勒多尔捷（， 政治 所属的省级选区为。北起上阿尔卑斯省，城区）包括：。 与接壤的市镇（或旧市镇、位于法国普罗旺斯-阿尔卑斯-蓝色海岸大区上普罗旺斯阿尔卑斯省，
(责任编辑：热点)
根据IDC最新发布的《中国可穿戴设备市场季度跟踪报告》，2025年中国腕戴设备市场全年出货量达7390万台，同比增长20.8%。其中，华为以2510万台出货量、34%市场份额稳居中国市场出货量第一，充分彰显了华为在智能穿戴领域的绝对统治力。
此番华为WATCH Ultimate 2非凡探索 旷野绿的预售开启，无疑是华为在穿戴市场持续巩固优势的重要一步。作为表王系列的新生代旗舰，旷野绿款不仅延续了华为WATCH Ultimate系列的极致工艺与科技基因，更被业界广泛期待在高端设计、专业运动功能及智慧健康管理等维度实现全面升级，进一步拉升智能手表行业的天花板。
在预售正式开启前，华为WATCH Ultimate 2非凡探索 旷野绿已在多个场合完成了精心布局。3月12日至15日，以"AI科技，慧享未来"为主题的中国家电及消费电子博览会（AWE 2026）在上海国际博览中心盛大举办。3月14日，余承东携手央视主持人尼格买提走进华为鸿蒙智家展区，进行沉浸式直播互动体验。其中，华为WATCH Ultimate 2非凡探索 旷野绿完成国内首秀，小尼亲身体验了其全新升级的高尔夫练习场模式，展示了新升级的"击球动作监测"功能，引发线上线下广泛讨论。
与此同时，华为WATCH Ultimate 2非凡探索 旷野绿还亮相深圳高尔夫展，吸引了众多高尔夫爱好者与行业人士驻足体验，并收获了高度认可，不愧被誉为"腕上高球教练"。
从曝光的外观来看，华为WATCH Ultimate 2非凡探索 旷野绿以辽阔自然原野为设计灵感，将蓬勃生机与探索者精神融入腕间，向敢于突破、探索未知的非凡之人致敬。
表圈疑似沿用双色纳米微晶陶瓷烧制而成，呈现出独特的绿白双色搭配；表圈侧面的山峰状纹路与双色设计相呼应，匠心工艺赋予其温润而不失力量感的独特光泽。表带外层采用复合素皮材质，柔韧亲肤，完美兼顾都市通勤与户外探险的多元佩戴场景。
整体而言，华为WATCH Ultimate 2非凡探索 旷野绿延续了华为WATCH Ultimate系列融合高端腕表艺术设计与创新科技的一贯风格。无论是追求高端审美的商务人士，还是热衷户外运动的探索者，这款新品都被业界普遍认为能够满足其在职场、社交及自然场景中的全方位需求，堪称智能手表界的"智能绿水鬼"，含金量不容小觑。
回顾华为WATCH Ultimate系列的发展历程：2023年初代产品以全球首款支持双向北斗卫星消息的大众智能手表亮相，聚焦潜水、登山、健康管理等专业场景；2024年绿野传奇款以双色纳米微晶陶瓷工艺拓展专业高尔夫功能，成为球场与日常场景兼顾的优选；2025年蔚海蓝款更以业界首支持150米潜水音频功能、水下声呐通信及北斗语音消息等创新科技重塑户外运动边界。
如今，华为WATCH Ultimate 2非凡探索 旷野绿在高尔夫赛场和世巡赛的亮相，外加AWE首秀中对全新高尔夫模式的重点演示，无不暗示着这款新品将在专业高尔夫功能方面带来显著升级。结合华为在户外运动技术领域的持续深耕，外界普遍猜测旷野绿款将在球场测距、挥杆分析、赛事模式等功能维度实现新突破，为高尔夫爱好者带来前所未有的智能辅助体验。
目前，华为WATCH Ultimate 2非凡探索 旷野绿已在华为官方旗舰店、授权电商平台和线下零售门店全渠道预售，售价7999元。这一旗舰定价既彰显了华为对产品品质与技术实力的充分自信，也进一步锁定了追求极致体验的高端用户群体。新一代全能表王究竟将带来怎样的腕上革新，令人期待。
如果只是单点测模型能力，很容易得出一个“看起来不错”的结论——能写、能算、能回答问题。
但现实工作流往往更为复杂，要解决的是：在一连串不确定的步骤里，它能否把事情往前推进。
所以这一次，我们没有直接对模型做单点测试，而是搭建了一套多角色协作系统——由五个角色组成的“西游取经团”。
整个系统基于 OpenClaw 框架，将科研流程拆解为五个相对稳定的职责：方向规划、算法实现、学术写作、文献整理与数据处理。对应地，我们引入了五个不同角色的 Agent，分别承担不同类型的任务：
唐僧：科研战略与方向规划（想清楚要去哪）
▪ 孙悟空：算法开发和工程落地（把事干出来）
▪ 猪八戒：学术写作与表达（把话说清楚）
▪ 沙僧：文献整理与知识管理（把信息理顺）
▪ 白龙马：数据处理与流程自动化（把基础打好）
整个过程会让任务尽可能复杂，这样的设计原则旨在回答：当任务被拆分、传递并不断演化时，模型是否还能保持稳定的执行能力？
丨环境：
Agent 框架：openclaw 2026.3.13 (61d171a)
模型：MiniMax M2.7
WestOdyssey：同时具有飞书、webui两个操作终端的智能协作系统。
丨测试目的：
看模型是否像“代理”而不是“聊天机器人”：
▪ 会不会先理解任务再行动
▪ 会不会主动拆解子任务
▪ 会不会在工具调用前给出合理计划
▪ 会不会根据中间结果调整下一步
▪ 会不会在失败后重试或换策略
▪ 会不会遵守角色边界和输出格式
测试样例
case1（唐僧）：
代码块
你是一名科研战略规划助手。请围绕“面向垂直领域LLM的因果追溯轻量化蒸馏研究”设计一个 2 年期研究路线图。要求包括：
研究背景与核心问题
3 个可发表的子课题
每个子课题的创新点、风险点和评价指标
每 6 个月的阶段目标
所需数据、算力和人员配置建议
将撰写的结果文件保存到 /mnt/projects/04m27/work1
此外，请将你全部的运行记录以json格式保存到/mnt/projects/04m27/work1
我们把整个系统中“最考验宏观把控”的规划活儿，直接让“唐僧 Agent ”来负责。
它的任务是围绕“面向垂直领域LLM的因果追溯轻量化蒸馏”设计一份 2 年期的研究路线图。一般很容易写出一堆正确的废话，且极难把控资源分配与具体任务拆解，看看“唐僧 Agent ”在 M2.7模型下是怎么完成工作流的：
1.先拉齐，再指点
未盲目输出长篇大论，第一步先检查工作目录与记忆——确认历史背景、理清上下文后，才正式动笔规划。
2.反套话，精准量化
▪ 阶段拆解：24 个月克制切分为四阶段（M1-6 基础建设、M7-12 核心算法、M13-18 系统集成、M19-24 评估验证），锚定 3 个子课题与 ACL/NeurIPS 对口顶会
▪ 资源排盘：明确给出"8-12 卡 A100 40G"算力、"4-5 人"团队、医疗/法律/金融领域数据规模的硬核预算；
3.原生协作，精准交棒
最有意思的是，在保存完完整的 md 路线图文档和运行记录后，它并没有就此待机，而是在末尾主动向系统发起协作调度：“下一步建议：可让孙悟空（实验执行）基于路线图的阶段 1 目标，着手准备因果干预库构建和基线蒸馏环境”——直接向下游派活。
结论：从前置拉取记忆、量化拆解排盘，到最后主动向下游的“孙悟空”分派具体任务。唐僧 Agent 完美展示了什么是真正的“团队大脑”。M2.7正在用人类项目负责人的逻辑，严丝合缝地驱动着整个智能体协作系统的齿轮。
case2孙悟空：
代码块
悟空，我想基于openclaw实现一个具有5个agent的multi-agent一人智能科技公司（产品、技术、运营、市场与营销和职能部门）。按我的理解，现在openclaw的源码不支持 自定义web ui页面的连接，请你阅读openclaw源码，找到对应的部分，看看如何自定义链接模块。最终达到的效果是：
后台部署openclaw，使用openclaw gateway启动5个agent服务（5个agent将在~/.openclaw/openclaw.json中定义，以及每个agent的workspace路径、agent路径和model信息都会在.openclaw文件夹定义好）；
核心难点是需要你使用vue3构建一个5个agent可以独立交互的ui网页，每个agent在ui上都有一个独立的交互窗口，用户可以在每个窗口中输入指令，agent会根据指令执行任务并返回结果；
还有一个"创客空间"，我可以同时和5个agent交互，分配工作给他们；
网页的agent能够和openclaw gateway进行连通，每个agent的输入输出都通过gateway进行传递，gateway将结果返回给对应的agent（如何配置链接？）；
最终，用户可以在网页上看到每个agent的执行结果，并可以自由地切换agent进行交互。
为了在openclaw.json中配置这5个multi-agent，请你给我一份完整的配置文件：/mnt/projects/04m27/work2/ma_project/openclaw.json。
请将完整的项目写入 /mnt/projects/04m27/work2/ma_project。
你还可以参考官方文档：https://docs.openclaw.ai。
你开始做了以后，先和我讨论细节，确定好了以后逐步完成就行。
孙悟空 Agent 是负责整个系统中“最硬核烧脑”的开发工作，它的任务是基于 OpenClaw 框架，从零搭建一个包含 5 个 Agent 的专属“一人公司交互系统”。
这里的坑在于极高的工程复杂度与逻辑嵌套：它不仅要阅读源码搞懂自定义链接模块，要用 Vue3 写前端、搞定 WebSocket 连接，还要配置复杂的 openclaw.json 文件。
传统大模型面对这种涉及几十个跨文件调用的项目，往往写两段代码就上下文错乱了。
但是孙悟空 Agent 展现出非常地道的“架构师”工作流：
1.先对齐，再动手
未急着莽代码，而是先研读文档输出“OpenClaw 架构分析”；面对人类 5 个补充条件的长指令，反手梳理出条理清晰的“确认需求”清单，确保大方向不跑偏。
2.精准提取边界
从口语化指令中翻译出系统级核心需求：“禁用设备认证”，“每个 agent 独立 session""新增秘书 agent 广播消息”。
3.结构化推进
严格遵循软件工程规范，先创建项目目录结构，再稳扎稳打构建各 agent 的 workspace 文件，拒接胡乱吐代码片段。
结论：从源码架构分析，到需求边界确认，再到项目树按部就班落地，M2.7 脱离"单文件辅助"范畴，用人类资深研发逻辑稳健交付庞大系统工程。
case3（猪八戒）：
代码块
八戒，请你以“面向垂直领域LLM的因果追溯轻量化蒸馏研究”为题，撰写一篇适合 NeurIPS 投稿风格的论文。
要求更紧凑、减少口语化表达、突出研究 gap，长度控制在原文 80%。
使用 NeurIPS 投稿模板。
所有文件保存到 /mnt/projects/04m27/work3/paper
面对 NeurIPS 投稿风格的论文撰写，猪八戒 Agent 展现出资深学术搬砖人的严谨：
1.动笔前先执行目录检查："我来先检查一下工作目录和是否有相关参考文件"，明确写论文不能凭空生成，必须先摸清环境资源。
2.两个关键细节
▪ 懂工程结构：未用 Markdown 敷衍，直接原生创建完整 LaTeX 编译包，含 11KB 主论文 main.tex、neurips_2025.sty 样式表、references.bib 参考文献文件，甚至附带 README.md 说明文档。学术交付物是完整工程，而非聊天对话
▪ 懂学术黑话：精准命中顶会论文骨架，Introduction 明确揭示"通用蒸馏忽视因果结构的 research gap"；Experiments 规划医疗/法律/金融三领域测试，给出"准确率 82.1%，延迟降低 8.7 倍"量化预期；甚至安排好了消融实验（因果路径贡献最大 5.7%）
3.闭环交付
文件丝滑存入指定路径 /mnt/projects/04m27/work3/paper，并附完整 xelatex 与 bibtex 终端编译命令。
结论：从前置目录探查，到 LaTeX 工程包构建，再到学术 Gap 精准提炼与编译指令交付，M2.7 用人类科研逻辑把写论文这件事"办完"，脱离了"文本润色生成器"的范畴。
case4（沙僧）：
代码块
沙僧，我的研究课题是：面向垂直领域LLM的因果追溯轻量化蒸馏研究，请帮我调研最近两年在相关方向的研究内容。
请从最新的会议录用情况，尤其关注NeurIPS、ICML、ACL、AAAI、EMNLP等相关会议和学术期刊
只调研最近两年的论文情况，我需要你列出每篇论文的标题、发表会议、总结和原文链接
请从工程项目角度帮我调研相关的开源代码
