编译：Ivy 编辑：Siqi Cloudflare（ $NET ）是全球最大的 CDN 供应商，同时也提供一系列网络安全相关产品，最新市值已 经达到 782 亿美元。Cloudflare 的业务和产品的演化、迭代是和互联网进化过程紧密联系在一起的， 从简单的"云端防火墙"想法到今天线上流量关键基础设施的过程背后是整个互联网爆发、新需求不 断涌现的过程。 当互联网时代经典的"搜索—分发—流量变现"开始被 AI Chatbots 颠覆，Google 选择通过 AI Mode、 AI Overview "自我革命"，Cloudflare 则是试图定义新一代互联网内容经济，提出了 Pay-per-crawl。 "Pay-per-crawl（按爬取付费）"是 Cloudflare 今年 7 月推出的服务，在 Cloudflare 的 CEO Matthew Prince 看来，网站内容创作者被 AI 爬虫爬取内容的无奈只是表象，本质上是互联网的"免费爬取-流 量变现"逻辑正在失效。 虽然" Pay-per-crawl "的商业模式不一定能跑通，但它背后反映的企业家精神很有趣，即使是近 800 亿美金市值的公司，仍然有初 ...

AI Agent发展趋势 - ChatGPT加入memory功能后用户粘性显著增强 AI Agent开发进入更成熟阶段 从依赖prompting构建基础Agent转向通过RL和memory开发Agentic能力更强的Agent [2] - AI角色正从写代码、做PPT的生产力助手向真正懂用户的个性化生活伙伴转变 [2] - Multi-agent系统可将Memory Agent和Coding Agent分开训练 实现情商和智商的平衡 [3] - 不同的生活场景叠加会给Agent带来更大的商业价值 [3] Macaron产品定位 - Macaron定位为Personal Agent 专注于个人生活场景而非生产力方向 [13] - 产品核心特点是Memory强和有用性 能帮助用户定制饮食记录、健身日志、心情日记等Sub Agent小工具 [14] - 产品最佳类比是多啦A梦 既是用户朋友又是生活助手 而非单纯工具 [23] - 采用multi-agent架构：高情商的Memory Agent作为用户朋友 高智商的Coding Agent专注工具开发 [24] - 上线一周多已有7000多用户创建10000多个小应用 主要集中生活记录与规划类需求 [51] Memory技术突破 - Memory不是目的而是方法 目标是更好服务用户而非单纯记忆 [15] - 将Memory当作智能能力进行训练 采用Memory强化学习技术 [16] - 在671B大模型级别进行Memory强化学习训练 国内能做的团队不到5个 [33] - 训练中机器Memory与人的Memory需要拟合对齐 用户强调的信息会被着重记录 [17] - 开发all-sync RL技术 将训练时间从按周压缩到按天 约30小时完成一次有意义的RL [39] 训练技术优势 - RL是智能提升下半场的核心 在特定场景可推到智能最上限 [34] - 在700B大模型上进行RL训练才能迈过AGI门槛 200B是分水岭 [34] - all-sync RL通过通信与模型压缩实现训练与推理同步 效率提升数倍 原需512张卡现仅需48张卡 [42] - RL在场景优化中价值显著 从85分往95分提升时RL效果最强烈 [47] 商业化路径 - 生活场景相比工作场景具有更大商业价值 场景叠加能产生更大效果 [60] - 当前采用订阅制商业模式 未来考虑社区分享回报和第三方接入等创新模式 [61] - 不是传统App Store模式 而是生活方式分享平台 创作者无需创作能力只需分享独特生活方式 [27] - Personal Agent赛道类似社交软件格局 不同性格的Agent可并存 [63] 市场竞争格局 - ChatGPT已占据4亿DAU 处于Facebook式的统治地位但定位更偏向工作场景 [64] - Macaron定位生活陪伴场景 与ChatGPT可并存甚至抗衡 [65] - 时间点正好 作为第一批Personal Agent上市团队 有三到六个月窗口期建立用户心智 [65] - 专业场景Agent仍有巨大机会 但单纯工作流式小Agent会被大Agent覆盖 [66] 用户案例 - 用户创建多样化生活应用：高尔夫动作分析、搬家规划、家庭菜谱管理等个性化需求 [55][56][57] - 这些应用太个性化难以在传统应用商店找到解决方案 但完美符合个人需求 [57] - 代码生成成本大幅降低 像自来水一样流动 普通用户也能造出合心意工具 [59] 技术架构 - 摒弃传统数据库系统 设计让所有Sub Agent共享同一份个人数据的架构 [32] - 记忆传递机制复杂 需实现Sub Agent间相互理解与信息反馈 [31] - 训练目标分离：Memory Agent优化更懂用户和聊天服务 Coding Agent优化200个真实案例工具开发 [25]

