与「AI落地」相关的搜索结果

很多人玩AI Agent，至今分不清Agent Skill和MCP，看懂底层逻辑，才能精准踩中AI Agent的发展风口，少走弯路少踩坑，今天一次性给你讲通透，新手也能秒看懂。 其实Agent Skill说白了，就是AI智能体的专属技能包。 本质上它是AI智能体可调用的标准化执行能力模块，相当于给Agent预装专属工具，让AI从单纯对话升级为可落地执行的实用助手，自主完成查询、运算、交互等复杂任务。没有技能的AI，只会空谈对话；装上Skill之后，AI能干活、能执行、能落地，是让AI从嘴炮变实干的核心关键。 它的用法超级简单，不用复杂编程，按需加载、随开随用，想让AI具备什么能力，直接匹配对应技能就行，门槛极低，适配绝大多数AI落地场景。 开发者直接接入预设技能库，按需启用对应功能即可，普通用户也能在交互界面一键开启，无需复杂代码配置，大幅降低AI落地门槛。 最核心的亮点是它的渐进式披露机制：不会一次性给AI全开权限，而是根据你的需求，一步步解锁对应能力。 既杜绝权限滥用风险，又兼顾安全和实用性，完美解决AI失控、隐私泄露问题。 很多人混淆它和MCP，二者核心差异一目了然：MCP侧重协议层面的资源互通，通用性强但落地繁琐；Agent Skill聚焦单智能体的垂直能力强化，轻量化、易部署、上手快。

中国算力的「效率革命」，比让存储扩充生产线还有效 一个反直觉的事实：中国AI公司正在用更少的内存，跑出差不多的效果，论文是开源的，这可能会让海外御三家 OpenAI、Anthropic、gemini 的推理成本降低一个量级，毛利提高，同时对内存的需要也降一个量级。 DeepSeek的MLA架构、KV缓存优化以及各类模型量化技术为例，这些动作直接且大幅地降低了推理阶段的显存占用量和带宽需求，单位Token的生成成本断崖式下跌。智谱的超高速推理，阿里和小米千问的缓存计费直接砍到十分之一。这些动作的本质是什么？都是在算法压缩效率，算力被利用到了极致。 但市场在用旧地图找新路 美股AI 还在不断堆资本开支，提前锁定大额的产能和算力，7000 亿资本开支足够让整个 AI 上下游的产业链狂欢。这个逻辑没错，对算力和内存需求确实还很大，增长也很快。但问题是，它忽略了另一条曲线，中国对算力优化的效率提升空间，同样大得惊人。 所有人都在赌「卖水人」能持续赚钱，但没人注意到挖金矿的人突然学会了循环用水。 如果中国AI公司把内存使用效率再压缩50%，那么靠资本开始撑估值的存储股，叙事还成立吗？ 目前AI硬件产业链的暴利，很大程度上建立在对最高端HBM高带宽内存的绝对依赖上。如果模型对内存的需求量级下降，那可能会直接打破原有头部厂商的垄断溢价，靠资本支出撑估值的存储股和算力股的底层逻辑就会松动。 好像整个市场没人认真计算中国在算法层的效率革命，到底能省下多少内存 但是客观来说如果推理成本和内存使用率压缩50%，可能带来的是AI Agent全天候高频API调用、AI 落地应用的大爆发。单次用量少了，但总调用频次如果增加10倍，总体内存和算力的绝对需求依然是暴增的。 中国算力比让存储扩充生产线还有效，可能会打破原有头部厂商的垄断溢价，这是目前需要留意的风险，以及算力效率这条路到底能走多远，能否持续进步优化。 不确定的是，这个「未被计价」的窗口期有多长。也许三个月，也许一年。

假如你有20万美金拿10年不动，你会选择下面的谁，这并不是遥不可及的《富豪假设题》，而是我们每个投资的人都该沉下心，认真想一遍的问题，当然自由的人不需要 这20万美金，没有任何退路，必须选一只股票，死死拿满10年，不做短线波段、不看单日涨跌、不会因为回调20%就割肉，唯一目标，就是让这笔钱在十年后实现收益最大化。你会把所有筹码押给谁呢？ 我觉得这道题是对未来10年的时代趋势，有没有清醒的判断，有没有定力，拒绝短期诱惑，守住长期价值，尤其对我们来说，最忌讳的就是追热点、听消息、频繁操作，下面这10家标地，告诉我，如果是你，你会选择谁： #NVIDIA# 全球GPU绝对霸主。现在所有AI大模型、云计算，自动驾驶高端算力，全都离不开它，技术垄断+刚需拉满，不是短暂炒作，吃下整个AI时代的增长红利 #SpaceX# 太空经济的开拓者。