“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。
为什么AI Agent成本归因必须按任务进行
你有没有过这种感觉：把每个API调用都埋了点，每个token都记了日志，每天模型花费的折线图画得清清楚楚，结果上线一个Agent之后，还是完全不知道哪个任务在亏钱？
这不是你的错。这是结构性的。
一个优秀工程师的本能是去测量“事件”级别——一次调用、一个延迟、一个token数，数据干净利落。但问题是，真正让你花钱或者赚钱的，从来不是单个事件，而是“任务”。一个任务可能是一次用户意图的完整执行，它可能跨越好几个模型调用、工具调用、重试逻辑，甚至跨不同的供应商。有些任务两个调用就搞定了，有些能炸到四百次。而你的事件级仪表盘呢？它把所有任务的平均值一算，然后告诉你“一切正常”。
平均值恰恰是利润藏身的地方。
这件事的紧迫性正在快速上升。Gartner预测，到2026年底，40%的企业应用会嵌入任务特定的AI Agent——这个数字在2025年还不到5%。但同一家机构也预测，到2027年底，超过40%的Agentic AI项目会被取消，原因就是“ROI不清晰”和“单位成本失控”。这两组数字之间的桥梁，就是团队能否在任务级别看清自己的经济账。今天，几乎没人能做到。
事件级成本归因为什么不行？三个致命问题
1. 扇出问题（Fan-out）：一个任务不是一次API调用，是几百次
斯坦福数字经济实验室在2026年做了一项研究（Bai等，arXiv，2026年4月），测量了8个前沿模型在Agentic编程任务中的token消耗。结果很震撼：Agentic任务消耗的token大约是普通聊天和推理任务的1000倍。更糟糕的是，同一个任务在同一个模型上跑两次，成本差异可以高达30倍。
OpenAI的首席经济学家也报告说，到2025年底，每个组织的平均推理token消耗同比增长了约320倍。
当一个任务的成本可以比一小时前高30倍时，事件级仪表盘告诉你的根本不是利润情况——它只是在告诉你今天的“天气”而已。一个失控的循环，完全可以在你看到图表变化之前，就给你带来一夜4000美元的API账单。
Uber就吃过这个亏。他们把Claude Code推广到整个工程组织后，2026年全年的AI预算在四个月内就花光了（《财富》，2026年5月）。COO承认，他完全无法把这些花费和具体交付的功能之间画出一条直线。花费是可见的，但每个任务的回报是看不见的。
2. 固定定价无法吸收任务方差
如果你的任务成本波动高达30倍，而你的定价却是固定的，那你实际上就是在补贴那些最重度的用户。这是最常见的失败模式。
GitHub Copilot是最好的例子。刚推出时，Copilot每月收费10美元，但微软据称每月平均在每个用户身上亏损20美元，重度用户甚至亏损高达80美元。订阅价是一个单一数字，而服务成本是一个分布——分布的长尾部分完全沉在水下。
Cursor也撞上了这堵墙，而且撞得更狠。2025年中，他们不得不重新定价原来的固定套餐，因为他们发现，那些长时间运行的Agent任务消耗的前沿模型计算资源，远远超出了订阅费覆盖的范围。他们转向了积分制，还为此公开道歉并退款。
Replit走得更远。随着其Agent消耗的LLM资源越来越多，其毛利率从36%直接跌到了-14%（Aakash Gupta分析，2026年2月）。
在每个案例中，固定定价都完美地完成了一个任务：让你完全无法分辨哪些会话在亏钱。
3. 薄如纸的AI毛利率经不起任何隐藏亏损
这些不是可以忽略的“四舍五入误差”。AI原生产品的毛利率本来就不高。
- Bessemer的2025年AI行业报告指出，早期AI原生公司的最低毛利率只有25%。
- ICONIQ对约300名软件高管的调查显示，2025年实际毛利率为45%，预计2026年达到52%。
- Burkland的CFO团队看到的AI创业公司毛利率范围是50%到60%。
而经典SaaS的毛利率通常在80%以上。SaaS CFO们说得直白：一家AI公司要达到和同等规模SaaS公司一样的EBITDA，收入规模必须是后者的6倍。
ICONIQ的数据显示，对于规模化阶段的AI B2B公司，仅模型推理一项就占收入的约23%。当推理费用占到收入的四分之一，而你的任务成本波动又是30倍时，你根本经不起对任何亏损任务的盲目。
4. 看不见的尾部：平均值看起来很健康，但特定任务在流血
最残酷的部分在这里：整体毛利率可能看起来不错，但某些特定任务却在亏钱。
Intercom的Fin支持Agent就是一个例子。同一个计划下的同一个客户，每月账单可以从50美元到3万美元不等——完全取决于Agent工作的难度。Todd Gagne的贡献毛利分析（Wildfire Labs，2026年3月）显示，一个重度用户在中位数水平可能是盈利的，但在90百分位的使用水平上却完全亏损。
常见的模式是：一小部分任务消耗了大部分成本。你可以把这个当作一个原则，而不是精确的统计数据——具体比例因产品而异。但方向是一致的：平均值是盈利的，尾部是亏损的，而尾部在你按任务归因成本之前，是完全不可见的。
失败模式总结
| 失败模式 | 机制 | 典型案例 |
|---|---|---|
| 扇出方差 | 一个任务扇出数百次调用；同一任务成本波动可达30倍 | 斯坦福数字经济实验室，2026 |
| 固定定价吸收 | 定价是单一数字，服务成本是分布，尾部极深 | GitHub Copilot：10美元定价 vs 80美元计算成本 |
| 薄AI毛利率 | 仅推理就占收入的23%，没有缓冲空间 | ICONIQ，2026 |
| 不可见尾部 | 整体毛利率健康，但特定任务在亏钱 | Intercom Fin：同一计划，50美元到3万美元/月 |
任务才是利润的基本单位
解决方案不是“更细的粒度”，而是“正确的粒度”。
事件级别太细，没有意义。客户级别太粗，因为同一个客户可能在同一个小时内既运行盈利任务又运行亏损任务——按客户一平均，你又回到了同样的盲目状态，只不过换了个更漂亮的包装。
任务，是成本和价值真正相遇的地方。它是AI Agent成本归因的正确级别。
这意味着成本和收入必须在任务边界上同时被观察到。今天，能做到这一点的技术栈少之又少。CloudZero在2025年5月的调查显示，只有不到一半的公司能把AI成本归因到客户，只有大约22%能归因到单个交易。到了任务级别——跨越多个模型、多个供应商、有状态中间步骤——这个归因缺口几乎是普遍存在的。
这就是为什么我说：按任务归因，是捍卫Agent利润的必选项。