AI新手与AI对话AI：从基础模型到AI智能体

娃爸带着俩小只回老家了。闲下来有点时间，正好想记录一下。

上个月底，《赞不绝口》播客第四期请到导师棋哥，谷歌专家，AI专家。作为AI纯白的我，讲真，这一期很多都听不大懂，但是无知无畏的我，在直播现场还提问了，哈哈。果然也只有在赞群才敢。直播时，我还说自己都不知道自己在问什么，反复学习之后，更加意识到，我那是真不懂啊，胆儿真大呀。但还是要为我的好学精神自我表扬一下。

因为要准备上架第四期的内容，昨天在家反复听了两遍以上。听的过程中，问题一堆，边学边问AI，终于在第二遍有一点点知道导师和大佬们在说什么了。

再加上，为了准备接下来第五期AI圆桌派的内容，本周三晚，我们内部提前开了一场沟通会，原本以为会很快，大家过一遍大致的内容，互相对进度有个了解就结束，一不小心，聊开了，大家对AI有太多问题想问了，最后聊到晚上10点半，不得不强制下线。哈哈。

所以最近几天，我或主动或被动地学习了一些AI的内容，虽然是真纯白，但挺感兴趣的，感谢播客节目组，哈哈，让我加速了学习AI的进程。

好了，下面简单梳理那些非常非常基础的AI知识。

1国内外主流的大模型公司，对应的产品、特点。

2腾讯旗下几款知名度高的产品分别是干嘛用的？

3名词解释：大模型、agent、skill。

4芯片、云、大模型，是什么关系，为啥卖铲子赚着钱了？

5腾讯投资了哪些相关产业？

可能有同学想问，到底什么是大模型，简单的理解，就是我们目前接触的像豆包、千问、元宝之类的聊天机器人，之所以叫"大模型"，是因为它背后是由各家公司给它投喂的知识，处理方式，调用能力，都不尽相同的，它不再是简单的程序，而是一个强大的模型，它会自己处理信息并进行推理，最终呈现结果到你面前。

国外主流大模型：

国内主流大模型：

AI小白可以对照着看一下这些公司和产品，搞不清他们之间的关系，容易听得云里雾里的。目前普遍的共识，国外的大模型大大优于国内，截止到7月份综合排名如下：

国内的黑马，今年初在香港IPO的智谱一骑绝尘，冲到国内大模型大哥的宝座。刚刚去看了一眼市值，目前是7300多亿港币。

如果说这些是经专业级别的应用。我们接下来再看看，国内经常听到的或我们普通人能用到的这些产品，到底是什么回事，可以怎么用。

现在我们知道了大模型是什么，就我们普通人而言，国内的豆包、元宝、千问、Kimi这些，已经完全可以满足日常所需，只是产品风格，偏好略有差异。说到底，用户的切换成本极低。

我们来看看目前腾讯旗下几款容易傻傻分不清楚的几款产品，元宝、ima、workbuddy，分别应该怎么用。

元宝

专长：通用型AI助手，覆盖广泛知识问答、日常对话、文本生成、数据分析等，响应快、交互简洁。

适用场景：当你只是想快速问个常识、聊聊天、处理轻量任务（如写个短文案、查个天气、简单翻译）。适合普通消费者、客服人员等快速获取信息。

Ima

专长：以知识库为核心的AI智能工作台，主打"读、搜、写"一体。擅长个性化知识管理（上传文档、收藏网页、记笔记构建个人/共享知识库）、基于知识库的精准问答、多模态内容解读（PDF、网页、图片、音频等）、写作辅助与脑图/测验生成。

适用场景：当你需要整理大量资料、做研究、写论文/报告、管理团队知识库，或希望AI基于你自己的收藏内容来回答问题时，应该用ima。比如学生备考、研究员读文献、职场人沉淀项目文档。

workbuddy

专长：属于支持skill（技能）部署的"龙虾"类平台之一（类似openclaw、codebuddy），它本身是一个可安装和运行各类AI技能（包括ima skill）的客户端环境，侧重通过配置API Key和提示词来调用外部技能，实现自动化任务（如让模型自动建笔记、读文件）。

