在看过英伟达CEO黄仁勋2026年GTC的主题演讲之后，如果把具体的产品参数暂时搁在一边就会发现，他反反复复在强调一个核心脉络：AI正在从“模型时代”，快速跨入“系统时代”。

模型的能力当然还在持续提升，但行业真正的重心已经悄然转移——AI不再满足于“会说话”，而是开始“会做事”，进而一步步走入真实的物理世界。

计算本身的形态也随之发生了根本性的变化：计算从训练阶段大幅溢出到推理阶段，从单次调用演进为多轮调度，从云端延伸至本地，再进一步渗透到物理世界的每一个角落。

AI，正在从一个“回答问题的工具”，转变为一个“持续运行的系统”。

这是一条再清晰不过的产业路线。

大模型的进化史：一部Token消耗指数级增长史

如果试着把过去三年压缩成一条演进线，大致会呈现出下面这样的图谱。

第一阶段：以ChatGPT为标志 Transformer架构与大规模预训练的成熟，让语言生成终于变得稳定可用。模型能够直接完成表达与归纳，AI第一次真正像人类一样“开口说话”，完成了一次表达能力的巨大跃迁。

第二阶段：DeepSeek R1为代表的变革 这一阶段不单单是推理能力的增强，更叠加了开源模型的大爆发。借助强化学习和推理链，模型开始主动生成中间步骤再推导出结论，计算的重心被显著拉向推理阶段，处理路径大幅延长，Token的消耗也因此急剧攀升。与此同时，开源模型的快速迭代，将强大的推理能力下沉到更广泛的开发者与企业环境里，不仅加速了技术的扩散，也让“可控、可部署”的AI真正变成现实。

第三阶段：Manus、Genspark、Lovable——Agent雏形初现 模型被嵌入到更复杂的系统当中，依靠工具调用、任务拆解以及多轮执行，完成过去难以单次达成的复杂目标。此时，一次用户请求不再仅仅对应一次推理，而是一整串调度链条，计算开始在多个模块之间持续流动。

第四阶段：Claude Code——本地执行能力走向成熟 模型开始直接进入真实的运行环境，可以操作代码、文件以及系统接口。上下文的边界从一段提示词扩展为完整的执行环境，推理结果则能够立即转化为可落地的实际操作，生成能力与执行能力前所未有地融合在一起。

第五阶段：OpenClaw——执行能力的系统化 Agent、本地执行能力和工具生态被进一步整合成持续运行的有机系统，能够支撑长任务、多阶段反馈。计算不再被“请求”所触发，而是以“进程”的形式长期存在，具备连续性与状态保持能力。

这条演进主线有一个贯穿始终的共同特征：每向前迈出一步，Token的消耗就上一个新的台阶。

AI产业的竞争重心，正从单一的“模型竞赛”，悄然转变为全方位的“Token经济”。

• 推理模型让每一个简单问题都消耗更多的Token；
• Agent系统会持续、不间断地调用模型，Token已经变成某种“流量”；
• 长任务、多步骤交互，使得Token像电力一样形成持续计费的模式。

Token的使用量正在快速攀升，而与此同时，Token的单位成本却在持续走低。每百万Token的价格会越来越便宜，这几乎没有什么悬念。

真正关键的是两条曲线之间的速度差：

我们认为，Token成本下降的速度，很可能赶不上需求膨胀的速度。因此，即便每个Token变得更便宜，每个人消耗掉的Token数量却只会更多。两者叠加的结果是，总体支出非但没有下降，反而在节节攀升。

这正是Token越来越像一种基础资源的根本原因——单位价格长期下降，而总消耗量却屡创新高。

Agentic AI：一场系统级软件革命的开幕

以OpenClaw为代表的Agentic AI之所以会骤然爆火，关键就在于它恰好踩在了软件进化的一条关键拐点上。

传统的软件交互模式是人点击按钮 → 软件执行固定逻辑 → 返回既定结果。

而现在的模式正在被彻底重塑：人只需要下达一条自然语言指令 → Agent自动拆解任务 → 协同调用多个模型、工具和数据源 → 最终交付完整成果。

两者之间最本质的差别在于，软件从一个固化的功能集合，升级为能够自主完成任务的执行者。

正如黄仁勋在演讲中所描绘的，Agent有能力查阅资料、编写代码、制定规划、运行模拟、调用外部API，并且天然具备将复杂问题拆分为多个有序步骤的能力。

它早已超越单一模型的范畴，进化为一个包罗万象的综合系统，涵盖：

• 多模型（语言、视觉、语音）
• 多工具（搜索、数据库、软件接口）
• 多环境（本地、云、多云架构）
• 持续上下文（长期记忆）

这在实质上是在一步步改写整个软件生态的底层逻辑。过去，编写代码的核心是定义逻辑；而今天，构建系统的核心是编排能力。

因此，你会清晰地看到：

• OpenAI：持续深耕工具调用（function calling），最新的GPT-5.4已经原生支持「computer use」，能直接查看屏幕、操控鼠标和键盘。
• Anthropic：重点强化Agent的长周期循环，安全运行数天之久，同时推出Claude Computer Use以及多代理协作能力。
• 开源社区：OpenClaw彻底爆发，短短两个月GitHub星标就飙升至25万以上，成为目前最实用的自托管Agent框架。

而NVIDIA给自己的定位，并不是再做一款Agent产品，而是干脆成为Agent的基础设施层（NeMo、Blueprint、推理系统等）。

物理AI：AI开始理解真实世界的法则

如果说Agent的主战场还局限在“数字世界”之内，那么物理AI则标志着人工智能第一次大规模地进军真实世界。

两者的难度完全不在同一个量级上。语言模型只需要解析语义的对错，而物理AI必须真正洞悉现实世界的物理法则：物体遵守质量守恒、受力会产生反馈、动作天然附带延迟、世界呈现连续不断的状态变化。

换个说法：语言模型解决的是逻辑上的“对不对”，物理AI则必须直面现实中的“能不能做到”。

很多人用过 Claude Code，也听过“Agent”“Tool Use”“Subagent”这些词，但如果被问到“Claude Code 底层到底怎么运转的”，大概率会沉默。

市面上能把 AI 编程 Agent 的架构从头到尾拆明白的教程，说实话几乎找不到。要么太学术，满篇论文术语；要么太浅，讲完“调用 API”就收工了。

有一个开源项目Learn Claude Code（GitHub 56.5K+ Star），干的事很简单：从 84 行核心循环开始，每一步只加一个机制，最终搭出一个完整的多 Agent 系统：工具调用、规划、子代理、记忆、任务调度、多 Agent 协作……

这个项目也有很多人推荐了，最近作者对整体教程做了大幅升级，这篇文章会把其中的关键设计抽丝剥茧，一步步讲透。

一共19 课，4 个阶段，代码透明，改动可追溯。

本文接近 8500 字，建议收藏，通过本文你将搞懂：

1. Agent 的核心循环到底长什么样：一个 while 循环怎么撑起整个系统
2. 从单 Agent 到多 Agent 需要解决哪些问题：上下文爆炸、任务编排、并发冲突，一个不落
3. 每个机制的底层设计逻辑：每个机制都解决了一个真实痛点，没有多余的设计

一个核心认知：Model 是司机，Harness 是车

在聊代码之前，先搞清楚一件事。

智能来自模型训练，不是来自你写的代码。 这句话是 Learn Claude Code 整个项目的哲学基础。

打个比方：大模型是司机，你写的 Agent 框架是车。司机的驾驶技术是车企（Anthropic、OpenAI 们）通过海量训练数据练出来的，你没法替司机踩油门。但你能造一辆好车——给司机配上方向盘、仪表盘、刹车和安全带。

这辆车的名字就是前段时间刷爆技术圈的：Harness。

Harness 包含什么？工具（让 Agent 能读写文件、跑命令）、知识（按需加载的领域文档）、上下文管理（防止对话过长导致失忆）、权限控制（防止 Agent 瞎删东西）。模型负责思考和决策，Harness 负责提供手脚和边界。

本文大纲：

PART 1 范式迁移：从“过程驱动”走向“结果驱动”

PART 2 人格与协作风格：赋予AI“生命感”

PART 3 一句话化解“为何没有反应”的体验痛点

PART 4 停止规则：让模型知道“何时可以结束”

