“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。
模型不是企业的护城河，那什么才是？
最近跟几个做企业的朋友聊天，发现大家都有个共同的困惑：模型每个月都在变强，但自己的公司好像并没有跟着变强。这种感觉挺微妙的——明明给员工开了大模型账号，上了Copilot，接入了知识库，还搞了几个Agent试点，今年又开始折腾OpenClaw这类产品，让AI从“会说”变成“会干”。演示效果确实惊艳，发布会也足够热闹，员工写文档快了，会议纪要好生了，PPT和方案也能快速输出了。
但问题来了：这些使用痕迹有没有真正沉淀为企业能力？专家经验有没有变成组织资产？每一次任务完成后，下一次能不能做得更好？如果明天把底层模型换了，企业积累下来的判断还在不在？如果所有公司都把知识喂给少数几个大模型，最后的价值到底留在谁手里？
这些问题，才是企业AI进入深水区后真正的分水岭。
AI竞争的三个阶段
在我看来，AI竞争已经走过了两个阶段，正在进入第三个：
- 第一阶段：模型能力之争。比谁的参数大，谁的理解能力强，谁的生成质量高。
- 第二阶段：Agent应用之争。比谁能把模型包装成好用的工具，谁能做出更流畅的交互体验。
- 第三阶段：智能资产之争。这才是接下来更关键的战场——谁能把AI变成企业自己的智能引擎，而不是仅仅当一个租户。
这个判断不是我瞎说的。在通用大模型热潮最汹涌的时候，衔远科技的创始人周伯文教授就提出了一个逆势判断：AI发展的正确路径，是在充分泛化的基础上，具备对任何领域深度专业化的能力。
说白了，通用模型解决的是“会做”的问题，但企业竞争力从来不来自“会做”，而来自“比别人做得更准确、更快、更符合自己的业务逻辑”。一家企业如果只是接入了最好的通用模型，相当于所有人都坐上了同一趟高铁——速度快了，但方向和目的地都一样，竞争优势无从建立。
这个判断比“企业需要AI工具”更深一层，也比“企业要建私有化部署”更准确。它指向的是一个根本问题：在AI时代，企业专业能力的所有权，归谁？
纳德拉的Token Capital概念，但有个漏洞
微软CEO纳德拉最近提出了一组很有意思的概念：Human Capital（人力资本）和Token Capital（词元资本）。他认为，企业通过AI系统沉淀下来的可复用智能能力，是这个时代新的资本形态。AI不会让人力资本变得不重要，反而会让真正高质量的人类判断更重要。
真正危险的，是企业把自己的知识、经验和判断全部交给外部模型，却没有形成自己的学习系统。他用全球化作类比：第一次全球化中，很多产业把制造能力外包出去，产业空心化的代价持续多年。AI时代，如果被外包的是认知能力和专家经验，后果可能更严重。
但纳德拉没有回答的问题是：企业的专业判断、业务规则和专家经验，如果是在使用通用模型的过程中被持续吸入模型底座，那Token Capital，究竟是在自己手里，还是在模型厂商手里？
周伯文教授的回答很明确：专业化能力必须留在企业自己的平台上、自己的know-how里，而不是成为通用模型无限膨胀的训练材料。 这不只是技术路线的选择，更是一种商业伦理的表态：企业把数据和经验交给一个平台，这个平台有没有责任让这些资产留在企业自己手里？
而回答这个问题，需要的不只是承诺，而是一套企业自己能验证的评测体系。
真实企业任务，比公开Benchmark难得多
就在这个背景下，衔远科技大观研究院团队发布了一篇论文：EnterpriseClawBench: Benchmarking Agents from Real Workplace Sessions。这篇论文一出来就登上了Hugging Face Daily Papers日榜第二名，意味着全球研究社区当天认为这是最值得关注的论文之一。
