即刻App年轻人的同好社区
下载
谷歌Gemma 4来了，利好豆包手机这类AI工具，会弱化手机App
昨天一位老同事兴奋地跟我说，谷歌开源模型Gemma 4已经能在他手机上本地跑起来了，还能识别图片和声音。 这件事让我想到了去年火过一阵的豆包手机，当时它的跨App自动操作功能让人特别期待，本来可以类似于今年OpenClaw一样成为一个帮人干活的好助手，但是因为各大手机APP的抵制，再加上Token成本、运行速度的现实问题，这类产品还是没能真正普及。 谷歌这个模型的发布，让我看到了豆包手机这种在手机内部运行的AI助手再次崛起的可能性，后续也许要从两条路一起看。 一条路，是等手机厂商自己发力，像小米、华为这些厂商都在做本地AI、系统级助手的探索，他们有硬件、有系统、有合规优势，步子会走得稳，但也会相对保守。 另一条路，则是个人开发者冲起来，更快、也更大胆地去试错。就像OpenClaw那样，由个人开发者几个月做起来的项目，没有大厂的合规包袱和流程限制，在隐私保护、成本控制这些点上，反而更容易跑出不一样的突破。
在使用模式上，这类助手其实也有两条路线可以走： 一种是全自动接管模式，让AI直接帮你做事，但这条路阻力很大，不光权限复杂，还会遇到其他APP不配合、生态不开放的问题。 另一种就是陪伴式模式——手机还是你自己在操作、自己做主，AI就在旁边默默看着、陪着你，在合适的时候给点提醒、建议、安慰，不抢控制权。 畅想：超越App，手机维度的数字搭档 1. 核心定位：“外挂感官”与“情绪容器” 这个AI不再是一个点开、问问、关掉就走的APP，它是你手机系统里的一个常驻观察者。 • 跨场景陪伴：刷短视频刷到空虚时，它能根据你的使用时长提醒你：“已经刷40分钟了，要不要去阳台站一会儿？” • 社交辅助：在微信里纠结怎么回复老板或另一半时，它能感知当前对话，贴心建议：“按你平时的风格，这样说有点生硬，加个表情会柔和很多。” • 知识沉淀：所有比价、阅读、会议记录，都会慢慢沉淀成你的个人知识库，时间越久，它就越懂你。
2. 技术实现架构：三层感知模型 要实现这种深度陪伴，技术上必须从“单次问答”转向“持续实时感知”。 A. 视觉感知：看懂你在做什么 利用屏幕读取和系统底层能力，实时“看”你的手机界面。 一直截图很耗电，所以只在页面发生明显变化时才分析画面，转成文字理解场景，不存原图，省电又省空间。 B. 语音交互：自然跟你聊天 放弃“喊唤醒词才能说话”的老模式，实现无缝对话。你可以一边玩手机一边跟它聊，它能根据屏幕内容实时接话，语气也跟着场景变。 C. 本地记忆：长久记住你的一切 在手机本地把你的行为、对话、浏览记录自动整理成结构化记忆，比如：某款跑鞋→价格499→去年收藏过同款，下次遇到相关内容就能立刻关联上。
3. 目前最难的三个技术难题 难度一：权限限制 现在安卓和iOS对隐私管控很严，长期后台感知屏幕、占用芯片资源很容易被系统杀掉。个人做的话，需要借助工具提升权限，保证AI不会被随意关闭。 难度二：记忆串台 短时间内频繁切换APP，AI可能会记忆混乱，比如回邮件时突然提到淘宝商品。解决办法是按应用划分场景，不同APP用不同对话逻辑，互不干扰。 难度三：手机发热卡顿 持续开多模态感知会让手机发烫、降频。所以要做两套模式：平时低功耗只记录文字，你主动提问或遇到复杂画面时，再全力运行。
跨APP AI助手：我自己去年的实践
以上内容并不只是畅想，我自己其实是有一些实践基础的。
去年夏天发现豆包APP（不是豆包手机）的通话功能可以在切换到其他APP继续使用，我自己也尝试AI编程了一个类似App。其实并不复杂，只要在手机上授予这个APP屏幕直播的权限以及后台语音权限，就可以实现这样的功能（使用其他APP，然后同时可以跟豆包APP语音对话）。
按照现在的AI编程工具能力来讲，几个小时就可以把原型做出来。但是，如何让这个AI助手在耗电方面、在反应速度方面、在记忆方面表现更好，那就需要更长时间努力了。当时我调用云服务器上的AI能力，卡顿是非常明显的。
现在有了谷歌这样的模型，可以把大部分的AI处理能力放到本地执行。
我没有觉得要100% 的本地执行，一些复杂的事情还是可以在云服务上执行。
昨天一位老同事兴奋地跟我说，谷歌开源模型Gemma 4已经能在他手机上本地跑起来了，还能识别图片和声音。 这件事让我想到了去年火过一阵的豆包手机，当时它的跨App自动操作功能让人特别期待，本来可以类似于今年OpenClaw一样成为一个帮人干活的好助手，但是因为各大手机APP的抵制，再加上Token成本、运行速度的现实问题，这类产品还是没能真正普及。 谷歌这个模型的发布，让我看到了豆包手机这种在手机内部运行的AI助手再次崛起的可能性，后续也许要从两条路一起看。 一条路，是等手机厂商自己发力，像小米、华为这些厂商都在做本地AI、系统级助手的探索，他们有硬件、有系统、有合规优势，步子会走得稳，但也会相对保守。 另一条路，则是个人开发者冲起来，更快、也更大胆地去试错。就像OpenClaw那样，由个人开发者几个月做起来的项目，没有大厂的合规包袱和流程限制，在隐私保护、成本控制这些点上，反而更容易跑出不一样的突破。
在使用模式上，这类助手其实也有两条路线可以走： 一种是全自动接管模式，让AI直接帮你做事，但这条路阻力很大，不光权限复杂，还会遇到其他APP不配合、生态不开放的问题。 另一种就是陪伴式模式——手机还是你自己在操作、自己做主，AI就在旁边默默看着、陪着你，在合适的时候给点提醒、建议、安慰，不抢控制权。 畅想：超越App，手机维度的数字搭档 1. 核心定位：“外挂感官”与“情绪容器” 这个AI不再是一个点开、问问、关掉就走的APP，它是你手机系统里的一个常驻观察者。 • 跨场景陪伴：刷短视频刷到空虚时，它能根据你的使用时长提醒你：“已经刷40分钟了，要不要去阳台站一会儿？” • 社交辅助：在微信里纠结怎么回复老板或另一半时，它能感知当前对话，贴心建议：“按你平时的风格，这样说有点生硬，加个表情会柔和很多。” • 知识沉淀：所有比价、阅读、会议记录，都会慢慢沉淀成你的个人知识库，时间越久，它就越懂你。
2. 技术实现架构：三层感知模型 要实现这种深度陪伴，技术上必须从“单次问答”转向“持续实时感知”。 A. 视觉感知：看懂你在做什么 利用屏幕读取和系统底层能力，实时“看”你的手机界面。 一直截图很耗电，所以只在页面发生明显变化时才分析画面，转成文字理解场景，不存原图，省电又省空间。 B. 语音交互：自然跟你聊天 放弃“喊唤醒词才能说话”的老模式，实现无缝对话。你可以一边玩手机一边跟它聊，它能根据屏幕内容实时接话，语气也跟着场景变。 C. 本地记忆：长久记住你的一切 在手机本地把你的行为、对话、浏览记录自动整理成结构化记忆，比如：某款跑鞋→价格499→去年收藏过同款，下次遇到相关内容就能立刻关联上。