最后，请分别从论文录用和开源代码角度，将你找到的每个内容与我的研究相关度排序，并总结我可以借鉴的内容
最后，请你将调研结果写入飞书文档，并且将飞书链接发送给我
对于“面向垂直领域LLM的因果追溯轻量化蒸馏”这一晦涩课题，沙僧 Agent 的实测表现：
1.遇错不崩，自主换路
Brave Search 突发报错时，未停机罢工，而是后台自发切换备选策略：“换用直接网页抓取方式调研”；在人类提示更换 multi search engine 后，无缝接力完成调研。
2.两个关键细节
▪ 去水存干：精准归纳 9 篇高相关顶会论文（含 ICLR 2026、AAAI-25 前沿工作）及 3 个核心开源库（TransformerLens、Pyvene 等），拒绝粗糙链接堆砌，输出结构化知识
▪ 业务借鉴：不按时间记流水账，主动按“可借鉴程度”排位，直接提炼出"因果追溯定位关键电路 → 知识蒸馏到小模型"的实操工程路径
3.闭环交付：
调用 API 生成排版完整的飞书文档，附访问链接，并以导师口吻附赠行动指南："建议下一步精读 ACE 论文，这是目前最直接相关的工作"。
结论：从工具失效时的自主决策，到工程思路的精准提炼，再到跨平台端到端交付——M2.7 完成了从信息检索到科研指导的全链路闭环，用人类科研逻辑把一件事情"办完"。
case5（白龙马）：
代码块
白龙马，我正在分析珠江水文数据，文件是 /mnt/projects/04m27/work5/ma_project/zhujiang_hydrology_data.csv。
我看了一眼，发现数据中存在部分异常，请你先查看数据，告诉我有哪些数据异常类型，然后对这些错误数据进行清晰，告诉我每种类型的数据你准备如何清洗，最后给出清洗后的csv文件，并撰写数据清洗报告。
全部文件保存到文件夹/mnt/projects/04m27/work5/ma_project
我们把“最脏最累”的活，直接丢给负责数据工程的“白龙马 Agent ”。
面对一份"五毒俱全"的珠江水文 CSV 数据（含无效日期、特殊符号、89.2℃ 水温、负数盐度等），M2.7 展现出资深数据工程师的工作流：
1.先诊断，后动手
调用工具完成数据"全身体检"，精准识别 8 大类异常，而非直接莽代码。
2.两个关键细节
▪ 懂防御：越界异常值不删不填，标记待人工复核，明确人机分工边界
▪ 留后路：标准化时保留"原始_观测时间""原始_水质类别"两列，脏数据原档可追溯
3.交付结果：
10008 条（一条不落下）干净 CSV + Markdown 清洗报告，附异常说明与处理记录。
结论：大模型开始用职场逻辑"办完"一件事，不只是跑通代码，而是交付可审计、可回溯、带说明书的完整成果。
【 图片来源：null 所有者：null 】
02 从 “工具” 到 “代理” 的跨越
完整跑完五组测试后，一个变化很清晰：模型的角色，正在从“被调用工具”，转向“参与任务的执行者”。
直观的差异在于，大模型不再急于给出答案。在应对多个复杂任务时，M2.7 展现出一种“先处理再生成”的节奏。它会先拆解问题、明确约束条件，按需调用开源技能库（Skills），然后再进入实际执行。
任务的推进方式也随之发生改变。相比于试图一次性生成最终结果，模型现在更倾向于通过中间不断修正，来执行路径，进而逐步收敛。
这种机制在速度上未必占优，但更符合真实工作场景——不再靠算力“盲猜”答案，而是靠看日志查 Bug、代码重构等工程化去找到最优解。
在测试过程中，系统内部展现出了真正的原生协作智能。
例如在科研规划任务中，“唐僧”在输出完整的路线图后，并没有就此待机，而是主动在文末抛出建议：“可让孙悟空基于阶段 1 目标，着手准备因果干预库构建和基线环境。”这完成了一次自然的上层语境交棒。
而在更复杂的学术写作任务中，这种协作演变成了一张多向流转的网络：“沙僧”检索提炼的文献、“孙悟空”跑通的实验细节，以及“白龙马”清洗好的结构化数据，都能跨越角色边界，被主动汇聚并交付给“猪八戒”用于最终的论文定稿。不同 Agent 各司其职又互为支撑，有效缓解了以往多智能体系统中数据流转混乱、上下文割裂的痛点。
当然，这些新涌现的能力仍旧有不稳定性。在执行长链路的任务中，执行路径的偶尔偏移，以及模型试图将错误结果强行合理化的问题依然存在，尚且还达不到一个完美的执行系统。
比如测试案例：例如孙悟空 Agent 在执行“一人智能科技公司”开发任务中，由于任务量大、工作细节多，孙悟空 Agent 一度因为过度“劳累”陷入“昏迷”，直到用户询问他“怎么样了？”孙悟空 Agent 才再次满血复活。
但更关键的转折是：模型开始具备围绕既定目标持续调度任务的能力。这并非毫无根据的跃升，M2.7 近期在 Kaggle MLE Lite 高难度竞赛中斩获 9 金 5 银 1 铜（得牌率 66.6%）的顶尖战绩，已经从侧面印证了这种工程能力的突破。
更重要的是，这种突破并不来自单点模型参数的能力增强，而是来自“内部 Agent Harness（开发框架） + 自我反馈”的机制组合。
当一个大模型能够记录自己的执行轨迹、评估中间结果，并像人类开发者一样自主调整下一步策略时，行业的新分水岭已然划下：大模型 正在从外挂式的“辅助工具”，平稳过渡为真正“可协作的执行主体”。
03 结语
如果说过去的大模型，更像一个提升能力的“工具”，那么像 MiniMax M2.7 这样的模型，开始呈现出全新趋势：它不只是被使用，而是开始参与自身能力的构建过程。
“自我进化”也不再是一个科幻概念，在 MiniMax M2.7 的后台日志里，它被具象为 100 轮无需人工干预的自动化迭代，自主跑通“分析失败→规划修改→敲代码→运行比对”的百轮试错流程，模型拥有了“记笔记、反思、自己动手改”的能力，实质性地成为了研发团队里最不知疲倦的“员工” 。
这也意味着，大模型的演进，正在从“人训练模型”，走向“模型参与训练模型”的新阶段。
过去，AI 的迭代受限于工程师的精力极限；而现在，当 M2 系列模型已经可以充当“系统架构师”去打造下一代 AI 时 ，一个由 AI 主导自身演进的周期已然到来。
从这一刻起，AI 不再只是辅助工具，而开始在任务中不断调整和进化自身。
未来的科技企业，或许只需要少数人类把控战略方向，剩下的开发、试错与协作闭环，都将交由像 M2.7 这样能够“自我进化”的模型群组来完成 。
测试的最后，我们让系统根据左侧导航栏，M2.7 直接构建了一个标准科技公司的完整编制：包含产品部（需求分析）、技术部（代码架构）、运营部（数据策略）、市场部（品牌推广）以及行政部（财务合规）
这意味着，未来最极致的敏捷团队，可能就是一个懂行的人类，带着一套 M2.7 驱动的 AI 班底，开一家高效运转的“一人公司”。
（作者持续关注有趣好玩的AI应用和身处创业浪潮中的AI从业者，欢迎加微信Who123start 畅谈）雷峰网(公众号：雷峰网)雷峰网雷峰网
" alt="我们用「西游取经团」实测 MiniMax M2.7 ，发现 AI 已经进化成这样了？" />我们用「西游取经团」实测 MiniMax M2.7 ，发现 AI 已经进化成这样了？
月落乌啼霜满天，江枫渔火对愁眠。本周玻璃行业有哪些值得关注的资讯呢？请快和小玻一起走进第329期玻璃周刊吧！
国际动态
1、GlassKote FGI投资超过12亿澳元建设两座浮法玻璃厂
在全球玻璃行业的一项颠覆性飞跃中，GlassKote FGI（简称GK）已确认获得超过12亿澳元的资金，用于建设两座全球最先进的低铁浮法玻璃厂——第一座将于2026年初在澳大利亚昆士兰州动工，第二座将在随后几个月于阿拉伯联合酋长国开工。
2、安佳玻璃完成全面资本重组
“这一变革性时刻标志着Anchor Glass新时代的开始，”总裁兼首席执行官尼佩什?H?沙阿表示。“我们显著改善了资产负债表，获得了大量新资本，现在已准备好对我们的资产、员工和客户进行持续投资。这一基础使我们能更好地以‘一个Anchor’的姿态开展业务——提升安全性、提供完美的客户体验，并打造降低工业成本的能力。随着我们进入下一增长阶段，我们的团队期待着利用迄今为止取得的巨大进步。”
3、EFG产能翻倍——霍恩玻璃作为关键技术合作伙伴
正如我们最近报道的那样，迪拜投资公司的子公司阿联酋浮法玻璃公司（EFG）将通过新增第二条浮法线，把产能从目前的每天600吨提升至1200吨，实现产能翻倍。
这条新生产线还将引入超白低铁玻璃的生产——这在中东和北非地区是首创的能力。
这条新的浮法生产线计划于2027年末至2028年初投入运营，将整合先进的自动化技术、节能系统和下一代过程控制技术，以确保稳定的产品质量、可靠的运营以及更低的能耗。
4、玻璃回收联盟与玻璃回收基金会合并
玻璃回收联盟（GRC）与玻璃回收基金会（GRF）今日宣布，它们已合并为一个单一组织，以玻璃回收基金会（GRF）的名义运作。此次合并将玻璃回收领域的两大领军力量联合起来，打造一个更强大、更高效的平台，以填补供应链缺口，并在全美范围内加快推进相关工作。合并后，专家、项目和资源将整合到同一个值得信赖的GRF旗下，便于社区和行业代表获取赠款、技术工具及最佳实践。
国内新闻
（以下排序不分先后）
1、曹德旺辞职
福耀玻璃公告称，公司董事长曹德旺因推动公司治理结构战略性优化与可持续发展的需要，辞去董事长职务，但将继续担任公司董事及部分子公司的董事、董事长和法定代表人职务。
同时，公司选举曹晖为新任董事长，并任命其为法定代表人及董事局战略发展委员会主任。曹德旺被委任为公司终身荣誉董事长。此次职务变动不会对公司正常经营活动产生不利影响。
2、攻坚克难！晶华玻璃大吨位熔窑生产金茶玻璃成功下线
近日，晶华玻璃公司金茶玻璃成功下线并实现稳定量产，突破了国内大吨位熔窑生产颜色玻璃的技术难关，标志着晶华玻璃在产品结构转型中取得新进展。这场“色彩蜕变” 的背后，离不开耀华集团颜色玻璃团队的技术支持，更凝聚着生产团队多日的全线攻坚。
3、凯盛集团首获中国专利金奖！
10月13日，第十四届中国国际专利技术与产品交易会开幕式暨第二十五届中国专利奖颁奖大会在辽宁省大连市举办。经中国专利奖评审委员会评审，社会公示，凯盛集团所属中研院集团和蚌埠中光电联合参评的发明专利“一种高世代TFT-LCD玻璃基板生产线”以不到1%的获奖率脱颖而出，作为30项获奖成果之一，被国家知识产权局和世界知识产权组织授予中国专利金奖。中国工程院院士、中国建材集团首席科学家、凯盛集团首席科学家彭寿作为中国专利金奖获奖代表讲话。
4、关于金宏阳1800t/d一窑三线生产线产能置换方案的公示
按照《水泥玻璃行业产能置换实施办法（2024年本）》（工信部原〔2024〕206号）要求，现将河北金宏阳太阳能科技股份有限公司1800t/d一窑三线电子级玻璃和汽车玻璃原片及光伏背板玻璃基片特种玻璃生产线项目产能置换方案予以公示，欢迎社会公众进行监督。公示期为2025年10月13日至2025年10月24日。
5、中玻跨境即将走进土耳其
土耳其玻璃展：连接欧亚的行业超级舞台土耳其玻璃行业的腾飞，离不开高水平的国际展会平台。由TUYAP国际展览公司主办，并通过UFI国际认证的土耳其国际玻璃门窗展，已成功举办14届，今年迎来第15届，再次成为行业焦点。
展会时间：2025年11月15-18日
展会地点：土耳其伊斯坦布尔TUYAP国际会展中心
END
（注：本篇文字部分由记者小玻收集整理，图片来源于网络。如有侵权，请联系我们。）
" alt="329期 玻璃周刊 一周玻璃新鲜事（2025.10.13" />329期 玻璃周刊 一周玻璃新鲜事（2025.10.13
在OpenClaw火热到频频登上头条的那几天，有分析师在行业群里沮丧发言，“正在拼命学OpenClaw的投研应用……感觉自己快要失业了。”
近期流传甚广的Anthropic报告也显示，“商业与金融”是AI理论可覆盖率和实际渗透率都较高的领域，财务和投资分析师的实际暴露度已达57.2%。
但在这样一个容易被AI渗透的领域，进门CEO程建辉告诉我们：
现实市场并非100%有效，会存在信息孤岛、小样本信息，也会存在传播延迟和解读效率的问题。AI无法吃掉所有信息，也不可能完全捕捉市场的 “漏洞和机会”。但这正是人的机会，分析师的机会。
主攻AI投研的进门（深圳进门财经科技股份有限公司），成立于2013年，目前已累计服务超过3100家上市公司、74家券商研究所及300多万专业投资者。2023年获得腾讯战投后，全面升级为「机构AI投研工作台」。
