第一幕 · 把混乱变得可比较
AI 辅助先把不同公司的“方言”，翻译成同一种数据语言
01
接住五花八门的材料有的给完整财报，有的只给三张表和一段 Word，还有的直接给 Power BI。
02
抽取字段、统一口径识别结构，把不同项目的数据整理到同一张可比较的底稿里。
这一幕的产物：口径统一、可以继续分析的数据底稿
USER WORK SYSTEM · F01
她需要的不是一台“会聊天”的电脑，而是一套能承担责任的工作系统
核心需求可以压缩成四个词：可靠执行、证据可追溯、错误可恢复、跨设备可接管。AI 的价值随着任务责任升高而下降——不是因为高价值工作不需要 AI，而是当前 AI 还不能承担最终责任。
本页回答
6阶段核心工作流
3任务价值层级
8Agent PC 能力层
1 + 4主设备 + 协同设备
研究边界：AI 参与率不是用户自报数字，而是根据她描述的任务步骤、AI 实际使用方式与人工复核责任做出的区间估算。本报告只基于 F01 一位用户，适合形成命题，不适合直接外推市场。
01 / WORKFLOW
核心工作流：AI 加工材料，人对结果负责
她不是从空白页开始写报告，而是先接住一堆格式、口径都不同的材料；AI 把材料变成分析，人再把分析变成可以对外负责的结论。
一句话看懂：前半程追求速度，后半程承担责任。AI 可以快速整理、比较和初审；但只要一个数字会影响投资判断，她就必须回到原文件逐项确认。
第二幕 · 让 AI 批量加工
AI 主参与让 AI 先跑完耗时的比较，再当一遍“不知疲倦的审稿人”
03
做同比、环比和趋势图把当季数据与去年同期、上一季度比较，生成项目运行表和图表。
04
连续做三层审阅先查错字格式，再查上下文一致性，最后从合规和风控角度挑问题。
这一幕的产物：趋势分析、异常线索和一版可审阅的报告
第三幕 · 人接回责任
人工主导AI 可以报错，但不能替她确认“这个数字可以发出去”
05
回到原始材料逐项核验确认关键数字、异常原因和上下文，判断 AI 有没有取错数或理解错口径。
06
组织叙事并正式交付整理成 Word、Excel、PPT 或飞书文档，最终发给领导和 LP。
这一幕的产物：经人工确认、可以承担后果的正式交付物
AI 真正创造的价值：把“慢”变快它减少复制、比对和反复审阅，让用户把精力留给异常判断。
AI 尚未接走的责任：判断“能不能信、能不能发”关键数字、风险结论和外发动作，仍由用户本人兜底。
观点一：AI 不是被“任务难”卡住，而是被“材料不标准”卡住
论据：格式统一的发票字段抽取“做得非常好”；一旦遇到结构混乱、口径各异的项目财报，就会取错数，用户必须自己找问题。
这意味着：Agent 不只要会读文件，还要标出来源位置、口径差异和低置信度项，让人能迅速复核。
观点二：AI 提升了效率，但没有接走最终责任
论据：三层审阅能节省约 60% 的时间，但涉及关键数字、风险判断和对外交付时，用户仍要补背景、查原文、做最终决定。
这意味着：AI 更像一组效率很高的实习生；真正需要的 Agent，是能把每一步依据摆在桌面上、让负责人放心签字的工作系统。
▸ 非标输入迫使用户先统一口径，再进入真正的投资分析
“他们每个季度会发运营报告和财务报表。有的公司特别复杂，各种分子公司都讲得很详细；有的就三张表加一段 Word；还有的给 Power BI。自己粘很麻烦，对比也很麻烦。我会把这些喂给 AI，让它跟去年同期和上一个季度做同比、环比，生成直观简洁的项目运行表，再画数据图。”E-F01-001 · 29:27–30:44
▸ 三层审阅已经产生真实效率，但责任仍然留在人身上
“第一遍先看全文有没有标点、字数这些基础错误；第二遍看上下文有没有不对应、第三季度后面是不是忘了更新成年报；第三遍再站在合规、风控、律所角度提建议。以前这些东西都是我自己盯，能盯得看花眼。现在真的能省 60%，季度末同事加班，我陪着但基本不用干活。”E-F01-007 · 42:12–46:02
02 / TASK TIERS
任务分级：AI 参与率随责任上升而下降
这里的比例是“AI 参与任务步骤的估算区间”，不是节省时间，也不是全自动完成率。
DIRTY WORK
琐碎、重复、规则相对清晰
价值不在判断本身，而在减少复制、搜索、格式处理和基础检查。
