新闻列表-Xinstall

全球首款 AI 智能体手机？努比亚 NaviX Ultra 加速端侧自主执行分发重构

努比亚正式宣布 NaviX Ultra 将于 9 月上市，由中兴通讯与字节跳动联合研发，搭载豆包手机助手，定位全球首款 AI 智能体手机。AI 智能体能够理解自然语言指令，并自主串联多个应用完成比价、下单、行程规划等复杂任务，核心大模型运算全部在手机端本地完成。在端侧智能体自主执行成为主流的趋势下，任务流量的跨端流转与归因追踪成为刚需，应用开发者亟需引入多终端、多云、多 Agent 的全链路归因与参数还原技术，打破智能体执行黑盒，实现可追踪、可归因、可优化的端侧分发闭环。从功能叠加到智能体交互：NaviX Ultra 如何重构手机交互范式要理解 NaviX Ultra 对手机交互范式的重构意义，必须看清当前 AI 手机的痛点与 NaviX Ultra 提供的解法。市面上大部分机型都已内置语音助手并贴上 AI 手机标签，但两者有着本质区别。努比亚总裁倪飞在接受采访时用一句话概括：过去的 AI 手机是"硬件附带 AI 功能"，AI 智能体手机则是手机本身化身为一个智能助手。普通 AI 手机类似给手机叠加几个 AI 能力，能聊天、能修图；AI 智能体手机不再沿用人迁就手机的交互逻辑，而是由手机主动理解人的需求，帮人把事办成。在倪飞看来，“能干活"正是智能体与普通 AI 助手的最大区别：AI 不光是告诉你"怎么做”，而是直接"帮你做"，从理解到执行，把跨应用的操作完整办完。如果这一模式成功，很可能吸引其他厂商跟进，推动智能手机从"功能叠加"阶段走向"智能体交互"阶段。努比亚 NaviX Ultra 由中兴通讯与字节跳动联合研发，搭载豆包手机助手，被称为"豆包手机二代"，定位全球首款 AI 智能体手机，计划于 9 月上市开售。努比亚官方今日与长鑫存储共同宣布，努比亚 NaviX Ultra 将搭载长鑫存储速率达 10667Mbps 的 LPDDR5X 内存。长鑫存储官方强调，这是国产 10667Mbps 高速率 LPDDR5X 芯片首次量产应用，标志着国产移动 DRAM 正式迈入顶级速率商用阶段。核心配置方面，努比亚 NaviX Ultra 搭载高通骁龙 8 Elite Gen 5 旗舰平台，配备 6.78 英寸 1.5K 直屏，支持 144Hz 高刷新率；内置 7100mAh 大容量电池；配备四颗 5000 万像素摄像头，包括后置三摄和前置摄像头。作为全球首款 AI 智能体手机，该机搭载的豆包手机助手围绕"听得懂、能干活、记得住、够安全"四大能力展开。中兴通讯高级副总裁、终端事业部总裁倪飞表示，过去的 AI 手机是"硬件附带 AI 功能"，而 AI 智能体手机则是手机本身化身为一个智能助手。AI 智能体能够理解自然语言指令，并自主串联多个应用完成比价、下单、行程规划等复杂任务。核心大模型运算全部在手机端本地完成，用户数据无需上传云端。这种从"功能叠加"升级为"智能体交互"的范式，对于用户来说，能够大幅降低复杂任务的执行门槛，在多步骤、跨应用的协作阶段具备显著效率优势。用户无需逐个打开应用、手动点击按钮，豆包手机助手可以直接在后台代为完成所有操作，用户只需在关键节点验收和纠偏。端侧智能体黑盒下的体验断层：传统分发链路的"流量蒸发"然而，端侧智能体自主执行的繁荣，并不能掩盖传统应用分发链路中长期存在的"流量蒸发"顽疾。恰恰相反，随着豆包手机助手能够理解自然语言指令，并自主串联多个应用完成比价、下单、行程规划等复杂任务，用户无需手动切换多个 App、无需逐个完成任务即可实现复杂工作流，传统应用分发链路的脆弱性被彻底暴露。让我们设想一个在端侧智能体执行环境下极其高频的获客与使用场景：一家专注于在线旅游的平台，依赖传统的应用商店搜索、搜索引擎广告和社交媒体投放获取新用户。为了在行业热潮中获客，平台在科技媒体、旅游社区以及海外 YouTube 频道投放了大量的产品评测文章，并在文章中附带了包含"专属优惠券包"的推广链接。一位刚刚关注到该平台的用户，在努比亚 NaviX Ultra 上对豆包手机助手说"帮我规划一次和去年我们喜欢的那次类似的旅行"。豆包手机助手基于长期记忆，推荐一份反映用户历史偏好、旅行习惯和消费模式的个性化行程，自动打开订票 App，完成搜索、比价、填信息等一系列操作，直到付款前才将控制权交回用户确认。在传统的网络链路中，断层随即发生：该用户从未点击任何推广链接，从未访问任何落地页，从未经历任何应用商店跳转，豆包手机助手直接完成了所有操作。最初携带的"特定评测渠道 ID"与"专属优惠券包兑换参数"在端侧智能体的自主执行下被彻底抹除。更令人抓狂的体验发生在跨设备流转时。当这位用户回到家中，准备通过 PC 端正式使用该平台时，由于手机端与 PC 端之间缺乏自动化的参数接续机制，他被迫面对一个完全空白的初始化界面。他必须重新在 PC 端搜索该平台，重新注册登录，甚至还要在手机端翻出白天的评测文章，费力地找到那一串由英文字母和数字组成的活动兑换码，并手动输入到 PC 端中。在追求极简高效的用户群体中，这种极度繁琐的断点体验直接劝退了用户。高达四成以上的潜在高净值转化，就这样在端侧智能体的自主执行下被白白消耗。开发团队不仅浪费了昂贵的推广预算，更无法得知究竟是哪个渠道带来了最终的软件付费，整个多端营销陷入了无从归因的泥沼。而在端侧智能体执行内部，问题更加隐蔽：当用户发起一个"规划一次和去年我们喜欢的那次类似的旅行"的任务后，豆包手机助手会基于长期记忆推荐个性化行程，自动打开订票 App，完成搜索、比价、填信息等一系列操作。然而，由于缺乏任务级的全链路追踪机制，开发者无法得知哪个 App 被 AI 优先推荐、哪个环节用户流失最多、哪个任务转化率最高。端侧执行如同黑盒，优化无从下手。穿透端侧智能体黑盒，任务流量与全链路归因重构闭环在端侧智能体自主执行成为主流的时代，应用开发者如果依然停留在传统应用分发思维，注定无法承接端侧智能体带来的庞大风险。面对端侧执行黑盒、流量蒸发、归因失效的割裂生态，企业必须在操作系统与端侧智能体之外，引入最专业的第三方数据引擎，用极度锋利的工程手段，强行打通端侧分发与精细化归因的高速公路。为了彻底摸清全网多渠道营销推广与端侧智能体执行的真实效果，部署系统级的全渠道统计基建是开发者掌握增长主动权的核心前提。通过这套机制，运营团队可以为各大内容平台的评测文章、旅游社区的图文推荐、乃至线下展会的每一个推广二维码，生成完全独立且自带动态业务参数的专属短链。无需在错综复杂的多端系统中进行繁琐易碎的代码埋点，开发者就能在集成的监控看板上，以极高的颗粒度俯瞰从端侧智能体首次推荐、App 激活，到最终功能订阅、任务完成的全生命周期漏斗。让每一分买量预算都拥有清晰的归因坐标，精准锁定最高价值的用户来源。而为了彻底缝合用户在跨端下载与任务流转过程中的体验断层，将流失的用户拉回转化漏斗，系统级的智能传参引擎提供了如同外科手术般的无损接续解法。当潜在用户在端侧智能体推荐下首次打开 App 的瞬间，云端匹配系统便会安全暂存该场景下的所有业务参数（如特定的专属优惠券包 ID、专属渠道标识）。待用户穿过应用商店的阻碍，在移动端或 PC 端首次启动该应用时，内置的轻量化 SDK 会自动向云端发起请求并精准寻回这些特定参数。此时，业务层可立刻触发极其丝滑的免填邀请码机制。系统在静默状态下自动识别该用户的来源归属，直接为其激活专属优惠券包权益，并瞬间跳转至最初吸引他的功能界面。这种消灭了所有手动填码障碍的无感体验，将多端应用的实际转化率提升到了全新高度。针对那些意图在移动端与 PC 端之间高频切换任务的协同场景，无缝的深度链接（DeepLink）与场景还原技术更是打破设备孤岛的终极杀器。无论用户是在端侧智能体的推荐下打开 App，还是在 PC 端的通知里触发指令，该技术都能让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的功能窗口或任务进度界面。这种彻底剥离了设备形态差异与底层系统束缚的轻量化传参赋能，真正让跨设备的端侧分发变得如行云流水般顺畅。而在端侧智能体执行内部，多终端、多云、多 Agent 的全链路归因与参数还原更是优化执行链路、降低成本的关键。通过任务级埋点与全链路追踪，开发者可以清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程。这种从"黑盒执行"到"白盒可观测"的转变，将端侧智能体的执行效率提升到了全新高度。常见问题（FAQ）NaviX Ultra 与传统 AI 手机有何本质区别？传统 AI 手机是"硬件附带 AI 功能"，类似给手机叠加几个 AI 能力，能聊天、能修图。而 NaviX Ultra 是 AI 智能体手机，手机本身化身为一个智能助手，不再沿用人迁就手机的交互逻辑，而是由手机主动理解人的需求，帮人把事办成，从理解到执行，把跨应用的操作完整办完。为什么端侧智能体执行会导致传统分发链路失效？端侧智能体能够理解自然语言指令，并自主串联多个应用完成比价、下单、行程规划等复杂任务，用户无需手动切换多个 App、无需逐个完成任务即可实现复杂工作流。这意味着传统的推广链接、落地页、应用商店跳转等分发链路被彻底绕过，导致渠道归因参数丢失，开发者无法准确衡量各渠道的真实获客 ROI。任务流量与全链路归因如何帮助优化端侧智能体执行下的分发效率？任务流量与全链路归因通过任务级埋点与全链路追踪，让开发者清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程，从而提升整体分发效率、降低成本。行业动态观察回顾端侧 AI 产业的演进脉络，从早期的"语音助手"到"智能推荐"，再到如今的"智能体交互"，每一次底层技术架构与交互范式的跃迁，都不可避免地驱动着上层商业生态的深刻洗牌。努比亚推出 NaviX Ultra 以及 AI 手机从"硬件附带 AI 功能"迈向"手机本身化身为一个智能助手"，不仅是端侧 AI 技术上的又一座里程碑，更向全行业释放了一个不可逆转的信号：端侧智能体不再仅仅是需要用户手动操作的工具，而是正在蜕变为能够主动理解人的需求、帮人把事办成的智能助手。在这场由端侧智能体领衔的范式革命中，处于应用层的开发者与增长团队必须清醒地认识到：端侧智能体的普及，并不天然等同于商业转化的成功。当用户的数字化生活被切割在端侧智能体、App 与不同设备之间时，谁能以最低的摩擦成本缝合跨设备的交互断层，谁能以最高的颗粒度观测端侧执行的全链路，谁才能将技术的性能红利转化为真实的商业留存。依靠传统应用分发粗放买量、忽视端侧执行黑盒的旧时代已经彻底终结。在未来的全场景智能生态中，真正的赢家必定是那些能够敏锐洞察端侧智能体的痛点，熟练运用底层任务流量与多终端全链路归因技术，在每一次 AI 推荐、每一次任务执行中死死捍卫数据主权与流畅体验的敏锐先锋。属于端侧 AI 原生分发与精细化任务追踪的新纪元，已在 NaviX Ultra 的轰鸣声中震撼开启。