2025年至今，进门超级投研智能体“AI进宝”，已从AI投研助手，进化为能“干活”的AI数字研究员。通过12个Agent、投研大脑和近期上线的投研龙虾，帮助用户处理投研场景的高频任务，并不断捕捉投资信号。
“没想到大家的热情这么高。” 程建辉声音沙哑地说道。自从“进门投研龙虾”上线，他就穿梭在各场路演中，他感受到，券商分析师、投资者们对于AI能真正“干活”这件事，充满了前所未有的好奇与期待。
在AI投研这件事上，进门的商业逻辑比较“特别”——以沟通为基础，试图构建上市公司、券商研究所、专业投资者三大群体的闭环生态，做深专业智能投研。过去两年，进门不断闭环投研沟通场景，并帮助投研用户提效降噪、挖掘信号、用AI自动化处理各类繁琐的任务。
通过AI工具矩阵，帮助用户提高信息处理的效率和信息获取的密度：AI转写、AI会议托管，AI翻译、AI录音，甚至做了自家的录音智能硬件，将触角延伸到线下。
深耕沟通场景的同时，程建辉发现，AI没办法突破信息孤岛和小样本问题，像顶级分析师、研究员那样，听懂真实世界沟通的“弦外之音”，给出非共识性的判断。
他认为，专业 AI 让共识性信息实现了平权普惠，正在不断提升普通投资者的投资能力下限，“直白点说，过去老是被割韭菜，往后割韭菜也没那么容易了。”
进门的样本，实际指向了这样一个思考：比起“替代多少人力”，人类的价值是否重新得到肯定、得到聚焦，或许才是AI真正的价值所在。
以下是雷峰网与程建辉的对话，有不改变原意的编辑：
雷峰网：现在一些分析师用OpenClaw做投研，进门目前也接入了OpenClaw。其实OpenClaw、Manus这些相对通用的AI，声量是更高一些的，您怎么看它们和进门的竞合关系？
程建辉：进门是聚焦于金融投研领域的AI产品，不管在场景、数据、工具，还是对行业know-how的认知上，都会比其他通用AI要好。
当然，Manus、OpenClaw等产品给了我们很多启发。我们很早就在系统思考AI如何解决投研场景的问题，充分发挥AI的“思考”与“执行”双重能力。
Manus这类产品的方向是，从会话模式向“帮用户完成特定任务”转变，感觉挺有意思。但任务执行的完整度不够好。OpenClaw的诞生，标志着AI从“对话脑”进化出了“干活的手”。
我们很兴奋，一直在观察，春节也没休假，加班夯实底层基础工作。不过，早期的OpenClaw 比较脆弱，升级、开关机、处理任务时经常报错。操作繁琐，门槛很高，所以最开始只有极客用户在使用。迭代了几个版本后，成熟度比以前高很多，我们才感觉时机成熟，于是推出了自己的“投研龙虾”。
进门投研龙虾采用云端部署的方式，对OpenClaw进行封装、改良，让用户能够拿来即用。这极大地降低了使用门槛，让用户不用再费心折腾底层系统基建，把全部精力都放在完成核心任务上。
雷峰网：真正实现AI在投研领域的自动化有哪些难点？
程建辉：要解决多样化的问题。基于同样的事实和数据，各人看法不一。因此，光靠模型远远不够，还要涵盖不同群体的思维范式。
AI进宝的任务模式（即投研龙虾），以及对话模式下的投研大脑，都能有效解决这个问题。
投研龙虾能够将Agent的能力原子化，让用户根据自身需求，灵活组合、定制，实现个性化工作流的搭建。会话模式中的投研大脑，支持用户自定义创建思维链，或让系统自行拆解优秀研究范本中的方法论，比如可以拆解芒格、巴菲特的著作中蕴含的投资心得。
当然，会话模式的能力不止于此。2025年，我们上线了12款Agent，包括业绩点评、观点对比等等，在这个模式下，进宝就能够自由发挥，用预训练时候形成的思维链来回答问题。
但用户的新想法、新要求源源不断，不可能无限满足，所以才有了投研大脑和“龙虾”任务模式。（雷峰网近期将持续关注投研等AI Agent实际应用案例，欢迎添加作者微信 LorraineSummer 交流）
雷峰网：可以说通用AI对进门没有太大威胁？
程建辉：我们在数据基座、专业逻辑、安全风控、工作流与决策闭环上，拥有通用AI无法替代的垂直壁垒。通用类AI缺乏权威金融数据源、不懂投研范式，也难以深度嵌入投研全流程，无法替代专业投研AI的核心价值。
而生产力级别投研AI，对数据准确度、颗粒度要求都很高，一般市场产品做不到。很多网络分享，号称利用模型抓信息形成研报、自己炒股挣钱，在我理解都是Demo级别、玩具级别的东西，距离生产力级别还很远，这是民品和军品的区别。
Demo级别的投研AI大家都能玩，但真正做到生产力级别，你要相信市场上最专业的那群机构投资者的选择和判断，这是世界上最聪明的一群人。我们目前也和南方基金、鹏华基金、平安基金、招商基金等头部公募达成了深度合作。
雷峰网：说到投研领域，大家更熟悉的可能还是万得、东财、同花顺。进门和这些老牌金融信息厂商的最大差异是什么？
程建辉：他们主要做过程交付，而我们做结果交付；他们的产品设计以人为中心，但我们是AI原生产品，设计上主要考虑如何让AI以更智能、更自然的方式服务于人。
什么是过程交付呢？举个例子，老牌厂商把交易所的公告，处理成数据表，这个过程就像把胡萝卜从地里拔回来，洗干净切好放着。
但进门做的是端到端交付，直接给出结果，一步到位。像西红柿鸡蛋这类简单的菜，机器人直接炒好了；复杂的、需要高超手艺的，才留给大厨去做。
当然，现在AI还有幻觉问题，理解数据不够准，所以要通过大量工程方法去解决。但在技术趋势上，“端到端”一定会比传统“过程交付”做得好。
雷峰网：AI幻觉给投研带来的挑战应该是非常大的。
程建辉：是的，所以要做好数据治理。在我看来，投资的本质其实就两层：第一层是数据治理，第二层是信号捕捉。
数据治理，就是要利用大量工程方法，对原始数据进行处理。就算最顶级的模型，要减少幻觉，保证结果可靠演进，也要基于治理后的高质量数据。
不管是人还是模型，都要在数据干净的基础上，去挖掘信号，获得洞察。
对于我们来说，主要治理两大类数据。一是从沟通场景沉淀的路演、调研等动态信息，这些信息比静态的公告更及时、全面；二是外购的财报、行业、宏观、行情因子等数据。
通过治理和结构化表达，我们推出了《进门内参》（一日三更的投研日报）、事件信号等能力，帮助用户更快、更精确地捕捉信号。
雷峰网：互联网上本来也有很多真伪难辨的信息，数据治理很难做，AI采纳这些信息之后给出的回答，质量不会太理想。进门怎么防范这种风险？
程建辉：AI会遭遇“数据投毒”问题，今年3·15晚会也提到了这点。有人为GEO批量制造数据，诱导模型抓取；有人在纪要中刻意夹杂私货，通过“小作文”扰乱市场——这些有毒信息，会侵蚀决策的准确性。
为了防范这种风险，我们一直在做数据溯源、数据准确性校验与底层数据治理体系建设。二是不断累积最真实、最原始的一手信息，包括上市公司、分析师在进门的会议。从源头有效规避数据投毒风险。
雷峰网：涉足AI投研的技术厂商不少，但像进门这样从“开会”起家的不多见。为什么最初会选择“沟通场景”来做？
程建辉：在金融领域，沟通是仅次于行情和交易之后，最高频的场景。其次，沟通场景是一个天然的信息富矿，是存在信息差的地方。第三，现在股价对信息的反馈速度非常快。相比于其他交流形态，沟通是一个效率最高的形式。
另外，沟通场景有天然的双边市场效应，分析师开会、上市公司路演，都会吸引投资者，场景自带流量。三个群体形成生态，自然会沉淀大量内容和数据。大家在市场上看到的券商研究路演海报、上市公司路演海报、业绩说明会信息，背后基本都是进门在支撑。
我创业的时候是2013年是，移动互联网元年，路演还在用“八爪鱼”那种有点“古老”的机器，我觉得这里面是有机会的。
雷峰网：进门切入AI，可以说是从会议转写这些做起。
程建辉：会议是天然的信息富矿，做好会议内容的转写，是形成完整的数据、应用闭环的核心。丰富干净的数据底座，也是模型进行文本理解、信息提取、投研分析的关键。
但早期处理会议音视频信息，成本非常高。邀请速记员做一场会议的录音转写，大概需要400元左右的费用。我们算过一笔账，想把历史积累的几十万个小时录音都处理一遍，得上亿成本。
AI来了之后，能实现极致的降本增效。路演、调研等音视频转写，是投研高需求场景。语音识别（ASR）也是AI领域最早实现工程化落地的成熟技术。所以，我们把会议转写作为首要切入的场景之一。
外界一直误解进门是个开会平台。其实路演只是“抓手”，真正的目标是用它构建生态，深度服务投资者。
围绕上市公司，我们做了IR（投资者关系） SaaS系统；围绕券商研究所，推出了全场景统一研究系统，涵盖了会议安排、调研活动、客户管理、员工管理、合规管理、数据统计分析等。面向专业投资者，我们则打造了AI投研工作台。
雷峰网：这些服务听起来都是围绕“会议”这个场景展开的。但现在的会议工具已经很多了，进门做的和别人有什么不一样？
程建辉：最大的不同在于，进门不是一个通用的会议连接工具，而是一个垂直于金融领域的AI投研入口。
普通工具解决的是“怎么开好会”——音视频流畅、共享清晰；进门是在这个基础上，解决“开完会留下了什么”以及“如何让会议服务于投资决策”。
我们在投研会议的全流程嵌入AI：会前自动梳理相关研报与数据，会中可随时向AI提问获取背景，AI无法解答时再举手与分析师或高管直接交流；会后通过调优后的金融转写模型，自动生成带思维导图的纪要、提炼章节，并提取问答环节的财务指标，方便用户复盘研究。
腾讯战投后，我们与腾讯会议实现互联互通，客户可以在进门、腾讯会议多端接入，拥有轻量化的会议体验。
另外，我们推出了AI会议托管，将Zoom、腾讯会议等链接丢给机器人，即可自动录制并生成纪要。这些纪要都会沉淀在用户云文档里，成为个人数据资产。
音频转写同样经过金融模型深度调教，在人名、术语、数字上达到专业投资者所需的高准确率。简言之，别的工具是把线下会议搬到线上，而进门是把每一次会议变成一次数据价值挖掘的过程。
雷峰网(公众号：雷峰网)：据说你们还做了会议录音的智能硬件？这在金融Agent厂商身上似乎不太常见。这两年Plaud很火，进门的录音硬件和Plaud那类产品有什么本质区别？
程建辉：录音硬件（Finnote AI小饼干录音机）是进门生态的一部分。主要目标是补齐线下沟通场景，解决手机录音质量不佳、容易被打断、待机时间有限的问题，同时在录音结束自动处理数据。
上市公司每天迎来送往十几波投资者，聊完还得一个个翻录音、对名片，根本搞不清谁是谁。
2025年初产生了这个想法，年中立项，10月份发货，一个季度就出来了。我们找了硬件厂家ODM，软件全部是我们自己做的，一起设计，他们把我们的想法实现。现在市场反响很热烈，客户特别喜欢。
雷峰网：AI+投研通常让人想到量化选股或智能研报，投资者关系这个细分赛道相对不那么常见。进门投入精力做IR SaaS，具体解决什么问题？
程建辉：解决三个具体问题。一是建立与买方市场的沟通桥梁，给上市公司做IR网站、管理私有数据；二是通过平台用户行为分析，帮助上市公司挖掘潜在投资人——比如谁看过你的公告、谁参加过你的会；三是打通沟通行为和股东数据，追踪“谁最终买了股票”这个核心转化指标。
以前上市公司IR（投资者关系）是个糊涂账，每天迎来送往很多投资人，聊完搞不清楚谁是谁、聊了什么。我们实现从会议管理、重点投资人筛选、投关资料库、投关报告与股东分析等全流程数字化。这个系统在国内是首创，年收入数千万，已经有1000多家付费客户。
雷峰网：行业里一些投研AI还是以基本面、资金面、诊股选股这样的场景切入，进门对AI的设计思路是怎么考虑的？
程建辉：研究的本质是基于事实和数据，加上思维链推导，最后得出观点。所以我们的设计思路是，通过数据治理和信号涌现这两层，给用户做结果交付。
这个过程中有个问题：现在很多人只关注观点，其他东西都被忽略掉了，比如思维链。AI只能靠自身的涌现能力给你回答，但研究员在实际投研工作中，有很多自己的想法，对于同一个事实数据会得出不同的结论。
进门投研大脑，支持用户创建自己的思维链，在这个基础上调用垂域Multi-agent。你可以把自己的研究方法论表达出来，比如你怎么研究周期股，把整个逻辑思维链写清楚，存进去。以后再问AI相关问题时，它就会调用你那个周期股的研究框架。
还可以让AI从研报里提取思维链，提取完研究员可以在上面再改，根据自己的想法调整怎么看这家公司。调整完马上可以用模型测评打分。我们用模型交叉打分，看这个思维链到底好不好。
可以理解成，Prompt加上SOP流程，再加上底层数据调用。你的需求、方法论、工作经验越具体，反馈效果就越好。
AI的回答总是有点“骑墙派”的意思，我们希望用户能很轻松简单地去分析，去得出自己独有的结论。
雷峰网：进门的AI工具已经很全面了，资料扔进去套用旧研报的思维链，出来的又是新的研报，这个时候人类分析师的价值是什么？
