界問題反哺 Harness 架構改進，架構改進又使模型適應真實執行約束，二者雙向迭代。 生產反饋閉環：由執業律師按”問題覆蓋、論證有據、格式合規、零返工”等標準評審實際輸出，將主觀質量轉化爲具體工程損失信號，回灌到任務環境、評測標準與 Harness 設計中，形成”實踐需求—訓練—驗證”的持續優化循環。 如何使用GLM-Legal 申請訪問：前往 https://z.ai/consultation/legal 提交 Beta 申請。 等待審覈：等待智譜審覈通過並獲得 API 訪問權限。 選擇使用方式：開發者調用 API 集成到自己的法律工作流，普通用戶可下載 AutoClaw 桌面端。 佈置任務：向模型提供任務簡報和相關源文件，明確交付格式要求。 獲取成果：模型自動完成閱讀、分析、推理並輸出專業文件（。 人工複覈：由執業律師審查輸出質量，確認無誤後交付客戶或用於談判。 GLM-Legal的核心優勢 端到端任務執行：覆蓋閱讀材料→提取事實→分析法律關係→制定建議→生成文件的完整工作流。 評測成績過硬：Harvey LAB 全項通過率達 19.2%（較基座提升 12.5 個百分點），LegalBench、PLawBench 持平前沿閉源模型，且由 Vals 獨立評估。 參數小、成本低：用輕量級 GLM-5.3-Flash 爲基座達到前沿水平，推理效率高，部署和使用成本更低。 交付即用的成果：輸出嚴格遵循任務簡報的專業文件，下游團隊無需返工即可直接使用。 證據級嚴謹性：分析中引用來源文件編號，區分事實與推論，論證和引用均可追溯覈驗。 GLM-Legal的項目地址 項目官網：https://z.ai/blog/glm-legal GLM-Legal的同類競品對比 對比維度 GLM-Legal Harvey 模型路線 自研輕量基座 GLM-5.3-Flash + 法律領域訓練，主打推理成本 基於 GPT 等第三方前沿大模型構建法律 Agent 套件 評測表現 Harvey LAB 全項通過率 19.2%（較基座 +12.5pp），LegalBench/PLawBench 持平前沿閉源模型 Harvey LAB 的出題方，自家產品在該基準的具體分數未公開 核心能力 合同審查、證據分析、法律研究、合規規劃、專業文件生成 端到端法律工作流（研究、起草、審查），覆蓋大型律所場景 交付形態 API + AutoClaw 桌面 Agent，可在 Word 中輸出修訂模式 獨立 SaaS 平台，深度集成 Microsoft Word / 律所繫統 語言與市場 中英雙語均衡，PLawBench 驗證中國法律實務能力 以英美法系英語市場爲主 GLM-Legal的應用場景 合同審查與談判支持：審查軟件服務等各類合同，站在客戶立場識別風險條款，輸出具體修改建議並直接在 Word 中以修訂模式呈現，供談判使用。 訴訟證據分析與案件準備：批量閱讀數十份案件文檔，構建證據矛盾地圖（如外部進度報告 vs 內部真實記錄的矛盾），引用來源
REA – 開源的逆向分析工具，無需源碼、對話式分析軟件
REA是什麼 REA（Reverse Engineer Anything）是開源的逆向分析工具，通過 MCP 協議把 Claude Code、Codex、Cursor 等 AI 編程 Agent 與 Ghidra、Hopper、IDA 等逆向工具連接起來。REA讓 Agent 無需源碼可分析軟件，從原生二進制、Electron/JS 應用、APK、.NET 程序集到網站，追蹤功能實現邏輯並生成帶證據鏈的分析結果，重建相似功能。 REA的主要功能 原生二進制分析：解析 Mach-O、ELF、PE 等可執行文件，返回僞代碼、彙編、字符串、符號和調用關係。 JavaScript/Electron 應用分析：靜態梳理模塊、入口、IPC 通道和 source map，無需運行應用。 網站觀察：通過本地 Chrome DevTools 端點被動觀察瀏覽器行爲、頁面腳本和網絡請求。 .NET 程序集檢查：無需執行程序即可查看元數據、CIL 指令和原生代碼邊界。 Android 應用逆向：藉助 JADX 反編譯 APK，查看清單聲明、類和方法。 固件與包文件分析：用 Binwalk 提取固件區域，或直接生成 ZIP/APK/ASAR 等歸檔的文件清單。 版本差異對比：比較應用兩個版本的二進制差異，生成變更報告。 網絡抓包分析：解析 HAR 文件或 mitmproxy 捕獲，關聯請求與源碼位置。 代碼重建輔助：Agent 基於分析結果追蹤功能實現線索，爲項目編寫相似功能並驗證。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用REA 環境準備：安裝 Node.js（≥22.19 版本）和 npm，確保已安裝 Claude Code、Codex、Cursor 等任一支持的 AI 編程 Agent。 一鍵安裝：在終端運行 npx rea-agents@latest setup，選擇要接入的 Agent 並審覈配置變更。 審批配置：確認 setup 提出的 MCP server 註冊和 workflow 指令修改（會自動備份原配置），然後重啓你的 Agent。 準備逆向引擎（可選）：深度分析原生二進制需已有 Hopper、Ghidra 或 IDA 安裝，純 JS/Electron 分析不需要。 用自然語言提問：向 Agent 描述目標，例如”分析 Notes 應用的搜索功能如何工作，展示證據，併爲我的項目實現類似功能”。 