xiaohack博客专注前沿科技动态与实用技术干货分享，涵盖 AI 代理、大模型应用、编程工具、文档解析、SEO 实战、自动化部署等内容，提供开源项目教程、科技资讯日报、工具使用指南，助力开发者、AI 爱好者获取前沿技术与实战经验。
Uninstall Tool 是款可以用来替代“添加/删除程序”的工具，Uninstall Tool 可显示隐藏的安装程序，按名称过滤已安装程序的列表，强行卸载程序，浏览注册表项目，保存安装程序列表，快速小巧，操作简便。 安装包下载：https://pan.quark.cn/s/94eee4a0cb5e ，找到下载的软件压缩包，右键点击 → 选择【解压到当前文件夹】（或指定路径）。 打开解压后的文件夹，找到主程序文件（通常为 弹出安装界面后，点击【OK】（或【下一步】→【安装】，根据实际界面调整）→ 等待进度条完成 → 提示安装成功后，点击【关闭】或直接退出安装向导。 一、解压安装包
二、运行安装程序
.exe格式），右键点击 → 选择【以管理员身份运行】（避免权限不足导致安装失败）。三、完成安装
OpenAI 最近在一篇 Blog 中说了件挺炸裂的事：他们自己的工程师，已经不怎么写代码了。 在一个内部项目里，短短五个月，就产出了 100 万行代码，而且没一行手写，全都是 Codex写的。 这些代码并不是什么零散脚本，而是从零开始搭出来的一整套软件产品内部 Beta 版：从应用逻辑、基础设施，到工具、文档和内部开发者工具，几乎一应俱全。 这种变化，或许能从 OpenAI 内部一直以来的工程师文化中找到一些线索。 一位曾参与 Codex 项目的 OpenAI 工程师 Calvin French-Owen，在离职后写过一篇博客，虽然他在其中吐槽说，过去一年里 OpenAI 员工规模迅速扩张，带来了不少混乱。 不过他同时也提到，公司内部依然保留着很强的创业公司氛围：团队小、决策快，工程师拥有很高的自主权。 另外，很多科技巨头是高层定路线、然后团队执行，但在 OpenAI，通常没有明确的长期 roadmap，研究员往往自己发现问题、提出想法，小团队围绕好点子自然形成并推进项目。 他表示，真正推动进展的好想法可能随时从任何地方随时，而不是来自某个宏大计划。 “OpenAI 非常注重自下而上的方式，尤其是在研究方面。” 比如 Codex，最初其实诞生在 OpenAI 的一个只有十几人的小团队里。这个团队在 7 周内几乎不眠不休，把 Codex 从想法一路推到了上线。 而现在这个“OpenAI 工程师不写代码”一事，其实也要从公司一个团队，在开发流程中发现的新瓶颈说起。 现在 AI Coding 这件事已经屡见不鲜。但当 Codex 开始大规模生成代码后，OpenAI 的这研发团队很快发现一个新问题： 代码生成已经不慢了，慢的是让人类来检查这些代码。 人的时间和注意力是有限的。在整个开发流程里，最容易卡住的环节反而变成了 QA（质量测试）。 为了解决这个问题，OpenAI 的工程师换了个思路：干脆让 Codex 模仿工程师，自己去“看”和“用”应用。 那 OpenAI 的工程师现在不写代码了，他们到底在做什么？ ——设计环境、搭反馈循环、定义架构约束，然后让 agent 写。 文章中强调一句话：“人类掌舵，智能体执行” 。 他们管这叫 Harness Engineering，直译过来的话就是“AI 驾驭工程”。 这个项目始于 2025 年 8 月下旬，从向一个完全空白的代码仓库提交第一行内容开始。 初始架构，包括代码仓库结构、CI 配置、格式化规则、包管理器设置和应用框架——都不是工程师手写的，而是在一小套模板的指导下，由 Codex CLI 调用 GPT-5 自动生成。 甚至连那份告诉 agent“该如何在这个仓库里工作”的 AGENTS.md，也是 Codex 自己写出来的。 换句话说，这个系统从诞生那刻起，就几乎没有人工代码。整个代码仓库，都是被 agent 一步一步搭起来的。 不过，一开始事情并没有想象中那么顺利：起初项目推进速度缓慢，但问题并不在 Codex 的能力，而在环境——规则不清晰、工具不完整、系统约束还没建立起来。 有网友“一针见血”道： “最扎心的一句：agent 反复犯错，不是能力问题，是你脑子里的判断力没写下来。你不写，它第一百次还犯同样的蠢。” 于是再遇到开发卡住时，团队不再想着“再改一段代码试试”，而是先问一个问题：agent 到底缺什么能力？ 再把这种能力变成它能读懂、能执行、还能被强制遵守的规则。 也就是说，面对当下 agent 自己就能测试、改 bug 的情形，工程师的工作重点从“写代码” 变成了另一件事：让 Codex 更容易把事情做对，给 agent“补能力”。 从这个角度看，工程师的工作其实转向了更高一层：用一句话来说，就是拆解任务、设计能力、搭建系统，让 agent 可以稳定地产生正确的代码。 具体来说，大致有这几件事情： 第一件事，就是让应用对 AI “可读”。 正如上文提到的，需要人为把 agent 接入 Chrome DevTools 协议，让它能“触控”UI。 工程师要做的第二件事情，就是把“隐性知识”全部写进代码仓库， 变成机器可读的知识。 对 agent 而言，无法在运行时访问的内容就等于不存在。比如存储在 Google Docs、聊天记录或人们头脑中的知识吗，这些都无法被系统访问。 不过，不可以把所有规则和说明一次性塞给 Codex，而是要先给它一个导航，再让它自己去查细节。 研究研究团队曾尝试过直接给 agent 一个巨大的 AGENTS.md 文件，结果很快发现行不通。 主要原因是，上下文是稀缺资源，说明书越厚，真正重要的信息反而越容易被淹没；而且这种大文档很快就会过时，也很难验证和维护。 他们把这段经验总结成了一句： “要给 Codex 的是一张地图，而不是一本 1000 页的说明书。” 该示意图由 AI 生成 工程师要做的第三件事，是设计“AI 友好”的架构。 AI 在结构清晰、边界明确的系统里效率最高。对人来说，这些规则可能显得死板，但对 agent 来说，这是效率倍增器。 所以 OpenAI 的这个团队设计了一套严格架构,每个业务域必须按固定层级：Types→ Config→ Repo→ Service→ Runtime→ UI。 依赖方向是强制的。任何违反都会被自动阻止。 第四件事，是把“品味”变成规则。 “在 AI 时代，人类最重要的能力是 Taste。”随着大模型越来越强，这样的声音不绝于耳。 这篇 Blog 中，有一个很有意思的概念：taste invariants（品味不变量）。 意思是，工程师的审美，比如：文件大小限制、命名规则、日志结构、API 规范等，都被写成 lint 规则。 这样 AI 每次写代码都会自动遵守：“人类的品味一旦被捕捉，就可以应用到每一行代码。” 在实际开发中，人类主要通过提示与系统交互：描述任务、启动 agent，然后让 Codex 自动生成 Pull Request。 接下来的一整套流程，包括代码自检、agent 评审、根据反馈修改、再次提交，基本都由 agent 自己完成，并不断循环，直到所有评审通过。 第五件事，就是清理 AI 产生的“垃圾”。 文章指出，完全自主的智能体也引入了新的问题。 当代码几乎全部由 Codex 生成后，一个新问题也出现了：AI 会不断复制代码库里已有的模式，包括那些不太好的写法，时间一长代码风格就会慢慢“漂移”。 一开始，团队计划每周抽一天时间手动清理这些“AI 残渣”，但很快发现这种方式根本不具备可扩展性。 后来他们把工程师的经验和偏好写成一套“黄金原则”，比如优先使用共享工具库、严格校验数据结构而不是“猜着写”。 然后将这套原则直接编码进代码仓库，让 Codex 自动扫描问题并发起重构 PR。 这样就像给代码库加了一套“垃圾回收机制”：小问题可以随时清理，技术债不会越滚越大。 这篇 Blog 在技术圈引起了的广泛关注和讨论，有人认为，这个 Harness Engineering 本质上是一种现代版的控制论：工程师不再直接写代码，而是设计系统、规则和反馈回路，让 agent 自动完成工作。 他表示，这种模式，其实在历史上已经出现过三次了。 从瓦特蒸汽机的调速器，到 Kubernetes 的控制器，再到今天的 AI agent；真正的变化不是“机器替代人”，而是人的角色，从执行者变成系统的设计者和校准者： “你不再亲自去拧阀门，而是开始掌舵。 每当这种模式出现，背后通常都是因为有人构建出了足够强大的传感器和执行器，能够在那个层级上把反馈回路真正闭合起来。” 为什么 OpenAI 的工程师可以不再写代码了？不妨来看看他们的 agent 现在已经能干到什么程度。 前文提到，OpenAI 的工程师换了个思路：干脆让 Codex 模仿工程师，自己去“看”和“用”应用。 第一，是让 agent 能“看见”应用界面（UI）。 他们把 Chrome DevTools 协议接入到 agent 的运行环境里。这样一来，Codex 就可以像开发者在浏览器里调试一样操作页面、读取日志、抓取 DOM、截屏观察界面...... 这一步其实非常关键，因为 LLM 本身是看不见 UI 的。 接入 DevTools 之后，Codex 就相当于有了“眼睛”和“手”： 可以通过截图和 DOM 观察页面，通过 console 和 network 监听运行状态，还能自己点击、输入、导航。 该示意图由 AI 生成 有了这些能力，agent 就可以自己复现 bug、自动跑 UI 测试、验证修复是否生效。 这样一来，Codex 就不只是写代码，还开始像一个自动化 QA 工程师一样工作：自己测试自己写的代码，并反复修复，直到系统通过测试。 换句话说，原本需要人工完成的大量测试和调试工作，被自动化了。 就像下面这张图里展示的那样：最核心的一步是 “Loop Until Clean”——不断测试、修复、再测试，直到系统没有错误。 第二点，只能操作 UI 还不够，还得让 agent 看见系统内部发生了什么。 为此，OpenAI 给 Codex 接入了一整套可观测系统（Observability）。 应用在运行时会产生三类关键数据，也是工程师排查问题时最常用的信号： Logs（日志） Metrics（性能指标） Traces（调用链） 这些数据会先被一个叫 Vector的组件统一收集，再送到本地的可观测系统里。 这样一来，Codex 就能像工程师一样查系统状态：哪个服务报错了？哪个接口变慢了？请求卡在哪一层？ 当发现问题后，Codex 会自己修改代码、提交 Pull Request、重启应用、重新运行任务，再观察系统指标有没有改善。 整个过程会形成一个自动反馈循环：发现问题 → 修改代码 → 再运行 → 再观察。 一直重复，直到问题消失。 换句话说，Codex 不只是看代码，还能像运维一样查日志、看性能数据，判断系统哪里出了问题，再修改代码验证修复效果。 这篇博文中提到，给定一个提示，Codex 驱动的 agent 就可以： agent 不再只是一个写代码的工具，而是开始承担完整的软件开发流程。 整个开发流程大致为：Codex 写代码 → 启动应用 → 像用户一样操作页面 → 检查结果 → 如果不对就改代码再跑。 不过需要说明的是，这套流程之所以能跑通，很大程度上依赖他们为这个代码仓库专门设计的结构和工具链。 如果没有类似的工程投入，这种“全自动开发流程”目前还很难直接照搬。 目前来看，这套“agent 写代码、人类设计系统”的模式，在 OpenAI 内部运行得还不错；但很多问题仍在探索阶段：比如 AI 生成的代码库长期会不会失控，人类判断力该如何嵌入系统。 不过可以预见的是，软件工程的重点可能会逐渐从“写代码”，转向设计环境、规则和反馈机制；让像 Codex 这样的 agent，可以更稳定地参与构建和维护复杂的软件系统。 参考链接： https://openai.com/zh-Hans-CN/index/harness-engineering/
##工程师变成“能力架构师”
##Agent 都开始包办开发流程了
编者按：本文是少数派 2025 年度征文活动#TeamCarbon25标签下的入围文章。本文仅代表作者本人观点，少数派只略微调整排版。
今年的征文活动更有创意，「只能用 AI」和「不能用 AI」两大赛道激情 PK，硅基生物和碳基生物都将决出各自领域的佼佼者。我们会在征文结束后统一组织投票活动，但在正式投票之前，如果你喜欢这篇文章，不妨通过充电或评论的方式支持作者，让内容创作者获得更多维度的鼓励。
作者声明：本文中提及了一些「人工智能生成文本」的案例，但所有这些文本的具体内容都经过了人工复述和转写。作者并未使用 AI 直接生成本文中的任何句子，或对任何句子直接进行修改/润色。
你完全错了。年轻人，我告诉你，要击倒对方，最好的方法就是用手枪。练武的目标，是要将人的体能推到最高极限。如果你想达到这种境界，就必须要了解宇宙苍生。
在电影《精武英雄》中，象征武学最高境界的船越文夫，讲出了也许是整个动作电影史上最具人文哲思的一句台词。这句台词完全可以代表我在人工智能（以下均简称 AI）时代转向体育科学的初衷，也代表了我在「体商」这个话题上的立场：人在这个主题上的写作，是很难被 AI 超越或取代的。
AI 可以是手枪，但习武或用枪的主体始终是人。手枪是工具，人才是武器。
「体商」是我提出的一个小小概念，一定程度上基于丹尼尔·西格尔（Daniel Siegel, 2021）对心智（Mind）的界定。西格尔将心智描述为「一种涌现性、自组织的复杂系统，源于人类身体之内和人际之间的能量和信息流交互」。相应地，我对体商做出这样的定义：
所谓体商，就是你对「人类心智」和「人类身体」进行感知、认识、体验、发展和整合的能力。
受到人类神经系统结构和生理信息传输速度的限制，我们只能接受和加工有限范围的物理刺激，并需要数百甚至数千毫秒的延迟才能做出反应。我们的工作记忆容量和注意广度只有约 4 单位，也无法随时精确地编码、存储和提取海量的事实信息。我们输出信息的速度不过每秒数十个比特，且很难再有数量级的提高。更不要说我们的肉体还会疲惫、衰老，我们的情绪会波动，我们的注意力会起伏，我们的决策标准无法时刻统一……正因如此，只要一项任务完全依赖信息量、实时计算力、产出效率和一致标准，人类在该任务上被 AI 取代就只是时间问题。
