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

豆包手机,重建AI时代入口

编程导航
编程导航
2025-12-22 12:30
阅读 108
编程导航
2025-12-22 12:30
阅读 108

12月19日,据界面等多家媒体报道,字节跳动正推进与vivo、联想、传音等硬件厂商开展AI手机的合作,为其设备预装AIGC插件,从而获得用户入口,扭转当前AI在执行层面的被动局面。

相关媒体向字节跳动、vivo、联想、传音等厂商求证,截至发稿,以上厂商对此消息皆无回应。

就在不久前的12月1日,豆包与中兴通讯合作推出首款系统AI手机,搭载豆包手机助手技术预览版,售价3499元,从12月1日上线即售罄、二手平台溢价,到因自动化执行能力被多款APP限制功能,再到价格快速回调、官方销售谨慎重启,短短20余天,豆包AI手机经历了一个相对完整的市场试探周期。2025年12月16日,豆包AI手机恢复销售。但此次仅面向少量用户限量发放,官方表示不扩大产量。

此前,这款搭载豆包AI助手的工程样机一度因稀缺性被炒高,成交价甚至冲到6529元,短短数日后却迅速回落至4000余元,跌幅超过25%。

在热闹背后,实则是一次关于“谁控制用户入口”的深层博弈。其引发的连锁反应,正从应用界面蔓延至系统底层,冲击着移动互联网既有的交互方式、权限划分与流量分发秩序。

应对自动执行

大厂集体划红线

根据天眼查媒体综合信息显示,豆包AI手机发布次日,便有用户反馈,使用该手机时在多个大厂APP中出现“登录环境异常”提示,并伴随强制下线和功能限制。随后,更多平台限制该手机用户登录或使用相关功能。尤其在具有账户体系与支付功能的大厂APP中,系统直接阻断了豆包AI助手的模拟操作。多名用户在社区反馈页面跳转受阻、转账失败、自动化操作被限制等一系列问题。

从时间线来看,这些限制行为几乎是在豆包AI手机发布24小时内集中发生,应对策略均指向同一件事,即AI主动跨应用执行任务。平台方以“异常登录环境”“安全保护机制”名义划下红线,明确拒绝系统外部程序以“非人手段”调用平台服务。

表面上看,这是一场围绕系统权限和风控策略的博弈,平台方的立场是为了用户资金与信息安全。但更深一层的现实是,这类由AI主导的系统行为,实质上对应用平台的使用方式、信息分发、用户停留机制构成了直接挑战。

传统APP的运营模式建立在用户主动进入的前提下,无论是搜索、浏览、点击还是加购,每一步操作都被纳入平台风控、推荐和广告系统中。以本地生活平台为例,其业务依赖用户在APP内的路径停留,从展示门店、优惠券领取、评价体系、支付链路等各环节逐步推动转化。而更多大厂的APP同理,平台以页面与内容引导用户选择,并记录行为形成数据沉淀,从而优化后续分发。

但豆包AI手机所构建的,是一种去路径化的体验方式。用户无需依赖平台首页推荐,不再停留于搜索、浏览、收藏等环节,而是将“需求”简化为一句话,交由AI自动解析并触发操作。AI不关心平台结构,只关心任务完成的最短路径。

这个过程中,平台没有了页面曝光,广告主将失去转化窗口;没有了行为路径,用户标签无法生成;没有了停留与互动,会员分层、内容推送、任务运营将变得难以维系。平台的营收体系、增长模型、运营策略,在这种“AI代劳”的新机制下,都将面临挑战。

平台担忧的并非三万台手机能造成多少用户流失,它预示着一种新秩序的可能性,当AI可以自动发红包、抢茅台、下单电影票、浏览商品评价、签到任务打卡时,谁还能确定用户行为背后,是“人”,还是“AI”?当用户不再是“逛”,不再是“刷”,不再是“点”,平台的入口或将逐渐失去控制力。

这不是产品对抗产品的竞争,而是入口之间的博弈。

豆包AI手机只不过是第一个冲进战场的“变量”,它引发的第一波反应,至少揭示出一点,即平台不会坐视自己失去主动权。大厂共同祭出应对策略,是对路径控制、内容分发等层面的防御。在这背后,则是应用入口在AI时代已不再牢不可破的现实挑战。

深入系统底层

主导权博弈的关键战场

当应用层的限制迅速铺开后,豆包AI手机的“入侵”并未止步于能不能登录APP。相反,博弈很快从应用层,向更深的系统层深入。而真正决定AI手机边界的,并不是某一个APP是否开放,而是谁掌握操作系统级别的控制权。

从技术路线看,豆包手机之所以具备跨应用自动执行能力,核心并不在于某个具体功能,而在于其获得了接近系统底层的操作权限。通过视觉识别配合,AI可以在操作系统层模拟用户使用行为,直接“像人一样”使用手机。

这一方式,与当前主流手机厂商所采取的AI方案存在明显差异。以国内多家手机厂商为例,其AI助手普遍建立在厂商自有系统框架内,强调辅助而非代替执行。其相关能力往往限定在厂商可控的场景中,例如日程整理、系统设置、部分合作应用的操作等。而涉及支付、社交、账号体系的高敏感环节,多数仍需用户手动完成,且依赖平台接口或明确授权。

