最近把2024到2026年这三年里，AI直接面对客户的新闻放在一起看，发现了一个很有意思的矛盾。 一边，AI已经在真实商业场景里大规模直接服务客户了。Klarna的AI客服上线30天处理了230万次对话，相当于700名全职客服的工作量；到2025年三季度，这个数字涨到了853人，每年节省约6000万美元。京东的数据显示，2026年一季度数字人累计服务商家突破7万家，头部商家的数字人开播率达到80%。 另一边，监管在同一时间段里连续画出硬红线。国家卫健委明确规定，严禁使用人工智能自动生成处方；2026年5月，国家药监局发布《处方药网络零售合规指南》，严禁AI替代药师审方；2026年2月1日施行的《直播电商监督管理办法》规定，AI数字人直播如果出现违法违规行为，由直播间运营者承担全部责任。 同样是AI，为什么一边可以直接面对几百万客户，另一边连一张处方单都不能碰？ 这三年的案例和法规拼在一起，答案已经很清楚了：决定AI能不能直接商用的，从来不是它的能力够不够强，而是它出错之后，责任能不能找到人。 而“签字”，就是责任找到人的那个动作。 一、签字的本质：不是流程，是责任的锚点 AI说错话，责任仍然回到公司和签字人 商业合同、审计报告、诊断书、处方单，这些东西的本质是确定性承诺——签字的那个人在声明：“我为此负责，出了错你可以来找我。”换句话说，签字从来不是在声明“这是我亲手做的”，而是在声明“我审过，我认可，我愿意承担后果”。 而大语言模型是一个概率系统。它的每一次输出都是概率采样的结果，哪怕做到99%的准确率，放到日均一万次调用的场景里，就是每天100次错误。错误率可以用工程手段压低，但永远不会归零。 所以真正的问题从来不是“如何消灭错误”，而是“错误发生的时候，责任流向哪里”。 来看三个案例： 案例一：加拿大航空，812加元。2024年2月，加航官网的聊天机器人向一位乘客错误承诺了丧亲票价可以事后退款。乘客索赔，加航的辩护理由堪称经典：聊天机器人是一个“独立实体”，应该为自己的话负责。不列颠哥伦比亚省民事仲裁庭直接驳回，判加航赔偿约812加元。金额很小，但它确立了一个原则：AI说的话，在法律上就是公司说的话。 案例二：纽约律师，5000美元。2023年，两名律师用ChatGPT写诉状，引用了6个不存在的判例，被纽约南区法院罚款5000美元。注意被罚的是谁——是签字提交诉状的律师，不是OpenAI。签字的人兜底，这正是签字制度在正常运转。 案例三：德勤澳大利亚，44万澳元。2025年7月，德勤给澳大利亚就业与劳资关系部交付了一份约44万澳元的报告；8月，悉尼大学学者发现其中含有AI编造的学术引用和一段虚构的联邦法院判词；德勤在修订版中承认制作过程使用了AzureOpenAIGPT-4o，并在10月确认退还尾款。这个案例最有价值的地方在于：连四大会计师事务所的多层审核体系都会失守，而失守之后，承担金钱和商誉损失的，仍然是德勤这个法人——不是模型。 三个案例，三个不同的行业，同一个结论：AI可以生成99%的工作量，但那1%出错时的责任，无法转移给一个没有法律人格、没有资产、无法被惩罚的系统。 二、Klarna的完整弧线：AI直接面客的天花板在哪里 Klarna是最值得完整讲的案例，因为它在两年半里，把“激进上线”和“翻车回调”两章都演完了。 上半场，效率神话。2024年2月，Klarna上线与OpenAI合作开发的AI客服。30天内处理230万次对话，自动化了67%的客户对话，问题解决时长从11分钟降到2分钟以内，客户满意度与真人客服持平。效率数字后来还在涨：到2025年三季度，AI承担的工作量相当于853名客服，年节省约6000万美元，NPS达到73。 下半场，公开回调。2025年5月，Klarna宣布重新招聘真人客服。CEO公开承认，成本驱动的自动化带来了“更低的质量”，并承诺客户“想找真人时，永远能找到真人”。原因有三条：复杂争议、欺诈申诉、困难客户案例上，AI的解决质量明显下降；模型偶尔会对费率、政策、付款条款给出自信但错误的回答——在金融行业，关于钱的错误回答是合规问题，不只是满意度问题；而当初“替代700人”的说法本身也有水分——那是增长期避免新招的人数，不是裁掉的人数。 行业事后复盘时指出了一个关键点：Klarna的场景几乎是AI最容易吃下的客服负载——结构化数据、已认证的用户、有限且高频的意图集合。把它的成功直接推广到复杂B2B支持、医疗服务或保险理赔，是范畴错误。 Klarna不是孤例。Gartner预测，到2027年，50%原本计划大幅削减客服人力的组织将放弃该计划。2026年的行业标准已经收敛成一个混合模型：AI处理70%到85%的量，人处理最难的15%到30%。Klarna自己也承认，约30%的工单仍然要转到人工。换个说法：成熟的AI商用，不是把人拿掉，而是把人挪到更关键的位置——AI处理高频，人处理例外、争议和判断。 从这些案例里，可以提炼出适合AI直接面客的五个特征：高频低风险、意图有限、数据结构化、错误可逆、有人工兜底。订单查询错了可以重查，退款发错了可以撤销——错误可逆，所以AI可以直接上。 还有一条反直觉但重要的工程结论：在受监管的场景里，50%自动化率配98%准确率，好过75%自动化率配90%准确率。正确的做法是按风险给问题分层，只对低风险层全自动，而不是追求一个漂亮的总自动化率。 