70–85%估算 AI 参与率
- 公开信息和案例检索
- 发票字段抽取到 Excel
- 基础格式、标点和错字检查
- 文件、图表、历史材料查找
- 规则明确的数据整理
MID-VALUE WORK
需要上下文，但结果可被复核
AI 能承担大量加工，但需要用户给出目标、模板和验收标准。
40–60%估算 AI 参与率
- 非标材料解析与口径统一
- 同比 / 环比和趋势图
- 报告初稿与指定格式交付
- 上下文一致性检查
- 合规与风控建议初筛
HIGH-VALUE WORK
影响资金、责任和组织决策
AI 当前主要提供检查、提醒和证据，不适合独立形成最终结论。
10–25%估算 AI 参与率
- 确认关键数字与异常原因
- 投资、合规和风险判断
- 内部敏感数据解释
- 面向领导 / LP 的最终叙事
- 外发、覆盖、删除和正式提交
估算方法：以访谈中明确出现的 AI 行为为分子，以完成任务所需的主要步骤为分母，再根据是否需要逐项人工回查进行下调。Dirty Work 有多项稳定使用证据；中价值工作有明显人机协作；高价值工作中用户明确表示“只让它检查错误”并自行承担最终判断。
▸ 同一类抽取任务，规则清晰时成功，输入混乱时迅速暴露责任缺口
“我最先拿报销发票试，把发票代码、内容、日期、金额都列上形成 Excel，这个做得非常好。但我找了几个简单项目，把往年财报扔进去，让它整理历年数据形成 Excel。因为项目方财报花里胡哨、乱七八糟，它有些取错数了。我看着不太对，就自己去找问题。”E-F01-003 · 14:46–15:46
▸ 高保密工作中，安全和解释成本共同把 AI 限制在检查环节
“公司层面的隐私数据我没有特别多交给它，还是自己来做。那些数据只有内部的人能看明白，你跟 AI 讲要讲一大段背景，它才理解。所以我只让它起到检查错误的功能，其他的就很少了。一个是安全，另一个是知识库太复杂，跟它说的话，你自己都干了。”E-F01-011 · 01:09:03–01:10:03
03 / AGENT PC
Agent PC：硬件打底，OS 托管，应用完成工作
用户需要的不是某一个“AI 功能”，而是一套三层协同的 PC：底层稳定可靠，中层能够安全调度，上层真正理解金融办公任务。
一句话定义：它首先得是一台“不掉链子”的工作电脑，然后才是一台会替人做事的 Agent PC。
硬件层决定任务能不能稳定跑；OS 层决定 Agent 能不能被信任地调度；应用层决定它能不能产出一份真正可用的报告。
三层缺一不可
只有硬件，是一台更快的传统电脑；只有 OS，是一个会控制电脑但不懂业务的助手；只有应用，是一组彼此割裂、无法接管完整流程的 AI 工具。
L1 · HARDWARE
硬件层
回答：任务能不能稳定跑完？
核心诉求不是“极致轻薄”，而是 Windows 兼容、高性能、长时间工作不掉链子，并为敏感任务保留端侧处理空间。
问题一｜用户需要端侧模型吗？有条件需要
需要端侧能力，但不需要“所有任务都在本地跑”。她真正要的是按任务自由选择端侧或云端：隐私、文件和系统操作留在本地，复杂分析交给更强的云端模型。
适合端侧找本地文件、把文件发到手机、整理电脑、处理敏感且相对简单的内容。
适合云端公开信息搜索、复杂加工、需要更强推理和更快响应的任务。
判断边界：如果端侧模型迫使她购买“超高配笔记本”，却仍做不好复杂任务，她不会接受纯端侧方案；端侧应是安全与便利的补充，而不是资源负担。证据：E-F01-016 · 01:37:06–01:38:57
问题二｜使用 AI 后，PC 出现了哪些新诉求？从性能升级为人机并行
过去买高性能电脑，是为了软件稳定、不死机；使用 Agent 后，她开始要求电脑同时容纳“人正在工作”和“AI 在后台工作”两套负载。
① 人机并行，不抢电脑Agent 运行时不能占住屏幕、浏览器、CPU 和内存，让用户只能在旁边等。
② 本地敏感处理需要本地推理与安全存储，让高保密文件不必默认上传云端。
③ 资源有余量，但不能被模型吃光内存、存储和计算能力要支撑多应用与后台 Agent；本地模型不能反过来拖慢正常办公。
④ 面向未来几年的 AI 原生能力电脑使用周期长，她希望下一台 PC 原生具备系统 Agent，并愿意为真实能力支付约 10% 溢价。
