---
type: article
title:  "WorkBuddy 实战案例：日常办公"
date:   2026-07-07 10:31:00 +0800
tags: [workbuddy, agent, office-automation, excel-processing, data-analysis, visualization]
---

## [WorkBuddy 介绍](https://www.codebuddy.cn/work/)

<div align="center">
<h1>全场景智能体工作搭子</h1>
<h3 style="margin: 0.2em 0; line-height: 1.2;">开启 AI Agent 办公新范式</h3>
</div>

---

<h1>AI 专家团 全场景办公</h1>
<h3 style="margin: 0.2em 0; line-height: 1.2;">WorkBuddy 是全能 AI 工作台，一人指挥，全行业专家执行，从策略到交付一站搞定</h3>
<h3 style="margin: 0.2em 0; line-height: 1.2;">免部署·安装即用 ｜ 多专家·多模型协同 ｜ 全平台·桌面 / 主流 IM / 小程序</h3>

---

<h3>100+ 领域专家组成你的虚拟团队，运营、设计、数据、开发等全角色场景覆盖</h3>
<h1 style="margin: 0.2em 0; line-height: 1.2;">一句话指令自主规划并交付完整结果</h1>
<h2 style="margin: 0.2em 0; line-height: 1.2;">多专家并行协作，一个人顶一支团队</h2>
<h2 style="margin: 0.2em 0; line-height: 1.2;">MCP 生态 + 自定义 Skills，能力无限扩展</h2>

---

![](/images/2026/workbuddy/work.webp)

---


## 截图重命名与分类

### 输入

```PROMPT
把 截图 目录中的图像根据图像的内容进行重命名及文件夹分类。
```

### 输出

```PROCESS
我先看看截图文件夹里有哪些图像，然后分析每张图的内容来重命名和分类。
截图文件夹有 11 张 PNG 图像。我需要逐一查看每张图的内容来判断如何命名和分类。我先读取这些图像。
```

我已经看完了全部 11 张截图，根据内容可以把它们分成三类。分类方案如下：

**1. AI-概念图/**  
- `Claude-Code-上下文工程.png`（Claude Code 的上下文工程结构图）  
- `RAG-检索增强生成.png`（ChatGPT / RAG 流程图）  
- `Multi-Agent-ChatDev工作流.png`（ChatDev 多智能体开发流程）  

**2. Claude-Agent-SDK/**  
- `Claude-Agent-SDK-封面.png`  
- `Claude-Agent-SDK-场景示例.png`  
- `Claude-Agent-SDK-核心能力总览.png`  
- `Claude-Agent-SDK-编排能力.png`  
- `Claude-Agent-SDK-工具能力.png`  
- `Claude-Agent-SDK-权限控制.png`  
- `Claude-Agent-SDK-生产就绪.png`  

**3. macOS-自动化/**  
- `Automator-PDF转JPG快捷操作.png`（Automator 的「PDF 转 JPG」快捷操作 Shell 脚本）  

你确认这个分类方案后，我就直接创建文件夹并移动/重命名文件。

### 输入

```PROMPT
OK
```

### 输出

```PROCESS
确认收到，开始执行。我会创建三个子文件夹，并把每张图移动并改名为对应名称。
全部 11 张图已按内容分类并改名完成。结构如下：

截图/
├── AI-概念图/
│   ├── Claude-Code-上下文工程.png
│   ├── Multi-Agent-ChatDev工作流.png
│   └── RAG-检索增强生成.png
├── Claude-Agent-SDK/
│   ├── Claude-Agent-SDK-封面.png
│   ├── Claude-Agent-SDK-场景示例.png
│   ├── Claude-Agent-SDK-核心能力总览.png
│   ├── Claude-Agent-SDK-编排能力.png
│   ├── Claude-Agent-SDK-工具能力.png
│   ├── Claude-Agent-SDK-权限控制.png
│   └── Claude-Agent-SDK-生产就绪.png
└── macOS-自动化/
    └── Automator-PDF转JPG快捷操作.png

11 张全部归位，无遗漏。顺便记录一下今天的工作。
```