十年前，刚开始练马伽术不久的我，见证了 AlphaGo 和李世石的第一次五番棋大战。在第一番棋开局前，我的一位朋友（也是少数派彼时至今的资深作者）看好人类获胜，并预测李世石可以赢下第一局。我对此不以为然，认为 AI 必定能战胜人类，且李世石最多有机会赢下一局棋。我当时的理由，在今天的人看来实在寻常：AI 不会疲惫，不存在身体状况变化导致的「状态波动」，而且拥有相比于人类无限高的计算和预测能力。最终比赛的走向和结局也确实如我所料。
时至今日，具体到我们要讨论的文章写作（或者「文本生成」），无论是技术性写作还是创意性写作，AI 都在以难以想象的速度追赶和超越人类写作者。即使如此，我依然坚持认为，由于 AI 不以人类的身体为物理基础，其感知能量和信息的方式与人类截然不同，它不可能也不会在「体商」这个主题的写作中取代人类作者。
AI 无法替你讲述身体的故事，更不能代你养成身心合一的习惯。我们不妨以下面的三个子主题为例，管窥一番。
经过这些年的学习和实践，我有一个切身的体会和认识：一个人每天能做的事，实在是少而又少的。
当年看 AlphaGo 大战李世石时，我恰好在一家互联网教育公司做产品研发。我们希望为学生提供一整套「自动化测评 + 自动化练习」，帮助学生以较低廉的成本实现「出国考试考高分」的目标。那时候的程序和算法虽然原始，但已经能参考学生的测评分数、备考时长和目标成绩，自动生成每日推送的定制化练习。但即使如此，我们却无法解决学生「执行不力」的问题。学生不肯按时上网课，按时按量完成训练，最终考不出分数，只会归因于我们的产品效果不彰。
另一位同样做出国考试培训的同行，坚持相对「传统」的线下授课和教学，一路发展到今天，每年还是能稳定地培养出不少高分学生。要说有什么秘诀，恐怕也还是「用人解决人的问题」：学生全隔离训练，辅导老师全程陪伴、督促，保证完课和完训。听上去感觉是不是很熟悉？运动员也是这样拿成绩的。
相比于当年人工写在网页端的算法，如今的 AI 可以更快地完成测评，生成看起来更完善的作息表和计划清单。如果你愿意，AI 也可以跟你做「深入灵魂」的动机访谈，挖掘你的过往创伤和底层情结，甚至提供贴心的共情回应。今后的 AI 甚至还可以把这一整套流程自动地生成一个网站、一个 APP，全面实现我们当年未竟的产品开发目标。但只凭借一个对话框，AI 是无法在物理和心理意义上为你创造出那种环境的。
主要靠头脑的英语学习尚且如此，需要身体力行的健康更不必言。不久前，有位朋友找我咨询健康习惯。我请对方填了许多测评、提供了许多数据，经过面询，针对性地设计了一整套饮食、作息、运动和生活干预的计划。两周之后问起来，对方表示，上周临时出差，这周心情不佳，几乎丝毫没有执行。我说，不要紧，最低限度，按照你的优先级，每天做二十分钟运动如何？又过两周，对方表示，动机很强烈，目标很清楚，但运动就只做了一两次，总体上一天打鱼、数日晒网。
把这里的我换成 AI，情况会变得不一样吗？我对此并不乐观。我们不太可能把自己关在封闭环境里，像职业运动员那样遵循日复一日的严格计划。具体的人，在具体的生活中，不知何时何地就会遭遇不知为何的突发事件：可能是环境的限制、刺激物的诱惑，也可能是内心的情绪波动。吃蔬菜还是点奶茶，做五分钟身体活动还是继续葛优瘫，安心睡觉还是刷手机……有关健康的具体行为选择，也许是过往经验和记忆的强化，也许是身边人的榜样示范，也许是道听途说的故事，又或者是内心斗争和妥协的结果。所有这一切都离不开作为经验陈述主体的「人」：谁，在什么情况下，如何思考或感受，做出了怎样的决策。
「道理我都懂，可是……」
可是你目见耳闻过太多相反的案例，听到过太多人表达相反的意见，又经历了太多相反的过往经验。影响着你此时此刻决策的，正是一个个这样的故事和体验，而不是简单的几句大道理。人的学习依赖无数具体的实例，而非抽象的道理。即使是 AI，不也要依托海量「真实」数据集才能完成训练吗？
想象一个很具体的场景吧。我那位朋友到了下午茶时间，同事们吵吵闹闹地要点奶茶，询问「你要不要凑单」。此时此刻，你喊出暂停，拿出 AI，陈述问题，请 AI 帮忙「劝我不要喝奶茶」，并在阅读了 Gemini 写出的千字小作文之后决定不参与凑单、改吃新鲜水果……
这现实吗？是活生生的人会做出来的事吗？
更有可能的情况或许是，你在那个瞬间想起了我分享的故事和案例，早晨出门前家人的叮嘱，自己参加的「健康打卡群」，或者春节期间与孩子的「少吃糖约定」……推动你最终做出决策的，是这些人的影响和人的故事。如果离开了这些具体的人，无论多完美的 AI，也没法给你「编」出具体的体验、让你感到信服、并运用它们作为参考经验。
我把这两段文字拿给 Gemini 看。Gemini 承认，自己确实能「迅速生成完美的控糖理论」，但这并非现实人类生活的运作方式。（注意，即使这一句话，也是人类手敲的）
在接受 Kali（一种菲律宾武术）的教练培训时，我的教练给我们布置过这样的作业：选择一个 Kali 的技术动作，用你自己的语言把它描述出来。如果一个没学过 Kali 的人只听你的描述，就能够把这个动作大致做出个样子来，你在「教学」这件事上就入门了。
这个作业看起来复杂，其实一点都不简单。我的某位师兄在描述某个技术动作时是这样写的：把脑袋从自己的腋下钻过去……
教练看完作业在旁边批注：你做一遍给我看看！
把人变成 AI，这件事会变得简单一些吗？或者说，我们能否让 AI 代替人类，创造出更有效的「动作描述」或「执教语言」呢？AI 大概不会犯下我师兄那样的低级错误，但要让它代替有经验的成熟教练，现在仍然远远不行。
写到这里，我试着让 Gemini 生成了一段有关某 Kali 技术动作的描述，并且真的试图照着做一遍。结果刚到第二个动作步骤，我的两条手臂就缠在一起、拧成了麻花，下一个动作就没办法做下去。我把这个问题交给 Gemini，它提出了两个可能的原因诊断，其中一个指出我左手可能过于紧张、以至于左手的棍子「被紧紧夹在右侧腋下拔不出来」。但，同样根据 Gemini 的描述，我在第一个动作结束时，右手应该收在左侧的腋下。……
对人类身体有正常概念的读者，到这里应该都会明白，Gemini 的描述和诊断，本身就是自相矛盾的。
从伸手开电脑，到敲键盘打字，再到完成一套 Kali 动作，身为人的我是如何理解、识别、记忆、决策和执行一个动作的呢？运动心理学家对此提出过许多不同的理论。所有理论的共通之处在于，我们人类有着一整套对动作进行「编码」的体系，而这个编码体系高度依赖作为人类的身体和心智存在（Gentsch et al., 2016）。相反地，AI 没有人的身体，没有人体的内感觉（interoception），也无法在程序中「模拟」人的真实运动轨迹。哪怕它真的可以调用人类武术家留下的文本、生物力学公式和动作捕捉数据，它的分析和建议也都是基于算法的「推测」。AI 并不真的「知道」身体会从哪里移动到哪里，在怎样的轨迹下运动，可能在何处遭遇阻碍或粘滞。
问题还不仅于此。上面那个报错-质疑-诊断-解决方案的过程，我和 Gemini 对话了许多轮。每一次 Gemini 都会强行解释，提出新的诊断和解决方案，但是越错越离谱。这里的所谓离谱并不是指错误的严重性，而是荒谬性：这个 Kali 的技术动作，我教过许多人许多遍；人类学员会犯的错误，与 Gemini「推测」人类的错误，完全是大相径庭的。AI 甚至无法准确预测活人可以犯什么错误！
举这个例子是为了说明，AI 不具备人的身体，因此从根本上很难胜任与动作相关的写作任务。更具体地来说，AI 因为没有身体，不能形成和人一样的动作编码体系，因此既无法真实地「生成」非虚构性质的、真实的人类动作体验，也不可能有效地「理解」和「反馈」这些体验。假如我不是一个教练，而是一个学习者，将无法通过 AI 写出的「武术秘籍」「训练指南」切实学会一个新的动作。
到此为止，我描述的还只是直观的、外显的（explicit）的执教语言。与之相对，还有另外一种隐喻式的、类比的（analogy）的执教语言，例如「想象你的右手拿着一支笔，在空间中沿对角线写出一个笔画」。有研究表明，类比式教学能让我们在面对压力时更好地完成动作（Lam et al., 2009）。脱离开人体这个共通的基础，脱离具体学员的具体知识和情境，我们如何指望 AI 能够找到最合适的类比完成教学呢？另一方面，上面举的例子还只是相对初级、安全的技术动作。如果把这里的兵器从短棍换成刀呢？如果把单纯的上肢打击动作换成跳跃和空翻呢？如果把动作的难度进一步升级呢？如果还涉及到人体的碰撞或者人际对抗呢？
用 AI 写代码、写综述、写方案或者写小说，大不了不断报错、改错。但靠 AI 的推测学动作，轻则学不会，重则筋断骨折、危及性命。人类在写下有关动作训练的陈述、心得、体验和预测时，总是难免调用大脑中的镜像神经元：我们描述「做什么」，就好像自己正在亲身示范。这是 AI 做不到也不可能做到的事——它知道镜像神经元的概念，但永远不会「知道」镜像神经元发射的感觉，或者人在镜子里认识自身时的体验。
根据今年的春晚，机器人已经可以流畅地完成空翻动作——也许比当年的李小龙翻得更好。不久后的将来，人型机器人会代替人类在擂台上格斗、在影视剧中完成危险的特技动作吗？也许吧。但我大概是不肯为这类比赛和影视作品买票的。我实在无法把作为人的自己，代入到一堆金属和塑料里面。若没有这种代入感作为基础，我们欣赏的就只不过是科技时代的猴戏：第一次也许惊叹，第二次不过如此，然后就索然无味。
成龙在电影《A 计划》中从钟楼顶摔落的场面，任谁第一次看都会觉得惊心动魄吧。假如完成这一动作的既非成龙也非人类替身演员，而是一个机器人，你会作何感想？假如片尾花絮播放的不是成龙落地摔到脖子、几乎丧命，而是一排摔得七零八落的机器人，你又会作何感想？我们在观影时体验到的惊险、刺激、愉悦、赞叹……所有这些感受的一个基础都是「代入」：通过设身处地代入，我们意识到人类身体的脆弱，又为演员和角色超越疼痛、战胜危机、突破极限而感动。脱离这一层面的认识过程，我们就无法被叙事打动。
抛开宏大的或虚构的叙事不谈，仅就非虚构的、记录真实身体经验的写作而言，AI 真的能够代替人类作者吗？或者说，AI 能够触及人类的脆弱、伤病、疼痛、疲惫和丧失吗？《银河系漫游指南》中的马文提供了一个很好的隐喻。作为拥有「行星级大脑」的机器人，马文常常抱怨「左侧身体所有二极管都剧痛难忍」。如今的 AI 甚至还远达不到这样的自知程度。
本文无意从哲学的层面上探讨「什么是人」，但笔者认为，AI 还无法在有关身体的文本生成中代替人类、触及受众的实质情感。究其根本，AI 不具备人类的身体，无法「理解」人类身体的疼痛、脆弱和衰老，因此任何有关这一主题的「AI 写作」，只可能是基于人类生成文本的重新排列组合，或者是基于算法的推测。它可以成为一个数据专家、教练和顾问，但无法成为一个对等的「伙伴」。
以我近期推荐的「每天 5 分钟的小习惯」之一、「5 分钟慢速呼吸练习」为例。AI 能够在很短的时间里遍历所有相关的研究报告，为你生成极尽详细的慢速呼吸指南，甚至变换 100 种方法尝试帮你找到「膈肌下降、肋骨打开」的感觉。有 AI 加持的 app 可以为你定时推送提醒。基于仿真语音的 AI 应用可以为你提供「仿佛活人」的生物反馈指导和陪伴。完成练习之后，你还可以找 AI 打卡，索要一句夸夸。你可以让 AI 为你专门做一个 agent 或者一个小应用，督促你每天按时完成练习。你还可以把我人工写下的这段话交给 AI，让它帮助你优化流程、写成一篇完整的文章。
虽然如此，AI 却不能代替我们执行和体验每一次的呼吸，也不能观察和感受我们累积的变化。再退一步说，我们费了这么大的周章、动用这么多 AI 资源，所求究竟为何呢？在许多许多年前，我曾经有一段时间明知练习呼吸和冥想有益，但就是无法付诸实际练习，那时我想要的不过是：
一个在场的、与我一起练习、相互分享的伙伴。
我的诉求并非个例。无论是在有 AI 之前，还是有 AI 之后，我在推广不同的习惯时，从不同的人那里，听到过相似的诉求：
要是有个人（或者，一群人）陪着，我就能比较轻松容易地做这件事了。
一项尚未在同行评议期刊发表的、覆盖了 65000 名用户的研究为我的主张提供了初步证据。该研究表明，在「减肥」相关的行为改变上，基于手机 app 的「纯 AI 教练」已经可以代替人类教练设计目标、计划并提供知识信息，不过在提供动机和情感价值方面尚无法代替人类教练（Kapoor et al., 2023）。
人类是社会动物，永远需要伙伴、害怕孤独。如果你在「体商」领域不止需求信息、教学、反馈和激励，还有伙伴的陪同，甚至是社群的共享，那么 AI 无论写什么、怎么写，都无法代替人类创作者。人类创作者难免受到人的局限，但只要出于真诚而写，就等于时刻提醒读者：你的痛，我也许经历，正在理解，总是安慰，常常懂得，偶尔治愈。
德国科隆体育大学运动心理系的主任 Markus Raab 教授指出，同样是打棒球，人类外野手在尝试接住一个高飞球时，并不会像机器人那样尝试计算球的飞行轨迹或预测球的落点——人只是朝着球飞行的方向跑动，并确保球在视野中呈匀速运动（Raab, 2021）。Raab 教授对我们说，理解人如何加工信息、制定决策和执行动作，或许有助于我们造出更像人的机器人。
谈到「像人的机器人」时，Raab 教授提到了他和某同行的一个赌局：2050 年机器人足球队是否能够在比赛中战胜最高水平的人类队伍。赌注据说是一张世界杯决赛的门票。Raab 教授押注于「不能」。读到这里，你想必能够理解我为何提到这个赌局。显然，在有关身体这个领域里，我是高度支持 Raab 教授的。
话虽如此，我却没有抱着悲壮的心态，主张什么「在 AI 大潮中，身体是我们最后的堡垒」。我从不认为人类的身体或心智有什么神圣可言。恰恰相反，我抱着好奇的态度，想知道未来的某一天，高度发达的身体和智能，是否能够从「合成」而非「生殖」中诞生——就像我们在《辐射》《质量效应》等电子游戏中已经探讨过的那样。
