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

夸克要抢豆包的饭碗

编程导航
编程导航
2025-10-30 12:30
阅读 186
编程导航
2025-10-30 12:30
阅读 186

近日,阿里旗下AI旗舰应用夸克正式上线对话助手功能,用户可自由切换传统搜索与AI对话搜索模式,是国内首个实现搜索能力与对话体验深度融合的AI产品。

这也被视为夸克内部代号为“C计划”的首次成果落地。业界普遍猜测,“C计划”的代号取自经典游戏“吃豆人”(Pac-Man),以“吃豆”为名,其寓意不言自明。

不过,豆包也没闲着,目前其已经接入抖音商城,当用户询问“买什么”或“有什么推荐”,豆包就会积极为自家产品带货,成为国内首个大规模向电商跳转导流的AI APP。

夸克在自己身上“塞”了一个豆包,豆包则将触角延伸至电商巨头的领地,两者都不满足于原有的业务边界,想要攻入竞争对手的腹地。

过去,阿里虽然在AI技术研发方面走得更快,但在消费级AI产品的布局上,却始终慢于字节半拍,让阿里在AI用户心智争夺中处于被动。

如今,阿里决心补上这一短板,豆包也有了新的动作,在这场AI入口战事中,大厂们的正面对决一触即发。

阿里的“吃豆”野心

关于“C计划”的代号由来,业内众说纷纭。一种说法认为“C”代表“Chat”,即夸克可能会推出全新的对话形态;另一种更具竞争意味的解读是,取“吃豆人”之意,剑指字节系的豆包。

但这显然只是字面上的解读,要真正理解阿里在AI入口战事中的排兵布阵,还需要穿透“代号”表象,看到夸克的核心能力。

根据36氪报道,一位接近该项目的人士透露,“C计划”并非某一个具体产品或者应用的代号,也不限于App层面,其是夸克内部的一项长期战略性计划,旨在以更开放的思路测试AI产品的多元场景与市场反馈。

从这一角度来看,“搜索+对话”显然并非夸克的最终形态。夸克并非想要“再造”一个豆包,而是在自己最擅长的搜索领域持续进化,逐步搭建产品能力,闯出一条差异化之路。

但有趣的是,相较于其他AI应用早早定位为“AI助手”,夸克却在今年初才确立“2亿人的AI全能助手”这个定位,并在3月升级为“AI超级框”。

夸克算法负责人蒋冠军曾透露,夸克在2018 年就已立志做“个人助手”。可在后续发展中,夸克却并未紧跟AI风口,反而是聚焦于“搜索+工具”,再逐步引入机器学习算法,从“智能搜索”逐渐向“AI超级框”转型。

夸克为何“反其道而行之”,答案还是要回到产品的底层逻辑上。我们尝试对夸克和豆包同时提几个问题,看看两者的差异到底在哪里。

第一个问题跟日常生活相关,我们提问“要赶上8点的飞机,最晚要在几点,从哪个地铁站出发”。

夸克的回答更清晰明了,其会执行多步逻辑推理,明确出每一个步骤的最佳选择,从而得出最合理答案;豆包则给出了参考数据,但具体出行路线还是要用户自己规划。

第二个问题则更复杂一点,我们提问“估算寒武纪未来3个月的市值走势,主要受哪些因素影响”。

夸克和豆包都给出了详细的有利因素和不利因素分析,不过夸克明显更敢下总结,能够具体到寒武纪的营收目标、资金流入流出等;而豆包的结论则相对笼统一些。

第三个问题要求整理过去5年语文高考真题。这明显是夸克的舒适区,其直接整理了各科目真题和解析,用户还可以下载到夸克网盘;豆包则只能搜集到语文的作文真题。

几轮问答之后,可以看出夸克作为智能助手的独特优势。

首先,“搜索”可以帮助验证答案的准确性。比如在交通指引这一问题上,夸克能够结合搜索信息对问题进行复杂多步的推理,实时性更强。

这在一定程度上,解决AI助手普遍存在的“信息幻觉”问题,也省去了大部分用户通过AI助手得出答案后,还要通过搜索引擎进行二次验证的痛点。

其次,阿里大模型能力的支持。夸克对话助手采用Qwen最新闭源模型Qwen3-Max,夸克算法团队还与通义实验室成立了联合研发小组,确保生成内容的专业度。

在公开测试中,夸克更擅长回答一些强逻辑的问题,能够明确呈现“问题-论点-论据-结论”整个思考流程,感觉跟DeepSeek的思考链有不少相似之处。

最后,是解决问题的能力。目前,尽管AI助手产品众多,但基于AI幻觉以及动手能力不强这两个痛点,AI助手其实更像是一个“聊天工具”,离真正的“助手”还是有不少距离。

相较之下,夸克增加了对话功能后,不仅能主动理解用户意图,还能无缝调用AI相机、AI写作、拍照搜题等优势能力,并与夸克网盘、办公场景等实现生态整合,形成了“动手”帮用户解决问题的差异化能力。

夸克从搜索到工具,再到AI助手的演化,本质上是基于自身能力长出最适合的“形态”,其虽然“吃”掉了豆包,却又不仅仅是另一个豆包。

夸克的艰难“蜕变”

所以,对于阿里和夸克来说,上线对话助手功能并不难,但现在才是最合适的落地时间点。一位接近项目的人士表示,“模型能力、行业环境与用户习惯三者终于达到了理想交汇点”。