2026-09-04

251

#努比亚 NaviX Ultra,AI 智能体手机，豆包手机，端侧 AI,任务流量，全链路归因，智能体分发，多端流转，中兴通讯，字节跳动

GPT-6 Astra 震撼发布？AGI 时代加速智能体自主执行重构分发链路

OpenAI 正式发布 GPT-6 Astra，定位为公司十年来推动通用人工智能（AGI）发展取得的关键里程碑，主打桌面自动化与 Computer Use 能力，可直接打开浏览器、填表格、跑代码、做 PPT，自己把活干完再交付。在 AGI 智能体自主执行成为主流的趋势下，任务流量的跨端流转与归因追踪成为刚需，应用开发者亟需引入多终端、多云、多 Agent 的全链路归因与参数还原技术，打破智能体执行黑盒，实现可追踪、可归因、可优化的端侧分发闭环。从辅助建议到自主执行：GPT-6 Astra 如何重构 AGI 交互范式要理解 GPT-6 Astra 对 AGI 交互范式的重构意义，必须看清当前 AI 助手的痛点与 Astra 提供的解法。当前主流 AI 助手多基于"用户在前台手动操作、AI 在旁辅助建议"的交互范式。用户需要主动打开应用、手动点击按钮、输入文字，AI 只能在侧边栏或弹窗中提供建议，无法直接代为执行任务。这种模式下，AI 的能力边界被严格限制在"建议层"，无法真正渗透到用户的实际工作流中。OpenAI 正在发布新一代技术 GPT-6，并将其定位为公司十年来推动通用人工智能（AGI）发展取得的一个关键里程碑。OpenAI 周四表示，已向 Daybreak 项目中的企业用户推出 GPT-6 Astra。该计划允许获批测试者使用 OpenAI 能力最强的模型。OpenAI 还计划向 ChatGPT 付费用户推出一个增加网络安全防护措施的版本。两个版本都设有安全机制，以防用户获取其最前沿的网络安全能力。GPT-6 Astra 在自家 ARC-AGI-3 配置下冲到 99.9%，Standard 基准也有 62.7%。训练动用了德州 Stargate 超 10 万张 GPU。目前只对少量受邀机构开放，Plus 和 API 用户还得等几天。GPT-6 Astra 采用循环 Transformer，性能提升但思考难监控，网传将发 GPT-6。这种从"辅助建议"升级为"自主执行"的范式，对于用户来说，能够大幅降低复杂任务的执行门槛，在多步骤、跨应用的协作阶段具备显著效率优势。用户无需逐个打开应用、手动点击按钮，Astra 可以直接在后台代为完成所有操作，用户只需在关键节点验收和纠偏。AGI 智能体黑盒下的体验断层：传统分发链路的"流量蒸发"然而，AGI 智能体自主执行的繁荣，并不能掩盖传统应用分发链路中长期存在的"流量蒸发"顽疾。恰恰相反，随着 GPT-6 Astra 能够直接打开浏览器、填表格、跑代码、做 PPT，自己把活干完再交付，用户无需手动切换多个 App、无需逐个完成任务即可实现复杂工作流，传统应用分发链路的脆弱性被彻底暴露。让我们设想一个在 AGI 智能体执行环境下极其高频的获客与使用场景：一家专注于企业协作 SaaS 的平台，依赖传统的应用商店搜索、搜索引擎广告和社交媒体投放获取企业用户。为了在行业热潮中获客，平台在科技媒体、企业协作社区以及海外 YouTube 频道投放了大量的产品评测文章，并在文章中附带了包含"专属企业试用包"的推广链接。一位刚刚关注到该平台的企业管理员，在 Mac 上对 Astra 说"帮我整理上周的项目文档并生成周报"。Astra 在后台静默运行，自动打开文档管理应用、搜索相关文件、整理归类、生成周报并发送邮件。在传统的网络链路中，断层随即发生：该管理员从未点击任何推广链接，从未访问任何落地页，从未经历任何应用商店跳转，Astra 直接完成了所有操作。最初携带的"特定评测渠道 ID"与"专属企业试用包兑换参数"在 AGI 智能体执行下被彻底抹除。更令人抓狂的体验发生在跨设备流转时。当这位管理员回到家中，准备通过 PC 端正式使用该平台时，由于手机端与 PC 端之间缺乏自动化的参数接续机制，他被迫面对一个完全空白的初始化界面。他必须重新在 PC 端搜索该平台，重新注册登录，甚至还要在 Mac 端翻出白天的评测文章，费力地找到那一串由英文字母和数字组成的活动兑换码，并手动输入到 PC 端中。在追求极简高效的企业用户群体中，这种极度繁琐的断点体验直接劝退了用户。高达四成以上的潜在高净值转化，就这样在 AGI 智能体执行下被白白消耗。开发团队不仅浪费了昂贵的推广预算，更无法得知究竟是哪个渠道带来了最终的软件付费，整个多端营销陷入了无从归因的泥沼。而在 AGI 智能体执行内部，问题更加隐蔽：当用户发起一个"整理项目文档并生成周报"的任务后，Astra 会在后台静默运行，自动打开文档管理应用、搜索相关文件、整理归类、生成周报并发送邮件。然而，由于缺乏任务级的全链路追踪机制，开发者无法得知哪个 App 被 AI 优先推荐、哪个环节用户流失最多、哪个任务转化率最高。AGI 执行如同黑盒，优化无从下手。穿透 AGI 智能体黑盒，任务流量与全链路归因重构闭环在 AGI 智能体自主执行成为主流的时代，应用开发者如果依然停留在传统应用分发思维，注定无法承接 AGI 带来的庞大风险。面对 AGI 执行黑盒、流量蒸发、归因失效的割裂生态，企业必须在操作系统与 AGI 智能体之外，引入最专业的第三方数据引擎，用极度锋利的工程手段，强行打通端侧分发与精细化归因的高速公路。为了彻底摸清全网多渠道营销推广与 AGI 智能体执行的真实效果，部署系统级的全渠道统计基建是开发者掌握增长主动权的核心前提。通过这套机制，运营团队可以为各大内容平台的评测文章、企业协作社区的图文推荐、乃至线下展会的每一个推广二维码，生成完全独立且自带动态业务参数的专属短链。无需在错综复杂的多端系统中进行繁琐易碎的代码埋点，开发者就能在集成的监控看板上，以极高的颗粒度俯瞰从 AGI 智能体首次推荐、App 激活，到最终功能订阅、任务完成的全生命周期漏斗。让每一分买量预算都拥有清晰的归因坐标，精准锁定最高价值的用户来源。而为了彻底缝合用户在跨端下载与任务流转过程中的体验断层，将流失的用户拉回转化漏斗，系统级的智能传参引擎提供了如同外科手术般的无损接续解法。当潜在用户在 AGI 智能体推荐下首次打开 App 的瞬间，云端匹配系统便会安全暂存该场景下的所有业务参数（如特定的专属企业试用包 ID、专属渠道标识）。待用户穿过应用商店的阻碍，在移动端或 PC 端首次启动该应用时，内置的轻量化 SDK 会自动向云端发起请求并精准寻回这些特定参数。此时，业务层可立刻触发极其丝滑的免填邀请码机制。系统在静默状态下自动识别该用户的来源归属，直接为其激活专属企业试用包权益，并瞬间跳转至最初吸引他的功能界面。这种消灭了所有手动填码障碍的无感体验，将多端应用的实际转化率提升到了全新高度。针对那些意图在移动端与 PC 端之间高频切换任务的协同场景，无缝的深度链接（DeepLink）与场景还原技术更是打破设备孤岛的终极杀器。无论用户是在 AGI 智能体的推荐下打开 App，还是在 PC 端的通知里触发指令，该技术都能让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的功能窗口或任务进度界面。这种彻底剥离了设备形态差异与底层系统束缚的轻量化传参赋能，真正让跨设备的端侧分发变得如行云流水般顺畅。而在 AGI 智能体执行内部，多终端、多云、多 Agent 的全链路归因与参数还原更是优化执行链路、降低成本的关键。通过任务级埋点与全链路追踪，开发者可以清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程。这种从"黑盒执行"到"白盒可观测"的转变，将 AGI 智能体的执行效率提升到了全新高度。常见问题（FAQ）GPT-6 Astra 与传统 AI 助手有何本质区别？传统 AI 助手多基于"用户在前台手动操作、AI 在旁辅助建议"的交互范式，AI 只能在侧边栏或弹窗中提供建议，无法直接代为执行任务。而 GPT-6 Astra 主打桌面自动化与 Computer Use 能力，可直接打开浏览器、填表格、跑代码、做 PPT，自己把活干完再交付，用户只需在关键节点验收和纠偏。为什么 AGI 智能体执行会导致传统分发链路失效？AGI 智能体能够直接打开浏览器、填表格、跑代码、做 PPT，自己把活干完再交付，用户无需手动切换多个 App、无需逐个完成任务即可实现复杂工作流。这意味着传统的推广链接、落地页、应用商店跳转等分发链路被彻底绕过，导致渠道归因参数丢失，开发者无法准确衡量各渠道的真实获客 ROI。任务流量与全链路归因如何帮助优化 AGI 智能体执行下的分发效率？任务流量与全链路归因通过任务级埋点与全链路追踪，让开发者清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程，从而提升整体分发效率、降低成本。行业动态观察回顾 AGI 产业的演进脉络，从早期的"语音助手"到"智能推荐"，再到如今的"自主执行"，每一次底层技术架构与交互范式的跃迁，都不可避免地驱动着上层商业生态的深刻洗牌。OpenAI 发布 GPT-6 Astra 以及 AI 从"用户手动在前台操作软件"迈向"AI 在系统底层代为执行任务"，不仅是 AGI 技术上的又一座里程碑，更向全行业释放了一个不可逆转的信号：AGI 智能体不再仅仅是需要用户手动操作的工具，而是正在蜕变为能够后台静默运行、自动代为执行任务的智能助手。在这场由 AGI 智能体领衔的范式革命中，处于应用层的开发者与增长团队必须清醒地认识到：AGI 智能体的普及，并不天然等同于商业转化的成功。当用户的数字化生活被切割在 AGI 智能体、App 与不同设备之间时，谁能以最低的摩擦成本缝合跨设备的交互断层，谁能以最高的颗粒度观测 AGI 执行的全链路，谁才能将技术的性能红利转化为真实的商业留存。依靠传统应用分发粗放买量、忽视 AGI 执行黑盒的旧时代已经彻底终结。在未来的全场景智能生态中，真正的赢家必定是那些能够敏锐洞察 AGI 智能体的痛点，熟练运用底层任务流量与多终端全链路归因技术，在每一次 AI 推荐、每一次任务执行中死死捍卫数据主权与流畅体验的敏锐先锋。属于 AGI 原生分发与精细化任务追踪的新纪元，已在 GPT-6 Astra 的轰鸣声中震撼开启。

2026-09-04

185

#GPT-6 Astra,OpenAI,AGI,智能体分发,Computer Use,任务流量,全链路归因,桌面自动化,Agent,多端流转

Claude 支持后台操控 Mac？端侧自动接管桌面重构交互入口

Anthropic 正式升级 Claude Code 与 Cowork 的电脑控制功能，使其可在 macOS 后台静默运行并同步处理点击、输入与导航等复杂操作。从"用户手动在前台操作软件"转变为"AI 在系统底层代为执行任务"，传统应用界面被直接穿透，倒逼开发者构建适配智能体调用的新型分发与传参链路。在端侧 Agent 自主执行成为主流的趋势下，任务流量的跨端流转与归因追踪成为刚需，应用开发者亟需引入多终端、多云、多 Agent 的全链路归因与参数还原技术，打破智能体执行黑盒，实现可追踪、可归因、可优化的端侧分发闭环。从前台手动操作到后台自动接管：Claude 如何重构人机交互范式要理解 Claude 后台操控功能对人机交互范式的重构意义，必须看清当前 AI 助手的痛点与 Claude 提供的解法。当前主流 AI 助手多基于"用户在前台手动操作、AI 在旁辅助建议"的交互范式。用户需要主动打开应用、手动点击按钮、输入文字，AI 只能在侧边栏或弹窗中提供建议，无法直接代为执行任务。这种模式下，AI 的能力边界被严格限制在"建议层"，无法真正渗透到用户的实际工作流中。Anthropic 今天（9 月 3 日）在 X 平台发布推文，宣布升级 Claude Cowork 和 Claude Code 的电脑控制功能，可以在后台操控用户 Mac。在适配要求方面，官方要求使用 macOS 15 以及更高系统版本，桌面必须保持唤醒状态，Claude Desktop 应用需保持打开。在本次更新之后，在 macOS 平台上，用户在处理其它工作的同时，Claude 可以在后台通过屏幕交互完成点击、输入和导航操作。如需 Claude 接管全屏，可在设置中调整为"完全控制"模式。该功能同时服务于 Claude Cowork 和 Claude Code 两个产品。Cowork 面向文档处理、文件整理、研究综合等知识工作，Code 专注开发任务。目前仅限 Pro 和 Max 个人订阅用户，Team 和 Enterprise 计划尚未开放。Linux 版本处于测试阶段，暂不支持电脑控制功能。这种从"前台手动操作"升级为"后台自动接管"的范式，对于用户来说，能够大幅降低复杂任务的执行门槛，在多步骤、跨应用的协作阶段具备显著效率优势。用户无需逐个打开应用、手动点击按钮，Claude 可以直接在后台代为完成所有操作，用户只需在关键节点验收和纠偏。端侧 Agent 黑盒下的体验断层：传统分发链路的"流量蒸发"然而，端侧 Agent 自主执行的繁荣，并不能掩盖传统应用分发链路中长期存在的"流量蒸发"顽疾。恰恰相反，随着 Claude 能够在后台静默运行并同步处理点击、输入与导航等复杂操作，用户无需手动切换多个 App、无需逐个完成任务即可实现复杂工作流，传统应用分发链路的脆弱性被彻底暴露。让我们设想一个在端侧 Agent 执行环境下极其高频的获客与使用场景：一家专注于企业协作 SaaS 的平台，依赖传统的应用商店搜索、搜索引擎广告和社交媒体投放获取企业用户。为了在行业热潮中获客，平台在科技媒体、企业协作社区以及海外 YouTube 频道投放了大量的产品评测文章，并在文章中附带了包含"专属企业试用包"的推广链接。一位刚刚关注到该平台的企业管理员，在 Mac 上对 Claude 说"帮我整理上周的项目文档并生成周报"。Claude 在后台静默运行，自动打开文档管理应用、搜索相关文件、整理归类、生成周报并发送邮件。在传统的网络链路中，断层随即发生：该管理员从未点击任何推广链接，从未访问任何落地页，从未经历任何应用商店跳转，Claude 直接完成了所有操作。最初携带的"特定评测渠道 ID"与"专属企业试用包兑换参数"在端侧 Agent 执行下被彻底抹除。更令人抓狂的体验发生在跨设备流转时。当这位管理员回到家中，准备通过 PC 端正式使用该平台时，由于手机端与 PC 端之间缺乏自动化的参数接续机制，他被迫面对一个完全空白的初始化界面。他必须重新在 PC 端搜索该平台，重新注册登录，甚至还要在 Mac 端翻出白天的评测文章，费力地找到那一串由英文字母和数字组成的活动兑换码，并手动输入到 PC 端中。在追求极简高效的企业用户群体中，这种极度繁琐的断点体验直接劝退了用户。高达四成以上的潜在高净值转化，就这样在端侧 Agent 执行下被白白消耗。开发团队不仅浪费了昂贵的推广预算，更无法得知究竟是哪个渠道带来了最终的软件付费，整个多端营销陷入了无从归因的泥沼。而在端侧 Agent 执行内部，问题更加隐蔽：当用户发起一个"整理项目文档并生成周报"的任务后，Claude 会在后台静默运行，自动打开文档管理应用、搜索相关文件、整理归类、生成周报并发送邮件。然而，由于缺乏任务级的全链路追踪机制，开发者无法得知哪个 App 被 AI 优先推荐、哪个环节用户流失最多、哪个任务转化率最高。端侧执行如同黑盒，优化无从下手。穿透端侧 Agent 黑盒，任务流量与全链路归因重构闭环在端侧 Agent 自主执行成为主流的时代，应用开发者如果依然停留在传统应用分发思维，注定无法承接端侧智能体带来的庞大风险。面对端侧执行黑盒、流量蒸发、归因失效的割裂生态，企业必须在操作系统与端侧智能体之外，引入最专业的第三方数据引擎，用极度锋利的工程手段，强行打通端侧分发与精细化归因的高速公路。为了彻底摸清全网多渠道营销推广与端侧 Agent 执行的真实效果，部署系统级的全渠道统计基建是开发者掌握增长主动权的核心前提。通过这套机制，运营团队可以为各大内容平台的评测文章、企业协作社区的图文推荐、乃至线下展会的每一个推广二维码，生成完全独立且自带动态业务参数的专属短链。无需在错综复杂的多端系统中进行繁琐易碎的代码埋点，开发者就能在集成的监控看板上，以极高的颗粒度俯瞰从端侧 Agent 首次推荐、App 激活，到最终功能订阅、任务完成的全生命周期漏斗。让每一分买量预算都拥有清晰的归因坐标，精准锁定最高价值的用户来源。而为了彻底缝合用户在跨端下载与任务流转过程中的体验断层，将流失的用户拉回转化漏斗，系统级的智能传参引擎提供了如同外科手术般的无损接续解法。当潜在用户在端侧 Agent 推荐下首次打开 App 的瞬间，云端匹配系统便会安全暂存该场景下的所有业务参数（如特定的专属企业试用包 ID、专属渠道标识）。待用户穿过应用商店的阻碍，在移动端或 PC 端首次启动该应用时，内置的轻量化 SDK 会自动向云端发起请求并精准寻回这些特定参数。此时，业务层可立刻触发极其丝滑的免填邀请码机制。系统在静默状态下自动识别该用户的来源归属，直接为其激活专属企业试用包权益，并瞬间跳转至最初吸引他的功能界面。这种消灭了所有手动填码障碍的无感体验，将多端应用的实际转化率提升到了全新高度。针对那些意图在移动端与 PC 端之间高频切换任务的协同场景，无缝的深度链接（DeepLink）与场景还原技术更是打破设备孤岛的终极杀器。无论用户是在端侧 Agent 的推荐下打开 App，还是在 PC 端的通知里触发指令，该技术都能让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的功能窗口或任务进度界面。这种彻底剥离了设备形态差异与底层系统束缚的轻量化传参赋能，真正让跨设备的端侧分发变得如行云流水般顺畅。而在端侧 Agent 执行内部，多终端、多云、多 Agent 的全链路归因与参数还原更是优化执行链路、降低成本的关键。通过任务级埋点与全链路追踪，开发者可以清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程。这种从"黑盒执行"到"白盒可观测"的转变，将端侧智能体的执行效率提升到了全新高度。常见问题（FAQ）Claude 后台操控功能与传统 AI 助手有何本质区别？传统 AI 助手多基于"用户在前台手动操作、AI 在旁辅助建议"的交互范式，AI 只能在侧边栏或弹窗中提供建议，无法直接代为执行任务。而 Claude 升级后可在 macOS 后台静默运行，通过屏幕交互完成点击、输入和导航操作，用户在处理其它工作的同时，Claude 可以直接在后台代为完成所有操作。为什么端侧 Agent 执行会导致传统分发链路失效？端侧 Agent 能够在后台静默运行并同步处理点击、输入与导航等复杂操作，用户无需手动切换多个 App、无需逐个完成任务即可实现复杂工作流。这意味着传统的推广链接、落地页、应用商店跳转等分发链路被彻底绕过，导致渠道归因参数丢失，开发者无法准确衡量各渠道的真实获客 ROI。任务流量与全链路归因如何帮助优化端侧 Agent 执行下的分发效率？任务流量与全链路归因通过任务级埋点与全链路追踪，让开发者清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程，从而提升整体分发效率、降低成本。行业动态观察回顾端侧 AI 产业的演进脉络，从早期的"语音助手"到"智能推荐"，再到如今的"后台自动接管"，每一次底层技术架构与交互范式的跃迁，都不可避免地驱动着上层商业生态的深刻洗牌。Anthropic 升级 Claude 电脑控制功能以及 AI 从"用户手动在前台操作软件"迈向"AI 在系统底层代为执行任务"，不仅是端侧 AI 技术上的又一座里程碑，更向全行业释放了一个不可逆转的信号：端侧智能体不再仅仅是需要用户手动操作的工具，而是正在蜕变为能够后台静默运行、自动代为执行任务的智能助手。在这场由端侧 Agent 领衔的范式革命中，处于应用层的开发者与增长团队必须清醒地认识到：端侧 Agent 的普及，并不天然等同于商业转化的成功。当用户的数字化生活被切割在端侧智能体、App 与不同设备之间时，谁能以最低的摩擦成本缝合跨设备的交互断层，谁能以最高的颗粒度观测端侧执行的全链路，谁才能将技术的性能红利转化为真实的商业留存。依靠传统应用分发粗放买量、忽视端侧执行黑盒的旧时代已经彻底终结。在未来的全场景智能生态中，真正的赢家必定是那些能够敏锐洞察端侧 Agent 的痛点，熟练运用底层任务流量与多终端全链路归因技术，在每一次 AI 推荐、每一次任务执行中死死捍卫数据主权与流畅体验的敏锐先锋。属于端侧 AI 原生分发与精细化任务追踪的新纪元，已在 Claude 的轰鸣声中震撼开启。