3. 目前最难的三个技术难题 难度一：权限限制 现在安卓和iOS对隐私管控很严，长期后台感知屏幕、占用芯片资源很容易被系统杀掉。个人做的话，需要借助工具提升权限，保证AI不会被随意关闭。 难度二：记忆串台 短时间内频繁切换APP，AI可能会记忆混乱，比如回邮件时突然提到淘宝商品。解决办法是按应用划分场景，不同APP用不同对话逻辑，互不干扰。 难度三：手机发热卡顿 持续开多模态感知会让手机发烫、降频。所以要做两套模式：平时低功耗只记录文字，你主动提问或遇到复杂画面时，再全力运行。
跨APP AI助手：我自己去年的实践
以上内容并不只是畅想，我自己其实是有一些实践基础的。
去年夏天发现豆包APP（不是豆包手机）的通话功能可以在切换到其他APP继续使用，我自己也尝试AI编程了一个类似App。其实并不复杂，只要在手机上授予这个APP屏幕直播的权限以及后台语音权限，就可以实现这样的功能（使用其他APP，然后同时可以跟豆包APP语音对话）。
按照现在的AI编程工具能力来讲，几个小时就可以把原型做出来。但是，如何让这个AI助手在耗电方面、在反应速度方面、在记忆方面表现更好，那就需要更长时间努力了。当时我调用云服务器上的AI能力，卡顿是非常明显的。
现在有了谷歌这样的模型，可以把大部分的AI处理能力放到本地执行。
我没有觉得要100% 的本地执行，一些复杂的事情还是可以在云服务上执行。
4 22
从 OpenClaw 一天上百次调用，聊聊 AI记忆该怎么做
这几天对着Claude Code、OpenClaw源码反复琢磨，又统计了自己OpenClaw的真实调用数据，越梳理越清晰一个核心道理：AI能不能记事儿，从来不是单纯的技术难题，本质是成本能否扛住、产品定位是否匹配的问题。
很多人用AI只图“好用就行”，很少深究：同样是能聊天的AI，为啥有的记不住事，有的能跟着你长期干活？同样是写代码、做自动化的干活型AI，记忆方式的差别为啥能大到天壤之别？先上一组真实数据，看看我的AI使用强度到底有多高——
OpenClaw后台定时任务统计（不含手动对话）：
3月24日：52次
3月25–27日：46次
3月28–29日：44次
3月30日：48次
3月31日：49次
4月1日：48次
4月2日：45次
平均每天后台自动调用约45–50次，涵盖多城市天气播报、工作日股价查询、服务心跳检查、家庭日记增量同步、万年历与日期查询等。再加上主动对话，每天平均72次。后台任务+主动对话+内部工具调用，一天轻松突破100次。
这样的调用强度，让“记忆”这件事的成本爆炸风险被无限放大。而OpenClaw之所以能做到强记忆，核心是它从一开始就不是常规项目——作为亿万富翁玩票性质的项目，它用“钞能力”打破了普通AI的成本枷锁，也走出了完全不同的产品路径。
先分清两类AI：定价与定位，天差地别
市面上的AI助手，看似都能聊天对话，实则分属两种完全不同的产品逻辑，定价、记忆能力、使用上限，从根上就不一样。
一、聊天消遣型AI：免费/低价，记忆只是“锦上添花”
像ChatGPT标准版、Gemini、豆包、元宝、文心一言这类，主打日常问答、闲聊、简单文案生成，是典型的“消遣型”。
它们的模式高度统一：
• 定价极低甚至免费，靠海量用户分摊成本；
• 人均日使用次数极少，大多在3～6次；
• 记忆能力普遍薄弱——大部分只有单会话上下文，关掉对话就“清零”；长期记忆要么没上线，要么只对少量付费用户灰度开放。
核心逻辑很直白：低价/免费→必须严控成本→记忆能省则省。对这类AI来说，基础问答够用就好，强记忆反而会成为成本负担，完全没必要。
二、干活生产力型AI：收费更高，记忆是“刚需”
而Cursor、Claude Code、Copilot这类，定位是写代码、做工程、跑复杂自动化任务，属于“干活型AI”，是真正的生产力工具。
它们的特点也很鲜明：
• 收费明显更高，多为按月订阅，单价远超普通聊天AI；
• 用户使用更频繁、任务更重，对对话连续性、长期记忆的要求极高；
• 记忆必须成为核心能力，不然根本没法跟进复杂项目。
但即便如此，这类平台依然会设置上下文额度、调用次数限制——因为就算是付费用户，无限放开强记忆，成本也会彻底失控。
所以规律很明显：越能干活的AI，越贵；越贵的AI，记忆才敢做得稍强，但仍有明确边界。
同样是干活AI，记忆设计差距为何巨大？
即便都定位为生产力工具，不同产品的记忆思路，也完全不在一个维度，核心差异体现在三类设计范式上。
1. 编辑器插件型（以Copilot为代表）
• 记忆范围极窄，仅包含当前编辑文件+最近几轮对话；
• 几乎没有跨会话、跨天记忆，重启编辑器就“失忆”；
• 适合单次代码编写、临时小任务，完全不适合长期项目跟进。
2. 会话助手型（以Claude Code为代表）
• 依赖用户手动维护一个项目说明文件，启动时把所有内容全塞进上下文；
• 没有智能检索、没有索引、没有时间权重，只是简单的静态文本；
• 随着内容增多，文件越来越大，不仅容易卡顿，还会疯狂消耗token，成本直线上升；
• 本质是“人工管理的静态笔记”，而非真正的动态记忆系统。
3. 长期个人助手型（以OpenClaw为代表）
• 记忆是系统级能力，自动采集、自动归档、自动检索，全程无需用户干预；
• 支持跨会话、跨天、跨任务持续记忆，能长期跟进你的各类需求；
• 内置压缩、召回、权重机制，兼顾记忆效果和成本消耗；
• 最关键的是，你可以自主配置模型，使用上限完全由自己掌控。
OpenClaw的核心差异：自部署+自选模型，掌控成本与上限
这也是它和所有SaaS型干活AI最大的区别——它不是封闭的订阅服务，而是可自主部署、自由搭配模型的工具。
你可以根据不同场景，灵活选择模型：
• 用便宜的小模型处理日常调用、心跳检查、基础数据查询，大幅降低成本；
• 遇到复杂思考、记忆整理、深度任务时，再切换更强的大模型保证效果；
• 调用次数、记忆强度、上下文大小，全部由你自己决定，没有平台限流、额度限制、功能阉割。
对我这种一天调用超100次、后台24小时跑定时任务的用户来说：
• 封闭SaaS型AI要么太贵，要么限制太多，根本无法长期稳定使用；
• 只有自部署+灵活选模型的模式，才能在“强记忆”和“低成本”之间找到平衡，适配我的高频使用需求。
也正因为如此，OpenClaw的记忆机制必须做得更克制、更精细——它的使用强度和上限，本就比普通AI高一个档次，容不得半点浪费。
高频调用下，记忆的成本到底藏在哪？
很多人误以为AI记忆就是“存点文本”，其实背后是一整套成本链路，每一环都离不开真金白银的投入。
1. 加工记忆的成本
每一段记忆都需要提炼、压缩、结构化，才能适配AI的理解逻辑。这个过程中，每一次提炼、每一次转换，都会消耗大量token，也就是实打实的成本。
2. 存储与检索的成本
随着记忆数量越来越多，索引搭建、数据检索、数据库维护的开销都会持续上升。记忆越丰富，检索的复杂度和成本就越高。
