在 AI智识录 中提及的产品。

【彩蛋】又是一期广告:做杂活助理还是思维伙伴?YouNavi 的选择 —— 观猹·WAIC 桌面 Agent 分享会实录
2026年7月20日 · 19:58
本期是主播自家的产品推广实录:YouNavi(https://younavi.me)创始人携桌面 Agent「Navi」参加「WAIC UP!× 观猹 Good or Bad 之夜」,演示一款专注对话分析场景的 AI 参谋,并明确表态 Navi 不做帮人跑杂活的助理,而要成为帮用户“想更深”的思维伙伴。整场 PPT 由 Navi 自己用一句话提示词生成,主播只充当“嘴替”,并现场开启实时转写,让 Agent 读取包括观众提问在内的全部对话。产品主张两个反共识:一是自 Manus 以来 Agent 工具已不缺,但大多只做批量发票、小红书文案类杂活,而一次会议 token 仅约 1 万,百万 token 上下文足以让模型分析几十场会议;二是与飞书妙记等“录音—转写—模板总结纪要”的工作流不同,Navi 主打结合历史会议记忆做深度分析、挖潜台词,并做到采集、身份与专有名词调优、非简单 RAG 的记忆层、面向分析场景的 skills 与上下文工程四层架构,本地优先、重视隐私,还提供 CLI 可作为其他 Agent 的子 Agent 调用。早期种子用户包括分析投资人反馈的创业者、分析创业者 BP 的投资人、高频商务谈判者与产品经理。Q&A 环节回应了三个关键问题:与飞书妙记加 CLI 的差别在于 Navi 定位“context hunt”上下文归集、流程更 smooth 且结果更贴合分析需求;目标用户是以沟通为主要工作、决策杠杆大的人群,招聘面试是高粘性场景;而主流录音产品 6 小时时长上限其实是云端 ASR 后转写的成本限制,实时转写仍需在 PC 或 Mac 上完成。

【彩蛋】这是一期主播的个人自述😄
2026年3月23日 · 37:31
主播Ray在《AI智识录》开播近半年、做了近60期节目后首次以真人声音出镜,讲述做播客的初衷与心路历程,并为自己的创业产品YouNavi做推广。Ray曾任百度、蚂蚁金服、滴滴的产品经理,并在新势力车企负责企业AI平台,现全职创业。他回顾播客两个阶段:第一阶段精讲经典文献,如Richard Sutton的《苦涩的教训》、LeCun的蛋糕比喻、Sarah Hawker的硬件彩票、姚顺雨的《下半场》与ReAct、CoT、MoE、Scaling Law等;第二阶段引入李飞飞、吴恩达等时效性访谈,其中智谱AGI Next闭门峰会圆桌(林俊扬、姚顺雨、唐杰等)成为唯一播放量破万的一期。他坦言坚持逐字还原原文而非AI双人对谈,以避免AI注意力机制漏掉高价值细节,未来将让文稿更口语化、内容更多元。节目后半段附上他在十字路口开放麦的10分钟现场音频,分享OpenClaw对Agent应用创业的启发:不应只做套壳或让Agent干批量生成小红书、PPT等“杂活”,而要把SOTA模型的智能用在分析与决策上。YouNavi可一键整合腾讯会议、飞书、钉钉及录音卡的上下文与本地文件夹,以agentic文档检索做周报、路演复盘等决策分析,邀请码为wizlog,官网younavi.me。

腾讯姚顺雨、Qwen林俊旸、智谱唐杰的AGI-Next圆桌对话, 2026
2026年1月12日 · 1:15:01
腾讯姚顺雨、阿里千问(Qwen)林俊旸、智谱唐杰与杨强在AGI-Next闭门峰会圆桌中,围绕AI模型公司的分化、下一个范式、Agent战略与中国AI的胜算展开讨论。姚顺雨认为to C与to B已明显分化:to B场景智能越高生产力越高,用户愿为Opus这类最强模型付溢价,而to C的bottleneck不是更强的模型而是额外的context与环境,腾讯因此聚焦把微信聊天记录等真实场景数据用好;他判断OpenAI仍最可能率先立起新范式,但创新基因已被商业化削弱,并指出自主学习已在发生,更像渐变而非突变。林俊旸称分化是自然形成,主张"模型及产品",认为RL compute尚未scale充分,AI训AI很快实现,个性化与主动学习是关键方向,而evaluation怎么做是最大技术挑战,并给"三到五年后全球最领先AI公司是中国团队"打出below 20%的概率,同时提出穷则生变、软硬结合是中国机会。唐杰复盘智谱在DeepSeek终结上一仗后把所有精力押注coding的决策,提出用"intelligence efficiency"衡量获得智能的效率,预测2026年必现新范式,并给出Agent成功的三个维度:价值、cost与时间窗。杨强强调学术界应补上工业界没解决的基础问题(智能上界、持续学习、睡眠式清理噪音),描绘Agent从人定目标到模型内生的四阶段,看好联邦学习与通用大模型协作,并认为中国to C会百花齐放、to B可借鉴Palantir的本体加FDE方法论。
由 PodHood 提供支持