直接原声：“这时候我就不干活了……我还是希望它可以跟我能并行一下。”以及“一台电脑你要用好几年，现在再不买带 AI 的 PC，可能就落后别人好几年。”
当前问题
- Mac 无法覆盖部分 Windows 专用软件
- 金融办公依赖 OA、财务软件、WPS、Office 等既有环境
- 复杂材料与多任务并行时，稳定性比外观更重要
落到硬件的要求
- 可靠的高性能 Windows 笔记本
- 足够的计算、内存和存储余量，支撑大文件、多应用与后台 Agent 并行
- 具备可用的端侧 AI 能力，但能按任务调用云端，不以极端堆配置换取“全本地”
- 本地模型运行时不挤占用户正常办公资源
成功标准
- 日常办公软件完整兼容
- Agent 跑长任务时，前台工作不被拖慢
- 敏感任务能留在本地，复杂任务能无缝借助云端
- 用了几年仍然让用户“非常放心”
用户证据：“游戏本不叫游戏本，它叫高性能笔记本，是我工作必须很可靠的伙伴，不要给我掉链子。”
USER VOICE · 硬件层原声
▸ 可靠性是购买门槛，AI 不能建立在不稳定的办公底座上
“苹果对我们不太适合，有一些软件需要 Windows。我在 Windows 里看过 Surface，也看过一些轻薄本，最后还是选了游戏本。主要是我觉得游戏本不叫游戏本，它叫高性能笔记本，是我工作必须很可靠的伙伴，不要给我掉链子。事实上买完之后基本没有出过问题，我非常放心它。”E-F01-002 · 10:24–12:26
▸ 端侧模型有明确价值，但用户要求端云自由选择，而不是纯本地
“我希望可以自由选择云侧还是端侧。可能让它帮我找个文件，或者直接把文件从电脑上发过来，这种端侧就可以了；如果需要搜集信息、自己加工，还是云侧。自己自带的话，得买一个超高配的笔记本，也不一定能完成，我希望它可以借助一下云端的算力。”E-F01-016 · 01:37:06–01:38:57
L2 · OS / SYSTEM
OS 层
回答：Agent 能不能安全地接管电脑？
真正的变化不是 OS 多了一个 AI 助手，而是 OS 从“管理电脑资源”升级为“管理工作责任”：Agent 可以代人执行，但每一步都必须看得见、停得下、找得回。
核心变化：OS 的管理对象，从“电脑资源”变成“人的工作”知识库、文件管理和通知并不是三项孤立功能，而是 OS 面对 Agent 异步执行后产生的新职责。
管理对象应用、窗口、进程→目标、任务、Agent 与执行状态
文件含义静态文件与目录→任务证据、版本关系与项目记忆
权限模式允许某个 App 访问→把某个动作委托给 Agent，并且可撤销、可追责
通知目的告诉用户“发生了什么”→判断“现在是否需要人介入”，并保护注意力
用户角色亲自操作每一步→设定目标、监督过程、处理异常并承担最终责任
因此，Agent 时代的 OS 不再只是资源管理器，而是工作责任系统：它要知道任务为何开始、用了哪些材料、谁做了什么、哪里需要人确认，以及出错后怎样恢复。
问题一｜什么能力应该内置到 OS？跨系统能力
不是把所有 AI 功能塞进 OS。OS 应内置的是所有 Agent 都会依赖、且单个 App 无法安全独占的四类公共能力。
① 执行底座系统级 Agent 运行时、任务队列、后台沙箱、暂停接管和失败恢复。
② 上下文与产物底座跨 Agent 的个人/项目记忆，以及原始材料—中间稿—正式交付的关系图。
③ 委托与安全底座动作级权限、自动备份、版本回滚、操作日志和端云数据边界。
④ 状态与注意力底座统一任务中心、异常升级、跨设备通知路由，以及手机和平板接管。
边界判断：金融分析规则、行业模板和报告写作仍属于应用层；OS 不决定“报告怎么分析”，但必须保证“材料从哪里来、Agent 做过什么、结果能否撤销”。
直接原声：“图库、App、软件、文件全整理了，那它绝对是电脑底层的一个东西。”证据：E-F01-015 · 01:34:01–01:39:57
问题二｜Agent 引发了哪些“变化型”新诉求？由新问题推导新功能
这些需求并非用户突然想要更多功能，而是 Agent 改变工作方式后产生了四种新的系统成本。
变化 01 · 上下文从一次对话扩张为长期资产知识库不再是收藏夹，而是共享记忆层