Agent 自動調查：Agent 通過 MCP 調用 REA 在本地分析目標，獲取帶證據鏈的僞代碼、調用鏈等結果。 REA的核心優勢 零逆向經驗門檻：無需學習反彙編和逆向技術，用自然語言向 AI Agent 提問可分析軟件。 打通主流 Agent 生態：同時支持 Claude Code、Codex、Cursor、Gemini CLI、Windsurf 等幾乎所有主流 AI 編程助手。 複用成熟逆向工具：底層調度 Ghidra、Hopper、IDA 等專業工具，站在幾十年逆向工程積累之上。 覆蓋目標極廣：從原生二進制、Electron/JS 應用、APK、.NET 到網站、固件、WASM，幾乎無死角。 證據鏈驅動：每個結論附帶僞代碼、彙編、調用關係等證據，結果可驗證。 本地分析保障隱私：全部分析在本地運行，目標軟件不會被上傳到雲端。 端到端自動化：從分析、追蹤調用鏈到生成可運行的相似實現，一條 Agent 工作流串到底。 REA的項目地址 項目官網：https://rea.tools/ GitHub倉庫：https://github.com/morluto/rea REA可以分析什麼 目標類型 REA 返回內容 要求和指南 原生二進制 僞代碼、彙編、字符串、符號、調用和引用 Hopper、Ghidra 或 IDA；原生分析指南 離線 ELF 佈局 節區、段、原始符號/重定位和靜態緩解候選 Linux x64 上自備 pwntools；二進制診斷指南 Go 二進制 內嵌編譯器版本、模塊、替換和構建設置 內置靜態 ELF/PE/thin Mach-O 檢查；無需安裝 Go WASM 文件 校驗、節區、精確的導入/導出 WAT 形式和解碼後的 WAT 自備 WABT 1.0.42；`inspect_wasm_artifact` EVM 字節碼 調度選擇器、字節偏移、推斷的參數和可變性 Linux x64 本地原始/十六進制載體；離線 EVM 指南 Linux 崩潰記錄 原始備註、每個記錄線程的寄存器/信號和可選映射候選 Linux x64 自備 pwntools；可選 GDB/pwndbg；崩潰記錄指南 JavaScript / Electr
WorkBuddy 零基礎開發微信小程序教程 – 附實戰案例
如今，讓 AI 隨手敲幾段小程序前端代碼，早已不是什麼稀罕事。 只要你給一段 Prompt，市面上大部分主流大模型都能洋洋灑灑輸出幾百行代碼。 但對絕大多數沒有工程背景的普通玩家來說，真正的門檻往往發生在代碼生成之後： 沒有現成的後端服務支撐數據存儲，還得裝微信開發者工具，手動去公衆平台配置 AppID、手動打包、上傳代碼……很多絕妙的靈感，往往就卡死在這一長串繁瑣枯燥的工程配置鏈路裏。 把代碼寫出來只是前 10%，剩下 90% 的工程交付，纔是阻礙大家把想法落地的攔路虎。 最近，WorkBuddy 升級，針對微信小程序開發帶來了一次非常關鍵的迭代：雲服務自動接入、掃碼綁定自有小程序賬號、代碼直接上線。 這是我用 WorkBuddy 製作的貓咪健康管理小程序實測效果。 話不多說，下面用我的實操過程帶大家一起做一個屬於自己的小程序。 01. WorkBuddy 一句話直出微信小程序 家裏養貓的朋友都知道，貓咪的體重浮動是判斷健康最敏感的指標，再加上定期驅蟲和疫苗，瑣碎但極其重要。 所以我做了一個「多貓咪健康管理小程序」。在小程序裏建立多隻貓咪的檔案，記錄體重、驅蟲和疫苗的記錄，以及提醒。 我們打開 WorkBuddy， 切換到代碼開發模式，選擇小程序功能按鈕，或者直接在提示詞裏說明要開發一個微信小程序，然後輸入提示詞就行。 提示詞：幫我開發一個多貓咪健康管理小程序。支持添加不同貓咪檔案（名字、頭像、品種、生日）；核心功能是記錄貓咪每次稱重的數值，並用平滑折線圖展示體重增長趨勢；支持記錄下次驅蟲、疫苗時間，並自動計算剩餘倒計時；所有檔案和記錄需保存在雲端數據庫。 WorkBuddy 會主動跟我們確認是否需要開啓雲服務。 在我們確認之後，WorkBuddy 會開通雲服務來保存貓咪檔案和記錄。並在雲服務中開通貓咪健康應用，建立數據庫表結構。 代碼構建完成後，WorkBuddy 在右側欄直接提供了 H5 近似效果預覽，界面的佈局、色彩排版和交互響應一目瞭然。 我們點擊右上角的分享按鈕，就可以直接上線微信小程序。 以往在這個環節，我們需要打開微信公衆平台去申請測試號或正式 AppID，再把 AppID 填入本地開發工具反覆覈驗。 在 WorkBuddy 裏，我們點擊分享後，哪怕我們沒有現成的小程序賬號，可以直接掃碼創建小程序。 我們選擇試用版小程序先體驗看看，點擊發布。 我們就可以掃碼體驗試用版小程序啦。 小程序啓動後直接支持微信一鍵授權登錄以及手機號驗證碼登錄。 過去要搞定這兩個登錄體系，我們要自己去調用微信開放能力、搭建後端接口、配置短信服務和簽名密鑰。 現在，這些接入工作 WorkBuddy 可以統一處理，我們可以直接使用現成的登錄能力。 我們可以添加貓咪信息。 我們可以記錄小貓咪的體重變化。設定疫苗記錄、驅蟲週期。 添加的貓咪信息，WorkBuddy 已經幫我們同步在雲服務器中。 小程序的訪問數據也會在雲服務器中查看： 所有的代碼文件都已經保存在本地文件夾中，支持二次編輯。 小程序中不完善的地方，我們直接在 WorkBuddy 對話框中用自然語言描述需求，就能持續迭代。 我還給小程序加了一個 AI 功能，養寵過程中，新手總會遇到各種突發問題，WorkBuddy 可以免密鑰調用大模型，實現智能問答、內容生成等 AI 能力。 