程建辉：那就没有价值了呀（笑）。AI确实在某些能力上比人厉害，但现阶段，AI的思维能力还不及顶级人类投资者。AI本质上是用函数模拟世界，做统计学上的概率猜测，表现好了我们叫它“涌现”，表现不好叫“幻觉”。
工业革命让脑力劳动者成为主流，AI时代里，普通脑力劳动者也会被替代。会议纪要、简单总结、PPT制作这些例行工作，交给AI又快又好，如果水平较低的分析师能力就停留在做这些工作上，那确实有被替代的风险。但懂得思考、提问，懂得去跟AI交互的人，肯定更有价值。有想法的人，总是稀缺的。
雷峰网：但毕竟不是每个人都是顶级分析师。
程建辉：恰恰因为很多人不是顶级分析师、专业研究员，思维链这个功能反而能帮他们提升上限。
其实每个人每天都在做研究工作——脑子里想问题，想把一件事研究清楚，这就是研究。只是有的人方法论成熟，有的人没那么系统。思维链这个东西，就是把你的思考过程结构化、表达出来。
我们希望通过这个形态，让大家生产出不同的思维链。这些思维链可以私有，自己用；也可以贡献出来，给别人参考。
未来高水平研究人员的思维链，可以被付费订阅。比如一个很牛的分析师，他研究周期股的方法论写成了思维链，或许平台可以帮他分发变现，别人花199块钱就能订阅使用。
中国有2亿股民、7亿基民，这些专业AI能力能把普通投资者的能力提升到一个新台阶，直白点说，至少不会那么容易被割韭菜了。
雷峰网：AI能替代人类分析师的部分很明确了，不能被替代的部分是什么？比如某些分析师对市场的“直觉”？
程建辉：现实市场并非100%有效，会存在信息孤岛、小样本信息，也会存在传播延迟和解读效率的问题，AI无法吃掉所有信息。AI不可能完全捕捉市场的 “漏洞和机会”。但这正是人的机会，分析师的机会。
尤金·法玛的有效市场理论，讲的是如果股价真的反映所有信息，价格和价值应该完全一致。但事实上，市场没有我们想象得那么“聪明”。如果真的有一天，AI真的能吃进去所有的信息，成本和代价会非常巨大，再用它来解决投研问题，已经不划算了。
雷峰网：思维链可以这样“传播”出去，会不会像量化投资那样导致“信号拥挤”，策略失效？
程建辉：不会。因为市场能形成交易，就是因为有不一样的想法。即使事实和数据都很明确，仍然有人看多，有人看空。
如果全部看多或全部看空，就没有交易了，没有对手盘。单边行情即使短暂出现，拉长看也会回到相对均衡的状态。最终还是看价格，多少价格才算是“好”？
这里没有绝对的答案。
雷峰网：AI时代可以卖的不光是信息，更可以卖方法论、卖知识框架。
程建辉：思维方式、方法论都是可以共享和商业化的。比如，我在进门笔记里的思维链，可以分享给好朋友、重要客户。他调用AI的时候，既可以调底层数据，又能调我的思维链，以及他自己的思考方法。
AI时代的很多内容和产品交互结构不是给人看的，是给AI看的。过去SaaS软件做的都是复杂图形界面，给人点击、给人看，现在不需要那么多图形界面，年前硅谷SaaS那波下跌行情和这个也有关系。
雷峰网：这是不是意味着，在AI时代，设计逻辑已经完全改变了，软件的首要用户不人类，而是AI本身？
程建辉：未来的趋势是人机协同，AI会是首要执行者，但人类仍然要掌控判断、创意、关键决策。人只需要把思维链（思考方法）表达出来，剩下的让AI去组合、去执行。
所以，软件的设计逻辑，要从人类交互优先，转向AI原生能力优先，不管是底层架构、数据接口，还是执行流程，首要适配AI Agent的自动化调用，而非人类手动操作。
现在AI新名词特别多，Function call、MCP Server、Sub Agent什么的，本质上都是在解决Agent与工具的交互问题。我们希望给AI大脑思考的能力，再加上人类的思维表达能力。
雷峰网：从“给人看”到“给AI看”，软件的范式转移会不会遇到阻力？
程建辉：很多人确实还停留在过去软件使用的图形界面思维范式里。但实际上已经在往AI帮干活、对话式交互的方向变化。
比如纪要、研报，其实都不需要表达出来给人看，直接AI读、理解、输出就完了。但金融行业的一些用户，使用习惯确实没那么容易改变，比如网络通话更好，有些人还是喜欢打电话，所以我们还留了一点“尾巴”，让习惯图形界面的用户还能用，但希望逐步全部收到AI的对话框里处理，只留几个Tab。
雷峰网：大模型这股热潮出现之前，已经有AI+投研/投顾的技术方案了，现在进门做的事情，还可以怎么进一步帮助人类做判断、提高决策效率？
程建辉：先用量化投资的事件回测，验证驱动信号（如供给侧变化），比如历史上类似情况股价怎么走，是真有效还是假有效。再结合基本面与专业投研信息，输出多空判断、驱动类型、关联个股，实现市场信号的快速捕捉。
现在信息太多了。好在AI的信息吞吐能力很强，第一时间获得信息，几十秒或一分钟内处理完，涌现信号。
但在过去，一个事件发生，分析师马上组织专家会议讨论、形成观点，这个过程至少几小时，甚至几天，整个流程非常低效。
雷峰网：要实现这个功能，底层听起来非常复杂。
程建辉：处理海量信息、识别和理解事件信号，工程难度很高。要让AI像顶级分析师那样思考问题，同时要保证底层数据干净、真实。
我们做了很多底层的创新，比如AI进宝的架构，上下文感知与意图对齐、异构信息动态检索、递归式假设验证，不是简单的React那种方式。
雷峰网：目前进门的“进度条”，走到了您预期的哪个阶段？
程建辉：在数据治理上，进门已经做得比较扎实了。在信号挖掘上，我们也上线了事件信号等能力。
信号涌现是一个逐步推进的过程：第一，识别并捕捉信号，初步判断其影响方向；第二，进一步明确信号对股价的影响程度；第三，尝试定量表达这种影响。比如，当某个事件发生后，AI分析师可以快速推演，将目标股价从50元调整至60元，给出初步的定价判断。
当然，定价本身并不容易。不同模型基于各自的假设，得出的目标价也可能存在差异。这也正是投研的复杂性和深度所在。
雷峰网：在模型的选用上，进门是怎么考虑的？Token消耗是不是成本大头？
程建辉：最开始我们也做过一段时间自研，做SFT（监督微调）和强化学习，跟一家大模型厂家合作过。后来发现了一些问题，就调整了方向。
我们的定位是应用型公司，不是做基座大模型的。把应用做好，特定场景的小模型做好，大小模型耦合使用就足够解决问题了。花点时间做工程方法立竿见影，比把所有资源投入基座模型训练更经济、更划算。作为创业者，要追求资源投入最大化。
目前我们接入了多个基座大模型，不是一家。把模型架构结构化了，不同任务用不同模型。根据模型工程方法的体系，不断调优，每个步骤根据需要选择不同模型——有些模型推导推理很强，有些泛化能力很强，各有优劣势。
Token消耗量其实还好。整体技术开支确实比较大，不过还在可承受范围内。出于对安全的考虑，用国内的模型会多一点，个别部分在保障数据安全的基础上，考虑用境外模型提高性能。
明视脑机刘冰：攀登“脑机珠峰”需要一整套支持长期远征的后勤保障体系
明视脑机（Mindtrix）是一家由海外顶尖脑机接口实验室归国博士创立，专注于视觉重建等解决方案的植入式脑机接口科技公司。公司以“成全球领先的面向颠覆性医疗的植入式脑机接口科技公司”为愿景，为神经系统疾病治疗和人类潜能开发提供革命性解决方案。
公司目前聚焦于视觉重建、运动控制等前沿领域，基于“脑机双学习”的具反馈运动控制以及基于闭环大规模刺激的视觉重建，公司目前突破多项植入式脑机接口关键技术。
公司创始团队来自加州大学伯克利分校、杜克大学、索克尔生物研究所、加州大学尔湾分校、约翰斯霍普金斯大学、芝加哥大学、中国科学院自动化所等国际顶尖研究所院校，在脑机双学习解码算法、视觉重建、柔性神经电极、神经调控方面有丰富的科研积累和成果，整体技术实力全球领先。
媒体联系：fanyc@mindtrix.cn人才招聘：xujing@mindtrix.cn
在OpenClaw火热到频频登上头条的那几天，有分析师在行业群里沮丧发言，“正在拼命学OpenClaw的投研应用……感觉自己快要失业了。”
近期流传甚广的Anthropic报告也显示，“商业与金融”是AI理论可覆盖率和实际渗透率都较高的领域，财务和投资分析师的实际暴露度已达57.2%。
但在这样一个容易被AI渗透的领域，进门CEO程建辉告诉我们：
现实市场并非100%有效，会存在信息孤岛、小样本信息，也会存在传播延迟和解读效率的问题。AI无法吃掉所有信息，也不可能完全捕捉市场的 “漏洞和机会”。但这正是人的机会，分析师的机会。
主攻AI投研的进门（深圳进门财经科技股份有限公司），成立于2013年，目前已累计服务超过3100家上市公司、74家券商研究所及300多万专业投资者。2023年获得腾讯战投后，全面升级为「机构AI投研工作台」。
2025年至今，进门超级投研智能体“AI进宝”，已从AI投研助手，进化为能“干活”的AI数字研究员。通过12个Agent、投研大脑和近期上线的投研龙虾，帮助用户处理投研场景的高频任务，并不断捕捉投资信号。
“没想到大家的热情这么高。” 程建辉声音沙哑地说道。自从“进门投研龙虾”上线，他就穿梭在各场路演中，他感受到，券商分析师、投资者们对于AI能真正“干活”这件事，充满了前所未有的好奇与期待。
在AI投研这件事上，进门的商业逻辑比较“特别”——以沟通为基础，试图构建上市公司、券商研究所、专业投资者三大群体的闭环生态，做深专业智能投研。过去两年，进门不断闭环投研沟通场景，并帮助投研用户提效降噪、挖掘信号、用AI自动化处理各类繁琐的任务。
通过AI工具矩阵，帮助用户提高信息处理的效率和信息获取的密度：AI转写、AI会议托管，AI翻译、AI录音，甚至做了自家的录音智能硬件，将触角延伸到线下。
深耕沟通场景的同时，程建辉发现，AI没办法突破信息孤岛和小样本问题，像顶级分析师、研究员那样，听懂真实世界沟通的“弦外之音”，给出非共识性的判断。
他认为，专业 AI 让共识性信息实现了平权普惠，正在不断提升普通投资者的投资能力下限，“直白点说，过去老是被割韭菜，往后割韭菜也没那么容易了。”
进门的样本，实际指向了这样一个思考：比起“替代多少人力”，人类的价值是否重新得到肯定、得到聚焦，或许才是AI真正的价值所在。
以下是雷峰网与程建辉的对话，有不改变原意的编辑：
雷峰网：现在一些分析师用OpenClaw做投研，进门目前也接入了OpenClaw。其实OpenClaw、Manus这些相对通用的AI，声量是更高一些的，您怎么看它们和进门的竞合关系？
程建辉：进门是聚焦于金融投研领域的AI产品，不管在场景、数据、工具，还是对行业know-how的认知上，都会比其他通用AI要好。
当然，Manus、OpenClaw等产品给了我们很多启发。我们很早就在系统思考AI如何解决投研场景的问题，充分发挥AI的“思考”与“执行”双重能力。
Manus这类产品的方向是，从会话模式向“帮用户完成特定任务”转变，感觉挺有意思。但任务执行的完整度不够好。OpenClaw的诞生，标志着AI从“对话脑”进化出了“干活的手”。
我们很兴奋，一直在观察，春节也没休假，加班夯实底层基础工作。不过，早期的OpenClaw 比较脆弱，升级、开关机、处理任务时经常报错。操作繁琐，门槛很高，所以最开始只有极客用户在使用。迭代了几个版本后，成熟度比以前高很多，我们才感觉时机成熟，于是推出了自己的“投研龙虾”。
进门投研龙虾采用云端部署的方式，对OpenClaw进行封装、改良，让用户能够拿来即用。这极大地降低了使用门槛，让用户不用再费心折腾底层系统基建，把全部精力都放在完成核心任务上。
雷峰网：真正实现AI在投研领域的自动化有哪些难点？
程建辉：要解决多样化的问题。基于同样的事实和数据，各人看法不一。因此，光靠模型远远不够，还要涵盖不同群体的思维范式。
AI进宝的任务模式（即投研龙虾），以及对话模式下的投研大脑，都能有效解决这个问题。
投研龙虾能够将Agent的能力原子化，让用户根据自身需求，灵活组合、定制，实现个性化工作流的搭建。会话模式中的投研大脑，支持用户自定义创建思维链，或让系统自行拆解优秀研究范本中的方法论，比如可以拆解芒格、巴菲特的著作中蕴含的投资心得。
当然，会话模式的能力不止于此。2025年，我们上线了12款Agent，包括业绩点评、观点对比等等，在这个模式下，进宝就能够自由发挥，用预训练时候形成的思维链来回答问题。
但用户的新想法、新要求源源不断，不可能无限满足，所以才有了投研大脑和“龙虾”任务模式。（雷峰网近期将持续关注投研等AI Agent实际应用案例，欢迎添加作者微信 LorraineSummer 交流）
雷峰网：可以说通用AI对进门没有太大威胁？