PART 5 检索预算：避免模型陷入无限检索循环

PART 6 输出格式的精细控制

PART 7 结果验证：让模型主动自检

PART 8 模板总结与实战示例

全文约3800字，预计阅读时间9-10分钟。

近期研读了OpenAI为GPT-5.5发布的官方提示词指导文档，深受震动。一个明显的信号是：若想真正激活模型的创造力，过去那种事无巨细、步骤严密的提示词，极可能让模型变得迟钝、僵化。

过去两年间，无数实践者构建了大量“提示词宝典”：详尽的分步指令、层层嵌套的逻辑约束、满屏的ALWAYS和NEVER标记。在模型早期推理能力尚显稚嫩时，这确实是必需的——我们需要像带实习生一样，将每一步都拆解得清清楚楚，牵着它走。但大语言模型的推理效率已然发生质的飞跃，它们现在能够自主规划执行路径、灵活调用工具、综合多源信息并做出判断。曾经那些精雕细琢的“过程控制”指令，此刻却成了有效信号中的“噪音”，挤压了模型的自主决策空间，最终让它产出的答案变得机器化、缺乏灵气。

要让新一代模型发挥最佳效能，核心已不再是“工序式指令”，而是“目标定义”。如果把旧提示词比作给新手列出的详细操作清单，那么新范式更像是给一个经验丰富的协作者阐明使命与边界：你只需告诉它想要什么成果、成功的标准是什么，然后放手让它发挥。

具体到写法上，有几点实用调整值得关注：

• 收起步骤式指令，转化为目标+评价标准。
• 将强制流程替换为约束条件和优先级。
• 把“必须按A/B/C顺序执行”变为“结果需覆盖A/B/C，并请解释选择的逻辑”。

这样一来，模型便拥有了选择路径的自由度，而不必被锁死在人为预设的线性流程中。

另一个同等重要的变化是“容许不确定性”。传统提示词习惯于把所有边界都收紧，新方法反其道而行：只清晰划定绝不可逾越的界限，其余交由模型自主判断。

以“自我驱动”的方式与最新大模型对话，正是其提示词哲学的根本法则。

01 范式迁移：从“过程驱动”走向“结果驱动”

旧时代的提示词常常长成这样：

场景：保险理赔资格审核智能体，需结合政策文件与账户数据进行判定

提示词：（过度控制流程）

先读取用户保单文件，再读取账户数据，接着逐字段比对，

然后列出所有可能的例外情形，再得出资格结论，最后返回结果。

模型能力大幅提升后，更好的写法是定义结果和标准：

解决用户的问题，端到端处理好后再回复。

完成标准：

• 资格判断须基于现有政策和账户数据得出

• 所有允许的操作须在最终回复前执行完毕

• 最终答复必须包含：completed_actions、customer_message、blockers

• 若证据不足，只询问最小必要字段

两者的根本差别不在于字数，而在于“控制方式”。前者试图约束执行路径，后者仅定义终点与边界，把路径选择权完全交给模型。

一个有效的结果导向型提示词，通常包含三个核心要素：

• 目标（outcome）
• 成功标准（success criteria）
• 约束边界（constraints）

02 人格与协作风格：赋予AI“生命感”

许多使用者习惯用硬性规则来管控模型的“说话方式”，比如“避免术语”“保持简洁”等。这类规则在边缘场景下往往容易失效，且让模型语气变得拧巴。曾被社区调侃的“人格”设定，又在新模型中强势回归。实践证明，通过定义人格（Persona）和协作风格（Collaboration Style），输出效果要好得多。二者的区别可简单理解为：