我在界面底部增加了一個 AI 養貓助手功能，直接輸入我們的問題，或者輸入圖片，大模型會識別我們的問題，幫我們解答。 功能優化完成後，只需再次點擊右上角的分享與更新，新的代碼便會直接同步。 無門檻創建的試用版擁有 14 天的有效期，適合分享給朋友們體驗，小範圍收集反饋，等到功能足夠完善後，再一鍵發佈爲正式版。 02. 一些分享 AI 編程正在經歷一場從生成片段代碼到交付完整應用的質變。 大家享受那種一邊喝咖啡一邊用自然語言 Vibe Coding 的快感。但在國內環境下，很多 Web 端的作品存在訪問壁壘，難以真正融入大衆日常的社交與工作。而微信小程序，恰恰是國內觸達成本最低、即開即用屬性最強的載體。 WorkBuddy 沒有把精力耗費在多寫幾行酷炫的前端代碼上，而是真正下沉到了微信生態最底層。它把數據庫搭建、鑑權登錄、文件存儲、AI 推理通道以及多版本發佈等沉重的工程接了過去，讓開發者和內容創作者更專注於產品。 從一個腦海中的健康管理念頭，到手機屏幕上跳動着的折線圖、帶雲端同步和 AI 問答的真實小程序，開發週期大大縮減與枯燥的。 屬於超級個體的輕應用爆發期，或許就從這種徹底抹平交付門檻的工具開始。 原文鏈接：WorkBuddy 新升級，一句話上線小程序
Muse Wonder – Meta 超級智能實驗室推出的前沿模型系列
Muse Wonder是什麼 Muse Wonder 是 Meta 超級智能實驗室推出的前沿模型，建立在 Muse Spark 基礎上，具備跨對話長期記憶和自主堅持長任務的能力，遇阻會主動換方案、重要操作前先與用戶確認，覆蓋保險理賠、法律金融等專家場景及編程任務。模型分兩個版本，標準版通過 Meta API 和 Muse Code 開放，完整版僅面向 Muse Code 訂閱用戶。官方評測顯示其長期記憶和長週期編程表現已超過 Claude Opus 5.5。 Muse Wonder的主要功能 Active Memory 長期記憶：跨對話記住用戶重要信息，做事時主動調用相關部分。 Active Focus 長任務堅持：盯住目標持續執行，路不通就換辦法，重要操作前先與用戶確認。 生活代理任務：訂餐廳、查空位、排婚禮座位表、覈對保險理賠等真實場景執行。 編程能力：長週期編程任務表現領先，可構建應用和遊戲。 多模態輸入：處理圖片、文檔等素材，如拍賬單加保險卡覈對理賠。 Muse Wonder的技術原理 更大基座模型：在吉瓦級數據中心訓練的更大基座，讓後訓練收益更易遷移到陌生任務。 後訓練對準真實任務：針對訂餐廳等真實任務中的卡殼專門訓練，鼓勵試錯而非停滯。 分思考檔位推理：提供多檔思考程度，隨思考時間加長持續提升表現。 安全對齊框架：按 Meta Superintelligence Scaling Framework 訓練，拒絕泄露隱私和有害請求。 如何使用Muse Wonder 訪問開發者平台：打開 https://dev.meta.ai/ 註冊 Meta 開發者賬號。 獲取 API Key：在控制檯創建密鑰，用於調用 Meta Model API。 選擇模型：API 中選 muse-wonder-1.0 模型（muse-wonder-full-1.0 僅 Muse Code 訂閱可用）。 調用 API：將 base URL 指向 https://api.meta.ai/v1，兼容 OpenAI/Anthropic SDK 直接接入現有項目。 按量計費：按每百萬 token 輸入 $4、輸出 $20 計費，緩存讀取僅 $0.2。 使用 Muse Code：安裝 Muse Code 編程 Agent，登錄後可直接調用 Wonder 模型輔助開發。 Muse Wonder的核心優勢 長期記憶領先：MemoryBench 得分 85.6，超越 Claude Opus 5.5 的 81.5。 長任務堅持力強：Active Focus 使其在 DeepSWE、SWE-Marathon 等長週期編程任務上排名第一。 泛化能力出色：更大基座讓後訓練收益遷移到未見過的陌生任務，避免刷榜式優化。 真實場景導向：針對訂餐廳、理賠覈對等生活任務訓練，而非只做基準測試。 速度快：主打快速響應，兼顧效率與智能深度。 價格有競爭力：API 定價與 Claude Opus 5.5 持平，遠低於更高端模型。 生態整合：深度綁定 Meta 全家桶，代理體驗閉環。 Muse Wonder的項目地址 項目地址：https://about.fb.com/news/2026/10/introducing-muse-wonder-models/ Muse Wonder的同類競品對比 對比維度 Muse Wonder Claude Opus 5.5 定位 生活+編程雙場景的 Agent 模型 通用旗艦大模型 長期記憶 MemoryBench 85.6（領先） MemoryBench 81.5 長週期編程 DeepSWE、SWE-Marathon 第一 表現優秀但被 Muse 超越 核心特色 Active Memory + Active Focus 雙機制 均衡全面，Agent 能力成熟 生態 Meta 全家桶（Instagram、Muse App） 獨立中立，第三方集成更廣 智能指數 52（Full 版 56，第2） 58（第1，仍領先） Muse Wonder的應用場景 編程開發：開發者通過 Muse Code 調用模型完成從代碼編寫到調試部署的長週期開發任務，遇錯時自主換方案持續推進。 生活服務：用戶以自然語言下達訂餐廳、查空位、排婚禮座位表等多步驟指令，模型跨對話記住偏好並執行到底。 保險理賠：用戶拍攝急診賬單並上傳保險卡正反面，模型自動覈對理賠金額與保險條款，發現異常前與用戶確認。 電商購物：模型從用戶 Instagram 相冊提取照片，按需求設計