这种差异并非偶然,而是手机厂商在系统主导权上的一致选择。在安卓生态中,操作系统长期由厂商深度定制。这使得系统权限并不只是技术资源,更是连接用户、应用与数据的枢纽。一旦系统底层被外部AI深度介入,厂商对用户行为和数据流转的掌控就会被削弱。

正因如此,当豆包AI手机展示出系统级代操作能力后,厂商层面的警惕迅速显现。天眼查媒体综合信息显示,多家主流手机厂商并未对第三方AI开放完整的系统控制权限,而是加速推进自有AI体系建设。要么强调“端侧智能体”闭环运行,要么持续强化AI助手的融合深度。

从厂商视角看,这并非针对某一家公司,而是对软件定义硬件的防御。豆包AI手机所代表的,是由模型方主导体验、由硬件方提供载体的合作模式。在这种模式下,AI成为系统的核心入口,而硬件与系统更像是执行环境。

因此,应用层的限制是第一道防线,系统层的权限收紧才是关键所在。这也解释了一个现象,即便豆包AI手机在应用层恢复了部分登录能力,其自动执行范围仍被显著压缩。支付、金融、社交等高敏感场景被明确剔除,AI更多被限定在查询、提醒、整理等低风险任务中。这种变化并非单一平台的选择,而是系统与应用共同形成的限制结果。

在这一过程中,系统主导权的重要性被进一步放大。谁掌握系统,谁就决定AI能做到哪一步;谁控制权限,谁就定义交互边界。对手机厂商而言,系统不只是产品的一部分,更是长期积累的核心资产。

因此,围绕豆包AI手机展开的,并不只是产品层面的摩擦,而是一场关于系统控制权的试探。应用层的应对,揭示了平台对路径被绕开的担忧;系统层的谨慎,则显露了硬件厂商对主导权旁落的防御姿态。

当AI不再只是工具,而开始试图站到系统中心,冲突便不可避免。这场围绕系统底层展开的拉锯,也为此后更深层的变化埋下伏笔。

重构用户入口

撼动商业逻辑根基

豆包AI手机的推出,亦不只是挑战现有边界,它真正引发行业警觉的原因,在于其可能重塑用户使用方式。当AI助手成为主动操作者,而非等待指令的工具,用户与应用之间的交互习惯或会迅速发生变化。

过去十年,移动互联网的商业模型高度依赖路径设计。用户打开应用,浏览内容、点击推荐、进行搜索,每一步操作都构成了平台算法理解用户的基础。平台据此推送内容与商品,延长停留时间,提升转化率,完成从内容分发到商业成交的闭环。以大厂APP为代表,在这种路径中构建了成熟的商业逻辑,人停得越久,信息推得越准,广告转化越高。

AI手机的跨应用自动执行,则正在打破这种路径依赖。在豆包AI手机的实际操作演示中,用户只需说出一句指令,例如“订一份附近最便宜的香辣鸡腿堡外卖”,AI助手就会自动打开多个外卖平台APP、对比价格、筛选评价、选定商家、填入地址、准备下单。整个过程,用户无需手动点击,也无需动手浏览平台推荐页面。

这种被“压缩”的交互,直接削弱了平台基于路径运营的能力。一方面,AI助手跳过了平台原本设计的浏览、推荐、加购等行为节点,使平台无法获得完整的用户行为数据。这意味着推荐算法失去训练基础,广告精准度下降,用户画像难以更新;另一方面,AI在多个平台间横向比价,选择最优方案,削弱了平台用户黏性的可持续能力。

当AI助手成为“中间人”,自动操作并跳过推荐页,商家广告的曝光机会被大幅压缩,平台分发能力受限,广告价值随之下滑。更进一步的影响还在于用户消费习惯的潜在改变。在传统模式下,平台通过内容运营、商品组合、用户评价等方式激发用户的“隐性需求”。一个原本只想买纸巾的用户,可能在平台上看到优惠搭配,顺手加购洗衣液和湿巾。但AI助手的执行方式是明确目标、最短路线,它不会被页面内容诱导,不会因为红包、秒杀、直播间而产生额外消费。

而从用户的角度出发,豆包手机的操作体验则获得情绪上的认同。自动比价、跨平台操作、减少干预,让部分用户感到“效率回归”。对比过去繁杂的点击与跳转,AI手机显得更直接、更省事。虽然当前功能尚不成熟,但习惯一旦建立,平台要重新赢得用户“打开APP”的动力,将变得更加困难。这种改变,尚未全面发生,但已经在发生。

豆包手机事件本质上并非封不封一个AI的问题,而是一次以系统权限为载体、以用户入口为战场的控制权攻守。当AI不再等待用户指令,而是主动代劳,当系统权限不再由厂商独占,而是被AI所用,当用户不再浏览平台,而是由AI代表完成任务,整座建立在传统模式上的互联网商业大厦,或将根基松动。

豆包手机是一根楔子,却已撬开了这场变局的缝隙。未来的AI智能终端竞争,将不再是硬件参数比拼或AI模型能力之争,而是谁能掌握真正的用户入口。

这场入口博弈,刚刚开始。(林飞雪)

原文链接: 豆包手机,重建AI时代入口
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