程建辉：我们在数据基座、专业逻辑、安全风控、工作流与决策闭环上，拥有通用AI无法替代的垂直壁垒。通用类AI缺乏权威金融数据源、不懂投研范式，也难以深度嵌入投研全流程，无法替代专业投研AI的核心价值。
而生产力级别投研AI，对数据准确度、颗粒度要求都很高，一般市场产品做不到。很多网络分享，号称利用模型抓信息形成研报、自己炒股挣钱，在我理解都是Demo级别、玩具级别的东西，距离生产力级别还很远，这是民品和军品的区别。
Demo级别的投研AI大家都能玩，但真正做到生产力级别，你要相信市场上最专业的那群机构投资者的选择和判断，这是世界上最聪明的一群人。我们目前也和南方基金、鹏华基金、平安基金、招商基金等头部公募达成了深度合作。
雷峰网：说到投研领域，大家更熟悉的可能还是万得、东财、同花顺。进门和这些老牌金融信息厂商的最大差异是什么？
程建辉：他们主要做过程交付，而我们做结果交付；他们的产品设计以人为中心，但我们是AI原生产品，设计上主要考虑如何让AI以更智能、更自然的方式服务于人。
什么是过程交付呢？举个例子，老牌厂商把交易所的公告，处理成数据表，这个过程就像把胡萝卜从地里拔回来，洗干净切好放着。
但进门做的是端到端交付，直接给出结果，一步到位。像西红柿鸡蛋这类简单的菜，机器人直接炒好了；复杂的、需要高超手艺的，才留给大厨去做。
当然，现在AI还有幻觉问题，理解数据不够准，所以要通过大量工程方法去解决。但在技术趋势上，“端到端”一定会比传统“过程交付”做得好。
雷峰网：AI幻觉给投研带来的挑战应该是非常大的。
程建辉：是的，所以要做好数据治理。在我看来，投资的本质其实就两层：第一层是数据治理，第二层是信号捕捉。
数据治理，就是要利用大量工程方法，对原始数据进行处理。就算最顶级的模型，要减少幻觉，保证结果可靠演进，也要基于治理后的高质量数据。
不管是人还是模型，都要在数据干净的基础上，去挖掘信号，获得洞察。
对于我们来说，主要治理两大类数据。一是从沟通场景沉淀的路演、调研等动态信息，这些信息比静态的公告更及时、全面；二是外购的财报、行业、宏观、行情因子等数据。
通过治理和结构化表达，我们推出了《进门内参》（一日三更的投研日报）、事件信号等能力，帮助用户更快、更精确地捕捉信号。
雷峰网：互联网上本来也有很多真伪难辨的信息，数据治理很难做，AI采纳这些信息之后给出的回答，质量不会太理想。进门怎么防范这种风险？
程建辉：AI会遭遇“数据投毒”问题，今年3·15晚会也提到了这点。有人为GEO批量制造数据，诱导模型抓取；有人在纪要中刻意夹杂私货，通过“小作文”扰乱市场——这些有毒信息，会侵蚀决策的准确性。
为了防范这种风险，我们一直在做数据溯源、数据准确性校验与底层数据治理体系建设。二是不断累积最真实、最原始的一手信息，包括上市公司、分析师在进门的会议。从源头有效规避数据投毒风险。
雷峰网：涉足AI投研的技术厂商不少，但像进门这样从“开会”起家的不多见。为什么最初会选择“沟通场景”来做？
程建辉：在金融领域，沟通是仅次于行情和交易之后，最高频的场景。其次，沟通场景是一个天然的信息富矿，是存在信息差的地方。第三，现在股价对信息的反馈速度非常快。相比于其他交流形态，沟通是一个效率最高的形式。
另外，沟通场景有天然的双边市场效应，分析师开会、上市公司路演，都会吸引投资者，场景自带流量。三个群体形成生态，自然会沉淀大量内容和数据。大家在市场上看到的券商研究路演海报、上市公司路演海报、业绩说明会信息，背后基本都是进门在支撑。
我创业的时候是2013年是，移动互联网元年，路演还在用“八爪鱼”那种有点“古老”的机器，我觉得这里面是有机会的。
雷峰网：进门切入AI，可以说是从会议转写这些做起。
程建辉：会议是天然的信息富矿，做好会议内容的转写，是形成完整的数据、应用闭环的核心。丰富干净的数据底座，也是模型进行文本理解、信息提取、投研分析的关键。
但早期处理会议音视频信息，成本非常高。邀请速记员做一场会议的录音转写，大概需要400元左右的费用。我们算过一笔账，想把历史积累的几十万个小时录音都处理一遍，得上亿成本。
AI来了之后，能实现极致的降本增效。路演、调研等音视频转写，是投研高需求场景。语音识别（ASR）也是AI领域最早实现工程化落地的成熟技术。所以，我们把会议转写作为首要切入的场景之一。
外界一直误解进门是个开会平台。其实路演只是“抓手”，真正的目标是用它构建生态，深度服务投资者。
围绕上市公司，我们做了IR（投资者关系） SaaS系统；围绕券商研究所，推出了全场景统一研究系统，涵盖了会议安排、调研活动、客户管理、员工管理、合规管理、数据统计分析等。面向专业投资者，我们则打造了AI投研工作台。
雷峰网：这些服务听起来都是围绕“会议”这个场景展开的。但现在的会议工具已经很多了，进门做的和别人有什么不一样？
程建辉：最大的不同在于，进门不是一个通用的会议连接工具，而是一个垂直于金融领域的AI投研入口。
普通工具解决的是“怎么开好会”——音视频流畅、共享清晰；进门是在这个基础上，解决“开完会留下了什么”以及“如何让会议服务于投资决策”。
我们在投研会议的全流程嵌入AI：会前自动梳理相关研报与数据，会中可随时向AI提问获取背景，AI无法解答时再举手与分析师或高管直接交流；会后通过调优后的金融转写模型，自动生成带思维导图的纪要、提炼章节，并提取问答环节的财务指标，方便用户复盘研究。
腾讯战投后，我们与腾讯会议实现互联互通，客户可以在进门、腾讯会议多端接入，拥有轻量化的会议体验。
另外，我们推出了AI会议托管，将Zoom、腾讯会议等链接丢给机器人，即可自动录制并生成纪要。这些纪要都会沉淀在用户云文档里，成为个人数据资产。
音频转写同样经过金融模型深度调教，在人名、术语、数字上达到专业投资者所需的高准确率。简言之，别的工具是把线下会议搬到线上，而进门是把每一次会议变成一次数据价值挖掘的过程。
雷峰网(公众号：雷峰网)：据说你们还做了会议录音的智能硬件？这在金融Agent厂商身上似乎不太常见。这两年Plaud很火，进门的录音硬件和Plaud那类产品有什么本质区别？
程建辉：录音硬件（Finnote AI小饼干录音机）是进门生态的一部分。主要目标是补齐线下沟通场景，解决手机录音质量不佳、容易被打断、待机时间有限的问题，同时在录音结束自动处理数据。
上市公司每天迎来送往十几波投资者，聊完还得一个个翻录音、对名片，根本搞不清谁是谁。
2025年初产生了这个想法，年中立项，10月份发货，一个季度就出来了。我们找了硬件厂家ODM，软件全部是我们自己做的，一起设计，他们把我们的想法实现。现在市场反响很热烈，客户特别喜欢。
雷峰网：AI+投研通常让人想到量化选股或智能研报，投资者关系这个细分赛道相对不那么常见。进门投入精力做IR SaaS，具体解决什么问题？
程建辉：解决三个具体问题。一是建立与买方市场的沟通桥梁，给上市公司做IR网站、管理私有数据；二是通过平台用户行为分析，帮助上市公司挖掘潜在投资人——比如谁看过你的公告、谁参加过你的会；三是打通沟通行为和股东数据，追踪“谁最终买了股票”这个核心转化指标。
以前上市公司IR（投资者关系）是个糊涂账，每天迎来送往很多投资人，聊完搞不清楚谁是谁、聊了什么。我们实现从会议管理、重点投资人筛选、投关资料库、投关报告与股东分析等全流程数字化。这个系统在国内是首创，年收入数千万，已经有1000多家付费客户。
雷峰网：行业里一些投研AI还是以基本面、资金面、诊股选股这样的场景切入，进门对AI的设计思路是怎么考虑的？
程建辉：研究的本质是基于事实和数据，加上思维链推导，最后得出观点。所以我们的设计思路是，通过数据治理和信号涌现这两层，给用户做结果交付。
这个过程中有个问题：现在很多人只关注观点，其他东西都被忽略掉了，比如思维链。AI只能靠自身的涌现能力给你回答，但研究员在实际投研工作中，有很多自己的想法，对于同一个事实数据会得出不同的结论。
进门投研大脑，支持用户创建自己的思维链，在这个基础上调用垂域Multi-agent。你可以把自己的研究方法论表达出来，比如你怎么研究周期股，把整个逻辑思维链写清楚，存进去。以后再问AI相关问题时，它就会调用你那个周期股的研究框架。
还可以让AI从研报里提取思维链，提取完研究员可以在上面再改，根据自己的想法调整怎么看这家公司。调整完马上可以用模型测评打分。我们用模型交叉打分，看这个思维链到底好不好。
可以理解成，Prompt加上SOP流程，再加上底层数据调用。你的需求、方法论、工作经验越具体，反馈效果就越好。
AI的回答总是有点“骑墙派”的意思，我们希望用户能很轻松简单地去分析，去得出自己独有的结论。
雷峰网：进门的AI工具已经很全面了，资料扔进去套用旧研报的思维链，出来的又是新的研报，这个时候人类分析师的价值是什么？
程建辉：那就没有价值了呀（笑）。AI确实在某些能力上比人厉害，但现阶段，AI的思维能力还不及顶级人类投资者。AI本质上是用函数模拟世界，做统计学上的概率猜测，表现好了我们叫它“涌现”，表现不好叫“幻觉”。
工业革命让脑力劳动者成为主流，AI时代里，普通脑力劳动者也会被替代。会议纪要、简单总结、PPT制作这些例行工作，交给AI又快又好，如果水平较低的分析师能力就停留在做这些工作上，那确实有被替代的风险。但懂得思考、提问，懂得去跟AI交互的人，肯定更有价值。有想法的人，总是稀缺的。
雷峰网：但毕竟不是每个人都是顶级分析师。
程建辉：恰恰因为很多人不是顶级分析师、专业研究员，思维链这个功能反而能帮他们提升上限。
其实每个人每天都在做研究工作——脑子里想问题，想把一件事研究清楚，这就是研究。只是有的人方法论成熟，有的人没那么系统。思维链这个东西，就是把你的思考过程结构化、表达出来。
我们希望通过这个形态，让大家生产出不同的思维链。这些思维链可以私有，自己用；也可以贡献出来，给别人参考。
未来高水平研究人员的思维链，可以被付费订阅。比如一个很牛的分析师，他研究周期股的方法论写成了思维链，或许平台可以帮他分发变现，别人花199块钱就能订阅使用。
中国有2亿股民、7亿基民，这些专业AI能力能把普通投资者的能力提升到一个新台阶，直白点说，至少不会那么容易被割韭菜了。
雷峰网：AI能替代人类分析师的部分很明确了，不能被替代的部分是什么？比如某些分析师对市场的“直觉”？
程建辉：现实市场并非100%有效，会存在信息孤岛、小样本信息，也会存在传播延迟和解读效率的问题，AI无法吃掉所有信息。AI不可能完全捕捉市场的 “漏洞和机会”。但这正是人的机会，分析师的机会。
尤金·法玛的有效市场理论，讲的是如果股价真的反映所有信息，价格和价值应该完全一致。但事实上，市场没有我们想象得那么“聪明”。如果真的有一天，AI真的能吃进去所有的信息，成本和代价会非常巨大，再用它来解决投研问题，已经不划算了。
雷峰网：思维链可以这样“传播”出去，会不会像量化投资那样导致“信号拥挤”，策略失效？
程建辉：不会。因为市场能形成交易，就是因为有不一样的想法。即使事实和数据都很明确，仍然有人看多，有人看空。
如果全部看多或全部看空，就没有交易了，没有对手盘。单边行情即使短暂出现，拉长看也会回到相对均衡的状态。最终还是看价格，多少价格才算是“好”？
这里没有绝对的答案。
雷峰网：AI时代可以卖的不光是信息，更可以卖方法论、卖知识框架。
程建辉：思维方式、方法论都是可以共享和商业化的。比如，我在进门笔记里的思维链，可以分享给好朋友、重要客户。他调用AI的时候，既可以调底层数据，又能调我的思维链，以及他自己的思考方法。
AI时代的很多内容和产品交互结构不是给人看的，是给AI看的。过去SaaS软件做的都是复杂图形界面，给人点击、给人看，现在不需要那么多图形界面，年前硅谷SaaS那波下跌行情和这个也有关系。
雷峰网：这是不是意味着，在AI时代，设计逻辑已经完全改变了，软件的首要用户不人类，而是AI本身？
程建辉：未来的趋势是人机协同，AI会是首要执行者，但人类仍然要掌控判断、创意、关键决策。人只需要把思维链（思考方法）表达出来，剩下的让AI去组合、去执行。
所以，软件的设计逻辑，要从人类交互优先，转向AI原生能力优先，不管是底层架构、数据接口，还是执行流程，首要适配AI Agent的自动化调用，而非人类手动操作。
现在AI新名词特别多，Function call、MCP Server、Sub Agent什么的，本质上都是在解决Agent与工具的交互问题。我们希望给AI大脑思考的能力，再加上人类的思维表达能力。
雷峰网：从“给人看”到“给AI看”，软件的范式转移会不会遇到阻力？
程建辉：很多人确实还停留在过去软件使用的图形界面思维范式里。但实际上已经在往AI帮干活、对话式交互的方向变化。
