AI 变现案例

IT之家 8 月 15 日消息，群联电子 (股) 公司董事长兼总经理潘健成在财报会上表示，NAND 闪存新扩建的产能从投资到真正量产所需时间远比市场预期更长，供需吃紧局面可能延续多年。他指出，市场普遍认为存储芯片价格上涨后，原厂即可快速增加资本支出扩充产能，但实际情况并非如此。他近期与 NAND 原厂高层交流时曾询问从投资到量产需要多久，原先估计约两年，但对方给出的答案是“四年”。即便目前 NAND 价格上涨，群联也不会大量出售手中库存，否则未来若无法重新取得足够货源，可能影响长周期客户专案供货。AI 已成为群联重要增长来源。2026 年第二季度，群联合并营收达 678.88 亿元新台币（IT之家注：现汇率约合 142.56 亿元人民币），环比增长 65.7%，同比增长 279.5%；毛利率攀升至 65.3%，创历史新高；税后净利润达 262.19 亿元新台币，环比增长 72.8%，同比增长约 34 倍。潘健成认为，过去 NAND 需求主要由 PC 和智能手机出货，以及单台设备存储容量提升推动。进入 AI 时代后，生成式 AI 产生的图片、视频和 AI Agent 数据量持续增加，存储需求正在从传统的消费电子景气周期驱动，逐步转向更加长期的结构性增长。不过，NAND 价格上涨也会推高群联自身的采购成本，因此产品售价上涨并不意味着毛利率会同步增加。群联第二季度毛利率达到 65.3%，创历史新高，但公司仍需要通过研发、企业级 SSD 以及 AI 相关平台提升产品附加价值。相关阅读：《群联 2026Q2 总收入同比增长 279.5%，净利润同比增长 3419.3%》《群联 CEO 潘健成：Flash 缺货是长期且不可逆趋势，公司订单已排到 2027 年 Q2》

大模型能力持续演进，但 AI 的下一阶段竞争正在发生变化。模型能力之外，如何构建可靠的智能体、完善 AI 工程体系，并让 AI 在复杂业务环境中稳定运行，正在成为产业探索的新重点。8 月 21 日-22 日，AICon 全球人工智能开发与应用大会将在深圳举办。大会全日程现已 100%上线，来自产业一线的技术专家将围绕…

IT之家 8 月 15 日消息，据《纽约时报》8 月 10 日报道，随着智能体模型越来越普及，部分美国学生已经不满足于让聊天机器人帮忙查答案，而是直接把整门网络课程交给 AI 智能体。AI 可以在后台替学生完成课程任务，学生本人则把时间拿去刷手机、玩游戏。AI 作弊从代写作业发展到几乎“代上课”的程度，暴露出网络教育相较实体课堂更难防范作弊的问题。线下课程可以通过考试、口头展示等方式确认学生是否真正掌握知识，网课却很难采用同样的手段。网课的大部分活动都在屏幕上完成，学生因此可以让 AI 智能体登录 Canvas、Blackboard 等学习平台，替自己做测验、观看课程视频、写论文，甚至冒充学生本人参加讨论。IT之家获悉，AI 公司几乎没有采取措施阻止这种行为。学生最常使用的 ChatGPT、Gemini 和 Grammarly 都不会拒绝替学生完成整篇论文的请求。这些公司也没有阻止 AI 模型登录 Canvas、Blackboard 等学习平台，也未理会教育工作者关于“模型在这些平台上使用时应自我标识”的请求。其中，部分公司的理由听起来相当牵强。开发 AI 浏览器的 Perplexity 在给《纽约时报》的声明中称，要求 AI 智能体在学习平台上表明身份会让学生的隐私和安全面临风险。从事网络课程教学已有 20 年的凯伦 · 科斯塔回忆，自己曾问：“我现在只是在和机器人互动吗？”加州州立大学系统的卡罗尔 · 休厄尔称：“我没有得到任何关于如何劝阻学生使用 AI 的指导。我得到的却是更多学习如何使用 AI 的机会。”值得一提的是，加州州立大学系统去年与 OpenAI 签署了一项价值数百万美元的协议。许多大学仍不愿全面禁止 AI，但已经有学校开始寻找应对办法。芝加哥大学法学院最近把禁止在课堂上使用手机、平板电脑和笔记本电脑纳入新的“AI 战略”，规定适用于一年级课程。普林斯顿大学则在一起 AI 作弊丑闻后，取消了延续一个多世纪的“荣誉守则”传统。按照过去的做法，学生可以在无人监考的情况下参加考试。

长程调度，Agent Loop，这两个词，圈里喊了大半年，你随便刷个技术社区都能看到 乍一听挺唬人。翻译过来其实就一句话：让 AI 自己把一件大事，拆成很多步，一步一步做完，中途还记得自己为啥在干 这几个月，DeepSeek、Kimi、Qwen 都在验证这条路线。今天智谱也发了GLM-5.3 官方说，通过通过极致的后训练 Scaling：数十倍的长程任务环境、更丰富多样的环境类型、超长的后训练时间，大大提高了模型的智能上界 借着这一次GLM-5.3发布，那我们也来拆一拆，看看长程调度究竟又是用，如何自己上手写一个「长程调度」提示词 话不多说，直接开测 01 先翻译成人话 BASIC CONCEPT / AGENT LOOP Agent Loop就是 AI 自己「干活 → 看结果 → 再决定下一步」，循环很多轮，直到把事做完。通俗点就是 AI 学会”自己干活”，不用每走一步都等你指挥 而长程调度（Long-Horizon）指的就是为了完成这个目标，AI要自己能分成很多步、跨很多轮、还得一直记得自己干到哪了 它的难点很在于： 第 1 步错了，第 10 步就废，错误会一路滚雪球（漂移 shift） 中间经常没人告诉它对不对，走很远才发现方向错了 干到第 20 轮，还得记得第 3 轮说过的话 所以长程任务一直是模型的软肋：上下文有限，历史越滚越长，模型要么”失忆”，要么忘了自己为什么在干。 以前比”谁答得聪明”，现在比”谁能把事做完”。能把几十步的活稳稳干完、干砸了能自己恢复的模型，才配碰真实业务。 02 实测：让 GLM-5.3 自己循环跑 FIELD TEST / GLM-5.3 CASE 01 从 0 到 1 复刻传奇 第一个 case，我让它从 0 到 1 复刻经典游戏《传奇》，不过主题换成了《摸鱼小李》。第一轮跑出来还挺糙的，就是个能动的demo。 但整整 循环了7 轮之后，我拿到了下面这个能真正玩下去的《摸鱼传奇》：沉浸感拉满，设定完整，等级、天赋、装备、BOSS 一个不少。 更带劲的是过程。每一轮它都会回头看原版《传奇》是怎么做的，再接着往下打磨，一轮比一轮完整。 CASE 02 像素消灭怪物 本来以为《摸鱼传奇》已经够好玩了，结果 GLM-5.3 又给我整了一个闯关游戏，「地图、打怪、爆装备、升级、装备强化、Boss」一个不落全凑齐了。说实话，有点上头。 而这只是GLM-5.3跑了六个循环的结果，整个游戏系统机制非常详实完善。整个游戏系统机制详实又完善。 说实话，我水群的时候看到有人复刻了一版《泰拉瑞亚》，再回头看它六个循环做出来的东西，这个效率是真的有点夸张。 CASE 03 模拟经验放置游戏 这个游戏很唯美，模仿的是小时候玩的放置经验类游戏。可以看到 GLM-5.3 的审美也是很好的。 可以放置大本营，点击单元格进行建设（农田、工厂、电站…），这类游戏最大的问题是，玩到后期有点手忙脚乱😂 每一个单元格太多点不过来。 CASE 04 红蓝网络攻防 除了编程，官方这次还提了一嘴网络安全。GLM-5.3 在漏洞识别上已经追平第一梯队（CyberGym 84.5%，跟 Mythos 5 基本持平） 既然 GLM-5.3 这么牛，那我有点好奇，如果让他们俩分别进行网络攻防，会怎么样？ 于是我让 GLM-5.3 分别扮演红蓝两队进行攻防，这是最终的记录可视化： 除此之外，我还做了侦探推理游戏、探险迷宫游戏： 03 没有视觉，但底层是真强 MODEL LIMIT / VISUAL 现阶段 GLM-5.3 最大的痛点。它目前是纯文本模型（单模态），没有视觉模型，看不了图也造不出图。唐总 6 月公开征集意见时，评论区刷屏最多的就是”视觉”，说的正是这件事。 别的 AI 模型在 Agent Loop 的时候，还可以截图一下，查看状态，根据截图修正下一步。（注：还有一个原因是我用的Claude Code，在官方 ZCode Harness 中，会调用 GLM 4.6V 充当 5.3 的「眼睛」） 但视觉之外，它的编程能力和系统架构能力是真的强。而且这一次即便没有视觉，很多前端都做的很好看。 做仿《传奇》那个 case：它会自己去找《传奇》的相关网站、分析它的游戏引擎是怎样的，然后基于这个引擎帮我做。它真去研究了参考对象再动手，没瞎写。 这活儿放在人身上，得叫”系统架构师”。 04 设计loop提示词 PROMPT DESIGN / LOOP 我翻了 Anthropic 的《Building Effective Agents》、LangChain 的《The Art of Loop Engineering》和 Steve Kinney 的《Anatomy of an Agent Loop》，又看了看社区里大家踩坑的讨论，总结了五条建议：

数字员工逐渐走进团队。 6月下旬的时候，Anthropic发布了Claude Tag。 它并不是第一款强调AI同事概念的产品，但它的出现却让这种产品形态变得更加具体。Claude可以直接加入公司的公共频道，持续获得团队讨论里产生的Context。 成员交代一件事以后，它会调用已经获得授权的工具继续处理，也能给自己安排之后需要继续完成的工作。 更重要的是，它不再完全等待人来发起任务。一些长期没有处理的问题，或者团队讨论里出现的异常情况，也可以由Claude主动发现并介入。 而一个AI如果要进入团队，核心价值不只在于回复质量，它还需要理解组织持续产生的上下文内容，也需要获得外部工具和相应权限，并在没有人持续盯着的时候继续推进任务。 最后交回来的最好是一份已经完成的结果，减少人类成员继续搬运信息和补齐步骤的时间。 国内今年早些时候也陆续出现了一些思路很接近的产品。 比如像Helio，它给自己的定位是AI Workforce。团队希望让AI以同事身份待在一个组织里，每位数字成员都有名字、角色和独立记忆，并且可以读取共享频道里的历史内容。 该团队此前做的是Sheet0，那是一款面向数据收集和分析的Agent，去年获得500万美元融资，核心能力是将网页、文件和API里的信息整理成结构化数据。 王文锋当时将它描述成面向Agent的实时数据基础设施，今年1月，团队开始探索新的产品形态，随后做出Helio，同时继续为Sheet0现有用户提供服务。 一次产品调整，也让这支团队由数据Agent逐渐走向参与组织工作的数字成员。 类似的产品变化，也出现在另一支国内团队VM0身上。它推出了一位名叫Zero的AI teammate，Zero拥有持续记忆，能够调用外部软件，并允许用户设定周期任务。 其创始人张宇辰毕业于上海交通大学，职业早期曾在网易有道工作，此前在猿辅导工作了13年。 数个月前，VM0开放公开测试时，产品仍然是一套面向开发者的Agent基础设施，测试期间积累的反馈推动团队快速调整，Zero由此成为新的产品核心：AI开始以团队成员的身份进入日常工作。 它强调交付完整工作，用户只需要说明最终想拿到什么，Zero会自己判断需要调用哪些服务，再把中间步骤串起来。 官网当前列出的第一方连接器已经超过290个，常见邮箱、文档、代码仓库和项目管理工具都在其中。公司内部有自己的系统时，也可以继续配置自定义连接器。 这种设计让Zero更像一个可以跨软件工作的执行者，一个请求可能涉及几处不同的信息源，用户不必自己来回切换并复制内容。 它会读取必要资料，再按任务要求继续处理，结果可以是一份报告，也可以是演示文稿、网页、图片或者视频。 整个执行过程都会留下记录，用户能够查看它调用了哪些服务，调整相应权限，外部系统也能通过Webhook启动工作。 