本号一年了，有一定的成长，也有很多读者和点赞。自觉更新仍然远远不够，需要继续努力。

但是还是要坚持2点：

        在当前这个时代，信息大爆炸，层次不齐，不追加多，

        信息输入可以很多，但是输出真心不容易，耗时耗力，更难的是，撰写和阅读深浅不一。

为此从本周开始，加更阅读的相关的输入，当然肯定是尽量高质量的知识输入。

产品合集

4 月，1000 个通用 Agent 爆发

可以重点关注下一下几个产品

语鲸：RSS 的 AI 复兴

链接：https://lingowhale.com/

专注于提升阅读效率的 AI 产品，主打 10 倍提效的个性化信息助手。可以创建个性化频道，指定信源跟踪订阅，信息来源覆盖中英文网站、公众号、论文研报，支持 RSS 形式。

每篇文章会生成 200 字左右结构清晰的总结，并且严格遵循原文，尽最大可能减少幻觉。

发散思考：

1，和AI浏览器对比，关注下阅读工具的提升，AI处理前后的映射，RSS思想和知识落库等业务流程端到端；

2，关注下核心用户群体，为知识工作者

动御 Action&Link：让打游戏的人也能健身

链接：https://cyberlingke.cn/

产品形态为一个小型 USB 硬件设备，配合手机或 iPad 的摄像头，通过体感控制实现对游戏的操作。能将大家熟悉的游戏，不管在 PC、Switch 还是手机平台上，不管是 3A 大作还是休闲小游戏，转化为全身参与的体感体验。

产品目前主要面向想要变得更健康的玩家或运动爱好者，目前游戏支持多平台（PC、手机、智能电视、云游戏盒子等），并以键鼠模拟为主。

产品诞生初衷是为了解决创始人自己的运动需求，在他看来：体感游戏，想把体感和游戏都做好，涉及面太广，一家公司想两头抓会很困难。最终产品可能为了互相妥协，两边都做了阉割：游戏为了体感牺牲玩法，体感为了适应游戏策划而牺牲功能。

而现在的方案，「在游戏内容供给上保持开放姿态，可以接入所有顶尖的 3A 游戏库，而不是像传统体感方案那样，要么邀请已成功的游戏做适配，要么自己研发体感游戏。」

发散思考

1，关注下商业逻辑

Dia：可以说是真正 AI Native 的浏览器

链接：https://www.diabrowser.com/

Arc 浏览器团队的新产品，主打全新的，更普适的 AI 交互的浏览器。

发散思考

1，关注下在早期用户，外国学生下的使用场景：Finals Mode, Powered by Dia

2，关注下：官网对AI浏览器的解决，AI won’t exist as an app. Or a button. It’ll be an entirely new environment — built on top of a web browser. 这里产品形态用了一个new environment的未知形态来解读

AI应用/Agent

一手实测深夜发布的世界首个设计Agent - Lovart。

设计领域垂类AI Agent，有Manus的感觉

人机协作，可二次编辑，图子分离，整体交互UI方式新颖

AI产品思想：行业业务Know-How是根本，是护城河

设计领域的风格优先和方案推测（Lora）

整合多媒体能力，音视频

详细评测案例：小猫跨文化城市旅游插画、Dior999的产品图变30s广告片

发散思考

1，从模型到chatbot，再到Agent，要从技术视角 转变方案视角，转变为产品视角（面向问题、可交付的产品）

2，在全行业升级AI的浪潮里面，牢记产品的护城河

物理硬件

上线 10 天卖 2000 万美元，跻身历史第一，它正在创造一个「新赛道」

关键信息

1. 安克创新旗下品牌通过eufyMake E1 以火箭般的速度在众筹平台上取得了破纪录的成就，标志着消费级UV打印市场的诞生。
2. 该打印机通过创新的3D纹理打印技术，实现了在多种材质上进行高精度浮雕打印，降低了个性化定制的门槛。
3. eufyMake E1 的成功在于其将工业级技术转化为消费级应用，满足了人们对个性化和创意产品的需求。
4. 个人制造时代的崛起，使得更多工业技术和设备走向家庭，推动了新商业范式的形成。
5. eufyMake E1 的市场表现超出预期，显示出消费者对个性化产品的强烈需求。
6. E1展示了如何将工业级能力精准对接消费级应用场景。
7. 未来，更多公司和品类将沿工业级技术消费化趋势，打造更多爆款产品。

发散思考

1，解决方案层面上，和AI 3D模型生成，可以进一步互动

2，商业化上，个人智造模糊了消费者和生成者的边界，带来的消费商机会进一步扩大规模化和降低门槛；

落地方案

打通模型与现实世界的最后一公里？MCP极速入门指南

传统范式之困：在传统开发模式中，大模型调用外部服务需要经历复杂的技术链路：

自然语言理解 -> 业务逻辑解析 -> API调用 -> 结果处理

每个环节都可能产生信息损耗，比如下面提到的三个典型问题：

• 语义鸿沟：自然语言指令到具体API参数的映射模糊

• 能力黑洞：模型对可用服务缺乏实时认知

• 安全边界：直接开放API调用存在风险敞口

发散思考

1，从API到function call，再到MCP，思考其开发范式来的的核心问题，上升到思想层面，文章最后给了 技术层面（服务发现，性能优化，多模态tool use）、产品层面（新的产品服务市场和个性化应用）、人文层面（责任和社会变化）

2，典型的vscode+cline环境，调用逻辑操作；还有AI编程写MCP server