更重要的是，衔远同步开放了评测协议和构造方法。这意味着任何企业、研究团队都可以用同样的方法，在自己的数据上构建私有评测集。
这个EnterpriseClawBench跟传统的benchmark完全不是一回事。它不是用传统问答题测试模型，也不是让模型在标准化题库里刷分，而是从真实企业工作会话中构建Agent评测任务。
具体怎么做的？衔远科技Frontis团队从真实工作场景中，抽取了2026年3月到5月的内部Agent使用记录，经过过滤、分类、评分标准生成等一系列自动化处理，最终构建出852个可复现任务，并人工审计出120个Lite任务子集。
这些任务覆盖了产品、研发、HR、行政、销售、市场、财务、运营、管理层等真实岗位。任务形态完全来源于企业日常工作：
- 有人上传会议录音和项目群进展，让Agent写日报
- 有人上传Excel，让Agent校准收入、成本、毛利和现金流
- 有人上传PDF和模板，让Agent生成案例展示
- 有人要求生成HTML页面、PPT、表格、报告、代码或图片
- 还有人让Agent分析周报、修改OKR、整理客户拜访计划、生成解决方案
这跟传统问答benchmark完全是两个世界。传统评测经常考的是模型能不能答对。而EnterpriseClawBench考的是：Agent能不能在企业工作空间里，读取异构文件、恢复上下文、调用工具、生成可用交付物，并且在成本、耗时、格式、视觉质量和证据准确性上都过关。
这就像把AI从“考试环境”拉进了“真实办公室”。
评测设计的几个关键点
在构造方式上，EnterpriseClawBench做了几层关键设计：
第一，来自真实工作会话，而不是人工想象出来的任务。 这一点太重要了。很多benchmark的问题都是研究者坐在办公室里想出来的，跟实际业务差十万八千里。而这里的数据来自真实的员工-Agent交互记录，每个任务都是真实发生过的工作需求。
第二，同时评估文本和视觉交付物。 不只看回答内容，也看文件是否真的可用。比如你让Agent生成一个PPT，它不仅要内容正确，还要PPT能正常打开、格式规范、视觉上可用。
第三，采用硬规则和语义评分结合的方式。 文件类型对不对、文件数量够不够、文件是否为空、能不能打开——这些是硬规则，不满足直接扣分。准确性、相关性、深度、实用性、表达质量——这些是语义评分，需要模型或人工来评估。
第四，把成本和耗时也纳入报告。 企业部署AI不可能只看效果，不看ROI。如果一个Agent效果很好但每次调用要花10块钱、跑5分钟，那在实际业务中可能根本用不起。
第五，由于源数据包含企业内部内容，不释放数据本身，而是开放构造与评测协议。 这一点非常关键，因为它恰好回答了纳德拉提出但没有解决的问题：企业需要评测系统，但不能为了评测牺牲自己的内部数据和知识资产。
三个反直觉的结论
回到EnterpriseClawBench本身，它最值得关注的不是榜单排名，而是揭示出的三个反直觉事实。
第一个事实：真实企业任务远未被Agent解决
在人工审计的120个Lite任务上，最强组合Codex/GPT-5.5的得分也只有0.663。注意，这已经是当前最强的模型组合了，但得分还不到0.7。
这不是说模型不强，而是说明真实企业任务比公开benchmark难得多。企业任务往往不是单点问题，而是复合问题：要读文件，要理解上下文，要遵守格式，要生成交付物，要保留证据，要满足业务目标，还要能被人直接使用。任何一个环节出错，业务结果都可能不可用。
我举个例子：让Agent写一份周报，看起来很简单对吧？但实际任务可能是这样的——你上传了一个小时的会议录音、三天的项目群聊天记录、一份Excel数据表，要求Agent生成一份格式规范的周报，包含本周进展、下周计划、风险点、数据对比，还要附上关键决策的原文引用。任何一个环节出错，这份周报就没法直接用。
这就是0.663这个数字背后的现实。