• 人格：听起来像什么样的人（语气、温度、表达方式）
• 协作方式：如何推进任务（何时提问、何时直接执行、如何处理不确定性）

1. 稳健任务型助手的人格范例

适用场景：内部工具助手、代码助手、企业知识库问答——用户目标明确，希望助手直接解决问题，无需多余寒暄

人格

你是一名务实的协作者：友善、稳定且直接。

五一假期刚过，我们不聊教程，来谈一个备受瞩目的消息——豆包，可能马上要收费了。

打开苹果 App Store 的豆包下载页

可以看到详情里已经新增了订阅服务。

同时我也刷到不少相关的讨论帖，评论区很有意思。
有人说，是不是以后所有 AI 都得收费了？也有人觉得，反正自己用得也不多，无所谓。

但我今天想探讨的核心问题是：这笔钱，花得到底值不值？

收费背后的逻辑

在算这笔账之前，有一个更底层的问题绕不开：它为什么要收费？

很多人第一反应是，平台要开始赚钱了。可如果你对大模型的运行方式稍有了解，就会发现情况远不止这么简单。

每一次你发送消息，背后都会跑起一整套推理流程：模型在运算，GPU 在运转，电力在持续消耗。

我此前查看过一些行业数据，也咨询过做 AI 基础设施的朋友，这类服务的成本确实不低，而且会随着调用量持续攀升。

用户规模越大，成本就越高。

因此，免费更像是一种阶段性策略，用来拉新、培养用户习惯；一旦用户体量成型，收费几乎是早晚的事。

理解这一层之后，再回头看，你会发现关注点已经变了：不再是“它为什么收费”，而是“这件事对你来说意味着什么”。

两类截然不同的使用者

慢慢地你会发现，人其实可以被分成两种类型。

1. 轻度使用：顺手型

一类人，用 AI 就是偶尔顺手查个东西。比如提个问题、写几句文案、偶尔生成张图片。这种用法跟传统搜索差别不大，只是更便捷一些。需求不高，频率也不高。想一想，这种情况下需要专门花钱吗？大多数时候确实没必要。

2. 重度工作：依赖型

还有一类人，用法完全不一样。他们每天都会打开 AI，不是消遣，而是在工作：写方案、做分析、整理资料、批量产出内容。对他们来说，AI 更像是长期协作的工具，甚至是一台“效率放大器”——你投入一小时，它可能帮你省下三小时。这种感觉，时间越长越明显。

也正因如此，他们对稳定性、响应速度以及能力上限格外看重。

至此，答案已经慢慢浮现——你是偶尔用用，还是每天离不开？

很多人会说，那我就看价格便不便宜。这确实是个参考角度，但并不关键。

现在主流 AI 工具的月订阅费，几十到上百元不等，实际差距没有想象中那么大。豆包的定价看似略低，这没错，可便宜并不代表它一定适合你。

如果你的工作主要围绕中文内容和日常办公，本土模型在体感上确实更顺手，这一点不少人都有体会。

但如果你需要查阅英文资料、编写代码或者进行复杂分析，使用体验可能就会有差异。

也就是说，你买的不是“AI”，而是“某种能力组合”。自然要看你最常用的是哪一类能力。

常见的陷阱与真正的差距

聊到这里，有一个很常见的坑，我自己也曾踩过。

不少人最初觉得，多用几个工具总能在能力上更强，于是开始逐个订阅。结果一个月过去，钱花了不少，产出却没有明显变化。

回头审视才发现，问题很简单：工具变多了，但使用方式并没有改变，仍然是随意提问、碎片化使用。

这种情况下，多一个工具，不过是多一个浏览器标签页罢了。

再看另一类人，就很有意思了。他们可能只用一款工具，甚至是免费版，却会反复打磨提示词，把流程拆解得清清楚楚。

比如写内容时，先让 AI 生成框架，再逐步细化修改；做分析时，使用固定的提问模板，让输出结果更稳定。

久而久之，效率差距便会逐渐拉开。你会发现，他们并非工具更好，而是用法更深。

因此，一个核心问题变得很清晰：你欠缺的究竟是工具，还是使用工具的能力？

这个问题如果不想透，很容易一直花冤枉钱。

豆包收费，其实是一种提醒

再回头看豆包收费这件事，其实就不复杂了。它更像一个信号，提醒你：你究竟是在“用 AI”，还是仅仅“装了一个 AI”？

如果你现在还不确定自己的答案，不妨换个更简单的判断方式：

你每天用 AI 的时间，有没有超过一小时？
你有哪项工作，是离开 AI 就会明显变慢的？

如果都没有，说明你仍处于轻度使用阶段，继续用免费版完全没问题。

工作流、技能包（Skill）和智能体（Agent）三者究竟有什么区别？普通用户又该如何选择使用？近来很多人一谈到AI，就会下意识地默认Agent是万能解法，好像只要把任务丢给它，一切就能自动完成。然而一旦进入真实的工作场景，你很快就会发现，实际情况要复杂得多。