但请注意，即使在Klarna这种“成功”场景里，责任一秒钟都没有转移给AI。AI说错了费率，赔钱的是Klarna；直播新规写得更直白——AI数字人违规，运营者担全责。 所以严格来说，“AI直接商用”这个说法本身就不成立——真实存在的是：AI直接交付，法人直接担责。 三、一条光谱：什么决定AI能站多靠前 AI面客的风险光谱 把所有场景排在一条光谱上，规律就出来了。 光谱左端，完全放开：订单查询、物流跟踪、夜间数字人直播讲解。特征是单次错误的责任成本接近零——说错了重说，发错了重发。 光谱中间，混合模式：Klarna式的分层路由。AI吃下高频简单问题，低置信度和高风险问题带着上下文转人工。这是2026年绝大多数商业场景的现实形态。 光谱右端，绝对禁区：处方、审方、诊疗决策、高风险金融决策。中国的监管在这一端写得非常具体——医师本人接诊、处方由接诊医师本人开具、审方必须由药师完成。欧盟AIAct也把生物识别、关键基础设施、教育、就业、信贷评分等列为高风险，核心义务就是人工监督（humanoversight）。 《处方药网络零售合规指南》里还有一个容易被忽略的细节：除了严禁AI替代审方，它还要求“审方数量控制在合理范围”。这半句话堵住了最后一个漏洞——名义上人签字、实际上人只是橡皮图章。一个药师一天“审核”一万张处方，那个签字就是假的。监管要的不是签字这个动作，是签字背后真实发生的审查。 决定一个场景落在光谱哪个位置的变量，只有一个：单次错误的责任成本。查错一个订单，成本是几分钟；审错一张处方，成本可能是一条命。责任成本越高的场景，人的签字就越不可替代。 落到操作层面，这条光谱可以压缩成一个三分法：低风险任务，AI自动做；中风险任务，AI先做、人来确认；高风险任务，AI只能辅助，最终决定必须由人做出。再具体一点：凡是咨询、查询、解释、预约、状态更新，可以大胆交给AI；凡是诊断、裁决、承诺、授权、处罚、拒赔、拒贷、录取、解雇，最后都必须有一个人签字负责。 四、两种造假：当署名和能力对不上号 两种AI造假：遥控与包壳 理解了“能力、署名、责任必须对齐”这个框架，就能看穿当下AI行业的两种典型造假——它们正好是同一枚硬币的两面。 在讲造假之前，先说一种更普遍、更隐蔽的姿态：不愿讲清楚边界。很多AI产品的问题不是能力不够，而是宣传和免责各说一套——宣传时是“智能体、无人值守、端到端解决问题”，真出了问题又变成“AI只是辅助工具，最终责任在用户”。这套说法的危险在于它想同时占住两头：拿走自动化的估值，只留下辅助工具的责任。诚实的做法只有两种：如果AI只是辅助，就明确标注哪些内容由AI生成、哪些经过人工确认、什么时候转人工；如果AI能自动执行，就说明它能调用哪些接口、权限和金额上限是多少、风险动作要不要二次确认、日志能不能追溯。一个既不敢开放能力、又不愿承认自己只是辅助的系统，大概率不是产品成熟，而是包装过度。 而下面这两种，就是包装过度的极端形态。 第一种：能力在人，署名给AI——遥控机器人。 1770年，肯佩伦的下棋机器人“土耳其人”轰动欧洲宫廷，秘密是柜子里藏着一个真人棋手。今天一些发布会上的“AI机器人”在结构上一模一样：观众看到的是具身智能，柜子里藏的是一个握手柄的操作员，区别只是柜子从木头变成了无线电。最著名的例子是特斯拉2024年10月的“We,Robot”发布会——Optimus现场调酒、聊天、猜拳，事后彭博社援引知情人士证实：行走是AI自主完成的，但与来宾的对话和大量互动由远程员工操控，起因是发布会前三周才决定让Optimus参展、软件来不及准备。特斯拉全程未主动说明这一点，摩根士丹利分析师在研报中直接写明机器人“依赖遥操作”。自主的行走和遥控的对话混在一起、不加区分地展示——这正是问题所在。 这种表演在经济上是负生产力：AI商用的全部价值在于监督比——一个人能看住几台机器。而遥控机器人的监督比是1:1，一台机器背后站着一个操作员，成本结构比直接雇人更贵、更慢、更不可靠。需要澄清的是，遥操作本身是正当的技术环节——采集训练数据、做安全兜底、明示的娱乐竞技都没有问题。遥控不可耻，隐瞒遥控才可耻。判断标准只有一条：观众是否被明确告知“此刻是人在操作”。还有一种更恶劣的变体：宣传时说这是AI机器人，出了事故又说“当时是人工操作”——宣传时让AI署名，出事时让操作员担责，把署名和担责硬生生拆开。而商业社会全部制度设计的目的，恰恰是防止这两样东西被拆开。 第二种：能力不存在，署名给AI——包壳蹭概念。 这个现象有个现成的英文词，AI-washing，仿照“漂绿”（greenwashing）造的。产品没变，文案变了：关键词匹配改叫“AI客服”，传感器加阈值判断的电饭煲改叫“AI电饭煲”，价格翻倍。最极端的案例是Builder.ai——号称用AI让开发应用“像点披萨一样简单”，拿到微软投资、累计融资超过4.5亿美元、估值一度超过10亿美元，2025年5月进入破产程序。其实早在2019年《华尔街日报》就报道过，它的大部分编码工作由人类工程师而非AI完成；而压垮它的最后一击，是彭博曝出的循环交易虚增收入——2024年销售额向债权人夸大了约300%。它是包壳和遥控的合体：既蹭壳，壳里藏着人，账上还藏着假数字。 监管的处罚已经落地。美国SEC在2024年3月开出首批AI-washing罚单，两家投资顾问公司因虚假宣称使用AI合计被罚40万美元。