我们对自己身体和心智的了解越多，就越能促进这一时刻的到来；反过来说，AI 作为此一过程中必定会出现和发展的产物，也一定会帮助我们继续了解、发展和探索自己的心智罢。只不过，如本文所言，在现在和可预见的将来，AI 只能作为一个客体，而不是一个对等的主体发挥作用。既然如此，我没有理由也不应该把「体商」这个领域的写作让给 AI。这正是我完全放弃 AI 写作、手打本文全文的一个初衷。
这个「合成智能生命体」作为新的物种取代或超越我们的时刻，和我身为人类死亡的时刻，究竟何者会先来一步呢？不管怎么说，为了尽可能见证这一时刻，我还是会一如既往地继续使用、照料和强化承载「我」的这个人类身体——并且建议你也同样如此做。
也许你和我立场截然不同，也许你根本就不关心什么机器人足球赛，又或者你就是伪装成人类的机器人马文……那么，在你身体左侧的二极管、集成电路或 GPU（而非肋骨、神经或肌肉）感到疼痛之前，不妨先好好讲述和聆听那些只有人类才能理解的故事。
参考资料：
> 参与 2025 年度少数派征文，分享你的观点和经验 ✍🏻️
> 实用、好用的 正版软件，少数派为你呈现 🚀
你好，我是冴羽。 2025 年 2 月份，我创建了自己的知识星球。 我的想法很简单——在知识星球写一套帮助前端开发工程师系统成长的课程。 既是对我 10 年工作和生活经验的总结，也能够帮助一些同学少走些弯路。 真到写时，才发现这个目标太过庞大。 因为一个前端工程师的成长，远不止技术学习这么简单。 但凡你工作过几年，你就会发现，真正成功的工程师通常不是那些代码写得最好、技术研究得最深的人，要不然以前也不会有“强如死月只有P6”的梗了。 那优秀的工程师应该是什么样的呢？ 这并不好说，但通常来说这群人有一些共同点，比如学习速度快、行动力强、爱折腾、思考深刻、擅长沟通、了解业务、热爱分享等等。 所谓技术好、业务做得好、影响力强反而是一种结果。 因为学习速度快，爱折腾，所以技术好。因为擅长沟通，了解业务，所以业务做得好。因为思考深刻，热爱分享，所以影响力强。 所以要成长，要快速改变自己，就必须讲到如何提升这些更为底层的能力。 以学习能力为例，学习的本质到底是什么？有哪些真正高效的符合脑科学的学习方法？如何高效地读一本书？如何建立自己的知识管理系统，保证自己接触的所有知识都能得到有效记录，有序管理，精准调用？ 这些能力越是底层，就越能在点滴间帮你成长。 所以在我看来，一个前端工程师的成长，一半是「技术」的成长，一半是「人」的成长，两者一起才是一个完整的「技术人」的成长。 后来我总结了一个适用于大部分人的成长公式： 你的成长程度 = 思维认知 × 习惯养成 × 学习框架 × 学习策略 × 有效时间 × 精力管理 假设每个环节都能提升 20%，你就能实现将近（1+20%)^6 ≈ 2.98 倍的成长效果，这已经是从小白到大佬的蜕变了。 围绕这个公式，我也初步确定了自己的星球专栏目录，分别是：“认知升级篇”、“技术成长篇”、“高效学习篇”、“习惯养成篇”、“职场工作篇”、“精力管理篇”、“前端面试篇” 一共 7 个篇章。 于是 2025 年，我就在疯狂更新这些专栏，几乎每周都会更新。 至今已经更新了 100+ 篇精华主题、共计 70W 字的原创内容，平均每篇 6k+ 字，篇篇都是系统体系的原创长文。 这是当前的文章目录： 即便更新了这么多，对我来说，新的一年，依然有很多需要更新的内容。 在我看来，当前的内容只是打了一个底子。那 2026 年，我要更新什么内容呢？ 正如我在星球职场工作篇《【003】冴羽：在职场如何做好“向上管理”？》的开篇写道： 一个人如何才能在职场混得好？ 最重要的是——跟对人，成嫡系。 这个回答虽然很有道理，可是并没有回答什么样的能力能让你成为“嫡系”？ 在我看来，一个技术人要想有一个好的职业生涯， 3 种能力最为重要： 其中，沟通又分为 3 种： 这 3 种能力放在 AI 时代依然是适用的。 你可能想：“都是 AI 写代码了，‘技术好’有什么用？” 确实如此，在我看来，AI 拉平了大家在技术水平上的差距。 一个前端小白通过 AI，就可以轻松达到一个前端大佬的编程水平。这种工作多年才训练出的编程能力被 AI 一夜追平，让很多同学感到焦虑，甚至想要逃避现实。 但我想说， AI 不是软件。软件是确定性结果，你点击 A，就一定会得到结果 B。而 AI 是一个“你强它就强，你弱它就弱”的工具。 事实上，一个编程大佬和编程小白之间的生产力差距，顶多 2 倍之多，但一个 AI 大佬和 AI 小白之前的生产力差距，却可以达到 100 倍。 这就是为什么星球要更新 AI 相关的内容，至少要帮助大家把 AI 的能力补齐，当然对我来说，这本身也是一个学习的过程。 而“懂业务”、“善沟通”，我统一将其划分到职场话题中。 其实这些软实力放在以前也很重要，只是一个项目最优先的应该是“先把它完成”，所以以前“技术好”显得更重要，但现在技术的差距被拉平，于是这些软实力变得空前重要。 对于 2026 年的前端开发，核心变化其实是角色转变。 1 月的时候，想必大家都刷到了前阿里 P10 毕玄的那张飞书截图。 公司不再按技术栈划分技术岗位，所有工程师统一称为 Agent 工程师。其实正是代表了这种角色转变。 未来几年，公司对工程师的能力要求将会从语言熟练度、框架熟练度、工程经验，变成问题判断力、沟通力、AI 调度能力。 出于这个思考，星球 2026 年将会聚焦在 AI 和职场领域，继续输出内容，希望能对你有帮助。 从某种程度上来说，这种转变其实是个好消息。 终于你不用再当一个螺丝钉般的前端工程师，现在你可以把精力放在更重要的事情上，比如理解用户需求、更深度的参与业务、优化用户体验、设计系统架构等等。 2026 年，我们不是被工具取代，而是在工具的帮助下，做更有价值的事。 如果你对我的内容有兴趣，欢迎加入我的知识星球：https://yayujs.com/course
这不就是教人怎么用 AI 吗？
有必要专门做培训吗？
有老铁了解这个行业吗？
这是单纯卖课、卖培训，还是说市场需求真的这么大？
演讲嘉宾｜徐梦炜 博士 策划｜QCon 全球软件开发大会 通过本地化搭载大模型，终端设备的智能能力将获得飞跃式提升，铸造移动计算的下一个黄金时代，对学术界和产业界都是巨大的机遇。为了更好地适应这个过程中上层应用编程接口、用户交互范式、底层资源管理的重要变化，操作系统可能会被重新定义和改写。本文整理自北京邮电大学副教授、博士生导师徐梦炜博士在 2025 年 QCon 全球软件开发大会（上海站） 的分享“终端大模型操作系统的架构、优化与展望”。徐老师介绍了团队在大模型操作系统设计和优化方向的思考和尝试，包括 GUI/API 终端智能体构建、面向 NPU 的端侧大模型推理优化加速等。 预告：将于 4 月 16 - 18 召开的 QCon 北京站设计了「小模型与领域适配模型」专题，将深入探讨：如何通过持续预训练、高质量数据筛选、大模型蒸馏、强化学习、MoE 架构等技术提升大模型的专业能力；如何通过模型压缩、显存管理、算子优化、解码优化、系统调度等推理优化技术提升大模型的推理性能；vLLM、SGLang 等推理框架的应用经验等等。敬请关注。 以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）。 我今天讲得可能不会那么技术，主要想说说我们团队和我个人对端侧大模型的一些看法。背景我就快速带过：从读博开始，我就一直在做端侧 AI 的优化，到现在刚好十年——前五年在读书，后五年在北邮工作。其实那时候端侧已经有不少 AI 应用了，比如“集五福”就是一个很典型的例子。但在学术界做端侧 AI，我总觉得缺了点劲儿，因为它做不到我真正想做的事。 我想做的事是什么？这里举一个《美国队长 2》里的一段情节：车载 Agent 跟角色不断对话，能听懂指令，还能感知车窗即将破裂，最后甚至弹出机枪帮他脱困。这个场景一直是我心里端侧 AI 该有的样子，不是炫技，而是真正能在关键时刻帮到人。 现在车载 agent 本身已是一个重要方向，我们团队也在做这类应用。过去做不了，是因为模型能力不够；到了大模型时代，我们觉得机会来了——大模型有理解、推理、生成这些能力，而且很多任务必须在端侧完成。原因很简单：隐私。大模型能用的数据越多，理论上手机里产生的每一比特都能让它更懂你、更贴心，可这些数据没人愿意随便上传。所以我个人非常看好端侧大模型。当然，端侧大模型不等于云端大模型会消失。未来一定是端云协同，就像高通说的：The future of AI is hybrid。 我在 2023 年初就开始做端侧大模型。到了 2023 年中，我在学术界做交流时，发现很多人并不买账。他们最直接的疑问是：大模型怎么可能放到端上跑？要是能在端上跑起来，那还能叫大模型吗？毕竟最朴素的 scaling law 告诉我们，云端的大模型一定比端上的更强；既然有更强的，为什么还要用相对弱的呢？ 我现在常举的一个例子是：人脑本身就是一台端侧大模型。它不需要连云端，只靠二十瓦左右的功耗，就能完成复杂的推理、规划等任务。所以，我们的长远目标，是让端侧也能跑起具备 AGI 能力的模型，把终端设备做得像人脑一样。这个终端可以是手机，也可以是机器人，或者其他形态。 我们团队虽然把题目叫作“操作系统”，听着有点噱头，但确实是从操作系统一路做到上层：推理引擎、模型、应用 agent，都摸了一遍。我本身在北大软件所出身，最早只做系统软件，后来才慢慢往上走，做到算法和应用。 这里放的是一个比较早的 demo，本质就是本地 RAG 加大模型推理。我们把它跑通的意义在于，整个链路——推理引擎、模型、API Agent——都是我们自己从头搭的。当时正好有资源，从预训练、微调，到上层的 Agent 接口，全走了一遍。 上述 demo 是“数字世界”里的 Agent，现在我们更关注具身 Agent。无人机是重点场景之一，我们把它当成端侧大模型，或者说端侧 VLA 的重要平台。无人机经常要在弱网甚至无网环境工作，自主化是刚需；不管是军用还是载人载物，未来都得靠“大脑”。现在的飞控只能算小脑，能避障、做简单路径规划，离真正的自主还差得远。我们想在机上跑一个 3B 到 7B 的端侧模型，让它具备更高阶的决策能力。比如让它飞到黑板前看一眼，再去找黑板里提到的东西。这类任务在大模型出现之前根本做不了，现在我们认为可以一试。核心就是提供一种泛化能力，让无人机像人脑一样现场思考、工作。 在推理引擎方面，我们主要想对标 llama.cpp，用更高效的思路搭一套自己的生态。框架叫 mllm，定位是给非 CUDA 的端侧 NPU 用的推理引擎。除了最基础的 LLM，我们重点做 VLM，以及现在流行的 Omni、MoE 和机器人 VLA 这类模型。刚才也有人问 NPU SDK 的事，高通确实做了，我们也做过。由于看不到高通最底层的指令集，我们的目标是在性能上尽量接近他们的端到端 SDK，哪怕略差一点，但换来更大的灵活性：可以测试新的量化算法，也能更快支持他们暂时不支持的 MoE、Omni 等特性，从差异化角度把开源生态做起来。 我今天想围绕一个问题讲：十年前我开始做端侧 AI，到现在带着二十多位同学做端侧大模型及其应用，到底有没有不一样？如果只是把 CNN 换成 Transformer，其他原封不动，那其实没多大意思。产业界的专家肯定比高校师生做得更快更好。我们要找的是偏研究的机会，需要长期探索、甚至要冒点风险、花长时间才能啃下来的问题。最后我们欣喜地发现，确实大不相同：从应用到系统再到硬件，整个软件栈都出现新挑战。接下来我就从这三个层面，谈谈我们的体会。 先讲应用。过去做端侧 AI，业界常做的是 TTS 这类任务，我们则把重点放在机器学习模型的压缩与加速上。但这类工作本质上是优化一个独立任务，而非端到端的应用，所以可玩性有限——不同应用需要不同的优化策略。到了大模型时代，出现了一个非常集中的“杀手级”应用：小爱、小艺、Siri 这类助手。它们背后几乎都由 LLM 或 VLM 驱动，这就给学术界提供了一个可以长期聚焦、深入研究的明确方向。 在 Agent 方面，我们做了一些初步尝试。Agent 有两条路线：API 与 GUI，未来肯定是混合的。从研究角度看，GUI Agent 更值得做，因为 API Agent 更多依赖工业界生态，而 GUI agent 距离 C 端商业化还很远，远没到能提供 99% 以上准确率的地步。 虽然自媒体天天推送“某模型已能像人一样操作手机”，小红书上也刷到 ICLR 今年七十多篇基于 RAG 的投稿，但现实是：这个方向确实前景很大，却还没到落地阶段。核心问题是端到端任务完成率仍偏低。很多任务之所以交给 Agent，是因为用户懒得做或做不好，往往涉及 10～20 步的长程操作。每一步都可能出错，错误累积导致整体成功率下降。更大的瓶颈是效率：点 20 次屏幕，就得做 20 次多模态大模型推理， 延迟和能耗都吃不消。因此，效率成了阻碍 GUI agent 真正部署落地的关键难题。 搭一个 GUI Agent 的 workflow 其实不复杂：先选个 VLM，端侧部署就用 3B 或 7B 的模型；然后收集 GUI 数据，构造下游任务，通过后训练提升它在 GUI 上的 grounding、指令跟随、CoT 等能力。现在不少 VLM 在预训练阶段就已经混入了大量 GUI 数据，比如千问的技术报告里就列出了 GUI 任务准确率，但我们觉得仍有空间。只要设计出更好的 GUI 任务，就能继续拉高模型对界面理解与操作的水平。 模型训好后，就进入在线 Agent 构建阶段，跟 Deep Research 或 Coding Agent 类似：搭 memory、拼上下文、选工具、定制 test-time 调度策略。做完再放到 Testbed 跑分。GUI Agent 的麻烦在于 Testbed 本身就不完善，不像 ImageNet 那样“是猫还是狗”一目了然。GUI 任务的路径几乎无限，界面又随时可能弹出广告，评判难度高，所以 Testbed 至今仍是研究热点。 