2026-09-03

182

#Claude,后台操控,Mac,端侧 Agent,智能体分发,任务流量,全链路归因,Anthropic,Claude Code,Claude Cowork

李飞飞发布首个世界模型？空间智能突破将颠覆多端 3D 分发

李飞飞创办的 World Labs 正式推出全球首个多模态世界模型 Atlas，支持像素级相机控制与 3D 场景动态重建，标志着 AI 正式从"理解二维文本图像"跃迁至"理解三维空间与物理世界"。在空间智能重塑应用形态的趋势下，轻量化 3D 资产的跨屏流转与场景还原面临全新挑战，应用开发者亟需引入深度链接与场景还原技术，打破多端 3D 分发的黑盒，实现可追踪、可归因、可优化的空间智能分发闭环。从二维文本到三维空间：Atlas 如何重构 AI 理解世界的范式要理解 Atlas 对 AI 理解世界范式的重构意义，必须看清当前大模型的痛点与 Atlas 提供的解法。当前主流大语言模型被李飞飞形容为"黑暗里的文字高手"，能谈论现实，却缺少真正生活在现实中的经验。一个模型可以解释杯子为什么会从桌上掉下来，但机器人真要伸手拿杯子，还得知道杯子离桌边多远、手从哪个方向过去，以及碰到它以后整个场景会发生什么变化。传统视频生成模型在镜头控制上存在"玄学抽奖"问题，用户在 Prompt 框里敲下"镜头缓慢向左拉升、绕着人物微仰角旋转"，回车之后全凭老天保佑。Atlas 则是一款面向空间智能的 omni world model，从零开始完成预训练，可以原生处理文本、图像、视频、相机位姿与 3D 深度信息，并在同一套模型中完成世界生成、空间重建和时空模拟。Atlas 的做法是直接把"相机位姿参数"当作底层原生输入，用户要什么角度、什么轨迹、走多快，直接给坐标。只要丢进去 1 到 6 张普通照片，定好运镜轨迹，Atlas 就能生成最长达 1 分钟、1440p 分辨率的大片，画面不崩，空间几何丝滑一致。Atlas 的空间"脑补力"更加夸张。输入一张只拍到机器人正面的照片，Atlas 能把人家背影完完整整脑补出来；给一张泳池边角照，它靠着脑子里的"世界常识"，默默帮你把隔壁没拍到的草坪和远山给修好了。在 DTU、ETH3D、ScanNet 等公开数据集上，Atlas 在稀疏视角重建误差测试中拿下 25.3 的分数，对比之下 Pi3X 是 28.7，Depth Anything 3 飙到 39.3，MapAnything 更是高达 47.7。技术底座上，World Labs 掏出了一套 Multimodal Autoregressive Diffusion Transformer 组合拳。这套架构让 Atlas 能够同时享受到 LLM 领域的 KV Cache、分布式推理优化，以及扩散模型的采样蒸馏与先验引导。在针对镜头运动控制的真人盲测里，Atlas 面对 MiniMax H3 胜率 75%，面对 Gemini Omni Flash 胜率 81%，面对 FLUX 3 胜率 93%，面对 Seedance 2.5 胜率达到 94%。空间智能黑盒下的体验断层：传统 3D 分发链路的"流量蒸发"然而，空间智能的繁荣，并不能掩盖传统 3D 资产分发链路中长期存在的"流量蒸发"顽疾。恰恰相反，随着 Atlas 能够基于少量照片生成可漫游的 3D 场景、支持像素级相机控制与多视角切换，用户无需专业设备、无需大量拍摄即可完成 3D 重建，传统 3D 资产分发链路的脆弱性被彻底暴露。让我们设想一个在空间智能执行环境下极其高频的获客与使用场景：一家专注于 3D 建模与虚拟场景搭建的 SaaS 平台，依赖传统的应用商店搜索、搜索引擎广告和社交媒体投放获取企业用户。为了在行业热潮中获客，平台在科技媒体、3D 设计社区以及海外 YouTube 频道投放了大量的产品评测文章，并在文章中附带了包含"专属企业试用包"的推广链接。一位刚刚关注到该平台的 3D 设计师，在手机上用 Atlas 生成了一个可漫游的 3D 场景。Atlas 基于少量照片重建出完整的 3D 空间，支持多视角切换与相机轨迹控制，用户无需专业设备、无需大量拍摄即可完成 3D 重建。在传统的网络链路中，断层随即发生：该设计师从未点击任何推广链接，从未访问任何落地页，从未经历任何应用商店跳转，Atlas 直接完成了所有操作。最初携带的"特定评测渠道 ID"与"专属企业试用包兑换参数"在空间智能执行下被彻底抹除。更令人抓狂的体验发生在跨设备流转时。当这位设计师回到家中，准备通过 PC 端正式使用该平台时，由于手机端与 PC 端之间缺乏自动化的参数接续机制，他被迫面对一个完全空白的初始化界面。他必须重新在 PC 端搜索该平台，重新注册登录，甚至还要在手机端翻出白天的评测文章，费力地找到那一串由英文字母和数字组成的活动兑换码，并手动输入到 PC 端中。在追求极简高效的企业用户群体中，这种极度繁琐的断点体验直接劝退了用户。高达四成以上的潜在高净值转化，就这样在空间智能执行下被白白消耗。开发团队不仅浪费了昂贵的推广预算，更无法得知究竟是哪个渠道带来了最终的软件付费，整个多端营销陷入了无从归因的泥沼。而在空间智能执行内部，问题更加隐蔽：当用户发起一个"基于少量照片生成可漫游 3D 场景"的任务后，Atlas 会基于少量照片重建出完整的 3D 空间，支持多视角切换与相机轨迹控制。然而，由于缺乏任务级的全链路追踪机制，开发者无法得知哪个 App 被 AI 优先推荐、哪个环节用户流失最多、哪个任务转化率最高。空间智能执行如同黑盒，优化无从下手。穿透空间智能黑盒，深度链接与场景还原重构 3D 分发闭环在空间智能成为主流的时代，应用开发者如果依然停留在传统 3D 资产分发思维，注定无法承接空间智能带来的庞大风险。面对空间智能执行黑盒、流量蒸发、归因失效的割裂生态，企业必须在操作系统与空间智能模型之外，引入最专业的第三方数据引擎，用极度锋利的工程手段，强行打通端侧分发与精细化归因的高速公路。为了彻底摸清全网多渠道营销推广与空间智能执行的真实效果，部署系统级的全渠道统计基建是开发者掌握增长主动权的核心前提。通过这套机制，运营团队可以为各大内容平台的评测文章、3D 设计社区的图文推荐、乃至线下展会的每一个推广二维码，生成完全独立且自带动态业务参数的专属短链。无需在错综复杂的多端系统中进行繁琐易碎的代码埋点，开发者就能在集成的监控看板上，以极高的颗粒度俯瞰从空间智能首次推荐、App 激活，到最终功能订阅、任务完成的全生命周期漏斗。让每一分买量预算都拥有清晰的归因坐标，精准锁定最高价值的用户来源。而为了彻底缝合用户在跨端下载与任务流转过程中的体验断层，将流失的用户拉回转化漏斗，系统级的智能传参引擎提供了如同外科手术般的无损接续解法。当潜在用户在空间智能推荐下首次打开 App 的瞬间，云端匹配系统便会安全暂存该场景下的所有业务参数（如特定的专属企业试用包 ID、专属渠道标识）。待用户穿过应用商店的阻碍，在移动端或 PC 端首次启动该应用时，内置的轻量化 SDK 会自动向云端发起请求并精准寻回这些特定参数。此时，业务层可立刻触发极其丝滑的免填邀请码机制。系统在静默状态下自动识别该用户的来源归属，直接为其激活专属企业试用包权益，并瞬间跳转至最初吸引他的功能界面。这种消灭了所有手动填码障碍的无感体验，将多端应用的实际转化率提升到了全新高度。针对那些意图在移动端与 PC 端之间高频切换任务的协同场景，无缝的深度链接（DeepLink）与场景还原技术更是打破设备孤岛的终极杀器。无论用户是在空间智能的推荐下打开 App，还是在 PC 端的通知里触发指令，该技术都能让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的功能窗口或任务进度界面。这种彻底剥离了设备形态差异与底层系统束缚的轻量化传参赋能，真正让跨设备的端侧分发变得如行云流水般顺畅。而在空间智能执行内部，多终端、多云、多 Agent 的全链路归因与参数还原更是优化执行链路、降低成本的关键。通过任务级埋点与全链路追踪，开发者可以清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程。这种从"黑盒执行"到"白盒可观测"的转变，将空间智能的执行效率提升到了全新高度。常见问题（FAQ）Atlas 与传统视频生成模型有何本质区别？传统视频生成模型在镜头控制上存在"玄学抽奖"问题，用户在 Prompt 框里敲下镜头控制指令后全凭模型随机发挥。而 Atlas 直接把"相机位姿参数"当作底层原生输入，用户要什么角度、什么轨迹、走多快，直接给坐标，只要丢进去 1 到 6 张普通照片，定好运镜轨迹，Atlas 就能生成最长达 1 分钟、1440p 分辨率的大片。为什么空间智能执行会导致传统 3D 分发链路失效？空间智能能够基于少量照片生成可漫游的 3D 场景、支持像素级相机控制与多视角切换，用户无需专业设备、无需大量拍摄即可完成 3D 重建。这意味着传统的推广链接、落地页、应用商店跳转等分发链路被彻底绕过，导致渠道归因参数丢失，开发者无法准确衡量各渠道的真实获客 ROI。深度链接与场景还原如何帮助优化空间智能执行下的 3D 分发效率？深度链接与场景还原通过任务级埋点与全链路追踪，让开发者清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程，从而提升整体分发效率、降低成本。行业动态观察回顾空间智能产业的演进脉络，从早期的"图像识别"到"视频生成"，再到如今的"世界模型"，每一次底层技术架构与交互范式的跃迁，都不可避免地驱动着上层商业生态的深刻洗牌。李飞飞推出 Atlas 以及 AI 从"理解二维文本图像"迈向"理解三维空间与物理世界"，不仅是空间智能技术上的又一座里程碑，更向全行业释放了一个不可逆转的信号：空间智能不再仅仅是需要用户专业操作的工具，而是正在蜕变为能够基于少量照片自动生成可漫游 3D 场景的智能助手。在这场由空间智能领衔的范式革命中，处于应用层的开发者与增长团队必须清醒地认识到：空间智能的普及，并不天然等同于商业转化的成功。当用户的数字化生活被切割在空间智能模型、App 与不同设备之间时，谁能以最低的摩擦成本缝合跨设备的交互断层，谁能以最高的颗粒度观测空间智能执行的全链路，谁才能将技术的性能红利转化为真实的商业留存。依靠传统 3D 资产分发粗放买量、忽视空间智能执行黑盒的旧时代已经彻底终结。在未来的全场景智能生态中，真正的赢家必定是那些能够敏锐洞察空间智能的痛点，熟练运用底层深度链接与场景还原技术，在每一次空间智能推荐、每一次 3D 任务执行中死死捍卫数据主权与流畅体验的敏锐先锋。属于空间智能原生分发与精细化任务追踪的新纪元，已在 Atlas 的轰鸣声中震撼开启。

