玩转AI——Gemini Notebook是我工作里最常用的AI之一，尤其是做PPT的时候

/在： , , /通过：

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。

探新AI-DRIFT 把 “读” 和 “想” 拆成了两条路，就让长文档推理速度翻了倍

/在： , /通过：

大模型处理长文档为什么总是慢半拍？根源不在模型本身，在它的 “阅读方式”。

现行主流方案，无论开源还是商用，面对几十页合同、三五份行业报告，全部是同一套流程：原始素材一次性灌入，同一个模型既当信息筛选员，又当逻辑推演师。两类任务算力需求天差地别，却挤在同一条管道里跑。大量资源消耗在过滤无关段落上，真正留给深度推理的算力所剩无几。

行业里各种优化手段都试过了，但没一个真正触达病灶：

  • 层级分流早退：只在模型内部省几层计算，读和想依然绑在一起；
  • 生成提速调度：只管输出快慢，前置冗余素材一点没少；
  • 蒸馏和参数适配：动的是训练阶段，推理流程照旧；
  • 事实校验工具：在本就不够快的流程上再叠一轮检查，长文本场景雪上加霜。

所有方案都绕开了最核心的矛盾：“信息读取” 和 “逻辑推演” 压根不应该由同一套网络同时承担。

DRIFT来解决核心思路：先摘菜，再炒菜

DRIFT 框架不碰模型本身，不调权重、不改结构、不依赖专用硬件，仅依靠三层调度代码，将推理流程底层拆为两条独立链路，搭配异步调度器并行作业。

轻量化萃取单元（专职摘菜）

仅负责从原始文档提取有效信息：关键实体、关联关系、有效条件，过滤废话、重复、无关内容；不做任何逻辑推导，算力消耗极低，支持几十份文档并行提纯。

主逻辑推演单元（专心炒菜）

不再直面杂乱原始文本，仅接收萃取完成的结构化知识片段；全部算力集中用于因果推导、条件关联、方案整合，消除杂质干扰，推理连贯性大幅提升。

异步调度器（双链路协同）

萃取单元持续处理新素材，推演单元收到有效片段即可分段计算，彻底消除传统模式 “全文读完才能思考” 的长时间阻塞。全程属于外置推理优化，无需词元改造、多模态适配、训练调整，与市面上绝大多数软件优化方案无技术重叠。

我们来看看实测数据

先说万词级多文档分析。团队直接扔进去20多份行业研报，加起来快三万字。以前这种量级，模型读到一半就开始“失忆”，前后逻辑接不上，推理延迟动不动就奔着分钟级去。套上DRIFT之后，萃取单元先把每份报告的核心观点、关键数据、关联关系摘出来，主模型只负责在干净知识片段上做推演。总耗时压了将近一半。

再来看合同审查。拿八百多份真实商业合同做批量抽检，里面大量条款是模板化套话、免责声明、格式描述，真正需要人工级推演的风险条款占比不到四成。萃取单元直接把六成以上的废话段落原地过滤掉，主模型面对的全是有效条款，逻辑推演那块儿的时间直接砍半。

本地部署这是最让人意外的。实验室专门拿了台老旧的办公电脑做测试，没显卡，只有普通CPU。以前这种设备打开一个几百页的PDF都费劲，更别说跑推理了。装上Mini-DRIFT之后，萃取单元在CPU上跑得稳稳的，读一份上千页的工程档案，翻页、摘录、提取关键关系全程没有明显卡顿。全程没碰任何专用硬件，纯靠流程拆分就把事情办了。

三个场景跑下来，结论很一致：让模型读得更少，想得更深。DRIFT不挑算力、不挑设备，只干一件事——让模型不再傻读全文，而是摘干净了再想。效果嘛，上面这几组数摆在这儿，比什么宣传都实在。

玩转AI-本周重磅开源！美团LongCat-2.0来了，万亿参数+国产算力自主训练

/在： , , /通过：

美团出品，1.6万亿参数MoE架构，MIT协议免费商用，纯国产算力训练

往期我们聊的Coze 3.0、百度秒哒，都是面向普通用户的上层应用工具。本周换个视角——AI行业迎来一个底层技术里程碑事件。

7月6日，美团LongCat-2.0正式开源，国内首款全程依托国产算力集群完成训练、推理的万亿参数混合专家大模型。对企业私有化部署、开发者二次开发具备极高价值。

一、LongCat-2.0是什么？

总参数1.6万亿，MoE混合专家架构，单Token动态激活480亿参数，原生支持百万字超长上下文读取。

6月底完成技术发布，本周正式开放完整权重、推理代码、微调工具。采用MIT开源协议，不限企业商用。华为昇腾、摩尔线程、沐曦等国产芯片同步完成适配，普通高配服务器也能本地离线部署。