3. 塞入上下文的成本（最关键）
这是记忆成本的核心大头。每次调用AI，都要把相关记忆内容塞进上下文里，调用越频繁，上下文长度就越长，token消耗就越夸张，成本自然水涨船高。
这就解释了为什么：
• 免费聊天AI不敢做强记忆，成本根本扛不住；
• 收费干活AI也不敢无限放开记忆，否则会陷入成本危机；
• 只有自部署的OpenClaw，能通过精细化的记忆架构，在“强记忆”和“低成本”之间找到最优解。
最后说句实在的
看遍各类AI助手的设计逻辑，再对照自己一天上百次的真实使用量，结论其实很直白：AI记忆的差距，从来不是“聪不聪明”，而是“配不配得上你的使用强度”。
• 聊天AI：免费/低价→用户使用轻量→记忆弱，基础需求够用即可；
• 普通干活AI：收费更高→使用更重→记忆稍强，但受平台成本限制，有明确边界；
• OpenClaw这类自部署工具：自选模型、自主控成本→使用上限更高→记忆必须搭建完整架构，兼顾效果与成本。
没有绝对完美的记忆机制，只有最适配你使用方式的那一种。当你真正把AI当成24小时在线的私人管家，就会明白：记忆从来不是一个孤立的功能，而是支撑整个AI产品的底层架构。
这几天对着Claude Code、OpenClaw源码反复琢磨，又统计了自己OpenClaw的真实调用数据，越梳理越清晰一个核心道理：AI能不能记事儿，从来不是单纯的技术难题，本质是成本能否扛住、产品定位是否匹配的问题。
很多人用AI只图“好用就行”，很少深究：同样是能聊天的AI，为啥有的记不住事，有的能跟着你长期干活？同样是写代码、做自动化的干活型AI，记忆方式的差别为啥能大到天壤之别？先上一组真实数据，看看我的AI使用强度到底有多高——
OpenClaw后台定时任务统计（不含手动对话）：
3月24日：52次
3月25–27日：46次
3月28–29日：44次
3月30日：48次
3月31日：49次
4月1日：48次
4月2日：45次
平均每天后台自动调用约45–50次，涵盖多城市天气播报、工作日股价查询、服务心跳检查、家庭日记增量同步、万年历与日期查询等。再加上主动对话，每天平均72次。后台任务+主动对话+内部工具调用，一天轻松突破100次。
这样的调用强度，让“记忆”这件事的成本爆炸风险被无限放大。而OpenClaw之所以能做到强记忆，核心是它从一开始就不是常规项目——作为亿万富翁玩票性质的项目，它用“钞能力”打破了普通AI的成本枷锁，也走出了完全不同的产品路径。
先分清两类AI：定价与定位，天差地别
市面上的AI助手，看似都能聊天对话，实则分属两种完全不同的产品逻辑，定价、记忆能力、使用上限，从根上就不一样。
一、聊天消遣型AI：免费/低价，记忆只是“锦上添花”
像ChatGPT标准版、Gemini、豆包、元宝、文心一言这类，主打日常问答、闲聊、简单文案生成，是典型的“消遣型”。
它们的模式高度统一：
• 定价极低甚至免费，靠海量用户分摊成本；
• 人均日使用次数极少，大多在3～6次；
• 记忆能力普遍薄弱——大部分只有单会话上下文，关掉对话就“清零”；长期记忆要么没上线，要么只对少量付费用户灰度开放。
核心逻辑很直白：低价/免费→必须严控成本→记忆能省则省。对这类AI来说，基础问答够用就好，强记忆反而会成为成本负担，完全没必要。
二、干活生产力型AI：收费更高，记忆是“刚需”
而Cursor、Claude Code、Copilot这类，定位是写代码、做工程、跑复杂自动化任务，属于“干活型AI”，是真正的生产力工具。
它们的特点也很鲜明：
• 收费明显更高，多为按月订阅，单价远超普通聊天AI；
• 用户使用更频繁、任务更重，对对话连续性、长期记忆的要求极高；
• 记忆必须成为核心能力，不然根本没法跟进复杂项目。
但即便如此，这类平台依然会设置上下文额度、调用次数限制——因为就算是付费用户，无限放开强记忆，成本也会彻底失控。
所以规律很明显：越能干活的AI，越贵；越贵的AI，记忆才敢做得稍强，但仍有明确边界。
同样是干活AI，记忆设计差距为何巨大？
即便都定位为生产力工具，不同产品的记忆思路，也完全不在一个维度，核心差异体现在三类设计范式上。
1. 编辑器插件型（以Copilot为代表）
• 记忆范围极窄，仅包含当前编辑文件+最近几轮对话；
• 几乎没有跨会话、跨天记忆，重启编辑器就“失忆”；
• 适合单次代码编写、临时小任务，完全不适合长期项目跟进。
2. 会话助手型（以Claude Code为代表）
• 依赖用户手动维护一个项目说明文件，启动时把所有内容全塞进上下文；
• 没有智能检索、没有索引、没有时间权重，只是简单的静态文本；
• 随着内容增多，文件越来越大，不仅容易卡顿，还会疯狂消耗token，成本直线上升；
• 本质是“人工管理的静态笔记”，而非真正的动态记忆系统。
3. 长期个人助手型（以OpenClaw为代表）
• 记忆是系统级能力，自动采集、自动归档、自动检索，全程无需用户干预；
• 支持跨会话、跨天、跨任务持续记忆，能长期跟进你的各类需求；
• 内置压缩、召回、权重机制，兼顾记忆效果和成本消耗；
• 最关键的是，你可以自主配置模型，使用上限完全由自己掌控。
OpenClaw的核心差异：自部署+自选模型，掌控成本与上限
这也是它和所有SaaS型干活AI最大的区别——它不是封闭的订阅服务，而是可自主部署、自由搭配模型的工具。
你可以根据不同场景，灵活选择模型：
• 用便宜的小模型处理日常调用、心跳检查、基础数据查询，大幅降低成本；
• 遇到复杂思考、记忆整理、深度任务时，再切换更强的大模型保证效果；
• 调用次数、记忆强度、上下文大小，全部由你自己决定，没有平台限流、额度限制、功能阉割。
对我这种一天调用超100次、后台24小时跑定时任务的用户来说：
• 封闭SaaS型AI要么太贵，要么限制太多，根本无法长期稳定使用；
• 只有自部署+灵活选模型的模式，才能在“强记忆”和“低成本”之间找到平衡，适配我的高频使用需求。
也正因为如此，OpenClaw的记忆机制必须做得更克制、更精细——它的使用强度和上限，本就比普通AI高一个档次，容不得半点浪费。
高频调用下，记忆的成本到底藏在哪？
很多人误以为AI记忆就是“存点文本”，其实背后是一整套成本链路，每一环都离不开真金白银的投入。
1. 加工记忆的成本
每一段记忆都需要提炼、压缩、结构化，才能适配AI的理解逻辑。这个过程中，每一次提炼、每一次转换，都会消耗大量token，也就是实打实的成本。
2. 存储与检索的成本
随着记忆数量越来越多，索引搭建、数据检索、数据库维护的开销都会持续上升。记忆越丰富，检索的复杂度和成本就越高。
3. 塞入上下文的成本（最关键）
这是记忆成本的核心大头。每次调用AI，都要把相关记忆内容塞进上下文里，调用越频繁，上下文长度就越长，token消耗就越夸张，成本自然水涨船高。
这就解释了为什么：
• 免费聊天AI不敢做强记忆，成本根本扛不住；
