当下，智能体的热度已经无需再多赘述。这场智能体竞赛中，除了那些从新开始的“AI 原生”智能体应用外，还有一些应用在逐渐将智能体纳入产品构建中，实在智能便是其中之一。
实在智能成立于 2018 年7月，以RPA为起点，融合AI技术，致力于通过人工智能技术助力人机协同，提供超自动化解决方案。随着技术发展，实在智能对其“数字员工”产品不断升级：对RPA的底层能力做了大量的改造和增强，结合计算机视觉对底层架构进行了重构，并推出了国内首款通用智能体产品。当前，实在智能已为超 4000 家企业客户部署了“数字员工”。
对于业内讨论的一些问题，实在智能通过自身实践也给出了自己的答案。比如自研模型或垂直模型对于具体业务场景中的 Agent 研发是必要的，但大模型自身并不能作为一种产品。又如，在支持 MCP 后，实在智能也发现不能过度依赖 MCP 服务，MCP 只是将一些问题进行了封装，但问题本质并没有得到解决。
近日，InfoQ 对实在智能创始人兼 CEO 孙林君进行了一次采访，期间他详细回答了智能体技术路径选择、产品如何转型、智能体产品收费逻辑等问题。
孙林君： 我们想成为数字员工领域的开拓者，这一征程始于 RPA 技术。当时，我们察觉到 RPA 的商业模式极具潜力，其原理是在客户电脑中安装一款软件，该软件能够操控其他各类软件。RPA 在电脑中可视为类似机械臂的存在，用于操作其他软件。
随后，我们很快发现，提供给软件机器人的自动化脚本存在升级空间。我们可以处理更加复杂和高级的任务，集成 OCR（光学字符识别）技术与自然语言处理技术，使其具备识别图片、文字以及处理合同的能力，从而实现一定程度的智能化。
尽管机器人的形态未发生改变，但其任务的复杂度和高级程度却在不断提升。由此，我们联想到可以进一步升级机器人的任务，使其承担更具智能化的工作，比如与大模型相结合，进而使其能够像人类一样开展工作。2019 年，我们洞察到这一发展方向后，便提出了“数字员工”这一概念。我们从 RPA 入手，但目标是将机器人当作人类来培养，期望有一天机器人能够像人类一样自主思考、自主工作。
2023 年，随着 ChatGPT 的爆火，我们看到了新的里程碑，原本设想的愿景大幅提前。大模型具备思考能力，结合视觉技术与 RPA 后，真正能够以人类的形态开展工作。从人工智能的角度来看，这一阶段的成果被称为“智能体”，能够代我们完成某些事务。
孙林君： “数字员工”是一个业务概念。从 2019 年至今，数字员工的发展历程呈现出清晰的阶段性特征：初级阶段可视为 RPA，主要承担简单、重复、规则化的低价值工作；而高级阶段则是智能体，能够独立思考、自主规划任务并自主完成任务。
孙林君： 不完全是一回事，大家技术路线选择上存在差异。智能体目前存在着不同的技术路线选择，其中一种完全依赖大模型的能力，认为仅凭大模型自身就能完成操作系统内部软件的自动识别与操作。
然而，从现实情况来看，让一个端到端的大模型独立完成复杂任务仍面临诸多挑战。众所周知，大模型存在幻觉问题，只是幻觉出现的概率有高有低。在这种情况下，若完全依靠大模型自主完成任务，效率可能会相对较低，甚至可能陷入无限循环的困境，且一旦出错，我们难以进行有效干预。这些缺点在实际应用中较为明显，尤其是在用户生产环境中，用户的接受度会受到一定影响，尤其对于面向企业的产品而言更是如此。
另一种技术路线则是将大模型的能力与外部工具相结合。例如，我们采用大模型结合 RPA 和计算机视觉等多模态技术的方式。此外，还有像 Manus 这样采用大模型结合特定工具的方式，还有大模型结合 API 的方式。其中，采用大模型结合外部工具的方式，有以下几点需要关注：
首先，由于大模型存在幻觉问题，我们有必要增强其任务分解、逻辑推理和代码生成等方面的能力。许多数据若脱离了用户的具体场景或用户所使用的软件层面，仅靠大模型的联想能力，难以实现完美的任务分解。 因此，在这种情况下，需要利用特定的数据来训练大模型，即通过垂直领域的大模型来增强基础大模型的能力，从而使智能体减少幻觉，更加实用。