这和Claude Tag存在一个比较重要的差异，Claude Tag更强调让AI进入团队产生Context的地方。 Claude常驻在公共频道里，成员讨论项目时产生的背景信息会持续成为它理解工作的依据。它不需要等待某个人先把事情整理成一份完整Prompt，再交给AI处理。 Zero更接近一个有自己工作台的执行成员，同一位用户可以在不同入口继续交代工作，已有连接器和记忆依然保留。 一次聊天如果效果稳定，还可以保存成Workflow，之后由Automation自行触发，对于重复出现的工作，这一步很重要。 工作不会完全围绕聊天发生，现实里的某个变化出现以后，Agent就可以进入执行状态，对于持续重复的任务，这种产品结构更接近自动运转的岗位职责。 同时，VM0并没有要求每个用户都组建一整套多Agent团队。 Zero就是默认的通用成员，很多工作由它直接处理。当需要更加稳定的专业职责时，用户再创建新的Agent，并分别配置角色、Workflow和连接器权限。 每个Agent拥有独立访问范围，也不会自动共享记忆。除此之外，安全也因此占了很大比重。 每次任务会在独立的Firecracker微型虚拟机里执行，运行结束以后环境随即销毁。账号凭证由网络层处理，Agent代码无法直接读取原始令牌。 用户还可以限制某个数字成员访问哪些服务，并进一步约束具体操作。每次外部调用都会留下记录，方便团队追查执行过程。 这套工程取向和创始人过去十多年的经历有很强联系。 2012年猿辅导成立后的第一个月，他以第9号员工身份加入，也是团队第一位全栈工程师。十多年里，他参与过猿辅导和斑马多个业务的早期建设，其中一些产品后来做到数亿元年收入规模。 张宇辰后来承担的职责已经远远超过个人开发。在斑马时期，他带过130多人的研发团队。负责公司基础设施平台期间，他管理过100多人团队，为数千名开发者提供底层工程支持。 猿辅导快速扩张的几年里，他还完成过1000多场技术面试，

一个没有真实用户数据的个人AI产品MVP，基于倪海厦学习资料构建。本文从产品假设、内容加工到问答路线，详细拆解了从资料结构化到Hybrid RAG的完整决策过程，并坦诚展示了当前测试结果与用户验证之间的差距，为知识类AI产品设计提供了可参考的实现样例。 这是一个没有真实用户数据的个人 AI 产品 MVP。 项目基于倪海厦相关学习资料整理，和官方没有关联，只供学习研究。本文使用了项目过程文件、Git 提交和我以前的记录。AI 协助资料核对、提纲梳理和部分文字整理；产品取舍、事实边界、截图与最终删改由我确认。 我能说明项目做了哪些选择，当前代码通过了哪些检查。真实用户是否觉得入口清楚、回答是否有帮助、使用以后会不会再来，这些问题还没有数据支持。 第一个假设先让资料可以进入 项目开始时，我手里有 231 项资料，大约 1GB。格式包括 PDF、Markdown、Word、JSON 和少量其他文件。原有目录已经做过分类，日常使用仍然会卡在几个很具体的地方。看到一个概念以后，我不知道它和哪些内容相连；想系统地看，又要重新判断先后顺序。 我当时的产品假设很简单。对于这类学习资料，用户需要先知道有哪些内容、从哪里开始，随后才会形成具体问题。 这个假设没有经过用户研究验证。它来自我整理和使用这批资料时遇到的麻烦。为了尽快检查方向，我先做了 12 个样例节点，用它们验证卡片模板和链接格式，随后扩成人纪、天纪学习路径和可交互图谱。 6 月 7 日上线的第一版网站有总览、学习路径、知识图谱、节点卡片、天纪提示词和全局搜索。当时没有 AI 问答。发布记录留下的选择很清楚，第一阶段先验证资料能否变成可以浏览的结构。 这个选择也决定了首页的分工。刚接触内容时可以先看路径；知道一个概念后，可以从图谱找到上下游，节点卡片负责给出较完整的解释。问答后来加入，用来处理已经能够说清楚的问题。 四种入口目前只是产品设计和可操作 Demo，还没有证据说明用户会按这个顺序使用。现阶段可以检查导航、跳转和内容是否成立，入口假设仍需要真实行为数据验证。 同一批资料要支持三种任务 页面结构确定以后，我开始处理背后的内容。 资料清点先暴露了基础问题。旧清单数字和实际目录不完全一致，其中还有一个 0B 文件。部分内容有 OCR 噪声，来源也并非全都明确。中医医案和处方剂量又涉及公开边界。于是我先记录格式、大小和来源，再标记空文件、缺项和风险内容。 随后，这批内容沿着不同用途继续加工。当前站点包含 64 个图谱节点和 5 篇主题文章，共 69 个内容项，节点间有 338 条有向关系。问答侧归并为 11 组语料，生成 4,852 个检索块。 这几个数字的口径不同。231 项是本地资料审计结果，不等于全部进入公开网站。69 个内容项面向阅读和关系浏览，4,852 个检索块面向机器召回，二者也不能互相替代。 实际处理时，我需要同时照顾三种任务。资料来源和版本要能回查，概念之间要能建立关系，用户提问以后还要拿到足够完整的证据。原始文档适合连续阅读，直接按固定长度切开容易混入相邻主题；图谱节点能表达关系，内容长度又未必足够回答问题。 我对这一阶段的判断是，知识结构和检索结构应分别加工，来源信息贯穿其中。这样做增加了维护成本，却能在回答出错时继续追到原始资料，而不必只盯着最后一段生成文字。 问答路线没有一次定型 AI 问答在 7 月 9 日才进入项目。第一版把腾讯元器公开页嵌进网站，同一天又换成站内原生输入框，加入代理和多个后端地址。7 月 10 日接入 CloudBase AI SDK，统一问答路由和最初的 Router 测试也在这时加入，小程序随后上线问答。 7 月 18 日，小程序改为直接调用 CloudBase Agent，之后为了绕开 Agent 计费限制，又迁移到直接调用大模型。第二天，项目接入完整语料、BM25 检索、医疗拦截和限流，形成 Hybrid RAG。 这段 Git 历史对我有两个提醒。技术方案会受费用、部署环境和回答依据影响，能跑通的方案未必适合继续用。产品复盘也不能只画最终架构，方案更换时暴露的约束往往更有价值。 一个 Badcase 让我回到检索结果 问答跑起来后，我用“紫微星、天府星有啥用”做过一次对照。系统返回了天纪相关内容，答案却缺少官带星、三台八座等直接信息。高位结果里出现了学习路径、文件清单、三才框架和排盘表格，真正解释紫微星的块只有 38.72 分，排在第 10 位。 这个现象说明相关性还不够。用户点名了两个实体，系统应该优先拿到对应章节。目录和表格虽然也含关键词，却不该挤掉专项内容。 我先检查分块和排序，没有先改回答语气。固定长度分块把几个星曜混到同一块里，同一来源组最多返回两条，专项章节因此少了一次进入上下文的机会。 后续修改落在检索侧。返回数量从