2026-09-03

171

#李飞飞,Atlas,世界模型,空间智能,3D 分发,深度链接,场景还原,多端流转,全渠道归因,World Labs

阿里云企业级 Agent 协作平台公测？万有无界加速智能体任务编排与分发

阿里云企业级 Agent 协作平台公测？这一在企业级 AI 与智能体协作领域引发剧烈震荡的里程碑事件，随着 9 月 2 日阿里云官方消息的正式发布而迅速成为行业焦点。阿里云旗下企业级人与 Agent 协作平台"万有无界"正式开启公测，企业用户和个人用户均可通过官网（https://www.qianwenai.com/agents/wanyou）注册体验，可调用阿里最新旗舰模型 Qwen3.8-Max。万有无界是一个多角色 Agent 协作工作台。与让单一 AI Agent 大包大揽不同，它把一件复杂的事拆解给多位有不同职责的 Agent——在"项目空间"里组织成员和资产，通过群聊让多位 Agent 围绕同一个任务接力推进，过程中的产出沉淀到资产库，成为企业可复用的数字资产。阿里云表示，万有无界已面向企业用户开放公测，管理员购买企业订阅套餐后，可以根据席位数量配置成员，管理企业 AI 资源、企业公共知识库。这一从"单一大包大揽"迈向"多角色分工接力"的范式转移，不仅标志着企业级 Agent 协作正式进入规模化商用时代，更意味着企业智能体工作流正在被彻底重构。然而，当企业级 Agent 协作从单一智能体执行扩展为多角色分工接力，一个深层次的软件生态痛点也随之浮现：在多 Agent 协作执行跨应用任务的黑色链路中，应用开发者究竟该如何穿透系统黑盒，确保每一次任务编排、Agent 推荐与用户转化都能实现可追踪、可归因、可转化的精准引流？从单一大包大揽到多角色分工接力：万有无界如何重构企业级 Agent 协作要理解万有无界对企业级 Agent 协作的重构意义，必须看清当前企业级 AI 的痛点与万有无界提供的解法。当前主流企业级 AI 工具多基于单一 AI Agent 大包大揽的设计范式，一个 Agent 需要承担所有任务，从任务规划、执行到结果交付全部由单一智能体完成。整个过程繁琐且容易断裂，单一 Agent 难以应对复杂的多步骤、多角色协作任务，且产出无法沉淀为企业可复用的数字资产。万有无界则是一个多角色 Agent 协作工作台，把一件复杂的事拆解给多位有不同职责的 Agent。在"项目空间"里组织成员和资产，通过群聊让多位 Agent 围绕同一个任务接力推进，过程中的产出沉淀到资产库，成为企业可复用的数字资产。整个平台围绕几个核心功能展开：项目空间是组织协作的容器，把群聊、成员、资产归拢到同一个项目下；Agent 会话分为单聊和群聊两种形态，用户既可以单独与 Agent 对话，也可以在群聊里与多个 Agent 协作；项目由 PMO Agent"小有"依据 SOP 模板动态规划任务，分配给人与 Agent 成员，共同协作推进；资产库自动留存工作过程中生成的文件，随时可以找回；AI 商城则供管理员筛选和配置 AI 资源。万有无界设有两个主 Agent："小万"归属于用户，是个人总助理；"小有"归属于项目，扮演项目经理角色，可依据流程规划任务、生成分派方案、推动进展并组织复盘。与传统 AI Agent 相比，万有无界上的 Agent 拥有长期身份、组织记忆、权限边界与协作机制——可被指派、被考核，产出归属明确；项目中的决策与判断依据按照项目留存，在授权范围内可被其他项目引用；记忆、资产、工具的可用范围由管理员定义，Agent 只在受控边界内行动；多人与多 Agent 按节点分工、按前后置条件接力推进项目，人可以在关键节点验收和纠偏。以影视创作场景为例，用户可以选择"AI 影视短剧创作项目"模版创建项目空间，一部竖屏短剧从选题到成片全程在同一个项目空间推进，文本创作、影视资产、视频制作、合规审查、发行与宣发等 9 个 Agent 从项目开始到结束持续在岗，完成从故事想法到成片上线的一站式生产。项目结束后，流程、判断标准和协作经验自动沉淀为模板，同类项目直接基于模板启动，用户只需调整差异部分。这种从"单一智能体执行"升级为"多角色分工接力"的范式，对于企业来说，能够大幅降低复杂任务的执行门槛，在多步骤、多角色协作阶段具备显著效率优势。多 Agent 协作黑盒下的体验断层：传统分发链路的"流量蒸发"然而，多 Agent 协作执行的繁荣，并不能掩盖传统应用分发链路中长期存在的"流量蒸发"顽疾。恰恰相反，随着多 Agent 能够按节点分工、按前后置条件接力推进项目，用户无需手动切换多个 App、无需逐个完成任务即可实现复杂工作流，传统应用分发链路的脆弱性被彻底暴露。让我们设想一个在多 Agent 协作执行环境下极其高频的获客与使用场景：一家专注于企业协作 SaaS 的平台，依赖传统的应用商店搜索、搜索引擎广告和社交媒体投放获取企业用户。为了在行业热潮中获客，平台在科技媒体、企业协作社区以及海外 YouTube 频道投放了大量的产品评测文章，并在文章中附带了包含"专属企业试用包"的推广链接。一位刚刚关注到该平台的企业管理员，在万有无界上创建了一个"AI 影视短剧创作项目"。PMO Agent"小有"依据 SOP 模板动态规划任务，将任务分配给文本创作、视频制作、合规审查等 9 个 Agent，多 Agent 按节点分工、按前后置条件接力推进项目。在传统的网络链路中，断层随即发生：该管理员从未点击任何推广链接，从未访问任何落地页，从未经历任何应用商店跳转，多 Agent 直接完成了所有操作。最初携带的"特定评测渠道 ID"与"专属企业试用包兑换参数"在多 Agent 协作执行下被彻底抹除。更令人抓狂的体验发生在跨设备流转时。当这位管理员回到家中，准备通过 PC 端正式使用该平台时，由于手机端与 PC 端之间缺乏自动化的参数接续机制，他被迫面对一个完全空白的初始化界面。他必须重新在 PC 端搜索该平台，重新注册登录，甚至还要在手机端翻出白天的评测文章，费力地找到那一串由英文字母和数字组成的活动兑换码，并手动输入到 PC 端中。在追求极简高效的企业用户群体中，这种极度繁琐的断点体验直接劝退了用户。高达四成以上的潜在高净值转化，就这样在多 Agent 协作执行下被白白消耗。开发团队不仅浪费了昂贵的推广预算，更无法得知究竟是哪个渠道带来了最终的软件付费，整个多端营销陷入了无从归因的泥沼。而在多 Agent 协作执行内部，问题更加隐蔽：当用户发起一个"AI 影视短剧创作项目"的任务后，PMO Agent"小有"会依据 SOP 模板动态规划任务，将任务分配给文本创作、视频制作、合规审查等 9 个 Agent，多 Agent 按节点分工、按前后置条件接力推进项目。然而，由于缺乏任务级的全链路追踪机制，开发者无法得知哪个 Agent 被优先推荐、哪个环节用户流失最多、哪个任务转化率最高。多 Agent 协作执行如同黑盒，优化无从下手。穿透多 Agent 黑盒，任务流量与多终端全链路归因重构闭环在多 Agent 协作执行成为主流的时代，应用开发者如果依然停留在传统应用分发思维，注定无法承接企业级 Agent 协作带来的庞大风险。面对多 Agent 执行黑盒、流量蒸发、归因失效的割裂生态，企业必须在操作系统与多 Agent 协作平台之外，引入最专业的第三方数据引擎，用极度锋利的工程手段，强行打通端侧分发与精细化归因的高速公路。为了彻底摸清全网多渠道营销推广与多 Agent 协作执行的真实效果，部署系统级的全渠道统计基建是开发者掌握增长主动权的核心前提。通过这套机制，运营团队可以为各大内容平台的评测文章、企业协作社区的图文推荐、乃至线下展会的每一个推广二维码，生成完全独立且自带动态业务参数的专属短链。无需在错综复杂的多端系统中进行繁琐易碎的代码埋点，开发者就能在集成的监控看板上，以极高的颗粒度俯瞰从多 Agent 首次推荐、App 激活，到最终功能订阅、任务完成的全生命周期漏斗。让每一分买量预算都拥有清晰的归因坐标，精准锁定最高价值的用户来源。而为了彻底缝合用户在跨端下载与任务流转过程中的体验断层，将流失的用户拉回转化漏斗，系统级的智能传参引擎提供了如同外科手术般的无损接续解法。当潜在用户在多 Agent 推荐下首次打开 App 的瞬间，云端匹配系统便会安全暂存该场景下的所有业务参数（如特定的专属企业试用包 ID、专属渠道标识）。待用户穿过应用商店的阻碍，在移动端或 PC 端首次启动该应用时，内置的轻量化 SDK 会自动向云端发起请求并精准寻回这些特定参数。此时，业务层可立刻触发极其丝滑的免填邀请码机制。系统在静默状态下自动识别该用户的来源归属，直接为其激活专属企业试用包权益，并瞬间跳转至最初吸引他的功能界面。这种消灭了所有手动填码障碍的无感体验，将多端应用的实际转化率提升到了全新高度。针对那些意图在移动端与 PC 端之间高频切换任务的协同场景，无缝的深度链接（DeepLink）与场景还原技术更是打破设备孤岛的终极杀器。无论用户是在多 Agent 的推荐下打开 App，还是在 PC 端的通知里触发指令，该技术都能让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的功能窗口或任务进度界面。这种彻底剥离了设备形态差异与底层系统束缚的轻量化传参赋能，真正让跨设备的端侧分发变得如行云流水般顺畅。而在多 Agent 协作执行内部，多终端、多云、多 Agent 的全链路归因与参数还原更是优化执行链路、降低成本的关键。通过任务级埋点与全链路追踪，开发者可以清晰看到每个 Agent 被推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 Agent 被推荐频次低或任务转化率低时，可以针对性优化该 Agent 的 AI 适配、接口开放或交互流程。这种从"黑盒执行"到"白盒可观测"的转变，将多 Agent 协作执行的效率提升到了全新高度。常见问题（FAQ）万有无界与传统企业级 AI 工具有何本质区别？传统企业级 AI 工具多基于单一 AI Agent 大包大揽的设计范式，一个 Agent 需要承担所有任务。而万有无界是一个多角色 Agent 协作工作台，把一件复杂的事拆解给多位有不同职责的 Agent，在"项目空间"里组织成员和资产，通过群聊让多位 Agent 围绕同一个任务接力推进，过程中的产出沉淀到资产库，成为企业可复用的数字资产。为什么多 Agent 协作执行会导致传统分发链路失效？多 Agent 能够按节点分工、按前后置条件接力推进项目，用户无需手动切换多个 App、无需逐个完成任务即可实现复杂工作流。这意味着传统的推广链接、落地页、应用商店跳转等分发链路被彻底绕过，导致渠道归因参数丢失，开发者无法准确衡量各渠道的真实获客 ROI。任务流量与多终端全链路归因如何帮助优化多 Agent 协作执行下的分发效率？任务流量与多终端全链路归因通过任务级埋点与全链路追踪，让开发者清晰看到每个 Agent 被推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 Agent 被推荐频次低或任务转化率低时，可以针对性优化该 Agent 的 AI 适配、接口开放或交互流程，从而提升整体分发效率、降低成本。行业动态观察回顾企业级 AI 产业的演进脉络，从早期的"单一智能体执行"到"多角色分工接力"，再到如今的"企业级 Agent 协作平台"，每一次底层技术架构与交互范式的跃迁，都不可避免地驱动着上层商业生态的深刻洗牌。阿里云推出万有无界以及企业级 Agent 协作从"单一大包大揽"迈向"多角色分工接力"，不仅是企业级 AI 技术上的又一座里程碑，更向全行业释放了一个不可逆转的信号：企业级 AI 不再仅仅是需要用户手动操作的工具，而是正在蜕变为能够多角色分工接力、自动沉淀为企业可复用数字资产的智能协作平台。在这场由多 Agent 协作领衔的范式革命中，处于应用层的开发者与增长团队必须清醒地认识到：多 Agent 协作的普及，并不天然等同于商业转化的成功。当用户的数字化生活被切割在多 Agent 协作平台、App 与不同设备之间时，谁能以最低的摩擦成本缝合跨设备的交互断层，谁能以最高的颗粒度观测多 Agent 协作执行的全链路，谁才能将技术的性能红利转化为真实的商业留存。依靠传统应用分发粗放买量、忽视多 Agent 执行黑盒的旧时代已经彻底终结。在未来的全场景智能生态中，真正的赢家必定是那些能够敏锐洞察多 Agent 协作的痛点，熟练运用底层任务流量与多终端全链路归因技术，在每一次多 Agent 推荐、每一次任务执行中死死捍卫数据主权与流畅体验的敏锐先锋。属于企业级 AI 原生分发与精细化任务追踪的新纪元，已在万有无界的轰鸣声中震撼开启。