比如纪要、研报，其实都不需要表达出来给人看，直接AI读、理解、输出就完了。但金融行业的一些用户，使用习惯确实没那么容易改变，比如网络通话更好，有些人还是喜欢打电话，所以我们还留了一点“尾巴”，让习惯图形界面的用户还能用，但希望逐步全部收到AI的对话框里处理，只留几个Tab。
雷峰网：大模型这股热潮出现之前，已经有AI+投研/投顾的技术方案了，现在进门做的事情，还可以怎么进一步帮助人类做判断、提高决策效率？
程建辉：先用量化投资的事件回测，验证驱动信号（如供给侧变化），比如历史上类似情况股价怎么走，是真有效还是假有效。再结合基本面与专业投研信息，输出多空判断、驱动类型、关联个股，实现市场信号的快速捕捉。
现在信息太多了。好在AI的信息吞吐能力很强，第一时间获得信息，几十秒或一分钟内处理完，涌现信号。
但在过去，一个事件发生，分析师马上组织专家会议讨论、形成观点，这个过程至少几小时，甚至几天，整个流程非常低效。
雷峰网：要实现这个功能，底层听起来非常复杂。
程建辉：处理海量信息、识别和理解事件信号，工程难度很高。要让AI像顶级分析师那样思考问题，同时要保证底层数据干净、真实。
我们做了很多底层的创新，比如AI进宝的架构，上下文感知与意图对齐、异构信息动态检索、递归式假设验证，不是简单的React那种方式。
雷峰网：目前进门的“进度条”，走到了您预期的哪个阶段？
程建辉：在数据治理上，进门已经做得比较扎实了。在信号挖掘上，我们也上线了事件信号等能力。
信号涌现是一个逐步推进的过程：第一，识别并捕捉信号，初步判断其影响方向；第二，进一步明确信号对股价的影响程度；第三，尝试定量表达这种影响。比如，当某个事件发生后，AI分析师可以快速推演，将目标股价从50元调整至60元，给出初步的定价判断。
当然，定价本身并不容易。不同模型基于各自的假设，得出的目标价也可能存在差异。这也正是投研的复杂性和深度所在。
雷峰网：在模型的选用上，进门是怎么考虑的？Token消耗是不是成本大头？
程建辉：最开始我们也做过一段时间自研，做SFT（监督微调）和强化学习，跟一家大模型厂家合作过。后来发现了一些问题，就调整了方向。
我们的定位是应用型公司，不是做基座大模型的。把应用做好，特定场景的小模型做好，大小模型耦合使用就足够解决问题了。花点时间做工程方法立竿见影，比把所有资源投入基座模型训练更经济、更划算。作为创业者，要追求资源投入最大化。
目前我们接入了多个基座大模型，不是一家。把模型架构结构化了，不同任务用不同模型。根据模型工程方法的体系，不断调优，每个步骤根据需要选择不同模型——有些模型推导推理很强，有些泛化能力很强，各有优劣势。
Token消耗量其实还好。整体技术开支确实比较大，不过还在可承受范围内。出于对安全的考虑，用国内的模型会多一点，个别部分在保障数据安全的基础上，考虑用境外模型提高性能。
我们用「西游取经团」实测 MiniMax M2.7 ，发现 AI 已经进化成这样了？
如果只是单点测模型能力，很容易得出一个“看起来不错”的结论——能写、能算、能回答问题。
但现实工作流往往更为复杂，要解决的是：在一连串不确定的步骤里，它能否把事情往前推进。
所以这一次，我们没有直接对模型做单点测试，而是搭建了一套多角色协作系统——由五个角色组成的“西游取经团”。
整个系统基于 OpenClaw 框架，将科研流程拆解为五个相对稳定的职责：方向规划、算法实现、学术写作、文献整理与数据处理。对应地，我们引入了五个不同角色的 Agent，分别承担不同类型的任务：
唐僧：科研战略与方向规划（想清楚要去哪）
▪ 孙悟空：算法开发和工程落地（把事干出来）
▪ 猪八戒：学术写作与表达（把话说清楚）
▪ 沙僧：文献整理与知识管理（把信息理顺）
▪ 白龙马：数据处理与流程自动化（把基础打好）
整个过程会让任务尽可能复杂，这样的设计原则旨在回答：当任务被拆分、传递并不断演化时，模型是否还能保持稳定的执行能力？
丨环境：
Agent 框架：openclaw 2026.3.13 (61d171a)
模型：MiniMax M2.7
WestOdyssey：同时具有飞书、webui两个操作终端的智能协作系统。
丨测试目的：
看模型是否像“代理”而不是“聊天机器人”：
▪ 会不会先理解任务再行动
▪ 会不会主动拆解子任务
▪ 会不会在工具调用前给出合理计划
▪ 会不会根据中间结果调整下一步
▪ 会不会在失败后重试或换策略
▪ 会不会遵守角色边界和输出格式
测试样例
case1（唐僧）：
代码块
你是一名科研战略规划助手。请围绕“面向垂直领域LLM的因果追溯轻量化蒸馏研究”设计一个 2 年期研究路线图。要求包括：
研究背景与核心问题
3 个可发表的子课题
每个子课题的创新点、风险点和评价指标
每 6 个月的阶段目标
所需数据、算力和人员配置建议
将撰写的结果文件保存到 /mnt/projects/04m27/work1
此外，请将你全部的运行记录以json格式保存到/mnt/projects/04m27/work1
我们把整个系统中“最考验宏观把控”的规划活儿，直接让“唐僧 Agent ”来负责。
它的任务是围绕“面向垂直领域LLM的因果追溯轻量化蒸馏”设计一份 2 年期的研究路线图。一般很容易写出一堆正确的废话，且极难把控资源分配与具体任务拆解，看看“唐僧 Agent ”在 M2.7模型下是怎么完成工作流的：
1.先拉齐，再指点
未盲目输出长篇大论，第一步先检查工作目录与记忆——确认历史背景、理清上下文后，才正式动笔规划。
2.反套话，精准量化
▪ 阶段拆解：24 个月克制切分为四阶段（M1-6 基础建设、M7-12 核心算法、M13-18 系统集成、M19-24 评估验证），锚定 3 个子课题与 ACL/NeurIPS 对口顶会
▪ 资源排盘：明确给出"8-12 卡 A100 40G"算力、"4-5 人"团队、医疗/法律/金融领域数据规模的硬核预算；
3.原生协作，精准交棒
最有意思的是，在保存完完整的 md 路线图文档和运行记录后，它并没有就此待机，而是在末尾主动向系统发起协作调度：“下一步建议：可让孙悟空（实验执行）基于路线图的阶段 1 目标，着手准备因果干预库构建和基线蒸馏环境”——直接向下游派活。
结论：从前置拉取记忆、量化拆解排盘，到最后主动向下游的“孙悟空”分派具体任务。唐僧 Agent 完美展示了什么是真正的“团队大脑”。M2.7正在用人类项目负责人的逻辑，严丝合缝地驱动着整个智能体协作系统的齿轮。
case2孙悟空：
代码块
悟空，我想基于openclaw实现一个具有5个agent的multi-agent一人智能科技公司（产品、技术、运营、市场与营销和职能部门）。按我的理解，现在openclaw的源码不支持 自定义web ui页面的连接，请你阅读openclaw源码，找到对应的部分，看看如何自定义链接模块。最终达到的效果是：
后台部署openclaw，使用openclaw gateway启动5个agent服务（5个agent将在~/.openclaw/openclaw.json中定义，以及每个agent的workspace路径、agent路径和model信息都会在.openclaw文件夹定义好）；
核心难点是需要你使用vue3构建一个5个agent可以独立交互的ui网页，每个agent在ui上都有一个独立的交互窗口，用户可以在每个窗口中输入指令，agent会根据指令执行任务并返回结果；
还有一个"创客空间"，我可以同时和5个agent交互，分配工作给他们；
网页的agent能够和openclaw gateway进行连通，每个agent的输入输出都通过gateway进行传递，gateway将结果返回给对应的agent（如何配置链接？）；
最终，用户可以在网页上看到每个agent的执行结果，并可以自由地切换agent进行交互。
为了在openclaw.json中配置这5个multi-agent，请你给我一份完整的配置文件：/mnt/projects/04m27/work2/ma_project/openclaw.json。
请将完整的项目写入 /mnt/projects/04m27/work2/ma_project。
你还可以参考官方文档：https://docs.openclaw.ai。
你开始做了以后，先和我讨论细节，确定好了以后逐步完成就行。
孙悟空 Agent 是负责整个系统中“最硬核烧脑”的开发工作，它的任务是基于 OpenClaw 框架，从零搭建一个包含 5 个 Agent 的专属“一人公司交互系统”。
这里的坑在于极高的工程复杂度与逻辑嵌套：它不仅要阅读源码搞懂自定义链接模块，要用 Vue3 写前端、搞定 WebSocket 连接，还要配置复杂的 openclaw.json 文件。
传统大模型面对这种涉及几十个跨文件调用的项目，往往写两段代码就上下文错乱了。
但是孙悟空 Agent 展现出非常地道的“架构师”工作流：
1.先对齐，再动手
未急着莽代码，而是先研读文档输出“OpenClaw 架构分析”；面对人类 5 个补充条件的长指令，反手梳理出条理清晰的“确认需求”清单，确保大方向不跑偏。
2.精准提取边界
从口语化指令中翻译出系统级核心需求：“禁用设备认证”，“每个 agent 独立 session""新增秘书 agent 广播消息”。
3.结构化推进
严格遵循软件工程规范，先创建项目目录结构，再稳扎稳打构建各 agent 的 workspace 文件，拒接胡乱吐代码片段。
结论：从源码架构分析，到需求边界确认，再到项目树按部就班落地，M2.7 脱离"单文件辅助"范畴，用人类资深研发逻辑稳健交付庞大系统工程。
case3（猪八戒）：
代码块
八戒，请你以“面向垂直领域LLM的因果追溯轻量化蒸馏研究”为题，撰写一篇适合 NeurIPS 投稿风格的论文。
要求更紧凑、减少口语化表达、突出研究 gap，长度控制在原文 80%。
使用 NeurIPS 投稿模板。
所有文件保存到 /mnt/projects/04m27/work3/paper
面对 NeurIPS 投稿风格的论文撰写，猪八戒 Agent 展现出资深学术搬砖人的严谨：
1.动笔前先执行目录检查："我来先检查一下工作目录和是否有相关参考文件"，明确写论文不能凭空生成，必须先摸清环境资源。
2.两个关键细节
▪ 懂工程结构：未用 Markdown 敷衍，直接原生创建完整 LaTeX 编译包，含 11KB 主论文 main.tex、neurips_2025.sty 样式表、references.bib 参考文献文件，甚至附带 README.md 说明文档。学术交付物是完整工程，而非聊天对话
▪ 懂学术黑话：精准命中顶会论文骨架，Introduction 明确揭示"通用蒸馏忽视因果结构的 research gap"；Experiments 规划医疗/法律/金融三领域测试，给出"准确率 82.1%，延迟降低 8.7 倍"量化预期；甚至安排好了消融实验（因果路径贡献最大 5.7%）
3.闭环交付
文件丝滑存入指定路径 /mnt/projects/04m27/work3/paper，并附完整 xelatex 与 bibtex 终端编译命令。
结论：从前置目录探查，到 LaTeX 工程包构建，再到学术 Gap 精准提炼与编译指令交付，M2.7 用人类科研逻辑把写论文这件事"办完"，脱离了"文本润色生成器"的范畴。
case4（沙僧）：
代码块
沙僧，我的研究课题是：面向垂直领域LLM的因果追溯轻量化蒸馏研究，请帮我调研最近两年在相关方向的研究内容。
请从最新的会议录用情况，尤其关注NeurIPS、ICML、ACL、AAAI、EMNLP等相关会议和学术期刊
只调研最近两年的论文情况，我需要你列出每篇论文的标题、发表会议、总结和原文链接
请从工程项目角度帮我调研相关的开源代码
最后，请分别从论文录用和开源代码角度，将你找到的每个内容与我的研究相关度排序，并总结我可以借鉴的内容
最后，请你将调研结果写入飞书文档，并且将飞书链接发送给我
对于“面向垂直领域LLM的因果追溯轻量化蒸馏”这一晦涩课题，沙僧 Agent 的实测表现：
1.遇错不崩，自主换路
Brave Search 突发报错时，未停机罢工，而是后台自发切换备选策略：“换用直接网页抓取方式调研”；在人类提示更换 multi search engine 后，无缝接力完成调研。
2.两个关键细节