AI行业趋势 - AI进入业绩兑现期，市场更关注真实效益而非未来故事，股价分化加剧 [2] - Nebuis与微软174亿美元订单推动NBIS盘后大涨超50% [2] - 市场关注AI loser到winner的逆转、护城河来源及错杀机会 [2] 互联网公司 - Google从AI loser转向模型winner，人才保留能力强，AI infra领先 [7][8] - Google模型能力有望超越OpenAI和Anthropic，2025年或迎反转 [8] - Google底层算力优势显著，TPU设计突破，使用9000多颗芯片 [9] - 拼多多估值便宜，国补压力2026年减小，业务壁垒强 [12] - 阿里巴巴业务稳固，闪购和AI云增长快，12个月或有50%以上上涨空间 [13][15] - 美团叙事破灭但跌出性价比，类似24年行情 [16] - Netflix亚太渗透率加速至25%，全球原创IP占60%，护城河高 [17] - Netflix市值5000亿美元，有望翻倍加入万亿美元俱乐部 [18] - Reddit与Google合作带来流量，DAU和EBITDA增长快，AI问答产品月活400万 [20][21] - Reddit市值421.3亿美元，广告收入增长或推动再翻一倍 [22] - Roblox社交下限稳固，游戏上限打开，bookings或达150-200亿美元 [23] 半导体与硬件 - 理想汽车加快平台更新，2026年全面升级，AI投入60亿元 [24] - ONTO半导体设备公司，2026年收入或达12-13亿美元，利润3亿 [25][26] - Ciena在10公里以外连接领域份额大，受益于NVIDIA scale-across趋势 [27][28] - 德科立是Ciena中国供应商，光模块占成本15%-20%，或成5倍股 [29] - Arista在以太网交换机领域无强对手，NVIDIA networking主导难持续 [30] - Coherent估值15-16倍，可达20-25倍，数据中心业务增速或超15% [31] - Astera Labs专注scale up，长期空间大，2025年涨近一倍 [32] - Lumentum市盈率不到20倍，光模块业务增长潜力持久 [33][34] 基础设施 - Snowflake和MongoDB受益于AI数据准备，增长加速 [35][36] - Datadog短期面临OpenAI迁移风险，或影响10%收入 [37] Crypto - BitMine关注Tom Lee融资方式转变及龙头地位 [38][39] - Galaxy Digital业务转向crypto加数据中心，2026年Q1交付 [42] - Coinbase与美元走势绑定，交易价格300左右，或有震荡机会 [44] 其他公司 - 房利美和房地美上市概率超50%，估值或达5000亿美元，有3-5倍空间 [45] - CRH和Kyivstar受益于乌克兰重建 [46] - 灵宝黄金估值10倍，纳入港股通后或翻一倍 [47] - 新东方防守型选择，估值20倍市盈率，远期14倍 [48] - KKR、Apollo、Ares受益于另类投资民主化，年化回报8%-15% [49] - Deckers旗下Hoka增长20%，UGG增长20%，国际增长50% [50] 私有公司 - OpenAI用户活跃度提升，付费用户近4000万，留存率40%多 [52][53] - OpenAI年收入或达2000-4000亿美元，5-10年有5-10倍增长空间 [53] - 字节跳动估值3000多亿美元，上市或达万亿美元，广告业务增长空间大 [56][58] - 字节跳动海外用户量仅次于Meta，变现率低但有望提升 [59] - 小红书商业化超预期，利润几十亿美元，估值千亿美元 [63]

AGIX 诞生于我们对"如何捕获 AGI 时代 beta 和 alphas"这一问题的深度思考。毫无疑问，AGI 代表 了未来 20 年最重要的科技范式转换，会像互联网那样重塑了人类社会的运行方式，我们希望 AGIX 成为衡量这一新科技范式的重要指标，如同 Nasdaq100 之于互联网时代。 「AGIX PM Notes」 是我们对 AGI 进程的思考记录，希望通过学习 Warren Buffett、Ray Dalio、 Howard Marks 等传奇投资者们的分享精神，与所有 AGIX builders 一同见证并参与这场史无前例的技 术革命。 | Ticker | 本周表现 | YTD | Return since 2024 | | --- | --- | --- | --- | | AGIX | 2.76% | 20.28% | 55.02% | | S&P 500 | 1.03% | 10.20% | 35.89% | | QQQ | 1.85% | 12.68% | 40.67% | | DowJones | 0.23% | 6.71% | 20.46% | | | 本周表现 | Index W ...