当AI Agent开始执行真实业务操作时，产品设计的核心不再是让AI做得更多，而是决定它何时必须停下来。本文深入剖析人工接管机制的设计逻辑，从风险分层到动态权限系统，揭示AI产品从“帮我想”到“替我做”的关键转变。 过去两年，AI 产品最明显的变化，是从“帮我想”逐渐走向“替我做”。 聊天模型可以回答问题，Agent 则开始浏览网页、读取文件、调用工具、修改表格、发送信息，并尝试把一个多步骤任务从头推进到尾。对用户来说，这种变化很直观：以前需要把每一步讲清楚，现在只要说出目标，AI 就会自己规划中间过程。 有意思的是，Agent 越能干，产品里的暂停、确认和接管机制反而越多。 OpenAI 在 2025 年 7 月发布 ChatGPT Agent 时，除了介绍它如何使用虚拟计算机和多种工具完成复杂任务，也反复强调几项控制措施：具有重要影响的操作需要用户确认；部分关键任务需要主动监督；用户可以中断任务、修改指令、接管浏览器或者直接停止任务。 如果只从自动化率看，这些步骤像是在给 Agent “踩刹车”。但从产品角度看，它们恰好揭示了 Agent 与普通聊天机器人的区别。 聊天机器人答错一个问题，用户通常可以忽略、重问或者修改。Agent 一旦拥有外部执行能力，错误就可能变成一封已经发出的邮件、一条已经更新的客户记录、一个被取消的预约，或者一次对外作出的承诺。此时，模型输出不再停留在对话框里，而是进入了真实业务和真实关系。 产品要解决的问题也随之改变：不只是怎样让 AI 做得更多，还要决定它可以在什么范围内自主行动，什么时候必须停下来，以及停下来以后怎样把任务完整地交还给人。 我更愿意把这件事理解成一套动态权限系统。 真正成熟的 AI 产品，设计的不是一个孤立的“转人工”按钮，而是一套能够根据任务风险调整权限，并将目标、过程、状态和责任完整交还给人的协作机制。 本文看点 01 何时必须把控制权交还给人 02 人工接管如何转移任务上下文 03 产品经理怎样设计接管机制 一、人工接管为什么不再只是“兜底” 早期智能客服已经有“转人工”。机器人无法识别问题时，把对话分配给客服坐席；用户不满意时，也可以输入“人工客服”退出机器人流程。 在这个模型里，机器和人的边界相对清楚：机器人处理标准问题，人处理复杂问题。转人工往往发生在机器人已经失败以后，因此它天然被理解为兜底方案。 Agent 改变了这个前提。 它不只是生成一句回答，而是在一个任务里连续作出多次判断。它可能先读取用户需求，再选择工具、检索资料、比较方案、填写表单，最后执行一个会影响外部状态的动作。任务越长，AI 的每一步就越可能改变下一步能做什么。 这时，人工介入至少会出现在三个位置。 执行前：人负责授权 假设用户对一个邮件 Agent 说：“整理今天需要回复的客户邮件，并帮我处理。” 读取邮件、识别主题、归纳问题，通常属于低风险动作。生成回复草稿会提高风险，但结果仍然没有离开系统。真正发送邮件时，风险突然变化：它开始代表用户对外表达，还可能包含时间承诺、报价信息或责任判断。 因此，人不是在 AI 失败以后才出现，而是在动作产生现实后果之前完成授权。 执行中：人负责纠偏 多步骤任务经常遇到模型事先无法判断的情况。用户让 Agent 安排出差，它可能在查找航班后发现预算不足，也可能发现两个会议时间互相冲突。继续执行不是单纯的技术问题，因为如何取舍取决于用户没有说出的偏好。 此时最合适的动作不是猜，也不是宣布任务失败，而是暂停、说明冲突，并请求用户补充判断。 执行后：人负责审阅和承担结果 有些任务可以先执行，再由人复核。例如整理内部文档、给客户线索打标签、生成一组候选方案。这类任务的结果可以批量检查，也容易撤回。 但“可以事后检查”不等于责任消失。产品仍然要告诉用户 AI 改了哪些内容、依据是什么，以及怎样撤销。 三个位置对应三种不同的人类角色：授权者、协作者和审阅者。它们已经超出了传统“机器人不会了，找个人来”的逻辑。 NIST 在《AI 风险管理框架》的人机交互附录中，把人机组合描述为一条从自主执行延伸到人工处理的连续谱。AI 可以自主决策，也可以把判断延迟给专家，或者仅向人类决策者提供额外意见。不同系统是否需要人工监督，取决于具体场景，而不是由“是否使用 AI”统一决定。 这条原则看起来抽象，落到产品里却非常具体：人不能只作为异常队列末端的一个接收者，而应该在任务设计阶段就拥有明确角色。 「换句话说，人工接管不是 Agent 能力不足时留下的临时补丁。只要产品允许 AI 进入真实流程，它就需要回答谁有权决定、谁能够暂停、谁来检查结果，以及最后由谁承担后果。」 二、什么时候必须停下来，不能只看模型置信度 确定需要人工介入以后，下一个问题是：什么时候介入？ 一个很容易想到的方案，是给