• 收费干活AI也不敢无限放开记忆，否则会陷入成本危机；
• 只有自部署的OpenClaw，能通过精细化的记忆架构，在“强记忆”和“低成本”之间找到最优解。
最后说句实在的
看遍各类AI助手的设计逻辑，再对照自己一天上百次的真实使用量，结论其实很直白：AI记忆的差距，从来不是“聪不聪明”，而是“配不配得上你的使用强度”。
• 聊天AI：免费/低价→用户使用轻量→记忆弱，基础需求够用即可；
• 普通干活AI：收费更高→使用更重→记忆稍强，但受平台成本限制，有明确边界；
• OpenClaw这类自部署工具：自选模型、自主控成本→使用上限更高→记忆必须搭建完整架构，兼顾效果与成本。
没有绝对完美的记忆机制，只有最适配你使用方式的那一种。当你真正把AI当成24小时在线的私人管家，就会明白：记忆从来不是一个孤立的功能，而是支撑整个AI产品的底层架构。
4 12
人与人是不同的，AI Agent也是不同的
这几天AI圈比较热闹的事，Claude Code 的代码被泄露出来了。我也好奇去翻了翻，和两个月前翻看过的OpenClaw对比，再结合自己了解的一些AI项目，有一个感受：同样是 AI Agent，AI 编程助手和我们平时用的 AI 搜索、AI 客服，在设计思路、代码实现上完全不是一个路子。
它们虽然都叫“智能体”，但一些是帮你深度干活、长期跑任务的“搭档”，另一些更像是快速回答、一次性服务的“问询台”。
比较关键的几个差异：
• 它是跑在你自己电脑上，还是跑在服务器上？
• 是只给你一个人专用，还是一堆人共享？
• 是只回答问题，还是能真正替你操作、调度、执行一整套流程？
这些看似很小的实现细节，决定了一个 AI Agent 到底能做什么、适合什么业务、值不值得落地。
因为这次看源码，我系统性地梳理了一下：
现在市面上的 AI Agent，到底可以分成哪些类型？
先搞懂 4 个关键点，就能看懂所有 AI Agent
1. 反应快不快
有些AI Agent要秒回，有些可以几分钟、几个小时甚至几天给结果。
2. 一次要干多久
有的问一句就结束，有的要连续干几天。类似我此前提到的机场问询台vs高管助理。
3. 成本贵不贵
就是客服，卖机票的、卖演唱会门票的、卖酒的......可接受成本差别迥异，背后的模型类型和调用次数也就不一样。
4. 过程能不能出错
写代码，过程出错无所谓，试探几次结果对了就好；客服不可以，你不能让AI给一个客户说三套话术。
就这四条，足够你判断任何一个 AI Agent 适合不适合你的场景。我把常见 AI Agent 分成 8 类：
1. 总调度型 Agent（老板型）
它不做具体执行，而是负责：
分任务、派活、协调其他 AI、盯进度、处理意外。
适合复杂业务、跨系统流程、大型自动化运营。
2. 代码与文档型 Agent
专门写代码、改 Bug、生成报告、处理法律或财务文档。
特点是：过程可以出错但是结果要符合验收标准，逻辑要强、能读长内容。
典型代表就是 Claude Code 这种 AI 编程工具。
3. 情报整理型 Agent
帮你盯行业新闻、扒竞品动态、汇总舆情、生成日报。
要求信息真实、不乱编、速度快。
4. 客服行政型 Agent
就是我们最常见的 AI 客服。
特点是：快、便宜、标准化、不乱说话。
一次性问答为主，不做深度决策。
5. 导购推荐型 Agent
根据你的喜好推荐商品、旅行方案、保险配置等。
需要多轮聊天、记住偏好、引导需求。
6. 内容创作型 Agent
写文案、想标题、做脚本、搞创意。
一些底线不能突破，在此之上不要求百分百精准，但风格要对、表达要顺。
7. 学习陪练型 Agent
用来培训员工、教技能、带新人、做复盘。
可以长期陪伴、慢慢提升，不追求立刻出结果。
8. 经营增长型 Agent（业务常用）
帮商家看数据、做诊断、提运营建议、自动上活动、投广告、优化预算。
直接和营收挂钩，所以数据要准、建议要靠谱。
这次看完 Claude Code 我一大体会是：
AI 真正的未来，不是更会聊天，而是更会干活。不是回答问题，而是替人执行。
AI 搜索、AI 客服很有用，但它们属于“轻量型、一次性”的 Agent。而像 Claude Code 这样的 AI 编程助手，代表的是另一类更强大、更深度、更长期的工作模式。
还有很重要的一点，Claude code内含的逻辑就是知道AI会犯错，他们的代码表达了他们的理念：AI 会遗忘、会写错、会幻觉。所以整个系统不是“让 AI 不犯错”，而是“让 AI 犯错也能兜住、自动修好”。
人无完人，重要的是人岗匹配，以及多人协作机制。AI、AI Agent也不完美，要找到适合你特定场景的模型和Agent模式。
这几天AI圈比较热闹的事，Claude Code 的代码被泄露出来了。我也好奇去翻了翻，和两个月前翻看过的OpenClaw对比，再结合自己了解的一些AI项目，有一个感受：同样是 AI Agent，AI 编程助手和我们平时用的 AI 搜索、AI 客服，在设计思路、代码实现上完全不是一个路子。
它们虽然都叫“智能体”，但一些是帮你深度干活、长期跑任务的“搭档”，另一些更像是快速回答、一次性服务的“问询台”。
比较关键的几个差异：
• 它是跑在你自己电脑上，还是跑在服务器上？
• 是只给你一个人专用，还是一堆人共享？
• 是只回答问题，还是能真正替你操作、调度、执行一整套流程？
这些看似很小的实现细节，决定了一个 AI Agent 到底能做什么、适合什么业务、值不值得落地。
因为这次看源码，我系统性地梳理了一下：
现在市面上的 AI Agent，到底可以分成哪些类型？
先搞懂 4 个关键点，就能看懂所有 AI Agent
1. 反应快不快
有些AI Agent要秒回，有些可以几分钟、几个小时甚至几天给结果。
2. 一次要干多久
有的问一句就结束，有的要连续干几天。类似我此前提到的机场问询台vs高管助理。
3. 成本贵不贵
就是客服，卖机票的、卖演唱会门票的、卖酒的......可接受成本差别迥异，背后的模型类型和调用次数也就不一样。
4. 过程能不能出错
写代码，过程出错无所谓，试探几次结果对了就好；客服不可以，你不能让AI给一个客户说三套话术。
就这四条，足够你判断任何一个 AI Agent 适合不适合你的场景。我把常见 AI Agent 分成 8 类：
1. 总调度型 Agent（老板型）
它不做具体执行，而是负责：
分任务、派活、协调其他 AI、盯进度、处理意外。
适合复杂业务、跨系统流程、大型自动化运营。
2. 代码与文档型 Agent
专门写代码、改 Bug、生成报告、处理法律或财务文档。
特点是：过程可以出错但是结果要符合验收标准，逻辑要强、能读长内容。
典型代表就是 Claude Code 这种 AI 编程工具。
3. 情报整理型 Agent
帮你盯行业新闻、扒竞品动态、汇总舆情、生成日报。
要求信息真实、不乱编、速度快。