QwenGyre – 阿里千問推出的在線強化學習框架
QwenGyre是什麼 QwenGyre 是阿里千問推出的超長程智能體在線強化學習框架，面向單次約 70 萬 token、持續數小時的任務。QwenGyre用彈性調度在任務不中斷時把空閒 GPU 在採樣與訓練間切換，用軌跡處理保留真實上下文、評估部分成果、去重共享前綴以控制成本。在 Qwen3.8-2.4T 上 48 步把 NL2RepoBench 通過率從 52.48% 提至 58.54%，較 Async 端到端加速 1.78×。 QwenGyre的主要功能 超長程智能體在線強化學習：在單次執行長達數小時、累計約百萬 token 的任務上直接做 RL 訓練。 彈性 GPU 調度：任務不中斷的情況下，動態把空閒 GPU 在採樣與訓練間切換。 請求重路由與 KV cache 遷移：切換 GPU 角色時智能體繼續運行，工作區和工具狀態保留，通過 RDMA 遷移 KV cache 減少重複計算。 流式訓練與新節點中途加入：核心 cell 保存權威參數，衛星 cell 可隨時拉取快照加入正在進行的批次，按進度領取微批次。 軌跡樹與真實上下文保留：用 Token-in Token-out 記錄每次調用的精確輸入輸出，按共享前綴組織成軌跡樹，輸出始終對應生成時的上下文。 部分評分（Partial Scoring）：超時未完成的任務若產出可檢驗成果，仍按任務規則評分並用於訓練。 軌跡預算與損失均衡：每個執行最多保留 Jmax 條軌跡，共享前綴只計一次損失，避免分支多的任務權重過大。 QwenGyre的技術原理 彈性調度（Elastic Scheduler）：將 GPU 劃分爲若干同構計算單元，每個 cell 能用 SGLang 提供採樣服務，也能用 Megatron 承載完整訓練副本。調度器跟蹤”水位”，未完成任務量，只要剩餘採樣容量足以支撐在跑任務且訓練數據供應充足，就按序把 cell 逐個切入訓練；切換時由代理把模型請求重定向到新推理引擎並重試未完成請求，後端進程和通信組無需重建。核心 cell 持有權威權重與優化器狀態，衛星 cell 通過 RDMA 拉取參數快照後加入當前批次的梯度累計，最後由核心統一彙總更新，實現訓練隨數據就緒逐步擴容、採樣與訓練高度重疊。 軌跡處理（Trajectory Processor）：QwenGyre 通過代理記錄每次模型調用的精確輸入/輸出 token ID 和行爲策略對數概率，把共享前綴複用、分叉處建分支，組織成軌跡樹，保證每條輸出始終對應其生成時的原始上下文。訓練准入階段按角色優先級爲每個執行選取不超過 Jmax 條軌跡，僅策略模型生成的 token 參與損失、共享目標只計一次；損失先在執行內對選中 token 取平均、再對執行取平均，使執行權重與其分支數量解耦。配合 Partial Scoring 對超時任務的已完成部分評估打分，最大化利用超長程執行中稀疏而昂貴的有效信號。 如何使用QwenGyre 目前 QwenGyre 用論文形式發佈，阿里尚未公開代碼與安裝包。 QwenGyre的核心優勢 首次實現旗艦模型超長程在線 RL：在 Qwen3.8-2.4T 上完成單次約 70 萬 token 任務的在線強化學習，48 步將 NL2RepoBench 通過率從 52.48% 提升至 58.54%。 訓練效率大幅提升：相同 GPU 預算下端到端加速最高達 1.78×（對 Async）、1.85×（對 Colocate），48 步訓練耗時從 134.55 小時縮短至 75.42 小時。 任務零中斷的彈性調度：GPU 在採樣與訓練間動態切換時，智能體執行、工作區和工具狀態完全保留，切換耗時僅數秒，相對數小時的執行可忽略。 GPU 利用率最大化：細粒度 cell 級資源分配消除了 Colocate 模式的長尾等待空轉和 Async 模式的固定分區僵化，訓練可被採樣完全隱藏。 真實上下文保真訓練：TITO 機制保證每條輸出都對應其生成時的原始上下文，避免歷史壓縮、子智能體上下文拼接導致的”虛假上下文”訓練信號。 QwenGyre的項目地址 arXiv技術論文：https://arxiv.org/pdf/2609.33848 QwenGyre的應用場景 自然語言生成完整代碼倉庫：根據自然語言規格從零構建多包軟件倉庫，單次執行約 70 萬 token、長達數小時。 已有倉庫的長程軟件工程：在現有代碼庫中完成功能開發、缺陷修復與跨文件改造等複雜任務。 多輪終端自動化操作：智能體在命令行環境中連續執行數百輪工具調用，完成系統配置與運維任務。 大規模代碼庫重構遷移：跨倉庫技術棧升級、整體重構等需要數小時連續規劃執行的工程任務。 多智能體協作任務：主智能體委派子智能體的層級執行場景，
WorkBuddy 讓 AI 直接修改 Word/Excel/PPT 文檔保姆級教程