面对同一件事，有人会先把流程拆得很细，能自动化的部分尽量自动化；而另一些人却更愿意先让Agent全盘跑起来，边跑边把那些不够稳定的环节逐步收束。这两种思路，我认为都对，只是走的路径不同。一种是加法：一层层增加AI的参与度和自主性。另一种是减法：先让Agent放手去做，再把能够固化的部分慢慢剥离出来。本文就打算把这两种路径讲清楚。

一、三大核心概念的根本差异

很多人把工作流、Skill、Agent混为一谈，但它们实际上对应着三种完全不同的事情。用一个比喻来锚定这三个概念：

工作流：把确定的事做完

工作流就像流水线。你设计好每一个步骤，AI严格按照你指定的路径执行。输入明确，输出可预期，过程可复现。它适合那些你已经彻底想清楚、反复做过的事。比如：

• 每天定时抓取某个网站的内容
• 将表格里的数据清洗后归档
• 收到新消息后自动转发到群组
• 按照固定格式生成日报

这类任务的特点是流程固定，结果可预期。最适合用脚本、命令行和自动化工具解决。能用工作流搞定的，就不必让Agent出场。因为Agent处理这类事务，往往就像用大炮打蚊子，速度慢、成本高，还容易引入不必要的随机性。

Skill：把一种方法封装起来

Skill是可复用的方法模块。它是你总结出来、经过验证的做事方式。这件事怎么拆解、怎么表达、怎么评判质量，可以反复调用，也可以传递给他人使用。它解决的是这样一种问题：

• 流程整体固定
• 但每次内容会变化
• 需要一定的理解和判断
• 每次都要用同一种方法论去处理

例如给一条资讯打分：你需要判断它的重要性、相关性、时效性，再综合给出结果。这种场景下，你很难把规则完全写死，因为每条资讯的内容千变万化。这类任务就适合用Skill。它像一个被封装好的能力单元，输入内容，输出判断结果。

需要注意的是，Skill并不一定非要由Agent调用。很多时候，Skill可以只是一个好用的提示词模板，或者是工作流中的一次大模型调用。它的核心在于“能不能复用”。

Agent：只追求结果

Agent就像一名员工。你只需要给出目标，它会自己想办法。它会主动查找资料、做出决策、应对意外情况。适合那些你不知道具体该怎么做，或者不想干预过程的事情。这类任务的特点是：

• 目标清晰
• 但中间路径并不明确
• 过程中不断涌现新信息，需要随时调整策略

例如：

• 做一份复杂的竞品研究
• 撰写一篇需要大量资料整合的深度文章
• 临时处理一个没有固定模板的新任务
• 根据中间结果不断修正方向

这类任务的价值就在于它需要思考、判断和探索。

三者的核心差异其实只有一条：你对这件事的确定程度。你越清楚要做什么、怎么做，就越靠近工作流这一端；你越不清楚具体路径、只知道目标，就越倾向于Agent。而Skill居于中间，是你掌握了方法、不想每次都从头推演的地方。

二、两种实践路径：加法与减法

目前使用AI的方式，大致可以分为两条路线。

第一种：加法路径（效率优先）

先用工作流完成你确定的内容，再用Skill实现有方法论支撑的内容，最后才让Agent去处理你还不清楚的事。只在必要的地方投入成本。已经想清楚的事，不需要AI自主发挥，直接用工作流执行即可，省token、结果稳定。有成熟方法的部分，套用Skill，不用每次重新摸索。只有真正需要创造、探索、应对未知的部分，才交给Agent。

• 适合谁用：对某个工作流程已经很有经验的人。比如你是一名内容运营，每周撰写行业简报，格式固定、信息来源固定——前80%用工作流和Skill跑完框架，最后那一部分观点和洞察再用Agent补充。效率拉满，成本最低。
• 核心心态：对AI出错的容忍度低，追求过程可控。

路径大致是：工作流 → Skill → Agent。

这条路线的优点很明显：

• 更省token
• 系统更稳定
• 结构更清晰
• 后期更容易维护

它适合长期使用、适合高频任务，也适合已经比较明确的业务场景。但代价是前期需要想得比较细，需要先把结构搭出来。对很多人而言，启动可能会慢一点。

第二种：减法路径（速度优先）

先让Agent自主完成，再在Agent产出的成果上，用Skill和工作流去弥补漏洞。先拿到一个80分的版本，再慢慢打磨。很多人在用AI之前会卡在“我不知道怎么开始”。减法路径直接绕开这个障碍，先让Agent完整跑一遍，哪怕有漏洞，你至少有了一个可以修改的起点。然后再用Skill把自己积累的方法论套进去修正，用工作流固化那些已经跑通的环节。

