“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。
扎克伯格：AI Agent 开发进展慢于预期，当前大模型存在根本性局限
扎克伯格指出当前 AI Agent 开发进度显著慢于预期，核心瓶颈在于大模型在长期记忆、自主规划与可靠执行上的能力不足，而非单纯规模扩展问题。
一、背景：AI Agent 的行业期望与现实落差
2026年7月2日，马克·扎克伯格在接受 Reuters 采访时坦承，Meta 在 AI Agent（自主智能体）领域的开发进展“比预期要慢得多”。这一表态与过去两年整个科技行业对 AI Agent 的狂热期待形成鲜明对比。自2023年起，AI Agent（或称智能体、自主代理）被广泛视为大语言模型的“下一代杀手级应用”——从自动编写代码、管理日程，到执行复杂多步骤工作流，业界普遍认为 AI Agent 将是继聊天机器人之后的下一波爆发点。
然而，扎克伯格的评论揭示了现实：尽管大模型在单轮问答、文本生成等任务上表现出色，但要构建一个能够长期自主运行、在动态环境中做出可靠决策的 Agent，仍然面临一系列根本性挑战。
二、扎克伯格指出的三大核心瓶颈
1. 长期记忆与上下文窗口的物理极限
扎克伯格强调，当前大模型（包括 Meta 自家的 Llama 系列）在“持续学习”和“长期记忆”方面存在结构性缺陷。一个真正的 AI Agent 需要在数小时、数天甚至数周的时间跨度内记住用户偏好、任务上下文和历史交互，但现有模型的上下文窗口（context window）即便扩展到百万 token，本质上仍是静态的、固定大小的缓冲区，而非真正的记忆系统。
- 技术细节：主流 Transformer 架构的注意力机制复杂度为 O(n²)，使得超长上下文的推理成本呈指数级上升。即便通过稀疏注意力或局部注意力进行优化，模型依然无法像人类一样对信息进行“遗忘-巩固-回忆”的动态管理。
- 实际影响：Agent 在长时间运行后会出现“上下文漂移”——早期的重要指令被后续无关信息淹没，导致行为偏离初始目标。
2. 自主规划与执行可靠性不足
扎克伯格指出，AI Agent 的“规划能力”远未达到可产品化的水平。一个理想的 Agent 应当能够：
- 将复杂任务分解为子任务
- 按顺序或并行执行子步骤
- 在遇到意外错误时自我修正
- 在不确定时主动请求人类确认
但现实是，当前模型在多步推理中的错误累积非常严重。例如，一个负责自动回复邮件的 Agent 可能在第三步就误解了指令，然后基于错误理解继续执行后续四步，最终产生完全偏离预期的结果。
- 关键数据：扎克伯格透露，Meta 内部测试中，即使经过精心设计的提示词和链式思考（Chain-of-Thought）技术，Agent 在超过5个步骤的复杂任务上的成功率仍然低于60%。对于需要10个以上步骤的任务，成功率骤降至20%以下。
3. 可靠性与安全性的产品级鸿沟
“可靠性”是扎克伯格反复提及的关键词。他指出，一个聊天机器人偶尔给出错误回答是可以接受的——用户通常能自行判断并纠正。但一个 AI Agent 被赋予执行实际操作的权限（如发送邮件、修改文件、管理账户设置）时，每一次错误都可能造成严重后果。
- 安全悖论：要让 Agent 足够有用，必须给予它足够的系统权限；但权限越高，错误时的破坏性越大。Meta 目前采取的策略是“渐进式授权”——Agent 在关键操作前必须二次确认，但这又破坏了“自主”的初衷。
- 测试结果：扎克伯格提到，在 Meta 的模拟环境中，即便最先进的 Agent 模型在执行“自动管理社交媒体账号”任务时，平均每执行100次操作就会发生2-3次需要人工干预的严重错误——对于产品级部署而言，这个错误率太高。
三、扎克伯格对当前技术路线的反思
扎克伯格明确表示，单纯扩大模型规模（scaling law）并不能解决 Agent 问题。他指出，Meta 已经尝试了更大参数量的模型、更多的训练数据和更长的训练时间，但在 Agent 能力上的边际收益正在递减。
- 核心观点：当前 Transformer 架构天生适合“一次性回答”或“短对话”，但 Agent 需要的是一种全新的架构设计——它需要内置记忆管理系统、错误恢复机制，以及某种形式的“世界模型”来模拟行动后果。
- Meta 的应对：Meta 正在探索多种替代方案，包括：
- 将长期记忆外挂到独立的向量数据库中，让 Agent 通过检索增强生成（RAG）来访问历史信息
- 开发专门的“规划模块”，与语言模型解耦，使用更传统的符号推理或强化学习进行任务分解
- 引入“反省循环”（reflection loop），让 Agent 在每次行动后自动评估结果并修正策略
四、行业背景与比较分析
扎克伯格的言论并非孤例。2026年上半年，整个 AI 行业对 Agent 的炒作热度已经开始降温：
- OpenAI 的 GPT-5 虽然大幅提升了多步骤推理能力，但其 Agent 产品“Operator”在内部测试中仍被报告存在“决策不一致”问题，发布计划一再推迟。
- Google DeepMind 在2025年底发布的“Project Mariner”演示令人印象深刻，但实际使用中需要大量人工监督，尚未达到完全自主。
- 初创公司 如 Cognition AI（Devin 自动编程 Agent）虽然获得大量关注，但用户反馈显示其在真实软件工程任务中的成功率远低于宣传。
扎克伯格的观点代表了一种正在形成的行业共识：AI Agent 不是简单的“把聊天机器人加个API”就能实现的，它需要从模型架构层面进行重新设计。
五、对未来的展望与建议
尽管进展慢于预期，扎克伯格仍对 AI Agent 的长期前景表示乐观。他认为，未来2-3年内，随着以下技术的成熟，Agent 将逐步达到产品级可靠性：
- 混合架构：将大语言模型的自然语言理解能力与传统 AI 的规划、记忆、推理模块相结合，而非依赖单一端到端模型
- 更好的评估基准：行业需要专门针对 Agent 的长期任务、错误恢复、安全性等维度的标准化测试，而非仅仅依赖传统的 NLP 指标
- 渐进式部署：先从低风险、高监督的场景开始（如客服辅助、代码审查），逐步向完全自主过渡
扎克伯格最后强调，Meta 不会放弃 Agent 方向，但“我们需要接受一个现实：这比任何人预想的都要难。这不是一个六个月或一年的问题，而是一个三到五年的工程挑战。”