WorkBuddy 團隊是真的很聽勸，之前無數人誇爆的“人機雙寫”因爲入口藏太深，很多人都找不到，這次終於不藏着了，直接做到右鍵菜單裏。 電腦裏的文檔，都能用 WorkBuddy 打開來做 AI 編輯了。 經常改文檔的打工人真的懂這種痛：好不容易寫完方案，改稿比重寫還累。哪怕用 AI，以前也要在文檔和聊天框之間反覆橫跳、瘋狂複製粘貼。 現在我們選中本地文檔，右鍵選擇用 WorkBuddy 打開，就能直接在原文檔裏喚醒 AI 修改。 話不多說，咱們上手感受一下。 01. WorkBuddy 一鍵開啓 AI 改稿 使用前，我們先找到電腦裏要改的文件，右鍵點擊，選擇打開方式裏的 WorkBuddy，文件就會在獨立窗口裏打開。 如果想以後雙擊文件就用 WorkBuddy 打開，可以按 WorkBuddy 的提示設置默認打開方式，點擊確認後纔會生效。 文案編輯 打開文件後，我們可以像在 Office 裏一樣，直接編輯內容。 可以點右上角的 AI 對話，展開右側 AI 對話欄，還可以直接調用 AI 修改。 比如讓 WorkBuddy 檢查錯別字。 平時讓 AI 改內容，要上傳文件，再複製需要修改的部分，跟 AI 說明改哪部分，怎麼改。 現在，我們可以直接在文檔中圈選需要修改的文案，點擊 AI 編輯。 用自然語言表達修改訴求，WorkBuddy 就能直接在右側對話欄處理修改。 改完的內容直接原地替換回文檔原位置，並且貼心地標上了高亮。 我們不需要切換窗口、切換軟件，整個編輯過程就很簡單。 人機協作 我們打開文件時，WorkBuddy 可以完全讀懂我們的文章，我們修改一點，WorkBuddy 也能實時感知到。 比如我們在活動信息表裏，把計劃人數從 60 人手動改成 80 人，再讓 AI 更新背景段落試試： 可以看到 WorkBuddy 會定位到我們修改的地方，並且更新數據。 Excel、PPT 也都支持人機雙寫，我們可以隨時讓 AI 接受編輯表格。 表格處理 文字可以模棱兩可，但數據差一個括號、錯一個引用，結果就是災難。 我們也可以用 WorkBuddy 處理表格。 比如這份信息雜亂的報名表，各種渠道都擠在了一起，還有重複登記和遺漏信息的無效報名。 我們可以讓 WorkBuddy 用公式幫我們篩選處理一下。 WorkBuddy 會採用公式幫我們處理表格信息。 以往要折騰半天的透視表，現在直接一句話就可以讓 WorkBuddy 搞定： 我們讓 AI 整理筆記、輸出提綱，應該會收到 .md 文件，也就是 Markdown。 我們還得下載個 Obsidian 或者 VSCode 才能打開，對大部分普通用戶來說非常不方便。 WorkBuddy 支持本地 Markdown 的可視化編輯。用 WorkBuddy 打開後，可以看到排版後的文案，修改也不用懂 md 語法。 這份籌備紀要記錄了海報、報名頁和會議鏈接等安排，我們讓 AI 整理一個待辦清單： 可以看到，清單幫我們把待辦事項都排好了序，還幫我們標出了待確認項目，不會自己瞎編。 此外，AI 生成的前端頁面，大部分會保存成單個 .html 文件。用瀏覽器可以預覽頁面，後面要改文案、調整排版，就要 VS Code 這類代碼編輯器打開源碼。對不熟悉 HTML 和 CSS 的人來說，找到該改的位置都難。 WorkBuddy 打開本地 HTML 時，會先展示頁面預覽。需要修改時，點擊右上角進入編輯狀態，可以手動編輯，也可以通過右側 AI 對話提出修改要求，點擊需要改動的地方就能改。 我們打開的這份活動頁的介紹偏長，讓 WorkBuddy 精簡一下： WorkBuddy 直接幫我們精簡好了文案內容，還把按鈕位置也調整到了適當的位置。 以後再寫東西時，還可以把素材和正文放在同一份本地工作文件裏，自己補信息、調整觀點，再讓 WorkBuddy 接着整理需要重寫的段落，省掉來回複製整篇內容的步驟。 還有幾個方面可以跟大家分享一下： Office文件編輯後需要手動保存，可以直接覆蓋本地原文件，md 文件改完會自動保存，HTML文件退出編輯後也會自動保存。 查看和手動編輯本地文件都是不消耗積分。在右側對話欄裏讓 Buddy 總結、改寫或生成內容時，纔會根據實際任務消耗積分。 文件安全方面也不用擔心：獨立文件瀏覽器只讀取你主動打開或添加的文件，不會遍歷或掃描電腦磁盤。 02. 一些分享 背景要重寫、一張表要整理，都可以交給 WorkBuddy。修改直接落在文件裏，自己可以接着調整，AI 也能根據新內容繼續處理，改稿過程連貫了不少。 對於經常處理文件的人，WorkBuddy 的價值就在這些日常修改裏。電腦上已有的方案、報名表和彙報材料，都可以打開後接着處理。文件仍然由自己掌握，AI 參與其中
UPUP – 零一綠洲推出的專屬 AI 遊戲搭子
UPUP是什麼 UPUP是零一萬物關聯公司零一綠洲推出的AI遊戲搭子。用戶可定製專屬AI夥伴的形象、聲音和性格，享受情緒陪伴與遊戲問答。產品提供實時遊戲輔助，經授權理解遊戲畫面，智能提醒技能冷卻、資源刷新，賽後覆盤出裝與打法。UPUP提供遊戲達人智能匹配、動態社區和私聊功能，將AI陪伴與玩家社交結合。 UPUP的主要功能 AI夥伴定製：可自由選擇形象風格、性格特點、聲音和名字，打造專屬遊戲搭子。 情緒陪伴聊天：基於興趣偏好記憶，能記住用戶聊過的遊戲和話題，提供個性化回應。 遊戲知識問答：隨時詢問角色技能、裝備搭配、任務攻略等問題。 實時遊戲輔助：授權後理解遊戲畫面，對局中提醒資源刷新、技能冷卻和戰術時機。 賽後覆盤分析：解析對局關鍵點，給出出裝攻略、對線打法、剋制技巧等改進建議。 遊戲達人匹配：通過大數據和AI算法推薦契合的遊戲搭子，告別單排。 動態社區社交：可發佈動態、瀏覽分享、私聊交流，圍繞共同遊戲興趣互動。 如何使用UPUP 下載安裝：訪問官網 https://www.upupagent.com/ 掃碼下載，或在應用商店搜索”UPUP”下載 App。 定製AI夥伴：選擇形象風格，輸入期望的性格特點，挑選聲音和名字，創建專屬遊戲搭子。 日常聊天陪伴：與AI夥伴閒聊，它會記住你的遊戲興趣和偏好，越聊越懂你。 遊戲問答：遇到不懂的玩法，直接向AI詢問技能、出裝、任務攻略等。 