完成 ✅

截图文件夹里的 11 张图已经按内容重新命名并归入三个分类文件夹：

- **AI-概念图/**（3 张）：Claude Code 上下文工程、RAG 检索增强生成、Multi-Agent/ChatDev 工作流
- **Claude-Agent-SDK/**（7 张）：封面、场景示例、核心能力总览、编排能力、工具能力、权限控制、生产就绪
- **macOS-自动化/**（1 张）：Automator PDF 转 JPG 快捷操作

原来的时间戳文件名（`截屏2025-09-21 19.55.30.png` 之类）已全部替换为能反映图像内容的语义化命名，方便日后检索。如果某个分类或命名想再调整，告诉我就行。

![](/images/2026/workbuddy/work-screenshot-rename-and-categorization.webp)


## Excel 文件处理

### 输入（整理近一周研究的项目）

- **技能**：`Excel 文件处理`

```PROMPT
​'/Users/junjian/工作/2026/WorkBuddy实战/开源 AI 生态研究与落地指南.xlsx'
查看最近一周研究的项目，把项目、定位、场景、日期使用表格展示出来，内容要精简。
```

### 输出

```PROCESS
我先查看 Excel 文件的结构。  
我需要先安装所需的软件包。  
现在让我提取数据并筛选出上周（自 2026 年 6 月 29 日起）的数据，拉取项目名称、定位、场景和日期。
```

近一周（2026-06-29 ~ 2026-07-02）共有 **5 个** 项目有研究记录，精简表格如下：

| 项目 | 定位 | 场景 | 完成日期 |
|------|------|------|----------|
| **OpenPencil** | AI 原生开源设计编辑器，开源 Figma 替代品；"设计即节点树"，原生读写 .fig/.pen，内置 90+ 设计工具，支持 CLI+MCP 编程与实时协作 | ① 替代 Figma 摆脱闭源锁定<br>② AI 聊天驱动设计生成/修改<br>③ Agent 集成（MCP 连 Claude Code/Cursor）<br>④ Design-to-Code 导出 JSX/Tailwind | 2026-06-29 |
| **Unlimited OCR** | 百度开源的端到端长文档 OCR 模型（30 亿参数，推理仅激活约 5 亿），解决长文档"越生成越慢"瓶颈 | ① 数十~上百页 PDF 批量数字化（金融/法律）<br>② 结构化数据增值（比对/审阅/归档）<br>③ 标准化 OCR API 服务 | 2026-06-29 |
| **MarkItDown** | 微软开源的文档预处理与结构化转换框架，流式解析+插件化适配器，高保真提取且语义对齐模型 | ① RAG 多源知识库构建（PDF/Word/PPT/Excel 统一语料）<br>② 内网私有化离线数据预处理（金融/政务/医疗） | 2026-06-30 |
| **Headroom** | 面向 LLM Agent 的上下文优化基础设施，智能路由+压缩引擎，在降本的同时保障问答质量 | ① Agent 高频工具调用成本治理（压缩日志/JSON，省 60%~95% Token）<br>② 内网私有化部署保护敏感数据 | 2026-07-01 |
| **Graphify** | 端到端项目知识图谱构建引擎，基于静态代码解析，解决大型代码库缺全局上下文导致的"高 Token 消耗、低精准度"问题 | ① 大型遗留系统辅助开发（理解调用关系、精准 Bug 定位、新人 onboarding）<br>② 构建研发效能工具 | 2026-07-02 |

需要我把这份表格导出成 xlsx 或 HTML 文件吗？

### 输入（导出 xlsx）

```PROMPT
导出xlsx
```

### 输出

```PROCESS
我会创建一个新的 xlsx 文件，里面包含精简的表格。(项目 / 定位 / 场景 / 完成日期).
已导出。文件包含 5 个项目，列顺序为 **项目 | 定位 | 场景 | 完成日期**，带表头样式和自动换行。
让我快速校验一下文件可正常读取：
```