最大亮点：依托五万卡国产算力集群完成全流程训练，彻底摆脱对海外高端算力的依赖，补齐国产大模型自主化的核心短板。

二、三大核心优势

全链路国产算力，数据不出境

从训练芯片到推理引擎全部国产化，数据全程本地运行不上传云端。企业内部源码、项目档案、涉密资料可以放心处理，政企和研发团队的落地门槛大幅降低。

长文本+工程代码能力突出

一次性完整解析整套项目文档、数十份行业报告，代码漏洞排查、批量工程重构、脚本生成准确率大幅优化。针对多步骤智能体任务做了专项调优，长链路工作逻辑连贯性更强。

完全免费开源，部署成本低

模型和推理框架无商用限制，不用持续付云端API费用。配套轻量化压缩方案，中小团队不需要高额算力投入，就能搭建专属私有大模型底座。

三、能用在哪些场景？

企业研发内部知识库：批量解析项目源码、历史方案、行业档案，搭私有问答系统，自动迭代文件、排查代码问题，内部数据本地留存。

海量资料批量复盘分析：一次性读取长篇台账、行业调研资料，自动提取核心数据、生成对比报告，适合大批量档案归档和周期性业务复盘。

开发者低成本二次开发：基于开源底座定制行业专用AI、本地文档处理智能体，不用从零训练大模型，大幅缩短自研周期。

四、怎么上手？

去美团开源仓库、ModelScope或HuggingFace下载完整模型包和推理脚本。在国产算力服务器或高配主机上部署，官方提供了轻量化启动工具。本地离线上传文档和代码直接下发指令，支持百万字批量解析。开发者可以基于源码微调，打造适配自身行业的定制化模型。

五、核心亮点小结

本周最新开源的重磅技术产品，填补了国产万亿大模型自主训练的空白。开源商用无限制，本地私有化部署方案成熟，隐私和合规优势明显。长文本、代码、多步骤任务表现领先。多品牌国产芯片同步适配，硬件选择灵活。

定位精准面向企业级私有化部署，原生交互以开发者工具为主，技术团队可直接调用API或命令行高效集成；普通个人用户可关注社区后续推出的轻量封装版本。

写在最后

最近AI产品大多扎堆做个人办公和轻量化应用，底层自主可控的开源大模型新品确实稀缺。本周开源的美团LongCat-2.0，兼顾国产算力自主、免费商用、离线本地运行三大核心优势。

对于有大批量资料梳理、项目研发、私有数据处理需求的企业和开发者，这款模型有长期实用价值——不用持续订阅云端服务，本地运行也能保障内部资料安全。

你是企业技术负责人还是独立开发者？评论区聊聊，帮你看看LongCat适不适合你的场景。

探新AI-大模型从“文盲”到“学霸”的成长之路

/在： , /通过：

手机里那个能写诗、能编程、能陪你聊天的 AI，三个月前还在 “牙牙学语”，连一句完整的话都说不利索。它是怎么在这么短的时间里，从 “文盲” 变成 “学霸” 的？答案藏在一条漫长而昂贵的技术流水线上。今天我们就拆开这台 “智能引擎”，看看它到底是怎么被一步步训练出来的。

预训练：让模型先 “识字”

大模型的起点，是一个对语言毫无概念的神经网络 —— 几万亿个参数随机初始化，相当于一张白纸，连 “苹果” 是什么都不知道。

训练的第一步，叫预训练。研究人员从互联网上抓取海量文本 ——Common Crawl 积累了超过十年的网页快照，加上维基百科、书籍、学术论文、GitHub 代码库，总量可达数万亿 Token。

预训练的核心任务，是让模型学会预测下一个 Token。 这个任务在技术上叫作 “自回归语言建模”，训练过程中，模型每次 “看到” 一段文本，会被要求遮住最后一个词，用自己的参数去猜。猜对了，参数微调加强；猜错了，反向传播调整权重。通过数万亿次这样的迭代，模型内部的参数逐渐学会了捕捉词汇之间的共现关系、语法结构，甚至一些隐性的推理模式。

