01

零距离：从“大国重器”到“开发利器”

考察团一行深入徐工矿机智能制造基地，近距离观摩了徐工成套露天矿山机械生产流程。车间内，智能化设备高效运转，机器人精准作业，数字化管理系统实时监控生产各环节，严谨的质量管控体系与先进的制造工艺，直观展现了徐工“精益制造”的硬核实力。设备展示区，矿挖、矿车、电铲等系列成套矿山装备整齐列阵，覆盖了“穿孔、采装、运输、排土”工艺流程，满足各类工况作业需求。

02

端到端：无人驾驶集群作业成熟稳定

活动现场，无人驾驶集群作业赢得高度赞赏。随着指令下达，遥控矿挖、无人矿车、装载机多台设备协同联动，精准完成挖掘、转运、装卸等一系列作业。此前在内蒙古伊敏矿，徐工已经和华能集团合作，依托高精度定位、环境智能感知、协同调度算法等核心技术，全面落地全球首批纯绿电、真无人设备应用场景，实现矿卡与多机型智能混编作业，构建了从设备智能到系统协同、从单点应用到全场景覆盖的解决方案。

03
面对面：共话矿山安全与智能化未来

座谈会上，徐工矿山机械事业部总经理任大明围绕矿山安全、绿色智慧、技术创新与开放合作，清晰阐述了徐工的发展路径，充分展现出徐工提供全场景、全周期的解决方案的实力。地质研究和电力建设企业专家分别做了主题分享。徐工机械副总裁孟文在大会总结发言中表示，徐工愿与中国安全产业协会、全国矿山企业携手，共建技术创新联盟、共推行业标准制定、共筑安全发展防线、共拓绿色智慧新局。

此次交流不仅是技术与产品的展示，更是一场关于“安全与效益共生”的深度对话。作为矿山装备“国家队”，全球零碳智慧矿山解决方案的开拓者，徐工矿机将持续以自主创新为笔，在“十五五”的画卷上，与行业伙伴共绘更安全、更绿色、更智慧的矿山新未来。

  “我家天花板漏水严重，墙面都泡坏了，与楼上住户沟通多次无果，恳请社区帮忙！”前不久，舒城县城关镇飞霞花园二期业主吴女士通过“无事”找书记小程序发出求助，言语间满是焦急。

  民有所呼，我有所应。飞霞社区党总支书记兼网格长杨宏霞第一时间入户核实，与包片干部、网格员共同现场查看漏水点位。掌握情况后，迅速联系楼上业主开展调解，明晰责任，并协调物业制定维修方案。在社区网格员跟踪督办下，困扰吴女士多日的漏水问题得以彻底解决，楼上楼下“握手言和”。

　　这是舒城县城关镇依托智慧治理平台服务群众的生动缩影。今年以来，该镇坚持党建引领基层治理，用好“无事”找书记智慧治理平台，构建“接诉即办、多方联动、闭环处置”的高效机制，打通服务群众“最后一米”。
　　不久前，该镇北隅村门面房前的电线杆固定拉丝成为村民“心头患”。由于拉丝未设警示标志，夜间光线昏暗，有村民骑电瓶车被绊倒，安全隐患凸显。相关情况反映到“无事”找书记小程序后，网格员立即到场核实。北隅村党支部书记何亚迅速与供电部门沟通，不到一天便完成拉丝包裹防护和警示标志加装，消除了隐患。村民们点赞：“小程序一键直达，干部办事效率高。”
　　线上“一键求助”，线下“闻令而动”。鼓楼社区老三巷由于建成年代久远，基础设施陈旧，污水管道堵塞时有发生。去年下半年，居民汪女士来电求助：家门口污水井漫溢，公厕污水流到路面，急需处理。社区第一时间响应，清淤5个污水井，疏通污水管道，解决了居民“堵心”事。
　　聚焦居民“微需求”，做实服务“绣花功”。城关镇通过“无事”找书记智慧治理平台，实现线上“接单”、线下“解难”，形成快速响应、高效办理、及时反馈的工作闭环。今年1至2月，该镇在平台上共收到群众诉求851条，办结率95%以上，群众满意度99%以上。

（本网记者 黄雪彦 通讯员 徐徽）

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：

Agent的“军品与民品”

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。

做投研，为什么死磕“开会”场景？

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。

分析师的价值：被AI掏空，还是被AI放大？

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。

（1）把人的方法论“卖”给AI？

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。

（2）捕捉到的信号，未必有效

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。

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： 

1. 研究背景与核心问题

2. 3 个可发表的子课题

3. 每个子课题的创新点、风险点和评价指标

4. 每 6 个月的阶段目标

5. 所需数据、算力和人员配置建议

6. 将撰写的结果文件保存到 /mnt/projects/04m27/work1

7. 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：

1. 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）；

2. 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；

3. 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；

4. 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？）；

5. 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。

6. 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。

7. 请将完整的项目写入 /mnt/projects/04m27/work2/ma_project。

8. 你还可以参考官方文档：https://docs.openclaw.ai。

9. 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

1. 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。
   

2. 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%。
   

3. 使用 NeurIPS 投稿模板。
   

4. 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

1. 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。
   

2. 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
   

3. 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
   

4. 请从工程项目角度帮我调研相关的开源代码
   

5. 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
   

6. 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

1. 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。

2. 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。

3. 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