4. 客服行政型 Agent
就是我们最常见的 AI 客服。
特点是：快、便宜、标准化、不乱说话。
一次性问答为主，不做深度决策。
5. 导购推荐型 Agent
根据你的喜好推荐商品、旅行方案、保险配置等。
需要多轮聊天、记住偏好、引导需求。
6. 内容创作型 Agent
写文案、想标题、做脚本、搞创意。
一些底线不能突破，在此之上不要求百分百精准，但风格要对、表达要顺。
7. 学习陪练型 Agent
用来培训员工、教技能、带新人、做复盘。
可以长期陪伴、慢慢提升，不追求立刻出结果。
8. 经营增长型 Agent（业务常用）
帮商家看数据、做诊断、提运营建议、自动上活动、投广告、优化预算。
直接和营收挂钩，所以数据要准、建议要靠谱。
这次看完 Claude Code 我一大体会是：
AI 真正的未来，不是更会聊天，而是更会干活。不是回答问题，而是替人执行。
AI 搜索、AI 客服很有用，但它们属于“轻量型、一次性”的 Agent。而像 Claude Code 这样的 AI 编程助手，代表的是另一类更强大、更深度、更长期的工作模式。
还有很重要的一点，Claude code内含的逻辑就是知道AI会犯错，他们的代码表达了他们的理念：AI 会遗忘、会写错、会幻觉。所以整个系统不是“让 AI 不犯错”，而是“让 AI 犯错也能兜住、自动修好”。
人无完人，重要的是人岗匹配，以及多人协作机制。AI、AI Agent也不完美，要找到适合你特定场景的模型和Agent模式。
2 00
刚才听一个关于AI采购的播客，听了一会不想听了，因为太夸张了。采购流程降低到几毫秒，你咋不说几纳秒呢？
我认可AI在采购流程中的价值。例如信息的抓取、分析，以及对于产品的评测。但是这种把时间降低到几毫、成本接近为零的说法，就属于大忽悠了。
我认可AI在采购流程中的价值。例如信息的抓取、分析，以及对于产品的评测。但是这种把时间降低到几毫、成本接近为零的说法，就属于大忽悠了。
3 20
穿Prada的女魔头又要上演第二部了，我跟AI助手聊了聊：
电影里所有“精明、干练、专业、高级”，全都是表象
真正的底层逻辑只有一句：
时尚杂志 + 时尚编辑 = 奢侈品品牌的高级销售与形象背书团队。
• 普拉达、香奈儿、迪奥这些品牌，负责造高价商品
• 杂志、主编、编辑们，负责造高级感、造梦、造身份认同
• 两者一配合，就能让普通人觉得：
“买这个包，我就变高级了。”
所以：
• 米兰达所谓的“品味、眼光、权威”，本质是品牌赋予的话语权
• 杂志所谓的“引领时尚”，本质是引导消费
• 安迪所谓的“成长、干练”，本质是学会了怎么更高效地帮品牌讲故事、卖东西
她们越专业、越苛刻、越精准，
就越能让品牌的东西显得值钱、值得疯抢。
电影里所有“精明、干练、专业、高级”，全都是表象
真正的底层逻辑只有一句：
时尚杂志 + 时尚编辑 = 奢侈品品牌的高级销售与形象背书团队。
• 普拉达、香奈儿、迪奥这些品牌，负责造高价商品
• 杂志、主编、编辑们，负责造高级感、造梦、造身份认同
• 两者一配合，就能让普通人觉得：
“买这个包，我就变高级了。”
所以：
• 米兰达所谓的“品味、眼光、权威”，本质是品牌赋予的话语权
• 杂志所谓的“引领时尚”，本质是引导消费
• 安迪所谓的“成长、干练”，本质是学会了怎么更高效地帮品牌讲故事、卖东西
她们越专业、越苛刻、越精准，
就越能让品牌的东西显得值钱、值得疯抢。
5 10
跳出工具做AI：从“人操作软件”到“AI调度一切，人只做总指挥”
年初我曾写过一篇展望，核心判断一直很清晰：
一味往现有工具里堆砌AI助手，走到极致也只是优化，算不上真正的变革。
走过这三个月，行业的走向让我更加笃定这一点。
放眼当下，不少产品仍在沿用旧思路：
• Office、WPS 内置AI写作、智能总结
• 修图、设计工具加上AI生成与智能美化
• 各类文档、聊天、数据平台纷纷标配内嵌AI助手
• 就连一年前的AI编程工具，也只是在IDE侧边挂载助手，短时对话、小范围改码
这些都属于同一套逻辑：在工具内部做AI。
路径始终是：人打开软件 → 人操作工具 → AI在旁辅助。
AI被局限在单一应用之内，只能完成碎片化、短周期的辅助工作，一旦涉及跨工具、长流程、复杂协同的任务，便难以承接。
其实行业在一年多前就出现过一次重要转向：
从 Copilot 走向 Agent，从固定工作流转向具备自主行动能力的智能体。
业内普遍意识到，AI不应只被动响应，更要主动推进任务。
可即便进入Agent时代，绝大多数仍只是工具内智能体——
名字看似前沿，本质仍是升级版助手，依旧没有跳出单一软件的边界。
真正的进化，不是让AI更精通某一个工具，而是把AI放到所有工具之上。
思路需要彻底翻转：
不再是人逐个操作工具、AI随行辅助；
而是让AI作为统一的智能中枢，主动调度、串联、协同各类工具，自主推进长期且复杂的任务。
人不必再深陷执行层，不用在不同应用间反复切换，也不必逐一下达细碎指令。
人的角色，将真正升级为总指挥：
只负责设定目标、把控结果、做出关键决策，剩下的执行、调度、衔接、迭代，全部交由AI完成。
现实约束：模型能力与成本的平衡考验
想要实现“AI统一调度、跨工具长期执行”的效果，对模型能力有不低的要求，通常需要使用行业内表现靠前、能力成熟的SOTA模型，才能支撑复杂规划、工具串联、长上下文理解与稳定决策。但现阶段这类模型整体供给有限，调用成本也偏高，想要面向大量用户普及推广，还需要解决这些现实问题。
如果出于成本、供给或其他限制，改用效果一般的模型，整体体验会明显下降：任务规划容易出现偏差、工具调用不稳定，复杂流程执行成功率也会降低。这样一来，不仅很难体现出“AI调度一切”的价值，还会影响团队对项目的信心，甚至动摇大家对AI Agent实际落地的预期。这也是“工具之上的AI”从理念走向规模化应用，必须面对的现实瓶颈。
---
AI编程领域的变化，就是最直观的缩影：
• 一年前：AI只是IDE旁的短时助手，对话几分钟，工作几分钟
• 如今：AI跳出IDE边界，调度整个开发环境，承接长周期任务、全流程工作
这一领域的演进，也映照出整个行业的未来。
当下随处可见的内嵌AI，本质上都是AI发展初期的阶段性形态。
它们提升了单点效率，却没有真正把人从重复操作中解放出来。
下一阶段的核心机会，其实可以用一句话总结：
不在工具里做AI，而在工具之上做AI；
不是人使用工具，而是AI替人调度一切，人只做总指挥。
年初我曾写过一篇展望，核心判断一直很清晰：
一味往现有工具里堆砌AI助手，走到极致也只是优化，算不上真正的变革。
走过这三个月，行业的走向让我更加笃定这一点。
放眼当下，不少产品仍在沿用旧思路：
• Office、WPS 内置AI写作、智能总结
• 修图、设计工具加上AI生成与智能美化
• 各类文档、聊天、数据平台纷纷标配内嵌AI助手
