标签: AI工具

  • DoorDash用AI聊天机器人点餐,拍张照片它就知道你想吃什么

    外卖App的点餐体验其实一直有点笨:你知道自己大概想吃什么,但就是找不到——要么搜关键词匹配不到,要么翻了半天菜单还是拿不定主意。DoorDash本周推出的一款AI聊天机器人,想用对话的方式把这个过程重新做一遍。

    这个功能叫”Ask DoorDash”,已经在iOS的部分美国用户中开始推送。它的核心逻辑很简单:你不用再手动搜索餐厅或商品,直接用自然语言告诉它你想吃什么,或者更直接一点——拍张照片,它帮你把照片里出现的东西变成购物车。

    拍照就能生成购物车

    杂货购物是这个功能最实用的场景。你可以拍一张烹饪书的页面,或者手写的购物清单,甚至直接拍一张食谱截图,Ask DoorDash会自动识别其中的食材和分量,帮你把对应的商品加进购物车。它还会贴心地问你:家里还有没有糖?有没有黄油?避免你重复购买。

    如果你之前在这家店下过单,它还能根据你的历史订单推荐商品,或者帮你一键重新下单上次的购物车。这个设计和国内一些电商App的”再来一单”有点像,但多了AI对话的灵活性——你可以说”上次买的那款咖啡再来一包,再加两盒牛奶”。

    DoorDash AI聊天机器人点餐
    DoorDash新推出的Ask DoorDash支持文字和照片两种方式点餐丨图片来源:TechCrunch

    点餐和预订也一样

    点餐的场景更偏向”模糊搜索”。你可以告诉它”帮我家四口人找点能吃饱的晚餐”,它会返回一堆匹配的餐厅,并且附带一句个性化说明解释为什么推荐这家。如果结果不够精准,你可以继续对话:”有没有适合带孩子去的?口味要清淡的。”它会在这个基础上重新筛选。

    选好餐厅之后,它还能根据你的饮食偏好、预算和用餐人数,直接帮你生成推荐购物车——相当于把”看菜单→选菜→加购物车”这几步合并成一句话。

    预订功能也是类似的逻辑。你说”晚上8点左右,市中心,两个人约会用”,它会返回有空位的餐厅列表。不满意可以继续提要求:”有没有环境更私密一点的?”

    大家都在做,但DoorDash来晚了

    把AI助手塞进外卖和购物场景,这个概念已经不算新鲜了。今年2月,Uber Eats就推出了一个名为”Cart Assistant”的AI购物车助手;Instacart也有类似的AI购物工具,面向使用Instacart技术的杂货商客户开放。大家押的赌注是同一件事:AI让”购物”这件事变得更像”聊天”,用户不用再适应软件的搜索逻辑,软件来适应用户的说法方式。

    从实际体验来说,这套思路确实解决了一些痛点。传统搜索要求用户知道确切的餐厅名或商品名,但现实中很多人点外卖的状态是”大概想吃这个,但也不知道叫什么”,这时候对话式搜索就有优势了。

    不过也得泼点冷水。类似的AI聊天购物功能,过去几年里已经被各种电商平台宣布过无数次,但真正改变用户习惯的案例并不多。大部分人还是习惯直接搜索,因为确定需求的时候,搜索比聊天更快。Ask DoorDash能不能真正被用户用起来,而不是一个”听起来很酷但没人用”的功能,接下来几周的推广数据会给出答案。

    DoorDash表示,这个功能未来几周会逐步推到美国更多用户,覆盖iOS和Android两端。至于国内用户什么时候能用上——暂时还没有消息。


  • AI智能体为什么总是”不懂你的业务”?这家公司拿了2400万美元去填这个坑

    AI智能体为什么总是”不懂你的业务”?这家公司拿了2400万美元去填这个坑

    Jedify联合创始人团队
    Jedify 联合创始人团队(图源:TechCrunch)

    AI厂商卖企业版产品的时候,演示都做得漂漂亮亮——”开箱即用,马上上岗”。但凡真刀真枪部署过的都知道,事情没那么简单。模型不知道你们公司怎么定义”收入”,不知道哪份文件是最新版本,更不知道谁有权限看什么。要让AI智能体真正在企业里跑起来,你得先让它读懂你的业务。