核心观点 - AI编排层通过协调多个Agent并优化资源使用 提高任务执行可靠性并降低成本 其中Temporal公司提出的Durable Execution技术可确保工作流在中断后从中断点恢复 无需重头执行 成为AI基础设施领域的重要参与者[2][6] - Temporal已完成1.46亿美元C轮融资 估值达17.2亿美元 客户包括Nvidia、OpenAI等超2500家企业 NDR达184% 但面临AI Agent自愈能力提升及云厂商竞争等潜在挑战[3][8][10] Temporal技术架构 - 采用Durable Execution技术 保证工作流在程序崩溃、网络中断等异常情况下能从出错步骤继续执行 工作流函数需保持确定性 非确定性操作需封装在Activity中处理[6][11] - 通过Event Sourcing机制记录所有事件序列 实现状态自动恢复 结合任务队列和Worker进程实现异步执行与负载均衡 支持跨语言SDK并通过Rust核心库保证一致性[11][12][33] - 架构具备高鲁棒性 组件宕机不影响整体运行 任务超时自动重新分配 队列动态无数量上限 支持灵活扩缩容及指定任务路由[16][17] 应用场景 - 早期应用于电商、出行等领域的长生命周期流程 如Uber打车、Airbnb订单等持续数分钟至数天的多API调用场景[18] - 当前覆盖Infra运维编排（Uber数据中心部署）、集群管理（Kubernetes）、CI/CD（Netflix）、数据管道（Uber发票生成）、支付金融（Coinbase交易）及AI Agent容错等场景[19][20] - AI Agent场景中重点解决大规模容错与自愈问题 OpenAI已在图像生成和Codex底层技术中采用Temporal[20][38] 产品与商业化 - 提供开源Self-hosted版本及托管云服务Temporal Cloud 两者服务器和SDK兼容且支持无缝迁移 云服务按使用量计费 无长期合约[21][22][26] - 开源版本采用MIT协议 保障客户可放心使用 云服务通过自研Cloud Data Store优化性能 基础运行成本不高于自建 结合运维成本后更具优势[24] - 商业模式依赖后端核心组件收费 企业随用随付 客户库运行在自身环境中 符合双方长期利益[26][30] Durable Execution技术优势 - 提供Runtime Visibility 完整记录每次交互及错误信息 支持UI定位问题及调试器重放失败案例 可与Grafana等监控系统对接[34][35] - 允许开发者直接使用原生语言编写工作流逻辑 保留类、接口等特性 支持跨语言互调 复用现有单元测试及CI/CD流程 无需转换为JSON/XML等中间形式[45] - 通过彩虹部署及条件分支机制解决工作流版本管理问题 提供回放测试等工具确保新代码兼容性[42][43] 未来发展 - 探索构建确定性Runtime WebAssembly技术成熟后可能采用 未来可能发展为高性能Runtime甚至操作系统形态[37] - 强化对Agentic应用的支持 通过Nexus RPC协议增强长时工具调用可靠性 有望成为工具调用生态核心环节[38][39] - 针对数据负载与流式响应场景 支持外部存储数据指针传递及本地缓存优化 避免不必要的数据传输[40][41]

AGI发展现状与投资机会 - AGI代表未来20年最重要的科技范式转换 将重塑人类社会运行方式 [2] - 当前AI发展仍处于准备阶段 数据未准备就绪是AI落地的最大障碍 [3] - 企业需要将整个组织知识和流程转换为"AI原生原语" 这是系统性重构工程 [4] 企业级AI实施框架 - 数据准备需要三个关键维度：数据基础设施 知识蒸馏 仿真模拟 [4][5] - Distyl.ai平台将组织知识转化为AI驱动工作流 可由领域专家无需技术技能进行调整 [5] - 企业需要建立数字孪生系统 每个业务动作都成为可追踪事件 [5] - 实时流处理基础设施至关重要 Confluent的Flink ARR在2025年上半年增长约3倍 [7] AI基础设施发展趋势 - 高价值AI应用需要将"洞察转化为行动" 改变现实世界状态 [6] - 企业数据正在两个层面汇聚：流式数据骨干网和统一数据云 [6] - 代理性AI依赖四个核心循环：推理 记忆 规划 执行 都建立在数据基础设施之上 [8] - 企业标准化开放湖仓表格格式 Snowflake Open Catalog管理Apache Iceberg [8] 市场表现与个股动态 - AGIX指数本周上涨1.99% YTD上涨18.22% 自2024年以来上涨55.02% [11] - NVIDIA 2026财年Q2营收467亿美元 环比增长6% 同比增长56% [17] - Apple第三财季营收940亿美元 同比增长近10% 超出预期50亿美元 [18] - Google将在弗吉尼亚州投资90亿美元扩建云与AI基础设施 [20] 行业资金流向 - 科技板块为上周唯一净卖出板块 半导体 IT服务和电子设备被显著卖出 [15] - 对冲基金净杠杆回升至55% 处于长期历史70分位以上 [15] - 欧洲科技板块推动净买入 软件及半导体贡献居前 [16] 大师投资理念 - 巴菲特建议普通投资者选择低成本S&P 500指数基金 [22] - 芒格警告远离复杂ETF产品 特别是杠杆ETF和反向ETF [22] - 价值投资与ETF共通点：长期持有 低成本 分散风险 避免自我膨胀 [23]

AGIX指数表现 - 截至2025年8月28日，AGIX指数年初至今回报率达20.53%，跑赢Nasdaq100（12.88%）和S&P500（10.55%）[5] - 自2024年6月发布以来，AGIX总回报率达38.57%，同期Nasdaq100回报率为15.88%，超额收益近23个百分点[2] - AGIX ETF资产管理规模（AUM）达6662万美元，过去一年增长近20倍[3] 指数构建与调仓 - 指数分为硬件半导体（23%）、基础设施（45%）和应用（32%）三大板块，权重动态调整[21][22] - 最新调仓在硬件板块加入AMD、Astera Labs和Cisco，基础设施板块加入CoreWave，应用板块加入Netflix和Twillo[3] - 创新设计允许不超过10%仓位配置一级市场头部AI公司，当前持仓包括Anthropic（3.53%）和xAI[3][4] 板块贡献分析 - 基础设施板块2025年涨幅36.22%，对指数增长贡献度达17.84%，为表现最突出板块[2][23] - 应用板块自发布以来累计涨幅73.86%，贡献度10.50%，反映AI应用商业化落地进展[26] - 硬件半导体板块年初至今涨幅14.63%，提供稳定性支撑[29] 成分股表现 - 13家成分股自指数发布以来涨幅超50%，其中5家涨幅超100%：NBIS（260.20%）、PLTR（456.37%）、NET（163.45%）、SNOW（78.48%）、ZS（43.83%）[7][11] - 19家公司YTD表现跑赢Nasdaq100，头部个股包括NBIS（160.07%）、PLTR（109.07%）、NET（98.20%）[10][11] - 前十大持仓包括Meta（5.66%、YTD 29.61%）、微软（5.4%、YTD 18.91%）、亚马逊（4.25%、YTD 15%）、英伟达（3.88%、YTD 21.71%）[4] Mega7内部分化 - AI成为科技股分水岭：英伟达（YTD 160.07%）、Meta（160.07%）、微软（23.25%）列为AI赢家；特斯拉（-14%）、苹果（-7.13%）被视为AI落后者[18] - 资本开支成关键指标，英伟达收入增长反映下游疯狂投入，苹果和特斯拉AI投资占比保持个位数[18] - 市场为"AI确定性"而非"AI想象力"买单，战略摇摆公司被划入落后阵营[17] 波动性特征 - AGIX年化波动率30.9%，最大回撤-31.48%，高于Nasdaq100（24.22%）但低于VIX均值（42.23%）[31][32][34] - 波动率与公司成熟度相关：Nebius波动率最高，微软最低；28家成分股波动率超VIX均值[35] - 上行捕获率优势明显，市场情绪稳定时超额收益显著，如2024年10-11月及2025年3-4月[40][43] 方法论验证 - 采用"AI就绪度"（现有业务AI进展）和"AI潜力"（未来业务影响）双维度选股[22] - 动态权重调整机制有效捕捉推理需求爆发（如Snowflake YTD 56.08%）和应用落地（如Duolingo的Max订阅占比从5%升至8%）[23][27] - 覆盖传统指数忽略的新兴标的（如29家公司跑赢QQQ，13家未被Nasdaq100覆盖）[7][11]