第二个事实：Harness和模型一样重要
论文发现，同一个Claude模型，在不同Agent框架下表现差异很大。有的组合可以保持0.62到0.64的区间，有的框架下却掉到0.458。
这说明Agent不是模型的简单外壳。工具调用、权限控制、运行环境、文件写入路径、多步修复能力、执行链路长度——这些都会影响最终交付。
所以企业不能只问“你用了哪个模型”。更应该问：你的Agent如何执行？如何读文件？如何调用工具？如何生成交付物？如何保存证据？如何失败重试？如何被评估和优化？
这就像买车，不能只看发动机参数，还要看变速箱、底盘调校、悬挂系统、轮胎、电子辅助系统——所有这些加在一起才决定了一辆车的实际表现。
第三个事实：Skill注入是AI for AI的雏形，但必须被评测
EnterpriseClawBench做了一个很有意思的实验：从同类任务中蒸馏Skill，再注入Agent，测试它在留出任务上的表现。
结果发现，好的Skill确实可以提升Agent表现，但效果高度依赖“谁来生成Skill”和“哪个Agent来消费Skill”。有些Skill带来正迁移，有些Skill反而造成负迁移。
这非常重要。它恰恰说明“让Agent自我进化”在今天远不是自动成立的——放任沉淀经验，很可能让Agent变笨。正因如此，进化必须被评测约束。经验要进入系统，必须经过评估。Skill要进入生产，必须经过验证。Agent要自我进化，必须有一套能判断进化方向是否正确的私有化评测体系。
真正的模型能力评测不能只看外部榜单
这三个发现，共同指向同一个缺口：企业真正需要的，不只是model eval（模型评估），而是private eval（私有化评估）。
什么叫一次好的销售机会诊断？什么叫一个可被复用的专家判断？什么叫Agent真的改善了业务结果，而不是只生成了一份看起来漂亮的文档？
这些问题，通用模型公司无法替每家企业回答。答案藏在企业自己的业务目标、组织经验、隐性规则和管理判断里。
外部benchmark告诉你模型的通用能力，private eval才能告诉你AI是否真的在你的业务里创造价值。
正如纳德拉所说的“控制权测试”：如果明天换掉底层模型，企业积累的专家经验还在不在？如果不在，买到的只是外部能力；如果还在，才算真正沉淀了自己的智能资产。
这也是衔远大观MA进化引擎背后的设计逻辑：不是让Agent自己随便变，而是让Agent在评估、反馈、归因、沉淀和再训练中受控进化。
衔远大观：自主进化的智能资产引擎平台
沿着这个逻辑，衔远科技Frontis正在做的衔远大观Frontis Horizon，可以被更准确地定义为：自主进化的企业级智能资产引擎平台。
它不是传统的Agent编排工具，不是通用Agent平台工具，也不是简单的企业级OpenClaw。它真正要解决的是企业AI的更底层问题：
- 如何把通用模型能力，转化为企业自己的专业能力？
- 如何把专家经验，沉淀成可复用的Skill和Agent？
- 如何把工作流、业务规则、组织记忆和评测标准沉淀为企业自有知识产权？
- 如何让企业在替换底层模型时，仍然保留自己的DNA、Memory和Process？
- 如何让每一次使用，不只是完成任务，而是反哺下一次能力提升？
一句话：衔远大观要做的不是帮企业“使用AI”，而是帮企业拥有一套可持续进化的自有智能系统。
在衔远大观的架构里，这套系统分为三层：
第一层：ME（人的组织代理）
ME不是聊天机器人，也不是静态个人知识库，而是在企业语境中代表人持续推进工作的受治理代理。它理解人的目标、偏好、职责、权限、风险边界和历史上下文，可以帮助人过滤信息、生成判断、推进任务，并在关键节点请求确认。
ME的价值不是“像不像我”，而是“能不能代表我把工作推向前”。