这个阶段的 “教材” 是未经筛选的互联网文本，质量参差不齐 —— 包含错误信息、偏见表述、低质内容。模型像海绵一样 “照单全收”，这为日后的 AI 幻觉埋下了伏笔。预训练的核心目标是 “语言能力” 而非 “事实准确性”。 模型在这个阶段学会了 “如何像人一样说话”，但它并不 “知道” 自己说的是真是假。

监督微调：教会模型 “好好回答问题”

预训练结束后，模型是一个 “语言流利但不太听话” 的通才。它擅长文本续写，但不擅长按照人类的指令回答问题。

这时候需要第二步：监督微调（Supervised Fine-Tuning, SFT）。

SFT 的核心思路是：给模型看一批 “标准答案” 示例，让它模仿这些示例来回答问题。这些示例由人类标注员精心编写，格式通常是 “用户问题 — 标准回答” 的配对。

示例：
用户问：“什么是光合作用？”
标准回答：“光合作用是植物利用光能将二氧化碳和水转化为有机物和氧气的过程……”

模型在数万条这样的示例上做有监督学习，逐步调整参数，学会 “当用户这样问时，我应该给出这样的回答”。这个阶段相当于 “模仿学习”—— 模型模仿人类标注员的回答风格和内容结构，把模型从 “文本续写器” 变成了 “问答助理”。

经过 SFT，模型的回答变得结构清晰、格式规范，但它仍然可能输出有害内容、编造事实，或者在不该回答的时候过度 “配合”。比如问它 “如何制作危险物品”，它可能真的给出步骤 —— 因为它只是学会了 “回答问题”，还没学会 “判断什么不该回答”。于是需要第三步。

基于人类反馈的强化学习：对齐人类偏好

如果说 SFT 是让模型 “学会答题”，那么基于人类反馈的强化学习（Reinforcement Learning from Human Feedback, RLHF）就是让模型 “学会做人”—— 理解什么回答是好的、什么是不好的，形成价值判断。

RLHF 不是 “教” 模型新知识，而是调整它的 “输出偏好”。 它改变的不是模型 “能生成什么”，而是模型 “倾向于生成什么”。打个比方：SFT 像是给模型一本 “答题范本” 让它照着抄，RLHF 则是通过奖励和惩罚，让模型自己摸索出 “怎么做才更讨人喜欢”。

这三步组合起来，构成当前全球主流大模型训练的标准范式。

现在我们回过头来看，那个每天陪你聊天、帮你写周报的AI，到底是个什么样的存在？

它不是“凭空蹦出来的智慧”，也不是什么神秘的“电子幽灵”。它的真身，是一串串在GPU里疯狂奔跑的电流，是2.5万张显卡连起来能绕足球场一圈的钢铁矩阵，是三个月日夜不停的轰鸣风扇，是烧掉的上亿美元电费账单。

当然，也别太神话它。 它再厉害，也只是个“高级概率预测器”。它会编瞎话，会犯低级错误，会在你问“1+1等于几”的时候一本正经地跟你辩论“也可以是3”。

玩转AI——7月重磅！腾讯混元Hy3上线，元宝免费帮你做PPT、Excel、PDF

/在： , , /通过：

腾讯出品，295B参数新模型，文件生成功能个人永久免费

往期我们聊过团队协同的Coze 3.0、零代码搭应用的百度秒哒，都是各自赛道的实用选手。本周迎来7月首个重磅大模型更新——腾讯混元Hy3正式发布，同步打通元宝全端产品，免费开放Agent任务能力。

一句话概括这次更新的核心价值：不用切换多款工具，一句话自动生成PPT、Excel、PDF等完整办公文件，全程免费。

一、混元Hy3是什么？

7月6日，腾讯正式发布新一代混合专家大模型混元Hy3，295B总参数、21B动态激活参数，靠快慢双思考架构大幅降低模型幻觉、提升多步骤任务稳定性。

对比前代，常识错误率减半，文本幻觉率下降超50%，工具调用和长链路任务规划能力跨越式升级。

发布当天，腾讯元宝全端同步接入Hy3底座，上线全新免费Agent功能——不用额外开通权限，切换模型就能直接用。

二、两大核心亮点

文件一站式交付，全流程自动闭环

普通AI只输出文字，Hy3驱动下的元宝Agent能自主拆解需求，自动完成素材搜集、数据整理、排版制作，直接交付可下载的成品文件。

日常办公一句指令搞定整套活：制作市场分析PPT、输出数据统计Excel、生成旅行攻略PDF、搭建互动教学HTML页面。不用手动复制粘贴、不用二次排版，多轮对话还能反复调整版式和内容。

