Listen Labs 是一家2023 年成立于美国旧金山的 AI 原生客户研究平台，核心用AI 主持访谈，替代传统定性调研，实现规模化、快速交付用户洞察。
主打AI moderated interviews（AI 主持访谈），解决传统调研“深度、规模、速度”难以兼顾的痛点，数小时内完成数周工作量的定性研究，输出可执行报告。
服务超数百家企业（含微软、Sweetgreen、Perplexity、Robinhood 等）；累计访谈超100 万人，年化收入 9 个月增长 15 倍，达 8 位数规模。
产品经理（流失分析、产品反馈）、品牌营销（广告/话术测试）、广告代理商（多客户并行定性研究）。
免责声明：本网站仅提供网址导航服务，对链接内容不负任何责任或担保。
3 个月前
答案不是简单地增加人手，而是将AI植入敏捷的DNA，构建“数据智能混合驱动”的敏捷2.0。
3 个月前
具身AI是AGI的核心系统范式，将智能从网络空间扩展到物理实体，是认知科学与神经科学的产物。
1 年前
德国人工智能研究的高校重镇 德国作为工业强国，在人工智能领域也具有深厚的底蕴和领先地位。众多德国高校在AI研究方面投入了大量资源，取得了丰硕成果。
1 年前
这些AI工具通常采用自然语言处理技术和机器学习算法，来理解用户的需求并生成相应的PPT内容。
1 年前
在当前的AI办公应用工具中，有几款特别值得推荐的软件，它们能够显著提升工作效率和生产力。以下是详细介绍： GitMind GitMind是一款思维导图工具，利用人工智能技术帮助用户进行信息整理和知识管理。它通过智能标签、自动布局等功能，使用户可以更高效地创建和管理复杂的思维导图。 Notion AI Notion AI是Notion平台的增强版，集成了AI功能，可以帮助用户更好地组织和管理笔记、任务和项目。它提供了智能搜索、自动分类等高级功能，使工作流程更加顺畅。 酷表ChatExcel 酷表ChatExcel是一款基于AI的Excel插件，能够自动完成数据处理、分析和报告生成等任务。它特别适合需要频繁处理大量数据的用户，可以大大提高工作效率。 通义听悟 通义听悟是一款会议记录工具，能够实时转录会议内容并生成摘要。它不仅支持语音识别，还能对会议内容进行智能分析和总结，帮助用户快速回顾和整理会议要点。 ChatPDF ChatPDF是一款专门针对PDF文件的AI工具，可以实现文本提取、内容摘要、翻译等多种功能。它特别适用于需要处理大量PDF文档的用户，能够大幅减少手动操作的时间。 笔灵ai 笔灵ai是一款中文写作辅助工具，提供文本生成、文章优化和AI问答等功能。它按照行业分类提供了海量的热门创作模板，支持一键套用秒速生成，非常适合用来辅助创作文案、公文、总结汇报和营销方案。 WPS AI WPS AI是由金山办公推出的一款具备大语言模型能力的生成式AI应用，提供起草、改写、总结、润色、翻译等功能。它与WPS其他产品无缝衔接，让用户在办公、写作、文档处理等方面实现更高效、更智能的体验。 钉钉AI 钉钉AI集成了通义千问大模型，内置AI智能助手，可进行AI创作、AI对话和AI绘画等操作。它能够在多个关键办公环节实现智能化自动化操作，提升工作效率，并根据用户行为和偏好进行个性化推荐和定制服务。 这些AI办公工具各具特色，能够满足不同用户的多样化需求，从思维导图到数据分析，从会议记录到写作辅助，都能显著提高工作效率和生产力。选择合适的工具，可以让您的工作更加轻松高效。 来源：Metaso.cn
10 天前
OpenClaw 本质是“开发者基础设施”，而非面向大众的 SaaS 产品。
29 天前
用 OpenClaw 搭建一个本地 Agent 中枢（完整方案） 不是再做一个 ChatGPT，而是建立一个真正“可控、可组合、可扩展”的本地 AI Agent 中枢。 当越来越多团队开始意识到： 云端 LLM 成本不可控 数据隐私存在风险 单一 Agent 无法解决真实业务 “本地 Agent 中枢” 正在成为一个更现实的选择。 本文将完整讲清楚： 👉 如何用 OpenClaw 搭建一个真正可用的本地 Agent 中枢 👉 它适合谁，不适合谁 👉 与 LangGraph / CrewAI 的核心差异 什么是「本地 Agent 中枢」？ 先明确一个概念，避免误解。 ❌ 不是： 一个本地 ChatGPT 一个简单的 Prompt 管理器 ✅ 而是： 一个能够统一管理多个 Agent、模型、工具和任务流程的本地系统 一个合格的本地 Agent 中枢，至少要解决 5 件事： 多 Agent 协作（不是单轮对话） 任务调度与状态管理 模型可替换（本地 / API） 工具调用（搜索、代码、文件等） 可长期运行、可追溯 OpenClaw 的定位，正是这个“中枢层”。 为什么选择 OpenClaw？ 在进入部署前，必须先回答一个现实问题： 为什么不是 LangGraph / CrewAI / AutoGen？ 简要结论（非常重要） 框架 更适合 LangGraph 开发者写 Agent 流程 CrewAI 小规模角色协作 AutoGen 对话驱动实验 OpenClaw 长期运行的 Agent 中枢 OpenClaw 的核心优势 1️⃣ 架构清晰，不是“脚本拼装” 有明确的 Agent 管理层 有任务执行与状态机制 不是写完一次就丢的 Demo 2️⃣ 原生支持多模型策略 本地模型 云 API fallback / 优先级策略 3️⃣ 更接近“生产环境思维” 可持续运行 可复用 Agent 可演进 如果你的目标是： “做一个长期使用的 AI 中枢，而不是一段实验代码” 那 OpenClaw 是目前更合理的选择之一。 整体架构：OpenClaw 本地 Agent 中枢怎么搭？ 这是一个最小可用但可扩展的架构方案。 