注意处罚的落点——罚的仍然是在宣传材料上签字的法人和高管。监管的逻辑一以贯之：谁署名，谁担责。 四个拆穿包壳的问题： 第一，关掉AI它还能用吗？真AI产品的AI是承重墙，假AI产品的AI是贴纸。 第二，它的输出会随输入变化吗？让“AI客服”回答一个话术库里没有的问题，三秒现原形。 第三，它敢开放什么权限、留下什么日志？真正跑在生产环境里的AI产品，说得清自己能调用哪些接口、失败时怎么复盘、高风险时怎么转人工；只活在演示视频里的产品，这几个问题一问就哑。 第四，也是终极检验：公司愿意为AI的输出承担什么责任？真把AI当核心能力的公司，会在服务协议里认真定义AI输出的责任边界；蹭壳的公司，宣传页上全是AI，合同里一个字都不敢提。 宣传里的AI浓度和合同里的AI浓度之差，就是包壳的厚度。 五、结论：签字环节不是遗留物，是前提条件 把全文的逻辑收拢成一张图： 签字制度解决的是“AI有能力、没责任”的空洞——能力在AI，责任必须锚在人身上； 遥控造假制造的是“AI没能力、有署名”的幻觉——能力在人，功劳记给了AI； 包壳蹭概念更进一步——能力根本不存在，署名照给AI。 市场和监管这三年做的其实是同一件事：强制“能力、署名、责任”三者对齐。 直播新规的“显著标识”管的是署名，SEC的罚单管的是能力造假，处方审方的禁令管的是责任。 最后说一个经济学视角。律师、审计师、医生的高收费里，很大一块买的不是他们的产出，而是他们的执照、他们的职业保险、他们可以被追责的资产。AI把产出的边际成本打到接近零，但责任的价格一分钱都没降。 所以“最后需要人签字”不是AI时代的过渡状态，更不是即将被淘汰的遗留物——它是AI商用的前提条件。AI商用的真实形态从来不是“AI直接交付”，而是“AI生产，人签收”。而那个签字的位置，正在成为AI时代价值上升最快的岗位。 参考来源 监管文件（中国） 国家卫生健康委《互联网诊疗监管细则（试行）》（国卫医发〔2022〕2号）：其他人员、人工智能软件等不得冒用、替代医师本人提供诊疗服务；处方应由接诊医师本人开具，严禁使用人工智能等自动生成处方。相关解读见科技日报《AI不能替代医生直接进行诊疗决策》：https://www.ncsti.gov.cn/kjdt/kjrd/yyjk_kjrd/202502/t20250227_196974.html 国家药监局《处方药网络零售合规指南》（2026年5月发布）：“严禁AI替代审方、重复使用处方，审方数量控制在合理范围”。报道见光明网：https://m.gmw.cn/2026-05/25/content_1304470337.htm；新浪财经：https://finance.sina.com.cn/jjxw/2026-05-27/doc-inhzhxzw9376834.shtml 国家市场监督管理总局、国家互联网信息办公室《直播电商监督管理办法》（2026年2月1日施行）：AI生成的人物图像、视频从事直播电商须显著标识并持续提示；AI直播违法违规由直播间运营者承担全部责任。解读见：https://zhuanlan.zhihu.com/p/2038221585249784127 监管文件（欧盟/美国） 欧盟《人工智能法案》（Regulation（EU）2024/1689）：禁止性条款自2025年2月2日起适用；生物识别、关键基础设施、教育、就业等高风险领域规则经2026年5月“AIOmnibus”政治协议调整后，将自2027年12月2日起适用。欧盟委员会官方页面：https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai 美国SEC首批AI-washing处罚（2024年3月18日）：投资顾问公司Delphia与GlobalPredictions因虚假宣称使用AI合计被罚40万美元。见SEC新闻稿2024-36。 司法案例 ...

本文是术语解构系列文章。 2023 年，一组研究人员测试了 GPT-4。 他们问：“汤姆·克鲁斯的母亲是谁？”模型答出了 Mary Lee Pfeiffer。 换一个对话窗口，再问：“Mary Lee Pfeiffer 的儿子是谁？”模型却没能答出汤姆·克鲁斯。 同一条亲属关系，正着问会，反着问不会。 这不是研究者偶然截到的一次翻车。在一组包含 1000 位名人的测试中，GPT-4 回答“某位名人的父母是谁”时，正确率达到 79%；换成父母的名字，反过来问“他或她的孩子是谁”，成功率降到 33%。后一个数字还是在每道题可以尝试 10 次、答对一次就算成功的宽松标准下得到的。 这个结果很容易让人得出结论：大模型根本不懂亲属关系，不过是在顺着常见词语往下接。 另一项实验却展示了不同的一面。一个只有约 2500 万参数的小型 GPT，只接受“预测下一步棋”的训练，内部逐渐形成了一个可以被读出、也能影响落子判断的黑白棋棋盘。 一个实验暴露了知识调用的单向性，一个实验发现了结构化的内部表征。它们并不互相否定，而是拼出了一幅更接近现实的图景：预测下一个 token 可能逼出某种理解，但这种理解并不完整，也不等同于人类的理解。 “预测”和“理解”不在同一个层面 “大模型是在理解语言，还是在预测下一个 token？”这个问题把两件不同层面的事放在了一起。 预测下一个 token，描述的是模型接受了什么训练，又怎样逐步生成文本。