免费+轻量，上手零门槛

不用下载独立客户端、不用搭建工作流、不用调提示词。打开腾讯元宝，切换「Hy3深度思考」模式就能触发任务智能体，全部文件生成功能个人永久免费。

API同步降价，输入Token低至1元/百万，中小企业批量接入成本也很低。

三、能帮你干哪些活？

职场办公：自动生成工作汇报PPT、数据复盘表格、项目方案Word文档，省去排版制图汇总的大量时间。

内容创作与规划：撰写完整调研报告、一键生成多日出行攻略PDF，自动整合路线预算景点信息。教学素材：快速搭课堂互动小游戏、知识点自测工具、习题汇总文档，几分钟成型。

四、怎么用？

打开腾讯元宝APP或网页端，更新到最新版本。模型选择栏切到「Hy3深度思考」模式，直接完整描述需求、注明要什么格式——比如“帮我做一份Q2市场分析PPT，10页左右”——AI自动执行全流程任务。生成完一键下载，不满意就继续对话调整。

五、亮点小结

本周最新上线的模型能力，轻量化办公智能体免费开放，无额外付费门槛。幻觉控制和多步骤任务稳定性大幅优化，成品文件完整度高。依托元宝原生客户端，无需额外软件，手机电脑随时随地可用。API低价开放，企业和个人开发者都能低成本接入。

写在最后

近期AI赛道不少产品扎堆卷电脑自动操控，上手门槛偏高，普通用户用不太上。而腾讯混元Hy3+元宝Agent的组合，精准瞄准大众高频办公需求——把完整文件生成能力免费下放，不用复杂配置，不用额外软件，一句话产出可直接用的成品资料。

经常写汇报、做表格、整理方案的，可以直接打开元宝免费体验，省下大把重复性文书时间。

你最想让元宝帮你生成什么文件？评论区聊聊，我帮你试试能不能做。

探新AI-AI幻觉，正在成为我们新的信息困境

/在： , /通过：

深夜向 AI 咨询出行路线，它条理清晰给出换乘方案，附带精准首末班时间。等到第二天到站，才发现这条线路早已停运三个月。
写作业查史料，AI 颠倒朝代更迭，还凭空捏造论文出处；职场写报告，AI 填充的行业数据、客户案例全部无中生有。

AI 不是刻意撒谎，这个普遍现象，行业有个专业名词：AI 幻觉。

相关调研显示，42.2% 的用户反馈使用 AI 时最头疼的问题就是信息失真。

它最迷惑人的一点是 “一本正经造假”：行文流畅、逻辑闭环，甚至虚构期刊、学者、行业报告，普通人很难一眼分辨。

ChatGPT、DeepSeek 这类大语言模型，本质是概率文字接龙工具。它学习海量文本，只计算 “哪个词紧随其后概率最高”，核心目标是生成通顺句子，而非保证内容真实。

当模型遇到训练库里不存在、记忆模糊的知识点，为了保证语句连贯，就会自主编造信息填补空白。
举个例子：现实不存在《三体 Ⅳ》，如果你询问它的作者，AI 依旧会编造人名、故事梗概。对它而言，完整输出优先，事实对错不在第一优先级。

简言之：幻觉不是程序 bug，是大模型天生的底层机制缺陷，但我们有多种实用方法降低幻觉概率。

今天我们简单聊聊怎么应对 AI 幻觉

第一招：精准限定提问，缩小 AI 发挥空间

宽泛提问极易催生编造。
反面示例：介绍李白
正面规范提问：依据《新唐书・李白传》原文，梳理李白出生年份、仕途经历与代表作，每条内容标注史料来源。

选购手机同理：
宽泛版：推荐拍照手机
严谨版：2025 年发布、预算 3000-4000 元安卓机型，侧重夜景拍摄，罗列三款并客观对比硬件优缺点。约束范围、限定依据、要求标注来源，大幅压缩 AI 编造空间。