🧩 架构拆解 ┌─────────────────────────┐ │ 用户 / 系统 │ └──────────┬──────────────┘ │ ┌──────────▼──────────┐ │ OpenClaw 中枢层 │ │ - Agent Registry │ │ - Task Orchestrator│ │ - Memory / State │ └──────────┬──────────┘ │ ┌─────────▼─────────┐ │ Agent 集群 │ │ - Research Agent │ │ - Coding Agent │ │ - Planning Agent │ │ - Tool Agent │ └─────────┬─────────┘ │ ┌─────────▼─────────┐ │ 模型 & 工具层 │ │ - 本地 LLM │ │ - API LLM │ │ - Search / FS / DB │ └───────────────────┘ 部署准备（实战级） 1️⃣ 基础环境 推荐环境（已验证）： Linux / WSL / macOS Docker + Docker Compose Python 3.10+ 2️⃣ 模型选择建议（非常现实） 场景 推荐 本地推理 Qwen / LLaMA 稳定输出 GPT / Claude API 混合方案 本地 + API fallback 👉 关键不是模型多，而是“可切换” 核心步骤：搭建 OpenClaw 本地 Agent 中枢 Step 1：部署 OpenClaw 核心 git clone https://github.com/xxx/openclaw cd openclaw docker compose up -d 启动后，你将拥有： Agent 管理入口 任务调度服务 统一配置中心 Step 2：定义你的第一个 Agent 一个 Agent ≠ 一个 Prompt 而是一个职责明确的“角色” 示例： agent: name: research_agent role: 信息调研 model: local_llm tools: - web_search - file_reader 建议起步 Agent： Research Agent（信息收集） Planner Agent（任务拆解） Executor Agent（执行） Step 3：建立 Agent 协作流程 例如一个典型任务： “调研某行业 → 输出分析 → 给出建议” 流程是： Planner 拆解任务 Research Agent 收集信息 Executor Agent 输出结果 中枢保存状态与结果 👉 这一步，才是“中枢”的价值所在 一个真实可用的示例场景 🎯 场景：AI 工具评估中枢 你可以搭一个 Agent 中枢来做： 自动收集 AI 工具信息 对比功能 / 定价 输出结构化报告 长期更新 这类系统： 人工成本极高 用 Agent 非常合适 总结：什么时候该用 OpenClaw？ 当你意识到：AI 不再是“一次性回答”，而是“持续协作的系统” 那你就已经走在 OpenClaw 这条路上了。 OpenClaw 不是让你“更快用 AI”，而是让你“真正拥有 AI 能力”。
1 个月前
Asking User Question Tool（AI智能体版） 这是AI智能体必备的交互式工具，让Agent在执行任务时主动向用户提问、澄清需求、收集信息，避免瞎猜、减少返工、提升准确率。 一、核心定位 本质：Agent的“人在回路”交互接口，让AI在模糊/信息不足时暂停执行，向用户要明确输入。 作用：把“模糊指令→AI瞎做→反复修改”变成“AI提问→用户明确→一次做对”。 常见名称： AskUserQuestion 、 AskUserQuestionTool 、 ask_user_question 。 二、核心工作流（极简） 1. Agent判断信息不足：发现需求模糊、缺少参数、需要决策 2. 调用工具生成结构化问题：单选/多选+自定义输入+说明 3. 用户作答：在聊天/弹窗/终端选择或输入 4. Agent接收答案：解析结构化结果，补全上下文 5. 继续执行任务：基于完整信息推进，不再猜 三、关键能力（标配） 结构化提问：标题+问题+2–4个选项+单选/多选+ Other 自定义输入 上下文澄清：自动追问，直到需求完全明确 结构化返回：输出JSON，方便前端渲染（按钮/表单/弹窗） 人在回路：强制用户确认，避免AI自主决策风险 多轮交互：可连续提问，形成“需求访谈”流程 四、主流实现（你会遇到的版本） Claude Code（Anthropic） 原生内置，最成熟 支持多轮、单选/多选、自定义输入 常用于代码生成、需求梳理 Qwen-Agent（通义千问） 开源工具： qwen_agent/tools/ask_user_question.py 支持参数： question / options / explanations / multiSelect / allowFreeform Spring AI AskUserQuestionTool ，Java生态 模型无关，可对接GPT/Claude/Gemini OpenClaw / EasyClaw 集成到本地智能体，用于任务执行前确认 本地运行，隐私优先 五、典型使用场景（高频） 需求澄清：“做一个登录页”→AI问：技术栈？风格？是否第三方登录？ 偏好收集：“写报告”→AI问：正式/ casual？长度？受众？ 决策点确认：“部署服务”→AI问：云厂商？实例规格？环境？ 复杂任务拆解：多轮提问，把模糊需求变成可执行步骤 六、与普通聊天的区别 普通聊天：用户主动说，AI被动答；信息靠用户自己补全 AskUserQuestion：AI主动问、结构化问、按任务节点问；用户只需点选/填空，效率高、歧义少 七、为什么要用（价值） 减少返工：一次做对，节省时间与Token 提升准确率：AI不瞎猜，结果更贴合需求 降低门槛：用户不用写长Prompt，点选即可 安全可控：关键决策必须用户确认，避免误操作 八、一句话总结 Asking User Question Tool = AI智能体的“需求访谈官”，让Agent从“猜着做”变成“问清楚再做”，是构建可靠、实用AI助手的核心工具。
Minimax（海螺AI）已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI