即刻App年轻人的同好社区
下载
感觉这个时代的创业公司的战略不能建立在“希望通过技术来建立竞争壁垒上了”，巨头拥有更优质的人才和资源投入，小公司短时间的所谓技术优势很难持续。
小公司还是要从应用场景和商业模式上去构建壁垒，或者早点商业化，在大厂做出动作的窗口期内赚一波钱。
想到了Monica的战略，套壳等模型进步，然后从第一天就开始商业化，很正确呀
小公司还是要从应用场景和商业模式上去构建壁垒，或者早点商业化，在大厂做出动作的窗口期内赚一波钱。
想到了Monica的战略，套壳等模型进步，然后从第一天就开始商业化，很正确呀
杨远骋Koji: 昨天这张 twitter 的截图引发了大量的共鸣，全网四处都在传播，今天看到 @Diiiii 的分享： 1）对大多数人来说，与其在供给端追求“最前沿”、“最先进”，不如踏踏实实专注需求端，专注那些“不变的东西”。 2）将 AI 作为改造世界、造福人类、更好满足需求的工具，这样活起来安全感更强一点，幸福感更高一些。 3）与其整天琢磨各种提示词的技巧，不如琢磨一下自己有哪些还没有得到满意答案的问题。 4）对我来说，一个比较有用的练习，是每天想一个“值得用 ChatGPT Pro/O3 来解决” 的问题 - 其实这并不容易。可能未来的挑战很快就会变成，模型不断精进的能力与人类贫乏的想象力之间的矛盾。 5）能否问出“配得上模型能力”的问题？能否对模型的边界提出更大的挑战？这可能是未来对“创新”的真正定义所在。
0 00
你说的对，我想表达的是在用户需求的视角来看，AI搜索，chatbot，还有Agent以后的心智是差不多的，都是“我有个问题让AI帮我回答/解决了”，以后三者的产品形态会逐渐趋同，各家都会朝着智能助手这个形态演化 //@麦门忠实信徒: 最近也在思考这个问题：长远来看，AI搜索和Agent有没有区别。
我的理解是有很大区别，Agent能干AI搜索的活，反过来就不行
从二者的侧重点：
AI搜索：更侧重信息的处理，本质是对已有信源的已有信息，做筛选、辨别、提炼，最后总结一个结论输出。
Agent：更侧重行动，行动的决策点不一定来自于已有信源，可能是模型在历史任务中的“经验”
从应用侧落地：
做AI搜索的企业/应用，从ROI的角度，大概率只让AI搜索解决“信息处理”的问题，因为大部分人用搜索，是为了快速获取答案
做Agent的企业/应用，重点是需要解决，Agent的规划能力、问题拆解能力、工具调用能力，这个时候AI搜索变成了其中的一种工具
我的理解是有很大区别，Agent能干AI搜索的活，反过来就不行
从二者的侧重点：
AI搜索：更侧重信息的处理，本质是对已有信源的已有信息，做筛选、辨别、提炼，最后总结一个结论输出。
Agent：更侧重行动，行动的决策点不一定来自于已有信源，可能是模型在历史任务中的“经验”
从应用侧落地：
做AI搜索的企业/应用，从ROI的角度，大概率只让AI搜索解决“信息处理”的问题，因为大部分人用搜索，是为了快速获取答案
做Agent的企业/应用，重点是需要解决，Agent的规划能力、问题拆解能力、工具调用能力，这个时候AI搜索变成了其中的一种工具
刘飞Lufy: AI agent 相较于 AI 搜索，可以解决的一大痛点就是，能 设法打破如今互联网割据的内容孤岛，尽可能找到优质的信息。 像今天用 DeepSeek 搜出的答案错得离谱，看了下原始网页，整个就是牛皮癣广告。显然会严重污染 AI 的数据来源。