已导出并校验通过 ✅

**文件：** `/Users/junjian/工作/2026/WorkBuddy实战/开源AI生态_近一周研究项目.xlsx`

- 工作表名：`近一周研究项目`
- 列：**项目 | 定位 | 场景 | 完成日期**（日期已作为独立列放在最后）
- 共 5 行（OpenPencil、Unlimited OCR、MarkItDown、Headroom、Graphify）
- 已加表头蓝底白字、单元格边框、自动换行与行高，首行冻结方便浏览


## 开源项目研究全流程自动化

### 📋 概览

本案例完整演示了 **腾讯文档 → 开源项目研究 → Excel 入库 → Word 报告** 的一站式自动化工作流。以 GitHub 开源项目 MOSS-Transcribe-Diarize 为目标，全程在对话内完成，无需手动切换工具。

| 维度 | 说明 |
|------|------|
| **目标项目** | MOSS-Transcribe-Diarize（端到端音频理解模型，Apache-2.0） |
| **涉及能力** | 腾讯文档 MCP、open-source-ai-researcher 技能、xlsx 技能、docx 技能 |
| **执行流程** | 列出文档 → 导出 Excel → 研究项目 → 写入数据库 → 生成报告 |
| **最终产出** | `开源 AI 生态研究与落地指南.xlsx`（更新）+ `AI 项目研究.docx`（报告） |
| **总耗时** | 约 10 分钟 |

### 输入（查看腾讯文档）

- **连接器**：`腾讯文档`

```PROMPT
列出我的腾讯文档
```

### 输出

以下是你在腾讯云文档中的最近文档列表（共 20 条，按最近查看时间排序）：

| # | 文档名称 | 类型 |
|---|---------|------|
| 1 | 人工智能赋能业务提效减负专项需求调研 - 需求分析报告 | 文档 |
| 2 | 开源 AI 生态研究与落地指南 | 表格 |
| 3 | 2026年XXX平台组周报 | 表格 |
| 4 | 6月9日作业截图收集 | 表单 |
| 5 | 6月8日作业截图收集 | 表单 |
| 6 | 6月7日作业截图收集 | 表单 |
| 7 | 作业截图收集 | 表单 |
| 8 | 本周工作内容 | 表格 |

如果你需要对某个文档进行查看详情、编辑内容、导出等操作，告诉我文档名称或编号即可。

### 输入（保存文档到本地）

- **连接器**：`腾讯文档`

```PROMPT
把“开源 AI 生态研究与落地指南”保存到本地
```

### 输出

文件已成功保存到本地！

**开源 AI 生态研究与落地指南.xlsx** → `/Users/junjian/工作/2026/WorkBuddy实战/开源 AI 生态研究与落地指南.xlsx`（约 35KB）

### 输入（研究开源 AI 项目）

- **技能**：`open-source-ai-researcher`

```PROMPT
使用 /open-source-ai-researcher 研究项目 https://github.com/OpenMOSS/MOSS-Transcribe-Diarize。
```

### 输出

```PROCESS
好的，我来用 `open-source-ai-researcher` 研究项目。
项目信息已提取（owner: `OpenMOSS`, repo: `MOSS-Transcribe-Diarize`），开始抓取仓库详情。
项目信息已收集完毕（许可证为 **Apache 2.0**）。
```

全部完成！以下是成果汇总：

#### ✅ MOSS-Transcribe-Diarize 项目研究结果

| 字段 | 内容 |
|------|------|
| **项目名称** | MOSS-Transcribe-Diarize |
| **类别** | 大模型（语音AI） |
| **GitHub URL** | https://github.com/OpenMOSS/MOSS-Transcribe-Diarize |
| **定位** | 开源的端到端音频理解模型，专为长语音、多人对话场景设计，一次性完成 ASR + 说话人日志 + 时间戳生成 |
| **应用场景** | 会议转录、电话录音分析、播客/访谈文字稿、课堂笔记、视频字幕 |
| **依赖** | Python 3.12, Transformers 5.x, PyTorch, uv, ffmpeg |
| **许可证** | Apache-2.0 ✅ **商业/内部项目可合规使用** |

