一个月，3000万用户。

9月4日，阿里巴巴披露，千问办公在中国市场公测上线一个月，总用户数已突破3000万，其中超过一半为企业用户。这组由企业公布的数据很抢眼，但更值得关注的是：为什么一款办公AI，会在短时间里吸引这么多人试用？

答案可能藏在一个人人熟悉的麻烦里。过去，我们让AI写一段文字、整理一份摘要、分析一张表，最后仍要自己复制到Word，重新搭PPT，再把数据、图片和格式逐个搬过去。AI负责生成一段，人负责把这一段变成能交付的东西。

千问办公瞄准的正是这段“最后一公里”：让AI少停留在回答框里，开始向文档、表格、PPT、网页和多媒体等可交付成果推进。

一个月3000万 背后不只是多一个聊天框

千问办公由阿里巴巴在8月3日开放公测。官方介绍显示，它整合了Qoderwork、Mulerun和悟空的核心能力，把桌面智能体、云端智能体和企业协作智能体放进同一平台。

这句产品介绍听上去有点技术化，换成日常语言，就是它希望接住一整段办公流程：先读取材料，拆解任务，再调用文档、表格、PPT、网页、图片或视频等能力，最后把结果以文件或页面的形式交出来。

阿里巴巴还称，千问办公首月完成了120个版本更新，推出超过1000项新功能。数量不等于质量，但密集迭代至少说明，办公智能体的竞争已经从“模型会不会答”转向“产品能不能做完”。

它想砍掉的是办公室里的复制粘贴

假设你要做一份项目汇报。传统用法是先让AI提炼材料，再把答案粘进Word；接着请它列PPT大纲，自己去演示软件里重搭；数据还要回到表格里计算，最后再手动统一标题、图表和页面风格。

在千问办公的设想里，这些步骤可以放进同一个任务里：把参考资料交给它，说明汇报对象、页数、重点和输出格式，让它整理材料、生成文档或PPT，再根据反馈继续修改。官方界面还会在任务执行过程中追问输出格式、重点方向等信息，而不是只吐出一段通用答案。

这并不意味着文件拿来就能直接发布。数字、引用、版式和业务判断仍要人工复核。真正节省的是搬运、转换和重复排版的时间。人不一定少做判断，但会少做很多搬运。

网页 桌面 钉钉 三个入口接不同的工作状态

目前，千问办公已提供网页端、桌面端和钉钉内嵌入口。网页端适合临时使用，打开浏览器即可开始；桌面端可以在用户授权后读取本地文档、表格、图片和视频，并将处理结果保存回指定文件夹；钉钉入口更接近团队协作，可结合群聊、日程、文档和企业业务系统处理任务。

三种入口的差别，不只是换了一个登录位置。网页端强调随时可用，桌面端强调本地文件和浏览器操作，钉钉端强调组织数据与协作流程。对于经常在多个软件之间来回切换的人，这种“一个入口接住多种工作”的思路，正是它最有吸引力的地方。

当然，能力并非在每个入口完全一致。阿里云帮助文档注明，浏览器自动化目前仅桌面客户端支持，部分网页制作能力也有端侧差异。使用前仍要看清当前版本和权限，不要把产品总览里的每项能力都理解成所有用户、所有入口立即可用。

放到国内外横向看 千问办公站在什么位置

办公AI已经形成几条不同路线。WPS AI和Microsoft 365 Copilot更贴近传统办公软件，在熟悉的文字、表格、演示和邮件中加入AI；飞书与Gemini for Workspace依托协作平台和云端文档，让AI直接使用团队已有的信息；ChatGPT Work则从通用智能体出发，跨应用、文件和网页完成任务。

千问办公的特点，是把上述几种路线尽量放到同一个入口：既做文档和PPT，也连接本地文件、浏览器和钉钉，还允许把重复任务沉淀为技能或定时任务。它的优势是覆盖面广，挑战也同样明显——链条越长，越考验结果稳定性、权限控制和最终校验。

真正的分水岭 是能不能把成果交出来

办公AI的第一阶段，竞争的是谁回答得更聪明；第二阶段，竞争的是谁能把回答变成可编辑、可继续修改、可进入真实流程的成果。千问办公的出现，把这条趋势摆得很直白。

但“能交付”不等于“可免审”。AI生成的报告可能遗漏来源，表格公式可能不适合实际数据，PPT也可能在逻辑、字号或图片版权上出问题。越接近最终文件，用户越要明确目标、提供可靠材料，并设置检查节点。

更稳妥的使用方式，是把任务说具体：交给谁看、需要什么格式、必须保留哪些数据、哪些内容不能改、最后如何验收。把这些条件写清楚后，智能体才更像一位能持续返工的助理，而不是一次性内容生成器。

普通人现在值不值得试

如果你的工作经常在文档、表格、PPT和网页之间来回切换，千问办公值得试一轮。可以先从低风险任务开始：整理公开资料、把会议笔记变成结构化文档、根据已核实的数据制作一页汇报，或者把重复的信息收集流程做成定时任务。

涉及合同、财务、客户数据和对外发布内容时，应先确认组织权限与数据要求，并保留人工复核。办公智能体真正适合接手的，是规则清楚、材料明确、结果可以检查的任务。

千问办公首月的用户增长，说明很多人已经在寻找一个新答案：当AI不再只给建议，而是开始碰文件、碰系统、碰交付物，我们该怎样重新分配自己的时间？

也许以后判断一款办公AI是否好用，问题不再是“它说得像不像人”，而是“它做出来的东西，我还要返工多少”。

很多人以为，让 AI 做 PPT，就是输入一句“帮我生成课件”，然后等它吐出一份成品。

但这次做“小学人工智能通识课”时，我发现真正有价值的不是第一次生成，而是后面一轮轮把它改到能用。

这次实验对象是一套小学 AI 通识课课件：把教学方案和实验操作手册，变成 15 页、16:9、可编辑、能直接进教室使用的 PPT。

我不是让 Codex 随便做一套“看起来像课件”的 PPT，而是不断给它加条件、挑问题、控制用量、缩小修改范围，再让它回去重做。最后成品能落地，靠的不是一句神奇提示词，而是一段很具体的人机协作过程。

第一轮：先问清楚，应该怎么向 AI 提需求

一开始，我手里有两个文件：教学方案和实验操作手册。

如果直接把文件丢给 AI，说“帮我做 PPT”，结果很容易发散：它可能把教师话术放进学生课件，也可能把实验步骤堆成说明书。

所以第一步，我没有急着让 Codex 生成成品，而是先问它：如果要依据这两个文件制作教学 PPT，应该给出怎样的提示词。

这个动作看似绕了一步，其实很关键。

AI 很擅长执行，但前提是任务边界清楚。与其一上来就让它做成品，不如先让它把“应该怎样下任务”讲清楚：用哪些文件、生成多少页、哪些截图能用、哪些内容不能进学生课件。

这一步相当于先把工作说明书写出来，再让 AI 开始干活。

第二轮：控制页数和用量，不让它一上来就“豪华装修”

后来我逐渐把要求收紧：15 页就可以，不要做太大，避免浪费用量；要配图，但不能为了配图而配图。

我还特别强调：不要把每一页都做成整张 AI 背景图。整页图看起来热闹，但修改成本高，用量也大，一旦文字错了、版式不合适，就很难继续精修。

最后，约束变成了一套更明确的规则：15 页、16:9、可编辑 PPTX；浅色背景；每页只讲一个核心点；不生成演讲者备注；不把年级、课时、教学目标、教师话术、设计意图放进学生课件；实验页优先使用真实截图，概念页再使用辅助小图。

这些要求看起来像细节，其实是在给 Codex 画边界。

如果没有这些边界，它很可能会做出一份“内容很多、看起来也完整”的课件，但小学生看不懂，老师上课也不好用。把标准提前说清楚，后面的生成、修改和质检才有依据。

第三轮：配图策略改成“局部小图”，而不是整页 AI 大图

做儿童课件时，很容易掉进一个坑：页面很可爱，但图和知识点没关系。一开始，整页 AI 图看起来很漂亮，可问题也明显：用量大、修改难、容易盖住文字。

于是我改了要求：能不能不要局部生小图？比如需要一台电脑，就只生成一台电脑；需要麦克风、耳朵、声波，就只生成这些透明背景小插画，再嵌入 PPT。

这个方法明显更适合课件生产。

它不是让 AI 每页画一张“大海报”，而是先设计好页面版式，再按需要补小图。这样既节省生成次数，也方便后面调整：文字可以改，图片可以挪，实验截图也能保持真实。

后来这套思路变成了一个稳定分工：概念页用局部小图解释抽象概念，实验页用真实截图保证可复现，总结页用少量图标帮助学生记住步骤。

第四轮：第一版出来后，我开始挑毛病

第一版出来后，并不等于完成。

我继续看预览挑问题。很多问题不是“大错”，但会直接影响课堂使用。

比如，有的页面右下角有编号，我要求删掉；有的页面是空记录表，看起来像让学生填，但其实没有教学意义，我要求改成能直接判断的“证据卡”或“情境判断页”；有的课件第 8 页、第 14 页内容太空，我要求重做；还有一次我只想改“手势”那一套，不想影响另一套，Codex 就必须停下来缩小修改范围。