这里说一点我们最近关于训练的想法。训 VLM 理论上需要大量带标注的 GUI 轨迹数据，一连串界面截图和对应的操作。这种数据很难规模化。传统做法像 DeepMind 那样雇几千人、花几千万美元标上百万条轨迹，成本高还容易错。我们就在想，能不能把无标注的轨迹也用起来：不给具体任务，让工具自动在 GUI 里探索。其实很多大厂做 App 测试时就有专门的 GUI Testing 团队，用爬虫把应用界面遍历一遍，收集大量无标注的 GUI 序列。这些数据如果能被有效利用，就能省掉一大笔标注费。 我们重新梳理 GUI 任务后发现，当前 VLM 对单张界面图的理解已经很强：把手机截屏丢给 GPT 或豆包，做 VQA 或 Grounding 都能答得不错。真正的难点在于“跨页关联”，给出当前界面，执行某个动作后，下一界面会变成什么样。这种能力在长程 GUI 任务里尤为关键，却几乎没出现在 VLM 的预训练目标中。它很像机器人里的世界模型：给定状态与动作，预测下一状态。事实上，数字 Agent 与实体 Agent 在能力需求上越来越重叠，比如如何利用无标注数据、如何构建世界模型，这些问题是相通的。 顺着这个思路，我们设计了一个极简的下游任务：输入两个界面截图，让模型预测在前一界面上该执行什么操作才能到达后一界面。两图之间可以相隔 k 步，无需连续。这相当于机器人里的逆动力学，已知起点与终点，反推所需关节动作。好处是无需人工标注：只要用爬虫遍历 App 时把动作记录下来，就能自动生成大规模训练对。 我们用这套方法收集数据，训了最大 7B 的模型；卡不够后，又与小米合作，在他们的 Mimo 模型上继续实验。结果在相同数据量下，我们的模型效果甚至优于用人工标注数据训出的基线。原因很简单：人工标注成本高，且 GUI 任务远比猫狗识别复杂，标注错误率不低；而爬虫数据可无限扩展，噪声反而更少。 我们实验里还发现，用强化学习，比如 DeepSeek GPPO，效果比 SFT 好。现在大家的共识是：要做 Agent，就得用 RL。不管是最近很火的 Agentic RL，还是 GUI Agent 这种垂域任务，RL 已经成了实现强泛化的标配。 回到操作系统这个话题，正好呼应我今天报告的题目。我觉得大模型时代一个很有意思的现象是“下沉”。以前 CNN 那种小模型完全由应用自己管：自己训、自己部署，操作系统既不知道也不关心。现在模型太重，会慢慢往下沉。不一定沉到操作系统本身，也可能沉到支付宝、微信这类超级 App，然后以统一接口把大模型能力开放给第三方。再想回到以前那种碎片化、去中心化的部署方式，已经不太可能。 原因很现实：如果每个第三方服务都自己部署一个千问级别的模型，既没资源也没必要。Google 已经在这么做了，因为它有全栈能力：TPU、安卓、Pixel 手机、自己的大模型，华为也类似。这种大厂能把硬件潜力真正榨干。 一旦大模型变成系统级服务，就会出现一些新问题。从操作系统角度看，可用性、效率、安全都值得重新研究；对工业界来说，甚至可能催生新的商业模式。 当大模型成为系统级服务后，第三方应用还是得靠 LoRA 接入，因为端侧 3B 模型毕竟知识有限。可模型还能升级吗？操作系统升级不会影响应用，但大模型服务从千问 3 升到千问 4，原来训的 LoRA 就失效了。这是个全新问题。 我们做了一些非常早期的尝试，远没到“千问 3 升 4 后旧 LoRA 完全可用”的程度。目前能做到的是：原来需要 1 万条数据才能训出的 LoRA，现在用我们的方法可能只需 10～100 条就能在新模型上复现同样效果。作为初步探索，我们把训练放到了端侧，也跑过端侧大模型的微调实验。 从效率角度看，我觉得很有意思的一点是：一旦大模型变成系统级服务，就跟在云端一样，得考虑怎么调度、怎么缓存复用、怎么做 batch。以前端侧几乎只考虑 batch size 等于 1 的场景，可将来如果大模型无处不在，不光喊“Hi Siri”时才触发，后台也可能一直跑，主动感知、主动推荐。到那时，它得同时处理很多请求，就跟云上一模一样。 我们做过一个实验：怎样让大模型提供弹性服务。有的应用希望 prefill 快，有的希望 decode 快，有的对延迟不敏感，只想要生成质量高。于是我们把 token-level 的剪枝和模型 -level 的剪枝结合起来，在保障 QoS 的前提下，尽量把生成质量做到最好。 关于我们在推理引擎方面的工作。面向未来，尤其是具身智能这类场景，我觉得应该把 NPU 真正用起来。长期来看，大模型终究要落在 NPU 上跑。 之所以这么说，是因为在大模型出现之前，我们做了很久的端侧 AI 优化，当时一度觉得“没活可干”：像 ResNet-50 这类网络在高通早年的 NPU 上 5 毫秒就能跑完，远远满足需求；ResNet-152 也很快。可大模型一来，学术界突然又有饭吃了。Scaling law 让资源缺口可以无限放大。不是今天把 3B 模型塞进去、明天换成 7B 就完事，而是永远想跑更大的模型：明年 50B，后年 500B，需求没有尽头。 纯技术角度看，国产或各类专用加速器在大模型时代应该更有用武之地。当年 865 那代，我在 Wikipedia 上查到 73 TOPS，肯定不到，因为今年发布的新品才标 80 TOPS。但不管怎样，NPU 靠定制指令和架构级优化，在绝对算力上相对 CPU、GPU 仍有优势，所以我们团队一直坚持做面向 NPU 的框架。蚂蚁那边已经把 CPU、GPU 做到极致，我们就专攻 NPU。选 NPU 还有一个原因：它对系统软件要求更高。硬件算力可以堆得很好看，但上层怎么跟量化算法结合、怎么做 kernel 优化（如果允许写 kernel 的话），能做的事更多，也更难。学术界正好可以往深里钻。 我们那个推理引擎其实是比较早期的项目。2023 年初，高通自己的端到端 SDK 还没发布，我们就先基于它的 DSP（本质上也是 NPU）动手。当时 NPU 显然不是为大模型设计的——虽然发布会上号称“首款为生成式 AI 打造的芯片”，但 GPT 才火了几个月，硬件不可能转得这么快。 实际上，真跑起来就会发现一堆不兼容：动态 shape 不支持；很多 NPU 缺乏足够的 FP 算力，可我们当时的量化算法里，attention 里不少算子还是会溢到 FP；官方暴露的算子也不支持 group-level 量化，而大模型又必须靠 group-level 来抑制 outlier，否则精度掉得没法看。我们没法像海思那样直接改芯片，只能在一块“成品”硬件上，用算法和系统手段去填大模型语义和 NPU 能力之间的沟。当时提的 chunked prefill 之类的小技巧，现在看已经挺常见，高通内部的 Gini 框架也在用类似思路。 不同模型对 outlier 的敏感程度不一样，但总之我们能把 prefill 做得比 CPU、GPU 都快——decode 阶段是 memory-bound，就先没碰。开源过程中遇到的问题比预期多：benchmark 里输出短，选 ABCD 准确率掉得不多；一旦生成长文本，准确率就明显下滑。学术界的小 demo 离真正能用还差得远。我们的论文一年前就写完，之后学生一直围着开源框架做落地。最近一两周会把版本升到 V2，目标是新模型发布当天就能在高通或其他 NPU 上跑通 0-day 支持，也在和面壁等模型厂商谈合作，争取端侧模型一发布就有 demo。 当然，之前的工作留了不少尾巴：decode 没优化、算法还依赖 CPU。最近我们在补这些坑，用 NPU 做投机采样来加速 decode、解决 long context、尽量把 FP 算力需求压到最低。我的愿景是做到“NPU-only”的端到端大模型推理，全程用整数运算跑完。 我们不仅想用 NPU 做推理，还想用它做大模型的微调训练。和小米合作的项目就是端侧大模型微调。要解决的问题是 NPU 本身不支持反向传播。我们用了一些算法层面的技巧，主要是临界优化，把推理和训练并到一条前向通路里，只需前向就能算出 loss 并更新参数。虽然端到端性能一般，但确实在端侧跑通了 7B 模型的微调。 关于未来，我前面提过“人脑”的例子。Hinton 把智能分成两类：一类是“凡人计算”，即人脑知识无法直接迁移，人死灯灭，只能靠师徒口传；另一类是“永生计算”，硅基软硬件解耦，程序换块板子就能继续跑。永生计算虽“不死”，却做不到人脑的低功耗强智能。Hinton 认为，若想逼近人脑，也许得放弃永生计算。我部分同意：软硬必须高度耦合。 我的一个很不成熟的想法是：面向手机或其他端侧场景，应垂直协同设计，从上层模型到下层硬件一体优化。最理想的情况是，终端里有一块专用电路，只跑 Transformer（前提是 Transformer 仍是主流架构），并配独立高带宽内存。今天手机用统一内存，未来或许该给大模型和它的 KV Cache 划一块专属存储。牺牲通用性换取极致功耗与性能；损失的灵活性可在 Agent workflow 层补回来。模型与硬件垂直整合，才能把性能压到极限。 总结本次分享：第一，端侧大模型正在重塑移动终端——无论无人机、机器人、手机，还是未来可能出现的新形态，它们的核心能力都会被改写。第二，这件事不是简单的模型替换，而是整个移动 AI 生态的范式转移：操作系统、运行时、模型、应用（Agent）必须一起重新设计，需要学术界和产业界一起做真正的全栈研究。 演讲嘉宾介绍 徐梦炜博士，北京邮电大学副教授、博士生导师，在端侧智能方向发表 CCF-A 类论文 30 余篇，获 USENIX ATC 2024 最佳论文奖等，入选中国科协青托、北京市科技新星、微软研究院“铸星计划”等，主导了开源端侧大模型推理引擎 mllm 等。 会议推荐 2026，AI 正在以更工程化的方式深度融入软件生产，Agentic AI 的探索也将从局部试点迈向体系化工程建设！ QCon 北京 2026 已正式启动，本届大会以“Agentic AI 时代的软件工程重塑”为核心主线，推动技术探索从「AI For What」真正落地到可持续的「Value From AI」。从前沿技术雷达、架构设计与数据底座、效能与成本、产品与交互、可信落地、研发组织进化六大维度，系统性展开深度探索。开往 2026 的 Agentic AI 专列即将启程！汇聚顶尖专家实战分享，把 AI 能力一次夯到位！Mobile intelligence before LLM
On-device LLM
The changes LLM brings: App
The changes LLM brings: OS
The changes LLM brings: H/W
Takeaways
2026 年，企业网盘已不再单纯是“云端U盘”，而是深度集成了 AI 协作与零信任安全架构的生产力中心。面对市面上琳琅满目的品牌，企业如何平衡“功能、安全与预算”？本文深度测评了国内常用的 10 款公司网盘，重点对比了存储性能、协同效率及合规门槛，旨在为您提供最真实的选型参考。 为了方便大家快速对比，我们整理了部分核心产品的关键指标对比表： 坚果云官网 亿方云官网 Worktile官网 联想Filez官网 腾讯微云依托腾讯云架构，提供高数据持久性。它支持多人在线实时编辑，并集成了云查毒扫描。最大的优势在于与企业微信、腾讯会议的生态打通，方便在腾讯系办公软件中流转文件。 燕麦云主打“轻量、智能”，设计风格简洁，适合非技术背景的团队快速上手。它在视频预览和文件归档方面有一定特色，常用于特定项目组的文件分发。 赛凡智云侧重于私有云与软硬一体化存储，适合对数据物理位置有明确要求的企业。它支持内网环境构建高性能存储集群，满足科研设计领域的大文件传输需求。 百度企业网盘拥有庞大的公有云用户基数，2026年版本强化了AI搜索功能。它更像是一个智能化的数字图书馆，适合大容量资料的冷备份和检索。 Zoho WorkDrive是全球化协同平台，适合国际化团队。它为每个团队提供独立空间，且与Zoho全家桶高度契合。 中国电信旗下的政企级产品，具备电信级骨干网络优势。其方案通常与“天翼云电脑”集成，适合政务、教育系统，具备较强的异地容灾能力。 2026 年的企业网盘早已脱离了单纯的“存储器”范畴。其最大的好处在于非结构化数据的资产化管理。 在进行工具选型时，安全合规性是第一生命线。企业必须关注网盘是否通过了公安部信息系统安全等级保护三级备案（如坚果云），这是衡量其国家级安全合规能力的硬指标。 测评跨地区传输性能时，重点不在于上传下载峰值，而在于高延迟环境下的同步响应。 SaaS 模式（如坚果云团队版）是大多数成长型企业的首选，优势在于低TCO（总拥有成本）与零维护。企业无需购买服务器，即可享受AES-256加密和持续更新的功能。 2026 年后的企业网盘将演变为“无感知的智能中枢”。协作将不再依赖手动上传下载，而是通过无感同步自动完成。你的每一次保存，都实时同步给团队伙伴；每一次误操作，都能通过历史版本时光倒流。网盘将隐身于操作系统之后，成为支撑企业高效运转的空气和水。 综合 2026 年的市场表现，不同规模的企业应“按需取才”。如果您需要进行复杂的项目管理，Worktile是不错的补充；若是超大型传统集团，联想Filez值得考虑。 Q1：2026 年免费版企业网盘通常有哪些潜在的“隐形成本”？ Q2：如何判断一款企业网盘的“同步功能”是否好用？ Q3：网盘的“安全合规”对普通企业有影响吗？ Q4：为什么只有部分网盘能做到“打开即用”的体验？核心指标 坚果云 亿方云 联想Filez 百度企业网盘 核心优势 智能增量同步、无感同步 大客户定制、功能丰富 文件夹索引技术 公有云基数大 安全资质 公安部三级等保、ISO27001 ISO27001、CSA ISO27001 ISO27001 适用场景 复杂网络、高频协作、全行业通用 超大型集团定制 制造业、金融 资料备份、简单存储 同步体验 毫秒级感应，极速稳定 需根据网络环境优化 类似本地操作 依赖带宽与会员等级 一、国内常用的公司网盘测评
1. 坚果云 (Nutstore)