    总部在纽约的初创公司Jedify正在做的就是这件事。他们刚完成了2400万美元的A轮融资,由Norwest领投,Snowflake作为战略投资方也进来了。Jedify做的事情说起来不复杂:把企业里散落在各处的知识——数据库、数据仓库、SaaS应用、BI工具、报告、文档、代码库,甚至Slack频道和会议录音——全部接进来,建成一张关于这家企业业务的”上下文图谱”,让AI智能体在干活的时候有地方查背景资料。

    普通AI智能体搜索企业内容,是把所有东西都搜一遍;Jedify的思路是,先搞清楚”这件事跟哪些实体、哪些数据、哪些人有关”,再把注意力缩小到真正相关的范围。

    一个具体例子:合规公司的智能体

    Jedify的CEO Assaf Henkin拿客户Kiteworks举了例子。Kiteworks把Snowflake、Tableau、Notion和内部手册全部接进Jedify,然后给不同的客户工作流程搭了智能体工具。销售人员和客户团队在跟客户对话的时候,Jedify会实时把需要知道的细节推过来——不是让用户自己去搜,而是主动呈现。

    这个体验的关键区别在于:AI不是在”猜”你想要什么,而是真的”知道”你们公司有哪些资源、谁负责什么、哪些数据是敏感的。

    跟知识图谱有什么不一样?

    Henkin强调,Jedify的”上下文图谱”跟企业已经在用的语义层、元数据目录、知识图谱不是一回事——它是多维的,不仅捕获实体和数据之间的关系,还捕获人员、权限和业务领域知识之间的关系。而且它是与模型无关的,哪个模型都能接;同时是实时的,接的系统里有新东西进来,图谱就跟着更新。

    权限管理是这里面最棘手的部分。让一个智能体随便把CFO的收入预测给实习生看,这是要出大事的。Jedify的做法是从身份系统、文件系统、SaaS工具和数据库继承权限规则,包括行级、列级、表级的访问控制,再让客户自己建额外的组来限定智能体允许访问的范围。


    为什么现在做这件事有意义?

    Jedify的赌注是:随着AI模型变得更强大、更可互换,”帮模型在企业里好好干活”的专有上下文层,可能会成为比模型本身更持久的护城河。模型之间的性能差距在缩小,但”谁真正懂我的业务”这个优势,不是换个模型就能复制的。

    Snowflake愿意掏钱投资并把自己的AI产品(Cortex AI、语义视图、CoWork)跟Jedify集成,说明大平台也认可这个方向的价值——它们自己也在想办法让AI更好地理解企业数据,但Jedify做的事更中立,不绑定单一云厂商。

    目前Jedify大概有10到20个早期客户,The Weather Company是其中之一,游戏、工业和消费品这类数据密集行业也在关注。新这笔钱会用来做产品开发、招人和市场推广,公司累计融资现在已经到3300万美元左右。

    AI智能体要真正在企业里落地,缺的不是模型能力,是”懂业务”的能力。Jedify能不能把这件事做成,还得看客户用起来到底怎么样——但至少,方向是对的。

  • 两个Datadog老兵不信大厂AI,拉了700万美元自己做编程工具

    AI编程工具这事,大厂和新贵打得不可开交。Cursor、GitHub Copilot、Claude Code、Codex——个个都说自己是最好的编程助手。但有一家刚冒头的小公司,角度有点不一样:它不跟你比谁的模型强,它说,你凭什么把你最敏感的代码交给OpenAI和Anthropic?

    大厂做AI,顺手把客户端了

    Niteshift的两位创始人Sajid Mehmood和Conor Branagan,在Datadog从早期一路干到百亿美元估值。他们亲历了当年亚马逊做AWS、顺手把一众电商客户逼到墙角的”零售末日”——现在他们说,AI圈正在上演同一出戏。

    Anthropic、OpenAI这些模型厂商,一边卖API给各行各业的公司,一边自己下场做垂直应用——法律、医疗、金融,哪个赛道热就往哪个扎。Mehmood说得很直白:”我们绝对会看到同样的动态,Anthropic去跟法律、医疗、金融行业竞争的时候,谁还敢把核心代码托付给它?”