### 输入（写入研究结果到 Excel）

- **技能**：`Excel 文件处理`

```PROMPT
使用 /Excel 文件处理 把研究结果写入到 “开源 AI 生态研究与落地指南.xlsx” 中。
```

### 输出

```PROCESS
现在加载 Excel 处理技能来写入文件。
好的，现在来研究 Excel 文件结构，然后把研究成果写入其中。
文件修复成功，现在来添加新项目数据。
验证写入结果：
```

#### ✅ Excel 写入结果

已在 **「趋势洞察和研究落地」** 工作表的 **第 42 行** 追加了该项目记录，包括项目名称、GitHub URL、定位、应用场景、依赖、许可证等信息，样式与现有数据一致。

### 输入（写入研究结果为 Word 文档）

- **技能**：`docx`

```PROMPT
使用 /docx 保存研究结果，文档名“AI 项目研究”
```

### 输出

```PROCESS
文档验证通过 ✅。现在呈现结果并记录工作日志。
```

完成！**AI 项目研究.docx** 已生成并保存到本地工作目录。

#### 📄 文档概览

| 章节 | 内容 |
|------|------|
| **项目概览** | 项目名称、类别、GitHub 链接（可点击跳转）、定位、依赖、许可证 |
| **应用场景** | 会议转录、电话录音、播客访谈、课堂笔记、视频字幕 |
| **技术架构** | 文本骨干、音频编码器、音频-文本桥接、推理框架 |
| **推理部署** | 原生 Transformers、vLLM、SGLang Omni 三种方式 |
| **许可证合规** | Apache-2.0 的商业使用注意事项 |
| **评估结果** | 四个数据集上的 SOTA 性能表现 |

文档样式规整，含页眉（"开源 AI 项目研究"）、页脚（页码）、自动编号列表、带背景色的关键信息表格，所有验证均已通过 ✅。

![](/images/2026/workbuddy/work-mcp-skill-docx.webp)


## 数据分析及可视化

### 输入（AI芯片压测数据可视化分析）

- **连接器**：`ima知识库`

```PROMPT
通过我的知识库找到Nvidia T4、海光、华为、沐曦芯片的压测数据（使用 vLLM 推理引擎），进行可视化分析。
```

**增强提示词**
```PROMPT
请从我的知识库中检索Nvidia T4、海光、华为、沐曦芯片的压测数据（使用vLLM推理引擎），并进行可视化分析。


要求：
- 汇总各芯片在vLLM推理引擎下的压测结果，包括吞吐量、延迟、并发性能等关键指标
- 生成对比图表，直观展示不同芯片之间的性能差异
- 分析各芯片在不同负载场景下的表现趋势
- 输出完整的可视化分析结果，包含数据表格和图表
```

### 输出

```PROCESS
好的，让我先从你的 ima 知识库中检索相关数据。
找到了！发现了 4 篇核心的芯片压测文章。让我获取它们的详细内容。
现在我已经收集到了所有四个芯片的数据，接下来创建可视化分析报告。
报告已生成并展示在预览面板中。以下是数据的概要总结：
```

---

#### 数据来源

从你的 **ima 知识库（军舰的知识库）** 中检索到了 4 篇核心压测文章：

| 芯片 | 数量 | 来源文章 |
|---|---|---|
| **NVIDIA T4** | 2篇 | vLLM 推理优化实验 + 推理服务压测报告 |
| **海光 DCU** | 1篇 | 海光 DCU 大模型推理性能压测 |
| **华为 Ascend 910B4** | 2篇 | Atlas 800I A2 压测 + vLLM 基准测试 |
| **沐曦 MXC500** | 1篇 | MXC500 大模型推理性能压测 |

#### 核心发现

**🏆 请求吞吐量（7B 模型）**
- 华为 910B4（8卡）：**22.70 req/s** ← 最高
- 海光 DCU（4卡）：10.07 req/s
- 沐曦 MXC500（4卡）：6.63 req/s
- T4（4卡）：1.31 req/s