• 适合谁用：刚开始拥抱AI的人，或者面对一个完全陌生领域的任务。比如你第一次写一份市场调研报告，完全不知道结构长什么样，先让Agent出一稿，看看它是怎么拆解的，再判断哪里对、哪里需要用自己的方法论补上。
• 核心心态：愿意接受AI出错，把AI的输出当作草稿而非终稿。

减法路径有一个隐性风险：如果Agent的方向从一开始就跑偏了，后续补救的成本反而可能更高。所以减法路径更适合边界清晰的任务，哪怕过程不确定，目标也要清楚。

路径大致是：Agent → Skill → 工作流。

这条路线的优点是：

• 上手快
• 试错快
• 更容易拥抱AI
• 更适合探索阶段

它适合你还不知道最优解是什么的时候。先让Agent走一遍，很多问题自然会暴露出来。跑着跑着，你才知道哪些地方值得固化，哪些地方值得优化。但代价也很明显：前期可能更贵、更慢，也更容易把一堆事情塞进一个大的会话里，最后导致上下文越来越乱。

三、路径并非对立，而是循环

这两条路其实像一个循环。你可以先用减法，让Agent帮你快速跑通问题；然后再用加法，把不稳定的部分慢慢沉淀下来。

比如你经营一个资讯站点。一开始，你可以先让Agent帮你判断哪些内容值得看、哪些需要记录、哪些需要排序。跑了一段时间后你就会发现：

• 抓取来源是固定的，那就可以脚本化
• 打分逻辑是稳定的，那就可以封装成Skill
• 只有少数复杂情况，才需要Agent再做一次判断

最终，系统会慢慢演变成：

七牛云AI平台近期推出了五款完全免费的大模型，覆盖日常对话、复杂推理、编程辅助和智能代理构建等多个高频应用场景。对于希望低成本探索不同模型能力的开发者来说，这是一个颇具吸引力的机会。

五款免费模型速览

目前平台提供的零元体验模型如下：

国内模型（3 款）

• 阿里千问 Qwen3.5-35B-A3B — 通义千问系列的最新MoE架构模型，35B总参数量中仅激活3B，在保持推理质量的同时显著提升效率
• 智谱 GLM-4.5-Air — 智谱AI推出的轻量化版本，适用于常规对话和文本内容生成
• 美团 Longcat-Flash-Lite — 美团自研的轻量模型，重点优化了响应速度

国外模型（2 款）

• Arcee Trinity Large Preview — Arcee AI发布的大参数预览版本，专注基于隐私保护数据训练
• NVIDIA Nemotron 3 Super 120B — 英伟达出品的MoE架构模型，120B总参数中仅激活12B，性能表现突出

免费额度：300 万 Tokens

通过邀请链接或官网注册，用户均可领取 300 万 Tokens 的免费额度。这些Tokens可直接用于API调用，平台当前已上线DeepSeek-V4-Flash和DeepSeek-V4-Pro两款模型。

300万Tokens对于模型测试和轻度使用场景来说绰绰有余，但如果面临高频调用需求，仍建议合理规划用量。

注册与配置指南

步骤一：创建账号

访问七牛云AI平台官网，完成账号注册并登录。

邀请链接地址：https://s.qiniu.com/ryAVve

登录系统后，点击左上角的 「AI 大模型」 菜单进入管理控制台。

步骤二：获取 API Key

在控制台找到 「API Key」 功能选项，点击创建按钮即可生成你的专属API密钥。

步骤三：访问模型广场

进入 「模型广场」 页面，能够查看完整的免费模型目录及详细参数说明。

各模型详情介绍

1. 阿里千问 Qwen3.5-35B-A3B

模型 ID：qwen3.5-35b-a3b

这个假期里，商汤日日新（SenseNova）悄然推出了 Token Plan 免费计划。注册就能直接领取 API Token，免费调用他们最新上线的三个大模型，不需要绑定信用卡，也没有隐藏的消费门槛。