星链、载人航天、星际互联网、商业太空基建，这不是概念，是正在落地的未来产业。十年时间，足够太空经济从新兴赛道，变成改变世界的主流产业 #AMD# 算力赛道的强势黑马，和英伟达分庭抗礼。CPU+GPU双线发力，在AI服务器、PC、数据中心领域不断抢占市场成长性十足，是科技赛道里极具弹性的长期标的 #Micron# 美光全球存储芯片龙头 AI、手机、汽车、服务器，全都需要存储芯片支撑，属于科技行业的“底层刚需”，周期复苏后，长期成长空间非常清晰 #SanDisk# 闪迪 消费级存储领域的老牌巨头，现金流稳定，市场份额牢固属于稳中求进、风险极低、适合长期躺持的稳健型标的 #ASML# 阿斯麦 全球唯一能生产高端EUV光刻机的厂商，没有它，就没有先进制程芯片，整个半导体行业的命脉级公司，只要科技在发展，它就永远是刚需 #高通# 全球手机芯片、车规芯片、物联网芯片的绝对龙头。从智能手机到智能汽车，再到万物互联，应用场景无限延伸业绩稳定，抗风险能力强 #台积电# 全球芯片代工之王，高端制程一家独大。几乎所有顶尖AI芯片、手机芯片、高性能芯片，都要靠它代工生产 #谷歌# 互联网巨头里的常青树，搜索、云服务、AI大模型、无人驾驶、短视频生态……多元业务闭环，现金流恐怖，既有成熟业务托底，又有AI未来打开成长空间，稳中有进 #微软# 把AI落地赚钱的科技巨头 Office、Azure云、Copilot AI游戏生态、企业服务，每一块都是印钞机，AI不是概念，已经实实在在变成业绩 投资到最后拼的不是小聪明，而是眼光和定力。10年很长足以淘汰所有泡沫、热点、骗局，但是10年也很短足以让选对趋势的人，实现财富的跨越式增长，如果我说未来10年，世界最离不开谁，你就持有谁。如果是你，20万美金锁仓10年，你会选谁，评论区留下你的答案，我们十年后再回头看吧

你应该在 Twitter 上关注的 30 个与 AI 相关的账号： 英文： @karpathy，Andrej Karpathy，Eureka Labs创始人，OpenAI早期成员，前Tesla AI负责人，擅长把神经网络、LLM、Agent讲到普通工程师也能听懂。 @fchollet，François Chollet，Keras作者、ARC-AGI提出者，Ndea和ARC Prize联合创始人，长期讨论AGI、抽象推理和「智能到底是什么」。 @ylecun，Yann LeCun，图灵奖得主、CNN/深度学习代表人物，NYU教授，前Meta首席AI科学家，现在做AMI，长期主张开源、世界模型和非纯LLM路线。 @AndrewYNg，吴恩达， Fund、Landing AI创始人，Coursera联合创始人，AI教育和AI落地应用领域最有影响力的人之一。 @rasbt，Sebastian Raschka，LLM研究工程师、作者，写过《Build a Large Language Model From Scratch》，适合看模型原理、训练细节和代码实现。 @dair_ai， Engineering Guide背后的项目，适合看prompt、context engineering、agent相关资料。 @lilianweng，Lilian Weng，Thinking Machines Lab联合创始人，前OpenAI研究与安全VP，Lil’Log作者，agent、RL、AI安全综述写得非常系统。 @jeremyphoward，Jeremy Howard， @simonw，Simon Willison，Datasette作者、Django联合作者，长期追踪LLM工具、开源生态、prompt injection和AI Agent安全问题。 @_akhaliq，AK，AI论文信息流账号，机器学习背景，主要快速转发新论文、新模型、新项目，适合跟踪前沿动态。 @ID_AA_Carmack，John Carmack，id Software创始人、前Oculus CTO，现在在Keen Technologies做AGI，典型硬核工程派。 @gwern，Gwern Branwen，独立研究者和长文作者，写AI scaling、心理学、统计学、理性主义和长期主义相关内容。 @goodside，Riley Goodside，最早出圈的prompt engineer之一，曾在Scale AI和Google DeepMind，常发模型行为、prompt技巧和AI产品边界测试。 @drfeifei，李飞飞，Stanford教授、World Labs联合创始人兼CEO，ImageNet关键推动者之一，长期做计算机视觉、空间智能和human-centered AI。 @demishassabis，Demis Hassabis，Google DeepMind联合创始人兼CEO，AlphaGo、AlphaFold背后的核心人物之一，2024年诺贝尔化学奖得主。 中文： @dotey，宝玉，中文AI圈非常重要的信息源，长期翻译和整理LLM、Prompt Engineering、Context Engineering、AI工程实践内容，也会分享很多一手产品和技术判断。 @op7418，歸藏，AIGC周刊主理人，关注AI、LLM、AI图像视频和设计，适合追踪新工具、新模型和AI创作玩法。 @xiaohu，小互，中文AI新闻和工具资讯号，主打全球前沿科技、AI动态，也做小互AI日报社群。 @WaytoAGI，通往AGI之路，中文AI知识库和社区型账号，适合系统性补AI资料、工具、教程和行业信息。 @Khazix0918，数字生命卡兹克，AI自媒体和热点监控型账号，做了AIHOT这类AI热点监控网站，适合看中文AI圈正在炒什么、什么值得跟。 @Gorden_Sun，Gorden Sun，稳定更新AI资讯日报，适合当每日AI新闻索引看。 @FinanceYF5，Will，偏AI资讯和行业数据整理，会做AI网站流量、产品数据、行业观察，适合看数据型信息差。 @vista8，向阳乔木，关注LLM、Prompt、效率工具和AI产品落地，内容偏实用观察和产品判断。 @shao__meng，meng shao，关注上下文工程、AI智能体、企业AI落地和AI培训，也经常整理中文AI领域账号合集。 @oran_ge，橘子，前MiniMax AI工具产品负责人， @hanqing_me，汗青，AI Talk创始人，重点在AI短视频、AI数字人、AI艺术和内容创作方向。 @jesselaunz，遁一子，关注AI资讯、AI实际应用和Prompt探索，偏实践派，适合看普通人怎么把AI用起来。 @thinkingjimmy，JimmyWong， @xicilion，响马，西祠胡同创始人、老程序员，分享LLM实战、工程判断和开发者视角，对AI工具链的理解比较硬。 @AI_Jasonyu，鱼总聊AI，关注AI、出海、创业、独立开发和副业方向，经常整理AI博主、工具和产品机会。 有哪些我漏掉了？欢迎补充

卧槽，6个月→15天！ 森马用AI把整个服装行业的底裤都扒了。 真的兄弟们，看完森马的 AI 落地，我直接懵了， 光2025年，AI就给森马带来几个亿的确收回款， 节省视觉、营销、样衣研发等成本数千万， 上新周期从 6 个月，直接压到了 15 天。 这才是真正的AI落地啊，能对业务带来增量价值， 而不是瞎折腾消耗token重复造轮子！ 很多人以为传统企业用 AI，就是拍个图写个文案， 没想到森马直接把 AI 做成了全链路基础设施， 覆盖供应链、库存、直播、运营、物流、客服、财务。 整整 400 多个场景。 连整个经营逻辑都重构了， 最狠的是 AIGC 视觉， 以前拍一组模特图要等两个月， 改个背景换个动作，还要再等两个月， 现在 AI 几分钟出图， 效果不输实拍，成本几乎为零， 所有款式全量覆盖，不用再只赌几个爆款， 传统上新是串行的， 一个环节等一个环节， 现在 AI 介入后全并行推进， 不用空等，不用排队， 以上这些都是 2025 年已经跑通的真实案例， 一年带来几亿回款， 省了几千万的成本。 通过森马这个案例让我们看到了， 其实AI 不只是替代人工干活， 还能挖出那些我们根本想不到的隐性成本， 把以前不可能的事，变成日常。 我感觉以后所有传统企业，都会被逼着走这条路啊。 视频大家收好，非常值得收藏和学习！ #森马# #AI落地# #服装行业# #AIGC# #企业数字化#