给定前文后，模型计算接下来不同 token 出现的概率，再选择其中一个继续生成。这里的 token 可能是一个字、一个词，也可能只是词的一部分。 理解则可以指几种不同的东西。它可能指模型能否解释、区分、迁移和运用一个概念，也可能指模型内部是否形成了与概念和关系对应的结构。再往前走一步，“理解”还可能包含人的身体经验、自我意识和主观感受。 这三个问题不能靠一句“它只是在预测”一起回答。 考试可以帮助说明其中的区别。考高分是目标，学生可能真的掌握了知识，也可能只背过题库。只看分数，不容易区分两者；检查他能否换一种方式解释、能否解决新题，再观察他怎样组织知识，证据会更充分。 语言模型面对的预测任务同样有简单和复杂之分。“今天天气真……”后面接“好”，记住常见搭配就可能答对。若要补全一部侦探小说最后的“凶手是……”，模型需要处理人物关系、动机、时间线和前文线索。最终输出依然是几个 token，完成预测所需的内部计算已经复杂得多。 预测不自动等于理解，也不自动排除理解。关键要看模型为了完成预测，学到了什么。 预测棋步时，模型内部出现了棋盘 黑白棋实验适合回答一个具体问题：只从序列中预测下一步，模型会不会学到序列背后没有直接写出的状态？ 2023 年，Kenneth Li 等人在 ICLR 发表了 Othello-GPT 研究。研究人员用大量黑白棋对局记录训练一个小型 GPT。模型看到的只有落子序列，比如 E3、D3、C4。它没有收到棋盘图片、格子相邻关系或黑白棋规则说明，训练任务只有一个，预测下一步可能落在哪里。 Othello-GPT：只看落子序列，也可能形成棋盘表征 训练后，模型预测非法落子的错误率降到很低。研究人员又删掉一种开局对应的训练数据，再用这部分棋局测试，模型依然能够较好地预测合法落子。这个结果说明，简单背下训练棋谱不足以解释模型的表现。 更关键的证据来自模型内部。 研究人员在中间层激活上训练了一个小分类器，也就是“探针”，尝试读出棋盘每个位置当前是黑子、白子还是空格。探针能够以很低的错误率还原棋盘状态。后续研究换用“我方棋子、对方棋子、空格”这套坐标后，还发现相关信息可以被线性读取。 能读出棋盘，只能证明内部包含相关信息。它有没有真的参与下一步预测，还需要因果证据。 研究人员随后直接修改模型内部对某个格子的表示，相当于在它的“脑内棋盘”上翻转一枚棋子。修改后，模型预测的合法落子也随之变化，而且变化方向符合新棋盘的规则。这表明棋盘状态不只是被动留在激活中的痕迹，它参与了模型的计算。 改动内部棋盘，预测结果随之改变 这个实验足以反驳一种过于简单的说法：序列预测只能记住表面搭配，不可能形成隐藏状态的内部表示。 它的边界也很清楚。黑白棋是封闭的合成环境，棋盘固定、规则稳定、合法状态可以精确计算。自然语言连接的是一个开放、含混且不断变化的世界。文本里既有事实，也有错误、隐喻和偏见。从一个棋盘状态表征，不能直接推出通用语言模型已经建立了完整的现实世界模型。 黑白棋实验说明这种内部结构可以出现。它没有证明这种结构在所有语言任务中都会出现，也没有证明模型因此拥有意识。 模型学到关系，却不一定能反过来调用 逆转诅咒展示的是另一种限制。 名人问答无法直接证明问题出在训练，因为研究者不知道 GPT-4 的预训练数据究竟怎样描述过这些人物。论文的核心实验因此使用了完全虚构的人名和作品。 ...

本文为「术语解构」系列。 一、账单上差了 50 倍的两行数字 打开 DeepSeek 的官方定价页，V4-Flash 这个模型的输入价格写了两行： 输入（缓存命中）：0.02 元 / 百万 tokens 输入（缓存未命中）：1 元 / 百万 tokens 同样是把 100 万个 token 喂给同一个模型，价格差了 50 倍。V4-Pro 更夸张：命中 0.025 元，未命中 3 元，差 120 倍。 这不是 DeepSeek 独有的玩法。Anthropic 的 Claude，缓存读取按标准输入价的 10% 计费——Sonnet 4.6 的输入从 3 美元/百万降到 0.3 美元/百万。OpenAI 的 GPT-5.5，输入 5 美元/百万，缓存输入 0.5 美元/百万，同样是 1/10。 也就是说，2026 年主流大模型 API 的账单上，“你输入了多少 token”已经不是决定性变量了。决定性变量是：这些 token 里，有多少是模型“见过”的。 这个“见过”的判定机制，就是今天要拆的术语——前缀缓存（Prefix Caching），以及它背后的计费逻辑。 二、模型凭什么给你打一折：前缀缓存的极简原理 大模型处理你的提示词，不是“读一遍文字”这么轻松。每个 token 进来，模型都要为它计算一大堆注意力中间结果（专业名词叫 KV Cache，键值缓存），存在显存里，供后续生成使用。提示词越长，这一步烧的算力越多——这也是为什么长提示词的首字响应总是慢半拍。 前缀缓存的思路很直接：如果这次请求的开头部分，和之前某次请求的开头一模一样，那这部分的中间结果就不用重算了，直接复用上次存下来的。 打个比方。我整理邮票贴片时，前 30 页已经排定、贴好、写完说明的部分，不会因为要加第 31 页就全部拆掉重排——只有新的那一页需要动手。模型也一样：相同的前缀直接翻到“上次整理好的位置”，只算新增的后缀。 ...