OPPO 推出首个端侧 AI 记忆评测基准？MobileMem 加速智能体能力标准化

OPPO 推出首个端侧 AI 记忆评测基准？这一在端侧 AI 与智能体领域引发剧烈震荡的里程碑事件，随着 9 月 2 日 OPPO 官方新闻稿的正式发布而迅速成为行业焦点。OPPO 联合中文开放知识图谱（OpenKG）社区，推出行业首个面向端侧 AI 记忆能力的评测基准 MobileMem，同时携手浙江大学、同济大学、东南大学等高校专家团队共同建设。通过构建统一、开放的评测"标尺"，MobileMem 让不同技术路线在同一标准下实现可比较、可迭代，加速端侧 AI 记忆技术发展。OPPO ColorOS 智慧产品研发总监姜昱辰表示："长期记忆能力是端侧 AI 迈向个性化智能体验的重要基础。OPPO AI 长期致力于端侧记忆技术的基础研究。MobileMem 不仅是一套评测基准，更是加速记忆技术在端侧 AI 落地的行业基础设施。“这一从"贡献数据"迈向"共建生态"的范式转移，不仅标志着端侧 AI 记忆能力正式进入标准化时代，更意味着端侧智能体正在被彻底重构。然而，当端侧 AI 记忆能力从"回答问题"迈向"长期理解用户和主动任务执行”，一个深层次的软件生态痛点也随之浮现：在端侧智能体基于长期记忆自主执行跨应用任务的黑色链路中，应用开发者究竟该如何穿透系统黑盒，确保每一次 AI 推荐、任务执行与用户转化都能实现可追踪、可归因、可转化的精准引流？从回答问题到长期理解：MobileMem 如何重构端侧 AI 记忆要理解 MobileMem 对端侧 AI 记忆能力的重构意义，必须看清当前端侧 AI 的痛点与 MobileMem 提供的解法。近年来，长期记忆和长程智能体能力评测已取得大量研究进展，但针对移动端长期个性化、多模态生活场景的系统性评测仍相对不足。与云端智能体相比，端侧 AI 需要在有限算力、有限存储和隐私保护等约束下，持续积累、更新和利用用户长期记忆，其能力边界和优化目标具有明显差异。缺乏统一、开放的评测参考，使端侧 Agent 开发者难以开展有效的 A/B 测试和性能回归，研究者也难以在一致的任务和评价协议下客观比较不同方案，进而制约了相关技术的持续迭代与生态发展。OPPO 携手中文开放知识图谱（OpenKG）社区，联合浙江大学、同济大学、东南大学等主流高校专家教授团队，基于前沿研究与实际端侧场景实践，共同推出端侧 AI 记忆评测基准——端侧 AI 记忆 Benchmark「MobileMem」，为行业提供开放的评测参考。该基准评测数据集累计历史上下文规模达百万词元，用于模拟真实用户长期使用过程。MobileMem 聚焦端侧 AI 的真实使用场景与长期个性化需求，主要包括三大核心技术维度：长期事件建模与检索，覆盖跨时间、跨应用、跨模态事件的记忆存储、更新与检索能力；跨模态关联与推理，覆盖文本、图像等多模态信息之间的关联理解与推理能力，包括时序推理、关系推理和问答；持续演化与个性化适应，覆盖用户偏好、社交关系和事件状态随时间变化后的持续更新能力。举个例子，「个人生活伴侣」场景中。一个家庭正在计划今年的假期旅行，用户问："你能帮我规划一次和去年我们喜欢的那次类似的旅行吗？"助手不是生成通用的旅行推荐，而是基于长期记忆，推荐一份反映用户历史偏好、旅行习惯和消费模式的个性化行程，同时避免之前已发现的不便之处。该场景体现了 MobileMem 对复杂个人记忆任务的综合处理能力，涵盖长期偏好建模、时间维度的信息聚合、多模态推理、记忆关联和个性化决策等关键能力。端侧记忆黑盒下的体验断层：传统分发链路的"流量蒸发"然而，端侧 AI 记忆能力标准化后的繁荣，并不能掩盖传统应用分发链路中长期存在的"流量蒸发"顽疾。恰恰相反，随着端侧智能体能够基于长期记忆自主理解用户意图、推荐个性化内容、执行跨应用任务，用户无需手动搜索、无需点击任何链接即可完成需求，传统应用分发链路的脆弱性被彻底暴露。让我们设想一个在端侧智能体执行环境下极其高频的获客与使用场景：一家专注于在线旅游的平台，依赖传统的应用商店搜索、搜索引擎广告和社交媒体投放获取新用户。为了在行业热潮中获客，平台在科技媒体、旅游社区以及海外 YouTube 频道投放了大量的产品评测文章，并在文章中附带了包含"专属优惠券包"的推广链接。一位刚刚关注到该平台的用户，在 OPPO 手机上对 AI 说"帮我规划一次和去年我们喜欢的那次类似的旅行"。端侧智能体基于长期记忆，推荐一份反映用户历史偏好、旅行习惯和消费模式的个性化行程，自动打开订票 App，完成搜索、比价、填信息等一系列操作，直到付款前才将控制权交回用户确认。在传统的网络链路中，断层随即发生：该用户从未点击任何推广链接，从未访问任何落地页，从未经历任何应用商店跳转，端侧智能体直接完成了所有操作。最初携带的"特定评测渠道 ID"与"专属优惠券包兑换参数"在端侧智能体的自主执行下被彻底抹除。更令人抓狂的体验发生在跨设备流转时。当这位用户回到家中，准备通过 PC 端正式使用该平台时，由于手机端与 PC 端之间缺乏自动化的参数接续机制，他被迫面对一个完全空白的初始化界面。他必须重新在 PC 端搜索该平台，重新注册登录，甚至还要在手机端翻出白天的评测文章，费力地找到那一串由英文字母和数字组成的活动兑换码，并手动输入到 PC 端中。在追求极简高效的用户群体中，这种极度繁琐的断点体验直接劝退了用户。高达四成以上的潜在高净值转化，就这样在端侧智能体的自主执行下被白白消耗。开发团队不仅浪费了昂贵的推广预算，更无法得知究竟是哪个渠道带来了最终的软件付费，整个多端营销陷入了无从归因的泥沼。而在端侧智能体执行内部，问题更加隐蔽：当用户发起一个"规划一次和去年我们喜欢的那次类似的旅行"的任务后，端侧智能体会基于长期记忆推荐个性化行程，自动打开订票 App，完成搜索、比价、填信息等一系列操作。然而，由于缺乏任务级的全链路追踪机制，开发者无法得知哪个 App 被 AI 优先推荐、哪个环节用户流失最多、哪个任务转化率最高。端侧执行如同黑盒，优化无从下手。穿透端侧黑盒，多终端全链路归因与任务流量重构闭环在端侧 AI 记忆能力标准化、智能体自主执行成为主流的时代，应用开发者如果依然停留在传统应用分发思维，注定无法承接端侧智能体带来的庞大风险。面对端侧执行黑盒、流量蒸发、归因失效的割裂生态，企业必须在操作系统与端侧智能体之外，引入最专业的第三方数据引擎，用极度锋利的工程手段，强行打通端侧分发与精细化归因的高速公路。为了彻底摸清全网多渠道营销推广与端侧智能体执行的真实效果，部署系统级的全渠道统计基建是开发者掌握增长主动权的核心前提。通过这套机制，运营团队可以为各大内容平台的评测文章、旅游社区的图文推荐、乃至线下展会的每一个推广二维码，生成完全独立且自带动态业务参数的专属短链。无需在错综复杂的多端系统中进行繁琐易碎的代码埋点，开发者就能在集成的监控看板上，以极高的颗粒度俯瞰从端侧智能体首次推荐、App 激活，到最终功能订阅、任务完成的全生命周期漏斗。让每一分买量预算都拥有清晰的归因坐标，精准锁定最高价值的用户来源。而为了彻底缝合用户在跨端下载与任务流转过程中的体验断层，将流失的用户拉回转化漏斗，系统级的智能传参引擎提供了如同外科手术般的无损接续解法。当潜在用户在端侧智能体推荐下首次打开 App 的瞬间，云端匹配系统便会安全暂存该场景下的所有业务参数（如特定的专属优惠券包 ID、专属渠道标识）。待用户穿过应用商店的阻碍，在移动端或 PC 端首次启动该应用时，内置的轻量化 SDK 会自动向云端发起请求并精准寻回这些特定参数。此时，业务层可立刻触发极其丝滑的免填邀请码机制。系统在静默状态下自动识别该用户的来源归属，直接为其激活专属优惠券包权益，并瞬间跳转至最初吸引他的功能界面。这种消灭了所有手动填码障碍的无感体验，将多端应用的实际转化率提升到了全新高度。针对那些意图在移动端与 PC 端之间高频切换任务的协同场景，无缝的深度链接（DeepLink）与场景还原技术更是打破设备孤岛的终极杀器。无论用户是在端侧智能体的推荐下打开 App，还是在 PC 端的通知里触发指令，该技术都能让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的功能窗口或任务进度界面。这种彻底剥离了设备形态差异与底层系统束缚的轻量化传参赋能，真正让跨设备的端侧分发变得如行云流水般顺畅。而在端侧智能体执行内部，多终端、多云、多 Agent 的全链路归因与参数还原更是优化执行链路、降低成本的关键。通过任务级埋点与全链路追踪，开发者可以清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程。这种从"黑盒执行"到"白盒可观测"的转变，将端侧智能体的执行效率提升到了全新高度。常见问题（FAQ）MobileMem 评测基准与传统 AI 评测有何本质区别？传统 AI 评测主要针对云端智能体，而 MobileMem 是行业首个面向端侧 AI 记忆能力的评测基准，聚焦端侧 AI 的真实使用场景与长期个性化需求。MobileMem 在有限算力、有限存储和隐私保护等约束下，评测端侧 AI 持续积累、更新和利用用户长期记忆的能力，其能力边界和优化目标与云端智能体具有明显差异。为什么端侧智能体执行会导致传统分发链路失效？端侧智能体能够基于长期记忆自主理解用户意图、推荐个性化内容、执行跨应用任务，用户无需手动搜索、无需点击任何链接即可完成需求。这意味着传统的推广链接、落地页、应用商店跳转等分发链路被彻底绕过，导致渠道归因参数丢失，开发者无法准确衡量各渠道的真实获客 ROI。多终端全链路归因与任务流量如何帮助优化端侧智能体执行下的分发效率？多终端全链路归因与任务流量通过任务级埋点与全链路追踪，让开发者清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程，从而提升整体分发效率、降低成本。行业动态观察回顾端侧 AI 产业的演进脉络，从早期的"语音助手"到"智能推荐"，再到如今的"端侧 AI 记忆"，每一次底层技术架构与交互范式的跃迁，都不可避免地驱动着上层商业生态的深刻洗牌。OPPO 推出 MobileMem 评测基准以及端侧 AI 记忆能力从"回答问题"迈向"长期理解用户和主动任务执行"，不仅是端侧 AI 技术上的又一座里程碑，更向全行业释放了一个不可逆转的信号：端侧智能体不再仅仅是需要用户手动操作的工具，而是正在蜕变为能够基于长期记忆主动替用户办事的智能助手。在这场由端侧 AI 记忆领衔的范式革命中，处于应用层的开发者与增长团队必须清醒地认识到：端侧 AI 记忆的普及，并不天然等同于商业转化的成功。当用户的数字化生活被切割在端侧智能体、App 与不同设备之间时，谁能以最低的摩擦成本缝合跨设备的交互断层，谁能以最高的颗粒度观测端侧执行的全链路，谁才能将技术的性能红利转化为真实的商业留存。依靠传统应用分发粗放买量、忽视端侧执行黑盒的旧时代已经彻底终结。在未来的全场景智能生态中，真正的赢家必定是那些能够敏锐洞察端侧 AI 记忆的痛点，熟练运用底层多终端全链路归因与任务流量技术，在每一次 AI 推荐、每一次任务执行中死死捍卫数据主权与流畅体验的敏锐先锋。属于端侧 AI 原生分发与精细化任务追踪的新纪元，已在 MobileMem 的轰鸣声中震撼开启。