其次，由大模型驱动的工具集，无论是 Manus 的 29 种工具，还是 RPA，或是接口，都必须具备 对操作系统内部操作的完备性。实际上，RPA 的构建理念是将操作系统底层的几乎所有操作原子化，再重新拼装成能力。从 RPA 技术的出现到逐步成熟，本质上都是围绕这一目标展开的。例如，运算本质上由 0 到 9 的数字和加减乘除的运算符构成，RPA 所做的也是将操作系统内的基础操作提炼出来，并将其封装成基础组件，以应对复杂的任务。如果采用其他工具来驱动工具集，同样需要检验其对操作系统内各项操作的完备性。
此外，效率问题也不容忽视。如果采用大模型结合接口的方式，接口的开发效率必须足够高。因为大模型大约每 3-4 个月就会更新一次人类的知识体系，而有些企业花费数年时间都未能完成接口的完全对接，由此可见接口对接效率之低。很多时候，我们无法预先知晓用户会以何种方式使用接口，往往是在实际使用中才发现其不匹配。这种单模型结合接口方式的开发效率相对较低。不同的智能体参与者对行业的理解存在差异，因此所采用的技术方案也各不相同。
孙林君： 在 RPA 领域，我们经历了诸多重构与调整。很多人对 RPA 存在误解，认为只要能编写脚本、使用代码编辑器，就等同于掌握了 RPA。然而，在实际为客户服务的过程中，我们发现诸多限制。例如，面对客户所使用的各种未曾见过的软件，许多 RPA 公司不得不派遣工程师亲赴客户现场，解决这些软件的适配问题。这无疑带来了巨大的成本。当客户数量增多时，工程师甚至难以兼顾 RPA 产品的开发工作。
我们意识到，这种状况限制了 RPA 行业的发展。于是，我们思考整个 RPA 行业需要一种通用能力。过去，RPA 的不通用性导致一些公司只能在特定行业深耕，比如专注于电商、财务或物流供应链等领域，因为这些行业内的软件种类相对有限。但一旦跨出这些行业，实现通用就变得异常困难。
为了解决这一问题，我们推出了“融合拾取”技术。我们将计算机视觉与底层识别技术整合在一起，让用户在视觉方面无需感知差异，每个软件被打开时，都自动具备视觉识别能力和底层识别能力。这一过程中，我们攻克了诸多技术难点，拥有 15 项专利，解决了速度、精度、跨分辨率等诸多极具挑战性的基础问题，并最终得到了良好的验证。
我们在日本拥有一家子公司，并已积累了众多日本客户。在整个过程中，我们的工程师从未前往日本，但我们的软件依然能够很好地适配日本的各种未曾见过的软件，并在其上构建各种自动化流程。这充分验证了通用能力的有效性，也证明了 RPA 行业需要不断被改造，这是我们对 RPA 进行改造的第一个方面。
第二个改造方面源于 RPA 的易用性问题。
许多厂商声称 RPA 易于使用，但实际上当业务人员真正接触后，他们发现很难掌握。原因在于，他们需要学习各种教程，甚至要先把自己变成程序员，才能使用该软件。这显然违背了“第一性原理”，我们不应非得把业务人员变成程序员，才能让他们使用这种产品。因此，我们借鉴了类似于 Excel 中宏录制的方法，在操作系统内使我们的操作能够被记录下来。也就是说，通过算法引导用户识别操作对象，并知晓需要使用哪些组件，从而自动生成代码。
我们推出了全新的 AI-RPA 模式，对 RPA 进行改造并引入了智能化特点，并对底层通信架构进行了大量重构。这样一来，任何一款软件在我们这里都能被默认识别，且效率极高。这并非简单地将 RPA 与大模型结合，而是要解决底层的两个非常困难的问题。解决了这些问题后，我们又接入了自己的垂直大模型。如此一来，我们的技术方案能够很好地适配当前智能体的工作需求。
孙林君： 许多人在理解智能体这一概念时，往往停留在较为浅显的层面。搭建一个初步的框架或许相对容易，但要构建一个真正可靠、稳定的系统，却并非易事。一个可靠的系统，首先必须具备可控性，其次要确保稳定性，即无论运行多少次，都能以相同的方式得出一致的结果。然而，如果仅仅依赖端到端的解决方案，情况就大不相同了，即使是相同的实验，也可能因采用不同的方法而得出多个截然不同的结果，甚至可能出现八次成功、两次失败的情况。这显然无法满足可靠性和稳定性的要求。
