鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

出门问问发布Agentic AI软硬结合产品TicNote,定义新一代“AI思考伙伴”

编程导航
编程导航
2025-06-27 12:30
阅读 160
编程导航
2025-06-27 12:30
阅读 160

“AGI 在某种意义上已经来了。”

6月25日,在出门问问(02438.HK)TicNote 新品发布会的现场,出门问问创始人兼CEO李志飞提到:“实现AGI的方式,是用AI的AI做AI”,而TicNote是这一路径的实践产物。

TicNote是出门问问发布的新一代Agentic AI软硬件结合的产品,通过内置「Shadow AI」为用户构建“有记忆的AI记录+主动洞察 +主动分析+陪伴创作”的路径,成为用户的随身AI思考伙伴”,适用于会议、电话沟通、商务会议、学术讲座、医生问诊、课堂学习、采访沟通等场景。

TicNote海外版本自2025年4月16日推出以来,已获得媒体及用户的广泛认可。此次国内版本的发布,不仅能够为中国用户带来真正的Agentic AI 智能体验,也意味着出门问问在软硬结合的道路上更进一步。

「Shadow AI」:实现「看听问推搜」全流程自动化

TicNote 内置的「Shadow AI」,是其颠覆传统记录方式的核心所在。「Shadow AI」集记录、洞察、灵感闪现、分析、创作、思考功能于一体,具备「看听问推搜」的能力并实现全流程自动化,是用户的AI思考伙伴。

AI智能总结:「Shadow AI 」提供强大且灵活的总结能力,支持40+ 种模板,用户可根据自身角色或特定场景自定义Prompt(提示词),生成高度个性化的会议纪要、行动建议和待办事项。

可视化思维导图:每一次录音结束后,「Shadow AI」均可生成可视化思维导图,清晰呈现对话的知识结构与议题脉络,并给出AI建议与代办事项,辅助用户进行高效复盘和知识重构。

深度研究报告:为用户提供系统化、专业级的分析洞察,直接提升内容产出质量。

Aha 顿悟时刻:「Shadow AI」具备独特的“Aha顿悟”能力,能主动挖掘对话中非显性但具有价值的表达,沿着用户的思维路径,捕捉灵感火花,产生新的思考和创意。

自动生成播客内容:「Shadow AI」还与出门问问自有的「魔音工坊」(海外版DupDub)专业声音产品实现联动,助力用户高效将输入的录音及其他格式文档转化为播客,并根据喜好选择「魔音工坊」同款声音。

核心体验升级:打造跨时间、跨文件的项目管理平台

「Shadow AI」的想象空间远不止于此,它还具备构建项目与自动管理项目的能力。

发布会当天,「Shadow AI」网页端也正式上线,和App端一样,支持用户上传各种类型、格式的文档,包括 PDF、Doc、Docx、Txt 等,为TicNote增加了新的数据接收入口。这意味着,用户可以统一接收并管理自己的多元数字资产,为积累丰富的上下文信息,进行深度思考与分析奠定了坚实的基础。

跨时间、跨文件的用户项目管理:「Shadow AI」具备强大的多轮上下文记忆与任务跟进能力,能够“越用越懂你”。用户可以在App或网页端构建「我的项目」,并在不同项目中添加各类文件,「Shadow AI」便能够自动进行项目管理。

“有了项目后,知识就有了历史和分类”,在「Shadow AI」中,每一次会议录音、每一份上传的文档,都不再是孤立的一次性信息。它们被TicNote融入到特定的项目中,形成清晰的知识脉络和科学分类。TicNote能记住用户过去所有的对话与内容偏好,并据此持续理解、深度研究及演化,做到“比你更懂你的项目”。

值得一提的是「Shadow AI」的深度研究功能,与输出“长而多”的研究报告不同,「Shadow AI」的深度研究在广度和深度方面不断进化,并以“短而准”的报告形式呈现。究其根本,是因为「Shadow AI」具备长记忆与跨文件追踪的能力,它会根据用户所建立的项目及关注方向进行深度研究,返回用户真正需要的研究报告。

Chat with Shadow:作为TicNote网页端上线后的核心交互方式,Chat with Shadow 让用户可以与AI Agent进行实时对话。它具备强大的逻辑推理和知识整合能力,能够跨文档进行深度检索和分析,为用户提供精准的建议和业务洞察。