下面这张表记录了其中几轮具体的修改和响应：

这几轮对话很重要。

因为很多 AI 工具最容易出问题的地方，不是第一次不会生成，而是用户提出具体修改后，它会不会改错对象、会不会把已经确认的部分又弄乱。

第五轮：发现后半段没设计感，继续返修

做课件还有一个很常见的问题：前几页因为是开场，往往设计得比较好；越到后面，页面越容易变成普通文字堆叠。

我看到后半段设计感明显下降，就继续指出：前几页还有点设计，后面完全没有设计感了。

Codex 后续不是简单换个背景，而是重做后半段结构：把实验操作页改成交替场景，把结果页强化视觉层级，把总结页改成更清楚的关卡或任务台。

这一步让我感觉，它更像一个可以持续返工的制作助理。

我说“这里不好”，它需要理解“不好”具体指什么；我说“后半段没有设计感”，它需要判断是配色问题、结构问题、留白问题，还是页面节奏问题。

这比单纯生成一份 PPT 更接近真实工作。

第六轮：把抽象问题，改成孩子能进入的故事

这套课件里有一节叫《AI 做的事情都是对的吗？》。

如果直接讲“AI 可能存在语义理解偏差”，小学生大概率听不进去。Codex 最后选择了更生活化的切口：翻译耳机闹笑话。

比如，“我们班卧虎藏龙”不能按字面翻成教室里真的有老虎和龙；“piece of cake”在语境里不是一块蛋糕，而是“这件事很容易”；“放鸽子”也不是把鸽子放走，而是没有按约定出现。

这样一来，学生先被问题吸引，再自然进入结论：AI 翻译看起来每个词都翻出来了，但整句话仍然可能错。

这个设计比“直接讲概念”更适合孩子。它不是先告诉学生一个抽象结论，而是先让学生发现：咦，明明每个词都翻了，为什么听起来这么怪？当孩子自己先发现问题，再讲“语境”和“核查”，就不再像灌输知识，而像是在解决一个真实小谜题。

第七轮：不是堆页面，而是设计一条课堂路径

最后的课件不是把材料平均分成 15 页，而是按课堂节奏重新组织。

这时距离最初那两份教学材料，已经不是简单“换个格式”的变化，而是变成了一套有开场、有任务、有实验、有收束的课堂作品。

先用几个“翻译闹笑话”的场景制造好奇心；再用一页最小理论说明“原话和语境进入 AI，译文会影响对方理解”；接着给出四步核查方法：读完整句子、联系语境、圈出可疑表达、说出实际意思；最后进入真实实验，让学生观察“核查前后剧情有没有变化”。

也就是说，Codex 做的不是“把文字放进 PPT”，而是把材料整理成一条学生能走下去的学习路线。

最后不是交文件，而是做质检

最容易被忽略的，其实是最后一步。

Codex 在生成 PPT 后，还要逐页检查：标题有没有异常换行，文字有没有溢出，图片有没有被裁切，实验截图是否清楚，页面左右留白是否均衡，是否出现了不该给学生看的教师端内容。

例如在另一节《AI 怎么认出一张脸》的课件中，质检还专门检查了几个边界：24/24 和 6/6 只能写成学习进度，不能误写成准确率；0.94 不能写成身份置信度；人脸数据要提醒只在课堂内使用、不上传、不传播。

这一步其实最像一位谨慎的助教：它不只负责“做出来”，还要负责“别出错”。所以这次交付前，真正省时间的不是第一版生成，而是后面的反复检查、定位问题和局部返修。

这次实验真正有价值的地方

这次让我感觉比较明显的是，Codex 更适合承担“长链条制作”里的中间层工作。

如果人的角色是定方向、审关键、做最终判断，把重复整理、初稿搭建和细节检查交给 Codex——这种分工，比“让它一口气做完”更接近真实可用。

下次再做类似课程时，我不会只问 AI：“帮我做个 PPT。”