文件、会议、笔记、日历和备忘录自动进入项目上下文，由不同 Agent 复用；用户只管理授权和纠错，不承担持续“喂养”。
解决：重复教学与知识碎片化变化 02 · Agent 大量生产中间产物文件管理不再整理目录，而是管理证据链
系统要区分原始材料、中间稿、正式版本和来源关系，按任务语义找文件，并确保跨设备发送的是正确版本。
解决：产物爆炸与版本失控变化 03 · 工作从同步操作变成异步委托通知不再播报事件，而是分配人的注意力
OS 判断完成、失败和待确认事项是否值得打扰，聚合去重后选择一台合适设备；紧急任务升级，普通结果静默沉淀。
解决：提醒过载与注意力争夺变化 04 · 用户从操作者变成监督者控制台不再启动 App，而是处理异常
统一呈现 Agent、Skills、任务步骤、当前依据、失败原因和待确认动作，让用户能暂停、纠偏、接管和撤销。
解决：执行黑箱与责任不清证据组合：Agent 管家 E-F01-012；提醒过载 E-F01-014；系统文件管理 E-F01-015；知识库与系统打通 E-F01-018。
当前问题
- 每个 Agent 都像一次新对话，记忆和文件彼此割裂
- 文件、软件、图库、任务和知识散落在不同入口
- 后台配置复杂，Agent 与 Skills 难管理
- 多设备重复提醒，用户已经出现“提醒恐惧”
- 用户愿意授权，却担心误删、覆盖和无法恢复
落到 OS 的要求
- 统一 Agent 管家，集中管理 Agent、Skills、模板、记忆与权限
- 系统知识库自动理解文件、会议、笔记和日历，并允许分项授权
- 语义文件管理保留原始材料—中间稿—正式交付的关系
- 任务状态中心汇总进度、失败、结果和待确认动作
- 通知按优先级聚合、去重和跨设备路由
- 后台沙箱、自动备份、版本回滚与端云调度
成功标准
- 用户知道每个 Agent 正在做什么
- 知识自动沉淀，季度任务不再重新教学
- 文件按任务可找到，正确版本可跨端接续
- 只在真正需要时被一台合适设备提醒
- 任何高风险动作都可暂停、撤销和追责
用户证据：“那绝对是电脑底层的东西。”以及“一定要做好备份，不要给我删除。”
USER VOICE · OS 层原声
▸ 用户要的是系统底层的智能，而不是再安装一个聊天应用
“它适合嵌在笔记本里，像厂家自带的智能电脑管家。图库、App、软件、文件都能整理，那绝对是电脑底层的东西。我新买一台电脑装了它，电脑就变得很智能，连找文件都不用。下一台电脑就应该这样；一台电脑要用好几年，现在不买带 AI 的 PC，可能就落后别人好几年。”E-F01-015 · 01:34:01–01:39:57
▸ 授权可以宽松，但备份、回滚和不可误删是绝对红线
“他要啥我就给啥，能给的都给了，基本上都是永久权限。要是 Agent 能操控电脑，我就担心它乱删东西，其他都可以。一定要做好备份，不要给我删除；尤其处理之前要及时备份，不要改得乱七八糟，回头发现原文件都没了。”E-F01-010 · 50:25–51:22；01:01:25–01:02:19
▸ 管理中心要把复杂配置变成可重复的一键工作流
“我非常需要一个 Agent 管家，指引我怎么跟 Agent 沟通、怎么管理各种 Skills，也能生成几个固定模板。后台设定要更清楚，最好提醒我去做，或者我跟它说明后它自己做，把东西提到前台，不要让我去后台挨个找。季度任务又开始时，直接一键就搞定，语音都不用输。”E-F01-012 · 01:15:17–01:17:34
▸ 知识库要自动理解内容、跨端同步，并降低前期录入门槛
“它其实是一个挺好的知识库……但是前期我要设置的东西比较多，有一点门槛。我可以给它发一些文件，让它自己来理解一下；也可以让我自己记一些东西，跟备忘录、日历这些打通。开个会，它就自动同步过去，不管是录音还是笔记，都可以形成一个图文并茂的东西。”E-F01-018 · 01:49:22–01:54:14
▸ 通知的目标是让用户感知状态，而不是让所有设备争抢注意力
“我已经有一点点提醒的恐惧了。手机、平板和手表在一块儿，有时候三个一块响。我希望它可以温柔、不要太强势，但能让我感知到。我关了很多 App 通知，也不喜欢看到红点。紧急的话可以提醒我，但是打电话不用哪儿都响。”E-F01-014 · 01:21:00–01:24:45
