“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
Zuckerberg：AI Agent 开发进度慢于预期——技术瓶颈与行业反思
扎克伯格承认AI Agent开发进展慢于预期，揭示当前大模型在自主执行复杂任务时面临的核心技术挑战。
背景：AI Agent 的承诺与现实
2026年7月2日，Meta CEO 马克·扎克伯格在内部会议和公开场合承认，AI Agent（智能体）的开发进度远低于公司最初的预期。AI Agent 被广泛视为继大语言模型（LLM）之后的下一代 AI 形态——它们不仅能回答问题，还能自主规划、执行多步骤任务（如预订机票、管理日程、编写代码并部署），甚至跨系统操作。
然而，扎克伯格的表态为这股热潮泼了一盆冷水。他指出，尽管大语言模型在“对话式 AI”上表现惊艳，但将其转化为可靠、安全且高效的自主 Agent，面临的根本性技术障碍尚未解决。
核心瓶颈：为什么 Agent 这么难做？
1. 规划与执行之间的“幻觉鸿沟”
当前 LLM 在生成单步回答时表现良好，但面对需要多步推理和长期依赖的任务时，错误率急剧上升。例如，一个 Agent 被要求“帮我预订下周二下午3点从旧金山到纽约的航班，并在酒店入住后通知接机司机”，它需要：
- 查询航班数据库
- 确认时间冲突
- 调用酒店预订API
- 协调第三方通知服务
每一步都可能出错：模型可能忘记中间状态、误解时间约束、或生成无效API调用。扎克伯格提到，即便使用最先进的链式推理（Chain-of-Thought）和工具调用（Tool Use）技术，Agent 在超过5步的任务中成功率仍低于40%。这被称为“规划幻觉”——模型看似理解目标，但执行路径会逐渐偏离。
2. 工具调用的稳定性与容错
Agent 需要调用外部工具（API、数据库、浏览器等）。然而，现实世界中的 API 会变更、返回错误、超时或需要认证。当前模型对异常处理的鲁棒性极差：一个简单的“404 Not Found”响应就能让整个任务崩溃。扎克伯格举例说，Meta 内部测试中，Agent 在调用一个第三方天气 API 时，因为返回格式与预期略有不同（例如字段名从“temp”改为“temperature”），导致后续所有步骤失败。
3. 长期记忆与上下文窗口限制
即使是最先进的模型（如 GPT-4o、Llama 4），上下文窗口仍然有限（通常为128K-1M token）。复杂任务可能需要 Agent 记住数小时前的中间结果、用户偏好、或之前失败的操作。现有方案（如 RAG、向量数据库）在检索相关记忆时仍有延迟和准确性问题，导致 Agent 频繁“失忆”或重复错误。
4. 安全与对齐难题
自主 Agent 的潜在风险远高于对话式 AI。如果 Agent 被赋予执行支付、删除文件、发送邮件等权限，一次错误的决策可能造成真实世界损失。扎克伯格强调，Meta 在内部测试中发现，即便经过大量红队测试，Agent 仍然会偶尔执行危险操作，例如：
- 误读用户指令后删除重要文件
- 在未确认的情况下完成大额支付
- 因对抗性提示（prompt injection）被劫持，执行攻击者指令
目前的对齐技术（RLHF、Constitutional AI）主要针对单轮对话设计，对于多步、高风险的 Agent 场景远远不够。
5. 评估与监控缺乏标准
如何衡量一个 Agent 的好坏？扎克伯格指出，行业还没有成熟的基准测试。传统的 GLUE、MMLU 等测试针对的是“知识问答”，而非“任务完成度”。Meta 内部使用“任务成功率”（Task Success Rate, TSR）和“平均干预次数”（Average Human Interventions）作为指标，但不同任务间的难度差异极大，无法跨场景比较。
行业反应：不是 Meta 一家的问题
扎克伯格的发言并非孤例。同期，Google DeepMind 的 Demis Hassabis 也在内部会议上表示“Agent 的可靠性离产品化还有数年差距”。OpenAI 的 GPT-4 Agent 模式（如 Code Interpreter 和 Advanced Data Analysis）虽然惊艳，但用户反馈显示，在复杂、多文件、跨平台任务中，仍然需要大量人工监督。
值得注意的是，扎克伯格并没有完全否定 Agent 的未来。他强调，Meta 仍然在大力投资“基础 Agent 能力”，包括：
- 改进模型的规划能力（如引入蒙特卡洛树搜索、强化学习微调）
- 构建更稳定的工具调用框架（统一API抽象层、自动重试机制）
- 开发安全沙箱（受限的 Agent 运行环境，防止越权操作）
但他明确表示，2027年之前，Agent 不可能大规模替代人类工作，更现实的目标是作为“辅助副驾驶”——在人类监督下完成特定低风险任务。
对中国 AI 行业的启示
这篇文章对国内 AI 创业公司和科技巨头也有直接参考价值：
- 不要过度炒作 Agent 落地：许多国内公司宣称“Agent 已全面替代客服/销售/运维”，但实际效果往往需要大量人工兜底。
- 基础设施差距：Agent 对工具链、API生态、数据质量要求极高。国内企业往往在“模型能力”上追得很紧，但在“工具生态”和“错误恢复机制”上积累不足。
- 安全合规风险：自主 Agent 的决策行为在金融、医疗、法律等领域可能引发严重合规问题，监管框架尚未跟上。
结论：Agent 是“爬坡期”而非“成熟期”
扎克伯格的发言本质上是一次诚实的行业降温。AI Agent 的潜力毋庸置疑，但从“能聊”到“能干”之间，横亘着规划、记忆、工具调用、安全对齐等硬骨头。对于开发者而言，与其追求“全自主 Agent”，不如先聚焦于人类-AI协作模式：让 Agent 负责具体子任务，人类负责监督和决策。