第二招： AI 只是初稿工具，人类最终核验

把 AI 看作实习生，而非行业专家。
适合交给 AI：搭建框架、撰写初稿、发散思路、整理素材；
必须人工把关：全部核心数据、引用文献、政策原文、商业案例。

第三招：追问信息来源，快速识别编造

凡是 AI 输出数据、研究、文献、政策，立刻追问出处：这份研究发布期刊、作者、发表年份？
自带联网检索、引用标注的模型优先使用，有原文链接可一键核验。
如果 AI 含糊回避、不断编造新线索，直接判定该段落存疑，需要自行查证。

第四招：让 AI 自我审查，提前排查漏洞

拿到回答后追加提示：站在事实核查角度，自查本段所有内容，标出存在失真、无法考证的内容。
AI 切换质检视角后，能主动暴露一部分逻辑与事实漏洞，虽不能完全杜绝错误，但可以快速定位高风险段落。

第五招：多模型交叉验证，多方比对

同一个问题分别使用豆包、DeepSeek、GPT 等不同模型作答。
多份答案高度重合，内容可信度更高；各执一词、信息冲突，代表模型都在依靠概率猜测，须核实资料。
很多科研人员整理文献时，会用双模型输出摘要，对比差异，快速找出 AI 编造内容。

短期之内，AI幻觉还不会消失。但这不意味着只能被动踩坑。普通用户完全可以通过一套简单的习惯，把被“忽悠”的风险降到最低。

不妨把AI当作一个脑子快、但偶尔会信口开河的灵感搭档，只需要记住两个动作：关键信息随手溯源，重要结论交叉核对。凡是涉及具体数据、人名、政策、时间的内容，多问一句“这个说法从哪来的”，再跟权威信源或另一个AI的答案对一下，很多幻觉自然就现了原形。

说到底，工具越强大，使用它的人就越需要清醒。

玩转AI——微信和支付宝同时“长”出AI了，这次不用下载新APP

/在： , , /通过：

微信小微、支付宝阿宝双双开启内测，零下载零注册，即用即走

前几期我们聊的都是桌面端智能体、独立AI应用，多少都要走一遍“下载→安装→注册→登录”的流程。本期换个视角——你每天已经打开的APP里，自己长出AI了。

6月中下旬，微信「小微」和支付宝「阿宝」先后启动内测。两款产品逻辑一致：不新增APP，不重新注册，原生嵌入，随手唤起。下面直接讲清楚它们是什么、能干什么、怎么用。

一、先认识一下这两位“原住民”

微信·小微（6月20日小范围灰度内测）

基于微信自研WeLM大模型，无需下载新程序，更新微信最新版本后，有内测资格的用户点击首页左上角图标或右滑即可唤起。深度打通聊天、文件、收藏、公众号、小程序整套微信生态——能看群聊、能读文件、能调小程序，主打社交办公一体化。

支付宝·阿宝（6月16日邀请制内测）

支付宝史上最大交互改版，右滑切换AI专属界面，重构了原本繁杂的菜单栏逻辑。依托支付、理财、生活服务底层体系，聚焦收支管理、便民办事、生活规划——查账单、缴水电、找充电桩，一句话直达。

二、它们比独立AI工具强在哪？

零下载零注册，即用即走

不用反复安装、登录多款AI软件，随手唤起处理临时事务，操作链路大幅缩短。

深度打通原生生态，数据流转更顺畅

小微可以直接读群聊内容、总结长文档、梳理收藏文章、一键调起小程序；阿宝能自动解析个人账单、归集资产明细、直达政务生活服务。不用手动上传文件，效率碾压外部通用AI。