Apple和阿里把AI本地化推进系统，百度把办公智能体做成独立端。美团红灯停表和Apple Maps广告，又把搜索、收费、履约拉进同一条工作流。这不是功能列表更新，而是系统、办公和本地生活入口都在接手原本需要人判断的动作；我会把焦点放在选择权上，入口替用户省一步时，也要交代数据、收费和规则边界。 一起来看看这两天发生的AI和互联网赛道的大事件吧！ 📌 今日AI互联网大事件速览 1，Apple联合阿里训练中国专属AI模型，Apple Intelligence本地化继续推进 2，DeepSeek V4 Pro和Harness上线国家超算互联网，国产模型进入一站式部署通道 3，荣耀YOYO Claw接入智谱GLM-5.3，PC智能体补上更强模型底座 4，商汤大装置提出TPW指标，AI数据中心开始按Token产出算效率 5，百度文库网盘GenFlow更名库库AI，AI办公独立端正式推出 6，NVIDIA全面投产Spectrum-X CPO交换机，AI数据中心网络继续升级 7，Google Gemini允许关闭可见水印，AI生成内容标识权交回用户侧 8，Meta发布开源权重模型Glimmer，开放路线与API闭源路线并行 9，中国医生借GPT-5.6证明22年数学猜想，AI科研协作走出样板 10，Microsoft Copilot Notebooks支持Markdown，资料型AI工作区继续补格式 11，Suno Studio 2.0加入MIDI，AI音乐工具向专业DAW靠拢 12，美国天然气价格预期上行，AI数据中心能源账本再被重估 13，Aurora与Kodiak获准在加州测试自动驾驶卡车，Robotruck进入公开道路验证 14，阿里千问开放AI眼镜生态，导游、教练和巡检Skill可由开发者自建 15，Google Pixel 11相机新功能只限新机，端侧AI继续绑定硬件换代 16，美团红灯停表计划年内覆盖百万骑手，外卖履约继续改写安全规则 17，小米三款迭代平板曝光，Pad 9系列或与新旗舰同台发布 18，Apple提议对App Store外链购买收取最高15%佣金 19，PayPal出售谈判升温，Stripe和Advent被曝仍在磋商 20，Google和Meta回应澳大利亚未成年人社媒禁令，平台合规压力继续上升 21，法国宪法委员会否决15岁以下社媒禁令，未成年人保护规则继续拉扯 22，北京首趟京东号电商班列发车，京津冀货物直通粤港澳大湾区 23，Apple Maps广告位在美国和加拿大招商，地图搜索开始补商业化入口 24，Tesla买断瑞典罢工员工，近三年劳资拉锯暂告一段落 25，Uber和小马智行计划在欧洲投放2000辆Robotaxi AI赛道观察 1. Apple联合阿里训练中国专属AI模型，Apple Intelligence本地化继续推进 核心内容：Apple被曝与阿里巴巴共同为中国市场训练定制大语言模型，用于推进Apple Intelligence在中国落地。这个合作罕见地把美国消费电子巨头、中国云与模型能力、本地监管要求放到同一条路径上。对Apple来说，中国版AI不能只翻译海外功能，还要解决模型备案、数据处理、内容安全和服务伙伴选择；对阿里来说，进入iPhone系统级入口意味着通义体系有机会触达更高频的端侧场景。苹果AI在中国的关键不只是“有没有”，而是能否在隐私、合规和体验之间找到足够稳的本地化方案。 2. DeepSeek V4 Pro和Harness上线国家超算互联网，国产模型进入一站式部署通道 核心内容：国家超算互联网宣布上线DeepSeek V4 Pro正式版DeepSeek-V4-Pro-0813，以及智能体框架DeepSeek Harness。平台依托全国首个十万卡级超智融合算力资源池，面向科研院所、科创企业和开发者提供大模型训练、微调、评测、部署等全生命周期支持，并强调可在国产算力底座上一站式完成DeepSeek系列模型与源码下载、私有化部署和开发调试。DeepSeek能力从模型接口扩展到超算平台，说明国产AI竞争正在补齐工程化交付和算力入口。 3. 荣耀YOYO Claw接入智谱GLM-5.3，PC智能体补上更强模型底座 核心内容：荣耀全场景软件主理人宣布，荣耀YOYO Claw正式接入智谱最新发布的GLM-5.3大模型，“虾虾大脑”完成升级。GLM-5.3通过更大规模、更长周期和更多样任务环境的后训练，编程能力较上一代提升50%，并在公开基准中取得开源模型第一，同时提升代码审查、漏洞发现等网络安全任务表现。YOYO Claw此前作为荣耀PC侧智能体入口，承担跨应用操作和任务辅助，接入更强模型后，PC助手竞争会从“能不能唤起”走向“能不能处理复杂任务”。 4. 商汤大装置提出TPW指标，A

从本地走向云端 书接上文：教你用Workbuddy开发部署上线业务AI应用（一） 在本地使用WorkBuddy开发完AI应用，如果是自己本机或者公司内部使用，那基本上是不需要部署到云服务器上，实现公网访问的。 公司内网的话，找一台电脑当成服务器，开启内网访问即可。这个你不会操作，可以把电脑系统的情况，网络情况描述给WorkBuddy，根据指导去设置也行。 接下来要继续讲的是如何部署到云服务器的问题，对于没有接触过网站开发，或者做过站长的人，即便现在有了AI的解答辅助。 对于云服务器的细节，域名的细节问题，很多人还是一知半解的，毕竟有些坑，是要在实际操作中才会遇到的。 想当年老马还是个初中生的时候，那时候当站长学搞网站，光一个域名解析就折腾了一个星期，不过当时条件也不好，每天只能攒点零花钱。 放学了马上跑黑网吧，最多上一个小时，而且虽然有搜索引擎，但是可查到的参考学习资料比现在少多了，也不像现在有那么多自媒体分享各种入门教程。 因此，老马会从简单上手的角度，去介绍基本的知识和细节。不会面面俱到，如果要说得非常详细，那这篇文章光讲云服务器跟域名就够了。 云服务器与备案 说到云服务器，现在的成本比以前低多了，而且软硬件也升级了不少。对于大部分小伙伴们来说，我们选择云服务器，可以优先选择国内的线路。 国内的机器经常搞活动促销，价格也低，比如阿里云的新人注册，可以抢38块一年的云服务器。