6月29日晚，一批使用DeepSeek API的开发者收到了一封调价邮件，DeepSeek开放平台首页也同步挂出了通知。 DeepSeek V4正式版计划于7月中旬上线。伴随新模型而来的，还有一套新的峰谷定价机制：每天上午9点到12点、下午2点到6点，API调用价格是其他时段的两倍。 有人说，AI也开始学电费分峰谷了；也有人认为，这就是换一种方式涨价。 但把价格表真正摊开来看，这次变化不只是“贵了一倍”那么简单。它把AI推理服务一直藏在后台的一条负载曲线，直接印在了价目表上。 一、先看价格：不是全天涨价，而是7个小时翻倍 DeepSeek API一天 24 小时的峰谷价格变化 按照DeepSeek公布的峰谷定价方案，高峰时段每天： 9:00—12:00； 14:00—18:00。 一共7个小时，其他17个小时维持平时价格。 这里顺带澄清一个流传较广的说法：有媒体解读称“周末不执行高峰价”。但从官方口径看，DeepSeek的调价邮件和开放平台通知，措辞都是“每日”；7月3日腾讯云上线DeepSeek-V4原厂直供模型、同步官网峰谷定价机制时，公告同样把高峰时段定义为“每日9:00至12:00和14:00至18:00（北京时间）”——两个官方渠道都没有出现周末豁免的表述。 在DeepSeek计费页面给出进一步细则之前，把“周末照常执行高峰价”作为预算假设，是更稳妥的做法。具体价格如下： 模型 计费项目 平时价格 高峰价格 V4 Pro 输入，缓存命中 0.025元/百万Token 0.05元/百万Token V4 Pro 输入，缓存未命中 3元/百万Token 6元/百万Token V4 Pro 输出 6元/百万Token 12元/百万Token V4 Flash 输入，缓存命中 0.02元/百万Token 0.04元/百万Token V4 Flash 输入，缓存未命中 1元/百万Token 2元/百万Token V4 Flash 输出 2元/百万Token 4元/百万Token DeepSeek给出的解释是，通过峰谷定价“更合理地配置资源、提升服务稳定性”。从价格表看，平时时段没有涨价，高峰时段整体翻倍。因此，它更接近一次“削峰填谷”，而不是全天统一提价。 还有一个背景值得放在一起看。现在的平时价格，是今年4月底V4 Pro那轮永久降价之后的结果——降到了首发定价的四分之一。也就是说，即便高峰时段翻倍，价格也只回到了首发价的一半。这张表里，有三个数字值得停下来看看。 第一，高峰只有7个小时 价格翻倍的时间，几乎覆盖了国内企业最主要的办公时段。 上午开工后到午休前，下午上班到下班前，正是客服、办公软件、代码助手和企业工作流调用最密集的时候。 所以，虽然它不是全天涨价，但对主要在工作时间调用API的国内企业来说，体感很可能接近涨价。 第二，缓存命中和未命中的差距达到120倍 以V4 Pro高峰时段为例： 缓存命中输入：0.05元/百万Token； 缓存未命中输入：6元/百万Token。 同样是100万Token输入，价格相差120倍。这比“高峰翻倍”更值得关注，它说明未来使用大模型，成本不只取决于用了多少Token，还取决于这些Token是不是每次都要重新计算。 第三，Flash和Pro之间也有明显价差 V4 Pro平时的未缓存输入价格是每百万Token 3元，V4 Flash是1元；输出分别是6元和2元——同样相差3倍，这意味着，真正有效的省钱方法不只是凌晨跑任务，还包括： ...

本文是「术语解构」系列之一。 DeepSeek-R1 满血版有 6710 亿参数，而你在 LM Studio 里下载的 R1-Distill-Qwen-14B 只有 140 亿——体积差了大约 48 倍，但它确实“学到了”大模型的推理能力。 这中间发生的事，就叫蒸馏（Distillation）。 打开任何一个本地模型下载页，名字里带 “Distill” 的模型比比皆是。但“蒸馏”到底蒸的是什么？它和我们熟悉的量化（比如 IQ4_XS）有什么区别？为什么有人说蒸馏是“教学生”，有人说蒸馏是“抄作业”？ 这篇先把概念讲透，下篇上实测数据。 一、为什么叫“蒸馏”：从一锅混合物里提取精华 AI蒸馏不是复制大模型，而是从大模型中提取知识精华 化学里的蒸馏，是把一锅混合液加热，让沸点低的成分先变成蒸汽，再冷凝收集——留下的是你想要的精华，扔掉的是杂质。 2015 年 3 月，Geoffrey Hinton（就是后来拿了诺贝尔物理学奖的那位）和 Oriol Vinyals、Jeff Dean 发表了论文《Distilling the Knowledge in a Neural Network》，把这个词借到了神经网络领域： 把一个大模型（老师）学到的“知识”，提取出来，灌进一个小模型（学生）的身体里。 注意这个说法的微妙之处：提取的是“知识”，不是“参数”。学生模型的参数是从头训练的，只是训练的目标从“学习标准答案”变成了“模仿老师的判断”。 这和量化有本质区别——量化是给同一个模型降精度，人还是那个人，只是“说话没那么精确了”；蒸馏是重新培养一个新人。这一点我们后面展开。 二、暗知识：老师教的不是答案，是“感觉” 暗知识：老师教给学生的不只是答案，而是答案之间的相似性 这是整个蒸馏概念里最精彩的部分，也是 Hinton 那篇论文的核心洞察。 假设我们训练一个识别图片的模型，给它看一张猫的照片。 普通训练用的是硬标签（hard label）： 正确答案：猫。就一个字，没了。 蒸馏训练用的是老师模型输出的软标签（soft label），也就是一整个概率分布： 猫：90% 狗：8% 老虎：1.5% 汽车：0.0001% 看出区别了吗？“狗 8%，而汽车几乎是零”——这个差异本身就是知识。它告诉学生：猫和狗长得像，猫和汽车完全不像。这种类别之间的相似性结构，硬标签里根本不存在，只藏在老师的概率分布里。 Hinton 给这东西起了个很浪漫的名字：暗知识（dark knowledge）——像暗物质一样，平时看不见（推理时只取概率最高的那个答案），但它确实存在，而且信息量巨大。 学生模型对着软标签学，相当于老师不仅告诉你答案是 A，还告诉你“B 有点像但差在哪、C 为什么完全不沾边”。一道题传递的信息量，是硬标签的很多倍——这就是为什么蒸馏出来的小模型，往往比同样大小、从零硬训的模型强。 顺便解决一个老疑问：温度参数是从这来的 你在 API 调参时天天见的 temperature，最早的出处之一就是这篇蒸馏论文。 ...