L3 · APPLICATION
应用层
回答：Agent 能不能把工作真正做成？
应用层最值得关注的不是“哪个 Agent 最强”，而是用户已经如何组织它们工作，以及这种新工作方式给用户带来了什么收益、适配成本和焦虑。
核心判断：她没有一支会自动协作的 Agent 团队，只有一支由自己人工编排的“实习生团队”。
不同 Agent 分别负责搜索、文件处理、飞书执行和公开信息拓展；材料脱敏、任务分配、赛马比较、结果合并与最终验收仍由用户完成。
协作成熟度：多工具并用，尚未形成真正协同
Agent 之间不共享项目背景、文件关系或验收标准。所谓协作，本质上是用户充当调度器和信息总线。
问题一｜她在使用什么 Agent？
她不是按品牌忠诚度选择，而是按任务特点临时组队。
豆包 / DeepSeek / ChatGPT 类信息搜集、行业入门、案例检索、思路拓展；像“被动但会提供情绪价值的实习生”。
WorkBuddy / QPlan 类处理本地文件、清洗数据、跑 Dirty Work；更像能动手的专业助手，但需要用户持续教。
飞书 Aily / 妙搭生成飞书文档、读取飞书消息、提醒漏回事项和执行飞书内任务；价值受组织是否使用飞书限制。
Codex用于公开行业信息、海外资料和思路拓展；因本地化、网络与数据安全顾虑，较少处理敏感文件。
飞书文档不是 Agent，却是实际的协作与交付枢纽：承接结果、跨设备查看，并减少文件反复传输。
它们如何协作？答案是：主要靠用户手工编排
现有链路更像“项目经理带多个实习生”，而不是 Agent 之间自动交接。
01
用户筛选任务与数据判断能否交给 AI，先排除高保密或解释成本过高的内容。
02
把同一材料分给多个 Agent针对搜索、分析和审阅进行“赛马”，利用不同视角交叉验证。
03
用户比较结果并补背景剔除行业上不可用的建议，追查取错的数字，再追加更具体的命令。
04
人工合并进组织模板把不同 Agent 的片段加工成 Word、Excel、PPT 或飞书文档。
05
用户承担最终判断与外发关键数字、风险结论和正式交付仍由本人确认。
协作断点：Agent 不共享记忆、文件上下文和验收规则；每次交接都由用户复制、解释、比较和收口。
问题二｜用了 Agent 之后，工作发生了什么变化？
变化不是简单“少做工作”，而是用户从亲手生产，转向分配任务、审阅结果和承担责任。
信息边界扩大过去对信息搜集“有点发怵”，现在能快速获得更广的专业支持，甚至发现同事和领导都没有注意到的细节。认知广度上升
Dirty Work 大量转移数据整理、画图和三层审阅交给 Agent，季度报告审阅体感节省约 60%。时间与情绪成本下降
个人角色发生变化从执行者变成“老板/甲方”，把精力转向更深的思考、分享和更难的问题。工作价值重新分配
最终责任没有转移用户仍要识别错误、补足行业背景、决定叙事重点并完成正式交付。产出责任仍在人
证据：行业信息检索 E-F01-004；三层审阅与责任 E-F01-007。
问题三｜她会为了让 AI 理解数据而专门处理吗？
会，但目前是“任务级适配”，还不是“系统化数据治理”。她会主动降低风险和歧义，却没有长期维护统一知识库。
先做风险筛选只交简单、公开或脱敏内容；高保密数据和内部知识复杂的任务宁愿自己做。
隔离 Agent 的操作范围把材料放进专门文件夹，只允许 Agent 操作指定范围，避免触碰其他文件。
把模糊要求改成强约束明确字段、字数、报告结构、输出格式和模板；她已经形成“强命令强答案”的经验。
用赛马代替完全信任同一材料交给多个 Agent，比对不同结果，再由自己核验和合并。
尚未主动维护长期记忆知道记忆和 Skills 需要管理，但后台门槛高；复杂背景若要反复解释，“自己都干完了”。
研究判断：她已经在做轻量的“AI-ready 数据准备”，但成本由个人承担，且无法跨季度复用。证据：E-F01-001 / 008 / 009 / 011。
问题四｜她在焦虑什么？
她当前并不主要焦虑“AI 替代我”，真正焦虑的是把责任交给一个不稳定、不了解行业且可能泄密的执行者。
结果可靠性 · 高脏数据会取错数，关键数字仍要回到原文核验。
数据安全 · 高敏感文件是否上云、海外工具是否泄露，直接决定哪些任务能交给 AI。