• 就连一年前的AI编程工具，也只是在IDE侧边挂载助手，短时对话、小范围改码
这些都属于同一套逻辑：在工具内部做AI。
路径始终是：人打开软件 → 人操作工具 → AI在旁辅助。
AI被局限在单一应用之内，只能完成碎片化、短周期的辅助工作，一旦涉及跨工具、长流程、复杂协同的任务，便难以承接。
其实行业在一年多前就出现过一次重要转向：
从 Copilot 走向 Agent，从固定工作流转向具备自主行动能力的智能体。
业内普遍意识到，AI不应只被动响应，更要主动推进任务。
可即便进入Agent时代，绝大多数仍只是工具内智能体——
名字看似前沿，本质仍是升级版助手，依旧没有跳出单一软件的边界。
真正的进化，不是让AI更精通某一个工具，而是把AI放到所有工具之上。
思路需要彻底翻转：
不再是人逐个操作工具、AI随行辅助；
而是让AI作为统一的智能中枢，主动调度、串联、协同各类工具，自主推进长期且复杂的任务。
人不必再深陷执行层，不用在不同应用间反复切换，也不必逐一下达细碎指令。
人的角色，将真正升级为总指挥：
只负责设定目标、把控结果、做出关键决策，剩下的执行、调度、衔接、迭代，全部交由AI完成。
现实约束：模型能力与成本的平衡考验
想要实现“AI统一调度、跨工具长期执行”的效果，对模型能力有不低的要求，通常需要使用行业内表现靠前、能力成熟的SOTA模型，才能支撑复杂规划、工具串联、长上下文理解与稳定决策。但现阶段这类模型整体供给有限，调用成本也偏高，想要面向大量用户普及推广，还需要解决这些现实问题。
如果出于成本、供给或其他限制，改用效果一般的模型，整体体验会明显下降：任务规划容易出现偏差、工具调用不稳定，复杂流程执行成功率也会降低。这样一来，不仅很难体现出“AI调度一切”的价值，还会影响团队对项目的信心，甚至动摇大家对AI Agent实际落地的预期。这也是“工具之上的AI”从理念走向规模化应用，必须面对的现实瓶颈。
---
AI编程领域的变化，就是最直观的缩影：
• 一年前：AI只是IDE旁的短时助手，对话几分钟，工作几分钟
• 如今：AI跳出IDE边界，调度整个开发环境，承接长周期任务、全流程工作
这一领域的演进，也映照出整个行业的未来。
当下随处可见的内嵌AI，本质上都是AI发展初期的阶段性形态。
它们提升了单点效率，却没有真正把人从重复操作中解放出来。
下一阶段的核心机会，其实可以用一句话总结：
不在工具里做AI，而在工具之上做AI；
不是人使用工具，而是AI替人调度一切，人只做总指挥。
4 03
AI 编程不知如何开始？从个人资讯小助手开始吧
一些朋友跟我聊 AI 编程，不知道该怎么起步。我的建议很实在：先别在工作里尝试，至少不局限在工作，先给自己做点小东西。
工作场合限制比较多，数据安全、权限、合规这些问题都要考虑，还没动手就容易被卡住，打消学习的劲头。个人项目就很自由，没有太多束缚，敢尝试也敢修改，更容易入门。
今天就分享一个适合新手的 AI 编程小项目，做一款属于自己的资讯小助手。我把内容分成两部分，一部分是几小时就能做完的基础核心流程，另一部分是后续可以慢慢优化的进阶内容，循序渐进，上手比较轻松。
一、基础版：四步核心流程，快速搭建可用版本
这部分是项目的核心，不用复杂操作，跟着步骤做，短时间内就能让整个系统跑起来，适合新手先上手体验。
1. 资讯获取
获取资讯的方式有很多，新手可以任选一种开始，不用贪多：
• 通过 RSS 订阅，抓取博客、新闻站点的更新内容，来源稳定也干净；
• 调用各类 API 接口，比如搜索接口（例如阿里云、腾讯云的）、基金信息、黄金价格相关接口，有免费的也有收费的，按需选择就好；
• 写简单程序模拟浏览器访问网页，直接抓取网页上的资讯；
• 也能借助微博龙虾助手这类对话工具，提取社交平台里面的有用信息。
2. 资讯存储
存储方式不用搞得复杂，怎么方便怎么来：
• 如果资讯量不大，直接存到本地文件里就行，TXT、JSON、CSV 格式都可以，操作门槛不高；
• 后续资讯量多了，需要频繁查询、去重，再存到数据库里，方便后续加工调用。
3. 资讯加工
这一步是 AI 发挥作用的环节，把杂乱的资讯整理成实用内容：
• 遇到英文资讯，用 AI 翻译成中文，方便阅读；
• 检查资讯的新颖性，过滤掉已经存过、重复出现的内容；
• 分析资讯和自己兴趣的相关度，筛掉不关心的内容；
• 让 AI 生成简洁的摘要，再按内容重要程度排个序。
4. 资讯呈现
呈现形式以实用好读为主，不用追求花哨：
• 可以做成简单网页，也能直接推送到聊天工具的对话框里，随时能看；
• 支持纯文字展示，也能搭配图片、视频，文字还可以用 Markdown 格式排版，阅读更清晰；
• 加上基础的交互功能，比如转发、复制、语音朗读、查看链接即可。
把这四步做完，一个可用的资讯小助手就搭建完成了，整体操作难度适中，新手也能顺利完成。
二、进阶版：慢慢优化迭代，让小助手更顺手
基础版跑通之后，不用着急一步到位，慢慢优化细节，就能让小助手用起来更贴合需求，这部分也不用赶进度，抽空调整就好。
1. 打通全流程，加入个性化反馈
把资讯获取、存储、加工、阅读、后续处理这一整条链路打通，实现自动化运行，不用手动一步步操作。
同时在阅读时加入简单反馈，比如标记喜欢、不感兴趣、重要程度等，让系统逐步了解你的偏好，后续推送也会更贴合你的需求。除了这种格式化的反馈，也可以加一个类似于对话的自然语言的反馈。这种就可以让AI进行处理和跟进了。
2. 技术难点与处理方式
迭代过程中会遇到一些实际问题，处理思路也比较直观：
• AI 幻觉问题：可以要求 AI 仅基于原文生成摘要，不做额外延伸；关键信息保留原文片段，重要内容附上原文链接方便核对。
• 资讯新颖性：通过链接、标题或内容特征做去重判断，减少重复内容推送。也可以结合AI分析来给不同资讯的新颖性打分。
• 界面易用性：信息结构清晰，操作步骤简洁，优先适配手机阅读，整体体验会更友好。
3. 信息安全与合规
这个项目主要是个人自用，不涉及公司数据，整体安全风险相对可控，但仍有几点需要留意：
• 网页抓取和接口调用时，注意防范恶意代码注入等风险；
• 妥善保管 API Key、Token 等凭证，避免泄露带来不必要的损失；
• 遵守站点规则与版权要求，合理使用数据。
4. 成本与模型选择
如果关注长期运行成本，可以做简单区分：
• 编写调试代码时使用的模型；
• 日常翻译、摘要、相关性判断等任务使用的模型。
根据任务轻重选择合适的模型，有助于控制使用成本。
三、关于“这算不算编程”？
有人会说，这不就是写脚本吗，也算 AI 编程？
在我看来，这当然算编程。
日常工作里很多场景需要的正是这类自动化处理、信息整合、流程串联，不一定都要复杂架构或算法。
能够解决实际问题、提升效率，并且完整实现一套逻辑，就是很有价值的编程实践。
总结
这个资讯小助手项目，门槛适中，见效也比较快，基础版本几小时就可以跑通，使用感受自己也能直观体会到。