想了下为什么币圈这么冷： 1. AI的落地＞币圈，更直观的落地场景（聊天、生成内容、办公工具等，它实实在在的提升了生产力 2. 公司有实实在在的收入，而币圈里币是币，项目是项目，产品好用但是币不回购 3. AI你能畅享下未来，科技的进步，算力的提升，火星移民等等，而币圈最终只能回归：这个币能涨吗？ 为什么 $hype 能涨？感觉它只做到了2点： 1.流动性效应，占据 60-70%+ 的Perps份额，垄断了市场 2.实实在在的回购（几乎100%的回购） 币圈最大的悲哀是： 在生产力不够的时候，写完了多年的故事 故事讲完了，水平跟不上，人也就散了

飞书 CLI 开源了，为什么 AI Agent 时代，大家都在做命令行工具？ 飞书刚开源了一个命令行工具 lark-cli，能让 AI Agent 直接操作飞书：发消息、查日历、写文档、建多维表格、发邮件、管任务。你跟 AI 说一句话，它自己去操作飞书完成任务。 类似的 CLI 还很多，三周前 Google 也开源了 gws，让 AI Agent 操作 Google Workspace。2026 年了，所有想接入 AI Agent 的产品，都在做 CLI。 【1】先说 CLI 是什么 CLI（Command Line Interface），就是你在电脑上打开一个黑底白字的终端窗口，敲一行命令，回车，电脑帮你干活。 比如你要查今天的日程，不用打开飞书 App 找日历，敲一行： lark-cli calendar +agenda 日程就列出来了。 没有按钮，没有图标，没有花哨的界面。CLI 比图形界面早了二十多年，在 Windows 时代逐渐没什么人用了。但 AI Agent 时代，又火起来了。 【2】为什么 AI Agent 时代，大家都在做 CLI AI Agent 要干活，就得有操作工具的能力。你让 AI 帮你订会议室，它需要能访问日历系统。你让它帮你整理客户数据，它需要能读写表格。你让它帮你部署代码，它需要能跑部署命令。 总得有一个接口让 AI 去调用。API 也能做这件事，但 CLI 有一个 API 不具备的优势：CLI 是自描述的。AI 碰到一个陌生的 CLI，敲一下 --help 就知道有哪些能力、怎么用、参数怎么填。API 不行，AI 得先拿到文档、弄清端点、搞懂认证方式，才能动手。CLI 自带说明书，AI 拿来就能用。 而且 CLI 天然是用文本交互的，输入是文字，输出也是文字。AI 最擅长处理的就是文字。反过来，让 AI 操作 GUI 就绕远了，得截图、用视觉模型识别按钮在哪、再模拟鼠标去点，一行命令能搞定的事拆成四步，每步都可能出错。对 AI 来说，CLI 就是天然的操作界面。 【3】那 MCP 和技能呢 让 AI Agent 操作外部服务，现在主流有三种方式：MCP、CLI、技能（Skills）。三者不是互相替代的关系，各管一件事。 CLI 是实际干活的工具。装完之后终端里就能跑命令，查日历、发消息、建表格，都是 CLI 在执行。 MCP 也是让 AI 操作外部服务的，但方式不同。MCP 是提前把工具清单注册给 AI，AI 随时能调用，但清单本身常驻上下文窗口（可以理解为 AI 的“工作记忆”，空间有限）。就算 AI 暂时不用某个工具，它的描述也占着空间。CLI 是 AI 需要的时候自己去终端敲命令，用完就走，不占上下文。 另一个区别是组合能力。CLI 可以靠管道和参数组合出没预设过的操作，比如： lark-cli calendar agenda --next-week | grep“张三” | wc -l 一行命令就能查出下周和张三有几个会。MCP 的每个能力都需要提前注册，要实现同样的效果，得单独定义一个新工具。 不过 MCP 有自己的适用场景。在不支持命令行的环境里（比如 Cursor、Claude 桌面端），MCP 是唯一选择。两者各有所长：能访问终端的场景用 CLI 更轻量灵活，不能访问终端的场景靠 MCP。 技能是给 Agent 看的说明书。它不干活，但告诉 Agent 这个 CLI 有哪些命令、什么场景该用什么参数、出错了怎么处理。没有技能文件 Agent 也能用 CLI，靠 --help 自己摸索。