执行失控 · 中高长任务沉默、工具调用错误、反复授权、占用前台电脑，都会吞掉节省的时间。
理解与交付落差 · 中高AI 不懂行业默契、组织重点和正式模板，往往只能给标准答案，不能直接生成成品。
职业替代 · 当前较低她认为自己在传统行业中仍走在前面；真正的不确定性在于 AI 普及后，优势还能维持多久。
关键区别：AI 消除了一部分“搜不到、做不完”的旧焦虑，却制造了“能不能信、敢不敢交、谁来负责”的新焦虑。
应用层真正缺的是什么？
不是再增加一个 Agent，而是把“用户人工编排的协作方法”产品化。
任务路由根据数据敏感度、任务类型和 Agent 能力自动分工，而不是用户逐个试。
共享上下文多个 Agent 共同读取项目背景、证据、模板和验收标准，不再重复教学。
结果对比与冲突呈现把赛马结果、差异、来源与置信度并排展示，让人只处理真正的分歧。
验收与正式交付先校验数字和来源，再进入组织模板；把用户从“复制粘贴总编”变成最终决策者。
产品方向：从“多个会干活的实习生”，升级为“共享证据与验收规则的 Agent 团队”。
用户原声总结：“我觉得都是实习生。”——现阶段 Agent 能承担局部工作，但用户仍是唯一的项目经理、总编辑和责任人。
USER VOICE · 应用层原声
▸ 多个 Agent 的“协作”目前是赛马，用户充当总调度和最终编辑
“还是多个交叉，就相当于找了好几个助手、招了四个实习生。搜到过一个平时我们没有注意到、同事和领导也没有想到的细节，我把这个概念提交上去，领导觉得我专业很过硬。其实不是我过硬，就是我用了工具。”E-F01-004 · 23:23–25:56
▸ 用户确实会加工输入，但精准沟通正在成为新的隐性工作
“现在 AI 就跟开盲盒一样。只有你了解它，输入某些特定命令，它才会给你想要的答案。为了形成想要的答案，命令必须特别精确，这中间的沟通过程也挺累的。跟实习生说‘你帮我把这个表做一下’就行；跟 Agent 要一步一步告诉它怎么做。”E-F01-008 · 53:21–55:35
▸ 用户没有主动建设长期记忆，只能用更长的一次性命令规避上下文丢失
“所有的 Agent 都有这个毛病，上下文太短了。为了让它记得更长，我只能一次性的命令尽量说长一点，一次性要结果。到下一季度相同流程，我没有用 Skill，就是重新再跑一遍。”E-F01-009 · 56:06–58:01
场景一 · 分析季度财报
硬件稳定承载大文件和多应用 → OS找到资料、备份并调度任务 → 应用统一口径、比较趋势、标出异常。
场景二 · 下一季度重复执行
硬件继续后台运行 → OS调出项目记忆和权限 → 应用沿用模板，一键生成新一季结果。
场景三 · 处理高保密数据
硬件提供本地处理空间 → OS限制数据去向并保留回滚 → 应用只做获准的检查，不越权形成结论。
产品判断：这位用户最缺的不是单纯更大的端侧模型，而是三层之间的闭环——硬件保证任务不中断，OS 保证 Agent 不失控，应用保证结果可核验、可编辑、可交付。
04 / DEVICE SYSTEM
办公全场景设备：从多设备堆叠，走向任务接力
先还原她今天如何工作，再从真实断点推演未来；“一台主脑、多端协同”是目标形态，不是当前现状。
01 · CURRENT STATE
当前状态：设备已经分工，但协作仍由用户完成
她拥有两台手机、平板、两台电脑、手表与智能眼镜；飞书把文档连起来，却没有把 Agent 的任务状态连起来。
已有能力：文档跨端
飞书连接两台手机＋平板＋两台电脑，让同一份文档可以随处查看，不再反复下载和互传。
关键断点：任务没有跨端
Agent 的进度、异常、确认、接管与失败恢复仍停留在具体设备，用户本人继续扮演“人工调度器”。
▸ 飞书已经证明跨端价值来自“状态连续”，而不是设备数量
“微信是同事和朋友的大本营，飞书应对我自己的琐事，又可以无缝同步电脑。以前我有两个微信，两个手机互发，电脑上才能看到；现在一个飞书号就可以把两台手机、平板、两台电脑连起来。让 Agent 写飞书共享文档，就是为了不同设备都能看，不用下载、传来传去占内存。”E-F01-013 · 01:17:53–01:19:27
▸ 多设备若没有路由和去重，会从“全场景接续”滑向信息绑架