举个例子，某客户的销售总监反馈，接入ME之后，他每周整理跟进计划的时间大幅压缩。但更重要的变化发生在三个月之后——他的ME已经积累了大量高质量销售判断案例，这些判断模式开始被复用于团队的新人培训。
ME不是概念。衔远已经把ME的核心能力产品化为Leadeep AI领衔者——一款面向职场人的AI录音与洞察产品。上述销售总监使用的，正是Leadeep AI领衔者，也就是ME能力的移动端产品化形态。
它做的事情，正是ME层设计的微缩版：记录人在真实工作场景中的判断和决策，提炼关键信息，在下一次同类场景中更快给出建议。618期间，Leadeep在社交媒体上引发自发传播，背后不是靠营销，而是因为很多用户第一次感受到“AI真的在帮我积累判断，而不只是帮我整理文字”。
第二层：WE（企业的硅基组织）
企业不是只有一个Agent，而是需要由多个角色化专家Agent组成的协同网络。
比如，在世界500强大宗商品贸易企业的大豆采购场景中：大宗市场分析专家、海运物流专家、合规风控专家以及财务成本专家等，组成供应链Agent专家团，协同完成大豆采购交易。结果是什么？降低交易风险的同时，将行业研究周期从天缩短到小时，物流规划周期从周缩短到天。
WE的关键不仅在于专家数量，更在于组织上下文。没有目标、权限、证据、接口、语义标准和治理边界，再多Agent只是噪声。有了组织上下文，一群Agent才能变成真正的硅基组织。
第三层：MA（组织级学习与控制系统）
没有MA，ME和WE只是一套执行系统。有了MA，组织才会在每一次执行中变得更聪明。
MA要记录行动、评估结果、追踪证据、分析偏差、沉淀经验、更新规则——把错误变成材料，把反馈变成训练信号，把一次次任务变成企业能力复利。
这也是从双环学习走向三环学习：不仅复盘动作对不对，也复盘策略对不对，还复盘组织结构、能力结构和流程规则是否应该被重构。
正如上述大豆采购Agent专家团案例，通过持续反馈和使用沉淀专家经验到Skill和Agent，从而构建私有化评估和持续进化的组织能力，大宗贸易企业得以更好地应对急剧变化的宏观形势和国际市场。
结语：AI原生能力的核心在于持续进化
行业里有一个常见误区：企业里有很多AI工具、很多Agent、很多自动化工作流，就算AI原生了。
但这仍是旧时代的理解方式——组织本体不变，只是多装了几个智能体；管理方式不变，只是流程跑得更快一点。
真正的AI原生，不是“原来的企业+AI工具”，而是企业本身开始被重新定义。
过去的数字化系统，大多解决的是记录问题：ERP记录交易，CRM记录客户，OA记录流程，BI展示指标。它们让企业变得更透明，但并没有改变一个底层事实：人仍然是唯一行动主体。
AI原生系统改变的正是这个前提。AI不再只是记录和展示，而是开始理解目标、调用工具、推进任务、生成交付、接收评价，并在反馈中持续学习。企业系统正在从System of Record走向System of Learning。从“记录企业”走向“进化企业”。
回到文章开头的问题：模型不是企业的护城河，那什么才是？
答案已经清晰：私有化评估 + 可持续进化能力。
私有化评估，让企业能判断AI是否真的在自己的业务里创造价值，而不是只看外部榜单选模型。可持续进化能力，让每一次任务执行、每一次专家反馈、每一次经营复盘，都能转化为可复用的知识、Skill和Agent。
同一个大模型，所有人都可以买。同一种Agent框架，所有企业都能接。但每家企业在长期经营中形成的客户理解、专家判断、流程细节和决策偏好，不会自动存在于通用模型里。
如果企业不能把这些东西沉淀下来，AI用得越多，越可能只是替外部模型训练了世界，而没有训练自己的组织。
当底层模型明天被换掉，企业积累的DNA、Memory和Process还在——那才是真正意义上的Token Capital，也才是这个时代企业真正的护城河。
相关链接：