有了技能文件，Agent 一上来就知道该怎么操作，成功率高得多。 简单说：CLI 是手，MCP 是另一种手，技能是肌肉记忆。飞书这次开源的项目，CLI 和技能一起提供。 【4】怎么给 AI 写好一个 CLI 不是随便写个命令行工具 AI 就能顺畅地用。如果你想给自己的产品做一个面向 AI 的 CLI，飞书的设计有几个值得参考的地方。 第一，help 文本是你最重要的文档。AI 碰到不认识的 CLI，第一件事就是运行 --help。你的 help 文本就是工具说明书、参数规格、使用指南三合一。别写那种“Usage: myctl deploy [flags]”就完事的帮助信息，要写清楚每个参数干什么、什么时候用、有什么默认值。飞书 CLI 还有一个 schema 命令，可以快速查询任何 API 方法的参数、请求体、响应结构、支持的身份和权限范围。AI 看到这些信息就能自己决定怎么调用。 第二，支持 dry-run，这是为 AI 设计的安全网。AI 会自己做决策，有时候它理解错了你的意图，或者匹配到了不该动的数据。dry-run 相当于一个“预览”机制。 举个例子，你让 AI 帮你删除飞书多维表格里上个月的过期数据。如果直接执行，删错了就没了。加上 --dry-run，AI 会先跑一遍，返回类似这样的结果：“将要删除以下 47 条记录：2025-05 的过期任务 23 条，已归档项目 24 条。未做任何实际修改。”你看了觉得没问题，再让它去掉 --dry-run 真正执行。Google 的 gws 也做了同样的设计，它的技能文件里甚至写死了一条规则：对所有写入和删除操作，必须先 dry-run。 第三，错误信息要能指导下一步操作。人看到“Permission denied”会自己去查文档。AI 看到“Permission denied”就卡住了。飞书 CLI 的做法是：告诉 AI 你缺了什么权限，顺便把申请权限的命令也给出来。比如 lark-cli auth login --scope“calendar:calendar:readonly”。AI 看到就能自己修复问题，继续干活。为 AI 设计的 CLI，每一条错误信息都应该包含三个要素：哪个参数出了问题、具体错在哪里、下一步应该执行什么命令来修复。 第四，返回结构化数据，控制好输出量。飞书 CLI 支持 json、csv、table 等多种输出格式。对人来说 table 更顺眼，对 AI Agent 来说 json 更可靠。好的 CLI 不只是能跑通，还要方便被别的工具消费。同时要控制输出量。AI 的上下文窗口有限，如果一个命令返回一万行日志，上下文就炸了。飞书 CLI 提供了分页参数（--page-limit）和过滤参数，让 AI 能拿到它需要的那部分数据就好。 不管你是设计 CLI 的人还是用 CLI 的人，记住这条：让 Agent 动手之前，先让它 dry run 一遍。 【5】装完之后，你动嘴，Agent 动手 装完之后用起来就是：你说一句话，Agent 去操作飞书把事情办了。 你开完会，跟 AI 说“把刚才会议里提到的所有待办都提出来，该发文档的发文档，该建任务的建任务”。AI 读会议纪要，拆解出待办事项，然后逐条执行：用 lark-cli doc create 在飞书里建文档，用 lark-cli task create 建任务并指派给对应的人，用 lark-cli im send 把结果通知到群里。整个过程你只说了一句话，Agent 在终端里跑了一串命令。而且因为有 dry-run，你可以让它先预览一遍要建哪些任务、发给谁，确认没问题再真正执行。 你要约一个五人跨时区的会，跟 AI 说“帮我看看下周大家什么时候有空”。AI 去查每个人的日历和时区，推荐几个时间段，你选一个，会就建好了。 你甚至可以让 AI 在飞书文档里直接帮你写初稿，你在文档里留评论提意见，AI 读完评论自己改。整个协作过程不用离开飞书。 安装也简单，npm install -g @larksuite/cli 装 CLI，npx skills add -y -g 装技能文件。你甚至不用自己记这两步，把项目地址 发给 Agent，让它自己安装、自己学会怎么用。 