**🏆 Token 生成速度（TPOT，越低越好）**
- 华为 910B4：**51ms** ← 最快
- 海光 DCU：110ms
- T4：139ms
- 沐曦 MXC500：185ms

**🏆 高并发扩展性**
- 华为 910B4 在 720 并发下仍保持稳定，吞吐持续增长
- T4 在 64 并发达峰后即下降
- 海光 DCU 和沐曦 MXC500 并发上限在 150-200 之间

**🔧 沐曦 NUMA 优化**
- 绑定到正确的 NUMA Node 0 后，QPS **提升 13.4%**，吞吐提升 **13.2%**
- 错误绑定反而降低性能

报告包含 7 个交互式图表和完整的数据表格，可直接在浏览器中查看。

![](/images/2026/workbuddy/chip-benchmark-analysis.webp)

### 输入（2026 年笔记概览）

- **连接器**：`ima知识库`

```PROMPT
检索我的知识库，看看今年我笔记的概览
```

### 输出

```PROCESS
知识库（ima 知识库）已连接，我先加载它的工具并检查你的知识库结构，再做今年笔记的概览分析。
现在获取你的知识库列表，确定要检索的范围。
需要指定知识库类型，我用「我的知识库」重试。
找到知识库「军舰的知识库」。我拉取其中的全部内容（按更新时间排序），用于统计今年（2026）的笔记概览。
单次最多 50 条，我分页拉取。先取第一页（按更新时间倒序）。
第一页已拿到 50 条（全部是 2026 年 6 月），知识库总计 767 条。我需要分页拉全量数据才能做出准确的年度概览。我创建一个任务清单并继续分页抓取。
已抓取 100 条（覆盖 2026‑01 至 2026‑07，全部为 Markdown 笔记）。数据量大（共 767 条），我继续分页拉取剩余内容以保证统计准确。
已抓取 150 条（覆盖 2026‑02 至 2026‑07）。继续拉取剩余页面以覆盖完整年度。
已抓取 200 条。关键发现：第 4 页在 `2026-01-01` 之后开始出现 2025 年的笔记（`2025-12-31` 等），说明按更新时间倒序排列时，2026 年笔记已集中在此前的条目中。我再抓一页确认边界，确保没有遗漏的 2026 年笔记。
第 5 页全部是 2025 年及更早的笔记，确认 **2026 年笔记已全部落在前 4 页**（共 180 篇，覆盖 2026‑01 至 2026‑07）。我已完成全量抓取与边界校验。

现在把 180 篇 2026 年笔记的结构化数据落地，并生成可视化看板。
看板已生成。我快速校验输出文件结构是否正常。
HTML 结构正常。更新任务状态并记录到工作记忆。
```

已检索你的 ima 知识库「军舰的知识库」并生成了 **2026 年笔记概览看板**（纯 HTML，无外部依赖，可直接打开/预览）。

#### 关键结论

**规模**：2026 年共 **180 篇** Markdown 笔记（知识库总计 767 条，已剔除 2025 及更早内容），覆盖 1–7 月，估算约 **126 万字 / 3.0MB**；最长单篇 `openclaw-agents`（138KB）。

**月度产出**：6 月是绝对高峰（51 篇），1–5 月稳定在 16–29 篇/月，7 月刚过 8 篇（截至 7/12）。

**类型构成**：深度文章 146 篇（81%）、自建工具发布 18 篇、外链收藏 8 篇、观点引用 7 篇、随手笔记 1 篇。

**热门主题 TOP**：
1. AI 编程 / 编码智能体（50）
2. 智能体生态 OpenClaw/Hermes（24）
3. 大模型 / 推理加速（20，含 DSpark、DeepSeek-V4 等）
4. 自建小工具（19，如二维码、朗读器、坦克大战等）
5. 投资分析、具身智能/机器人、AI 行业观察等