很多人可能对商汤不太熟悉，但此前我们已经实测过他们旗下的几款应用，比如办公小浣熊、SekoAI 短视频等产品，体验相当顺畅。

这一次，商汤正式发布了新一代原生多模态模型 SenseNova U1，在多模态理解和生成能力上做了大幅提升，同时保持了低延迟和高并发。

随之而来的 Token Plan 正在免费公测，是的，没有听错，是没有任何付费障碍的公测阶段，所有注册用户都能立刻获得额度。

免费模型一览

目前免费计划中一共开放了三个模型：

三步完成领取

操作非常直接，只需完成下面几步：

1. 访问商汤日日新官网：sensenova.cn/token-plan
2. 注册或登录你的账号
3. 在 Token Plan 页面点击「立即开始」，系统会自动跳转并为你创建好对应的 API Key

API 端点和格式完全兼容 OpenAI，你可以直接使用熟悉的调用方式：

curl https://api.sensenova.cn/v1/chat/completions \  
  -H "Authorization: Bearer YOUR_API_KEY" \  
  -H "Content-Type: application/json" \  
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [
      {"role": "user", "content": "你好，请介绍一下你自己"}
    ]
  }'

快速接入现有工具

由于接口兼容 OpenAI，这套免费额度可以直接配置到以下工具当中：

假期人刚到海边，微信弹窗响了：“那个文件在哪个文件夹？” 正在看展，领导来电：“XX方案现在到哪一步了？” 其实，同事和领导并不想打扰你，根本原因是你走了，但工作没断。

这个五一，我在关机前花了20分钟，用 WorkBuddy 做了三件事，目标就是：5天假期，微信零弹窗，手机彻底安静。今天直接把这套“断网SOP”拆给你，无需动脑，复制粘贴就能用。

核心解法

假期被打扰，本质上是没有提前搭建一套“信息管理系统”。用 WorkBuddy 提前把不确定性转化为“标准化清单”，别人能自己找到答案，自然就不再找你。

🛡️ 第一件事：生成工作清单表（5分钟） 一份无死角的工作交接单

❌ 过去的做法： 口头交代一句“XX事你盯着点”，结果假期一半时间在接电话解释细节。

✅ 现在的做法： 把手头的待办事项交给AI，让它生成一张“工作清单”表格，工作问题直接能从表中找到答案。

👉 直接复制以下提示词发给 WorkBuddy：

我五一（4月30日-5月4日）放假，需要生成一份工作交接清单表格。

手头正在推进的事项：

1. XX项目提案，5月6日客户要查看，初稿完成，还需修改第三部分数据
2. YY同事的数据报表（每周三需提供），数据已整理在飞书“2026销售跟踪”文档
3. 如有紧急情况，微信优先，邮件假期期间不查收 请帮我生成一份结构清晰的交接说明，可以直接发给团队。

💡 WorkBuddy 会直接生成这样的清单：

【五一假期工作交接说明】

🗓 假期时间：5.1—5.5｜5.6恢复正常办公

📌 进行中事项1：XX项目提案

• 当前状态：初稿完成，待修改数据
• 截止节点：5月6日
• 接手人：[指定人员]
• 资料位置：[具体路径]

📌 定期事项2：YY数据报表

• 周期：每周三
• 数据位置：飞书文档“2026销售跟踪”（可直接取用）

🚨 紧急联系方式

• 微信优先 / 假期邮件不回复（5月5日起统一处理）
• 联系方式：[你的电话]