常规促销的，也有99一年的。 只是国内的云服务器就得申请备案，备案的话是看你的云服务器所在国家的，就中国国内需要。香港、台湾这些不需要，澳门的服务器比较少见少卖。 备案跟域名没关系，不管你注册的是com还是cn域名。如果是国外云服务器，那都是不需要备案的，加上前面说的三个中国地区。 备案其实现在没那么复杂了，以前还得邮寄背景幕布拍照啥的，如今是一条龙直接线上搞定，你下载好文件打印填写好，扫描拍照上传，再补充其它资料即可。 一般备案时间是7-15天，现在管局的审核也加快了不少，以前起码都得15天。然后备案完了，最好是你一直用该服务商的云服务器。 比如你是在阿里云上面购买的云服务器，线路是北京的，那你备案的云服务器的服务商就是阿里云，一般来说就会一直用阿里云的。 但是你哪天换成了腾讯云，因为服务商换了，备案资料就得改，就得走一遍腾讯云的备案流程。假设你不改，有可能服务商或者管局在定期检查的时候发现问题，就会取消你的备案。 可以说，你的网站是面向国内用户的，包括什么小程序APP之类的备案，其实都是一个道理。那么关键问题来了，我买的是国内线路的云服务器，不备案会怎样？ 不备案导致的最直接结果，就是你没法绑定域名。网站是可以访问的，只能用IP地址的形式。理论上，云服务器服务商不会去关掉你的服务器，你可以一直用下去。 但不排除有时候搞搞整顿活动，服务商就会催你，阿里云备案中心的小姐姐就会经常打电话慰问你。所以，有必要就去备案，不懂的就问服务商。 现在服务商已经把备案服务做得很完善了，不用担心备案问题，除非你的网站内容是有问题的。备案问题就说到这里，所以国外云服务器就简单多了，直接买直接绑定域名。 但国外云服务器的线路都是在海外，比如什么美国、日本、韩国等，在国内的访问速度就会相对国内线路的云服务器，慢一些。 不过这也不是绝对，现在很多国外云服务器都会有线路速度的优化。总而言之，如果你面向的用户是海外的，你是做出海生意的，那可以选国外的云服务器。 服务商与域名选择 其它的就没什么重点要说明，云服务器服务商的话，国内我们基本会选择大厂，比如阿里云、腾讯云、百度云。 其它的中小厂，甚至个人搭的就数不胜数太多了。怎么讲，这里面鱼龙混杂，水太深，切记不要为了贪小便宜而选择杂牌服务商。 你得想清楚一个问题，你把AI应用的源代码和数据都托管在人家那边。哪天提桶跑路了，或者因为服务器安全做得不好导致被攻击，数据丢失了。 这些损失可比一台同样配置的服务器，便宜个几十几百来得大。正所谓一分钱一分货，遇到离谱的价格，没有正规公司运营主体的，都得小心。 其它的应该就没啥要说明的了，继续讲域名，什么com、cn、net这类顶级域名，是我们比较常见，也经常输入的。 但现在还有各种奇葩的国家域名，这类小众域名不是说不能注册，你得看符不符合我们用户的使用习惯。还有一点就是，注册价格，跟续费价格，你得看清楚。 域名注册代理商有时候为了推广一个小众顶级域名，会用极低的价格诱惑你注册，比如首年注册费用只有一块几块十几块，一旦你掉坑了，来年续费价格可能就得上百几百。 正常来说，注册费用跟续费费用，一年几十块钱到上百是合理的，毕竟现在域名也普遍涨价了。域名相当于品牌，不然古往今来都有人在抢注和炒价格。 使用上了就一般不会更换，所以注册的时候注意一下就行。注册域名的代理商，你还是选择老马上面说的国内三大服务商

从今天开始，老马会把 WorkBuddy 这款 Agent 工具的使用，与各行各业真实存在的问题结合起来，直接分享可以落地的解决方案。 每个行业、每家公司在真实业务中遇到的问题肯定不完全相同，但其中也存在共性。老马要分享的，就是这些共性问题的解决思路。 这次拿到的是一位旅游平台粉丝提供的业务需求。需求点比较多，因此先挑其中一个业务卡点，具体讲讲如何结合 AI 完善它。 如果你也在旅游行业，这篇文章会更对口。如果不是也没关系，只要你的业务环节存在类似问题，同样可以借鉴。 本文脉络 理清业务需求 用大白话写 PRD 开发与本地预览 从需求到上线，完整走一遍 老马还没有完整写过一套 AI 应用从开发、部署到上线的全流程。对于以前完全不懂技术、没有相关经验的小伙伴来说，这个过程很有必要了解。 随着 Vibe Coding，也就是“歪脖扣腚”的发展，现在人人都可以开发应用，解决实际问题。不像以前，做个网站还得花钱请人。 但开发门槛降低，并不代表完全没有门槛。做得出来和做得好，仍然是两码事。做好以后如何部署到云服务器、如何绑定域名并开放给客户访问，也是一条完整链路。 现在有了 AI，这些环节的门槛也降低了。你不需要先学会复杂的部署细节，只要把需求描述清楚，交给 WorkBuddy，基本就能帮你完成。 本系列分为两篇：本篇完成需求梳理、PRD 对齐和本地开发。下一篇继续部署云服务器并绑定域名。 一句话，也足够成为应用需求 先看这位旅游平台李总写下的需求。为避免广告嫌疑，平台名称已经隐藏： 供应商账号的开通是手动形式。一般先建立服务群，由工作人员审核供应商提供的资料，再在管理后台开通供应商账号。 短短一句话，其实已经足够成为一个 AI 应用的需求。最简单的需求描述方式，就是复述业务流程，再补充卡点。 李总的卡点是：供应商开通账号仍要人工操作，还得先建服务群。工作人员审核资料这一步很难完全省掉，但可以让 AI 先做初审，人工只审核重点。 「需求不必写得专业，但业务过程必须说清楚。」 小白不用先研究技术栈 明确需求以后，大部分小白用户不需要先研究编程语言、数据库和各种技术栈。 简单的 AI 应用，可以只是一个前端网页。复杂一些的应用才需要后端。李总的案例涉及账号注册和数据保存，因此需要数据库，而数据库属于后端的一部分。 前端和后端到底怎么选，是否两者都要，AI 会帮你判断。你真正需要先确定的是技术载体：要做网站、小程序、App，还是电脑端软件。 01 网站：实现难度和成本相对较低，本案例采用这种形式。 