**篇幅**：以中小篇（2–10KB，70 篇）和中篇（10–30KB，61 篇）为主，7 篇超长（>60KB）。

#### 做法说明
- 通过 `ima-mcp` 的 `get_knowledge_list` 分页抓取（每页上限 50，按更新时间倒序），翻到第 5 页确认 2026 年笔记已全部分布在前 4 页，边界已校验。
- 看板含：月度趋势柱图、类型环形图、主题横向条形、篇幅分布、最近 15 篇笔记表。
- 生成脚本：`generate_kb_dashboard.py`（同目录，方便你后续刷新数据重跑）。

需要的话，我可以：按「标签/分类」再细分、导出 CSV 清单、或把 2025 vs 2026 做对比视图。

![](/images/2026/workbuddy/work-data-analysis.webp)


## 深度研究

### 输入（全球表现最优的10个AI模型对比分析）

```PROMPT
请研究2026年全球表现最优的10个AI模型，对比分析它们在编码、多模态等关键能力上的表现，并总结各自的技术特点和优势场景。
```

### 输出

#### 📊 2026年全球Top 10 AI模型深度研究结论

##### 综合排名
| 排名 | 模型 | 厂商 | 核心定位 |
|:---:|:---|:---|:---|
| 🥇 | **Claude Opus 4.7** | Anthropic | 编码与对话之王（Elo 1504） |
| 🥈 | **Gemini 3.1 Pro** | Google | 推理与多模态冠军（AA 57） |
| 🥉 | **GPT-5.4** | OpenAI | 终端操作与Agent标杆 |
| 4 | **Muse Spark** | Meta | 视觉理解与医疗专精 |
| 5 | **Grok 4.2** | xAI | 实时数据与极致低价 |
| 6 | **Kimi K2.6** | 月之暗面 | 开源编码新标杆（SWE-bench Pro 58.6%🥇） |
| 7 | **DeepSeek V4** | DeepSeek | 极致性价比之王（1.6T MIT开源） |
| 8 | **GLM-5.1** | 智谱AI | 开源编码实力派 |
| 9 | **Qwen 3.6 Plus** | 阿里巴巴 | 超长上下文专家 |
| 10 | **Step 3.5 Flash** | 阶跃星辰 | 数学推理全球第一（AIME 97.3%） |

##### 五大关键洞察
1. **开源Benchmark超越闭源** — Kimi K2.6/GLM-5.1在SWE-bench Pro上超越GPT-5.4，但Claude真实体验仍最优
2. **价格差距达35倍** — DeepSeek V4（$0.145/M）vs Claude Opus 4.7（$5/M），建议分层使用
3. **Agent能力成新赛点** — GPT-5.4的计算机控制、Claude的工具调用精准率94%
4. **多模态差距扩大** — Gemini 3.1 Pro仍为唯一支持视频输入的旗舰
5. **国产模型集体崛起** — 4款国产模型以1/10–1/50价格提供接近前沿的性能

完整的 HTML 报告已在下方呈现，包含每个模型的详细技术特点、基准数据对比、场景选型指南和成本分析，可以直接在浏览器中查看或保存。

![](/images/2026/workbuddy/llm-top10-research1.webp)

![](/images/2026/workbuddy/llm-top10-research2.webp)


## 分析对比

### 输入（国产大模型性能对比）

```PROMPT
分析以下大模型的性能对比：[Kimi-K2.7-Code, GLM-5.2, MiniMax-M3, DeepSeek-V4-Pro, Hy3, LongCat-2.0, MiMo-V2.5-Pro]

1. 能力对比矩阵（评分 1-5）
主要的基准：代码、推理、写作、Agent/工具调用等
可参考 SuperCLUE、OpenRouter、LiveCodeBench、Design Arena 等公开榜单

2. 每款模型列出社区正面/负面评价
主要社区：X、知乎、小红书、CSDN等

3. 差异化策略：每款模型的核心卖点和弱点

约束：不编造数据，查不到的标记清楚
使用 HTML 展示
```