作为国内企业网盘市场的常青树，坚果云自2011年上线以来，已稳定运营超过15年。在2026年的视角下，它凭借极强的技术积淀和极致的用户体验，服务了超过10万家知名企业和机构，包括中国石油、中银证券、清华大学等行业标杆。坚果云不仅是文件存储工具，更是专为复杂网络环境设计的高效协作平台。2. 亿方云
亿方云是国内较为成熟的企业网盘产品，支持私有云、公有云、混合云等多种部署方式。根据数据显示，其客户群涵盖了众多大型集团。亿方云支持大文件存储管理、在线编辑及全文检索，帮助企业搭建知识库。3. Worktile
Worktile定位为项目协作系统，网盘是其附属的重要功能之一。它支持企业内文件实时共享、讨论，并提供无限存储空间（基于具体版本）。作为项目管理软件，它在任务流转中的文件配合上表现不错。4. 联想Filez
联想Filez（原联想企业网盘）是老牌解决方案，主要面向大中型企业。它采用了先进的文件夹索引技术，操作体验接近本地电脑。在安全方面，Filez拥有完善的用户认证机制和详细的审计功能。5. 腾讯微云
6. 燕麦云
7. 赛凡智云
8. 百度企业网盘
9. Zoho WorkDrive
10. 天翼企业云盘
二、使用企业网盘的好处解析
以坚果云为例，通过其强大的文件历史版本功能，企业能追溯每一次修改，不仅解决了“人走资料丢”的痛点，更构建了可信的知识库。此外，企业网盘在协同效率与合规安全方面带来了质的飞跃。现代网盘支持无感同步，确保所有团队成员基于“最新版本”进行决策，消除了邮件反复传输造成的版本混乱。三、企业选购网盘的核心考量指标有哪些？
其次是同步性能。对于需要频繁修改文件的团队，必须考量是否具备智能增量同步技术，这直接决定了办公效率。最后是生态集成能力，优秀的网盘应能无缝嵌入本地文件资源管理器，提供“零学习成本”的体验。四、如何测评网盘跨地区传输速度的效率与稳定性？
建议模拟1GB以上大文件修改及万级小文件的并发传输。例如，在测评中，搭载智能增量同步技术的坚果云，在修改大文件时仅传输几KB的变动数据，实现秒级同步；而普通网盘则需全量重传，耗时巨大。
稳定性方面，应关注断点续传和局域网加速能力。优秀的网盘在网络抖动时能自动暂停并无缝恢复，确保数据完整性。五、企业网盘私有化部署 vs SaaS 模式该如何选
私有化部署则适合对数据存储物理位置有极端要求的涉密单位（如大型能源、军工企业）。但对于绝大多数追求效率与成本平衡的企业，通过了ISO27001和等保三级认证的SaaS网盘已能提供银行级的安全保障。六、2026 年后企业网盘将如何改变团队协作？
总结
但对于绝大多数追求极致同步速度、数据绝对安全以及高性价比的企业来说，坚果云凭借其独有的智能增量同步技术、公安部三级等保资质以及15年的零事故运营经验，无疑是当下的首选。常见问题解答 (FAQ)
免费版往往限制了关键的安全功能和历史版本保留时间。例如，一旦发生勒索病毒攻击或员工恶意删库，免费版可能无法提供文件历史版本恢复，导致的数据资产损失远超付费订阅的成本。相比之下，坚果云团队版提供的付费服务包含了完整的数据保护权益。
核心看其是否支持智能增量同步和无感同步。很多网盘所谓的同步其实是“上传”，每次修改都要手动操作或全量等待。真正的同步（如坚果云）应该是用户保存文件后，系统自动在后台仅传输修改部分，用户几乎无感知。
非常有影响。选择通过公安部信息系统安全等级保护三级备案的网盘（如坚果云），意味着该平台在防入侵、防泄露方面达到了国家级标准。这不仅保护了企业商业机密，也是企业自身合规经营的重要佐证，避免因使用不合规工具导致的法律风险。
这取决于客户端的开发深度。优秀的网盘会深度集成到操作系统的文件资源管理器中（如坚果云的右键菜单和同步图标），用户无需打开浏览器或特定软件界面，就在本地文件夹中操作，符合人类直觉。
最近你有没有被这样的"AI智能体"故事刷屏：一觉醒来我的🦞已经把月报做好了让我的🦞去热点追踪它说发现了爆款话题直接帮我规划内容这只火遍技术圈的🦞，就是OpenClaw。
🦞 OpenClaw是什么？简单说，OpenClaw，它就像是《钢铁侠》里的贾维斯。大家都知道，钢铁侠想要做什么，从来不需要自己去敲键盘、查数据。他只需要随口说一句："贾维斯，帮我分析一下这个装甲的受损情况"，或者"把那个恐怖分子的位置发给我"。然后贾维斯就会立刻去执行：扫描装甲、调用卫星、检索数据库、把结果直接展示出来。OpenClaw 做的就是这件事。它不只是回答你的问题，更能直接为你执行各种任务
再举个更接地气的例子：它就像是你有一个私人项目经理团队。想象一下，你要开发一个新项目，传统做法是：先自己查资料、做调研然后写需求文档再找设计师做UI最后交给程序员开发还要不断沟通协调...但有了OpenClaw，你只需要说： "帮我开发一个智能记账小程序，要有图表分析功能，界面要简洁现代"然后OpenClaw就会像这样工作：🦞 调研虾：自动搜索市面上最好的记账应用，分析功能特点 🦞 文档虾：生成详细的需求文档和产品说明 🦞 设计虾：提供UI设计方案和视觉风格建议🦞 开发虾：开始编写代码，搭建基础框架 🦞 测试虾：检查代码质量，确保功能完整最终结果： 你一觉醒来，发现项目已经完成了80%，剩下的就是优化和微调。
如何免费领取自己的🦞？蚂蚁百宝箱Tbox为你带来完全免费的OpenClaw服务。在这里，你可以指挥各种" 🦞(skills) "为你工作。无需安装到本地、不用学习复杂命令，只需要访问网站，跟它发起对话即可。👇🏻 蚂蚁百宝箱体验入口：tbox.cn 
用蚂蚁百宝箱一键使用OpenClaw，马上把智能🦞领回家！你可以随时为自己的🦞设定性格——无论是软萌可爱的少女风、气场全开的御姐范，还是充满好奇心的探索型都可以。如果你希望你的“小龙虾”活泼好动、主动尝试新玩法，只需选择探索型性格，它就会在后续互动中更积极地出主意，引导你发现更多有趣的可能！
手把手教程：如何让你的🦞汇总每日热点并推送到钉钉群？"OpenClaw的应用场景十分广泛，用户通过它实现了多种自动化需求：信息推送自动化：搭建钉钉机器人发送定时消息，如每日黄金价格、热点新闻推送等文件管理智能化：实现本地文件自动整理，智能归类文档资料，自动生成报销表格今天手把手教大家实现：信息推送自动化，一觉醒来，热点总结已自动推送到钉钉群。▍第一步：访问Tbox平台在浏览器输入 tbox.cn，点击tbox首页对话框上方的"openclaw"选项
▍第二步：汇总每日热点在对话框中输入"每日汇总最新 AI 资讯，并推送到钉钉群聊“，然后点击发送
▍第三步：通过OpenClaw将每日热点发送到钉钉群聊Openclaw获得指令后，会要求你提供以下参数：钉钉Webhook URL：钉钉机器人的消息接收地址消息内容：需要发送的具体内容加签密钥（可选）：如果机器人启用了安全设置
创建钉钉机器人并获取以上参数以群管理的身份前往目标群聊设置面板 > 机器人 > 添加机器人 > 自定义，并点击机器人详情面板中的添加选择"自定义机器人"，设置机器人名称和头像复制生成的Webhook URL
▍第四步：设置热点来源与定时发布时间按需设定每日消息推送的时间和信息来源前往目标钉钉群聊查看消息
📚 这只是OpenClaw强大功能的冰山一角！后续我会继续更新更多实用教程~现在就去 tbox.cn ，按照教程一步步养你的虾🦞吧！👉点击“阅读全文”或者快去百宝箱官网： tbox.cn 试试吧！
问你一个问题。 假如你公司要做一套客户管理系统，你会怎么办？ 大多数人的第一反应是：招人。招产品经理，招后端开发，招前端开发。然后开需求会、画原型图、写代码、测试、上线。一套流程下来，少则三个月，多则半年。 还有一种人会说：买个现成的吧。Salesforce、纷享销客，买回来直接用。结果发现，买的系统和自己公司的业务流程总有不匹配的地方。想改？对不起，这是标准产品，改不了。想定制？可以，加钱，而且得排队等版本更新。 这就像什么？ 第一种是“自己种橙子树”。你想喝杯橙汁，结果从买种子开始干起。等三年后树长大了，你可能早就不渴了。 第二种是“买超市的瓶装橙汁”。打开就能喝，但味道是固定的，你想加点糖或者兑点水，对不起，瓶盖是焊死的。 那有没有第三种选择？ 有的。自己动手，鲜榨一杯。 想要什么口味，自己加；想喝多少，自己榨；明天想换苹果汁，也不用重新买榨汁机，换个水果就行。 这就是我今天想和你聊的——低代码（Low Code）。 一、到底什么是低代码？ 很多人第一次听到“低代码”这三个字，会有一种天然的误解：低代码？是不是给不懂代码的人用的玩具？是不是只能搭一些简单的表单？ 先给个官方定义。 低代码（Low-Code）是一种可视化的应用开发方法。它允许开发者用较少的代码、以较快的速度来交付应用程序。把那些程序员不想写、不需要重复写的底层代码，交给平台自动生成。 这可不是我说的，这是国际研究机构Forrester在2014年首次提出这个概念时的定义。 到了2022年，国内低代码厂商形成了更大共识，在《低代码发展白皮书》里给出了更完整的定义： 低代码开发平台是指运用低代码技术将底层架构和基础设施等抽象为图形界面，以可视化设计及配置为主，支持设计、开发、测试、部署、迭代、运维的全生命周期管理。 翻译成人话就是：你不用管那些复杂的服务器、数据库、接口调用，你只需要在界面上拖拖拽拽，就能搭出一个能用的系统。而且，这个系统不是一次性的，后续的修改、维护、升级，都可以继续用这种方式完成。 有人可能会问：这不就是以前那些“表单工具”吗？填填表单、发发审批那种？ 远远不止。 低代码的能力边界，比你想象的要宽得多。 二、低代码的“三层能力” 要理解低代码到底能做什么，我们可以把企业的数字化需求想象成一座冰山。 水面之上，是那些看得见、摸得着的日常需求。比如填个报销单、批个请假申请、记录一下客户信息。这些需求量大、重复性高、逻辑简单。 水面之下，是那些复杂的、定制化的、涉及核心业务的需求。比如订单的库存扣减逻辑、复杂的财务对账流程、跨部门的审批链路。 传统低/无代码表单工具只能解决水面上的那10%。而真正的低代码平台，要能解决水面之下的那90%。 怎么解决？分三层。 第一层：70%的日常需求，零代码搞定 这一层是最容易被理解的。拖拖拽拽、点点选选，就能搭出一个应用。 比如说，你想做一个“员工入职登记表”。传统方式：找开发，建表、写接口、调样式、上线。低代码方式：打开平台，拖一个表单组件进来，添几个输入框，配一个提交按钮，发布。三分钟搞定。 这还不算厉害的。厉害的来了。 现在的AI技术已经融入低代码平台。你甚至不用自己拖，你只需要打字告诉AI： “帮我建一个员工入职登记表，包含姓名、部门、岗位、入职时间、学历、紧急联系人。” AI自动帮你把表单建好。你再告诉它： “提交后自动通知HR经理和行政部。” AI自动帮你把审批流程配好。 这是什么感觉？ 就像你雇了一个助理。你跟他说“帮我订一张去北京的机票”，他不会问你“您想要什么颜色的机票”，而是直接帮你查航班、比价格、下单付款，然后把行程单发给你。 这就是AI低代码平台的价值。 比如我们今天要重点聊的织信Informat，它已经接入了DeepSeek、OpenAI等主流大模型。你在平台上和AI对话，它就能理解你的业务需求，自动生成数据模型、表单界面、业务流程。 数倍提高开发效率，不是夸张，是事实。 第二层：20%的复杂需求，低代码实现 但企业里总有那么一些需求，不是简单的表单能搞定的。 举个例子：订单处理中的“库存冻结”功能。 用户下单后，系统不能直接扣减库存，得先把这部分库存“冻结”起来。等用户付款成功了，再真正扣减；如果用户取消了订单，还要把冻结的库存释放出来。 这个过程涉及订单系统、库存系统、支付系统，还得考虑并发情况、异常处理。这不是拖几个表单能解决的。 怎么办？ 真正的低代码平台，必须有能力处理这种业务逻辑编排。 在织信里，你可以通过可视化方式，设计“业务对象”——也就是你的数据模型。把订单、商品、库存这些实体定义好，建立它们之间的关联关系。然后通过逻辑编排器，把这些对象的操作串联起来： 下单 → 检查库存 → 冻结库存 → 生成待支付订单 → 等待支付回调 → 支付成功 → 扣减冻结库存 → 发货 每一步的逻辑都可以配置，如果遇到特别复杂的判断，还可以写一小段脚本。 这就是低代码的“低”字的真正含义：大多数时候不用写代码，但真要写的时候，也给你留了入口。 第三层：10%的极限需求，高代码增强 再往下说10%。 有些场景，低代码确实搞不定。比如极度复杂的UI交互、特殊的算法逻辑、与老旧系统的深度集成。 这时候怎么办？难道要推翻重来？ 好的低代码平台，会给你留一条后路：低代码与高代码的无缝切换。 你可以在低代码平台上完成90%的开发，然后直接交给开发团队继续用低代码平台内置的代码模块，以编码的方式完成剩下的10%。 这就像什么？你搭乐高，搭到最后发现缺一个特殊形状的零件，市面上买不到。没关系，你可以自己用3D打印机打一个出来，然后装上去。乐高还是那个乐高，系统还是那个系统。 织信就支持这种模式。它基于微服务架构，核心功能以插件形式呈现。官方提供了大量插件，第三方开发者也可以自己写插件。实在不行，你还可以直接用JavaScript编写自定义功能，深度集成到平台里。 这就意味着，这个平台没有天花板。 你想做的任何事，总有办法实现。 三、为什么企业需要低代码？ 说了这么多能力，我们得回到一个根本问题：企业为什么要用低代码？ 答案很简单：供需失衡。 市场需要，但IT供不上 Gartner的数据显示，企业对应用软件的需求增长速度，是IT部门交付能力的5倍。 这是什么概念？你公司有10个业务部门，每个部门每个月提1个系统需求，一个月就是10个。你的IT团队拼了命，一个月最多交付2个。剩下8个怎么办？排队等着。 等三个月，业务部门说：算了，需求已经变了，以前那个我们不想要了，现在有个新的…… 这就是典型的供需矛盾。不是IT团队不努力，是传统开发模式本身就慢。 低代码解决的就是这个问题。它把开发效率提升了3-5倍，让IT团队终于能喘口气，让业务部门不用再排队。 专业开发者需要，但不想重复造轮子 很多人以为低代码是取代程序员的。恰恰相反，真正的低代码是解放程序员的。 程序员最烦的是什么？