它不涉及敏感信息，同时有一定扩展空间，可以从简单版本逐步迭代完善。
对于想入门 AI 编程的人来说，是一个比较合适的起点，既能完整了解一套 AI 应用的流程，也能在实践中积累经验，方便后续运用到工作和生活中。
注：很多事情也未必需要从零开始，可以让你的AI助手去网上查询开源项目引入一些。
一些朋友跟我聊 AI 编程，不知道该怎么起步。我的建议很实在：先别在工作里尝试，至少不局限在工作，先给自己做点小东西。
工作场合限制比较多，数据安全、权限、合规这些问题都要考虑，还没动手就容易被卡住，打消学习的劲头。个人项目就很自由，没有太多束缚，敢尝试也敢修改，更容易入门。
今天就分享一个适合新手的 AI 编程小项目，做一款属于自己的资讯小助手。我把内容分成两部分，一部分是几小时就能做完的基础核心流程，另一部分是后续可以慢慢优化的进阶内容，循序渐进，上手比较轻松。
一、基础版：四步核心流程，快速搭建可用版本
这部分是项目的核心，不用复杂操作，跟着步骤做，短时间内就能让整个系统跑起来，适合新手先上手体验。
1. 资讯获取
获取资讯的方式有很多，新手可以任选一种开始，不用贪多：
• 通过 RSS 订阅，抓取博客、新闻站点的更新内容，来源稳定也干净；
• 调用各类 API 接口，比如搜索接口（例如阿里云、腾讯云的）、基金信息、黄金价格相关接口，有免费的也有收费的，按需选择就好；
• 写简单程序模拟浏览器访问网页，直接抓取网页上的资讯；
• 也能借助微博龙虾助手这类对话工具，提取社交平台里面的有用信息。
2. 资讯存储
存储方式不用搞得复杂，怎么方便怎么来：
• 如果资讯量不大，直接存到本地文件里就行，TXT、JSON、CSV 格式都可以，操作门槛不高；
• 后续资讯量多了，需要频繁查询、去重，再存到数据库里，方便后续加工调用。
3. 资讯加工
这一步是 AI 发挥作用的环节，把杂乱的资讯整理成实用内容：
• 遇到英文资讯，用 AI 翻译成中文，方便阅读；
• 检查资讯的新颖性，过滤掉已经存过、重复出现的内容；
• 分析资讯和自己兴趣的相关度，筛掉不关心的内容；
• 让 AI 生成简洁的摘要，再按内容重要程度排个序。
4. 资讯呈现
呈现形式以实用好读为主，不用追求花哨：
• 可以做成简单网页，也能直接推送到聊天工具的对话框里，随时能看；
• 支持纯文字展示，也能搭配图片、视频，文字还可以用 Markdown 格式排版，阅读更清晰；
• 加上基础的交互功能，比如转发、复制、语音朗读、查看链接即可。
把这四步做完，一个可用的资讯小助手就搭建完成了，整体操作难度适中，新手也能顺利完成。
二、进阶版：慢慢优化迭代，让小助手更顺手
基础版跑通之后，不用着急一步到位，慢慢优化细节，就能让小助手用起来更贴合需求，这部分也不用赶进度，抽空调整就好。
1. 打通全流程，加入个性化反馈
把资讯获取、存储、加工、阅读、后续处理这一整条链路打通，实现自动化运行，不用手动一步步操作。
同时在阅读时加入简单反馈，比如标记喜欢、不感兴趣、重要程度等，让系统逐步了解你的偏好，后续推送也会更贴合你的需求。除了这种格式化的反馈，也可以加一个类似于对话的自然语言的反馈。这种就可以让AI进行处理和跟进了。
2. 技术难点与处理方式
迭代过程中会遇到一些实际问题，处理思路也比较直观：
• AI 幻觉问题：可以要求 AI 仅基于原文生成摘要，不做额外延伸；关键信息保留原文片段，重要内容附上原文链接方便核对。
• 资讯新颖性：通过链接、标题或内容特征做去重判断，减少重复内容推送。也可以结合AI分析来给不同资讯的新颖性打分。
• 界面易用性：信息结构清晰，操作步骤简洁，优先适配手机阅读，整体体验会更友好。
3. 信息安全与合规
这个项目主要是个人自用，不涉及公司数据，整体安全风险相对可控，但仍有几点需要留意：
• 网页抓取和接口调用时，注意防范恶意代码注入等风险；
• 妥善保管 API Key、Token 等凭证，避免泄露带来不必要的损失；
• 遵守站点规则与版权要求，合理使用数据。
4. 成本与模型选择
如果关注长期运行成本，可以做简单区分：
• 编写调试代码时使用的模型；
• 日常翻译、摘要、相关性判断等任务使用的模型。
根据任务轻重选择合适的模型，有助于控制使用成本。
三、关于“这算不算编程”？
有人会说，这不就是写脚本吗，也算 AI 编程？
在我看来，这当然算编程。
日常工作里很多场景需要的正是这类自动化处理、信息整合、流程串联，不一定都要复杂架构或算法。
能够解决实际问题、提升效率，并且完整实现一套逻辑，就是很有价值的编程实践。
总结
这个资讯小助手项目，门槛适中，见效也比较快，基础版本几小时就可以跑通，使用感受自己也能直观体会到。
它不涉及敏感信息，同时有一定扩展空间，可以从简单版本逐步迭代完善。
对于想入门 AI 编程的人来说，是一个比较合适的起点，既能完整了解一套 AI 应用的流程，也能在实践中积累经验，方便后续运用到工作和生活中。
注：很多事情也未必需要从零开始，可以让你的AI助手去网上查询开源项目引入一些。
6 14
聊一聊语音输入进行AI编程的感受
身为AI产品经理，我接触AI编程已经有一年半的时间了。这段时间里，看着各类工具不断迭代，功能一点点完善，最近在语音交互这块的使用体验，让我有了不少的感触。
在过去，大部分AI编程工具都是纯文字交互，有的甚至只有命令行，没有语音交互相关的功能，我也一直是靠着打字和AI沟通需求。
去年做一些探索性项目时，我特意尝试了语音输入输出的方式，自己对于ASR、TTS这些事情也有了一些体感。
近期，越来越多AI编程工具陆续加上了语音交互功能，我开始常态化使用，慢慢摸出了这套交互方式的好用之处，还有一些很实际的小问题。
对比下来，语音输入解决了我长久以来的痛点。之前打字的时候，不管是电脑端还是手机端，输入速度都跟不上思考的速度，敲一段需求总要耗费不少时间，还经常出现错别字，尤其是同音词类似词的歧义，比如“离开”和“立刻”、“全不”和“全部”，总要反复修改挑选，本来连贯的思路，被这些细碎的操作打断，特别影响状态。
现在有了语音输入就不一样了，当下的语音识别技术能结合语境自动纠错，不用再纠结字词对错，表达起来格外流畅。心里想到什么需求、有什么细节想法，直接说出来就行，打字可能只能勉强梳理一两百字的需求，用语音轻轻松松就能说四五百字，能把需求的背景、细节偏好、甚至一些临时想到的补充点都完整传递给AI，思维不会被输入方式拖累，这是打字很难实现的顺畅感。
当然，使用过程中也发现了现阶段的小不足：很多AI编程工具目前只支持语音输入，却没有配套的语音输出功能。有时候AI返回大段代码说明或是需求反馈，盯着屏幕看久了，眼睛会觉得累，期待能有语音播报辅助接收信息。
但这里也藏着一个很有意思的效率矛盾，也是我这段时间摸索出来的小经验：语音和文字的输入输出效率，其实是完全相反的。