【CLI 的回归】 过去四十年，计算机的界面进化方向一直是从 CLI 到 GUI，从文字到图标，从键盘到触屏，对人越来越友好。 AI Agent 时代，方向反过来了，软件的用户变成了 AI Agent。CLI 这个为文字世界设计的接口，恰好是 AI 最顺手的工具。 既然 Agent 成了软件新的用户增长点，那么像飞书提供 CLI 也不稀奇，与其等着社区来写 MCP 适配层，不如直接做一个 AI 原生的 CLI，完全开源，无需注册审批，让所有 AI Agent 都能接入。 这也带来一个绕不开的问题：Agent 的权限怎么给？不给权限，什么都做不了；权限太高，又怕 Agent 理解错意图干出不可逆的事。毕竟还做不到让 Agent 代你审批、代你发全员邮件。dry-run 能兜住一部分风险，但真正要让 Agent 在企业里大规模跑起来，权限体系、审计追踪、人机协作的边界，都还在摸索中。 但换个角度想，当年我们把公司的钱从保险柜搬到网银，把合同从纸质搬到电子签，也都是一步步摸索出来的。CLI 和 dry-run，可能就是这个过程里的第一步。 而飞书做这件事，其实有一个别人不太容易复制的优势：它本身在企业协作领域已经足够成熟，消息、文档、日历、审批、多维表格、任务，这些能力都是现成的。现在把这些能力通过 AI 原生的 CLI 全部开放出来，大概率会成为国内对 AI Agent 最开放、最友好的企业级接入入口。这件事的价值不止是多一个工具，更像是真正在为 Agent 时代搭建企业级基础设施，把权限、审计、组织能力开放给整个生态，对行业落地 AI Agent 会是很关键的一步。

这份年终众包调研来自我在 X 上的随手一问，问了三个问题：2025 年 AI 最关键的技术突破是什么？哪些产品让你眼前一亮？2026 年什么趋势不可忽视？ 没想到收到了这么多认真的回复。我花了一两个小时时间，把这些留言和答案汇总整理了一下。 127 条留言，95 个人回答了同样的三个问题。 看完所有答案，我发现大家虽然各有侧重，但在某些判断上出奇一致。答案五花八门，但有些词频繁出现：推理 (Reasoning)、Agent (智能体)、Claude Code、Manus、Nano Banana Pro、NotebookLM、具身智能 (Embodied AI)。 这组词频里有个共同点：“聊天”这个词几乎没人提起了，“干活”这个词开始更多被提起了。 【1】推理革命：AI 学会了慢下来 如果要选 2025 年最重要的技术突破，答案几乎没有悬念——推理能力的工程化落地。 三疯 (@ 3fenglife) 的表述最精准：从“预测下一个词”到“预测下一步行动”。以前的 AI 像个反应快但不过脑子的人，张口就来，经常胡说八道。2025 年的突破在于，AI 学会了在回答之前先想一想——做内部推演、自我检查、发现错误就纠正。 技术上这叫 System 2 Thinking，或者叫 test-time scaling。AI 从“快思考”进化到了“慢思考”。o1、o3、DeepSeek R1 这些模型，都是这条路线的产物。 Ray Zhai(@ Cryptoxorz) 还补充了一个视角——当 AI 开始像人类一样拥有“慢思考”的逻辑链，并能理解真实世界的因果律时，AI 才算真正拿到了进入物理世界的入场券。 岚叔 (@ LufzzLiz) 和 Xin(@ Xin_Jin1018) 点名了一个关键技术：RLVR，基于可验证奖励的强化学习。 以前训练模型需要大量人工标注的数据，告诉模型“这个回答好，那个回答不好”。这很贵，也很慢。而 RLVR 换了个思路：对于数学题和代码这类问题，答案对不对是可以自动验证的。答案对了就给奖励，错了就扣分。不需要人来一条条看。 另一个高频共识是成本拐点。Rainman(@ 0xdeusyu) 和 Robinson(@ python_xxt) 都提到了 MoE 稀疏化架构，DeepSeek R1 证明了一件事：前沿 AI 不再需要前沿预算。意味着推理成本在下降，成为可以普及的基础设施。 还有一类突破被反复提及：Agent 系统化成熟。