“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代理开发进展慢于预期：技术瓶颈与行业反思
扎克伯格表示AI代理开发进展慢于预期，揭示当前大模型在自主决策与复杂任务执行上的根本性局限。
核心观点
在2026年7月2日的一次公开访谈中，Meta CEO马克·扎克伯格坦诚表示，AI代理（AI Agent）的开发速度远低于公司最初的预期。这一表态与2023-2024年间科技行业对“AI代理将彻底改变工作与生活”的狂热叙事形成鲜明对比。扎克伯格指出，当前的大语言模型（LLM）在“推理、规划与长期记忆”等关键能力上仍然存在严重不足，导致AI代理无法可靠地完成多步骤、跨系统的复杂任务。
技术细节：AI代理的三大瓶颈
1. 推理与规划能力的脆弱性
扎克伯格强调，现有模型（包括Meta自家的Llama系列和GPT-4等）在处理需要多步逻辑链的任务时，经常出现“幻觉式跳跃”或“中途遗忘目标”的问题。例如，一个被要求“预订航班、酒店并安排接送”的AI代理，可能在完成航班预订后，忘记酒店的地理位置与接送服务的衔接逻辑，导致生成冲突的行程。这本质上是因为Transformer架构的注意力机制仍缺乏对人类式“工作记忆”和“因果推理”的模拟能力。
2. 长期记忆与状态管理的缺失
AI代理需要在跨会话、跨场景中保持一致的上下文。扎克伯格透露，Meta内部测试显示，即使使用最先进的向量数据库和RAG（检索增强生成）技术，AI代理在连续执行超过5-7个步骤后，其任务成功率会从80%以上骤降至30%以下。问题的根源在于：当前模型对“记忆”的处理本质上是静态的（通过外部存储），而非像人类大脑那样动态更新与遗忘。当代理需要同时管理多个并发任务时，状态冲突和记忆混淆几乎不可避免。
3. 工具调用与系统集成的可靠性问题
AI代理的核心能力是调用外部API（日历、邮件、数据库等）。扎克伯格指出，现实世界的API接口千差万别，且经常变更。一个AI代理在训练时学到的调用模式，可能在生产环境中因API版本更新而完全失效。更致命的是，当代理执行一个需要调用多个API的复合操作时（如“从CRM读取客户信息→生成合同→发送邮件→更新交易状态”），任何一个环节的微小错误（如参数格式错误、超时）都会导致整个链条崩溃，而当前模型缺乏足够强的异常恢复机制。
行业背景：从狂热到理性
2024-2025年间，硅谷曾掀起“AI代理元年”的浪潮。创业公司如Adept、Cognition AI（Devin）以及微软的Copilot Studio都推出了号称能“自主完成工作”的代理产品。然而，实际部署后暴露的问题包括：
- 成本失控：一个代理完成一项简单任务可能需要数十次模型调用，API费用远超人工成本。
- 安全风险：代理在自主调用系统时，可能因权限误判导致数据泄露（例如，将内部文档错误地发送给外部联系人）。
- 用户信任危机：由于代理的决策过程不透明，用户难以在关键业务（如金融交易、医疗诊断）中放心授权。
扎克伯格的发言可被视为行业从“技术乐观主义”向“工程现实主义”转变的标志性事件。他特别提到，Meta已将其内部AI代理项目从“面向消费者全面铺开”调整为“聚焦特定垂直场景”，例如客服工单分类、代码仓库管理中的简单重复任务。
深度分析：为什么进展这么慢？
架构层面的根本限制
当前所有主流AI代理都基于“LLM + 工具调用 + 记忆存储”的松耦合架构。这种架构的本质缺陷在于：LLM本身是一个“一次性的推理引擎”，它没有持续的“自我意识”或“目标持久性”。当代理将任务分解为子步骤后，每个子步骤的推理是独立的，缺乏人类那种“随时回溯、修正整体计划”的能力。
数据与训练的矛盾
扎克伯格透露，Meta发现即使使用海量真实用户操作数据（如浏览器点击流、办公软件日志）进行微调，模型在陌生界面或新软件版本上的表现仍然急剧下降。这是因为AI代理需要的是“跨域迁移能力”，而当前监督学习范式下，模型只是记住了特定操作模式，而非理解了“任务目标与操作之间的抽象因果关系”。
评价标准的缺失
目前业界没有一个公认的AI代理基准测试。现有的HumanEval、SWE-bench等主要测试代码生成，而非端到端的任务完成质量。扎克伯格认为，没有好的度量标准，就无法系统性地改进模型——团队只能靠人工评估，效率极低。
未来展望：扎克伯格给出的方向
- 模型原生能力的进化：下一代Llama（可能为Llama 5）将重点增强“推理链的长度”和“多任务状态跟踪”，而非简单扩大参数规模。
- 更稳健的工具调用协议：Meta正在推动一个名为“Agent-API”的标准化接口，要求所有接入的API必须提供“操作确认”和“错误回滚”能力，类似数据库事务的ACID特性。
- 人机协作而非全自动：扎克伯格明确表示，未来2-3年内，AI代理更适合作为“半自主助手”，在人类监督下执行子任务，而非完全取代人类。
结论
扎克伯格的发言并非否定AI代理的长期价值，而是对当前技术阶段的诚实评估。它提醒整个行业：从“能聊天的模型”到“能干活的智能体”，中间隔着的不是简单的API封装，而是对推理、记忆、规划等认知科学根本问题的突破。对于开发者而言，这意味着在押注AI代理应用时，需要预留足够的容错空间，并优先选择那些“任务边界清晰、失败成本低”的场景。