语音输入的优势很明显，快且流畅，能完整承载想法；可语音输出恰恰相反，效率远不如文字。文字可以一次性呈现几百上千字的内容，我们阅读速度快，扫一眼就能抓住核心重点，需要细看时也能逐字琢磨；但如果让语音逐字逐句朗读大段内容，反而会显得拖沓，听久了容易分心，甚至会觉得是种负担，远没有看文字来得高效。
所以我去年在做几个AI探索项目的时候总结了一个小技巧：不用追求语音和文字内容完全一致。屏幕上的文字保留完整版本，方便查阅、复制、细致核对；如果做语音输出，只需要做精简的概要版就好，提炼核心结论、关键改动点，快速抓住重点即可，不用把屏幕上的每一个字都朗读出来，这样既兼顾了信息的完整性，又不会让信息接收变得低效。
其实用语音做AI编程，算不上什么颠覆性的改变，只是一种更贴近人类自然表达习惯的交互方式。从早年打字和AI沟通，到现在用语音顺畅表达，再到慢慢摸索出适合自己的输入输出搭配方式，也是AI工具一步步贴近使用者需求的体现。没有什么夸张的变革，只是这样小小的使用体验优化，慢慢让体验变得更顺畅。
身为AI产品经理，我接触AI编程已经有一年半的时间了。这段时间里，看着各类工具不断迭代，功能一点点完善，最近在语音交互这块的使用体验，让我有了不少的感触。
在过去，大部分AI编程工具都是纯文字交互，有的甚至只有命令行，没有语音交互相关的功能，我也一直是靠着打字和AI沟通需求。
去年做一些探索性项目时，我特意尝试了语音输入输出的方式，自己对于ASR、TTS这些事情也有了一些体感。
近期，越来越多AI编程工具陆续加上了语音交互功能，我开始常态化使用，慢慢摸出了这套交互方式的好用之处，还有一些很实际的小问题。
对比下来，语音输入解决了我长久以来的痛点。之前打字的时候，不管是电脑端还是手机端，输入速度都跟不上思考的速度，敲一段需求总要耗费不少时间，还经常出现错别字，尤其是同音词类似词的歧义，比如“离开”和“立刻”、“全不”和“全部”，总要反复修改挑选，本来连贯的思路，被这些细碎的操作打断，特别影响状态。
现在有了语音输入就不一样了，当下的语音识别技术能结合语境自动纠错，不用再纠结字词对错，表达起来格外流畅。心里想到什么需求、有什么细节想法，直接说出来就行，打字可能只能勉强梳理一两百字的需求，用语音轻轻松松就能说四五百字，能把需求的背景、细节偏好、甚至一些临时想到的补充点都完整传递给AI，思维不会被输入方式拖累，这是打字很难实现的顺畅感。
当然，使用过程中也发现了现阶段的小不足：很多AI编程工具目前只支持语音输入，却没有配套的语音输出功能。有时候AI返回大段代码说明或是需求反馈，盯着屏幕看久了，眼睛会觉得累，期待能有语音播报辅助接收信息。
但这里也藏着一个很有意思的效率矛盾，也是我这段时间摸索出来的小经验：语音和文字的输入输出效率，其实是完全相反的。
语音输入的优势很明显，快且流畅，能完整承载想法；可语音输出恰恰相反，效率远不如文字。文字可以一次性呈现几百上千字的内容，我们阅读速度快，扫一眼就能抓住核心重点，需要细看时也能逐字琢磨；但如果让语音逐字逐句朗读大段内容，反而会显得拖沓，听久了容易分心，甚至会觉得是种负担，远没有看文字来得高效。
所以我去年在做几个AI探索项目的时候总结了一个小技巧：不用追求语音和文字内容完全一致。屏幕上的文字保留完整版本，方便查阅、复制、细致核对；如果做语音输出，只需要做精简的概要版就好，提炼核心结论、关键改动点，快速抓住重点即可，不用把屏幕上的每一个字都朗读出来，这样既兼顾了信息的完整性，又不会让信息接收变得低效。
其实用语音做AI编程，算不上什么颠覆性的改变，只是一种更贴近人类自然表达习惯的交互方式。从早年打字和AI沟通，到现在用语音顺畅表达，再到慢慢摸索出适合自己的输入输出搭配方式，也是AI工具一步步贴近使用者需求的体现。没有什么夸张的变革，只是这样小小的使用体验优化，慢慢让体验变得更顺畅。
5 22
SNS引入AI推荐，更深刻理解内容的本质，而不过于依赖行为统计
最近在 X（原Twitter）上，有个小现象值得一说。
X 平台产品负责人 nikitabier 转发了工程师 Yuki Obuchi 的帖子，称赞道：
“干得漂亮，Yuki。你改变了世界！”
事情本身很简单：一位日本网友发的关于烧肉的帖子，通过平台 Grok 大模型分析后，没有花钱推广、没有官方运营助推、也没有大V特意转发，就自然地被大量不同国家、不同语言的用户看到，还引发了很多跨语言互动。
这位负责人在帖子里特别提到：这是一次完全自然的增长，也是平台第一次出现这种情况，自己都觉得意外。
更关键的是，这说明算法已经基本不再受语言的限制。这件小事，恰好把 AI 推荐和传统推荐的差别，展现得很清楚。
我们以前熟悉的信息流推荐，大多是协同过滤那套逻辑：
你看什么，就给你推同类；你说什么语言，就只给你推什么语言。
算法更像在统计行为，并不真正理解内容在讲什么，最多也就是给内容打一些标签，例如它是关于美食，还是关于交通，还是关于学习？
而新一代 AI 推荐不一样，它能“真正”读懂内容本身。它知道这条烧肉帖是日常、是美食、是轻松有趣的分享，而不是只把它当成一段日文。
于是它直接把内容推荐给全世界可能喜欢这类生活分享的人，语言不再是一道墙。
我一直觉得，未来的内容分发会朝着这个方向走：
AI 并不像传统的推荐算法那样，基于很多的参数，基于概率来猜测每个人跟每一个标签的相关性，而是更全面、更深刻、更有体系的来理解人、理解内容、理解他们可能的关系。
最近在 X（原Twitter）上，有个小现象值得一说。
X 平台产品负责人 nikitabier 转发了工程师 Yuki Obuchi 的帖子，称赞道：
“干得漂亮，Yuki。你改变了世界！”
事情本身很简单：一位日本网友发的关于烧肉的帖子，通过平台 Grok 大模型分析后，没有花钱推广、没有官方运营助推、也没有大V特意转发，就自然地被大量不同国家、不同语言的用户看到，还引发了很多跨语言互动。
这位负责人在帖子里特别提到：这是一次完全自然的增长，也是平台第一次出现这种情况，自己都觉得意外。
更关键的是，这说明算法已经基本不再受语言的限制。这件小事，恰好把 AI 推荐和传统推荐的差别，展现得很清楚。
我们以前熟悉的信息流推荐，大多是协同过滤那套逻辑：
你看什么，就给你推同类；你说什么语言，就只给你推什么语言。
算法更像在统计行为，并不真正理解内容在讲什么，最多也就是给内容打一些标签，例如它是关于美食，还是关于交通，还是关于学习？
而新一代 AI 推荐不一样，它能“真正”读懂内容本身。它知道这条烧肉帖是日常、是美食、是轻松有趣的分享，而不是只把它当成一段日文。
于是它直接把内容推荐给全世界可能喜欢这类生活分享的人，语言不再是一道墙。
我一直觉得，未来的内容分发会朝着这个方向走：
AI 并不像传统的推荐算法那样，基于很多的参数，基于概率来猜测每个人跟每一个标签的相关性，而是更全面、更深刻、更有体系的来理解人、理解内容、理解他们可能的关系。
3 00