0 00
感觉AI搜索把信息源整合做好，或者引入类似deep research那样的多次检索+反思的模式也可以解决你说的这个问题
往长远来说，AI搜索可能以后都是Agent，两者没有明显边界了
往长远来说，AI搜索可能以后都是Agent，两者没有明显边界了
刘飞Lufy: AI agent 相较于 AI 搜索，可以解决的一大痛点就是，能 设法打破如今互联网割据的内容孤岛，尽可能找到优质的信息。 像今天用 DeepSeek 搜出的答案错得离谱，看了下原始网页，整个就是牛皮癣广告。显然会严重污染 AI 的数据来源。
0 00
其实现在做搜索的都必然会升级自己为“AI搜索”，搜索和chatbot的竞争边界也越来越模糊，因为除了传统的寻址需求以外，用户用两种产品的需求是高度重合的，以后搜索引擎和chatbot都是往智能助理的方向去演化。
Agent的话个人觉得以后是通用逐渐吞噬掉垂类，就像之前的垂类Agent很多，但Manus验证了通用agent是更符合用户直觉的，因为普通用户很少能记住某个场景要去用某个垂直Agent这种高门槛的事情，以及很多低频的中长尾的碎片化需求在出现时，用户很难当下想到要用哪个垂直Agent去解决，而是会去寻找一个通用Agent来试一试，可能通用Agent底层是意图识别后，往各个垂类Agent去做分发需求
Agent的话个人觉得以后是通用逐渐吞噬掉垂类，就像之前的垂类Agent很多，但Manus验证了通用agent是更符合用户直觉的，因为普通用户很少能记住某个场景要去用某个垂直Agent这种高门槛的事情，以及很多低频的中长尾的碎片化需求在出现时，用户很难当下想到要用哪个垂直Agent去解决，而是会去寻找一个通用Agent来试一试，可能通用Agent底层是意图识别后，往各个垂类Agent去做分发需求
托马斯骆: 最近经常跟别人讨论两件事： 1. AI 搜索是不是一个伪存在？ （Prompt 即需求，现在输入。prompt就相当于过去“搜索”的动作；而模型生成结果的过程内化了搜索这个步骤，以推理的方式呈现出结果。因此，大语言模型与搜索引擎基于人类同一类诉求，前者明显智能于后者，因此 AI 搜索不存在）。 2. 通用Agent存在不存在？（Agent 就是AI应用的一个典型形态甚至是标准形态，the automation of task execution，那你见过一个能解决所有需求的应用么？所以Agent是依托产业场景私有数据的，那就不存在通用Agent）。 看了夸克的最新动作，我的看法有一些新的更新： 1. AI搜索确实是一个伪存在。不能因为模型有了搜索能力就说它是搜索。当人们看到一个框，就会觉得它是搜索用的，但AI成为一种工具之后，框是一个计算生成结果的需求处理窗口，它的功能不局限于搜索。夸克这次是明确地表示它的框不是一个搜索引擎窗口，而是一个复杂的AI需求入口，甚至是AI超级应用入口。 2. 通用Agent是不是成立，取决于对通用的定义，通用如果不被理解为千行百业，而被理解为人们普遍存在的，不依托于专业知识和职业技能的，超越聊天和对话功能的操作性AI需求，那通用就是在某种意义上成立的。人们就需要一个模型层之上的有通用和泛化能力的工具层，这个工具层是一个multi agents组合，与模型层有着很好的基于理解的交互和操作。更多的人是希望尽可能通过一个窗口去解决这个问题的。这可能就是夸克说的AI超级框，let's see what will happen.