公司概况与定位 - n8n成立于2019年 最初为工作流自动化工具 后转型为AI应用编排层 通过可视化工作流连接应用 API及底层组件[5] - 公司定位为"AI世界的Excel" 目标是在构建AI相关应用时成为用户首选工具 赋能非技术人员通过低代码方式操作[6][29] - 2025年8月正进行由Accel领投的超1亿美元融资 估值或达23亿美元 较4个月前2.7亿美元估值上涨8倍多[2][61] 业务增长与财务表现 - 过去8个月营收提升4倍 2022年转向AI方向后收入增长5倍 近两个月实现翻倍增长[3][9] - B轮融资6000万美元(5500万欧元) 企业客户超3000家 活跃用户超20万[9][62] - 种子轮(2020年)获150万美元 A轮(2021年)获1200万美元 投资方包括Sequoia Felicis等[2][62] 技术架构与产品特性 - 采用Node.js底层架构 支持code node允许用户编写自定义代码 几乎可实现任何功能[31] - 节点分为trigger node(基于时间/外部事件启动)和general node(数据处理) 覆盖95%使用场景[13] - 支持自托管运行 提供数据安全性和可控性 尤其适合对安全要求高的企业客户[16][31] 市场竞争优势 - 相比Zapier等工具 更擅长处理复杂多步骤场景 支持错误处理 无限制用户及工作流导出功能[30][32] - 集成300+预构建连接器 社区另有超1000个集成 支持MCP等通信协议标准化[36][39] - 相比手写脚本 提供可视化调试 执行记录追踪及失败自动提醒机制 可靠性显著提升[41] 商业模式与客户分布 - 提供云服务(针对个人/SMB)和企业级服务 中小企业采用速度更快 大型企业多处于试水阶段[18] - 中东客户采用速度超过欧洲 但欧洲投资者占比正提升 目标融资结构为欧美各40%[18][61] - 采用Fair-Code许可证 允许内部免费使用但禁止商业复制 需购买额外许可进行二次开发[44][48] 社区建设与用户生态 - 社区活跃用户超23万 论坛提问主要由社区成员解答 形成自助式互助氛围[10][60] - 早期拒绝实时通讯工具 采用论坛沉淀问答 三位全职人员支持社区运营[56][58] - 多名员工来自社区贡献者 如首位贡献者Ricardo曾开发50-60个节点后加入全职[56]

AGI时代投资范式 - AGIX旨在成为衡量AGI新科技范式的重要指标 如同Nasdaq100之于互联网时代 [2] - AGI代表未来20年最重要的科技范式转换 将重塑人类社会运行方式 [2] 大模型商业化挑战 - AI代理和LLMs颠覆传统互联网边际成本接近零的模式 资金、计算能力与答案质量存在直接关系 [2] - GPT5尝试通过识别高价值问题并在完成交易后从商家分成 以实现近9亿免费用户的变现 [2] - OpenAI的变现方案类似于Google的CPA模式 但CPA仅占Google广告收入的10% 主要适用于高转化率产品如电商与SaaS [3][4] - 高价值交易转化率低 Google搜索广告平均转化率约3.75% 其中电商类约2.8% 意味着98%高价值问题未转化但产生高Token消耗 [5] - 真实世界中行业巨头缺乏开放SKU数据的动力 如亚马逊禁止Perplexity等Agent抓取商品数据 导致变现低效率 [5] - CPC模式变现颗粒度和可扩展性极强 覆盖从几美分到上百美元/次点击 而AI助手的变现只发生在实际完成高价值交易时 频率远低于点击量 [6] AI原生商业模式探索 - 利用Agent异步性为任务时间价值反向定价 通过"一次询问 多次搜索"实现内容编排和精准推送 [7] - Agent应识别用户未明说的核心需求 达到"上下文理解+场景引导" 实现温和商业化并提升转化率 [7] - 考虑LLM线性边际成本属性 激励广告主丰富产品/服务的Context内容库 由品牌方承担相关Token成本 [8] - Google