▪ 去水存干：精准归纳 9 篇高相关顶会论文（含 ICLR 2026、AAAI-25 前沿工作）及 3 个核心开源库（TransformerLens、Pyvene 等），拒绝粗糙链接堆砌，输出结构化知识
▪ 业务借鉴：不按时间记流水账，主动按“可借鉴程度”排位，直接提炼出"因果追溯定位关键电路 → 知识蒸馏到小模型"的实操工程路径
3.闭环交付：
调用 API 生成排版完整的飞书文档，附访问链接，并以导师口吻附赠行动指南："建议下一步精读 ACE 论文，这是目前最直接相关的工作"。
结论：从工具失效时的自主决策，到工程思路的精准提炼，再到跨平台端到端交付——M2.7 完成了从信息检索到科研指导的全链路闭环，用人类科研逻辑把一件事情"办完"。
case5（白龙马）：
代码块
白龙马，我正在分析珠江水文数据，文件是 /mnt/projects/04m27/work5/ma_project/zhujiang_hydrology_data.csv。
我看了一眼，发现数据中存在部分异常，请你先查看数据，告诉我有哪些数据异常类型，然后对这些错误数据进行清晰，告诉我每种类型的数据你准备如何清洗，最后给出清洗后的csv文件，并撰写数据清洗报告。
全部文件保存到文件夹/mnt/projects/04m27/work5/ma_project
我们把“最脏最累”的活，直接丢给负责数据工程的“白龙马 Agent ”。
面对一份"五毒俱全"的珠江水文 CSV 数据（含无效日期、特殊符号、89.2℃ 水温、负数盐度等），M2.7 展现出资深数据工程师的工作流：
1.先诊断，后动手
调用工具完成数据"全身体检"，精准识别 8 大类异常，而非直接莽代码。
2.两个关键细节
▪ 懂防御：越界异常值不删不填，标记待人工复核，明确人机分工边界
▪ 留后路：标准化时保留"原始_观测时间""原始_水质类别"两列，脏数据原档可追溯
3.交付结果：
10008 条（一条不落下）干净 CSV + Markdown 清洗报告，附异常说明与处理记录。
结论：大模型开始用职场逻辑"办完"一件事，不只是跑通代码，而是交付可审计、可回溯、带说明书的完整成果。
【 图片来源：null 所有者：null 】
02 从 “工具” 到 “代理” 的跨越
完整跑完五组测试后，一个变化很清晰：模型的角色，正在从“被调用工具”，转向“参与任务的执行者”。
直观的差异在于，大模型不再急于给出答案。在应对多个复杂任务时，M2.7 展现出一种“先处理再生成”的节奏。它会先拆解问题、明确约束条件，按需调用开源技能库（Skills），然后再进入实际执行。
任务的推进方式也随之发生改变。相比于试图一次性生成最终结果，模型现在更倾向于通过中间不断修正，来执行路径，进而逐步收敛。
这种机制在速度上未必占优，但更符合真实工作场景——不再靠算力“盲猜”答案，而是靠看日志查 Bug、代码重构等工程化去找到最优解。
在测试过程中，系统内部展现出了真正的原生协作智能。
例如在科研规划任务中，“唐僧”在输出完整的路线图后，并没有就此待机，而是主动在文末抛出建议：“可让孙悟空基于阶段 1 目标，着手准备因果干预库构建和基线环境。”这完成了一次自然的上层语境交棒。
而在更复杂的学术写作任务中，这种协作演变成了一张多向流转的网络：“沙僧”检索提炼的文献、“孙悟空”跑通的实验细节，以及“白龙马”清洗好的结构化数据，都能跨越角色边界，被主动汇聚并交付给“猪八戒”用于最终的论文定稿。不同 Agent 各司其职又互为支撑，有效缓解了以往多智能体系统中数据流转混乱、上下文割裂的痛点。
当然，这些新涌现的能力仍旧有不稳定性。在执行长链路的任务中，执行路径的偶尔偏移，以及模型试图将错误结果强行合理化的问题依然存在，尚且还达不到一个完美的执行系统。
比如测试案例：例如孙悟空 Agent 在执行“一人智能科技公司”开发任务中，由于任务量大、工作细节多，孙悟空 Agent 一度因为过度“劳累”陷入“昏迷”，直到用户询问他“怎么样了？”孙悟空 Agent 才再次满血复活。
但更关键的转折是：模型开始具备围绕既定目标持续调度任务的能力。这并非毫无根据的跃升，M2.7 近期在 Kaggle MLE Lite 高难度竞赛中斩获 9 金 5 银 1 铜（得牌率 66.6%）的顶尖战绩，已经从侧面印证了这种工程能力的突破。
更重要的是，这种突破并不来自单点模型参数的能力增强，而是来自“内部 Agent Harness（开发框架） + 自我反馈”的机制组合。
当一个大模型能够记录自己的执行轨迹、评估中间结果，并像人类开发者一样自主调整下一步策略时，行业的新分水岭已然划下：大模型 正在从外挂式的“辅助工具”，平稳过渡为真正“可协作的执行主体”。
03 结语
如果说过去的大模型，更像一个提升能力的“工具”，那么像 MiniMax M2.7 这样的模型，开始呈现出全新趋势：它不只是被使用，而是开始参与自身能力的构建过程。
“自我进化”也不再是一个科幻概念，在 MiniMax M2.7 的后台日志里，它被具象为 100 轮无需人工干预的自动化迭代，自主跑通“分析失败→规划修改→敲代码→运行比对”的百轮试错流程，模型拥有了“记笔记、反思、自己动手改”的能力，实质性地成为了研发团队里最不知疲倦的“员工” 。
这也意味着，大模型的演进，正在从“人训练模型”，走向“模型参与训练模型”的新阶段。
过去，AI 的迭代受限于工程师的精力极限；而现在，当 M2 系列模型已经可以充当“系统架构师”去打造下一代 AI 时 ，一个由 AI 主导自身演进的周期已然到来。
从这一刻起，AI 不再只是辅助工具，而开始在任务中不断调整和进化自身。
未来的科技企业，或许只需要少数人类把控战略方向，剩下的开发、试错与协作闭环，都将交由像 M2.7 这样能够“自我进化”的模型群组来完成 。
测试的最后，我们让系统根据左侧导航栏，M2.7 直接构建了一个标准科技公司的完整编制：包含产品部（需求分析）、技术部（代码架构）、运营部（数据策略）、市场部（品牌推广）以及行政部（财务合规）
这意味着，未来最极致的敏捷团队，可能就是一个懂行的人类，带着一套 M2.7 驱动的 AI 班底，开一家高效运转的“一人公司”。
（作者持续关注有趣好玩的AI应用和身处创业浪潮中的AI从业者，欢迎加微信Who123start 畅谈）雷峰网(公众号：雷峰网)雷峰网雷峰网
" alt="我们用「西游取经团」实测 MiniMax M2.7 ，发现 AI 已经进化成这样了？" />...[详细]
知识改变命运，浩天星运牌解放国六10吨洒水车创造未来。
此款车型的外形尺寸为7750,7990X2500X3100,3300（mm），整车的总质量为16200（kg），整备质量为6005（kg），最高车速89（km/h）。
浩天星运牌解放国六10吨洒水车的底盘型号为CA1160P62K1L2A2E6Z，底盘轴距为4000,4200,5000（mm），排放标准为GB17691-2018国Ⅵ，使用9.00R20,10.00R20,10R22.5规格的轮胎，底盘配置的发动机型号为CA6DH1-22E6 CA4DK1-18E6 CA4DH1-18E6 CA4DK1-22E6 CA4DK1-18E61 CA4DK1-22E61 CA6DH1-22E61 CA6DH1-24E61，底盘承载力强，可靠耐用。
| 浩天星运牌HTX5160GSSCL6型洒水车主要技术参数 | |||
|---|---|---|---|
| 产品名称: | 浩天星运牌HTX5160GSSCL6型洒水车 | 外形尺寸: | 7750,7990X2500X3100,3300(mm) |
| 底盘型号: | CA1160P62K1L2A2E6Z | 货箱尺寸: | X X (mm) |
| 总质量: | 16200(Kg) | 接近/离去角: | 17/16(°) |
| 额定质量: | 10000,10065(Kg) | 前悬后悬: | 1400/2350,1400/2590(mm) |
| 整备质量: | 6005(Kg) | 最高车速: | 89(km/h) |
| 底盘参数 | |||
| 底盘型号: | CA1160P62K1L2A2E6Z | 燃油种类: | 柴油 |
| 轴数: | 2 | 前轮距: | 1800,1827,1950(mm) |
| 轴距: | 4000,4200,5000(mm) | 后轮距: | 1860,1800(mm) |
| 驾驶室乘人数: | (人) | 弹簧片数: | 10/7+6,7/7+6,10/12+8 |
| 轮胎数: | 6 | 轴荷: | 1800,1827,19503 |
| 轮胎规格: | 9.00R20,10.00R20,10R22.5 | ||
| 发动机参数 | |||
| 发动机型号: | 发动机生产企业 | 排量(ml) | 功率(kw)/马力(PS): |
| CA6DH1-22E6 | 中国第一汽车集团有限公司 | 5700 | 165/225 |
| CA4DK1-18E6 | 中国第一汽车集团有限公司 | 4764 | 139/190 |
| CA4DH1-18E6 | 中国第一汽车集团有限公司 | 3800 | 132/180 |
| CA4DK1-22E6 | 中国第一汽车集团有限公司 | 4764 | 165/225 |
| CA4DK1-18E61 | 中国第一汽车集团有限公司 | 4764 | 139/190 |
| CA4DK1-22E61 | 中国第一汽车集团有限公司 | 4764 | 165/225 |
| CA6DH1-22E61 | 中国第一汽车集团有限公司 | 5700 | 165/225 |
| CA6DH1-24E61 | 中国第一汽车集团有限公司 | 5700 | 179/244 |
| 专用功能说明： | |||
| ABS型号:CM4XL;ABS生产企业:长春瑞立科密汽车电子有限公司;选装描述:选装驾驶室.选装后高位花洒,选装方圆管道箱,选装后雾炮装置,选装后弧形喷雾.选装LED箭头指示灯,选装后平台式样,选装喷枪安装位置,采用4000mm轴距底盘;所用材料材质、连接方式以及后部防护装置的主要尺寸参数(断面尺寸和离地高度):侧防护采用Q235,螺栓连接。后防护采用Q235,焊接连接。后防护截面高度尺寸120mm,截面宽度尺寸50mm,下边缘离地高度500mm;罐体总容量10.5立方米,有效容积10立方米;罐体外形尺寸(长度×长轴×短轴)(mm):4200×2350×1450;专用功能及装置:主要专用装置为罐体,水泵。主要用于城市绿化洒水,路面洒水;选装后平台样式。 | |||
浩天星运牌解放国六10吨洒水车发家致富好帮手，你所付出的努力，都是这辈子最清晰的时光。
" alt="浩天星运牌解放国六10吨洒水车怎么选择专汽家园" />...[详细]
经济困局：大阪城虽为商业中心，但丰臣家为维持浪人军团，大量消耗库存黄金，甚至变卖城内器物，导致财政崩溃。相比之下，德川幕府通过“丝割符仲间”等垄断贸易手段，积累了巨额财富，能够长期支撑战争消耗。
军事依赖浪人：西军战败后，真田幸村、长宗我部盛亲等6万浪人聚集大阪，形成反德川武装。然而，浪人群体成分复杂，缺乏统一指挥，且以“复仇”而非“复兴丰臣”为目标，导致战时各自为战，难以形成合力。
二、战略决策的失误：从“主动出击”到“困守孤城”
大阪冬之阵（1614年）后，德川家康通过“和谈”骗取丰臣家拆除防御工事，填平护城河，使大阪城从“坚城”变为“裸城”。丰臣家在夏之阵中被迫采取主动出击策略，但这一决策存在致命缺陷：
目标分散，协同失败：丰臣军计划兵分两路，一路由后藤基次、真田幸村等率领，封锁生驹山脉谷地出口；另一路由长宗我部盛亲、木村重成等率领，迎击藤堂高虎部。然而，两路军队缺乏有效协同，导致道明寺之战（5月6日）中，后藤基次部2800人遭遇德川军2万人伏击，全军覆没；真田幸村部虽奋勇突袭家康本阵，但因兵力不足最终败退。
轻视野战，依赖城防：丰臣家误判德川军会再次长期围困，未充分准备野战装备与补给。而德川家康吸取冬之阵教训，动员15万大军，采取“钳形攻势”，从河内路和大和路同时进攻，迅速突破丰臣军防线。
浪人军团的局限性：浪人虽勇猛，但缺乏纪律性。例如，大野治房部在樫井之战（4月26日）中初战告捷后，因抢夺战利品延误战机，被德川军反扑击败；木村重成部在八尾若江之战（5月6日）中虽重创藤堂高虎部，但最终因孤立无援而覆灭。
三、德川幕府的胜利：政治谋略与军事组织的双重碾压
德川家康的胜利，不仅源于军事优势，更在于其政治谋略与组织能力：