我会更具体地问它：“请先判断学生能看什么，再把这节课设计成一条孩子能走完的学习路线。”

这个问题，才真正接近一套好课件的起点。

过去做一条AI视频，常常要把图片交给一个工具、声音交给另一个工具，再用剪辑软件把它们拼起来。MiniMax H3想解决的，正是这种“素材各管一段”的麻烦：文字、图片、视频和音频可以作为同一组参考材料，一起参与视频生成。

对普通用户来说，这次更新值得关注的不是又多了一个模型名字，而是做视频的入口正在变得更像一次完整的内容创作。

一、H3已经能用，而且不只停留在发布会里

MiniMax在7月31日发布H3，把它定位为通用多模态视频模型。现在，用户可以从海螺AI的H3官方页面直接进入体验；开发者也可以通过MiniMax开放平台调用模型。与此同时，ComfyUI已经原生支持H3开放权重工作流，可以在本地部署文本生视频、图片生视频和参考素材生视频等流程。

这里要分清两件事：在线平台和API更适合普通用户，操作门槛低；开放权重更适合有显卡、懂模型部署的人。开放权重不等于“任何电脑都能轻松跑”，更不等于生成完全免费。

二、它把四类素材放进了同一个“上下文”

过去给视频模型下指令，最常见的是一段文字，或者一张首帧图片。H3进一步支持把文字、图片、视频和音频放在一起，让模型同时参考人物外观、动作节奏、镜头语言和声音氛围。

比如，你可以提供一张产品图、一段运镜参考和一段背景音乐，再用文字说明“镜头从近景慢慢拉远”。模型面对的不再是一句孤零零的提示词，而是一套更完整的创作条件。

官方资料显示，H3可生成带原生立体声的视频；在线平台和API支持4至15秒、768P或2K输出。这里的“2K”指在线平台或API能力，不应直接套到本地开放权重工作流。ComfyUI官方教程注明，本地原生画布以短边768像素为基准，并有画布上限。

三、普通人最容易上手的，是这三种做法

1. 只写文字：先把想法变成短片

适合没有现成素材、只想快速试创意的人。写清主体、场景、动作、镜头和声音，比堆砌“电影感”“高级感”更有效。

2. 给首尾画面：让变化过程更可控

如果你已经有一张开场图和一张结束图，可以让模型补出中间过程。产品展示、海报动效和简单转场，都可以从这种方式开始。

3. 同时给参考图、视频和音频：让结果更接近你的目标

这是H3最有代表性的用法。参考图负责人物或产品外观，参考视频负责动作和运镜，参考音频负责节奏和声音风格。素材越多不一定越好，关键是每份材料分工明确，彼此不要冲突。

四、“开放权重”让它多了一条本地路线

对于普通读者，开放权重最实用的理解是：除了在网页上点按钮，还可以把模型下载到自己的设备或服务器里，通过ComfyUI等工具搭建工作流。这样更便于批量处理、接入内部流程，也能减少素材在多个在线工具之间来回传递。

但本地运行要付出显卡、存储、部署和维护成本。你还需要自己处理模型文件、工作流节点和参数设置。对只偶尔做几条短视频的人，先用在线入口通常更省事；对需要稳定批量生产、希望掌控工作流的人，本地部署才更有意义。

五、别只看榜单，先看它能不能完成你的任务

官方页面展示了H3在多项视频生成与编辑评测中的表现，但榜单会随样本和新模型更新。对普通用户而言，更有用的判断标准是三个：人物和产品是否保持一致，动作和镜头是否听指令，声音与画面是否真的同步。

第一次尝试时，可以从5秒左右的小任务开始：只放一到两份关键参考，先测试主体和动作，再逐步加入声音、运镜和更多素材。这样更容易判断是哪一项条件影响了结果，也能少花不必要的生成额度。

还要注意，上传他人照片、声音或品牌素材前，应先确认肖像、声音和版权授权。模型能合成，不代表内容就自动具备发布许可。

H3真正有意思的地方，不只是“又能生成更清晰的视频”，而是把图片、视频、声音和文字放进了一次创作里。过去需要在多个工具之间接力的流程，正在被压缩成一个更统一的入口。

如果你只是想让一张照片动起来，在线页面已经足够；如果你要把参考素材、声音和批量流程结合起来，再考虑API或本地开放权重。先从最小任务开始，往往比一次把所有功能都塞进去更容易得到可用结果。