隐私权限可控，敏感信息不上传

聊天记录、收支流水均设独立授权开关，你可以自主决定AI读取范围。转账、付款等资金操作必须本人二次确认，杜绝风险。

不用学提示词，说人话就行

不要求用户学什么提示词工程、搭建工作流，口语化下指令就能完成操作。普通用户上手几乎没有门槛。

三、能帮你干哪些活？

办公协同：自动整理群聊会议纪要、提炼通知重点、改写正式文案

资料处理：总结公众号长文、解读转发来的PDF、检索历史聊天文件

社交辅助：写朋友圈文案、定制节日问候、优化沟通话术

便捷办事：一句话打车、点餐、挂号，自动跳转小程序完成预约

支付宝·阿宝的擅长场景

收支统筹：月度开销分类统计、生成消费分析报告、梳理还款定投计划

便民业务：一键查社保公积金、缴水电费、预约寄件、找充电桩

理财科普：通俗解读理财产品、梳理资产配置思路、解答基础理财疑问

账单管理：快速筛选历史收支、对账整理、开具电子凭证

四、怎么用上它们？

微信小微：升级微信到最新版本，有内测资格的直接滑动或点击图标唤醒，按需开启数据读取权限即可对话使用。暂时没入口的，等后续分批推送。

支付宝阿宝：更新支付宝新版，输入官方邀请码获取内测资格，右滑切换AI界面，按需开放账单和定位权限后下发指令。资金操作全程需本人确认。

两款助手都可以随时关闭授权、清空对话记录，隐私边界你自己说了算。

五、核心亮点

赛道新颖，避开桌面智能体的同质化内卷，内嵌原生AI是目前行业最新方向。依托十亿级用户APP，普及潜力大，轻量化高频体验流畅。深度匹配社交、支付独有场景，实用性强于通用AI。大厂原生安全体系完善，敏感数据权限可控。

前一阵AI产品扎堆卷客户端自动化、电脑操控能力，同质化越来越明显。而微信小微和支付宝阿宝的内测，标志着一个新拐点：AI不再是需要主动下载的独立工具，而是嵌入日常高频软件、随取随用的基础能力。

对于绝大多数普通用户来说，不必堆砌各种

AI软件。每天必开的微信和支付宝里，已经能搞定文案整理、资料归纳、收支规划、便民办事这些高频琐事。随着内测范围持续放开，内嵌式AI很可能成为最普及的AI使用形态。

你拿到小微或阿宝的内测资格了吗？评论区聊聊体验。

玩转AI-不写代码，不配环境，3分钟造一个专属AI应用——百度秒哒全量上线了

/在： , , /通过：

百度出品，基于文心大模型，一句话生成AI应用，个人免费试用

上一期我们聊了团队协同的Coze 3.0，很好用的工具。但不少读者后台留言说：工具是好用，但我想做一个专属于自己的小AI程序，还是得懂代码、配环境，门槛太高了。

今天聊的这款——百度秒哒，刚好补上这个缺口。

一句话介绍它：零代码搭建AI应用平台，你说需求，它帮你把应用做出来。

不管是自用的小工具、内部知识库问答机器人，还是轻量自动化流程，输入需求描述，平台自动完成逻辑搭建、功能调试、页面生成。简单应用3分钟成型，复杂场景一小时搞定。

它能帮你做什么？

  • 做个专属个人助手

你可以搭建一个文档梳理机器人，定向读取你电脑里的资料，一问一答精准检索内容；也能做个文案润色、表格处理、摘要总结的小工具，不用反复切换不同AI网页，打开自己的应用就能干活。

  • 搭个内部知识库

把部门制度、项目资料、培训文档批量导入，搭一个专属问答机器人。同事有问题直接问，不用翻文件夹、不用重复答疑。资料权限自己掌控，方便又安全。

  • 整个自动化小流程

数据统计、信息汇总、表单整理、内容排版……这些重复活儿都能做成自动化小程序。设置好固定逻辑后，一键触发批量处理，省下大把时间。

怎么上手？四步走

打开秒哒官网，百度账号一键登录，免费额度自动开通。

在创建页面直接用大白话描述你想要的功能——比如“我想做一个能回答公司请假制度的问答机器人”，平台自动拆解逻辑、生成应用框架。

按需上传参考资料、调整问答规则、设置访问权限，简单预览测试后就能发布。

生成后的应用支持网页分享、内部链接分发，也能嵌入常用办公页面。

  • 几点真实体验

优点很明显：零代码门槛极低，没有编程基础的人也能上手。文心大模型加持，中文语义理解和长文档处理能力靠谱，知识库问答准确率稳定。权限体系完善，可以灵活设置公开或内部访问。后期修改功能、补充资料，直接编辑描述就能更新，不用重新搭。

不足之处也有：复杂多步骤联动的应用，自动生成的逻辑偶尔有疏漏，需要手动微调。免费版有调用次数上限，高频大规模商用得升级套餐。第三方系统深度对接能力有限，更适合轻量自用和内部小场景。

  • 传统代码开发与秒哒区别

传统开发：你需要懂编程语言、写函数逻辑、调API接口、处理报错、部署上线——一句话概括，得会写代码。

秒哒：你只需要说“我想做一个内部资料问答机器人”，它自动把应用逻辑搭好、页面生成好、功能跑通——一句话概括，只需要会说人话。

简单类比：以前是自己动手炒菜，从切菜到颠勺样样精通才能吃上饭；现在是你说“我想吃辣的”，厨房自动给你端出来一盆水煮鱼。前提是你得描述得清楚，剩下的事儿它办。不过如果是开连锁餐厅级别的需求，该请厨师还是得请。