### 输出

#### 📊 分析报告概览

##### 能力对比速览

| 能力 | 最强 | 说明 |
|------|------|------|
| **代码** | **GLM-5.2** = **LongCat-2.0** = **K2.7-Code** (4.5) | GLM SWE-bench Pro 62.1开源第一；LongCat 59.5超GPT-5.5；K2.7主打省token |
| **推理** | **DS V4 Pro** = **GLM-5.2** (4.5) | DS 的 GPQA 90.1% / HMMT 95.2%；GLM 的 GDPval-AA 1524 与 GPT-5.5 平起平坐 |
| **Agent** | **GLM-5.2** = **MiniMax-M3** (4.5) | MiniMax 的 BrowseComp 83.52 超 Opus 4.7；GLM 的 Terminal-Bench 81.0 极强 |
| **长上下文** | **GLM-5.2/MiniMax/LongCat/MiMo** (4.5) | 四款均支持原生1M上下文 |
| **性价比** | **DeepSeek V4 Pro** | 输出价仅 $0.87/M，是 GPT-5.5 的 3% |

##### 关键差异洞察

- **Kimi K2.7-Code** — 卷"省token"而不是"更聪明"，方向新颖但缺第三方验证
- **GLM-5.2** — 编程能力开源最强者，但**速度显著偏慢**是硬伤
- **MiniMax-M3** — Agent 基准最强且唯一原生多模态，但**过度思考**问题突出
- **DeepSeek V4 Pro** — 价格杀手 + 成熟生态，但 Agent 非强项
- **Hy3** — 295B/21B小巧高效，8卡可跑，但上下文仅256K是短板
- **LongCat-2.0** — 国产算力里程碑 + SWE-bench Pro最高分，但刚发布验证不足
- **MiMo V2.5 Pro** — AA指数最高(54)但**开源跳票**，独立评测偏低

![](/images/2026/workbuddy/llm-benchmark.webp)


## 自动化

### 每日 AI 新闻推送

```PROMPT
关注当天 AI 领域的重要动态，侧重 AI coding 与具身智能方向。筛选 3-5 条有价值的信息，简要说明事件内容及值得关注的原因。
```

![](/images/2026/workbuddy/daily-ai-news-feed.webp)

### 🤖 当日 AI 动态速递（2026年7月8日）

今天聚焦 **AI Coding** 与 **具身智能** 两大方向，为您筛选了以下 5 条值得关注的动态：

---

#### 1️⃣ 阿里反向禁用 Claude，以安全之名切断 AI Coding 工具链

**事件：** 7月3日，阿里巴巴内部宣布全面禁用 Anthropic 全线产品（Sonnet、Opus、Fable 模型及 Claude Code），7月10日起生效，推荐使用自研 Qoder 替代。

**值得关注的原因：**
这是一次**安全与地缘政治交织的标志性事件**。Claude Code 近期被曝多个高危漏洞（RCE 漏洞 CVE-2025-59536 CVSS 8.7、API 密钥窃取、隐蔽指纹标记系统等），CI/CD 级的代码生成工具一旦被植入后门，破坏力远超普通应用。叠加 Anthropic 6月指控阿里进行"工业级模型蒸馏"、美国防部将阿里列入"中国军事企业清单"等背景，此事折射出**中美 AI 工具链正在加速"双向切割"**——国内企业越来越倾向于选择可控的国产替代方案（如 Qoder、Kimi Code 等）。

**影响面：** 对国内 AI Coding 工具生态是利好，Qoder、Codex 等国产工具的接受度和市场份额将显著提升。

---

#### 2️⃣ GitHub Copilot 首次接入开源模型 Kimi K2.7 Code

**事件：** 7月初，GitHub Copilot 正式接入月之暗面 Kimi K2.7 Code，这是 Copilot 首次引入第三方开源模型。该模型托管于微软 Azure，按量计费，逐步向 Pro/Pro+/Max 订阅方案开放。

**值得关注的原因：**
**OpenAI 独家垄断 Copilot 模型的时代终结了。** 此举标志着 AI Coding 工具走向**开放式模型生态**——开发者不再被绑死在单一模型上，未来还可选择其他模型路由。Kimi K2.7 Code 作为国内开源模型被 GitHub 接纳，也意味着**国产 AI 编码模型的能力已获国际主流平台认可**。