WorkBuddy 实战手册 · 第8篇 有一种办公崩溃，很多人都遇到过：人已经离开公司，文件还在公司电脑里。更烦的是，别人不是明天要，也不是下周要，而是现在就要。 上个月有天下班路上，我在地铁里收到同事消息： 明天一早开会要用的方案，最终版是不是还在你电脑桌面上？能不能现在发我一下？ 如果是以前，我大概率只有两个选择： 第一，掉头回公司。 第二，找还在办公室的同事帮我开电脑、找文件、传文件。 两个选择都不舒服。 那天我试了第三种方式：打开微信里的 WorkBuddy 小程序，切到本机模式，让它在我办公室电脑上找到那份文件，再用绑定好的邮箱发给同事。 几分钟后，同事回了两个字： 收到。 这件事给我的感觉很直接——WorkBuddy 不只是坐在电脑前用的 AI 助手，它还可以变成一个「手机遥控电脑」的工具。你人不在电脑前，但电脑上的文件、邮件、表格和任务，依然可以继续处理。 这篇就讲一个很具体的场景： 怎么用 WorkBuddy 微信小程序和 ClawBot，在手机上远程操控电脑，完成取文件、发邮件、处理本地资料这类办公任务。 一、手机端有三种入口 入口 适合场景 我的建议 微信客服号 简单问答、轻量任务 能用，但能力比较基础 ClawBot 插件 微信聊天里快速发指令 适合语音和临时操作 微信小程序 查看任务、下载文件、切换模式 最推荐，体验最完整 在微信里搜索「腾讯 WorkBuddy」，进入小程序后，就可以看到任务入口、模式切换、结果展示和文件下载。 ClawBot 更像一个微信聊天里的快捷入口，小程序更像一个完整的手机工作台。 临时一句话，用 ClawBot； 要看结果、下载文件、确认任务进度，用小程序。 两个配合起来，体验会顺很多。 二、云端模式和本机模式不是一回事 WorkBuddy云端模式和本机模式的区别 WorkBuddy 手机端通常会涉及两类任务： 云端模式：任务在云端跑。 本机模式：任务在你的电脑上跑。 这两个差别很大。 1. 云端模式：电脑关着也能用 云端模式适合不依赖你电脑本地文件的任务。 比如： 写一篇文章大纲； 整理一段文案； 生成一个活动方案； 分析你手动上传的资料； 做一个通用选题规划。 这些任务不需要访问你电脑桌面，也不需要打开你本地硬盘，所以电脑关着也没关系。你可以在地铁、高铁、咖啡馆里直接用手机发指令。 2. 本机模式：电脑必须开着 本机模式的重点是： WorkBuddy 可以远程操作你的电脑。 它适合这些任务： ...

WorkBuddy 实战手册 · 第6篇 一个文件夹里有 137 个文件。 Word、PDF、TXT、图片、Excel 混在一起。 文件名也很熟悉： 会议纪要最终版 会议纪要最终版2 会议纪要最终版绝对不改了 会议纪要真最终版 需求听起来不复杂： 把这些资料整理成一份 PDF 合集，按时间排序，统一格式，方便归档。 但真正做起来，问题就来了。 分类要逐个打开看；Word 要另存为 PDF；扫描件要识别；重复版本不能误删；最后还要按顺序合并。 这类活有一个特点：不难，但非常消耗人。 它不需要多少创造力，却要求你一直点开、判断、拖拽、另存为、合并，中间还不能走神。漏一个文件，后面可能就要重来。 后来我用 WorkBuddy 跑了一遍。 这篇就讲一个很具体的办公场景：怎么用 WorkBuddy 批量处理文件，把「整理、转换、合并」这条最无聊的流水线自动化。 先说结论： 文件处理不是最适合炫技的 AI 场景，但可能是最容易省时间的 AI 场景。 前提是，指令要写清楚，边界要画明白。 一、为什么批量文件处理特别适合交给 AI 文件整理这件事，本质上不是一个动作，而是一条流程。 通常包括五步： 扫描文件 判断内容 分类归档 格式转换 合并输出 每一步都很规则化，每一步又高度重复。 这正好是 AI Agent 适合发挥的地方。 整理 5 个文件，手动可能更快。 整理 50 个文件，AI 开始省时间。 整理 100 个以上文件，差距会非常明显。 因为人最怕的不是「判断一次」，而是「重复判断一百次」。 WorkBuddy 的价值也不只是「帮你改文件名」。更准确地说，它处理的是一个文件夹里的工作流：扫描、理解、分类、移动、转换、输出结果。 这和在聊天框里上传一个文件让 AI 修改，不是同一件事。 上传文件，是「你把东西递给它」。 授权工作空间，是「你给它限定一个工作台，让它在这个范围内干活」。 但也正因为它能动本地文件，所以第一条原则必须先讲清楚： ...

本文是「术语解构」系列之一。上一篇《Token 到底是什么》我们搞清楚了大模型的计量单位，这一篇来拆它最常被吹的参数：上下文窗口。 厂商发布会说：支持 100 万 token 上下文。 学术测试说：32K 的时候，12 个主流模型里有 11 个能力已经腰斩。 窗口只用了 3%，模型就开始变笨——这中间发生了什么？ 这篇把近两年最关键的几组公开测试数据摆在一起，讲清楚标称窗口和有效窗口之间隔着什么。 一、1M token 到底有多大 1M token 能装下很多，但不等于都能用好 先建立体感。按 Qwen 系列 tokenizer 处理中文的大致压缩率（1 个 token 约对应 1～1.5 个汉字）估算：1M token 大约能装下 100 万～150 万字中文。《三体》三部曲全文约 88 万字——也就是说，一整套《三体》塞进去，窗口还有富余。 听起来很美好。但有三笔账，发布会不会告诉你。 第一笔：输入和输出是不对称的。 窗口 1M 指的是模型一次能“读”多少。它一次能“写”多少？主流模型的输出上限普遍只有 8K～65K token。你可以把三本书塞进去，但它没法给你写出一本书来。上下文窗口是个漏斗，进去的多，出来的少。 第二笔：厂商用定价告诉你，长上下文有多贵。 看两个 2026 年的真实定价规则： Gemini 3 Pro：上下文超过 200K，按阶梯涨价 GPT-5.5：输入超过 272K token，价格直接翻倍 如果长上下文是白捡的能力，厂商为什么要在这个位置设收费闸门？因为注意力机制的计算成本随序列长度平方增长——窗口翻倍，注意力层的计算量大约翻四倍。这笔账最终会转嫁到你的账单上。 第三笔：显存账。 这个系列的老读者应该有条件反射了：任何“能力”最终都要落到显存上。一个 32B 模型，在 1M 上下文满载时，仅 KV Cache（模型推理时的“草稿纸”，后面会单独写一篇）就需要 64GB 以上显存（FP16）。什么概念？一台 24GB 的 MacBook Pro，连这张“草稿纸”的一半都装不下，模型本体还没算。这也是为什么你在本地部署时，把上下文长度往大了调，内存占用会肉眼可见地飙升。 ...