02 小程序：开发和发布流程比网站更复杂。 03 App 与电脑端软件：整体实现难度和成本更高。 把需求和载体写进提示词 确定网站作为载体后，就可以把业务需求和载体选型合在一起，写成下面这段提示词： Prompt 供应商账号的开通是手动形式。一般先建服务群，由工作人员审核供应商提供的资料，再在管理后台开通供应商账号。 我想做一个网站，让供应商直接注册账号、提交资料，并实时查看审核进度。我们也可以在管理后台直接审核。 请先帮我梳理需求，用大白话写出 PRD 需求文档。等我确认后，再开始项目开发。 这个网站涉及供应商账号注册，实际还需要与李总原来的管理后台打通。具体情况不同，需要李总结合原系统修改提示词。 最简单的打通方式通常是 API 接口。还是那句话，把原系统情况介绍清楚，给 AI 足够的上下文，剩下的交给 AI 解决。 准备模型、目录和 Ponytail 进入开发阶段后，打开 WorkBuddy。有积分的小伙伴尽量使用 GLM-5.2、Kimi K3、MiniMax M3，或者 Deepseek-V4-Pro。 腾讯 Hy3 虽然免费，但能力有限。同一个任务换不同模型，最终效果可能天差地别。 先在电脑桌面新建一个文件夹，作为 Vibe Coding 项目目录。老马这里创建的文件夹名叫“WorkBuddy”。 发送需求提示词之前，先安装一个辅助 AI 编程的 Skill： Ponytail（马尾辫）。 Prompt 安装这个 Skill：https://github.com/DietrichGebert/ponytail NOTE 如果安装失败，通常是网络无法访问 GitHub。可以给老马的公众号发送“github访问”，也可以询问 WorkBuddy 如何通过系统 Hosts 设置恢复访问。 安装好 Ponytail 后，就可以把前面的需求提示词发送给 WorkBuddy。老马这次选择的是 Deepseek-V4-Pro。 看不懂，就继续追问 WorkBuddy 会先写出一份大白话 PRD。你要先确认文档内容，并回答其中需要你拍板的问题。 比如 WorkBuddy 问：“供应商注册方式用哪种？”小白看不懂什么叫注册方式，没关系，继续问它什么是注册

客户要求“尽快给一份分析报告”，但别急着让AI生成。真正有价值的报告，前提是先梳理需求、明确受众、确认内容。本文从需求分析、报告类型到生成流程，系统拆解如何用AI高效产出高质量分析报告，避免沦为“看起来像报告”的空壳。 客户说尽快给我一个分析报告，我们可千万不要认为有AI辅助很简单，一上来就立刻生成报告，也不要急着开发分析报告生成系统。在开始之前，最好先把需求、报告受众、报告内容和交付形式梳理清楚。 AI 可以参与数据分析报告的生成，但一份真正有价值的报告，前提是先完成业务梳理、数据梳理和需求确认。 PART 1｜先做客户需求分析 1. 客户要的是报告，还是工具？ 首先要确认，客户需要的是一份分析报告的成果，还是需要一个能够生成分析报告的工具。 这两个需求看起来相关，但实际交付内容完全不同：前者关注报告本身是否能回答问题，后者还要进一步考虑数据接入、处理流程、生成逻辑和使用方式。 2. 明确分析报告的目标受众 不同受众关注的细节并不一样： 决策层（领导）：关注总体趋势和关键指标，需要清晰明了的结论。 执行层（业务分析人员）：关注具体操作层面的细节，需要详细的分析和指导。 技术团队（数据管理员）：关注数据处理和算法细节，需要深入的技术讨论。 3. 明确报告要回答什么问题 报告内容主要包括四类：描述现状、诊断问题、业务预测、提供建议。 如果这些问题没有先确认清楚，AI 即使能够生成一份结构完整的报告，也可能只是“看起来像报告”，并没有真正回应客户的业务问题。 4. 用需求分析确认单统一口径 客户需求可以整理成一份需求分析确认单，先在内部确认，再和客户确认。（以下是我生成的需求确认单） 如果需要原报告模板，可以私信“需求分析确认单”获取。需求确认环节可以使用这样的 AI 提示词： 结合《需求分析确认单》和XXXXX（已经掌握的内容），进行需求分析确认单的生成。 PART 2｜先判断报告类型，再组织报告内容 1. 报告分类 根据使用场景，分析报告可以分为三类： 1）日常报告： 周报、月报、季报，适用于周期性复盘，侧重进度跟踪、指标对标与计划排布。报告目录可参考如下结构： 2）专题报告： 某个场景或某个主题的专项分析，侧重问题拆解、成因分析与解决方案。报告目录可参考如下结构： 3）综合分析报告： 全面评价一个地区、单位或其他方面的综合情况，侧重多维度全景分析、综合研判与整体策略。报告目录可参考如下结构： 2. 报告内容采用“总—分—总” 报告内容可以采用“总—分—总”的结构：前面先说结论，中间描述分析过程，最后展示分析总结和建议。 内容展示上，可以使用图、表、地图等不同形式，具体选择取决于报告主题和受众。 PART 3｜报告生成的基本流程 报告生成可以拆成以下几个步骤： 1. 业务梳理 先理解业务背景、分析目标和需要回答的问题，明确报告最终要支持什么判断或行动。 2. 数据梳理 包括数据收集、清洗和整理。数据分析的指标体系示意如下： 3. 数据分析、计算与统计 在完成数据准备后，再进行数据分析、计算和统计。常见的数据分析方法包括描述性分析、诊断性分析、预测性分析、规范性分析、文本分析、可视化分析和高级分析等。分析方法包括： 4. 结论生成 把分析结果转化为清晰的判断，说明当前发生了什么、问题可能在哪里，以及后续可以怎么做。 5. 报告撰写与交付 报告编写完成之后，可以发送给 AI 进行样式美化，再发送给客户。 在发送给 AI 之前，建议先用脱敏脚本处理数据（之前分享过脱敏脚本)，避免把敏感业务信息直接上传，降低数据泄露风险。 PART 4｜常见的分析报告相关网站 以下网站可以作为查找行业资料和分析报告的入口。