前面我们还提到了效率问题。如果一个系统无法同时满足可控、稳定和高效这三个关键特点，那么对于众多企业客户而言，这样的智能体几乎是不可用的。 倘若在技术路线的选择上出现偏差，那么构建可靠系统的难度无疑将大幅增加。
我们引入大模型时，其生成结果本身就存在不确定性，而且大模型还可能产生幻觉，这对系统的稳定性构成了潜在威胁。因此，我们不得不对大模型进行一系列的优化和调整。具体来说，我们为大模型配备外挂知识库，并采用垂直领域的大模型，利用特定的数据来增强其性能。同时，我们还需要精心编写提示词，以对大模型的输出结果进行有效控制。通过综合运用多种手段，我们可以在最大程度上降低幻觉现象的发生概率，从而使大模型的输出结果更加可控。
如今，智能体的概念已经得到了广泛的认可。智能体的大方向无疑是让机器以人类的形态去替代人类完成工作，这已经成为业界的共识。当然，在实现这一目标的过程中，技术路线的选择必然会呈现出多样化的特点。我们可以看到，目前存在多种不同的技术路线，包括端到端的解决方案、大模型结合工具、大模型结合 API，以及 MCP、A2A 等能力整合方式。而我们所采用的技术路线则是将大模型与多模态技术以及 RPA 相结合。这些不同的技术路线，实际上都是基于对行业理解和需求的深入分析而做出的选择。
孙林君： 智能屏幕语义理解可以被视为多模态技术的一个分支。它主要关注软件界面元素的识别，例如操作类任务的范围。而多模态技术的范围更为广泛，包括但不限于给一张图讲故事、评论语义理解等。目前，我们已经在多模态领域进行了相关工作，例如网页数据提取涉及排序、数据过滤以及基于数据的问答等问题，都可以通过多模态技术获得结果。
孙林君： 针对这一研发难点，我们的解决方案是训练垂直的大模型。我们实在智能近年来服务了 4000 余家客户，积累了大量的行业 know how。对于一款完全未见过的软件，通用大模型可能只能靠想象去生成任务拆解步骤，出错概率较高。而我们的垂直大模型则能够结合具体行业知识，更准确地完成任务。
从实际效果来看，我们的垂直大模型在一些开放数据集上已经达到了较高的水平，这验证了自研模型或垂直模型在 Agent 产品研发中的必要性和有效性。
孙林君： 在即将推出的新版本中，我们增加了深度思考的功能。这不仅是基础模型必须具备的能力，也是人工智能发展的一个重要标志，更是智能体基础能力的重要组成部分。
我们的大模型是在一些开源模型的基础上进行微调而来的。我们会将深度思考的特性与我们的数据相结合，构建长思维链的数据，并引入反思机制，以此来训练我们自己的垂直大模型。我们之前使用 DeepSeek作为基础大模型底座，而现在也开始使用千问。
孙林君： 在处理不同软件时，我们的策略是优先使用接口，因为接口能够提供高效且稳定的交互方式。然而，并非所有软件都提供接口。在这种情况下，如果软件支持 MCP，我们会选择使用 MCP 来进行操作。但当软件既没有接口也不支持 MCP 时，我们会采用 RPA 技术。RPA 的优势在于它不需要依赖接口，也能够完成特定的操作，并且在许多情况下能够满足稳定性的要求。不过，RPA 必须具备我之前提到的多种能力，如任务分解、逻辑推理和数据处理等，才能确保其在实际应用中的有效性和可靠性。
孙林君： 人工智能行业目前存在一个问题，那就是很多人只是空谈理论，而真正能够将理论转化为实际成果的人却寥寥无几。像一些人过于夸大新技术的作用，认为有了 MCP 就能解决所有问题，这种观点是不切实际的。实际上，MCP 只是将一些问题进行了封装，问题的本质并没有得到解决。 例如，如果没有相应的接口或能力，仍然需要进行开发工作，然后才能将这些能力对接到 MCP 上，供他人调用。而且，如果过度依赖 MCP 服务，尤其是对于特别简单的任务，可能会导致效率低下。而对于特别复杂的任务，MCP 后面的部分可能会变成一个黑盒，这在调试过程中会带来很大的困难。
我们应该正确看待新技术，承认它的价值和意义，但同时不能过分夸大它的作用。我们应该根据实际情况，灵活选择最适合的技术方案，而不是盲目追求某一种技术。只有这样，我们才能在人工智能领域取得真正的进步和突破。