    “在Datadog我们看得非常清楚。一大块多云业务就是从那些不想跑在亚马逊上的电商公司来的。现在AI领域正在发生一模一样的事情。”
    ——Sajid Mehmood,Niteshift CEO

    700万美元种子轮,Greylock领投

    Niteshift刚完成700万美元种子轮融资,领投方是Greylock的Jerry Chen。投资人阵容还包括Reid Hoffman、Datadog联合创始人Olivier Pomel和Alexis Lê-Quôc、Braintrust的Ankur Goyal、Reflection AI的Misha Laskin等重量级天使。

    Greylock的Chen说得很清楚:前沿实验室往应用层走的时候,就出现了一个机会——给客户另一条路:把智能体和底层基础设施解绑。Niteshift做的就是这个平台,让客户可以深度投入自己的开发工具链,而不被锁死在单个模型或单个智能体厂商上。

    不做下一个Claude Code,做模型之间的”路由器”

    Niteshift不是要取代Claude Code或Codex。它的定位是”AI编程云”——根据不同的项目需求,在GPT、Claude、开源模型之间做路由调度。收费方式也不是卖Token,而是像云厂商一样按分钟计费。

    Mehmood区分得很清楚:”别人都在卖劳动力替代型智能,我们卖的是给智能体用的软件,不是给人类用的——但我们仍然是在卖软件。”这个定位在AI编程工具里确实少见。

    Niteshift 两位创始人
    Niteshift 联合创始人 Sajid Mehmood(左)和 Conor Branagan(右)| 图源:TechCrunch

    竞争对手个个都是巨无霸

    这个赛道已经挤得水泄不通。Cursor如日中天(虽然可能很快被SpaceX收入囊中),Cognition刚刚以260亿美元估值融了10亿美元,Amazon Bedrock背靠亚马逊,OpenRouter刚刚以130亿美元估值完成1.13亿美元融资。Niteshift作为后来者,压力不小。

    Mehmood的回答是:团队深度。他和Branagan不是研究过这些问题——他们是亲身经历过。把Datadog从几个人的早期团队扩展到服务全球客户的百亿美金公司,他们亲身体会过大工程组织在面对新技术时的那些成长痛点。AI生成代码的测试、验证、自主运行,需要在真实生产环境里跑起来,而这正是他们做过的事情。


    模型独立这条路并不新鲜,Niteshift能跑出来吗?答案可能要等一阵子。但它提出的问题值得每个用AI编程工具的团队想想:你把代码交给谁了?

  • NotebookLM悄悄升级Gemini 3.5,你的AI笔记本现在能跑代码了

    NotebookLM Gemini 3.5 upgrade
    NotebookLM升级Gemini 3.5,每一个笔记本现在都连着一台云电脑 | 图源:The Verge

    你的AI笔记本,现在能自己跑代码了

    谷歌这两天悄悄给 NotebookLM 推了个大版本更新,可能很多人还没注意到。简单说就是:NotebookLM 现在用上了 Gemini 3.5,而且每一个笔记本背后都连着一台”云电脑”。

    这个变化比听起来要大。以前 NotebookLM 主要做的是帮你整理笔记、回答你导入材料里的问题,本质上是个”阅读理解”工具。现在不一样了——它能写代码、跑代码、生成图表、输出各种格式的文件,已经有点像个住在你笔记本里的研究员了。

    谷歌在官方博客里说,升级后的NotebookLM”更准确、更可靠”。但真正有意思的不是这个说法,而是它现在能做的事。


    云电脑是什么意思

    这次更新最核心的变化,是 NotebookLM 现在跑在谷歌的代理编码平台 Antigravity 上。每一个你创建的笔记本,背后都挂着一台安全的云计算机。

    这意味着什么?意味着 NotebookLM 不再只是”回答问题”——它可以主动写代码来做分析,然后把代码扔到那台云电脑上跑,再把结果返回给你。你要它帮你分析一组数据,它可以直接写Python代码、跑统计、画图表,然后把图表给你。

    以前要做到这个程度,你得自己会写代码,或者至少会用 Colab、Jupyter 这类工具。现在你在 NotebookLM 里用自然语言描述你想做什么,它自己就把代码写了、跑了、结果也给你了。

    输出的格式也多了很多。除了以前的文字回复,现在还能直接给你出 PDF、Excel、PowerPoint、CSV 表格,甚至是数据可视化图片(PNG、SVG)和用 Nano Banana 生成的图像。


    不用导入资料也能用了

    另外一个挺实用的更新:你现在不需要先导入笔记或YouTube视频,直接问 NotebookLM 一个问题,它就会自己去调用谷歌搜索帮你找来源。

    这其实是对之前”发现”功能的升级。以前那个功能主要是帮你找资料来源,现在直接整合进了主流程——你问问题,它找资料,然后基于找到的资料回答你,同时把来源列出来,你可以选择把哪些来源导入到笔记本里。