“手表、眼镜、手机在旁边，电脑也登着微信，一个微信视频电话哪儿都响。我已经有点提醒恐惧了。希望它温柔、不要太强势，但能让我感知到。我关了很多 App 通知，不喜欢红点。自从搞上智能穿戴，好像被信息绑架；所以上班先把眼镜摘下来。”E-F01-014 · 01:21:00–01:24:45
02 · TWO EVOLUTION PATHS
未来不是简单增加设备，而是沿两条路径改变工作方式
一条改变任务如何被完成，一条改变人在何时、通过什么设备参与。
核心变化不是“每台设备都装一个 Agent”，而是让同一个任务在不同设备间保持连续，同时让每台设备只承担最适合自己的交互。
DIRECTION A · WORK ORCHESTRATION
方向一：工作从“人盯着做”变成“Agent 后台推进”
解决任务被锁在电脑、用户必须守在屏幕前，以及每季度重复教学的问题。
同步一份文件→同步任务、进度、证据与待确认动作
Agent 占住前台→前台人工工作，后台 Agent 并行
每次重新提示→项目记忆、模板与权限随任务延续
只收到最终答案→过程可查看、结果可核验、失败可恢复
未来工作方式：用户不再搬运任务，而是在关键节点审阅、确认和承担最终责任。
DIRECTION B · DEVICE ORCHESTRATION
方向二：设备从“功能重复”变成“角色分工”
解决多端一起响、语音输入暴露隐私，以及手机和平板被迫承担不适合的重任务。
所有设备都提醒→系统只选择当下最合适的提醒出口
公开说话或打字→低声输入、随手录音与私密捕捉
每台设备都想做全能终端→PC 执行、手机调度、平板审阅、穿戴感知
为了 AI 更换手机→保留完整手机，增加轻量 Agent 控制入口
未来设备关系：设备不必更少，但边界必须更清楚；同一动作不再被多台设备重复争抢。
▸ 新硬件价值首先来自私密输入与高质量录音，而不是新奇形态
“这个完全是我想要的，现在就想买。最核心解决的是工位上的隐私，会议室或者不方便别人听到的地方也可以。手机或 PC 内置可能效果不好，我会考虑低声识别的精准度；能内置当然更好，但精准度要先保证。最好是穿戴、项链、戒指或包挂；除了语音输入，录音也非常需要。”E-F01-019 · 01:55:10–01:58:58
▸ 她拒绝的不是移动 Agent，而是为了 AI 把完整手机退化成单一功能玩具
“我不希望手机只能跟 AI 对话，我希望手机是个终端，是我操控的东西。我不仅需要 AI，还要刷抖音、上小红书、拍照，这些基础功能给我扔哪儿去了？所以不会为了 AI 专门买一台手机。但如果再小一点、把刚才那些硬件功能集成起来，它就不是手机，而是 Agent 遥控器，这个可以。”E-F01-020 · 02:01:42–02:04:20
▸ AI 没有替代既有设备，但创造了一个明确的“简单确认与控制”入口
“我还是买这些。为什么要改变呢？这些东西也不是一次性买的，我购物没有一个总预算，完全是看着喜欢就买。AI 来了之后没有哪一个硬件不需要，我都想要。要说新增需求，我想要戒指——把它当遥控器，能做简单确认和控制。”E-F01-021 · 02:05:41–02:07:24
04 · THREE-LAYER OPPORTUNITY
三层产品机会：本地、OS 原生与终端协同
三层分别解决不同问题：本地保证安全与可控，OS 保证任务持续运行，不同终端负责在合适场景承接合适动作。
按照 MECE 拆解：本地层管数据、模型和文件；OS 层管任务、上下文和系统调度；终端层按设备的主要职责分工。
THREE-LAYER MODEL · 三层模型从端侧可信，到 OS 原生，再到多终端接力
03随处接力
不同终端的机会
PC · 平板 · 手机 · 穿戴设备
每台设备只承担最适合自己的工作
任务在设备之间流动，而不是把同一个 Agent 复制到每块屏幕
02持续推进
OS 原生的机会
任务运行 · 项目上下文 · 系统调度
让 Agent 成为系统能力，而不是某个应用里的功能
任务关闭应用、离开 PC 或切换设备后仍然继续
01放心托付
本地的机会
本地敏感数据 · 端侧模型 · 文件系统
数据不离端，模型在本地理解并安全操作文件
用户知道数据在哪里、模型做了什么，出错后能够恢复
03 · 不同终端按主要职责分工
PC复杂执行、完整编辑、正式交付