豆包手机 9 月开售？全球首款 AI 智能体旗舰引爆端侧分发新范式

豆包手机 9 月开售？这一在智能手机与 AI 领域引发剧烈震荡的里程碑事件，随着 9 月 2 日多家权威科技媒体的密集报道而迅速成为行业焦点。字节跳动与中兴通讯联合研发的"豆包手机"努比亚 NaviX Ultra 正式获得工信部入网许可，完成从大模型备案到终端入网的完整合规流程，标志着全球首款 AI 智能体手机从概念验证迈向规模化商用。该机型将搭载豆包手机助手，定位量产旗舰，计划于 9 月正式上市并开售。努比亚总裁倪飞表示，从去年 12 月的 M153 到努比亚 NaviX Ultra 正式拿到入网许可，AI 智能体手机从概念到量产的"最后一公里"，我们走到了最关键的一段。这一从"人操作手机"迈向"AI 帮您操作手机"的范式转移，不仅标志着智能手机正式进入 AI 原生时代，更意味着传统应用分发链路正在被彻底重构。然而，当 AI 智能体从"应用层"下沉至"系统层"，能够像真人一样"看懂"手机屏幕、识别按钮并模拟点击操作时，一个深层次的软件生态痛点也随之浮现：在 AI 智能体自主执行跨应用任务的黑色链路中，应用开发者究竟该如何穿透系统黑盒，确保每一次 AI 推荐、任务执行与用户转化都能实现可追踪、可归因、可转化的精准引流？从应用层到系统层：豆包手机如何重构人机交互要理解豆包手机对传统应用分发链路的重构意义，必须看清当前 AI 手机的痛点与豆包手机提供的解法。当前市面上的"AI 手机"仍以操作系统为核心，AI 只是附着其上的一个高级应用。用户需要手动打开各类 App，逐个完成搜索、比价、填信息、付款等操作，整个过程繁琐且容易断裂。AI 助手仅能提供建议或回答问题，无法真正替用户执行任务。豆包手机则是一款 AI 原生手机，大模型智能体不再是与 App 平级的应用，而是嵌入操作系统底层的核心引擎。这种架构赋予了豆包手机独特的优势。它能够像真人一样"看懂"手机屏幕、识别按钮并模拟点击操作。例如，用户只需说一句"帮我订明天去上海最便宜的机票"，AI 便能自动打开订票 App，完成搜索、比对、填信息等一系列操作，直到付款前才将控制权交回用户确认。整个过程无需用户手动干预，AI 代为执行。努比亚 NaviX Ultra 围绕听得懂、能干活、记得住、够安全四大核心能力打造，支持全场景自然语义理解，可自主跨软件串联完成多步骤任务（如比价下单、行程规划等）。核心大模型运算全部在手机端本地完成，用户数据无需上传云端，叠加官方统一生成式 AI 备案资质，大幅降低信息泄露风险。这种从"人手动操作手机"升级为"AI 帮您操作手机"的范式，对于用户来说，能够大幅降低任务执行门槛，在跨应用任务处理、多步骤操作阶段具备显著效率优势。AI 执行黑盒下的体验断层：传统分发链路的"流量蒸发"然而，AI 智能体自主执行的繁荣，并不能掩盖传统应用分发链路中长期存在的"流量蒸发"顽疾。恰恰相反，随着 AI 智能体能够自主打开 App、完成搜索、比价、填信息等一系列操作，用户无需手动点击任何链接或打开任何 App 即可完成需求，传统应用分发链路的脆弱性被彻底暴露。让我们设想一个在 AI 智能体执行环境下极其高频的获客与使用场景：一家专注于在线旅游的平台，依赖传统的应用商店搜索、搜索引擎广告和社交媒体投放获取新用户。为了在行业热潮中获客，平台在科技媒体、旅游社区以及海外 YouTube 频道投放了大量的产品评测文章，并在文章中附带了包含"专属优惠券包"的推广链接。一位刚刚关注到该平台的用户，在豆包手机上对 AI 说"帮我订明天去上海最便宜的机票"。AI 智能体自动打开订票 App，完成搜索、比价、填信息等一系列操作，直到付款前才将控制权交回用户确认。在传统的网络链路中，断层随即发生：该用户从未点击任何推广链接，从未访问任何落地页，从未经历任何应用商店跳转，AI 智能体直接完成了所有操作。最初携带的"特定评测渠道 ID"与"专属优惠券包兑换参数"在 AI 智能体的自主执行下被彻底抹除。更令人抓狂的体验发生在跨设备流转时。当这位用户回到家中，准备通过 PC 端正式使用该平台时，由于手机端与 PC 端之间缺乏自动化的参数接续机制，他被迫面对一个完全空白的初始化界面。他必须重新在 PC 端搜索该平台，重新注册登录，甚至还要在手机端翻出白天的评测文章，费力地找到那一串由英文字母和数字组成的活动兑换码，并手动输入到 PC 端中。在追求极简高效的用户群体中，这种极度繁琐的断点体验直接劝退了用户。高达四成以上的潜在高净值转化，就这样在 AI 智能体的自主执行下被白白消耗。开发团队不仅浪费了昂贵的推广预算，更无法得知究竟是哪个渠道带来了最终的软件付费，整个多端营销陷入了无从归因的泥沼。而在 AI 智能体执行内部，问题更加隐蔽：当用户发起一个"订明天去上海最便宜的机票"的任务后，AI 智能体会自动打开订票 App，完成搜索、比价、填信息等一系列操作。然而，由于缺乏任务级的全链路追踪机制，开发者无法得知哪个 App 被 AI 优先推荐、哪个环节用户流失最多、哪个任务转化率最高。AI 执行如同黑盒，优化无从下手。穿透 AI 黑盒，智能传参与全渠道统计重构端侧闭环在 AI 智能体自主执行成为主流的时代，应用开发者如果依然停留在传统应用分发思维，注定无法承接端侧智能体带来的庞大风险。面对 AI 执行黑盒、流量蒸发、归因失效的割裂生态，企业必须在操作系统与 AI 智能体之外，引入最专业的第三方数据引擎，用极度锋利的工程手段，强行打通端侧分发与精细化归因的高速公路。为了彻底摸清全网多渠道营销推广与 AI 智能体执行的真实效果，部署系统级的全渠道统计基建是开发者掌握增长主动权的核心前提。通过这套机制，运营团队可以为各大内容平台的评测文章、旅游社区的图文推荐、乃至线下展会的每一个推广二维码，生成完全独立且自带动态业务参数的专属短链。无需在错综复杂的多端系统中进行繁琐易碎的代码埋点，开发者就能在集成的监控看板上，以极高的颗粒度俯瞰从 AI 智能体首次推荐、App 激活，到最终功能订阅、任务完成的全生命周期漏斗。让每一分买量预算都拥有清晰的归因坐标，精准锁定最高价值的用户来源。而为了彻底缝合用户在跨端下载与任务流转过程中的体验断层，将流失的用户拉回转化漏斗，系统级的智能传参引擎提供了如同外科手术般的无损接续解法。当潜在用户在 AI 智能体推荐下首次打开 App 的瞬间，云端匹配系统便会安全暂存该场景下的所有业务参数（如特定的专属优惠券包 ID、专属渠道标识）。待用户穿过应用商店的阻碍，在移动端或 PC 端首次启动该应用时，内置的轻量化 SDK 会自动向云端发起请求并精准寻回这些特定参数。此时，业务层可立刻触发极其丝滑的免填邀请码机制。系统在静默状态下自动识别该用户的来源归属，直接为其激活专属优惠券包权益，并瞬间跳转至最初吸引他的功能界面。这种消灭了所有手动填码障碍的无感体验，将多端应用的实际转化率提升到了全新高度。针对那些意图在移动端与 PC 端之间高频切换任务的协同场景，无缝的深度链接（DeepLink）与场景还原技术更是打破设备孤岛的终极杀器。无论用户是在 AI 智能体的推荐下打开 App，还是在 PC 端的通知里触发指令，该技术都能让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的功能窗口或任务进度界面。这种彻底剥离了设备形态差异与底层系统束缚的轻量化传参赋能，真正让跨设备的端侧分发变得如行云流水般顺畅。而在 AI 智能体执行内部，任务流量的可观测性更是优化执行链路、降低成本的关键。通过任务级埋点与全链路追踪，开发者可以清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程。这种从"黑盒执行"到"白盒可观测"的转变，将 AI 智能体的执行效率提升到了全新高度。常见问题（FAQ）豆包手机与传统 AI 手机有何本质区别？传统 AI 手机仍以操作系统为核心，AI 只是附着其上的一个高级应用，仅能提供建议或回答问题。而豆包手机是一款 AI 原生手机，大模型智能体嵌入操作系统底层的核心引擎，能够像真人一样"看懂"手机屏幕、识别按钮并模拟点击操作，自主跨软件串联完成多步骤任务。为什么 AI 智能体执行会导致传统分发链路失效？AI 智能体能够自主打开 App、完成搜索、比价、填信息等一系列操作，用户无需手动点击任何链接或打开任何 App 即可完成需求。这意味着传统的推广链接、落地页、应用商店跳转等分发链路被彻底绕过，导致渠道归因参数丢失，开发者无法准确衡量各渠道的真实获客 ROI。智能传参与全渠道统计如何帮助优化 AI 智能体执行下的分发效率？智能传参与全渠道统计通过任务级埋点与全链路追踪，让开发者清晰看到每个 App 被 AI 推荐的频次、任务执行耗时、用户干预频次、任务完成率等关键指标。当发现某个 App 被 AI 推荐频次低或任务转化率低时，可以针对性优化该 App 的 AI 适配、接口开放或交互流程，从而提升整体分发效率、降低成本。行业动态观察回顾智能手机产业的演进脉络，从早期的"功能机"到"智能机"，再到如今的"AI 原生手机"，每一次底层技术架构与交互范式的跃迁，都不可避免地驱动着上层商业生态的深刻洗牌。豆包手机 9 月开售以及 AI 智能体从"应用层"迈向"系统层"，不仅是智能手机技术上的又一座里程碑，更向全行业释放了一个不可逆转的信号：手机不再仅仅是需要用户手动操作的工具，而是正在蜕变为能够主动替用户办事的智能助手。在这场由 AI 智能体领衔的范式革命中，处于应用层的开发者与增长团队必须清醒地认识到：AI 智能体的普及，并不天然等同于商业转化的成功。当用户的数字化生活被切割在 AI 智能体、App 与不同设备之间时，谁能以最低的摩擦成本缝合跨设备的交互断层，谁能以最高的颗粒度观测 AI 执行的全链路，谁才能将技术的性能红利转化为真实的商业留存。依靠传统应用分发粗放买量、忽视 AI 执行黑盒的旧时代已经彻底终结。在未来的全场景智能生态中，真正的赢家必定是那些能够敏锐洞察 AI 智能体的痛点，熟练运用底层智能传参与全渠道统计技术，在每一次 AI 推荐、每一次任务执行中死死捍卫数据主权与流畅体验的敏锐先锋。属于 AI 原生分发与精细化任务追踪的新纪元，已在豆包手机的轰鸣声中震撼开启。