    这个改动看起来小,实际上降低了使用门槛。以前你得先有组织笔记的习惯,才会想到用 NotebookLM。现在哪怕你只是想快速了解一个话题,也可以直接把它当搜索工具来用,而且比普通搜索靠谱——因为它会给出来源,你可以追溯。


    目前只有高价用户能用

    当然,谷歌一贯的作风——好功能先给有钱的用户用。这次更新目前只推送给 Google AI Ultra 订阅用户和 Workspace 用户。普通用户什么时候能用上,谷歌没说。

    AI Ultra 每月要付的钱不少,Workspace 也是企业级收费。所以某种程度上,这也是谷歌在给自己的高价订阅套餐增加卖点。但你不得不承认,如果这些功能最终下放到免费版或低价版,竞争力会相当强。

    想想看:一个能自己跑代码来做分析的 AI 笔记工具,还自带搜索和来源追溯,而且所有计算都在云端完成,不占用你本地资源。对于做研究、写报告、分析数据的人来说,这基本上就是把以前需要好几个工具配合才能做的事,塞进了一个界面里。

    • 研究人员可以用它快速做文献综述和数据分析
    • 学生可以用它整理学习笔记、生成复习材料
    • 职场人可以用它处理报告、做数据可视化
    • 内容创作者可以用它整理素材、生成多格式内容

    AI笔记工具的角逐开始了

    NotebookLM 这个产品方向,其实挺能代表谷歌在 AI 消费级产品上的思路:不追求最炫的演示,而是把 AI 能力悄无声息地嵌进你已经在用的工具里。

    对比一下,苹果的 WWDC 刚说要让 Siri 能帮你做更多事,微软在推 Copilot,Notion 也有 AI 功能。但 NotebookLM 的打法不太一样——它从一个明确的场景(笔记+研究)切入,然后把 AI 能力一层层加上去,每一步都让你觉得”嗯,这个确实有用”,而不是”哇好厉害但我要它干嘛”。

    这次加上云电脑和代码执行能力,算是往前迈了一大步。接下来就看其他家怎么跟了。可以预期的是,类似的”AI+代码执行+多格式输出”的能力,很快就会出现在其他笔记和生产力工具里。

    如果你有 Google AI Ultra 或 Workspace 账号,现在就可以去试试新版本的 NotebookLM。没有的话,可能还得等一段时间。但不管怎样,这个方向值得关注——它很可能改变很多人做研究和整理信息的方式。

  • Lovable年化营收冲破5亿美元,每周100万个新项目——传统SaaS真的要完蛋了吗?

    欧洲增长最快的AI氛围编码(vibe coding)创业公司Lovable对外披露:平台年化营收已突破5亿美元。

    今年2月,这个数字还是4亿。再往前倒回2024年8月,Lovable自己放话说要在12个月内冲到10亿。眼下看,年内翻倍可能有点悬,但4个月涨1亿这个速度,放在任何行业都是让人眼红的水平。

    Lovable CEO Anton Osika
    Lovable联合创始人兼CEO Anton Osika(图源:TechCrunch)

    5000万个项目,用户根本不是程序员

    Lovable说自己平台上已经跑起来了超过5000万个项目,而且增速还在加快——现在每周新增项目100万个。

    更有意思的是用户画像。Lovable的用户主要是非技术人员:创始人、设计师、销售,他们用这个平台搭网站、做电商前台,也有人拿来建CRM、库存系统、HR平台。而且越来越多人搭完不是自己玩,是真的想拿来赚钱或者用到生意里去。

    这不就是SaaS公司最怕的噩梦吗?用户本来要花几万块买软件,现在自己动手就搓出来了。

    软件的运行方式几乎像一个活的有机体:哪怕代码写得再好、设计再精良,只要不是AI生成的垃圾代码,它都是跑在一堆不断变化的依赖、第三方服务和基础设施之上的——而这些东西永远在更新,也就是说用户的软件永远在坏。这就是那么多公司选择买而不是造的原因。他们要的是有人负责让它一直跑下去。

    SaaSpocalypse来了吗?

    氛围编码平台被很多人视为传统SaaS的终结者。这个判断对不对,关键要看一个现在还回答不了的问题:用AI搓出来的软件,能活多久?