前几期我们聊过桌面智能体、零代码应用，也聊过能围绕资料做研究的AI工具。本期轮到国产大模型里的“长文本老选手”Kimi。

7月16日，月之暗面发布新一代旗舰模型Kimi K3。官方公布的几个数字很抢眼：2.8万亿参数、原生视觉能力、最高100万Token上下文，并重点面向长程编程、知识工作和复杂Agent任务。

一、Kimi K3升级的重点是什么？

先说结论：K3的重点不是让简单聊天变得更花哨，而是提高处理“重任务”的能力。

过去用AI做复杂项目，经常遇到三个问题：资料一次放不全、对话长了忘记前文、任务步骤一多就开始跑偏。

K3把上下文上限提高到100万Token，适合处理大型代码库、成套项目文档和多份研究资料。这里要注意，100万Token是模型支持的上限；网页端需要相应的高等级会员权益，并不是所有账号默认开放。

它还原生支持图片理解。除了文字、表格和文档，你也可以把截图、图表、流程图一起交给它，让模型结合图文分析，而不是只读其中的文字。以前分析竞品页面，需要先用文字描述页面结构；现在可以直接把网页截图交给K3，让它结合页面布局、图表和文字一起分析。

至于KDA、Attention Residuals和MoE这些技术名词，普通用户不用背。它们最终想解决的都是同一件事：资料更多、任务更长时，模型仍能尽量保持思路连贯。

二、普通人可以用它做什么？

1. 给一整套项目资料做复盘

把几个月的周报、会议纪要、方案和数据表放进去，让它按“目标—进展—问题—下一步”整理，并找出前后矛盾和长期没有解决的事项。

以前我们需要在十几个文件之间来回翻，现在可以先让AI完成第一轮梳理，再由人核对关键结论。

2. 横向比较多份报告

一次上传多份行业报告时，不要只说“帮我总结”。可以直接要求：

这样得到的结果，更接近一份可以继续加工的调研底稿。

以前同时看几份报告，最费时间的往往不是阅读，而是核对同一指标是否采用同一口径；先让AI把差异列出来，人再回到原文确认，可以省掉大量来回翻找的时间。

3. 从资料直接做到成品

K3不仅能输出文字，还可以参与生成文档、表格、PPT和网站等可编辑成果。

例如，你可以让它先读取会议材料，再整理汇报逻辑、制作演示文稿提纲，最后检查遗漏。这种工作方式更接近“把整个任务交给AI”。

以前最容易卡在“内容已经有了，但还要重新整理成不同格式”；现在可以让AI沿着同一套材料继续往下做，减少在文档、表格和PPT之间反复复制粘贴。

4. 处理周期更长的编程任务

对开发者来说，K3更明显的优势是读取大型代码库，并持续完成修改、测试和排错。

普通用户即使不写代码，也可以关注这一点。因为模型能否长期稳定执行编程任务，也会影响它完成多步骤办公任务时的可靠性。

过去处理长任务时，模型常常做到一半就忘了前面的约束，还需要人工反复提醒；K3想提升的，正是这类持续执行能力。

三、怎么开始使用？

第一步，打开Kimi网页端或最新版客户端，在输入框右下方的模型选择器中切换到K3。K3也已经应用在Kimi Work、Kimi Code和官方API中。

第二步，把任务背景、参考资料和交付格式一次说清楚。比如：

第三步，不要拿到第一版就结束。继续让它检查遗漏、核对引用、压缩篇幅，或者把内容改成适合汇报、公众号和内部通知的不同版本。

记住一个实用公式：

复杂任务 = 输入材料 + 处理步骤 + 输出格式 + 核查要求。

这四项说得越清楚，AI越不容易跑偏。

四、K3、K2.6和K3集群怎么选？

如果只是问一个简单问题、查资料或改一句文案，响应更快的K2.6通常已经够用。Kimi帮助中心显示，K2.6在聊天场景中不消耗会员额度。

需要处理成套资料、复杂推理、可编辑文档或多步骤任务时，可以切换到K3，但会消耗相应额度。

如果任务涉及大规模搜索、批量处理或很长的内容，可以考虑K3集群。它更像“同时安排多名助手分头工作”，但同样会消耗额度。

五、使用前还要注意什么？

上下文更长，不代表结论一定正确。资料越多，越要要求AI标注来源，并对关键数字回到原文复核。

也不要随意上传合同原件、身份证件、未公开经营数据和公司源码。涉及内部材料时，要先确认单位的数据安全要求和账号权限。

需要说明的是，“开放模型”不等于普通电脑就能轻松本地运行。K3总参数规模达到2.8万亿，官方建议使用由64张以上加速卡组成的超节点配置进行部署。对大多数普通用户来说，更现实的方式仍然是通过Kimi网页端、App、Kimi Work或API直接使用。