具体报告质量、收费方式和适用范围，仍然需要结合报告来源、发布时间、数据口径和研究方法进行判断。 1）国内专业研究机构（原创产出型） 艾瑞咨询：https://www.iresearch.com.cn/ 易观分析：https://www.analysys.cn/ 前瞻产业研究院：https://www.qianzhan.com/ QuestMobile：https://www.questmobile.com.cn/QuestMobil… 2）大厂商业研究院 阿里研究院：http://www.aliresearch.com/阿里研究院 腾讯研究院：https://www.tencentresearch.com/ 巨量算数：https://trendinsight.oceanengine.com/ 36 氪研究院：https://36kr.com/academe 3）国内研报聚合检索平台 发现报告：https://www.fxbaogao.com/ 洞见研报：https://www.djyanbao.com/ 萝卜投研：https://r

很多人用AI做短视频，第一步就错了——直接让AI写标题、写脚本，结果内容正确但不爆。AI真正的价值，不是替你拍脑袋，而是帮你把内容生产从“经验驱动”变成“流程驱动”。本文不讲工具清单，只讲选题、爆款拆解、脚本生成的具体落地方法。 过去几年，短视频和直播的内容生产方式发生了很大的变化。最早的时候，大家拼的是谁更会拍、谁更会剪、谁更懂平台规则；后来，大家开始拼选题、拼人设、拼直播间转化；再到这两年，很多团队又开始把AI工具加进内容生产流程里。 但问题也来了： 很多人以为，用AI做短视频，就是让AI写标题、写脚本、写直播话术。 结果用了一段时间之后发现，标题看起来很完整，但不像爆款；脚本看起来很正确，但不像人话；话术看起来很多，但主播在直播间里用不上。 这不是AI没用，而是用法错了。 AI真正适合做的，不是替你拍脑袋想内容，而是帮你把原来靠经验、靠感觉、靠临场发挥的工作，整理成一套可复制、可复盘、可迭代的内容生产流程。 所以，这篇文章不讲AI工具清单，也不讲很虚的行业趋势。 我们只讲一个更具体的问题： 如果你是一个短视频运营、直播运营、内容创作者，或者正在做品牌内容账号，AI到底应该怎么参与到选题、爆款拆解、脚本生成这些环节里？ 一、AI不是来替代短视频运营的，而是来重做内容生产流程的。 过去做短视频，很多团队的工作方式大概是这样的： 上午刷同行账号，下午开选题会，晚上赶脚本，拍完之后剪辑、发布、看数据，第二天再继续重复。表面看，这是一套完整流程；但真正执行起来，问题往往出在三个地方： 第一，选题靠感觉 今天看到什么火，就想跟什么；老板说最近行业里大家都在讲这个，那就先做这个。最后账号发了很多内容，但很难判断哪类选题是真正适合自己的。 第二，脚本靠临场 拍摄前只有一个大概方向，到了镜头前再组织语言。结果就是开头不抓人，中间信息散，结尾没有行动指令，用户看完也不知道为什么要点赞、收藏、评论。 第三，复盘靠经验 视频发布后只看播放量、点赞数、评论数，却没有把数据反推到选题、标题、封面、开头、脚本结构上。下一条内容怎么改，还是回到感觉。 所以，AI真正改变的不是“帮你写几句文案”，而是把短视频内容生产从“经验驱动”变成“流程驱动”。 也就是说，未来更有竞争力的内容团队，不是会不会用AI，而是能不能把AI嵌入到选题、脚本、拍摄、发布、复盘这一整套SOP里。 图：AI短视频内容生产流程图 二、用AI找选题，但不要让AI直接替你想标题 很多人用AI做短视频的第一步，就错了。 他们会直接问： 帮我想10个短视频标题。 这样问，AI确实会给你10个标题，但这些标题大概率都很“正确”，也很普通。因为它不知道你的账号定位、用户是谁、用户现在卡在哪里，也不知道你过去哪些内容有效。 做选题之前，最重要的不是“生成标题”，而是先让AI帮你完成三个动作： 1. 拆用户问题 2. 拆同行内容 3. 拆内容角度 比如，你是一个做职场AI工具教学的账号，不要一上来让AI写标题，而是先这样问： 我准备做一个面向职场人的AI工具账号，目标用户是产品经理、运营、市场和内容创作者。请你从他们的日常工作场景出发，帮我整理30个高频问题，并按照“效率提升、内容创作、数据分析、沟通协作、职业成长”五类归纳。 这时，AI输出的不是标题，而是用户问题库。 有了问题库之后，再继续追问： 请从上面的30个问题里，筛选出最适合做短视频的10个选题。筛选标准是：用户痛点明确、适合3分钟内讲清楚、有转发或收藏价值、能引发评论区讨论。 这样生成的选题，才更接近短视频内容逻辑。 短视频选题不是“我想讲什么”，而是“用户现在正被什么问题卡住”。AI的价值，是帮你把这些问题系统化地挖出来。 举个例子： 如果你直接让AI写标题，它可能给你： – 10个提升工作效率的AI工具 – AI时代，职场人如何提升竞争力 – 3分钟教你用AI写方案 这些标题没有错，但用户不一定有点击欲望。 如果你先让AI拆用户问题，再生成选题，结果就会更接近： – 为什么你用了AI，工作效率反而没有提升？ – 用AI写周报，别再直接复制粘贴了 – 领导让你明天交方案，AI能帮你做到哪一步？ – 新手运营怎么用AI拆解一个爆款账号？ 后者之所以更好，是因为它先出现了具体场景，再出现解决方案。 图：AI选题拆解表 三、用AI拆爆款，但重点不是抄内容，而是拆结构 很多短视频账号做不起来，并不是因为不会找爆款，而是只学到了表面。 看到别人一条视频火了，就模仿标题、模仿话术、模仿拍摄形式。短期可能有一点效果，但很难持续。真正值得学习的，不是某一句话，而是内容结构。 一条短视频能被用户看完，通常不是因为信息量最大，而是因为它的结构让用户愿意继续看。 我们可以让AI帮我们拆这几个维度： – 开头用了什么钩子 – 中间用了什么递进逻辑 – 观点是