谷歌搜索默认展开 AI 摘要？传统网站搜索入口遭遇分流巨震

谷歌搜索默认展开 AI 摘要？这一在 SEO 与数字营销领域引发剧烈震荡的界面调整，随着 9 月 1 日多家权威科技媒体的密集报道而迅速成为行业焦点。谷歌正在将 AI Mode 打造为搜索的默认体验，最近又迈出了新一步：部分搜索结果中的 AI Overview 摘要现在默认以展开状态呈现，并在页面中直接嵌入了一个"Ask anything"输入框，用户可以直接输入后续问题并进入 AI Mode 交互界面。在此之前，这类输入框仅在用户点击 AI Overview 底部的"Show more"按钮后才会出现。这一变化目前尚未被官方正式宣布，但近日被 SEO 机构 Nectiv 联合创始人 Chris Long 在社交平台 X 上率先披露。从他发布的演示来看，当搜索"algorithmic"等术语时，页面会自动弹出"Ask anything"输入框。实际测试发现，在桌面端搜索任何需要定义的词汇时，搜索结果都会返回这类全展开的 AI Overview，且其占据的页面空间往往相当于整个浏览器窗口，用户需要向下滚动才能看到常规的网页链接。这一从"可点击展开"迈向"默认全量展示"的范式转移，不仅标志着谷歌搜索正式进入"答案引擎"时代，更意味着传统网站的自然搜索流量正在被彻底重构。然而，当 AI 摘要从辅助性内容升级为主导性答案，一个深层次的软件生态痛点也随之浮现：在传统蓝链搜索结果被大幅下移、公域搜索流量面临断崖式分流的背景下，应用开发者究竟该如何穿透搜索引擎的流量拦截，确保每一次用户触达、点击与转化都能实现可追踪、可归因、可转化的精准引流？从摘要到答案：谷歌 AI Mode 如何重构搜索体验要理解谷歌默认展开 AI 摘要对搜索体验的重构意义，必须看清当前搜索界面的痛点与谷歌 AI Mode 提供的解法。当前主流搜索引擎的界面多基于"搜索结果列表"的设计范式，用户输入查询后，搜索引擎返回一系列带有标题、摘要和蓝色链接的网页列表，用户需要逐个点击链接进入目标网站获取完整信息。整个过程繁琐且容易断裂，用户需要在多个网页之间跳转、筛选、验证信息。谷歌 AI Mode 将"答案引擎"的逻辑引入搜索体验，将搜索交互方式从"点击蓝链获取信息"转向"直接获取完整答案"。用户只需输入查询，系统会首先呈现完整展开的 AI 摘要，并将用户引导至谷歌自身的生态系统中，而非直接引导至 AI Overview 所引用的外部网站。在桌面端搜索任何需要定义的词汇时，搜索结果都会返回这类全展开的 AI Overview，且其占据的页面空间往往相当于整个浏览器窗口，用户需要向下滚动才能看到常规的网页链接。值得注意的是，这一展示方式目前仅出现在桌面端。同一组搜索词在移动端的结果仍以截断形式呈现，用户需点击"See more"按钮后才会出现进入 AI Mode 的"Ask anything"输入框。谷歌发言人在回应中表示，AI 概览会针对系统认定"最有用"的部分主题动态展开。公司研究显示，这种体验可让用户认为搜索"更有帮助"，并更深入地进行后续探索。这种从"辅助摘要"升级为"主导答案"的范式，对于用户来说，能够大幅降低信息获取的门槛，在快速查询、知识验证阶段具备显著效率优势。搜索分流下的体验断层：传统蓝链的"流量蒸发"然而，AI 摘要默认展开的繁荣，并不能掩盖传统网站长期存在的"流量蒸发"顽疾。恰恰相反，随着 AI 摘要占据整个浏览器窗口，用户需要向下滚动才能看到常规的网页链接，传统蓝链搜索结果被大幅下移，公域搜索流量面临断崖式分流，传统网站获取自然流量的脆弱性被彻底暴露。让我们设想一个在搜索分流环境下极其高频的获客与使用场景：一家专注于内容创作的工具型应用，依赖谷歌搜索的自然流量获取新用户。为了在行业热潮中获客，团队在科技媒体、SEO 社区以及海外 YouTube 频道投放了大量的产品评测文章，并在文章中附带了包含"专属试用模板包"的推广链接。一位刚刚关注到该应用的创作者，在桌面端用谷歌搜索相关关键词时，被全展开的 AI 摘要直接满足了信息需求，无需点击任何蓝链即可获取完整答案。在传统的网络链路中，断层随即发生：该用户首先被 AI 摘要拦截，随后在 AI Mode 的交互界面中完成追问、获取答案，最终无需访问任何外部网站即可满足需求。最初携带的"特定评测渠道 ID"与"试用模板包兑换参数"在 AI 摘要的拦截下被彻底抹除。更令人抓狂的体验发生在跨设备流转时。当这位创作者回到家中，准备通过移动端正式使用该应用时，由于桌面端与移动端之间缺乏自动化的参数接续机制，他被迫面对一个完全空白的初始化界面。他必须重新在移动端搜索该应用，重新注册登录，甚至还要在桌面端翻出白天的评测文章，费力地找到那一串由英文字母和数字组成的活动兑换码，并手动输入到移动端中。在追求极简高效的创作者群体中，这种极度繁琐的断点体验直接劝退了用户。高达四成以上的潜在高净值转化，就这样在 AI 摘要的拦截下被白白消耗。开发团队不仅浪费了昂贵的推广预算，更无法得知究竟是桌面端还是移动端的渠道带来了最终的软件付费，整个多端营销陷入了无从归因的泥沼。而在 AI 摘要执行内部，问题更加隐蔽：当用户发起一个"查询相关工具"的搜索后，AI 摘要会直接返回完整答案，用户无需点击任何蓝链即可获取信息。然而，由于缺乏渠道级的全链路追踪机制，开发者无法得知哪个渠道带来的搜索量最多、哪个关键词转化率最高、哪个环节用户流失最多。搜索流量如同黑盒，优化无从下手。穿透搜索黑盒，全渠道统计与渠道编号重构私域闭环在 AI 摘要默认展开、搜索分流成为主流的时代，应用开发者如果依然停留在单一搜索引擎依赖思维，注定无法承接公域流量断崖式下滑带来的庞大风险。面对 AI 摘要拦截、蓝链下移、流量蒸发的割裂生态，企业必须在搜索引擎之外，引入最专业的第三方数据引擎，用极度锋利的工程手段，强行打通私域引流与精细化归因的高速公路。为了彻底摸清全网多渠道营销推广与私域引流的真实效果，部署系统级的全渠道统计基建是开发者掌握增长主动权的核心前提。通过这套机制，运营团队可以为各大内容平台的评测文章、SEO 社区的图文推荐、乃至线下展会的每一个推广二维码，生成完全独立且自带动态业务参数的专属短链。无需在错综复杂的多端系统中进行繁琐易碎的代码埋点，开发者就能在集成的监控看板上，以极高的颗粒度俯瞰从桌面端首次搜索、移动端下载激活，到最终私域引流、功能订阅的全生命周期漏斗。让每一分买量预算都拥有清晰的归因坐标，精准锁定最高价值的用户来源。而为了彻底缝合用户在跨端下载与私域引流过程中的体验断层，将流失的用户拉回转化漏斗，系统级的智能传参引擎提供了如同外科手术般的无损接续解法。当潜在用户在桌面端点击推广链接的瞬间，云端匹配系统便会安全暂存该场景下的所有业务参数（如特定的试用模板包 ID、专属渠道标识）。待用户穿过应用商店的阻碍，在移动端或桌面端首次启动该应用时，内置的轻量化 SDK 会自动向云端发起请求并精准寻回这些特定参数。此时，业务层可立刻触发极其丝滑的免填邀请码机制。系统在静默状态下自动识别该用户的来源归属，直接为其激活专属试用模板包权益，并瞬间跳转至最初吸引他的功能界面。这种消灭了所有手动填码障碍的无感体验，将多端应用的实际转化率提升到了全新高度。针对那些意图在桌面端与移动端之间高频切换任务的协同场景，无缝的深度链接（DeepLink）与场景还原技术更是打破设备孤岛的终极杀器。无论用户是在微信的聊天卡片中点击，还是在移动端的通知里触发指令，该技术都能让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的功能窗口或任务进度界面。这种彻底剥离了设备形态差异与底层系统束缚的轻量化传参赋能，真正让跨设备的私域引流变得如行云流水般顺畅。而在私域引流内部，渠道编号 ChannelCode的可观测性更是优化引流链路、降低成本的关键。通过渠道级埋点与全链路追踪，开发者可以清晰看到每个渠道的引流频次、转化率、用户留存率、付费率等关键指标。当发现某个渠道引流成本高或转化率低时，可以针对性优化该渠道的内容策略、落地页设计或交互流程。这种从"黑盒引流"到"白盒可观测"的转变，将私域引流的效率提升到了全新高度。常见问题（FAQ）谷歌默认展开 AI 摘要如何影响传统网站的自然搜索流量？谷歌默认展开 AI 摘要后，AI Overview 占据整个浏览器窗口，用户需要向下滚动才能看到常规的网页链接。这意味着用户无需点击任何蓝链即可获取完整答案，导致传统网站的自然搜索流量面临断崖式分流，SEO 获客成本大幅上升。为什么私域引流在分发时极易发生渠道归因失效？用户在桌面端接收推广信息并点击链接后，往往会经历社交软件内置浏览器拦截、应用商店重定向等多个系统级沙盒隔离，这会导致原始 URL 中的追踪参数丢失。当用户随后在移动端或其他设备上下载激活应用时，缺乏统一账号或设备关联的系统无法识别跨屏行为，导致转化数据断裂，开发者无法准确衡量各渠道的真实获客 ROI。全渠道统计与渠道编号如何帮助优化私域引流效率？全渠道统计与渠道编号通过渠道级埋点与全链路追踪，让开发者清晰看到每个渠道的引流频次、转化率、用户留存率、付费率等关键指标。当发现某个渠道引流成本高或转化率低时，可以针对性优化该渠道的内容策略、落地页设计或交互流程，从而提升整体引流效率、降低成本。行业动态观察回顾搜索引擎产业的演进脉络，从早期的"搜索结果列表"到如今的"答案引擎"，每一次底层技术架构与交互范式的跃迁，都不可避免地驱动着上层商业生态的深刻洗牌。谷歌默认展开 AI 摘要以及 AI Mode 从"辅助摘要"迈向"主导答案"，不仅是搜索技术上的又一座里程碑，更向全行业释放了一个不可逆转的信号：搜索引擎不再仅仅是流量分发的中立平台，而是正在蜕变为能够直接满足用户需求、拦截外部流量的答案提供者。在这场由 AI 摘要领衔的范式革命中，处于应用层的开发者与增长团队必须清醒地认识到：AI 摘要的普及，并不天然等同于商业转化的成功。当用户的数字化生活被切割在桌面端、移动端与 AI 摘要之间时，谁能以最低的摩擦成本缝合跨设备的交互断层，谁能以最高的颗粒度观测私域引流的全链路，谁才能将技术的性能红利转化为真实的商业留存。依靠单一搜索引擎粗放买量、忽视私域引流体验的旧时代已经彻底终结。在未来的全场景智能生态中，真正的赢家必定是那些能够敏锐洞察 AI 摘要的痛点，熟练运用底层全渠道统计与渠道编号技术，在每一次设备切换、每一次私域引流中死死捍卫数据主权与流畅体验的敏锐先锋。属于私域引流独立分发与精细化渠道追踪的新纪元，已在谷歌 AI 摘要的轰鸣声中震撼开启。

OpenClaw 2.0 引入共享会话？开源智能体跨端协同加速数据流转

OpenClaw 2.0 引入共享会话？这一在开源智能体与 AI 工具领域引发剧烈震荡的版本更新，随着 8 月 31 日多家权威科技媒体的密集报道而迅速成为行业焦点。OpenClaw 正式发布 v2026.8.1——“OpenClaw 2.0”，这是 OpenClaw 诞生以来规模最大的一次更新：共有 933 名贡献者参与，其中 569 人是第一次为 OpenClaw 贡献代码，累计涉及超过 1.6 万个 Pull Request，占 OpenClaw 历史累计合并 PR 量的近 50%。该版本核心引入了"共享云端会话"功能，支持团队在保留上下文的情况下协作或交接任务，让 OpenClaw 从单人工具进化为可跨团队、跨家庭协作的"多人软件"。目前，OpenClaw 2.0 已在网页端和原生应用同步上线，支持跨平台连接与自动化任务处理。这一从"单人工具"迈向"多人协作软件"的范式转移，不仅标志着开源智能体正式进入跨端协同时代，更意味着智能体工作流正在被彻底重构。然而，当共享会话从单一设备扩展为跨团队、跨家庭的多人协作，一个深层次的软件生态痛点也随之浮现：在日益复杂的跨端交互与多成员会话网络中，应用开发者究竟该如何穿透设备壁垒，确保每一次会话流转、任务交接与上下文同步都能实现可追踪、可还原、可协作的精准接续？从单人工具到多人软件：OpenClaw 2.0 如何重构智能体协作要理解 OpenClaw 2.0 对智能体协作的重构意义，必须看清当前智能体工具的痛点与 OpenClaw 2.0 提供的解法。当前主流智能体工具多基于单用户、单设备的设计范式，用户在一台设备上创建的会话、配置的任务、积累的上下文，无法无缝流转至其他设备或其他成员。当团队成员需要协作完成一个复杂任务时，往往需要手动复制粘贴会话记录、重新配置环境、重复输入上下文，整个过程繁琐且容易断裂。OpenClaw 2.0 将"共享云端会话"功能引入智能体协作体系，将协作交互方式从"手动复制会话"转向"无缝共享上下文"。用户只需邀请成员加入共享会话，即可在保留完整上下文的情况下协作或交接任务。例如，当家人发消息询问买给父亲的 iPad 型号时，只需告诉 OpenClaw"去查邮件里的收据并直接回复他"，OpenClaw 即可全自动完成；若需要家人协助确认，只需将共享会话链接发送给家人，家人打开链接即可直接进入对话界面，查看完整上下文并继续协作。OpenClaw 2.0 支持接入现有 ChatGPT、Claude 订阅、API 密钥和本地模型，实现开箱即用的极简体验，并支持多种登录方式。同时，重建浏览器应用，取消了原有的 Overview 页面，使用户可更快进入对话和完成配置。针对日常场景，系统支持跨平台连接与自动化任务处理（如自动解析邮件并推送通知、跨应用跨消息检索信息等）。这种从"单人工具"升级为"可跨团队、跨家庭协作的多人软件"的范式，对于小型团队和家庭用户来说，能够大幅降低协作门槛，在任务交接、上下文共享阶段具备显著效率优势。跨端协同下的体验断层：会话流转的"上下文丢失"然而，共享云端会话的繁荣，并不能掩盖跨端协同中长期存在的"上下文丢失"顽疾。恰恰相反，随着用户在不同设备（PC 端、网页端、移动端）之间发起会话、查看进度、交接任务，会话在不同成员之间流转、调用不同模型、生成不同中间产物，传统会话追踪与链路接续的脆弱性被彻底暴露。让我们设想一个在跨端协同环境下极其高频的协作与使用场景：一家专注于内容创作的小型团队，使用 OpenClaw 2.0 的共享云端会话功能协作完成营销文案。为了在行业热潮中获客，团队在科技媒体、开源社区以及海外 YouTube 频道投放了大量的产品演示视频，并在视频简介中附带了包含"专属协作模板包"的推广链接。一位刚刚关注到 OpenClaw 2.0 上线的创作者，在通勤路上用手机刷到了这条视频，被其共享会话协作的功能深度吸引，随手点击了下载链接。在传统的网络链路中，断层随即发生：该用户首先被社交软件内置浏览器拦截，随后在系统浏览器的跳转与应用商店的隔离下，最初携带的"特定评测渠道 ID"与"协作模板包兑换参数"在多次重定向中被彻底抹除。更令人抓狂的体验发生在跨设备流转时。当这位创作者回到家中，准备通过 PC 端正式使用 OpenClaw 2.0 创建共享会话时，由于移动端与 PC 端之间缺乏自动化的会话接续机制，他被迫面对一个完全空白的初始化界面。他必须重新在 PC 端登录，重新搜索该功能，甚至还要在手机端翻出白天那条视频，费力地找到那一串由英文字母和数字组成的活动兑换码，并手动输入到 PC 端中。在追求极简高效的创作者群体中，这种极度繁琐的断点体验直接劝退了用户。高达四成以上的潜在高净值转化，就这样在手机到 PC 的屏幕跨越间被白白消耗。开发团队不仅浪费了昂贵的推广预算，更无法得知究竟是移动端还是 PC 端的渠道带来了最终的软件付费，整个多端营销陷入了无从归因的泥沼。而在共享会话执行内部，问题更加隐蔽：当用户发起一个"协作完成营销文案"的共享会话后，该会话被多个成员查看、编辑、交接，每个成员可能使用不同的设备、不同的模型、生成不同的中间产物。然而，由于缺乏会话级的全链路追踪机制，开发者无法得知哪个成员贡献最多、哪个环节会话流失最多、哪个设备使用频次最高。会话协作如同黑盒，优化无从下手。穿透会话黑盒，深度链接与场景还原重构跨端闭环在智能体跨端协同成为主流的时代，应用开发者如果依然停留在单设备思维，注定无法承接共享会话带来的庞大红利。面对跨设备、跨成员、跨模型的割裂生态，企业必须在操作系统与模型接口之外，引入最专业的第三方数据引擎，用极度锋利的工程手段，强行打通多端会话流转的高速公路。为了彻底摸清全网多端营销推广与共享会话执行的真实效果，部署系统级的全渠道统计基建是开发者掌握增长主动权的核心前提。通过这套机制，运营团队可以为各大内容平台的评测视频、开源博主的图文推荐、乃至线下展会的每一个推广二维码，生成完全独立且自带动态业务参数的专属短链。无需在错综复杂的多端系统中进行繁琐易碎的代码埋点，开发者就能在集成的监控看板上，以极高的颗粒度俯瞰从移动端首次点击、PC 端下载激活，到最终共享会话创建、成员加入、任务完成的全生命周期漏斗。让每一分买量预算都拥有清晰的归因坐标，精准锁定最高价值的用户来源。而为了彻底缝合用户在跨端下载与会话流转过程中的体验断层，将流失的用户拉回转化漏斗，系统级的智能传参引擎提供了如同外科手术般的无损接续解法。当潜在用户在手机端点击推广链接的瞬间，云端匹配系统便会安全暂存该场景下的所有业务参数（如特定的协作模板包 ID、专属渠道标识）。待用户穿过应用商店的阻碍，在移动端或 PC 端首次启动该应用时，内置的轻量化 SDK 会自动向云端发起请求并精准寻回这些特定参数。此时，业务层可立刻触发极其丝滑的免填邀请码机制。系统在静默状态下自动识别该用户的来源归属，直接为其激活专属协作模板包权益，并瞬间跳转至最初吸引他的 OpenClaw 2.0 创建共享会话界面。这种消灭了所有手动填码障碍的无感体验，将多端应用的实际转化率提升到了全新高度。针对那些意图在移动端与 PC 端之间高频切换会话的协同场景，无缝的深度链接（DeepLink）与场景还原技术更是打破设备孤岛的终极杀器。无论用户是在微信的聊天卡片中点击共享会话链接，还是在 PC 端的通知里触发协作指令，该技术都能让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的共享会话窗口或任务进度界面。这种彻底剥离了设备形态差异与底层系统束缚的轻量化传参赋能，真正让跨设备的智能体协同变得如行云流水般顺畅。而在共享会话执行内部，任务流量的可观测性更是优化会话链路、提升协作效率的关键。通过会话级埋点与全链路追踪，开发者可以清晰看到每个成员的贡献频次、会话交接耗时、设备使用分布、任务完成率等关键指标。当发现某个成员加入后会话流失率高或某个设备使用频次低时，可以针对性优化该环节的交互设计、设备适配或协作流程。这种从"黑盒协作"到"白盒可观测"的转变，将共享会话的协作效率提升到了全新高度。常见问题（FAQ）OpenClaw 2.0 的共享云端会话功能如何降低协作门槛？共享云端会话功能允许用户邀请成员加入共享会话，在保留完整上下文的情况下协作或交接任务。成员打开共享会话链接即可直接进入对话界面，查看完整上下文并继续协作，无需手动复制粘贴会话记录、重新配置环境或重复输入上下文，大幅降低协作门槛。为什么共享云端会话在分发时极易发生渠道归因失效？用户在手机端接收推广信息并点击链接后，往往会经历社交软件内置浏览器拦截、应用商店重定向等多个系统级沙盒隔离，这会导致原始 URL 中的追踪参数丢失。当用户随后在 PC 端或其他设备上创建或加入共享会话时，缺乏统一账号或设备关联的系统无法识别跨屏行为，导致转化数据断裂，开发者无法准确衡量各渠道的真实获客 ROI。深度链接与场景还原如何帮助优化共享会话的跨端体验？深度链接与场景还原技术让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的共享会话窗口或任务进度界面。无论用户是在微信的聊天卡片中点击共享会话链接，还是在 PC 端的通知里触发协作指令，都能实现无缝接续，彻底消除跨设备切换时的体验断层。行业动态观察回顾人工智能产业的演进脉络，从早期的单点模型调用到如今的多 Agent 协同任务编排，再到如今的共享云端会话多人协作，每一次底层技术架构与交互范式的跃迁，都不可避免地驱动着上层商业生态的深刻洗牌。OpenClaw 2.0 上线以及共享云端会话从"单人工具"迈向"多人协作软件"，不仅是开源智能体技术上的又一座里程碑，更向全行业释放了一个不可逆转的信号：智能体应用不再仅仅是单一用户的调用工具，而是正在蜕变为能够跨设备、跨成员、跨上下文无缝协作的多人软件系统。在这场由共享会话领衔的范式革命中，处于应用层的开发者与增长团队必须清醒地认识到：共享会话的普及，并不天然等同于商业转化的成功。当用户的数字化生活被切割在移动端、PC 端与不同成员之间时，谁能以最低的摩擦成本缝合跨设备的交互断层，谁能以最高的颗粒度观测会话协作的全链路，谁才能将技术的性能红利转化为真实的商业留存。依靠单设备粗放买量、忽视多端流转体验的旧时代已经彻底终结。在未来的全场景智能生态中，真正的赢家必定是那些能够敏锐洞察共享会话的痛点，熟练运用底层深度链接与场景还原技术，在每一次设备切换、每一次会话流转中死死捍卫数据主权与流畅体验的敏锐先锋。属于共享会话独立分发与精细化会话追踪的新纪元，已在 OpenClaw 2.0 的轰鸣声中震撼开启。