🎯 拿到结果后怎么做： 群发。有了这份清单，80%的“弱紧急”问题会被自动拦截，因为大家都知道去哪找资料、找谁对接。

⏳ 第二件事：搭建“自助客服”（5分钟） 定制差异化的自动回复

❌ 过去的做法： 设置“我在休假，稍后回复”，对方心里只会想：那稍微催一下好了。

✅ 现在的做法： 用AI撰写“有态度、有边界”的文案，直接告诉对方“别等了，紧急就打电话，非紧急节后处理”。

👉 直接复制以下提示词发给 WorkBuddy：

帮我写3个五一假期自动回复，放假时间5.1-5.4，5.6恢复正常办公。

紧急联系方式：电话[你的号码]。非紧急事宜统一5月5日处理。要求：

1. 邮件版（对外客户，正式但不冰冷）
2. 微信版（同事/熟人，轻松直接）
3. 紧急说明版（留给真正有急事的人，极简）

💡 WorkBuddy 会精准输出三个版本：

今日凌晨，小米 MiMo 团队正式释出新一代双旗舰模型 MiMo-V2.5-Pro 与 V2.5，均采用极为宽松的 MIT 开源协议，彻底扫清商用、微调及二次开发的授权障碍。性能方面同样惊艳，在 GDPVal-AA、τ³-bench、ClawEval 三大通用 Agent 核心基准测试中，新模型实现对近期大热的 DeepSeek V4 Pro 的全面反超，开源领域的最佳成绩（SOTA）在短时间内再次易主。

而这仅仅是序幕，真正慷慨的部分才刚刚开始。伴随模型开源，小米同步推出了 MiMo Orbit 计划——一项专门面向 AI builder 的“创造者百万亿 Token 激励计划”（100 T）。

🎁 成功申请的用户最高可获得内含 16 亿 Credits 的 Token Plan，价值约 659 元。申请地址：https://100t.xiaomimimo.com/

申请信息

• 邮箱
• 常用的 AI 开发 / Agent 工具
• 主要使用的模型
• 描述使用 Agent 以及 AI 工具的成果
• 附件证明
• GitHub 项目地址或者在线演示地址

实测到账：2 亿 Credits 即刻入账

今晨提交申请，中午查看时发现已经到账。活动真实有效，还没上车的朋友请抓紧！本次我领取到的是 2 亿 Credits 的 Token Plan：

核心参数速览：V2.5 双模型架构一览

前面我们聊了很多向量库、知识图谱和复杂的记忆框架，你可能会问：有没有更轻量的 Agent 记忆存储方案？

为什么 Markdown 能作为 Agent 记忆

Markdown 在本质上是一种人和 Agent 都能直接读写的“显式长期记忆”。它不依赖数据库，不需要向量引擎，也不用配置复杂的检索管线。

它的核心优势在于透明、可审查、可版本化、低成本：

• 透明可审计：任何时候打开文件，都能看到 Agent 记住了什么、写入了什么，零黑箱。
• 持久化：文件直接保存在磁盘上，不依赖进程存活。崩溃、重启、换机器，记忆依然完整。
• 版本控制：记忆可以提交到 Git，随时回滚、分支、进行 Code Review，协作得心应手。
• 零迁移成本：标准格式，无供应商锁定。切换模型或框架，只需迁移文件即可。
• 成本极低：本地存储几乎不产生费用，而向量数据库却可能显著推高成本。

Manus 把文件系统视作结构化的外部记忆；Claude Code 则把 CLAUDE.md 和 Auto Memory 做到了明确的产品化；OpenClaw 等 Agent 项目和社区实践中，也频频出现类似的文件化记忆思路。它们共同说明了一个事实：在很多 Agent 场景中，文件系统 + Markdown 已经是一个足够扎实的长期记忆方案。

Claude Code 的 CLAUDE.md 机制

Claude Code 的记忆系统采用双轨制：CLAUDE.md（人工编写） 和 Auto Memory（自动积累）。

CLAUDE.md：该写什么、不该写什么

CLAUDE.md 本质上是一份给 AI 新人看的 onboarding 文档。写得不好还不如不写——一份臃肿的 CLAUDE.md 会让真正重要的规则淹没在噪音中。

该写的内容：

• 技术栈和版本信息：框架版本差异往往是 AI 犯错的源头。不标注 Spring Boot 版本，它更容易生成训练数据中更常见的版本用法。
• 常用命令：构建、测试、lint、启动——全部放在代码块中。代码块里的命令 Claude 倾向于原样执行，而写在自然语言里的命令，它可能按自己的理解去改写。
• 架构决策及背后原因：光写规则不够，写清楚“为什么”能让 Claude 举一反三。例如“不要直接写 SQL，用 QueryWrapper”——补充上“因为 SQL 审计系统依赖 Wrapper 解析来记录操作日志”之后，Claude 在其他需要生成查询的地方也会自觉使用 Wrapper。
• 团队约定和项目特有坑点：提交信息格式、分支命名规范、环境变量依赖。这些 Claude 从代码里读不了，但一个新人入职必然会问。

不该写的内容：