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

我为什么旗帜鲜明地支持豆包手机

编程导航
编程导航
2025-12-15 19:13
阅读 2
编程导航
2025-12-15 19:13
阅读 2

文 | 商业新研社

最近,有关努比亚M153豆包手机助手技术预览版(简称“豆包手机”)引发了社会的广泛关注和深入探讨。

相比现在常见的智能手机,豆包手机的一大亮点在于,豆包手机助手直接嵌入操作系统底层,通过语音指令就能完成查票订票、电商平台比价下单等这些跨应用复杂操作。

在3万台工程样机抢购一空后,有网友在使用中发现,微信出现异常退出甚至无法登录情况,因而陷入了系统安全以及隐私泄露的争议,随后豆包手机被淘宝、支付宝、拼多多、农业银行、建设银行APP等各大应用予以封杀。

面对这场舆论风暴,“豆包手机助手”官方在11天发了4次说明、辟谣,抖音集团副总裁李亮以及努比亚总裁倪飞也是亲自下场回应,足可见官方的态度和事件的敏感。

豆包官方可能没想到,这次与中兴合作的AI手机,会收到这么强烈的市场反馈、引发连带效应,而手机厂商和各大应用平台更没想到,字节跳动会这么玩,而且玩得这么狠,所以就只能先切断连接、观望隔离。

但豆包手机这种“吃螃蟹”的行为,我是旗帜鲜明支持的,有这么几个理由:

一是让手机行业重新活跃了起来,用户也有了购机或换机理由。当前,国内手机市场增长放缓,用户购机热情不高,换机周期延长,华为、vivo、oppo、小米等各家竞争集中在外观设计、电池、摄像头能力等硬件方面,但在AI为主的软件上创新力度不大。这也是为什么倪飞说“手机行业已经太久没有给用户带来颠覆式的创新。”有统计显示,国内市场有80%多的消费者提到在考虑下一部手机时,AI功能是非常重要的。而豆包手机作为一款真正意义上的AI手机,打破了当前的竞争局面,也开辟了新的战场。

二是AI技术和应用的普适性,需要有高频使用的环境和载体,让更多人享受到科技带来的普惠性。从文心一言、元宝,再到豆包、千问等,这些AI手机助手让很多人尝到了技术的甜头,下一步是将AI技术应用于各种智能设备,如智能手机、智能音箱、智能家居等,普适计算使得人们可以轻松地与AI交互,享受到AI带来的便利和智能化体验。

而在这些载体中,手机无疑是人们日常工作、生活中最常使用的,通过语音指令就能自动完成相关任务,不再需要繁琐的操作和专业的技术知识。豆包手机的热议,不仅是对AI的一次普及,更是让更多人直接感受AI的获得感。

三是让AI时代的所面临的问题主动暴露出来、前置化讨论,尤其是“互联互通”的话题,让政策监管与技术创新并行发展。移动互联网时代,微信、抖音、淘宝、拼多多、支付宝等人们日常使用App之间因为不能相互分享网址链接,影响用户体验,损害用户权益,还严重扰乱了市场秩序。直到这几年监管层的介入,各大App才开始打破壁垒进行互联互通。

而AI时代还处于发展中,但新的生态壁垒也在逐渐形成。豆包手机的出现,也会让全社会去思考,在享受AI带来的极致便利时,如何守护好安全与隐私的底线,这需要监管者、法律界以及行业以敏捷、审慎的态度,为新技术划定合理的运行空间。

四是有助于推动新的商业模式变革。豆包手机的跨应用操作,让用户免去繁琐的流程,但对各大应用平台却不太友好,一个非常明显的事实,就是当AI助手在执行任务时,会自动杀死所有广告弹窗、营销页面、推广页面和干扰信息,这意味着原有的互联网广告商业模式,在AI面前逐渐失去效用。

从互联网到移动互联网的发展中,我们见证了微信、美团、滴滴、今日头条、抖音等这些移动互联网应用的诞生,也衍生出新的商业模式,同样在AI时代,也必然会催生出一批新的AI应用,订阅付费、数据驱动的决策支持模式、人工智能即服务(AIaaS)模式等商业模式也会就此兴起。豆包手机就如一条鲶鱼,搅动现有的格局,让巨头们思考新的商业活法。

在这里,我支持豆包手机敢于迈出创新的步子,但也要强调,其该有的规则还是要遵守,尤其是遵循“智能向善”这个原则。

一是用户安全的隐私和漏洞风险。从互联网诞生以来,用户隐私的话题就一直存在,豆包手机的出现,只是在这个主题下的新命题。对于豆包手机,我们能看到消费者还是比较理性的,一方面是对这种AI功能表示赞赏和期待,尤其是在使用工具类应用时,能便捷的完成多任务操作;另一方面,消费者愿意有选择性去尝试,但并不愿意让其成为全部依靠,比如在打手游,自己上手操作所带来的体验感和快感,是AI无法替代的,还有在使用金融类App时,也担心这种支付安全。

对于用户关心的问题,豆包手机助手官方也发布了“关于调整AI操作手机能力的说明”,称对AI操作手机的能力做一些规范化调整,包括:限制刷分、刷激励的使用场景,进一步限制金融类应用的使用,限制部分游戏类使用场景。这也说明字节跳动官方对豆包手机使用边界的谨慎。

二是端侧应用规则的建立以及授权范围的厘清。豆包手机绕过App预设操作流程的技术路径,打破了应用开发者精心设计的流量分配体系。就像当年微信小程序对原生App的分流效应一样,AI智能体的出现冲击了App、应用商店等核心入口的价值和商业利益。尤其是在与各大应用还没谈规则、没建生态、没找盟友的情况下,豆包手机助手就直接动手操纵这些端侧应用,显然会被后者认为是“外挂”而遭到封杀。

在AI应用多样且智能化的当下,建立一套开放、透明且标准化的智能体接口至关重要。AI智能体需要提前沟通,平台也需要制定清晰的规范,允许开发者将其服务“注册”为智能体可调用的能力模块,让符合安全规范的智能体能够被识别和接纳,既保留开发者的业务闭环,也融入智能体的统一调度框架,实现合作双方的多赢。

东西好不好,市场说了算。未来豆包手机无论是成功还是失败,都已经在用户心中埋下了一颗AI种子,仅靠强制封杀解决不了根本问题,我们更需要在创新与安全之间寻求平衡,最终结出“智能向善”的果实。

比如最近智谱宣布已开源其核心AI Agent模型AutoGLM,硬件厂商、手机厂商和开发者均可基于AutoGLM,在自己的设备或系统中复现一个能“看懂”屏幕,并模拟真人进行点击、输入、滑动的AI助手。这或许才是豆包手机上市后所带来的正向意义。

原文链接: 我为什么旗帜鲜明地支持豆包手机
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
🔥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