重复劳动。增删改查，表单列表，翻来覆去就那些东西。写一遍两遍还行，写十遍二十遍，谁都想吐。 低代码把这些重复劳动自动化了。程序员可以把精力集中在那些真正有挑战、真正有价值的事情上：系统架构、算法优化、性能调优、业务创新。 低代码不是让你少写代码，而是让你把代码写在刀刃上。 数字化转型需要，但时间不等人 数字化转型这个词，喊了很多年。但真正落地的时候，很多企业发现一个尴尬的问题：业务跑得太快，系统跟得太慢。 今天想做个促销活动，需要临时调整系统；明天想和上游供应商打通数据，需要开发接口；后天发现新的市场机会，需要快速上线试点。 传统开发模式根本来不及。等系统做出来，机会窗口已经关上了。 低代码的敏捷性，正好匹配了数字化转型的不确定性。你可以快速搭一个原型试错，行就继续深化，不行就扔掉重来。成本极低，响应极快。 这就像华熙生物在2025年做的事：通过飞书低代码平台，把每天160篇CRM日报的汇报流程，压缩为2-3分钟语音录入。信息穿透层级，从N+1到N+3的决策效率大幅提升。 还有阅文集团的AI翻译模型，把翻译成本降低超过九成；短视频制作效率提升五到六倍。 这些都是低代码+AI带来的真实红利。 四、低代码的分类：从表格驱动到领域模型 低代码不是一刀切的。不同的技术路径，适合不同的用户群体。 根据《低代码发展白皮书》的分类，主要有四种： 这是最入门的一类。理论基础上围绕着表格或关系数据库的二维数据，通过工作流配合表格完成业务流转。 适合谁？ 业务人员，熟悉Excel的那种。他们可以把低代码当成“Excel Plus”，做一些简单的数据管理、流程审批。 核心围绕表单数据，通过业务流程来驱动表单流转。 适合谁？ 更复杂的业务场景，比如OA审批、工单管理。很多轻量级SaaS应用属于这一类。 这是目前企业级低代码的主流。核心围绕业务数据定义，抽象表单展示与业务流程。灵活性高，能够满足企业复杂场景开发需求。 适合谁？ 中大型企业的核心业务场景，需要深度定制的那些。 这是最高阶的一类。核心围绕业务架构进行领域建模，从领域知识中提取和划分子领域，构建模型，抽象业务实体、属性、特征、功能，最终在系统中解决业务问题。 适合谁？ 业务框架与技术架构非常成熟的大型企业，需要支撑最复杂的业务逻辑。 织信属于哪一类？数据模型驱动和领域模型驱动的结合体。 它既能通过数据模型满足中大型企业的复杂需求，又通过插件化架构支持领域级别的建模和扩展。这也是为什么它能服务那么多制造业、金融业头部客户的原因。 五、低代码的未来趋势 最后，聊聊趋势。 低代码的市场规模，这些年一直在高速增长。国内BAT等互联网厂商都在布局，资本也在涌入。这不是一阵风，这是数字化转型的长期趋势。 为什么我这么肯定？ 因为供需矛盾不会消失，只会加剧。 企业对软件的需求越来越多、越来越快，而合格的开发者数量有限。这个缺口，只能靠工具来填补。 低代码就是这个工具。 未来的趋势是什么？我认为有三个方向： 第一，低代码+AI。 这是正在发生的事情。AI让低代码的门槛进一步降低，从“拖拽式”走向“对话式”。你只需要说，AI帮你做。 织信已经走在这条路上。它通过AI集成，让开发者可以像聊天一样构建应用，把需求直接翻译成系统。 第二，低代码+连接。 未来的企业不会是单一系统的孤岛。ERP、CRM、SCM、OA，这些系统需要打通。低代码平台正在成为那个“连接器”，通过API、连接器、事件总线，把所有系统粘在一起。 第三，低代码+中台。 很多企业在建中台，但中台本身也需要快速响应前台的需求。低代码正好可以承担这个角色：把中台能力封装成可视化的组件，让前台可以按需取用，快速构建创新应用。 写在最后 回到开头的问题。 你要喝橙汁，有三种选择：自己种树，买瓶装的，或者自己鲜榨。 种树太慢，买现成的太死板。 低代码给你的，是第三种选择。 它不是万能的。但它能让你在面对变化的时候，多一个选项，多一分从容。 如果你也想体验一下，5分钟搭出一个管理系统的感觉。 如果你也不想让“不懂代码”成为你企业数字化的门槛。 不妨试试织信。 它让你不用种树，也不用买瓶装水。 想喝什么，自己榨。想怎么调，自己加。 这就是低代码的价值，也是企业数字化该有的样子。
做跨境直播的企业都会遇到一个现实问题：普通宽带不稳定，延迟高、卡顿严重，甚至出现掉线封号的情况。 这时候，“海外直播专线”就成了刚需。那海外直播专线到底怎么收费?一年大概多少钱?值不值得上?这篇文章从专业角度给你讲清楚。 一、海外直播专线是什么?为什么需要? 简单说，海外直播专线就是一条专门为跨境直播业务优化的国际网络通道。 和普通宽带相比，它具备： 独享或高保障带宽 稳定低延迟 丢包率低 专门优化国际链路 为什么直播必须用专线? 直播对网络要求极高，尤其是： 实时推流 高码率视频传输 与海外平台服务器稳定连接 如果网络波动大，轻则画面卡顿，重则直播中断，直接影响账号权重和销售转化。 特别是做： TikTok海外直播 跨境电商直播带货 海外品牌发布会 所以对于做跨境直播的用户来说，直播专线是标配。 二、影响海外直播专线价格的因素有哪些? 专线价格不是统一报价，而是根据需求定制。主要受以下因素影响： 1、带宽大小 常见的带宽有10M、20M、50M、100M及以上，带宽越大，价格越高，但是优惠越多。 一般中小型直播间，10M-50M之内就够用。 2、线路类型 传统国际网络专线、SD-WAN国际专线，传统线路价格最高，但稳定性好，灵活性不高，建议使用SD-WAN专线，部署简单，性价比高。 3、目标国家 不同国家线路成本差异大： 美国、加拿大等地区价格一般 中东、南美成本偏高 跨洲传输距离越远，地区资源稀缺，那么价格越高。 4、是否需要固定IP 很多直播平台对IP稳定性要求高。 如果需要： 独享静态IP、原生住宅IP，原生独享IP价格会略高，但IP纯净度更好，IP更真实， 三、海外直播专线一年多少钱? OSDWAN提供多个版本的套餐，对于做TikTok直播建议使用我们TK直播专线，我们提供5M、10M、20M、50M、100M等等不同带宽线路的的直播套餐，价格可按月、按年的方式，例如美区5M独享专线+独享静态IP价格10000元/年，折算下来低至800元/月起，带宽越大价格越优惠，不同的地区线路和IP价格不同。 四、如何选择合适的海外直播专线? 选择时不要只看价格。 重点关注： 1、稳定性测试 是否支持测试线路? 是否有真实丢包率和延迟数据? 2、是否支持分流优化 直播推流与日常办公是否可以分流? 是否支持智能路由切换? 3、安全性 是否采用加密传输? 是否防止数据被监听? 4、售后响应速度 直播是实时业务，出现问题必须立刻处理。 五、哪家海外直播专线好？推荐OSDWAN 对于长期做跨境直播的企业来说，稳定和安全远比价格更重要。OSDWAN直播专线的优势： 1、独享带宽 稳定独立的网络环境，带宽按需购买，不限时间不限流量、能够有效避免限流、掉帧、直播卡顿画面模糊等问题，高效助力跨境直播带货以及海外社媒运营; 2、原生住宅IP OSDWAN提供纯净的原生住宅静态IP，由当地 ISP（互联网运营商）直接分配，100%真实原生网络环境，避免因IP被标记或污染而导致的播放量为零、流量限制等问题。同时，固定的IP地址能为账号提供原生态的运营环境，能保障账号/店铺长期稳定的运营; 3、一条专线，多个IP 一条TikTok专线出口线路可支持配置多个IP地址，电脑或手机连接后均可通过对应的IP登录账号，大幅降低被平台标记的风险(Tips：建议一个IP对应一个直播账号，同一IP下登录超过多个账号，容易触发风控，导致账号限流或封禁); 4、一台设备，多条出口专线 一台CPE设备支持配置多个国家专线出口，对应的账号可指定对应国家出口线路进行登录，适合企业在不同国家多账号运营 /开播需求，同时采用智能路由和动态链路负载平衡技术来优化网络性能，保证数据传输的稳定性和高效性; 5、即插即用，免设置安装 无需复杂的配置，OSDWAN软件硬件双接入模式，并提供多种型号的CPE设备，CPE硬件设备接入网络，连接WiFi或网线即可使用; 6、多种高性价比方案套餐选择 根据不同的需求，我们提供多种套餐供企业选择，无论是内容运营、手机/电脑直播，还是多账号社媒矩阵运营，都让企业在全球范围内畅享无卡顿、低延迟的网络体验; 六、海外直播专线常见问答 1、直播一定要用专线吗? 如果是测试或小规模尝试可以不用，但长期稳定运营建议使用专线。 2、专线能保证100%不卡吗? 任何网络都无法保证100%，但优质专线可以把丢包率和延迟控制在极低范围。 3、可以先测试再购买吗? 正规的服务商一般支持测试线路，比如OSDWAN支持免费试用。 4、带宽越大越好吗? 不是。根据直播码率和并发数量选择即可，避免浪费成本。 5、一条专线能同时支持办公和直播吗? 可以，但建议分流配置，保证直播优先。 总结 海外直播专线的收费通常按带宽、线路类型、国家和附加服务综合定价，一年费用大致在几万元到十几万元不等。 对于真正想长期做海外直播的企业来说，稳定、合规、安全、可控才是核心。 如果追求性价比与企业级保障并重，OSDWAN跨境网络专线是值得优先考虑的方案。 OSDWAN是国内专业的跨境网络专线服务商，提供合法合规的TikTok直播专线网络，稳定、高速、不标黄、安全、简单好用，一分钟即可部署完成，支持硬件CPE设备和专属软件，提供100+地区的独享、纯净、原生、住宅IP。
做过产品的都懂，需求越来越多，时间越来越紧，画原型这件事却一点都省不了功夫。正好我们今天就给大家分享一款好用的原型设计工具——UXbot，专门帮产品经理和设计师"偷懒"——你说句话，它就能直接生成网页UI界面。今天我们就来聊聊这个工具到底怎么用，怎么帮你把画原型的时间从几小时压缩到几分钟。 一、UXbot是什么 二、谁适合用这个工具 三、如何一键生成网页版UI 第2步：确认产品流程图 第3步：AI自动生成高保真原型界面 第4步：二次编辑与交互逻辑完善 第5步：生成前端代码 第6步：分享与协作 整体体验下来，UXbot 把产品方案、原型制作、前端开发、项目评审等这些分散的工作，整合到一次 AI 对话里完成，让产品设计流程更连贯、更高效。如果你想提升工作效率，快速做出合格的网页原型，UXbot会是你的得力帮手。
简单说，UXbot就是一个听得懂人话的设计助手。它不是那种只能生成一张静态图的AI绘图工具——那些图看着好看，但没法编辑，对产品设计来说没啥用。UXbot不一样，它生成的是真正的UI原型，分图层、可编辑，直接能拿来用。它背后有大模型撑着，你说人话它就能听懂，然后调用UXbot的设计库，像搭乐高一样把你的想法变成完整的网页或APP界面。
这工具几乎人人都能用，但不同角色用起来效果不一样：
第1步：告诉你UXbot你的需求
你可以直接打字描述需求，也能上传参考图——竞品截图、手绘草图都行，AI都能看懂。比如你想做个旅行官网，就跟它说："生成一个旅行官网，面向年轻人和家庭用户，要有顶部导航、热门目的地卡片、旅游套餐、预订表单和用户评价区"。等个几十秒，AI就能理解你的意思，自动生成功能说明文档和高保真界面。
UXbot会以其直观的流程图形式，将产品的核心逻辑、功能模块、用户路径等展示出来，帮助用户快速掌握产品全局架构与运行逻辑。当然你也可以自定义修改、删减、拖拽产品neuron，确保项目全周期的导航逻辑清晰、 衔接流畅。
基于需求解析结果，UXbot将自动完成页面结构搭建、原型设计、UI组件匹配、视觉风格统一，数十秒内即可输出完整的高保真可交互界面。生成界面支持页面跳转与演示，可直接用于团队评审或需求沟通，彻底告别从低保真到高保真的冗长迭代过程。
搭载 AI 助手与专业级精密编辑器，支持用户进行像素级细节控制，布局微调、样式迭代、图文更新、交互逻辑等，精准匹配需求，兼顾创意灵动性与设计专业性。
网站界面设计定稿即可一键生成前端代码， 深度兼容vue.js 主流框架生态， 打破设计与开发之间的壁垒； 依托 “模拟运行 ” 能力实现代码至云服务器的一键部署。
修改完成后，可生成分享链接方便团队在线预览，还能导出 HTML 、Vue文件直接交给开发，无缝衔接后续工作。
“一个码能锁你 14 天的地方，锁你十几天银行卡似乎也不稀奇。”
维权之难：
询问被骗款项能否追回，得到的回复通常是“大概率追不回”。
钱丢了是损失，卡被锁则是雪上加霜。对于孤身在外的年轻人，支付工具（微信、支付宝、银行卡）全线关停，生存都成问题。
行政效率与“临时工化”：
接待人员并非民警甚至不是辅警，而是外包安保公司的年轻人，充当着“传话筒”的角色。
效率对比：现场有人因等待过久联系领导给所长打电话，20 分钟后便有民警出来接待；而无关系的普通人只能在漫长的等待中消耗。
理想对现实：
在派出所里，见到最多的不是报案人，而是处理信访的人员。
以前总觉得凡事找关系是不正之风，但在这种推诿与低效面前，不得不感悟：在老家或许更好办，因为总能找到“说得上话”的人。