适用场景：当你是开发者或高级用户，想要在本地/终端里用AI技能串联工作流（比如自动把内容写入ima、批量处理文件），应该用workbuddy这类平台来装载和管理skill，而不是把它当聊天APP。

顺便提一句，workbuddy使用起来非常方便，并没有想象中那么难。最近我只是随口问了一个问题，当时并没有明确的要求和想法。在workbuddy的引导下，完成了一份自动化的报表，每周发送到我指定的邮箱。

所以，AI时代下，就是试，大胆去试，好不了至少坏不了，对吧。而且目前基础的模型都不需要付费，试试不花钱。

写到这里，可能已经出现了一些不太明白的词语，分别来看看。

大模型是基础，前面说过了，这里跳过。

Agent也叫智能体，它可以是软件、硬件或一个系统，具备自主性、适应性和交互能力。

两者的区别如下：

再来看Skill，Skill也叫技能，是一个"标准化的能力包"，它把完成某项具体任务所需的流程、规则、工具调用方式打包成一个可复用的模块。简单说，就是教智能体"怎么做某件事"的操作手册。

Skill的特点如下：

•单一职责：一个Skill只做一件事（如查天气、发邮件）

•被动调用：不会自己启动，需要智能体调用才执行。

•可复用：一个Skill可以被多个智能体共享使用

•标准化：有固定的输入、输出和执行流程

现在Skill随处可见，譬如微信读书skill，ima skill，这些skill经授权是可以被Agent进行调用的。

顺便提一个可能容易混淆的概念：提示词prompt与skill。提示词是一次性的指令，而skill可以长期反复使用。

聊完模型，我们再看看今年为什么芯片相关产业火爆非常，为什么做大模型的都在疯狂烧钱，而做芯片的却赚得盆满钵满。到底芯片与AI之间是怎么样的关系。

我们知道每一个提问、调用背后，都在消耗Token，最终落实到芯片上执行，而消耗量的多少则由大模型的架构和任务复杂度决定。简单来说，Token消耗的是"芯片的运算"和"电力"。

对于大模型公司而言，虽然芯片可以持续使用，但不得不面临的问题，首先是自身的消耗与折旧，其次是芯片产品自身的快速的迭代，以及大模型的不断进化对芯片也提出了更高的要求。同时，还有"使用成本"。

但是，这台名义上的印钞机，到目前还没给你挣着钱。

因此，AI的"铲子"不是一次买卖，而是持续收费。

黄仁勋和谷歌CEO皮查伊的最新表态揭示了这一点：AI算力不是一锤子买卖，而是按Token计价的持续性服务。你买了一把铲子，然后每天、每小时、每分钟都在付费使用。

看到这里，你可能想问，既然要花这么多钱，而且目前也没有明确的变现路径，为什么这些大厂还在前赴后继？

当大家都疯狂投入的时候，就说明了它有不得不的原因。这并非简单的"烧钱"或"赌徒心态"，而是一场关于未来十年商业格局的战略性押注。

腾讯一直惯用的方式，自研+投资。我们这里重点看看投资方面。

芯片/算力：

大模型：

AI应用：

马化腾提出的"养虾"战略，将微信的去中心化理念融入 AI 智能体生态，让开发者像当年做小程序一样构建 AI Agent"。正如他所说："所有服务商的心态都是怕被AI智能体"短路化"，因此生态设计时，需要将中心化与去中心化结合，这需要耐心。"

写在最后

今天的内容算是与AI联合创作，一直不懂一直问，后面觉得这些问题可能对部分朋友会有价值，所以重新整理了一遍，可能部分数据不是很精准，这个锅甩给AI，哈哈，道理逻辑咱看明白就足够了。

今天听李诞的播客，他提到以前学习还能结束，比如一本书会看完，一节课会结束，但与AI互动，根本没有尽头。哈哈，AI成瘾我已经听不少朋友提到过了。哈哈。祝大家都能学得开心。

感谢你能耐心看到这里。一定是真爱。嘿嘿！