孙林君： 按照我的理解，这两类智能体在技术实现上存在差异。对于通用智能体来说，我们需要解决 RPA 底层的通用性问题，而不是针对某个特定行业。例如，如果我专注于垂直的财务智能体，那我可能只需要关注财务领域主流软件的控制即可。通用智能体相对更难实现，但市场空间更大。我们需要克服的问题包括识别的通用性和使用的易用性，这需要很多技术创新来解决。对于垂直类智能体来说，它们需要更深入的行业知识以及其复杂的业务逻辑。
孙林君： 产品和工程只是表面现象，真正的核心在于技术能力。正是技术能力的不断提升，才能将一个玩具转变为真正有用的工具。技术能力的持续改进，能够使工具的幻觉率降低到某个阈值以下，从而让用户觉得它真正可用。例如，对于垂直领域的基模能力，需要进行增强，使其在特定领域内具备出色的任务完成能力。
此外，工具的使用完备性也至关重要。我们可以通过各种测试，对同一任务进行细微调整，如采集数据时按页采集、按行采集或全部采集，以及采集哪些列等，这些细粒度的要求能够在测试集中明显体现不同智能体的能力差异。在这方面，我们的技术方案具有显著优势，我们并不是简单地向用户展示几个流程，而是注重技术的深度和实用性。
对于人工智能的落地而言，不应仅仅关注成功的案例，而更应关注那些无法完成的任务，因为这些失败的任务才能真正体现技术的能力边界、决定技术是否能够真正落地。这归根结底还是技术能力的体现。至于产品设计和工程方面，这些是比较容易达成共识的，因为很多产品在外观上可能看起来相似，但底层的技术实现却大相径庭。
孙林君： 技术行业应该保持本色，避免混淆视听或夸大宣传，不应将一些浅薄的认识误导大众。真正从事技术工作的人应该沉下心来，深入思考行业发展方向和用户真正的需求，这样才能推动技术的进步。过度喧嚣的氛围并不好，对行业发展也未必有利，因为它可能会引发质疑和负面评价。我们应该脚踏实地地前进，为用户提供真实且有价值的产品，这样才能实现长久的发展。
比如，Manus 火了之后，很多人来找我们。他们需要的不是端到端的解决方案，而是满足可控、稳定和高效特点的智能体。不久之后，大量用户被吸引到我们的社区，下载和使用我们的产品，并给出了很好的评价。原因是他们发现原本搭建智能体时，由于没有接口，需要反复调试 RPA，效率极低。而在我们的平台上，一个工具就能搞定他们原来的工作流，效率提升了 N 倍。这显然对他们更有价值。虽然也可以使用端到端的大模型进行尝试，但很少有人会将其应用到真正的生产环境中。
在我们的设计理念中，大模型生成代码后，用户可以编辑生成的代码，运行代码时效率很高。这些因素促使我们宣称自己是产品级别的智能体。
尽管大家对智能体的认识程度有所不同，但有一个共识是智能体的落地已成为当务之急。前段时间我参加了浙江经济百人会，与会的十几家企业都在讨论智能体，覆盖率达到了 100%。这表明大家已经意识到，在以大模型为核心的基础上，人工智能的落地需要以智能体为载体，解决人工智能落地的最后一公里问题。
从这个角度看，智能体的落地是当前迫切的需求。如果犹豫不决，可能会错失参与的机会。因此，我们既要关注科幻小说般的未来愿景，也要脚踏实地地投入生产。立足当下，放眼长远，应该立即行动起来，但行动方式必须是可靠的。
孙林君： 早在 2023 年，我们就已经意识到 大模型不是一个产品， 但很多人却声称大模型可以解决一切问题。现在看来，许多企业也纷纷表示大模型不是一个产品，因为大模型本身存在幻觉问题。
之前展示的大多是成功案例，而非失败案例。如果将大模型作为产品销售，用户关注的是它是否能达到验收标准。从验收标准来看，许多大模型在某些领域无法达标。因此，将大模型作为产品实际上是一个伪命题。随后，RAG 检索增强等辅助性技术开始涌现。片面强调大模型包打天下、一招制敌等观点，都是违背客观规律和现实的。无论是技术、产品、设计还是工程，它们都在不断演进，这是正常的，但最根本的核心仍然是底层技术。
孙林君：Agent 商业机会潜力是巨大的，它并非仅仅是帮助我们完成某一项任务，而是能够引发整个社会的深刻变革。设想在未来的工作场景中，每个人都能拥有众多智能助理，这些智能助理将承担我们工作中需要思考的部分，以及原本需要付出的体力劳动。
对于企业而言，未来大部分工作可能会由智能体来完成，企业规模可能会缩小到一人公司或几人公司，但同时会有大量的数字员工和智能体在背后支持工作。这将导致生产关系因人工智能的加入而发生改变，组织形式也将随之变化，转变为围绕 AI 展开工作。这是一场跨越时代的变革，不应被狭隘地理解为仅解决某一具体问题。
孙林君：成本降低方面，主要体现在减少了人力需求，此外减少加班以及避免加工资等，也可以视为降本的措施。实际上，在我们追求增效的过程中，已经在不知不觉中实现了降本。
然而，现在我们很多时候需要计算的经济效益，已经不仅仅局限于降本和增效了。我们更应该看到的是它所带来的市场地位变化，以及由此带来的价值提升。举个例子，博尔特在百米赛跑中领先第二名仅仅零点零几秒，但他的身价可能是第二名到第八名的人加起来的总和。同样地，如果将这种情况放在企业行业地位上，情况也是一样的。排名第一的企业与排名第二、第三、第四的企业，在竞争中所处的优势是完全不同的。
孙林君： 从大的框架上讲，我们的收费模式是按照人头数来计算的。具体来说，我们会根据为客户输出的机器人数量来收取年租费用。这种模式不仅使得费用相对较低，而且能够持续为客户提供升级服务。在这个过程中，我们实际上构建了一种可延续性的收入模式。
打价格战往往是企业陷入同质化竞争的一种表现。价格战本身确实不利于行业的健康发展。如果产品具有足够的差异化，那么就可以避免陷入价格战。
孙林君： 我不认为我们有很多竞争对手，因为许多表面上看起来的竞争对手，在底层能力上并不具备足够的竞争力。由于实在智能这几年的技术演进，我们已经解决了许多核心痛点。如果这些痛点没有得到解决，那么我并不认为他们是我们的竞争对手。
在商业化方面，价格和价值必须相匹配。对于用户来说，他们也有自己的承受能力。因此，价格不仅由竞争决定，还与客户的预算和他们愿意付出的成本密切相关。
孙林君： 我们通常不直接进行定制化服务，但我们有许多合作伙伴可以帮助客户完成相应的定制化工作。实际上，由于我们产品的成熟度和易用性，许多客户会选择自行定制，因为他们更了解自己的业务需求。这样可以减少沟通和交流的成本，提高定制的效率。我们为客户提供的平台和产品，使他们能够基于我们的技术构建自己的智能体。
我们有免费的社区版，其实是面向个人的。其中，一些个人用户使用比较多，之后会建议自己的公司来购买这个产品，我们现在的大量客户就是这么转化来的。
孙林君： 目前，整个行业仍在探索阶段。客户的付费习惯实际上也是可以被引导的。在 SaaS 模式出现之前，大家通常采用系统开发的一次性付费方式，但这种模式并不利于行业的长期发展。SaaS 模式出现后，由于其成本低廉且服务具有较好的延续性，越来越多的客户开始选择这种模式。这对行业的发展是有益的。然而，收费方式需要不断培养用户的习惯，找到一种在商业模式中能够让各方都能生存和发展的方式。否则，如果这种模式只对一方有利，缺乏平衡，最终可能导致行业的消亡。对我们来说，目前我们更倾向于采用年租模式。
当前，C 端和 B 端存在明显区别。目前，C 端的收费模式主要是会员制，而 B 端的收费模式则多为授权费用和私有化部署费用。C 端产品通常客单价较低，且要求易于上手，使用成本低。相比之下，B 端产品客单价较高，对上手成本的要求没有 C 端那么高，但对产品的可靠性、稳定性和高效性有很高的要求。
孙林君： 最核心的驱动因素是人工智能让客户能够实现以前无法完成的事情。过去，许多经验和知识都储存在人们的脑海中，人们也没有能力去构建复杂的系统。但现在，智能体提供了一种高效的方式，帮助客户将自己的想法实现出来。客户无需再构建新的系统，而是可以利用大模型来代替自己进行思考。他们只需要向大模型传达自己的思路，大模型就能帮助他们完成相应的操作。我们只需将工作流沉淀下来，并不断优化，使其准确率越来越符合我们的要求。这样一来，它就像一个人一样，变成了我们的代理人。