Research提出令牌拍卖机制 广告主竞价影响LLM生成内容 按影响力付费而非按展示付费 [9] - AI商业化应基于Agent异步性、任务时间价值、成本线性属性及计算成本转嫁给广告主等AI原生方式展开 [9] 市场表现数据 - AGIX年初至今收益率16.11% 自2024年以来收益率55.02% 超越标普500的9.95%和35.58% [11] - 行业配置中半导体与硬件权重44% 基础设施42% 应用14% 本周分别下跌0.13%、0.10%和0.06% [12] - 美国多空净杠杆率从54%降至49% 总敞口升至213% 达2010年以来100分位数水平 [14] - 亚洲对冲基金年初至今收益率10.2% 虽低于MSCI亚太指数的18.5% 但在全球对冲基金中表现最佳 [15] - 全球对冲基金平均下跌0.3% AGIX下跌0.29% 显著优于MSCI全球指数近1%的跌幅 [16] 行业动态与合作 - Google AI Mode升级 支持地区从美印英扩展至180+国家地区 新增代理功能支持餐厅预订等复杂需求 [16] - Google AI Mode新增个性化推荐功能 基于用户历史记录提供餐饮建议 用户可完全控制个性化设置 [16] - Elon Musk成立Macrohard公司 开发编程助手和图像视频生成等AI工具 旨在证明AI可完全替代传统软件公司 [17] - Google Cloud与Meta达成6年超100亿美元云计算协议 Meta将使用GCP的服务器、存储和网络服务 [18]

技术演进路径 - VLA是VLM在机器人领域的应用 能够接收图像和文本输入并整合机器人状态信息 直接输出控制机器人的动作指令 与文本生成模型存在本质差异[6][12] - VLM在LLM基础上拓展视觉感知能力 能处理纯文本输入和涉及视觉内容的复杂信息 训练流程已较完善[7] - VLA发展路径与VLM类似但起步稍晚 2024年下半年出现Gemini for Robotics等方案 仍属概念验证阶段[16] 机器人智能发展维度 - 能力指完成从未实现的复杂任务 π₀演示多步骤操作能力 执行偏差时主动调整 接近人类灵活应对能力[23] - 泛化指在陌生环境中正确执行任务 训练覆盖家庭环境越多 新环境表现越好 数据多样性是提升泛化关键路径[23][44] - 性能需提升任务成功率 稳定性 速度和鲁棒性 当前模型处于演示就绪而非部署就绪阶段 失败仍频繁[24][25] 数据管线构建 - 团队从头搭建数据引擎 超过一半工作集中在数据系统构建 收集和质量保障 六个月收集约1万小时机器人操作片段[30][37] - 数据涵盖数十个不同家庭环境和数百类任务 包括折叠衬衫 物品搬运和整理 更贴近真实生活场景[37] - 移动操控系统采集数据提升多样性 涵盖数百种不同场景 捕捉动态变化环境 任务复杂度从简单抓取扩展到细致操作[41][42] 算法架构创新 - 提出知识绝缘机制重构训练流程 将连续动作序列离散化为text-like tokens 截断梯度回传保护主干网络 训练速度提升10倍[47] - π₀.₅架构以pre-training的Transformer为核心 拓展Action Expert Transformer子模块 实现语义到物理执行高效衔接[50] - 采用软硬件解耦战略 将智能软件作为系统核心 降低对特定机器人硬件依赖 提升模型部署灵活性与效率[53] 开放世界部署挑战 - 数据缺口体现在数量和质量 机器人操作需物理交互闭环反馈时序数据 收集真实有效交互数据门槛高成本昂贵[54] - 性能不稳健是最大挑战 动作指令需高频率低延迟 需应对物理扰动和感知不确定性 存在时序错位问题[54][56] - 硬件平台迁移复杂 不同机器人在控制协议 感知系统和执行机制差异巨大 缺乏统一接口层[58] 未来发展方向 - 重点突破性能瓶颈 研发通用任务配方 构建覆盖多场景多任务的标准化评估体系 通过统一benchmark量化模型性能[60] - 构建通用可定制机器人智能生态 用户通过自然语言发布命令引导机器人完成复杂操作 降低使用门槛[61] - 推动软硬件深度融合 用户可设计定制硬件并注入智能算法 实现物理世界的vibe coding 可能催生机器人模型即服务新模式[61][62]