主动成为信息推送Agent:基于Chat with Shadow的功能,「Shadow AI」不仅能够即时响应用户需求,还能化身为用户的专属信息Agent。用户可以明确指示「Shadow AI」在特定时间点(例如“每天早上8点”)推送特定内容(例如“与 XX 项目相关的新闻)。「Shadow AI」将根据指令,基于其对用户已建项目语境的理解,自动从全网或指定来源筛选、整理并推送高度相关的信息。

这一功能将AI Agent的主动性推向了新的高度,也让用户和AI的交互从“搜索”转变为“接收”,有效提升了信息获取的精准性和效率。

硬核底座,打造高效数据入口

“数据在哪里,AI就在哪里”已成为AGI时代的共识。

TicNote以轻薄便携的机身、长待机与续航能力、听筒和扬声器双模式的设定、10米远距离收声等特性,为「Shadow AI」提供了稳定、高效的数据入口。

极致3mm机身与长续航能力:TicNote机身纤薄,设计精巧,便于用户轻松佩戴或放置,具有“无感记录,安全隐形”的特点。与此形成强烈反差的,是它的待机与续航能力:TicNote连续录音时间超20小时,待机时间长达20天;叠加64GB的本地存储能力,可以有效缓解用户对电量的焦虑问题。

双模式录音与10米远距收声:TicNote支持听筒和扬声器两种录音模式,尤其是听筒模式,能够有效解决手机录音易被通话中断的痛点,适合远程会议、电话采访、线上访谈等封闭环境。扬声器模式下,TicNote支持10米远距收声能力,使得用户即使身处嘈杂环境也能确保音频清晰。

支持120+语言转写:TicNote支持 120+语言转写,并能精准识别多种地方方言。这一能力源于出门问问在多模态大模型上的深厚积累,尤其解决了用户在会议中面临的中英文混杂、方言口音等复杂沟通场景下的转录痛点,确保高精度的信息捕获。

领先的全栈软硬结合能力

作为一家跨越周期的AI公司,出门问问一早便拥有全栈的软硬结合能力。TicNote的推出,实则是出门问问十年“软硬件一体+AI服务”战略积淀的必然体现。

自2012年成立起,出门问问便前瞻性地将语音交互确立为核心,成为国内“语音优先”理念的先行者。早期通过自研语音助手App,深耕中文语音识别与自然语言理解。此后,出门问问持续探索语音与硬件的融合,陆续推出TicWatch、TicMirror、TicTranslator等产品,走在行业前列并积累了宝贵经验。可以说,定义人机交互始终是出门问问坚持的初心。

如今,大模型技术的飞跃为人机对话带来了质变,理解与生成能力的提升使得对话更加自然。语音,凭借其最符合人类表达习惯的特性,正重新获得其核心价值,有望成为AI连接现实世界的重要入口。

此次TicNote的发布,不仅是一款产品的问世,更是出门问问在Agentic AI软硬结合产品的一次突破性实践,标志着其将CoPliot愿景融入用户日常的决心。TicNote正成为每一位用户不可或缺的随身AI思考伙伴。未来,出门问问将持续深耕AI核心技术,以「Shadow AI」为基石,Agentic AI产品的边界和形态、赋能更多场景,助力用户成为更高维度的自己。

TicNote国内版已于2025年6月25日正式上线,现已上架京东、天猫出门问问旗舰店,扫描下方二维码或点击下方“阅读原文” 了解更多详情!

 更多关于TicNote的深度体验?:

3mm超薄「随身AI大脑」来了!全球首个Agentic神器让打工人疯狂种草

那些被AI改变了思维方式的人

录音笔的终结者,还是AI时代的又一个“美丽废物”?深度体验出门问问TicNote

李志飞的 AI 实验:1 个人,2 天做出 AI 时代的「飞书」,重拾 AGI 信仰

出门问问首个Agentic AI硬件发布!集成DeepSeek-R1,售价999元起

图片

出门问问是一家以生成式AI和语音交互为核心的人工智能公司,为全球多个国家提供面向创作者的AIGC工具、AI政企服务,以及AI智能硬件。出门问问致力于打造国际领先的通用大模型,通过AI技术、产品及商业化三位一体发展,成为全球AI CoPilot的引领者。


图片


图片

图片

图片

图片

原文链接: 出门问问发布Agentic AI软硬结合产品TicNote,定义新一代“AI思考伙伴”
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230