写在最后

Kimi K3最值得关注的，不是2.8万亿这个数字本身，而是AI正在从“回答一个问题”，走向“接住一整套项目”。

对普通职场人来说，它未必适合每一次简单对话，却很适合那些资料多、周期长、需要反复核查的重任务。

与其拿它问天气、改句子，不如把积压很久的项目资料交给它，看看它能不能先替你完成第一轮整理。

你最想让Kimi K3接手哪一项重活？欢迎在评论区留言，我可以帮你把第一条指令写好。

你以为它只是笔记本，其实能读资料、跑数据——Gemini Notebook来了

Google出品，把PDF、网页、表格和视频丢进去，不仅能读，还能总结、对比、画图、出成品

7月16日，Google正式把NotebookLM更名为Gemini Notebook。

名字像是换了块门牌，真正的升级却在后厨：部分付费用户已经能让它在安全云端环境中运行代码，资料分析从“帮你看懂”进化到“帮你算完”。

之前我们聊过桌面智能体、聊过文件生成工具，各有各的擅长。但Gemini Notebook切入的是另一个场景——你不是要它凭空编东西，而是要它先把你喂的材料吃透，再替你干活。

一句话概括新能力：把PDF、网页、表格和视频丢进去，Gemini Notebook不只帮你读，还能围绕原始资料做总结、对比、画图表、导出成品文件。

一、怎么用

第一步，建一本笔记。登录Gemini Notebook，新建项目，把PDF、Word、PPT、CSV、网页链接、YouTube视频或录音一次性丢进去。每个项目独立管理，资料不会在不同笔记之间乱串。

第二步，直接说人话。 别只问“总结一下”，试试这样下任务：“对比三份报告的共同结论和冲突点，每条都标出来源”“把这张CSV按月份分析，找出异常波动并解释原因”。回答会附资料引用，方便你回到原文核对。

第三步，到Studio里收成品。 你可以生成简报、思维导图、测验、音频解读、数据表或演示文稿。已开放云端计算能力的账号，还能让它运行代码、画图表、导出Excel、PPT、Word等文件。

 二、场景示例

备课做课件：上传教材、政策文件和几篇论文，让它先列知识框架，再生成课堂提问、随堂测验和讲解提纲。以前资料在文件夹里“各过各的”，现在终于肯坐下来开会了。

项目复盘：放入周报、会议纪要和数据表，要求它找出目标偏差、关键原因和下周行动。数据多时，再让它画趋势图，省掉手动筛表和拼结论。

快速吃透新领域：把行业报告、公开课视频和访谈录音放进一本笔记，先听音频概览，再沿着引用追问。适合调研、考试复习，也适合临时接到一个完全陌生的项目。

三、注意事项

改名不等于所有新功能同时到账。云端运行代码目前优先面向Google AI Ultra和部分Workspace商业用户，未来几周逐步覆盖Pro网页用户。普通用户仍可使用资料上传、基于来源问答和Studio内容生成功能。

AI回答有引用也不代表绝对正确，正式材料仍要回原文复核。上传内部资料前，确认好账号权限和分享范围。

最后聊两句

市面上AI工具分两类：一类帮你“凭空造”，一类帮你“从材料里挖”。Gemini Notebook稳稳站在后者。

它不是让你跟AI闲聊，而是让你把资料扔进去、下命令、然后拿走成果。之前我们聊的桌面智能体是帮你操控电脑完成多步骤操作；腾讯元宝是一句话生成PPT和表格；百度秒哒是零代码搭应用。Gemini Notebook做的事不一样——它解决的是“围绕一堆资料深挖、追问、出成果”这件事。

改名只是开始。Gemini Notebook最值得关注的，是“资料库”开始长出真正的执行能力——从“读懂”到“算完”，Google把它塞进了一本笔记本里。**你最想把哪一堆资料塞进Gemini Notebook？评论区聊聊，我帮你把第一条指令写好。