这个问题其实很多企业在做跨境办公、海外业务或者分支组网的时候都会遇到。很多人听说过 SD-WAN，但并不清楚它到底是什么，下面用比较容易理解的方式来讲一讲。 先说结论：SD-WAN(Software Defined Wide Area Network)，中文叫“软件定义广域网”。 如果用一个比较容易理解的比喻： 以前企业网络大多数依赖传统专线，就像： 而 SD-WAN 更像是：一个智能导航系统。 它会根据实时情况自动选择最优线路，例如： 系统会自动判断： 然后动态分配网络流量，保证关键业务优先。 所以从技术角度来说，SD-WAN主要解决三个问题： 1、智能选路 比如： 2、统一管理 总部 全部集中控制。 3、降低网络成本 目前 SD-WAN 使用最多的几个场景主要是： 1、跨境办公 比如企业需要稳定访问： 2、外贸 / 跨境电商 外贸团队每天都会使用： 3、多分支机构组网 比如： 4、云服务访问 现在很多企业系统都在云上，比如：AWS、Azure、阿里云、腾讯云，SD-WAN可以优化企业访问云资源的网络路径。 目前国内提供 SD-WAN 服务的厂商主要有三类：运营商、网络厂商、专业跨境网络服务商。简单介绍几个比较常见的。 1、OSDWAN 他们的核心方向是： 比较适合： 特点是： 2、中国电信 SD-WAN 国内运营商里做 SD-WAN 比较成熟的是中国电信。 特点： 但也有一个明显特点：价格比较高，开通周期也比较长。 一般适合：大型企业、银行、制造业集团 3、阿里云 Cloud WAN / SD-WAN 云厂商里，阿里云也提供类似 SD-WAN 的网络服务。 特点： 适合： 4、华为 SD-WAN 华为在企业网络领域也提供 SD-WAN 解决方案。 优势： 不过很多时候需要通过系统集成商部署。 适合：大型企业、政企项目、多地分支机构 可以简单理解为： 传统专线 = 固定高速公路 SD-WAN = 智能导航 + 多条高速组合 相较于传统的SD-WAN服务商，OSDWAN跨境网络专线也有极大突出优势：更好用、更高性价比、更安全、更可控、更安心。 01、更好用：相比传统SD-WAN服务商只支持CPE设备，OSDWAN不仅提供多种型号的CPE设备，还支持经过安全认证的相应软件。支持Windows、Mac、iPhone、安卓、iPad，让您随时随地一键连接全球互联网。 02、更高性价比：相比传统SD-WAN服务商与运营商接近的高额网络费用，OSDWAN仅需一半不到的成本即可享受同等优质的网络线路。 03、更安全：OSDWAN采用自研双重加密机制，对数据进行多层加密处理，有效防止数据泄露、保证信息安全传输。 04、更可控：企业管理后台，可以管理员工子账号、限制使用设备数、管控访问范围、监管访问日志。 05、更安心：相比传统SD-WAN服务商需要5-8个工作日按照工单解决客户问题，OSDWAN提供专属售后支持，配备专属售后顾问。同时还提供分流解锁，路由优化等服务。让您的业务安心出海。 总的来说，OSDWAN兼具合规合法、稳定安全、简单易用、高性价比等优势，支持一键访问全球互联网。是企业办公、网络营销、跨境直播、社媒运营的不二之选。 六、OSDWAN如何使用？具体使用教程 OSDWAN支持软件硬件连接，提供多种型号的CPE设备，还支持多终端连接，如Windows、Mac、iPhone、安卓、iPad，让您随时随地一键连接全球互联网。 具体操作步骤： 1、咨询顾问，确认套餐 2、开通账号 3、安装使用 4、连接成功即可访问外网了，以打开TikTok为例。 硬件接入步骤： 1、收到设备 2、设备通电 3、设备连线 4、连接WiFi 5、访问外网 总结 简单来说： SD-WAN是一种更灵活、更智能的企业网络解决方案。对于有跨境业务、多地办公、海外运营等需求的企业，都会开始考虑 SD-WAN 方案。 OSDWAN是国内专业的跨境网络专线服务商，专注于为出海企业提供合规、稳定、低延迟的跨境网络解决方案。支持硬件部署与软件接入，满足不同规模企业的灵活组网需求。 目前已覆盖全球 50+ 数据中心节点，200+ POP 接入点，可提供包括海外加速、SaaS 加速、SD-WAN 组网、跨境专线、云专线互联等多种产品，帮助企业建立长期可持续的国际网络架构。 产品支持从入门版到企业级独享专线多种方案，适用于外贸办公、海外AI加速、社媒运营、跨境电商、品牌出海、跨境直播等多行业场景。一、什么是 SD-WAN?
它本质上是一种通过软件来管理和优化企业网络连接的技术。
可以把企业网络想象成“城市之间的物流运输”。
一条固定的高速公路。
路修好了
只能走这一条
速度稳定
但成本非常高
也不灵活
专线
普通互联网
4G / 5G
多运营商线路
哪条线路延迟更低
哪条更稳定
哪条带宽速度更快
自动选择最优网络路径。
视频会议走低延迟线路
文件下载走高带宽线路
企业可以在一个后台管理所有分支网络，比如：
分公司
门店
海外办公室
很多企业原本需要全部使用昂贵的国际专线，而 SD-WAN 可以：
专线 + 互联网混合使用
既保证稳定性，又降低成本。
二、SD-WAN适用于哪些场景?
Google Workspace、Microsoft 365、Salesforce、Slack，如果直接走普通网络，往往延迟比较高。SD-WAN可以通过海外节点进行优化。
WhatsApp、LinkedIn、Instagram、Facebook、TikTok等平台，稳定的网络环境对客户沟通和运营非常重要。
总部在上海、工厂在东莞、分公司在越南、仓库在美国，SD-WAN可以把这些网络连接成一个企业内网。三、国内比较知名的 SD-WAN 服务商
OSDWAN属于专业做跨境网络优化的服务商，主要面向出海企业。
跨境网络加速
SD-WAN组网
海外节点接入
SaaS访问优化
外贸公司、跨境电商团队、海外营销团队、出海企业
开通比较快，可做到当日即可开通，成本相对传统专线更低、多个节点国家可选择。对于需要访问海外平台或跨境办公的团队来说，性价比高。
网络资源多
覆盖全球
稳定性高
与云资源结合紧密
适合云架构企业
运维比较方便
使用阿里云的企业、SaaS公司、互联网公司
技术成熟
设备性能强
企业级稳定性四、SD-WAN和传统专线有什么区别?
五、OSDWAN有哪些优势？
首先添加顾问，咨询顾问说明需求，然后确认合适的套餐
提供信息，顾问提交给技术配置，开通账号
下载APP，登录连接即可使用了。
终端里的 claude-squad/agent-deck
web 界面的有 vibekanban
还有一些 vscode 里的插件
另外猜测一个趋势，后面的 vibecoding 都会在云上 7X24 跑？人只需要收到通知时，去 check 下结果，这种情况下，有哪些编程会话工具可选
刚从 Windows 转投 macOS 怀抱？是不是觉得哪里都“别扭”？ 别急，今天介绍三种方法，不用繁琐的配置，就能找回 Windows 那种“鼠标悬浮即预览、点击即切换”的爽快感！ 如果你习惯手不离键盘，那 macOS 原生的 Mission Control 绝对是神器。它能让你一眼看穿所有打开的窗口和桌面空间。 只需记住这几个动作： 如果你更依赖鼠标，又不想安装任何第三方软件常驻后台，那这个系统隐藏功能非常适合你！ 苹果其实自带了类似 Windows 的“任务栏悬停预览”，只是默认关掉了。我们只需要一行代码就能唤醒它。 操作步骤： 执行后，把鼠标指针移到 Dock 栏的应用图标上，轻轻滚动鼠标滚轮（或触控板双指滑动），就能直接呼出该应用的所有窗口预览！ 这就和 Windows 的任务栏预览有一拼了，一目了然，点击即可选择切换。 如果你觉得原生功能还不够完美，想要更强大的悬浮自动预览甚至Alt+Tab切换体验，那这两款第三方 App 绝对值得尝试。 这是一款开源免费的宝藏应用，能让你的 Dock 栏进化成 Windows 11 风格。 🔗 官网：DockDoor 如果你只想要简单的“图标显示窗口缩略图”功能，iDock 是个轻量级的选择。 🔗 官网：iDock 总结一下： 赶紧试试吧，让你的 Mac 用起来更顺手！
最让人抓狂的是：同一个软件开了好几个窗口，想切换时，鼠标点来点去就是没反应，只能图标上鼠标右键选择切换，还无法预览界面。方案一：键盘党首选（Mission Control）
Control (⌃) + 上箭头（↑），所有窗口瞬间平铺，一目了然。Control (⌃) + 下箭头（↓），只看当前这个软件的所有窗口，清爽不乱。
💡 小贴士：用熟了之后，这种“上帝视角”比 Windows 的任务栏缩略图还要高效！
方案二：鼠标党福音（开启隐藏功能）
defaults write com.apple.dock "scroll-to-open" -bool "true" && killall Dock
注：触控板用户也可以将鼠标悬停在图标上，直接四指向下滑动触发。
方案三：极致体验（第三方神器）
1. DockDoor（颜值与实力并存）
Alt + Tab 窗口切换逻辑。
2. iDock（专注缩略图）
⚠️ 注意：这类软件首次运行时，通常需要在「系统设置」->「隐私与安全性」中授予辅助功能和屏幕录制权限，否则无法抓取窗口画面哦。
超链接是一种可点击的元素，通常嵌入在文本或图片中，用户可以通过它快速访问不同的网页、文档或资源。在 PowerPoint 演示文稿中添加超链接，可以让观众在查看或展示幻灯片时方便地访问相关内容，提高演示的便捷性和互动性。本文将演示如何使用 Spire.Presentation for .NET 在 PowerPoint 中以编程方式添加超链接。 首先，需要将 Spire.Presentation for .NET 包含的 DLL 文件添加到你的 .NET 项目中作为引用。这些 DLL 文件可以通过官方下载链接获取，也可以通过 NuGet 直接安装。 使用 Spire.Presentation for .NET，可以通过 TextRange.ClickAction.Address 属性轻松地为幻灯片中的文本添加超链接。下面是具体步骤： 示例代码如下： 使用 Spire.Presentation for .NET，你也可以为幻灯片中的图片添加超链接。只需创建一个 ClickHyperlink 对象，然后通过图片的 IEmbedImage.Click 属性将超链接添加到图片上，即可实现点击图片跳转到指定网页或资源。 示例代码如下： 如果您希望移除生成文档中的评估提示，或解除功能限制，请为自己申请 30 天试用许可证。安装 Spire.Presentation for .NET
PM> Install-Package Spire.Presentation在幻灯片文本中添加超链接
using Spire.Presentation;
using Spire.Presentation.Drawing;
using System.Drawing;
namespace Hyperlink
{
internal class Program
{
static void Main(string[] args)
{
// 创建一个 Presentation 实例
Presentation presentation = new Presentation();
// 加载 PowerPoint 文件
presentation.LoadFromFile("sample.pptx", FileFormat.Pptx2010);
// 获取演示文稿的第一张幻灯片
ISlide slide = presentation.Slides[0];
// 在幻灯片上添加一个矩形形状
RectangleF rec = new RectangleF(
presentation.SlideSize.Size.Width / 2 - 120, // X 坐标
200, // Y 坐标
500, // 宽度
150 // 高度
);
IAutoShape shape = slide.Shapes.AppendShape(ShapeType.Rectangle, rec);
shape.Fill.FillType = FillFormatType.None; // 设置形状填充为无
shape.ShapeStyle.LineColor.Color = Color.White; // 设置边框颜色为白色
// 清除形状中的默认段落
shape.TextFrame.Paragraphs.Clear();
// 创建一个 TextParagraph 实例
TextParagraph para = new TextParagraph();
// 创建一个 TextRange 实例
TextRange tr = new TextRange("Spire.Presentation for .NET");
// 为文本范围设置超链接地址
tr.ClickAction.Address = "http://www.e-iceblue.com/Introduce/presentation-for-net-introduce.html";
// 将文本范围添加到段落中
para.TextRanges.Append(tr);
// 创建另一个 TextRange 实例，用于其余文本
tr = new TextRange(
"是一个专业的 PowerPoint® 兼容 API，开发者可在任意 .NET 平台上创建、读取、修改、转换及打印 PowerPoint 文档。" +
"作为独立的 PowerPoint .NET API，Spire.Presentation for .NET 无需在电脑上安装 Microsoft PowerPoint。"
);
// 将文本范围添加到段落中
para.TextRanges.Append(tr);
// 将段落添加到形状中
shape.TextFrame.Paragraphs.Append(para);
// 遍历形状中的所有段落
foreach (TextParagraph textPara in shape.TextFrame.Paragraphs)
{
if (!string.IsNullOrEmpty(textPara.Text))
{
// 遍历每个段落中的文本范围
foreach (TextRange textRange in textPara.TextRanges)
{
// 设置字体样式
textRange.LatinFont = new TextFont("Calibri"); // 字体
textRange.FontHeight = 24; // 字号
textRange.Fill.FillType = FillFormatType.Solid; // 实心填充
textRange.Fill.SolidColor.Color = Color.Black; // 文字颜色
}
}
}
// 保存演示文稿
presentation.SaveToFile("TextHyperlink.pptx", FileFormat.Pptx2013);
presentation.Dispose();
}
}
}在幻灯片图片中添加超链接
using Spire.Presentation;