SLiangD(@ SLiangD) 说得很到位，关键突破不是参数变大，而是三件套终于配合默契了——工具调用、上下文工程、多步推理。AI 能理解“帮我扫描亚马逊眼罩类目，找出评分低但销量高的产品，总结用户抱怨最多的三个痛点”这种复杂任务链了。 【2】年度产品：对话框退场，进度条登台 问到 2025 年哪些产品让人眼前一亮，有一个名字被提到了二十多次：Claude Code。 G_Z(@ GZhan57) 的评价很有画面感：“第一个 work 的 general agent，除了不能生孩子啥都可以。”阿绎 YiOS(@ WangYiNotes) 说得更细腻：“不是因为它写代码有多快，而是它第一次让人感觉是在跟队友协作，而不是在调教工具。” Claude Code 代表的是一类新物种：能把复杂工作流跑通的 AI。它不只是补全代码，还可以自己检索文档、改 Bug、跑测试、完成部署。你扔给它一个需求，它真的能把事办完。 第二名是 NotebookLM。Rocky(@ Rockybnbtrade) 说它让知识输入效率提升了很多，王是子路 (@ atm13999) 说它把枯燥的文档变成极其自然的播客对话。这个产品的价值不在于生成内容，而在于帮你消化和内化已有的知识。 第三名是个意外：Nano Banana Pro，谷歌 Gemini 的生图功能。defyong(@ defyong) 的评价很有意思：“结合 Gemini 的感知与知识库，图片生成不再是凭感觉。第一次让我觉得，这个生图工具，她活起来了。”Steven Qi(@ Jason_qeb) 补充说中文支持是个大突破，文生图、图生视频、图生 PPT 都变得可行了。 视频生成虽然没有 Claude Code 和 Nano Banana Pro 那么高频，但也收获了一批提名。Roland(@ Roland_WayneOZ) 和小镇记录家 (@ liangde_li40657) 都提到了 Sora、可灵、即梦等产品的突破，cicada(@ thebestsetup) 直接把 Veo/Sora 列为年度最惊艳。JCat(@ JackyisThinking) 的判断更进一步：视频生成会在 2026 年更加成熟，影视行业尤其是低成本特效和动画行业将全面 AI 化。这条赛道的特点是"看得见摸得着"，普通人也能直观感受到 AI 的进步，所以虽然技术门槛高、商业化慢，但对大众认知的影响可能比编程工具更大。 空间智能是另一个被多人点名的方向。JCat(@ JackyisThinking) 说得最清楚：机器人产业要落地，AI 就必须具备更高阶的 3D 空间识别、理解和推理能力，这是绕不过去的坎。Ray Zhai(@ Cryptoxorz) 和 suwakopro(@ suwakopro) 都提到了"世界模型"这个概念——AI 不能只在文字和图片的世界里打转，它得理解真实世界的因果律和物理规则。小洲洲的 AI 日常 (@ LZhou15365) 观察到具身智能已经在快速进化："从走姿、行动都越来越像人类。"当 AI 学会了"慢思考"，下一步就是让它学会"动手做事"，空间智能是连接数字世界和物理世界的那座桥。 还有一批产品被多人提及：Cursor 和 Windsurf 这类 AI IDE，Deep Research 深度研究，Manus 和 Youmind 这类通用 Agent，可灵和 Sora 的视频生成。 但最让我印象深刻的是三疯 (@ 3fenglife) 的一句总结：让人惊艳的不再是对话框，而是进度条——它在后台默默把事办完了。Ray Zhai(@ Cryptoxorz) 把这种体验叫做“感知消失，效率倍增”，这才是技术真正闭环的瞬间。 这才是 2025 年产品形态的本质变化。 【3】2026 路线图：从“教 AI 怎么做”到“告诉 AI 我要什么” 关于 2026 年的趋势，答案的集中度比我想象的高。 第一个共识是 Agent 大规模落地。 超过三分之一的人提到了这个方向。什么是 Agent？简单说，就是 AI 不再只是回答问题，还能自己拆解任务、调用工具、一步步执行，最后交付结果。 Ray Zhai(@ Cryptoxorz) 的描述很有画面感：未来不再是你一个人对着一个 AI，而是你拥有一个 AI 舰队。