WorkBuddy实战手册 · 第5篇 同一个任务：一份5000字的行业调研报告，6个维度，20多个关键数据点，每个数据都要标来源。 手动做，10到15小时。交给 WorkBuddy，1到1.5小时。其中大部分时间，你只是在旁边看着，偶尔插一句嘴。 写一篇行业分析报告要多久？简单的两三天，深的一两周。时间主要花在哪——写作只占20%，剩下80%全在找资料、交叉验证、整理来源。 打开十几个浏览器标签页，这个网站抄一段那个网站抄一段，数据对不上还得找第三个源确认。最痛苦的是写到后面忘了某个数据从哪来的，翻半天历史记录，找不到只能删掉重查。 这篇讲怎么用 WorkBuddy 做一份带信息来源的调研报告：从定选题到导出成品，全程在一个对话框里完成。第一次跑的时候我也踩了坑，下面一起讲。 一、先说清楚：WorkBuddy做调研和“百度一下”差在哪 很多人觉得调研就是搜索，打开 WorkBuddy 直接说“帮我调研一下AI算力行业”。能跑，但出来的东西大概率是一篇正确的废话。 简单搜索是“找一个答案”，深度调研是“拼出一个完整的认知”。前者搜一次就完，后者需要多轮搜索、交叉验证、甄别矛盾信息、结构化整合，完全是另一个量级的活。 WorkBuddy 做调研，最打动我的是两点。 一是真联网。不是拿训练数据糊弄你，是实打实去网上搜当前最新的信息。行业调研最怕过时数据——拿去年的数字写今年的报告，内行人一眼看穿。 二是多轮搜。不是搜一次就完事，而是根据上一轮结果判断还缺什么，自动发起第二轮、第三轮搜索。你给它一个问题，它自己拆成若干子问题，逐个搜、逐个验，最后拼到一起。 而且这个过程全程可见：每一轮搜了什么、找到了什么、下一步打算搜什么，都在对话区展示。不是黑箱，你随时可以插嘴“这个方向不用查了”或者“这块再深挖一下”，它听人话。 二、实战：从一句话到一份带引用的调研报告 场景：写一份“2025年中国AI算力行业现状”的调研报告，给领导或客户看，要求有数据、有来源、有判断。 第一步：Plan模式定框架，框架不确认不动手 别上来就说“帮我写一份AI算力行业调研报告”。我第一次就这么干，它直接开写，出来的东西结构散乱，该有的维度没有，不需要的塞了一堆。 正确做法是先用 Plan 模式让它出框架： 「我需要写一份关于2025年中国AI算力行业现状的调研报告。请先用Plan模式，帮我规划报告的框架，包括要覆盖的核心维度、每个维度需要搜索的关键问题、预期数据来源类型。框架发给我确认后再开始调研。」 WorkBuddy 会先拆解报告应该覆盖的维度——市场规模、主要玩家、技术路线、政策环境、供需格局、价格趋势、未来展望——每个维度下列出要搜的具体问题。 你检查框架，要加、要砍、要调优先级，直接说。框架阶段调整成本几乎为零，等报告写完再调结构等于重做。 我有一次没确认框架就让它跑，搜了20分钟出来，发现缺了“价格趋势”这个维度——恰恰是领导最关心的，补搜又花了不少时间。后来学乖了。 第二步：切Craft模式，逐维度搜索 框架确认后，切到 Craft 模式： 「框架确认。请按以下顺序进行调研，每个维度搜索完成后先汇总该维度的发现和来源，再进入下一个维度。所有关键数据必须标注来源（网站名称+链接+检索日期）。」 这条指令有三个关键点。 逐维度搜，不要一把梭。每个维度搜完给你看结果，确认信息够了再进下一个。你能控制节奏，发现某个维度不足时及时补搜。 来源标注必须写进指令。不写的话，WorkBuddy 可能只给数据不给来源。明确要求“网站名称+链接+检索日期”三要素，报告里每个数据都能追溯。你想想，一份数据查不到来源的调研报告，跟编的有什么区别？ 要阶段性汇总。这比一口气搜完所有维度再给你一个长报告好得多，因为你能在过程中纠偏。 第三步：盯着它搜，跑偏随时插嘴 WorkBuddy 搜索时，对话区会实时展示它搜了哪些关键词、打开了哪些网页、提取了什么信息。发现方向不对，随时说： 「政策环境这块搜得太浅了，目前只有国家级政策，请补充地方政策，特别是北京、上海、深圳的算力补贴政策。」 它会基于你的反馈调整搜索策略，不会从头开始，而是在已有结果上补充——多轮对话的好处就在这，它记得之前搜了什么、还缺什么。 我有一次看它搜“主要玩家”，只搜了阿里、腾讯、华为这些互联网大厂，漏了浪潮、曙光这类专业算力服务商。我插了一句“补充专业算力服务商的信息”，它立刻发起新一轮搜索补上了。我要是不管，报告里就缺一大块。 第四步：数据打架时，让它标矛盾，别替你选 不同来源的数据对不上，是调研里最头疼的事之一。比如AI算力市场规模，有的报告说1500亿，有的说2000亿，差距不小。手动调研时你得自己判断哪个更靠谱，费时费力。 WorkBuddy 碰到这种情况会主动标注： 「关于2025年中国AI算力市场规模，不同来源数据存在差异。来源A（某某研究院）数据为1500亿元，来源B（某某咨询机构）数据为2000亿元。差异可能源于统计口径不同：来源A仅统计智能算力，来源B包含通用算力和智能算力。」 它不帮你随便挑一个数字，而是告诉你矛盾在哪、差异原因可能是什么，判断权留给你。后续指令里你可以告诉它用哪个口径，或者两个都保留并说明差异。 数据矛盾时，AI 负责标注，人负责判断 第五步：一条指令，输出带引用的完整报告 所有维度搜完后，让它整合： 「所有维度调研已完成。请将以上所有发现整合为一份完整的调研报告，要求： 报告结构按确认的框架组织，包含摘要、各维度分析、结论与展望 所有关键数据在正文中用括号标注来源编号，报告末尾附完整来源列表 每个维度末尾加一段“分析师判断”，基于数据给出趋势判断 总字数控制在5000字左右 保存为Word格式」 这条指令决定成品质量，四个点都不能省。 来源标注方式要明确。“正文用编号、末尾附完整列表”，报告既好看又可追溯；不指定，来源散落正文，读起来乱。 “分析师判断”让报告从资料堆砌升级为有观点的分析。光有数据没有判断的叫资料汇编，不叫调研报告。 字数必须说。不说的话，它可能给你3000字，也可能给你10000字。 ...