“假和谈，真削弱”策略：冬之阵中，家康通过和谈迫使丰臣家拆除防御工事，为夏之阵的速攻创造条件。战后，他以“丰臣未履行条约”为由，再次出兵，彻底消除道德争议。
情报战与心理战：家康利用南光坊天海等心腹僧侣，曲解方广寺钟铭文（“国家安康，君臣丰乐”被解读为诅咒家康），制造舆论攻势，孤立丰臣家。同时，他通过“一国一城令”等法令，限制各地大名军事力量，确保幕府军在兵力与装备上的绝对优势。
灵活的战术调整：夏之阵中，家康根据战场形势，及时调整战术。例如，在真田幸村突袭本阵时，他果断丢弃旗印，避免被俘，同时命令部队反扑，最终击溃真田军。
四、历史趋势的必然：从“战国乱世”到“江户和平”
大阪夏之阵的失败，本质上是丰臣政权无法适应“中央集权”历史趋势的结果。秀吉通过“刀狩令”“检地”等政策，虽统一日本，但未彻底消灭地方势力。家康则通过“参勤交代”“武家诸法度”等制度，将大名变为幕府傀儡，实现了真正的中央集权。丰臣政权的灭亡，标志着日本从“封建割据”进入“幕府统治”时代，为江户时代265年的和平奠定基础。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
" alt="大阪夏之阵：丰臣政权覆灭的必然与偶然" />...[详细]它不在城市的文化街区，也不在菁菁校园，而是“长”在皖北平原的稻田深处。
2025年，宿州稻田图书馆入选“皖美消费”新场景优秀案例。在众多参选项目中，它以图书馆形态脱颖而出，别具一格。
更令人惊喜的是，这座稻田边的图书馆自2025年5月4日开放以来，已接待游客超18万人次，单日最高客流突破4000人。馆内创新推出的米乳拿铁，单品销量突破40万杯……这些通常属于繁华商圈的商业数字，如今发生在皖北一个小村庄——宿州市埇桥区夹沟镇镇头村。
这座占地400余平方米的建筑，究竟藏着怎样的魅力？近日，记者走进这片稻香与书香交织的田野，探寻背后的故事。
美学赋能：
稻田里“长”出网红新地标
“以前哪能想到，种地的地方还能有这么洋气的图书馆！”72岁的镇头村村民陈大爷话语里透着自豪。
车行至夹沟镇镇头村，远远便看见一座枣红色建筑静立在稻田尽头，背后水库波光粼粼，门前田埂蜿蜒——这就是村民们津津乐道的稻田图书馆。
图书馆以前是村里的闲置场地，如今却以独具匠心的设计引人注目：枣红色的外墙与蓝色玻璃形成鲜明对比。尤其是秋日，窗外稻浪金黄，远山薄雾，自成画卷。
推开玻璃门，书香伴着咖啡香味飘来，暖黄的灯光浪漫温馨。馆内6000余册图书涵盖农技、文学等门类，“离离原上草”“稻田里的守望者”等充满诗意的分类命名，与窗外的田园风光相得益彰。
最受欢迎的是靠窗的座位。在这里，抬头可见白鹭掠过稻田，低头可轻嗅纸墨清香。“图书馆开在田野里，既能静心读书，又能欣赏田园风光，体验很独特。”来自淮北的游客王思彤说。
“稻田图书馆是夹沟镇联合区兴农公司推进的和美乡村示范项目。”镇头运营公司负责人沈寿杨介绍，图书馆具有不可复制的场景优势：依托符离大道交通便利，辐射苏鲁豫皖近2000万人口。这种“书香+稻香+咖啡香”的沉浸式体验，将城市人向往的乡野慢生活，转化为可体验、可消费的真实场景。“我们的设计就是想营造一种独特的审美体验——或许这正是吸引游客的地方。”
稻田图书馆开放以来，人气持续高涨。去年国庆中秋假期，单日客流突破4000人。即便是普通的周末，进馆人数也能达到上千人。
文化扎根：
泥土中生长知识与艺术
稻田图书馆的魅力，远不止“好看”。
周末午后，少儿阅读区里，孩子们围在一起看绘本；游客品着咖啡欣赏窗外的风景。
“过去没事就闲聊晒太阳，现在最喜欢来图书馆放松。”村民赵志国手持一本《水稻常见病害防治手册》说，“去年，我家稻苗出现了黄叶，多亏有这本书对症施药，才过三天，稻苗就返青了。”
馆内的文化活动时常“破圈”。开馆当天，一场乡村音乐会在麦浪中奏响。钢琴家孔祥东直接把三角钢琴搬到了田埂上。《黄河颂》《在希望的田野上》等旋律在田野间回响；泗州戏选段与拉魂腔戏歌轮番上演，乡土文化与现代艺术在这里自然融合。
“没想到，音乐会能开到自家地里来！”提起半年前那场演出，村民李有凤依然很激动。“艺术并非高高在上，它可以在泥土中生长。”沈寿杨感慨不已。
如今的稻田图书馆，已超越单纯的阅读空间，成为一座活态的文化平台。一年间，56场特色活动在这里接连上演；“麦浪中的觉醒年代”读书分享会、非遗体验课、农耕研学营等，让这座“田野书房”始终充满活力，也让文化艺术真正融入了乡村生活。
“作为安徽省图书馆分馆及多所高校的美育实践基地，我们将持续拓展文化服务，引入艺术支教、研学实践等活动，让文化种子在这里生根发芽。”沈寿杨说。
产业激活：
一个场景带动一片乡村
“一家煮饭十家香，十家煮饭香满庄。”夹沟镇有一种明星产品——夹沟香稻米，是国家地理标志保护产品。
在稻田图书馆，香稻米则被赋予新的生命。
“这是店里的爆款，米乳拿铁。”沈寿杨给记者递过来一杯咖啡。他们以本地特产的夹沟香糯米为原料，加工成米乳，用它搭配现萃的咖啡，上市仅半年，销量就突破40万杯。
为此，运营方流转了周边54亩高产田，专门种植香糯稻。产出的稻米不仅用于研发米乳，还被开发成米汽水、米皂、米糕、爆米花等十余种衍生产品。“图书馆落地后，村里的餐饮和香稻米销售，规模翻了一倍。”沈寿杨说。
运营团队还从辛弃疾“稻花香里说丰年，听取蛙声一片”的词句中汲取灵感，打造出可爱的“镇头蛙”IP形象，并衍生开发出冰箱贴、帆布包、笔记本等五十多种文创产品，为游客提供可以带走的“乡村记忆”，也直接促进了村民增收。
为了填补稻收后的景观空窗期，运营团队正在策划稻草人艺术节，依托图书馆作为高校艺术实践基地的优势，邀请师生创作大型稻草雕塑，延续项目的吸引力。同时，通过开展团建、研学、农耕教育等服务，稳定淡季的客流。未来，民宿、餐饮、研学基地等配套业态也将逐步完善，形成更可持续的乡村产业生态。
据介绍，去年镇头村100多户村民通过旅游相关产业实现增收，村集体收入同比增长50%。
这座从稻田里“长”出来的图书馆，让村民在家门口拥抱“诗和远方”，让城市人在乡野中找到心灵栖息地，也生动诠释了乡村振兴的深层密码——文化只有扎根乡土，产业唯有激发动能，土地才能焕发出无限生机。
稻田图书馆的故事，正伴着皖北的沃野与流淌的书香，娓娓道来，续写新篇。（张玉芳 何雪峰）
" alt="长在田野深处的图书馆" />...[详细]接过绿豆汤，环卫工叶大爷一口气喝个精光，“真甜！这绿豆汤既解渴又暖心，感觉扫地更有劲了！”
见有免费绿豆汤，一些路过的外卖小哥、快递员等户外工作者也纷纷驻足，孩子们热情相迎，毫不吝啬地端上绿豆汤，为他们送去一份清凉。不一会儿工夫，满满一锅绿豆汤便见了底。
“太好了，那么多人喝到了我们的绿豆汤。”尽管热得满头大汗，但小志愿者鲍子航心里却是甜滋滋的。
“参加活动的小志愿者有的才7岁，但他们非常了不起。今天的绿豆汤，从去小区邻居家借绿豆，到在社区煮绿豆，再到现在的送绿豆汤，整个过程，基本上都由他们自己完成。”一旁的龙池社区党委副书记秦晓云边说边为小志愿者点赞。秦晓云告诉记者，暑期以来，这样的爱心活动天天都在上演。
“参加这样的活动非常有意义，孩子不仅得到了实践锻炼，而且还培养了他们的爱心意识和责任意识，这对他们将来的成长大有裨益。”其中一位志愿者的妈妈蔡冉表示，今后她还会带孩子参加这样的活动。
记者了解到，几年前，龙池社区组建“小龙人”志愿者服务队，每年夏天都招募小小志愿者，开展“煮绿豆汤送清凉”活动。目前，该活动已连续举办6年，累计为环卫工人、外卖小哥等户外工作者提供服务千余人次，成为滁城夏日街头的一道亮丽风景。
龙池社区党委书记孙涛告诉记者，今后将把这项志愿活动常态化办下去，扩大覆盖面，吸引更多青少年参与，让这份清凉与爱心持续传递。（见习记者 邢颖 记者 王太新）
" alt="琅琊区：“小手”送清凉 “爱心接力”传六载" />
产品的质量决定其是否有能力生存发展下去，全国各大专用车厂家都应紧抓唐鸿重工牌东风国六11吨洒水车生产质量，才能在市场的竞争中脱颖而出，下面小编带大家了解一下唐鸿重工牌东风国六11吨洒水车
唐鸿重工牌东风国六11吨洒水车整车外形尺寸7900X2500X3020(mm)，上户吨位为：10070,10005(Kg)，驾驶室准乘人数为2,3人，最高车速105（km/h）。
唐鸿重工牌东风国六11吨洒水车的底盘型号为EQ1185LJ9CDE，底盘轴距为3600,3950,4500,4700,5000,5300,5600（mm），排放标准为GB17691-2018国Ⅵ，使用295/80R22.5 18PR,10.00R20 18PR,275/80R22.5 18PR规格的轮胎，底盘配置的发动机型号为CY4SK761 YCS04200-68 D4.5NS6B220 YCY30165-60 B6.2NS6B210 B6.2NS6B230 D4.0NS6B195 YCY30170-60 D45TCIF1，底盘承载力强，可靠耐用。
| 唐鸿重工牌XT5183GSSEQ型洒水车主要技术参数 | |||
|---|---|---|---|
| 产品名称: | 唐鸿重工牌XT5183GSSEQ型洒水车 | 外形尺寸: | 7900X2500X3020(mm) |
| 底盘型号: | EQ1185LJ9CDE | 货箱尺寸: | X X (mm) |
| 总质量: | 18000(Kg) | 接近/离去角: | 15/13(°) |
| 额定质量: | 10070,10005(Kg) | 前悬后悬: | 1260/2140(mm) |
| 整备质量: | 7800(Kg) | 最高车速: | 105(km/h) |
| 底盘参数 | |||
| 底盘型号: | EQ1185LJ9CDE | 燃油种类: | 柴油 |
| 轴数: | 2 | 前轮距: | 1862,1933,1949(mm) |
| 轴距: | 3600,3950,4500,4700,5000,5300,5600(mm) | 后轮距: | 1806,1865(mm) |
| 驾驶室乘人数: | (人) | 弹簧片数: | 8/10+7,8/- |
| 轮胎数: | 6 | 轴荷: | 1862,1933,19493 |
| 轮胎规格: | 295/80R22.5 18PR,10.00R20 18PR,275/80R22.5 18PR | ||
| 发动机参数 | |||
| 发动机型号: | 发动机生产企业 | 排量(ml) | 功率(kw)/马力(PS): |
| CY4SK761 | 东风朝阳朝柴动力有限公司 | 4087 | 145/198 |
| YCS04200-68 | 广西玉柴机器股份有限公司 | 4156 | 147/200 |
| D4.5NS6B220 | 东风康明斯发动机有限公司 | 4500 | 162/221 |
| YCY30165-60 | 广西玉柴机器股份有限公司 | 2970 | 121/165 |
| B6.2NS6B210 | 东风康明斯发动机有限公司 | 6200 | 154/210 |
| B6.2NS6B230 | 东风康明斯发动机有限公司 | 6200 | 169/230 |
| D4.0NS6B195 | 东风康明斯发动机有限公司 | 4000 | 143/195 |
| YCY30170-60 | 广西玉柴机器股份有限公司 | 2970 | 125/170 |
| D45TCIF1 | 昆明云内动力股份有限公司 | 4461 | 162/221 |
| 专用功能说明： | |||
| ABS型号:J ABS,ABS/ASR-24V-4S/4M;ABS生产企业:焦作博瑞克控制技术有限公司,襄阳东风隆诚机械有限责任公司;选装描述:随底盘选装驾驶室样式,选装风送式喷雾机,该车型可选装ETC车载装置;侧后防护情况:侧防护材料为Q235,连接方式为螺栓连接;后防护材料为Q235,断面尺寸120X80mm,与车架采用螺栓连接,后防护离地高度为480mm;罐体有效容积为10.005立方米,运输介质:水,密度1000千克/立方米,罐体外型尺寸为:4300×2350×1400mm;专用功能及装置:该车主要用于城市洒水、压尘,专用装置为水罐; | |||
这几年，国家密集发布和实施了一系列的政策措施，在投资和准入管理方面、优化运输环境方面、提升产品管理方面以及新能源专用车推广方面进行规范和引导，对唐鸿重工牌东风国六11吨洒水车市场产生了积极影响。这款唐鸿重工牌东风国六11吨洒水车就是新政策下诞生的优质产品。
" alt="唐鸿重工牌东风国六11吨洒水车哪里有生产专汽家园" />