開啓實時輔助：在遊戲中授予屏幕識別權限，AI將實時理解畫面，提醒資源刷新和戰術時機。 賽後覆盤：對局結束後讓AI分析戰局，獲取出裝、對線等改進建議。 匹配遊戲達人：通過智能推薦找到契合的遊戲搭子，組隊開黑。 社區互動：在動態社區發佈近況、瀏覽他人分享，或通過私聊結交同好。 UPUP的核心優勢 大模型技術背書：由李開復創立的零一萬物研發，依託大模型能力，AI理解和交互水平有技術保障。 實時畫面理解：能授權後實時看懂遊戲畫面，提供技能冷卻、資源刷新等時機提醒，比查固定攻略更貼合當下戰局。 一站式體驗：集AI陪伴、遊戲問答、實時輔助、賽後覆盤、達人匹配於一體，覆蓋遊戲前後全流程。 個性化AI夥伴：支持定製形象、聲音、性格，並具備興趣記憶能力，陪伴感隨使用時間不斷增強。 社交+AI雙引擎：既提供AI搭子，又有人類遊戲達人匹配和動態社區，兼顧”人機”兩種陪伴需求。 場景貼合玩家痛點：專注解決玩家對局中無暇查攻略、賽後難覆盤的真實困擾，省時且提升遊戲水平。 UPUP的同類競品對比 對比維度 UPUP（零一綠洲） 逗逗遊戲夥伴 產品定位 AI遊戲搭子：陪伴+輔助+社交三合一 AI遊戲夥伴：主打陪伴互動 實時遊戲輔助 核心賣點：實時理解畫面，提醒技能冷卻、資源刷新、戰術時機 支持遊戲畫面理解，偏輕量提示 AI角色定製 支持形象、聲音、性格、命名全定製 二次元虛擬角色爲主，人設豐富 玩家社交 有達人匹配、動態社區、私聊功能 較弱，以人機互動爲主 賽後覆盤 深度覆盤：出裝攻略、對線打法、剋制技巧 有一定對局分析能力 技術背景 零一萬物大模型背書 自研+第三方模型結合 主要優勢 大廠資源+真人社交入口 先發優勢+陪伴體驗打磨更深 主要短板 產品較新，實時輔助能力仍在內測探索 缺真人社交，輔助功能相對輕量 UPUP的應用場景 日常閒聊陪伴：玩家在非遊戲時間可與AI夥伴聊天，獲得情緒價值。 遊戲知識答疑：遇到新角色、新裝備、新任務時，隨時詢問攻略，省去搜索時間。 對局實時提醒：在打《王者榮耀》等競技遊戲時，AI提醒關鍵資源刷新、敵方技能冷卻，幫助搶佔先機。 賽後覆盤提升：對局結束後分析關鍵失誤，學習出裝、對線、剋制技巧，提升段位。 組隊找人開黑：通過智能匹配找到契合的遊戲達人，解決單排孤獨、配合不默契的問題。
Beam – Reflection AI 開源的首款大語言模型
Beam是什麼 Beam 是 Reflection AI 推出的首款開源大語言模型，採用 501B 參數的稀疏 MoE 架構，每 token 僅激活 23B，支持 100 萬 token 上下文，預訓練消耗 23.8T token。Beam 的訓練過程堪稱重工業級別的算力展示，預訓練用 6,144 張 GB300 不到四周跑完，用 10,500 張 GB300 進行爲期四周、超 1 億次 rollout 的大規模強化學習。 Beam的主要功能 編程開發：在軟件工程任務上達到 GLM-5.2 同級水平，是面向企業編碼負載的主力模型。 Agent 執行：具備工具調用、終端操作、網頁搜索等能力，可自主完成多步任務，甚至學會調用其他大模型和 OCR API。 長文本處理：支持 100 萬 token 上下文，能從超長代碼庫和文檔中定位並關聯關鍵信息。 可調推理強度：用戶通過 reasoning effort 參數在短回覆與長推理之間靈活切換，匹配不同任務和算力預算。 Beam的技術原理 稀疏 MoE 架構：模型總參數 501B，但每次只激活 23B，通過細粒度路由專家配合輔助損失無關的負載均衡實現近均勻的專家利用率，最忙專家負載僅 1.04×，是 Beam 推理高效的硬件級基礎。 兩階段大規模訓練：預訓練在 6,144 張 GB300 上用不到四周消化 23.8T token，配合拓撲感知調度器和靜默數據損壞檢測，goodput 達 92.3%；之後用 10.5K 張 GB300 做四周強化學習，產生超 1 億次 rollout，期間平均維持 11 萬併發 rollout 和 17 萬併發沙盒。 全異步 RL 系統：採用異步 policy gradients，支持 rollout 與訓練並行，通過給每個 token 標記生成它的模型版本處理策略陳舊問題，即使樣本落後當前策略一天（107 個版本）數值依然穩定；新權重經 RoCE 分層分發到推理集羣僅需中位數 12 秒。 長度可控的推理學習：在 RL 中加入長度懲罰項，讓模型先學會用更少 token 解題、再在 agentic 能力增強後自然擴展推理長度，形成能力-token 消耗的最優權衡，由用戶按需調節。 微信關注回覆“開源”，加入AI開源項目交流羣 如何使用Beam 當前階段權重未放出，僅向部分用戶提供預覽版，訪問 https://platform.reflection.ai/ 可申請早期體驗。 Beam的核心優勢 推理效率極高：用 3–4 倍低於 GLM-5.2 的推理算力達到同級推理水平，比 Qwen 3.8-Max 等 2T+ 模型節省更多，智能密度突出。 激活參數極小：501B 總參中每 token 僅激活 23B，稀疏 MoE 設計大幅壓低部署和推理成本。 RL 規模業界罕見：10.5K 張 GB300 連續四周、超 1 億次 rollout，是開放實驗室中迄今最大規模的 RL 訓練之一。 訓練穩定性強：預訓練全程僅 9 次半自動回滾、goodput 達 92.3%，訓練曲線無失穩，工程成熟度極高。 推理長度可控：用戶可通過 reasoning effort 參數自由調節推理深度，在性能與成本間按需權衡。 