Agent Teams 上线视频全流程？多智能体协同正在重构内容生产

Agent Teams 上线视频全流程？这一在 AIGC 与内容生产领域引发剧烈震荡的功能升级，随着 8 月 31 日千问创作官方宣布正式上线而迅速成为行业焦点。该功能将多 Agent 协同机制引入专业视频创作全流程，用户只需提出创作想法，即可召集编剧、导演、美术、摄影、剪辑等不同分工的专家 Agent 协作完成从剧本创作、分镜设计、角色设定、视频生成到成片剪辑的全链路制作。目前，Agent Teams 已在千问创作 PC 端（c.qianwen.com）和千问 APP 同步上线，支持用户跨设备随时随地进行创作。这一从"单点生成"迈向"全流程智能化协同"的范式转移，不仅标志着 AI 视频创作工具正式进入多智能体协作时代，更意味着内容生产的工作流正在被彻底重构。然而，当多智能体任务从单一模型调用扩展为复杂的链路协同，一个深层次的软件生态痛点也随之浮现：在日益复杂的跨端交互与多 Agent 任务网络中，应用开发者究竟该如何穿透任务黑盒，确保每一次任务发起、执行与完成都能实现可观测、可归因、可转化的精准追踪？从提示词到任务编排：Agent Teams 如何重构视频创作要理解 Agent Teams 对视频创作的重构意义，必须看清当前主流 AI 视频创作的痛点与 Agent Teams 提供的解法。当前主流 AI 视频创作多基于单模型提示词生成，创作者通常需要自行拆分制作流程、衔接各环节素材，存在一定的操作门槛。用户需要手动编写复杂的提示词，分别调用不同的模型生成剧本、分镜、角色、视频片段，再自行剪辑合成，整个过程繁琐且容易断裂。Agent Teams 模式将影视制作的分工逻辑融入 AI 创作体系，将创作交互方式从"操作工具"转向"表达需求"。用户只需描述创意，Agent Teams 会自主规划并拆解任务，采用多 Agent 协同的方式进行创作。例如在 AI 短剧创作中，用户提出故事设想后，编剧、导演、美术、摄影、剪辑等 Agent 各司其职，依次完成剧本创作、分镜设计、角色设定、视频生成和成片剪辑。千问创作首发接入 Wan 3.0 视频生成模型及其 Prime 版，同时汇集 Qwen-Image-3.0 等图像模型。依托 Agent Teams，用户可一站式创作 AI 短剧、漫剧、营销广告及图像设计等多种类型内容，并在创作过程中随时补充想法，Agent 会自主调整创作方向。这种从"手动编辑提示词"升级为"表达想法即由 Agent 主动思考、拆解并完成任务"的范式，对于个人创作者和小型内容团队来说，能够压缩从创意到成片的中间环节，在创意验证、方案快速试错阶段具备显著效率优势。多 Agent 协同下的体验断层：任务流转的"数据黑盒"然而，多 Agent 协同的繁荣，并不能掩盖任务执行链路中长期存在的"数据黑盒"顽疾。恰恰相反，随着用户在不同设备（PC 端、APP 端）之间发起任务、查看进度、接收成果，任务在不同 Agent 之间流转、调用不同模型、生成不同中间产物，传统任务追踪与链路接续的脆弱性被彻底暴露。让我们设想一个在多 Agent 环境下极其高频的创作与使用场景：一家专注于短视频营销的团队，使用千问创作 Agent Teams 功能制作营销广告。为了在行业热潮中获客，团队在科技媒体、AIGC 社区以及海外 YouTube 频道投放了大量的产品演示视频，并在视频简介中附带了包含"专属营销模板包"的推广链接。一位刚刚关注到 Agent Teams 上线的创作者，在通勤路上用手机刷到了这条视频，被其多 Agent 协同制作广告的功能深度吸引，随手点击了下载链接。在传统的网络链路中，断层随即发生：该用户首先被社交软件内置浏览器拦截，随后在系统浏览器的跳转与应用商店的隔离下，最初携带的"特定评测渠道 ID"与"营销模板包兑换参数"在多次重定向中被彻底抹除。更令人抓狂的体验发生在跨设备流转时。当这位创作者回到家中，准备通过 PC 端正式使用 Agent Teams 制作广告时，由于移动端与 PC 端之间缺乏自动化的任务接续机制，他被迫面对一个完全空白的初始化界面。他必须重新在 PC 端登录，重新搜索该功能，甚至还要在手机端翻出白天那条视频，费力地找到那一串由英文字母和数字组成的活动兑换码，并手动输入到 PC 端中。在追求极简高效的创作者群体中，这种极度繁琐的断点体验直接劝退了用户。高达四成以上的潜在高净值转化，就这样在手机到 PC 的屏幕跨越间被白白消耗。开发团队不仅浪费了昂贵的推广预算，更无法得知究竟是移动端还是 PC 端的渠道带来了最终的软件付费，整个多端营销陷入了无从归因的泥沼。而在多 Agent 任务执行内部，问题更加隐蔽：当用户发起一个"制作营销广告"的任务后，该任务被拆解为编剧、导演、美术、剪辑等多个子任务，每个子任务调用不同的模型（Wan 3.0、Qwen-Image-3.0 等），生成不同的中间产物。然而，由于缺乏任务级的全链路追踪机制，开发者无法得知哪个子任务耗时最长、哪个模型调用成本最高、哪个环节用户流失最多。任务执行如同黑盒，优化无从下手。穿透任务黑盒，任务流量与全渠道归因重构多 Agent 闭环在多智能体算力大爆发、任务协同成为主流的时代，应用开发者如果依然停留在单点调用思维，注定无法承接多 Agent 协同带来的庞大红利。面对跨设备、跨 Agent、跨模型的割裂生态，企业必须在操作系统与模型接口之外，引入最专业的第三方数据引擎，用极度锋利的工程手段，强行打通多端任务流转的高速公路。为了彻底摸清全网多端营销推广与多 Agent 任务执行的真实效果，部署系统级的全渠道统计基建是开发者掌握增长主动权的核心前提。通过这套机制，运营团队可以为各大内容平台的评测视频、AIGC 博主的图文推荐、乃至线下展会的每一个推广二维码，生成完全独立且自带动态业务参数的专属短链。无需在错综复杂的多端系统中进行繁琐易碎的代码埋点，开发者就能在集成的监控看板上，以极高的颗粒度俯瞰从移动端首次点击、PC 端下载激活，到最终多 Agent 任务发起、执行完成、成果导出的全生命周期漏斗。让每一分买量预算都拥有清晰的归因坐标，精准锁定最高价值的用户来源。而为了彻底缝合用户在跨端下载与任务流转过程中的体验断层，将流失的用户拉回转化漏斗，系统级的智能传参引擎提供了如同外科手术般的无损接续解法。当潜在用户在手机端点击推广链接的瞬间，云端匹配系统便会安全暂存该场景下的所有业务参数（如特定的营销模板包 ID、专属渠道标识）。待用户穿过应用商店的阻碍，在移动端或 PC 端首次启动该应用时，内置的轻量化 SDK 会自动向云端发起请求并精准寻回这些特定参数。此时，业务层可立刻触发极其丝滑的免填邀请码机制。系统在静默状态下自动识别该用户的来源归属，直接为其激活专属营销模板包权益，并瞬间跳转至最初吸引他的 Agent Teams 创作界面。这种消灭了所有手动填码障碍的无感体验，将多端应用的实际转化率提升到了全新高度。针对那些意图在移动端与 PC 端之间高频切换任务的协同场景，无缝的深度链接（DeepLink）与场景还原技术更是打破设备孤岛的终极杀器。无论用户是在微信的聊天卡片中点击，还是在 PC 端的通知里触发指令，该技术都能让设备瞬间冲破系统沙盒的限制，一键从后台拉起目标应用，并毫秒级还原至特定的 Agent Teams 创作窗口或任务进度界面。这种彻底剥离了设备形态差异与底层系统束缚的轻量化传参赋能，真正让跨设备的多 Agent 协同变得如行云流水般顺畅。而在多 Agent 任务执行内部，任务流量的可观测性更是优化任务链路、降低成本的关键。通过任务级埋点与全链路追踪，开发者可以清晰看到每个子任务的执行耗时、模型调用成本、用户干预频次、任务完成率等关键指标。当发现"编剧 Agent"耗时过长或"剪辑 Agent"用户流失率高时，可以针对性优化该环节的模型选择、提示词工程或交互设计。这种从"黑盒执行"到"白盒可观测"的转变，将多 Agent 协同的效率提升到了全新高度。常见问题（FAQ）千问创作 Agent Teams 功能如何降低视频创作门槛？Agent Teams 将影视制作的分工逻辑融入 AI 创作体系，用户只需表达创意，系统即可自主规划并召集编剧、导演、美术等专家 Agent 分工协作，完成从剧本、分镜到成片制作的全流程。用户无需具备专业视频制作技能，也无需手动编写复杂提示词，即可产出高质量内容，大幅降低创作门槛。为什么多 Agent 协同任务在分发时极易发生渠道归因失效？用户在手机端接收推广信息并点击链接后，往往会经历社交软件内置浏览器拦截、应用商店重定向等多个系统级沙盒隔离，这会导致原始 URL 中的追踪参数丢失。当用户随后在 PC 端或其他设备上发起多 Agent 任务时，缺乏统一账号或设备关联的系统无法识别跨屏行为，导致转化数据断裂，开发者无法准确衡量各渠道的真实获客 ROI。任务流量可观测性如何帮助优化多 Agent 协同效率？任务流量可观测性通过任务级埋点与全链路追踪，让开发者清晰看到每个子任务的执行耗时、模型调用成本、用户干预频次、任务完成率等关键指标。当发现某个 Agent 耗时过长或用户流失率高时，可以针对性优化该环节的模型选择、提示词工程或交互设计，从而提升整体协同效率、降低成本。行业动态观察回顾人工智能产业的演进脉络，从早期的单点模型调用到如今的多 Agent 协同任务编排，每一次底层技术架构与交互范式的跃迁，都不可避免地驱动着上层商业生态的深刻洗牌。千问创作 Agent Teams 上线以及多智能体协同从"单点辅助"迈向"全流程智能化协同"，不仅是 AIGC 技术上的又一座里程碑，更向全行业释放了一个不可逆转的信号：AI 应用不再仅仅是单一模型的调用工具，而是正在蜕变为能够自主规划、分工协作、完成复杂任务的多智能体系统。在这场由多智能体领衔的范式革命中，处于应用层的开发者与增长团队必须清醒地认识到：多 Agent 协同的普及，并不天然等同于商业转化的成功。当用户的数字化生活被切割在移动端、PC 端与不同 Agent 之间时，谁能以最低的摩擦成本缝合跨设备的交互断层，谁能以最高的颗粒度观测任务执行的全链路，谁才能将技术的性能红利转化为真实的商业留存。依靠单点调用粗放买量、忽视多端流转体验的旧时代已经彻底终结。在未来的全场景智能生态中，真正的赢家必定是那些能够敏锐洞察多 Agent 协同的痛点，熟练运用底层任务流量观测与全渠道归因技术，在每一次设备切换、每一次任务发起中死死捍卫数据主权与流畅体验的敏锐先锋。属于多智能体独立分发与精细化任务追踪的新纪元，已在 Agent Teams 的轰鸣声中震撼开启。