**影响面：** 加速 AI Coding 工具从"封闭套件"向"开放平台"转型，模型市场的竞争格局将被重塑。

---

#### 3️⃣ Cursor 推出移动端 AI 编程应用 Cursor Mobile

**事件：** 6月30日，Cursor 正式推出 Cursor Mobile，开发者可在手机上启动并持续指挥远程编码代理工作，无需依赖多屏桌面环境。

**值得关注的原因：**
**AI 编程正在从"桌面 IDE 插件"演进为"云端代理 + 轻量终端"的全新模式。** Claude Code 负责人 Boris Cherny 此前透露其多数编码工作已转移到移动设备，说明这不是猎奇而是趋势。Cursor Mobile 将"人类监督 AI 编码"的工作流从固定工位释放到移动场景，**可能从根本上改变软件工程的生产方式**——未来开发者出差途中用手机就能审阅 PR、指挥代理修复 bug。

**影响面：** 降低编码对本地硬件（多屏、高配 GPU）的依赖，推动 AI Coding 进入"随时随地的监督式开发"时代。

---

#### 4️⃣ WAIC 2026 前瞻：具身智能从"炫技"走向"产线"

**事件：** 2026世界人工智能大会（WAIC）将于7月17-20日上海举办，展览面积首超10万㎡，**具身智能赛道汇聚超200家企业**，与智算并列为规模最大的核心板块。同期发布的《2026中国具身智能产业发展报告》显示，2026年1-5月行业销售收入同比增长22.4%，工业企业购进机器人总金额同比增长2.3倍。

**值得关注的原因：**
**中国具身智能正从实验室走向工业化量产。** 核心看点包括：
- **智元** 第15000台机器人已下线，距万台量产仅用不到3个月，验证了从原型到量产的商业化闭环
- **跨维智能** 展示了以纯仿真数据训练VLA模型（0→90%泛化能力），**低成本规模化落地成为可能**
- **京东** 建成全球最大具身智能数据采集中心，累计超1000万小时数据
- **工信部** 联合国资委启动实景实训行动，目标年底带动万台级落地

**影响面：** 具身智能的"技术路线归一"（VLA与世界模型融合）和"万台量产"两个里程碑同时兑现，产业正进入真正的爆发前夜。

---

#### 5️⃣ Claude Sonnet 5 发布：性能逼近 Opus，价格仅60%

**事件：** Anthropic 于6月30日发布 Claude Sonnet 5，编码、推理、工具使用能力全面提升，评测指标接近 Opus 4.8 水平。限时价格：输入 $2/百万token，输出 $10/百万token（仅为 Opus 的约60%）。

**值得关注的原因：**
**AI Coding 模型仍在快速迭代，性价比持续提升。** Sonnet 5 作为主力模型，性能逼近高端旗舰但价格大幅下探，意味着更多开发团队可以负担高品质 AI 编码能力。自适应思考默认开启、新分词器优化等变化也表明模型层面正在精细化演进。不过结合第1条消息，**对于中国企业而言，模型能力再强，安全可控才是使用的前提**——这恰恰给国产替代提供了窗口期。

**影响面：** 模型能力的持续提升将推动 AI Coding 渗透率加速增长，但区域性的技术封锁可能重构全球 AI 编程工具的竞争版图。

---

**一句话总结今日趋势：** AI Coding 进入"能力升级与安全博弈并行"的新阶段，国产工具替代加速；具身智能正从实验室炫技正式迈向产线量产，万台级验证已跑通闭环。
以上就是今日的 AI 动态推送，5 条信息都已在上方正文中呈现。核心结论：**AI Coding 正面临"能力升级"与"安全合规"的博弈，国产替代窗口打开；具身智能则正式跨越了从 Demo 到量产的分水岭。** 欢迎随时深入讨论某一条。