“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。
扎克伯格承认AI Agent开发未达预期：技术瓶颈与行业反思
扎克伯格表示AI Agent开发进展慢于预期，暴露当前大模型在自主决策与可靠执行上的根本性挑战。
核心观点：AI Agent的商业化落地远比想象中艰难
2026年7月2日，马克·扎克伯格在一场内部技术分享会上公开承认，Meta的AI Agent（智能体）开发进度显著慢于公司早先的乐观预期。这一表态迅速在Hacker News上引发热议（284分/488条评论），因为它戳中了整个AI行业的一个敏感神经：尽管大语言模型（LLM）在对话、写作、代码生成等任务上表现惊艳，但要让AI真正像“智能助手”一样自主执行复杂任务——比如预订行程、管理邮件、操作软件——目前仍面临巨大的工程与科学障碍。
扎克伯格具体指出，当前AI Agent在以下三个维度上存在难以逾越的瓶颈：
任务完成的可靠性不足：即使是最先进的大模型，在面对多步骤、需要与环境交互的任务时，失败率仍然很高。例如，一个被要求“帮我在会议室预定下周二下午两点的会议，并邀请团队所有成员”的Agent，可能在解析日历权限、处理冲突时间、正确生成邀请邮件等环节出现不可预测的错误。扎克伯格援引Meta内部测试数据称，在涉及超过5个独立步骤的复杂任务中，Agent的端到端成功率低于40%。
长期记忆与上下文管理难题：当前大模型的上下文窗口虽然有显著提升（如GPT-4o支持百万token级别），但Agent在持续数小时甚至数天的任务执行中，仍然面临“遗忘”关键信息的问题。Agent需要记住用户的历史偏好、已完成的步骤、中途插入的新指令，并据此调整后续行为。扎克伯格认为，现有的Transformer架构在动态、长程的上下文维护上存在结构性缺陷，单纯扩大窗口无法解决。
工具调用与系统集成的脆弱性：AI Agent需要调用API、读写数据库、操作GUI或执行Shell命令。这些外部交互的每个环节都可能引入错误——API返回格式变化、网络超时、权限校验失败等。扎克伯格强调，Agent的鲁棒性不是模型本身能单独解决的问题，它要求整个系统架构（包括错误处理、回退机制、状态验证）有质的提升。Meta内部一个用于自动化内部工作流的Agent项目，因为频繁遭遇第三方服务的非标准响应，最终被迫将95%的任务降级为“人工审核后执行”。
背景与行业现状：为什么“Agent元年”尚未到来？
2025-2026年间，整个AI行业都在热炒“AI Agent”概念。从OpenAI的Operator、Anthropic的Computer Use，到微软的Copilot Agents、谷歌的Project Mariner，几乎所有大厂都将Agent视为下一代人机交互的核心范式。然而，扎克伯格的发言揭示了光鲜Demo背后的残酷现实。
技术层面：大模型的能力天花板
AI Agent的核心工作流通常包括：感知（Perception）→ 规划（Planning）→ 执行（Execution）→ 反馈循环（Feedback Loop）。当前的大模型在“规划”环节表现尚可，但在“执行”和“反馈”环节暴露了脆弱性：
- 执行错误：模型生成的代码或API调用可能包含微小但致命的逻辑错误（如参数顺序错误、缺失必要的错误处理）。
- 反馈理解：当执行失败时，Agent需要从错误信息中准确推断原因并修正。但现有模型对模糊或非标准错误信息的解析能力有限，容易陷入死循环。
- 安全与对齐：一个自主行动的Agent如果被注入恶意指令，或误解用户意图（例如“删除所有邮件”被理解为删除整个邮箱账户），后果远比对话式AI严重。
工程层面：系统复杂性远超预期
扎克伯格特别提到，Meta在构建Agent时遇到的最大挑战并非模型本身，而是基础设施的不可靠性。例如：
- 跨平台认证（OAuth令牌过期、多因素认证打断流程）
- 第三方API的速率限制与版本不兼容
- 不同系统中的数据格式与语义差异（同一个“用户ID”在不同系统中含义不同）
这些问题使得Agent的“端到端成功率”成为一个系统工程问题，而非单纯的AI能力问题。Meta的工程师估算，要使Agent达到90%以上的可靠性，需要投入的工程资源是模型训练的5-10倍。
扎克伯格的反思与Meta的调整策略
面对这些挑战，扎克伯格提出了Meta的应对思路，这些思路也代表了行业正在形成的共识：
从“通用Agent”转向“垂直领域Agent”：放弃打造一个能处理所有任务的超级Agent，转而聚焦于特定场景（如客服、代码审查、数据分析）。这些场景的任务边界清晰，预期输出明确，且可以通过大量领域内数据微调来提高可靠性。
强化“人机协作”而非“完全自主”：Agent不应被设计为独立决策者，而应作为“辅助工具”为人类提供建议、草稿和选项，关键决策仍需人类确认。扎克伯格称这种模式为“半自主Agent”（Semi-Autonomous Agent），并认为这是未来2-3年内最务实的路径。
构建专门的Agent评估基准：现有基准（如GAIA、AgentBench）过于简化，无法反映真实世界的复杂性。Meta正在内部开发一套包含动态环境、随机干扰和长期任务链的评估体系，以更准确地衡量Agent的实用价值。
开放部分Agent框架：Meta计划开源其Agent开发框架（内部代号“Cicero 2.0”），包括错误处理模块、状态管理工具和工具调用中间件，以吸引社区贡献并加速行业标准化。
社区反应：Hacker News上的深度讨论
Hacker News上的488条评论高度聚焦于几个关键争议点：
“Agent是否被过度炒作？” 不少用户指出，扎克伯格的表态是对过去两年AI营销泡沫的清醒纠偏。一位获得高赞的评论写道：“我们花了两年时间证明LLM能聊天，然后又花了一年证明它能在特定任务上表现不错。现在突然要求它像人类一样管理整个工作流？这不科学。”
“可靠性比能力更重要” 许多有实际部署经验的工程师分享了类似遭遇：一个在演示中表现完美的Agent，在生产环境中因为一个微小的API变化就彻底崩溃。评论普遍认为，当前行业对Agent的可靠性投入严重不足，大家更关注模型参数和基准分数，而非实际可用性。
“这与自动驾驶的困境如出一辙” 一些评论将Agent的现状与自动驾驶类比：Demo惊艳，但面对长尾场景（corner cases）时表现极差。核心问题都是“如何让AI在开放世界中安全、可靠地执行任务”——这可能需要全新的架构，而非对现有模型的修补。
“真正的突破可能来自强化学习” 部分技术评论者认为，当前Agent主要依赖监督学习和人类反馈（RLHF），但真正让Agent学会自主决策的可能是大规模在线强化学习——让Agent在模拟环境中通过试错掌握技能。不过，这需要巨大的计算资源，且存在安全风险。
总结与展望
扎克伯格的坦诚发言，为AI Agent热潮泼了一盆冷水，但也指明了更务实的前进方向。短期内，我们不太可能看到“全能AI管家”的普及；但长期来看，随着垂直领域Agent的成熟、半自主协作模式的完善，以及工程基础设施的标准化，Agent有望在特定场景（如企业流程自动化、个人日程管理）中真正落地。
正如扎克伯格所说：“我们不是在开发一个AI，而是在构建一个复杂系统。系统的可靠性取决于最薄弱的环节——而那个环节，往往不是模型本身。”