WorkBuddy 介绍

全场景智能体工作搭子

开启 AI Agent 办公新范式

AI 专家团全场景办公

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

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

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

一句话指令自主规划并交付完整结果

多专家并行协作，一个人顶一支团队

MCP 生态 + 自定义 Skills，能力无限扩展

截图重命名与分类

输入

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

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

OK

输出

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。

Excel 文件处理

输入（整理近一周研究的项目）

技能：Excel 文件处理

'/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

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 ② AI 聊天驱动设计生成/修改 ③ Agent 集成（MCP 连 Claude Code/Cursor） 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） ② 结构化数据增值（比对/审阅/归档） 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） 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） 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） 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）

导出xlsx

输出

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

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

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

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

输出

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

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

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

使用 /docx 保存研究结果，文档名“AI 项目研究”

输出

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 ✅。

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

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

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

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。

输入（2026 年笔记概览）

连接器：ima知识库

检索我的知识库，看看今年我笔记的概览

输出

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：

AI 编程 / 编码智能体（50）
智能体生态 OpenClaw/Hermes（24）
大模型 / 推理加速（20，含 DSpark、DeepSeek-V4 等）
自建小工具（19，如二维码、朗读器、坦克大战等）
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。

深度研究

输入（全球表现最优的10个AI模型对比分析）

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

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
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
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%
多模态差距扩大 — Gemini 3.1 Pro仍为唯一支持视频输入的旗舰
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。

分析对比

输入（国产大模型性能对比）

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

自动化

每日 AI 新闻推送

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。

🤖 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。

WorkBuddy 实战案例：日常办公