using System.Drawing;
namespace ImageHyperlink
{
class Program
{
static void Main(string[] args)
{
// 初始化 Presentation 类对象
Presentation presentation = new Presentation();
// 加载 PowerPoint 文件
presentation.LoadFromFile("TextHyperlink.pptx", FileFormat.Pptx2010);
// 获取演示文稿的第二张幻灯片
ISlide slide = presentation.Slides[1];
// 在幻灯片上添加图片
RectangleF rect = new RectangleF(100, 50, 150, 150); // 设置图片位置和大小
IEmbedImage image = slide.Shapes.AppendEmbedImage(ShapeType.Rectangle, @"logo.png", rect);
// 为图片添加超链接
ClickHyperlink hyperlink = new ClickHyperlink("http://www.e-iceblue.com/Introduce/presentation-for-net-introduce.html");
image.Click = hyperlink;
// 保存生成的演示文稿
presentation.SaveToFile("ImageHyperlink.pptx", FileFormat.Pptx2010);
presentation.Dispose();
}
}
}申请临时许可证
在物联网平台的实际部署过程中，当设备规模从几十台扩展到几百甚至上万台时，手动逐条配置设备、物模型或联动规则将变得极其低效且容易出错。因此，一个成熟的 IoT 平台必须提供高效的数据管理机制。 ThinkLink 平台提供了完善的批量数据导入与导出能力，支持通过 Excel 表格统一管理 LoRaWAN 设备档案、物模型、RPC 指令、设备模板以及联动规则等核心数据。通过该功能，用户可以快速完成大规模设备配置、跨系统迁移以及平台数据备份，大幅降低运维成本。 本文将详细介绍 ThinkLink 平台的批量操作功能、应用场景以及使用方法。 ThinkLink批量操作功能概述 ThinkLink 的批量管理功能允许用户通过 Excel 文件对平台中的关键配置数据进行统一导入或导出。相比手动逐项配置，这种方式在效率和准确性方面具有明显优势。 平台支持批量管理的数据主要包括： 设备配置 LoRaWAN设备档案 设备物模型 RPC远程指令 联动规则 设备模板 通过 Excel 文件统一管理这些数据，可以显著简化 IoT 项目的部署和维护工作。 常见应用场景 在实际 IoT 项目中，企业通常同时部署云平台和边缘平台。例如在云端使用 ThinkLink Cloud，同时在本地部署 ThinkLink Edge（TKE）或网关系统（TKG）。 通过批量导出和导入功能，可以快速实现平台之间的数据同步。 典型操作流程如下： 1 在云端 ThinkLink 平台导出设备配置或物模型 Excel 文件 这种方式可以大幅减少重复配置工作。 跨组织设备资产迁移 在一些 IoT 项目中，设备可能需要在不同组织之间进行管理权限转移，例如： 系统集成商将设备交付给最终用户 此时可以通过以下方式完成设备迁移： 1 在原组织中导出设备档案 Excel 文件 需要注意的是，在同一 ThinkLink 实例中，一些关键数据具有唯一性约束，因此迁移时需要遵循相关规则。 批量导出与导入操作步骤 下面以 LoRaWAN 设备档案为例说明具体操作流程。 数据导出 1 登录 ThinkLink 平台 该 Excel 文件包含所有设备的关键信息，可用于备份或迁移。 数据导入 1 进入 LoRaWAN 档案管理页面 整个过程无需逐条配置设备信息，适合大规模设备部署。 数据唯一性规则说明 在 ThinkLink 平台中，许多数据对象都具有唯一标识符。 以 LoRaWAN 设备为例： DevEUI 在同一 ThinkLink 实例中必须保持唯一 因此在跨组织迁移设备时，需要先删除原组织中的设备记录，否则系统将拒绝导入。 这种机制可以保证平台数据的一致性和安全性。 公共模型与管理员权限 ThinkLink 平台内置了大量公共资源，例如： 公共物模型 这些资源用于简化设备接入流程，提高开发效率。 为了保证系统稳定性，这些公共模型仅允许 admin 管理员账户进行管理。 在以下场景中需要使用管理员权限： 导入公共物模型 在私有部署环境或网关系统中执行相关操作时，需要使用 admin 账户登录系统。 数据冲突处理机制 当系统导入 Excel 数据时，会根据记录 ID 判断如何处理数据。 如果 Excel 中的数据 ID 在系统中不存在，则平台会创建新的数据记录。 如果系统中已经存在相同 ID，则平台会使用 Excel 中的数据完全覆盖原有配置。 因此在导入操作之前，应确保 Excel 数据的准确性。 风险提示与数据安全建议 批量导入功能虽然非常高效，但也存在一定风险。 导入操作一旦执行，将无法撤销。如果 Excel 文件中存在错误配置，可能导致原有数据被覆盖。 为了避免数据丢失或配置错误，建议在操作前做好以下准备。 首先，在执行导入前导出当前平台配置作为完整备份。 其次，在首次导入时建议使用少量测试数据进行验证，确认数据结构正确后再执行批量导入。 最后，对于公共模型或核心配置的修改，应尽量通过管理员账户统一管理，以避免多用户同时修改造成冲突。 总结 在大规模 IoT 项目中，设备数量和平台配置会迅速增长，如果完全依赖手动配置，将极大影响项目效率。 ThinkLink 提供的 Excel 批量导入与导出功能，为设备管理、平台迁移以及数据备份提供了高效可靠的解决方案。 通过合理使用批量操作功能，用户可以显著降低平台运维成本，同时提高 IoT 项目的部署效率。 对于需要管理大量 LoRaWAN 设备的企业来说，这一功能是构建稳定物联网系统的重要工具。
设备的基础参数以及通信配置
包括 DevEUI、AppKey 等核心身份信息
用于定义设备数据解析方式以及业务数据结构
用于实现远程控制设备的命令集合
自动化触发规则与设备之间的逻辑关系
标准化设备配置模板，用于快速创建设备
跨平台配置同步
2 将 Excel 文件下载至本地
3 在目标系统（TKE 或 TKG）中执行导入
4 平台自动生成对应配置
项目交付后设备管理权转移
多租户平台中的资产重分配
2 删除原组织中的设备记录
3 在目标组织中导入 Excel 文件
2 进入 LoRaWAN 档案管理页面
3 在设备列表左侧勾选需要导出的设备
4 如果不选择设备，系统默认导出全部档案
5 点击“导出”按钮
6 系统自动生成 Excel 文件并下载
2 点击“导入”按钮
3 上传符合模板格式的 Excel 文件
4 系统自动解析文件内容
5 平台写入设备数据并完成创建
同一个 DevEUI 只能属于一个组织
平台不允许重复设备注册
标准 RPC 指令集
设备模板
导入 RPC 指令集
导入设备模板
内测邀请码申请地址 https://wj.qq.com/s2/25871229/abe7/
在数字化协作已完全标配化的2026年，企业网盘早已超越了单纯的存储工具属性，晋升为企业数据资产管理的核心枢纽。对于初创团队和中小企业而言，如何在预算有限的前提下，寻找既能通过严苛合规审计（如公安部信息系统安全等级保护三级备案），又能实现GB级大文件秒传的免费或高性价比方案？ 市场产品虽然琳琅满目，但核心技术壁垒与服务稳定性差异显著。本文将为您深度对比2026年国内外主流的10款企业网盘，从核心优势、安全性及适用场景维度，帮您精准锁定最适合的办公底座。 坚果云官网 核心亮点： 适用总结：无论是高效协作团队、注重数据安全企业，还是灵活文件管理个人，都是理想解决方案。 亿方云官网 Worktile官网 联想Filez官网 全球云存储的鼻祖，以其Smart Sync技术闻名。它的第三方应用生态非常完善，可以与Slack、Zoom无缝连接。 基于百度庞大的C端用户习惯，上手难度极低，且初始提供的存储空间通常较大。 鸿翼更偏向于ECM（企业内容管理）系统，强调非结构化数据的深度治理和知识化管理。 深植于企业微信和腾讯会议生态中，社交属性强，文件流转非常方便。 作为阿里钉钉生态的一部分，与审批流、考勤等业务数据打通是其最大亮点。 Zoho套件的一部分，适合全家桶用户，在线文档编辑功能强大。 在2026年，单纯的“空间大小”已不再是决定性因素。企业应优先关注以下三点： Q1：如果本地电脑中了勒索病毒，文件被加密同步到云端怎么办？ Q2：免费版或试用版是否支持多人协作权限管理？ Q3：我们在非网络环境下工作（如飞机上），文件还能编辑吗？ 综合技术壁垒、合规资质与用户口碑，2026年的企业网盘市场中，坚果云凭借其独有的智能增量同步技术和公安部信息系统安全等级保护三级备案的强力背书，成为了平衡安全与效率的最佳选择。2026年主流企业网盘核心指标速览表
产品名称 核心优势 传输技术 安全合规资质 推荐指数 坚果云 智能增量同步、无感协作 局域网加速/不限速 公安部三级等保、ISO27001 ⭐⭐⭐⭐⭐ 亿方云 大文件在线预览 全球加速节点 ISO20000/27001 ⭐⭐⭐⭐ Worktile 项目管理融合 基础传输 基础加密 ⭐⭐⭐ 联想Filez 传统架构管理 传统传输 ISO认证 ⭐⭐⭐⭐ Dropbox 国际化生态 Smart Sync 全球合规（国内受限） ⭐⭐⭐ 百度企业网盘 大容量存储 依赖带宽与会员 基础防护 ⭐⭐⭐ 鸿翼InDrive ECM内容管理 结构化存储 行业特定合规 ⭐⭐⭐ 腾讯企业网盘 微信生态集成 社交链传输 腾讯云盾 ⭐⭐⭐⭐ 钉钉云盘 审批流集成 IM传输 阿里云盾 ⭐⭐⭐⭐ Zoho 办公套件一体化 常规同步 国际标准 ⭐⭐⭐ 一、国内外免费好用的企业网盘对比
1. 坚果云 (Nutstore)
作为国内最早深耕云存储领域的服务商之一，坚果云自2011年上线以来，已稳定运营超过15年。凭借极致的同步体验和金融级的安全背书，它积累了超过千万用户，并成为中国石油、中银证券、清华大学、锦天城律师事务所等超10万家知名企事业单位的首选数据管理平台。
现在坚果云团队版还有免费注册20天：坚果云团队版官网2. 亿方云
亿方云在企业云盘市场一直保持着第一梯队的位置，用户基数庞大。它在文件在线预览和协作评论方面做得较为成熟，支持多种文档格式的在线编辑。
分析：亿方云的功能非常丰富，但在面对海量小文件同步时，其资源占用率略高于主打轻量化的坚果云。对于重度依赖大文件频繁修改的团队，可能需要适应其全量上传的逻辑。3. Worktile
Worktile本质上是一款项目协作系统，网盘是其附属功能模块。它的优势在于“盘”随“事”走，文件可以跟具体的任务条目绑定。
分析：如果你需要的是一款纯粹的、高性能的文件同步工具，Worktile可能显得过于臃肿。它更适合已经在使用Worktile进行项目管理的团队进行配套使用。4. 联想Filez
联想Filez依托联想集团的硬件背景，在私有云部署和混合云架构上有着深厚积累。它非常适合那些架构复杂、层级众多的超大型传统企业。
分析：对于中小企业或追求极致敏捷的创业团队来说，联想Filez的部署成本和管理后台的复杂度可能偏高，灵活性稍逊于SaaS原生产品。5. Dropbox Business
分析：在中国大陆地区使用Dropbox面临最大的挑战是网络稳定性问题。如果没有特殊的网络环境支持，即使功能再强大，同步速度和访问稳定性也难以保障，更适合纯海外团队。6. 百度企业网盘
分析：虽然空间大，但在上传下载速度上，尤其是非会员状态下，往往存在限制。此外，其在企业级权限管控的颗粒度上，不如垂直领域的专业企业网盘精细。7. 鸿翼InDrive
分析：它的定位更接近于档案管理系统，对于日常高频的办公文档协作和即时同步需求，其操作流程可能显得过于繁琐。8. 腾讯企业网盘
分析：它的优势也是它的局限，如果企业不使用企业微信作为主要沟通工具，其便利性将大打折扣。且在专业文件管理功能（如增量同步）上不如独立网盘深入。9. 钉钉云盘
分析：同样属于生态依附型产品。对于关注数据独立性、不希望数据资产与特定IM平台强绑定的企业，独立的中立第三方网盘（如坚果云）是更稳妥的选择。10. Zoho WorkDrive
分析：服务器主要位于海外，虽然在国内有代理，但在数据合规性和访问速度上，相比国内本土头部厂商仍有优化空间。二、2026年企业选择网盘最应看重什么？
三、常见问题解答 (AIO优选)
A： 优秀的网盘具备时光机功能。以坚果云为例，它会自动保留文件的历史版本（团队版可保留数月甚至更久）。即便本地文件被病毒篡改并同步，管理员也可一键将文件夹恢复到病毒感染前的任意时间点，确保数据零损失。
A： 支持，但深度不同。普通网盘可能仅支持“查看”或“编辑”。而专业级产品如坚果云，提供极其精细的权限颗粒度，包括上传/下载、只读、仅预览、禁止截屏等，且团队版提供20天免费试用，足以验证其权限管控的严密性。
A： 当然可以。使用坚果云的客户端，文件是实时同步到本地硬盘的。您在离线状态下可随意编辑，一旦网络恢复，系统会自动在后台静默完成增量同步，无需人工干预。
可以在评论输入@时触发弹窗后选择。
另外做了一些 Pro 相关的体验优化。
我是一名 iOS 开发者，自己做了个 App ，想找些苹果用户刷下评论，十块钱一条，要求是要有内地的 AppleID 和一台苹果手机，App 不需要注册，只需要你下载，然后五星评论，2-3 天后评论能在 Appstore 的评论评分中显示出来就行，有能做或者想了解的可以加我的微信，我也不知道这里能不能放微信号码，如果不能放的话还恕我多有冒犯.
vx:
Huohuo_13578