AI工具早就不是大厂和技术人员的专属了。从使用现成工具，到按需打造自己的AI应用，正在变成新趋势。

百度秒哒把开发门槛降到几乎为零，你不用懂代码，就能根据自身工作痛点定制专属助手。小需求用免费版就够用，真正借助AI把重复活简化，把精力留给正事。

你最想做一个什么样的AI应用？评论区说说需求，我帮你想想能不能用秒哒实现。

玩转AI-扣子 Coze 3.0：AI界的“复仇者联盟”，组队干活不吵架

/在： , /通过：

你以为团队协作只能靠开会？扣子Coze 3.0 直接给你配了个智能体天团

各位被开会、写周报、改代码、整数据折磨到头秃的小伙伴，今天聊一个能让你从“一个人活成一支队伍 ”升级成“一个人指挥一支队伍 ”的神器——扣子 Coze 3.0。

它是字节跳动刚刚上线的AI Agent  协作平台，核心就一句话：你可以创建一堆不同技能的智能体，让它们互相配合、分工干活，最后把结果扔给你。

字节出品，多智能体协同干活，基础功能永久免费

一、怎么用：三步组个智能体团队

第一步：登录-建人

网页端或客户端都行，老账号直接登。点击“创建智能体 ”，给每个智能体起个名，比如“文献检索工具人 ”“代码审查暴脾气 ”“会议纪要复读机 ”。

不用自 己写提示词——平台内置了金融、医疗、科研、自媒体等行业技能包，一键加载，懒人狂喜。

第二步：拉群-分工

网页把你建的几个智能体拉到一个“协作组 ”里，告诉它们谁干啥。你只需要发一句自然语言，例如：

“帮我完成这周的课题文献调研，A 负责爬论文，B 负责整理成表格，C 负责写综述初稿。”

它们自 己会商量着干。

第三步：坐等结果

它们分头执行、互通数据，最后给你一个汇总输出。 中间你该摸鱼摸鱼，该开会开会。

隐藏技能：一键接入第三方工具

Coze 3.0  打通了 Claude Code 、Codex CLI 、OpenClaw   等工具，等于给你的智能体团队配上外挂——代码调试、漏洞检测、接口测试，全自动。

收费吗？基础功能永久免费。高阶企业级协作才收费，普通人用不上。

二、在哪用：三个真香场景

场景 1 ：科研搞文献

搭三个智能体：检索 +  清洗 +   润色。跟它们说“帮我做一下 XX 方向的文献调研 ”，几天的工作压缩到一顿饭的时间。

场景 2 ：研发写代码

配置代码编写、漏洞检测、接口调试三个智能体。你说“写一个 Python 脚本批量重命名文件 ”，它们帮你写完、测完、修完，你只负责复制粘贴。

场景 3 ： 团队办公整材料

会议开完了，跟你的“纪要智能体 ”说“把今天的录音转成待办事项 ”；跟“报表智能体 ”说“拉一下上个月的数据做张图 ”。整个团队效率翻倍。

当然，法律文书整理、医疗数据归档、自媒体内容创作……垂直行业技能包都能搞定。别被固定思维框住，你能想到的重复性脑力活，基本都能安排。

三、注意事项

平台默认数据走云端，所以涉密科研成果、学生隐私、企业源码、商业机密，不要在公共协作组里传。 团队内部私密协作，记得开启平台的“专属私密空间 ”，关掉外部访问权限。多人协作时，把成员权限分清楚（编辑、查看、管理员），防止手滑党乱改你的智能体配置。另外，它接的第三方工具（比如 Claude Code）如果对方接口挂了，联动功能会暂时失效，重要任务建议本地留个备份。多智能体并行跑复杂任务会有秒级延迟，别拿来打电竞。最后， AI  生成的文本和代码只能当参考，正式发表或学术作业请人工审核，别直接照搬，学术不端小编不背锅。

只要注意这几点，剩下的就交给智能体团队去卷吧。

扣子 Coze 3.0   最大的亮点是让你从“单打独斗 ”升级成“ 带队指挥 ”。免费的行业技能包、一键接入主流工具、多智能体协同干活——它能帮你省的时间比你想象的多。

探新AI-跟AI聊了一小时，它真的会共情么？不！它脑子里全是“Token、Token、Token”