WorkBuddy 实战手册 · 第3篇 同一个任务：清洗一份500行的销售数据，分类汇总，出3张图表，整理成Word报告。 手动做，实测85到155分钟。交给 WorkBuddy，算上人工确认的时间，10分钟以内。全程不写一个公式，不建一张透视表。 Excel 是职场里最矛盾的工具：人人都打开过，真正能熟练处理数据的人不多。VLOOKUP、透视表、条件格式——名字都听过，真用的时候还得一边查教程一边试错。而数据分析最耗时间的，往往不是“分析”本身，是分析之前那堆体力活：日期格式不统一、产品名称多了空格、数字和文字混在一列、空值不知道怎么处理。 这篇讲怎么把这些体力活整个交出去，同时守住几条不能交出去的底线。 一、为什么是 WorkBuddy 而不是继续死磕 Excel Excel手动操作与 AI 执行助理的差异 你想知道的其实很简单：哪个产品卖得最好？哪个区域销售额最高？本月有没有异常？这些需求本身不复杂，但在 Excel 里要经过很多步：清洗、筛选、建透视表、插图表、调格式、复制到 Word。 WorkBuddy 的优势不是“替代 Excel”，而是把这些重复操作变成自然语言任务。你只需要把文件拖进去，说清楚三件事：按什么维度分析、算哪些指标、输出什么格式。 剩下的读取、清洗、统计、出图、成文，交给它执行。 Excel 是工具箱，WorkBuddy 是一个能听懂任务的执行助理。 二、实战：一份销售数据的完整分析流程 假设你手头有一份月度销售数据 Excel，包含日期、产品名称、区域、销售额、销量等字段，500行左右。目标：清洗数据，找出表现最好的产品和区域，出图，整理成 Word 报告。五步走完。 第一步：先让它看懂数据，别急着分析 打开 WorkBuddy，选 Craft 模式，把 Excel 拖进对话区。不要一上来就说“帮我分析一下”——太泛，AI 只能给你空泛总结。第一条指令这样写： 先读取这份Excel，做一份数据概况说明：1）多少行、多少列；2）每列字段名称和数据类型；3）哪些列存在空值、重复值或格式异常。暂时不要修改原始数据，只检查，只说明。 它会返回一份“数据体检报告”。这一步非常关键：后续所有分析都建立在字段识别和数据质量之上，第一步看错了字段，后面的结论跟着全错。 第二步：清洗数据——先诊断，再动手 AI做数据清洗必须先诊断，再确认处理 真实的 Excel 几乎没有干净的：日期一列三种写法、“产品A”和“产品 A”被当成两个产品、销售额里混着“未统计”、空值散落各处。 第二条指令，注意这里的关键约束： 帮我清洗这份数据：1）日期统一为 YYYY-MM-DD；2）去除产品名称和区域名称中的多余空格；3）检查销售额、销量字段里的非数字内容，列出异常值；4）对空值先不要直接替换，告诉我空值分布，并给出建议处理方式；5）完成后输出一份清洗记录，说明每一步处理了多少条数据。 为什么空值不能一句话让它全填0？因为不同字段的空值含义不一样：销售额为空可能是没统计，销量为空可能是漏填，区域为空是数据不完整。直接替换成0，均值和客单价会被拉低，数据含义也变了。 先让 AI 列出问题，你来决定怎么处理。 确认之后再追加一条： 确认：销售额和销量的空值按0处理；区域为空的记录标记为“未知区域”；生成清洗后的Excel，保留清洗记录。 清洗后的改动可以在结果区的“变更”标签里逐条核对，效果类似 Word 的修订模式——每处修改的前后对比都看得到。财务、合同这类不允许出错的数据，这个功能尤其重要。 第三步：分类统计，算出核心指标 基于清洗后的数据做分类统计：1）按产品类别汇总销售额和销量；2）按区域汇总销售额和销量；3）列出销售额Top5和最低5个产品；4）如果表中存在上月或同期数据，计算环比或同比；如果没有，明确说明“原表缺少对比周期数据，无法计算增长率”，不要编造；5）结果用表格呈现。 这在 Excel 里要建透视表，在这里一句话。它会返回类似这样的结构化表格（示例）： 产品类别 销售额（万元） 销量 环比增长 电子产品 156.3 1,240 +12.5% 家居用品 89.7 2,100 -3.2% 服装 67.4 890 +8.7% 表格后面通常跟一段判断：“电子产品环比增长12.5%，是增长最快的品类；家居用品下滑3.2%，建议关注原因。”这段判断基于前面算出的数据，有数据，有结论，不是空话。 ...