在ChatGPT引发AI大模型的“奇点时刻”后,阿里的通义千问大模型反应迅速,仅一年内就迭代至2.5版本,技术能力不容小觑。

但在最初,通义App是被打包进To B服务中,其更像是阿里AI功能的展示橱窗。阿里内部对于AI到底是“To B”还是“To C”,一直有着分歧。

阿里既舍不得C端市场的巨大潜力,又担心双线作战会分散资源。这种犹豫导致“AI to C”缺乏清晰的战略指引,未能在内部形成业务聚焦与资源倾斜。

但时间不等人,在阿里内部持续拉锯的同时,DeepSeek、Kimi等竞品已经围绕用户需求快速迭代,在语音、图像交互等方面持续进化,阿里已经错过了在C端市场发力的最佳时机。

一直到2024年底到2025年初,阿里正式明确AI to C战略,和AI to B双线并行。其中一个转折点是,通义应用正式从阿里云剥离,在组织架构上跟夸克平级。

不过,通义千问早期更侧重于模型技术研发与企业端落地,对C端市场的打磨明显不足,其在情感陪伴、趣味交互等功能的缺失,也导致通义千问未能在C端形成显著的品牌声量。再加上阿里缺乏像豆包一样的流量入口,即便大手笔投流,效果也是差强人意。

不过,通义千问早期的发力点集中在模型技术研发与企业端落地,对C端市场的打磨力度不足,阿里也缺乏类似字节系的流量入口,导致通义千问未能在C端形成显著的品牌声量。

相较之下,夸克则是阿里更好的选择,其本身已经拥有亿级规模的用户群体。AI产品榜数据显示,今年9月,夸克的月活跃用户规模仅次于ChatGPT,豆包紧随其后。

夸克在内容生态上也更加成熟,其支持图文、视频、音频的智能检索与生成,同时内置了网盘、扫描、文档等功能,这种工具形态吸引了创作者、学习者、职场人士等用户持续使用。

只是,夸克想要撑起阿里“AI to C”的C位,挑战依然不少。

虽然,夸克的用户规模在AI产品中保持领先,但考虑到夸克原有的用户积累,这个“第一” 的含金量难免要打个折扣。更何况,1.5亿的月活用户里,真正用起AI 功能的比例究竟有多少,目前还需进一步验证。

其次,夸克升级的功能虽然不乏亮点,但用户口碑也有分化,部分用户认为其“功能臃肿”“操作复杂”。阿里一直缺乏打造社交产品的基因,这也影响到AI产品的用户留存与口碑。

最后,当下AI应用市场的竞争压力也不容忽视,竞品豆包不仅拥有亿级月活用户,更在品牌心智、交互体验等方面积累了先发优势,夸克要夺回用户注意力,还需要重塑产品心智。

AI时代的“新入口”

因此,夸克推出“C 计划”,正是希望进一步强化夸克的AI核心能力,让夸克不再局限于搜索工具的标签,而是通过对话交互这一功能,将AI能力渗透到更多高频场景。

据贝哲斯咨询预测,2032 年,全球对话式AI平台市场规模将进一步增长至1426亿元,期间年复合增长率将稳定在6.5%。

这一持续扩容的市场,也吸引了各科技大厂重兵布局。它们围绕AI入口的用户争夺战可谓硝烟弥漫,火药味几乎渗透到每一个细分场景。

腾讯元宝“下乡打广告”;字节豆包坚信“大力出奇迹”,从去年二季度到今年一季度,平均投流费用超1.5亿元;百度文心一言、科大讯飞星火继续聚焦于专业场景;阿里夸克则以“C 计划”布局落子。

大厂们都想利用移动互联网时代积累下的雄厚资源,成为“AI to C”的下一个超级流量入口。但掌握用户高频场景只是第一步,只有把场景优势转化为用户长期依赖,才算真正站稳脚跟。

让AI能力冲出手机,是阿里的后招。夸克“C计划”将与夸克AI眼镜形成业务联动,成为其打通阿里生态的重要一环。

目前,夸克AI眼镜已经开启预售,它将夸克AI能力从App延伸至日常可穿戴终端的关键节点——用户无需掏手机、无需打开App,仅需“看一下”就能完成导航、支付、比价等日常操作。

除此以外,夸克还在健康、高考等细分领域同步深耕,让AI大模型能在更多垂直场景中落地实用价值;接下来夸克还将打造一款对标谷歌Chrome的AI浏览器,进一步放大阿里在AI领域的场景价值。

豆包则开始尝试“带货”,当用户与豆包进行对话时,其会在回复中嵌入商品链接(蓝链)。除了豆包之外,元宝、Kimi、ChatGPT等“老玩家”也都默默开始“上链接”。

这也意味着智能助手的定位正在发生变化,不仅是用户获取信息、解决问题的服务入口,还能凭借对用户需求的精准洞察与匹配能力,在对话中自然衔接消费场景,成为新的交易入口。

长期以来,消费者都在期待“足够智能”的助手——能懂我们的需求,提供切实有效的建议,甚至主动帮我们完成繁琐工作。

但在通往这个未来的路上,科技大厂的“进度条”却始终加载缓慢,不少产品更是“营销大于实力”,大众的期待迟迟未能落地。

夸克的进化,则让这场“AI to C”的竞争有了新的看点。凭借自身在搜索、工具领域的积累,夸克正在走出一条“专业助手”而非“聊天伴侣”的产品路线,不仅能高效承接阿里的生态资源,也能在To C领域讲出一个令人信服的新故事。

长远来看,夸克所瞄准的不只是豆包这一个对手,更是探索出更贴合未来一代人生活方式的产品形态,不仅是“回答问题”的能力,还是“解决问题”的能力。

谁能整合更多工具、打通服务全链路、触达更多场景,做到技术与场景的深度绑定,谁才能在长期竞争中建立起差异化优势。

如今,AI时代的新入口之战已经全面展开,平台间的比拼,早已不仅是产品的竞争,而是生态能力的较量。这场“吃豆人”式的竞争,注定是一场漫长的耐力赛。(楷楷)

原文链接: 夸克要抢豆包的饭碗
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