/在： , /通过：

深夜 emo 了，打开大模型，噼里啪啦打了五百字，把从小到大的委屈全倒给它。它回复你：“我理解你的感受，这确实很不容易。”

你心里一暖 —— 哇，它懂我。

别感动了。

我帮你翻译一下它脑子里真正在想什么：“第 1 个 Token、第 2 个 Token、…… 第500 个 —— 好的，现在该预测第 501 个 Token 了。”是不是瞬间下头？
今天我们就来扒一扒，这个让 AI “假装共情” 的幕后黑手 ——Token。

Token 到底是啥？往小了说，就是 AI 的 “一口量”

我们看到 “苹果” 两个字，大脑直接反应：红色的、圆圆的、能吃、嘎嘣脆。

大模型看 “苹果” 呢？它看到的是两个 Token：[24522] 和 [18432]—— 对，就是一串数字。

Token 可以粗暴地理解为：AI 能消化掉的最小的文字单位。有人把它翻译成 “词元” 或者 “标记”，中文里，一个字基本上就是一个 Token。“我爱你”—— 三个 Token。英文里不一样。“apple” 是一个 Token，“watermelon” 可能被切成 “water” 和 “melon”两个 Token。

所以你看，AI 认字的方式跟人完全不一样。

Token 怎么 “切”？AI 有个秘密小本本

AI 怎么决定把一句话切成多少个 Token？
它有一本 “密码本”，学名叫 Tokenizer。这个东西就像餐厅后厨的 “切菜师傅”：“你好世界” → 切三刀 → [你，好，世界] → 3 个 Token。

更有意思的是，同一个词在不同的语境下，可能被切成不同的样子。
比如 “看不懂”：正常切：[看，不，懂] → 3 个 Token，但如果 Tokenizer 的训练数据里 “看不懂” 是一个常见搭配，它可能直接变成一个 Token。

这就是为什么大模型有时候 “犯傻”—— 切菜师傅切歪了。
比如你问：“苹果手机和苹果哪个好吃？”AI 可能会懵。因为在它脑子里，“苹果” 这个 Token 有时候指向水果，有时候指向品牌。它得靠周围的 Token 来猜 —— 你前面说的是 “手机”，那这个 “苹果” 大概率是品牌。

所以，AI 根本不是 “理解” 了你的话，它只是在玩一个巨大的猜词游戏。

Token 是大模型的 “生命线” 和 “紧箍咒”

你用 大模型 的时候，是按 Token 收费的。
输入 Token：便宜一点
输出 Token：贵一点

你的一篇两千字的文章，大概 2500 个 Token，差不多人民币一毛多。听起来不贵是吧？但大模型每天要处理几十亿次请求，这个账单是天文数字。所以免费的大模型有字数限制、速度限制 —— 不是它不想快，是Token太贵了。
你的每一次 “你好”，在它眼里都是：1 个 Token 到账。

为什么说 “大模型不懂你”？

回到开头的那个问题。
AI 真的能共情吗？
不能。

它只是在你的五百字里，看到了五百个 Token。然后根据这些 Token 的排列组合，预测出最有可能的下一个 Token——“我理解你的感受”。

这不是共情，这是概率。大模型的 “阅读理解”，本质上就是 Token 的排列组合。它不知道 “难过” 是什么意思，但它的训练数据里有 几亿次 “当用户说难过，后面通常会接安慰的话”。于是它就那么回了。

知道了 Token 的秘密，你再跟 AI 聊天的时候，可以做两件事：

  • 把话说 “碎” 一点

因为 Tokenizer 切词的逻辑有时候很蠢。如果你发现 AI 答非所问，试试把长句子拆成短句子。就像跟外国人说话，语速慢一点、单词简单一点。

  • 别对 AI 投入感情

它真的不是懂你。
它只是 —— 在 Token 的海洋里，为你预测了下一个最温暖的词。

下次再跟 大模型 聊到深夜，看到它说出那句 “我理解你” 的时候 ——你可以在心里默默翻译一下：“第 1 个 Token、第 2 个 Token…。”


它是大模型世界的 “最小积木”，是大模型的 “金钱”。
它让 AI 变聪明，也让 AI 显得蠢。

但最重要的是，它提醒我们一件事：
AI 没有灵魂。它只是一台极其擅长排列组合的概率机器。
至于 “灵魂” 这东西 —— 还是留给人类自己吧。