Beam的項目地址 項目官網：https://reflection.ai/blog/introducing-beam Beam的同類競品對比 維度 Beam（Reflection AI） GLM-5.2（Z.ai / 智譜） 總參數 / 激活參數 501B / 23B 744B / 40B 激活佔比 約 4.6%（更稀疏） 約 5.4% 上下文窗口 1M tokens 1M tokens 預訓練數據量 23.8T tokens 28.5T tokens 架構特點 細粒度 MoE + 輔助損失無關負載均衡，52 層殘差流全程穩定 MoE + MLA + 稀疏注意力（DSA/IndexShare），78 層（前 3 層稠密） 後訓練 10.5K 張 GB300 跑 4 周 RL，超 1 億次 rollout，異步 policy gradients slime 異步 RL 基礎設施，長程 agentic 訓練 能力定位 對標 GLM-5.2，官方承認落後 Kimi K3，優勢在推理效率 開源模型推理/編程最強檔，GPQA Diamond 89%，SWE-bench Pro 62.1% 推理效率 達到同級推理水平僅用 GLM-5.2 約 1/3–1/4 算力 基準參照物，40B 激活已屬高效 許可協議 Apache 2.0 MIT 開源權重（已可下載） 當前可用性 wait
怎麼用豆包工作操作剪映，附 AI 剪視頻完整教程
友友們，你們相冊裏有多少視...
VeriLoop E2 – 清華大學開源的 27B 後訓練模型
VeriLoop E2是什麼 VeriLoop ...
HeyGen Voice – HeyGen 推出的自研語音模型
HeyGen Voice是什麼 HeyGen V...
Poppy – Sierra 聯合 Meta 等推出的開放協議草案
Poppy是什麼 Poppy（Personal Agent Protocol）是 Sierra 與 Meta 聯合多家公司推出的開放協議草案，能解決個人 AI Agent訪問企業服務的身份與授權問題。協議讓企業通過 /.well-known/poppy.json 聲明 Agent 接入方式，Agent 可識別身份代表用戶經 OAuth 授權執行任務，權限分五檔可調，且一次登錄可跨網站、API 和企業自身Agent複用會話。目前已有 Stripe、Shopify、Walmart、Visa、OpenAI 等 35+ 企業參與。 Poppy的主要功能 身份識別：企業可明確識別訪問者是”某用戶的 AI Agent”。 標準發現機制：企業通過在網站發佈 /.well-known/poppy.json 文件，聲明Agent接入方式、登錄入口和可用能力。 分級授權：權限從完全禁止到完全接管共分五級，企業決定開放檔位，用戶決定授權範圍。 OAuth 安全登錄：用戶在企業的頁面親自登錄，代理僅獲得用戶批准的、最小範圍的會話令牌。 單會話跨渠道：同一個令牌可在企業網站、API 和企業自有代理之間複用，交互過程連續不中斷。 多通道執行：支持Agent直接操作網頁、調用 OpenAPI/MCP 接口，或與企業自建的 AI Agent協作完成任務。 全程可審計可撤銷：企業能看到Agent的完整操作路徑，用戶可隨時收回授權。 基於現有標準：構建於 OAuth、JWT、HTTPS、OpenAPI、MCP 之上，企業可用現有工具快速實現，且支持行業自定義擴展。 如何使用Poppy 終端用戶： 向 AI Agent下達任務，無需安裝任何東西； 任務需要賬戶時，在企業頁面親自登錄； 勾選批准Agent的權限範圍； 隨時在賬戶設置裏查看已連接代理並一鍵斷開。 個人代理開發者： 發佈客戶端元數據文檔（client_id、公鑰、回調地址）作爲Agent的身份憑證； 讀取企業的 poppy.json 發現文件，瞭解其登錄方式和可用接口； 向企業 token 端點發送簽名斷言 + DPoP 證明，啓動匿名會話獲得 Session Token； 需要賬戶時按企業支持的方式發起 direct/device/mediated 三種登錄之一； 用戶批准後獲得長期 Account Token，加密保存，之後可靜默換取已登錄會話； 用 Session Token 調用企業 API（DPoP）、瀏覽網頁（瀏覽器斷言換 Cookie）或與企業代理對話； 處理 429 限流、冪等重試、sign_in_required 等錯誤並按規範續期或重新登錄。 企業接入： 在 /.well-known/poppy.json 發佈發現文件，聲明登錄方式、權限範圍和提供的接口； 按 RFC 8414 配置 OAuth 服務器並聲明 poppy_domains； 對每個請求校驗代理簽名、DPoP 證明和 scope 權限； 在網頁、API、企業代理和人工客服所有渠道執行同一套權限檢查； 提供合規的授權頁（展示代理身份和權限說明）和賬戶設置裏的斷開入口。 Poppy的核心優勢 終結”全有或全無”困境：在”Agent冒充用戶”和”企業封禁代理”兩個極端之間，提供身份識別 + 分級授權的中間方案。 企業可識別、可管控代理：每個請求都綁定已驗證的 client_id、用戶 ID 和 scope，企業終於知道”誰在替誰辦事、能做什麼”。 用戶不交密碼、權限最小化：用戶在企業自家頁面登錄授權，代理只拿到限定範圍的令牌，且隨時可撤銷。 一次實現，處處通用：協議目標是覆蓋企業與個人Agent間的一切交互，雙方各實現一次可對接所有支持方。 