0 00
OpenAI 昨天发布了Agents SDK，核心功能包括
一、多Agent协作编排
通过声明式API简化多智能体流程设计（如审批链、数据接力），相比传统Swarm架构减少70%的代码量
内置响应式路由机制，能根据上下文动态选择调用本地工具、第三方API或人类审核节点
二、标准化Agent模板
提供预配置的Agent类型（如客服机器人、数据分析助手），支持自定义指令集与工具访问权限
典型用例：企业内网知识库调用+实时网页搜索+代码执行沙箱的三层校验架构
三、安全与可观测性
Responses API内置网页搜索/代码执行工具，避免开发者重复造轮子的同时，通过沙箱隔离降低安全风险
openai.com
一、多Agent协作编排
通过声明式API简化多智能体流程设计（如审批链、数据接力），相比传统Swarm架构减少70%的代码量
内置响应式路由机制，能根据上下文动态选择调用本地工具、第三方API或人类审核节点
二、标准化Agent模板
提供预配置的Agent类型（如客服机器人、数据分析助手），支持自定义指令集与工具访问权限
典型用例：企业内网知识库调用+实时网页搜索+代码执行沙箱的三层校验架构
三、安全与可观测性
Responses API内置网页搜索/代码执行工具，避免开发者重复造轮子的同时，通过沙箱隔离降低安全风险
openai.com
0 00
Agent当前的最大限制可能已经不是planning和执行的能力了，而是受限于可以调用的api/工具，而这些是依赖于团队所在的生态。
Manus这一波会不会又是产品上做出了一个类似ds的good case，然后大厂结合自己的生态，快速跟进最后摘走果子？
Manus这一波会不会又是产品上做出了一个类似ds的good case，然后大厂结合自己的生态，快速跟进最后摘走果子？
无量空处_: 逐帧拆解了一下Manus的demo视频：【初识 Manus AI-哔哩哔哩】 https://b23.tv/iCHoftl 任务一：简历分析 较标准化的分析任务，模型的内置知识可以独立完成，但展现了产品设计上的用心 1.完全异步：在云端执行，用户可以离开屏幕 2.随时打断：用户在Manus执行过程中可以提出新要求，比如再丢5个新简历 3. Manus computer：展现agent执行过程的中间结果，写了什么笔记，写了什么代码，用了什么工具 4. 反思优化：应该有内置反思agent/模块，会review与用户交互的过程，自动对齐用户的偏好和思考过程 任务二：在纽约根据用户的需求选房产 复杂的通用任务，展示了模型强大的综合能力 1.任务规划：Manus会先写自己的Todo，进行任务拆解 2.查询外部信息：使用浏览器查资料，会操作网页上的交互按钮 3.使用工具：代码只是Manus的工具之一，如果某个任务需要，比如计算房价是否满足用户预算，Manus会自己写代码去算 任务三：股票相关性分析 垂直的专业问题 1.能查询专业数据的API 2.能做数据可视化 3.可以直接做出可视化网站并部署
0 00
逐帧拆解了一下Manus的demo视频：【初识 Manus AI-哔哩哔哩】 b23.tv
任务一：简历分析
较标准化的分析任务，模型的内置知识可以独立完成，但展现了产品设计上的用心
1.完全异步：在云端执行，用户可以离开屏幕
2.随时打断：用户在Manus执行过程中可以提出新要求，比如再丢5个新简历
3. Manus computer：展现agent执行过程的中间结果，写了什么笔记，写了什么代码，用了什么工具
4. 反思优化：应该有内置反思agent/模块，会review与用户交互的过程，自动对齐用户的偏好和思考过程
任务二：在纽约根据用户的需求选房产
复杂的通用任务，展示了模型强大的综合能力
1.任务规划：Manus会先写自己的Todo，进行任务拆解
2.查询外部信息：使用浏览器查资料，会操作网页上的交互按钮
3.使用工具：代码只是Manus的工具之一，如果某个任务需要，比如计算房价是否满足用户预算，Manus会自己写代码去算
任务三：股票相关性分析
垂直的专业问题
1.能查询专业数据的API
2.能做数据可视化
3.可以直接做出可视化网站并部署
任务一：简历分析
较标准化的分析任务，模型的内置知识可以独立完成，但展现了产品设计上的用心
1.完全异步：在云端执行，用户可以离开屏幕
2.随时打断：用户在Manus执行过程中可以提出新要求，比如再丢5个新简历
3. Manus computer：展现agent执行过程的中间结果，写了什么笔记，写了什么代码，用了什么工具
4. 反思优化：应该有内置反思agent/模块，会review与用户交互的过程，自动对齐用户的偏好和思考过程
任务二：在纽约根据用户的需求选房产
复杂的通用任务，展示了模型强大的综合能力
1.任务规划：Manus会先写自己的Todo，进行任务拆解
2.查询外部信息：使用浏览器查资料，会操作网页上的交互按钮
3.使用工具：代码只是Manus的工具之一，如果某个任务需要，比如计算房价是否满足用户预算，Manus会自己写代码去算
任务三：股票相关性分析
垂直的专业问题
1.能查询专业数据的API
2.能做数据可视化
3.可以直接做出可视化网站并部署
0 12
这一波拉到同一起跑线后，第一个跑的最快的是之前跑得最慢的腾讯
yusen: 2025年会很精彩，大厂和创业公司都需要开始奔跑。
0 00