它们会自动分工、自我纠错、自发存储数据。我们将从“教 AI 怎么做”转向“告诉 AI 我要什么”。 SLiangD(@ SLiangD) 用黄金圈法则做了一个漂亮的框架切分：Why（为什么做）和 What（做什么）仍然是人的领地，AI 无法替代；但 How（怎么做）将彻底交给机器，趋近于零成本瞬间完成。 这意味着什么？未来的竞争力不是“会用 AI”，而是“会定义问题”。 第二个共识是具身智能。 码上盈 (@ InnaLyceyum) 预测 Agent 将不再只存在于浏览器中，而会深度集成到智能硬件——从智能眼镜到桌面机器人，AI 将获得空间感知与物理交互能力。阿绎 YiOS(@ WangYiNotes) 说得更极端：2026 年我们可能不再讨论哪个 AI 产品好用，因为 AI 已经内嵌在 OS 和硬件的每一寸肌理里了。 第三个共识是 AI 的“私人化”和“记忆化”。 Cunningham Card(@ Card198454) 强调 Memory 方向的突破会让 Agent 更像人，拥有社会属性。AI 将从千篇一律的工具，演变成极度个性化、具备连续记忆的数字助手。 三疯 (@ 3fenglife) 还提出了一个颠覆性预测：SaaS 的消亡，Service 的崛起。你不再订阅“写作软件”，你订阅的是“文案产出服务”；你不再订阅“CRM 系统”，你订阅的是“销售线索清洗服务”。软件会员变成结果订阅，这是商业模式的根本重构。 当然也有清醒的声音。 Michael Guo(@ Michaelzsguo) 认为 2025 年 AI 基本没有关键技术突破，都是沿用 2024 年的路线做性能提升。Tony Lee(@ lee810860) 预测 AI 厂商加速倒闭。熊布朗 (@ Stephen4171127) 直接说“没有什么是不可忽视的必然路径”。 也不能说这些声音是悲观，更像是提醒我们：共识不等于正确，热情不能代替验证。 【4】最后 AI 的演进已经进入新阶段。2024 年大家还在争论哪个模型更聪明，2025 年这个问题变得不那么重要了，重要的是谁能把活干完。从“会说”到“会做”，从“输出文本”到“交付结果”，这是范式级的转变。 来自 Roland(@ Roland_WayneOZ) 和 SLiangD(@ SLiangD) 的一句话适合用来作为结尾： 2025 年是 AI 学会干活的元年。2026 年的赢家，不是最会用 AI 的人，而是最会定义问题的人。 我把整理后的结果放到 Google Sheet 上了：

美国这场上万亿美元的算力热潮，其实不只是为了造芯片或服务器—— 它真正关心的是认知主权。Cognition sovereignty. 新闻里谈的是硬件、效率和创新， 但在硅片和混凝土之下，藏着更深的动机： 这是一个文明在努力重新掌控自己的思考能力。 这场新的竞争，不是为了工业产能， 而是为了认知的基础设施—— 谁能在全球范围内生成、理解和管理“意义”。 过去的工厂生产钢铁和玻璃； 现在的工厂生产的是解释世界的方式。 每一排 GPU 服务器、每一条光纤管道， 都在宣告一个事实：真正的竞争不在土地上， 而在语言和意义的领域—— 谁来决定什么是真实，什么有价值，什么才算存在。 当各国向数据中心投入巨额资金时， 他们不仅是在扩建计算能力， 也是在争夺定义世界的权力。 他们在说：我们的语言、我们的系统、我们的模型， 将决定世界是如何被理解、被运行的。 这也是为什么美国政府把算力当成新的“石油”， 为什么各州州长争着吸引 AI 巨头落地， 就像当年的领导人争建铁路和工厂。 这场芯片之争，更像是一场新的冷战， 而不是普通的供应链竞争。 因为这不是关于机器的故事， 而是关于意义和权力。 在“AI 创新”的口号之下， 隐藏着更久远也更深层的目标： 一个文明正试图通过新的基础设施，重建自己的影响力。 罗马用道路连接起石头的帝国； 今天的美国，用数据和电力连接起一个心智的帝国。 敬请关注 @TaNGSoFT 说真的，现在老提起认知cognition这个词，容易让人觉得是骗子。就算我自己两年前，都没想到过几天会把这个词挂在嘴边。🤣 不过任何颠覆性的范式转变，最开始都像骗子。