徹底複用現有標準：基於 OAuth 2.0、JWT、DPoP、OpenAPI、MCP 構建，企業現有授權服務器基本可直接改造接入。 Poppy的項目地址 項目官網：https://personalagentprotocol.org/ Poppy的六大原則 基於現有標準：OAuth、JWT、HTTPS、OpenAPI、MCP 能用則用，只在無標準覆蓋處才定義新東西； 控件而非策略：協議只提供選項，企業決定匿名/登錄要求、放行哪些代理、開放哪些渠道，用戶決定代理能看還是能改； 安全與隱私：代理始終表明身份，但用戶登錄前企業只能看到一個不含個人信息的穩定 ID——同一用戶在不同企業的 ID 互不相同，可識別回頭客但不跨站追蹤；授權可撤銷； 漸進式採用：企業可只從網頁、API 或自建代理之一開始，逐步擴展，無需重構現有系統； 可擴展：發現、身份、API、對話是四大構建塊
EveryInfra – AI 應用基礎設施平台，一站式底層能力支持
EveryInfra是什麼 EveryInfra（萬有引擎）是面向 AI 應用的基礎設施平台，提供平台數據採集、AI 聯網搜索和驗證碼識別三大能力。EveryData 產品線覆蓋約 90 個平台、409 項數據接口，可獲取內容、評論和商品數據並返回結構化 JSON，EverySearch 提供 17 種聯網搜索工具，EverySolve 按成功次數識別驗證碼。EveryInfra支持 API 和 MCP 兩種接入方式，可作爲 SerpApi、Tavily 等訂閱制服務的低成本替代方案，幫助開發者和 AI Agent 快速獲得數據與自動化能力。 EveryInfra的主要功能 平台數據採集（EveryData）：一把 Key 調用約 90 個平台、409 項數據接口，獲取內容、評論、商品等數據並返回結構化 JSON。 AI 聯網搜索（EverySearch）：提供 17 種搜索工具，支持網頁閱讀、整站爬取和交叉驗證，可爲 Agent 提供聯網檢索能力。 驗證碼識別（EverySolve）：自動識別各類網站驗證碼，僅在成功獲取有效憑證時計費，失敗不扣費。 多種接入方式：支持 REST API、遠程 MCP、SDK 和控制檯，可直接接入 Claude、ChatGPT、Cursor 等 AI 工具。 如何使用EveryInfra 註冊賬號：訪問EveryInfra官網 https://everyinfra.com/ 免費註冊。 領取試用額度：添加官方微信領取額度碼，在控制檯兌換試用金。 創建 API Key：進入控制檯 /app#keys 頁面創建密鑰，並保存到環境變量 EVERYINFRA_API_KEY 中。 查詢能力目錄：無需 Key 可調用目錄接口，查詢各平台支持的數據能力、參數和單價。 發起首次調用：先用小 limit 試跑一個目標，確認返回結構符合預期後再擴大規模。 處理翻頁與異步：通過 next_page_token 翻頁，大批量任務使用 mode: "async" 異步提交併輪詢任務狀態。 覈對賬單：響應中的計費回執爲準，失敗或空結果最終會退回預留金額。 EveryInfra的核心優勢 失敗零成本：空結果和失敗請求最終不扣費，預留金額自動退回餘額，試錯風險低。 一體化能力：數據採集、聯網搜索、驗證碼識別三大能力合一，一把 Key 通用約 90 個平台、409 項接口。 原生適配 AI Agent：提供遠程 MCP 和現成的集成 Prompt，可直接接入 Claude、ChatGPT、Cursor 等 AI 工具，無需複雜配置。 計費顆粒度細：翻頁不重複扣整次費用，大批量任務支持異步模式，成本精確可控。 EveryInfra的同類競品對比 對比維度 EveryInfra Tavily 產品定位 AI 基礎設施平台，集搜索、數據採集、驗證碼識別於一體 專爲 AI Agent 和大模型設計的搜索 API 搜索工具 17 個工具，含網頁閱讀、整站爬取、交叉驗證 以基礎搜索和內容抽取爲主 數據覆蓋 約 90 個平台、409 項數據接口，含社交、電商、住宿等 僅網頁搜索，無垂直平台數據 擴展能力 另有 EveryData 數據採集、EverySolve 驗證碼識別 無 失敗計費 失敗、空結果最終不扣費，預留金額退回 按調用次數計費，失敗一般消耗額度 接入方式 REST API + 遠程 MCP + 現成 AI 集成 Prompt REST API + Python SDK + MCP 試用門檻 免信用卡，微信領碼約可試 720 次調用 註冊送少量免費額度 適用場景 AI 應用需要”搜索 + 多平台數據 + 反爬”一體化方案 大模型僅需輕量聯網搜索功能 EveryInfra的應用場景 AI Agent 聯網增強：爲 Agent 提供聯網搜索、網頁閱讀和整站爬取能力，讓它能自主查資料、交叉驗證信息並生成帶來源的答案。 競品與市場調研：批量抓取 Amazon、Airbnb、App Store、豆瓣等平台的商品、房源、應用數據，監控價格、評分和評論變化，輔助商業決策。 社交媒體輿情分析：採集 Instagram、TikTok、YouTube、小紅書等平台的內容和評論數據，進行品牌聲量監測、熱點追蹤和用戶情感分析。 AI 訓練數據構建：低成本批量獲取多平台結構化 JSON 數據，用於清洗後訓練垂直領域模型或構建 RAG 知識庫。
PixelUMM – NVIDIA 聯合滑鐵盧大學推出的多模態模型
PixelUMM是什麼 PixelUMM 是 ...
Clef – Cloudflare 開源的決策模型家族
Clef是什麼 Clef 是 Cloudfla...