孙林君： 我们的核心竞争力，即所谓的“护城河”，主要体现在对行业的深入思考以及对行业局限性的突破上。在技术积累方面，我们凭借持续的技术进步推动产品的不断演进，进而驱动销售的拓展。因此，归根结底，我们真正的护城河还是在于对行业的深刻理解和持续的创新能力。
孙林君： 他的观点与我们基本一致。今年年初，我们就提出了 2025 年将是智能体的商业化元年。在 2024 年，我们提出了智能体元年的概念。2024 年被称为智能体元年，是因为在人工智能行业，大家开始看到智能体的潜力，并探索其在企业端的应用，但当时企业端可能还没有大规模意识到这个问题。到了 2025 年，整个行业都在关注智能体，并开始将其落地应用。因此，今年可以说是智能体商业化元年的开端，这与 2025 年将是智能体完成大规模应用的说法非常相似。
孙林君： 目前，整个行业面临的挑战是，在用户需求如此迫切的情况下，如何实现快速落地。很多时候，我们应该更关注实用性技术，而不是那些仍停留在实验室里的产品。如何能够快速为客户创造出他们想要的价值，这才是最大的挑战，而所有的工作都应该围绕这一点展开。不同的技术路线可以帮助客户解决这个问题，有的人可能会选择大模型，有的人可能会选择大模型加 API，有的人可能会选择大模型加工具，还有的人可能会选择大模型加 RPA。最终，这取决于用户的选择。
孙林君： 我认为，最终的产品形态应当是一个助手，可能仅需一个对话框或对话界面就已足够。至于交互方式，更多地应是功能点的呈现，其本质是对话。我们与助手的交互本质上就是对话，因此，一个界面就足以满足需求。甚至在未来，操作系统或许都不再需要界面，我们只需通过语音与内置的助手进行交互即可。
孙林君：对于人类员工而言，当务之急是掌握人工智能的能力。因为人工智能本质上仍是一种工具，目前尚未达到完全智能化的时代，人机协同才是当下最可靠、最实际的选择。 最先拥抱人工智能的人将率先享受到红利，掌握人工智能的人将成为社会最为需要的人才。因此，我的建议是大家以开放的心态拥抱人工智能时代，深度参与并使用人工智能。
孙林君： 我观察到，企业员工对人工智能的接受度正在逐渐提高。这主要是因为人工智能已经成为一种共识性工具，从最初的焦虑和敬畏，到现在大家开始将其视为一种实用的工具，并积极地使用它。甚至有些人已经深入地将其融入到工作中，实现了较高的应用水平。
以程序员为例，曾经有人认为他们是最早可能被人工智能替代的职业之一。然而，随着时间的推移，大家逐渐意识到，这种替代并非如最初想象的那样简单。许多工作，尤其是编程工作，并不是简单地通过一句话就能完成的，它们的复杂性在于构思和创造的过程。实际上，如果思路已经明确，编写代码只是最后一步，程序员们在此之前需要进行大量的思考和设计工作。因此，要完全替代程序员的工作，并非易事。
目前，大家对人工智能的态度已经发生了积极的转变。人们不再像以前那样焦虑，而是将其视为一个强大的助手和助理。
我们持续关注智能体的前沿技术、产品发展、落地实践等，期待通过系列报道，呈现前沿的实践样本与真实故事。如果您的团队正在做一些有意思的想法和探索，或者已有不错的成果，都 欢迎来找我们聊聊！V：T_demo（请注明来意），让更多人看到你们在智能体时代的独特尝试～
6 月 27～28 日的 AICon 北京站将继续聚焦 AI 技术的前沿突破与产业落地，围绕 AI Agent 构建、多模态应用、大模型推理性能优化、数据智能实践、AI 产品创新等热门议题，深入探讨技术与应用融合的最新趋势。欢迎持续关注，和我们一起探索 AI 应用的无限可能！
今日荐文
天塌了，Claude 全面断供Windsurf！CEO喊冤控诉也挡不住开发者退订，祸起OpenAI收购？
0粉丝狂卷数十亿播放，靠AI流量欺诈获利近亿！网友：这“刑”得离谱
被高薪吸引却遭愚弄！科学家怒曝AI科研黑幕：多为个人“捞金”，DeepMind百万成果是“垃圾”
新存1000万，为客户子女提供实习机会？字节等回应；宇树更名，王兴兴曾称或赴港上市；韦神新成果正式命名“韦东奕定律” | AI周报
Redis 之父：哪怕被喷我也得说，AI 远远落后于人类程序员！开发者跟评：用大模型气得我自己写代码都有劲儿了
你也「在看」吗？👇
（文：AI前线）