平板长文阅读、批注、深度审阅
手机状态查看、异常处理、移动接管
穿戴私密输入、录音、快速确认
02 · OS 原生按系统职责分工
任务运行后台、并行、暂停、恢复、断点续做
上下文项目记忆、知识库、历史版本与口径
系统调度模型、应用、算力、通知和设备协同
01 · 本地按端侧对象分工
敏感数据识别、隔离、脱敏，明确端云边界
端侧模型本地推理，兼顾隐私、时延与离线可用
文件系统受控读取、修改、留痕、版本与回滚
建设顺序：先让敏感数据、模型和文件在本地安全工作；再把任务与上下文做成 OS 原生能力；最后让不同终端围绕同一任务各司其职。
证据回指：E-F01-010 / 015 / 016 → E-F01-009 / 012 / 013 / 018 → E-F01-013 / 014 / 019 / 020
05 / ATTITUDES
创新硬件、软件产品与 AI Phone：态度并不保守，而是极其看重完整性
她愿意为真实增量价值买单，也愿意快速授权；但拒绝为了 AI 牺牲原有能力，拒绝不可解释、不可恢复的黑箱。
Marvis / 系统级 Agent
强认可认为它应该嵌入 PC 底层，承担文件、软件、端云和跨端控制，是下一台 PC 的重要购买能力。
“下一台电脑就应该这样。”
Cola OS / 日总结
部分认可认可工作总结和情绪价值，但不接受只有对话框的极简黑箱，也担心创业公司合规能力。
“要给我复杂面板，我希望对电脑有一点操控感。”
ima（知识库）+ Marvis
理想组合知识与记忆层连接系统执行层符合需求，但录入、维护和页面门槛必须显著降低。
“能自己理解我发的文件，又能跟 Marvis 打通就很好。”
低声语音创新硬件
强购买意向精准命中工位隐私、会议录音和实体确认；形态可以创新，但准确率与续航必须先成立。
“这个完全是我想要的，现在就想买。”
AI-only Phone
明确拒绝不接受丢失微信、拍照、内容消费和单手使用；接受完整手机内置 Agent，或独立 Agent 遥控器。
“手机是个终端，是我操控的东西。”
▸ 她喜欢总结价值，却拒绝因为 AI 失去对工作过程的操控感
“我每天开很多软件、干很多事，忙忙碌碌却不知道成果是什么，心迹和日记能把一天汇总起来，这很好。但页面不能只有这么简洁，要给我复杂面板。我希望对电脑有一点操控感，想知道今天做了什么，而不是像个傻子一样每天只跟它说话。创业公司的背景也让我更担心管理不合规。”E-F01-017 · 01:45:23–01:49:06
06 / IMPLICATIONS
产品含义：先让 Agent 对工作负责，再扩张新入口
用户原声提供的是需求证据，不直接等于产品决策；以下是结合行为、风险和使用环境后的研究转译。
建议的产品顺序
P0
高责任任务证据链
优先验证多格式解析、来源回跳、异常定位、三层审阅、版本回滚。它直接解决当前 AI 价值被人工复核抵消的问题。
P0
系统级 Agent 管理中心
统一记忆、项目知识、模板、Skill、权限和端云路由，把重复教学变成可复用工作流。
P1
后台沙箱与跨端确认
先解决并行执行、进度、失败恢复、提醒去重和人工接管，再扩展更多设备入口。
P1
低声语音 / 录音 / 确认配件
它有最清晰的新硬件增量场景，但必须用样机验证低声准确率、隐私感、续航和真实付费。
HOLD
独立 AI Phone
当前证据不支持牺牲完整手机能力的新终端；优先验证手机内置 Agent 或独立控制器。
▸ 长任务的核心问题不是“慢”，而是失败过程不可解释、不可收敛
“我发过一段语音，让它形成会议纪要。那时候它识别不了，也识别得不清晰，就一直说帮我切成 15 秒的，自己各种试，试了半天还是不成。后来我就放弃了，自己用其他办法。不是单纯时间长，而是看它一直调用这个、调用那个，最后也没完成。”E-F01-006 · 38:18–39:47
▸ 真正的助手应理解目的，而不是把完整操作教学继续交给用户
“现在 AI 就像开盲盒，只有你了解它、输入特定命令，才会输出想要的答案。很多人教别人怎么给 AI 说命令，我非常不理解。带实习生我只说‘帮我把这个表做一下，你去研究，等会儿我要问’，但跟 Agent 要一步一步告诉它怎么做，这个沟通过程也挺累的。”E-F01-008 · 53:21–55:35