    真正的问题从来不是”能不能做出来”,而是”做出来之后谁来维护”。Lovable上的项目大多数还不够老,还没到大规模报废的时候。等平台成熟一点,如果公布出来的废弃项目率很低,那才是真正的信号——传统SaaS的末日(SaaSpocalypse)不是噱头,是真的来了,而且不会走。

    眼下下结论还太早。但5亿美元的年化营收和每周100万个新项目,至少说明一件事:有人愿意为”自己动手”付钱,而且付得越来越多。


    • 营收:年化营收超5亿美元,2026年2月为4亿,4个月新增1亿
    • 项目数:累计超5000万个项目,每周新增100万个
    • 用户:非技术人员为主(创始人/设计师/销售),越来越多人用来搭建可商业化工具
    • 核心问题:氛围编码软件的维护成本问题尚未得到验证,废弃率数据将是关键指标
  • 【开源推荐】Agent-Reach:24.8K Stars!为AI Agent一键装上互联网访问能力

    【开源推荐】Agent-Reach:24.8K Stars!为AI Agent一键装上互联网访问能力

    🚀 Agent-Reach:24.8K Stars!为AI Agent一键装上互联网访问能力

    Agent-Reach

    📝 项目简介

    Agent-Reach 是一个为AI Agent提供全互联网访问能力的开源脚手架工具。只需一个CLI命令,即可让Claude Code、Cursor、OpenClaw等AI编程助手免费读取和搜索Twitter、Reddit、YouTube、GitHub、B站、小红书等16个主流平台内容,无需支付任何API费用。

    ⚙️ 安装要求和过程

    环境要求

    • 运行环境:支持本地电脑、服务器,兼容所有可运行Shell命令的AI Agent
    • Python版本:Python 3.8+
    • 兼容Agent:Claude Code、OpenClaw、Cursor、Windsurf、Cline等

    快速安装步骤

    只需将以下指令发送给你的AI Agent,即可自动完成安装:

    帮我安装 Agent Reach:https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/install.md

    安装过程会自动检测并安装所需依赖(Node.js、gh CLI、mcporter、twitter-cli、rdt-cli等)。

    可选安装模式

    • 安全模式:添加 --safe 参数,不会自动修改系统
    • 预览模式:添加 --dry-run 参数,仅展示安装步骤

    ✨ 核心功能

    1. 完全免费:所有依赖工具均为开源项目,无需付费API Key,零成本使用互联网能力
    2. 多平台支持:覆盖Twitter/X、Reddit、YouTube、GitHub、B站、小红书、抖音、LinkedIn、微信公众号、微博、V2EX、雪球、小宇宙等16个平台
    3. 即开即用:基础能力(网页读取、YouTube字幕提取、GitHub公开仓库读取)无需任何配置
    4. 隐私安全:所有Cookie、Token仅存储在本地 ~/.agent-reach/config.yaml,文件权限设为仅所有者可读写
    5. 可插拔架构:每个平台对应独立的渠道文件,不满意当前选型可直接替换,不影响其他功能

    🎯 典型使用场景

    场景一:AI辅助技术研究

    让AI Agent自动搜索GitHub上的开源项目、读取技术文档、提取YouTube教程字幕,帮你快速了解新技术。

    用户:"帮我看看这个GitHub仓库是做什么的"
    Agent:自动调用 gh CLI 查询仓库信息

    场景二:社交媒体内容分析

    让AI Agent读取Twitter热门推文、Reddit讨论、B站视频字幕,进行舆情分析或内容总结。

    用户:"搜一下Twitter上关于LLM的讨论"
    Agent:自动调用 twitter-cli 搜索推文(配置后可用)

    场景三:自动化研究工作流

    结合多个平台能力,让AI Agent自动完成”搜索→阅读→总结→报告”的全流程。

    💡 推荐理由

    作为一个深度使用AI Agent的开发者,我认为Agent-Reach解决了AI Agent最大的痛点之一:信息获取能力不足

    大多数AI Agent只能在”封闭环境”中工作,无法访问互联网实时信息。Agent-Reach通过集成优秀的开源工具(Jina Reader、yt-dlp、gh CLI等),让AI Agent具备了”全网视野”。

    最打动我的点

    • 真正免费:不依赖任何付费API,所有功能都是基于开源工具实现
    • 隐私优先:所有认证信息本地存储,不会上传第三方
    • 持续维护:项目会持续追踪各平台规则变化,用户无需自行维护

    如果你正在使用Claude Code、Cursor等AI编程助手,强烈建议安装Agent-Reach,让您的AI Agent真正”连接互联网”。

    📥 下载地址


    本文由WorkBuddy自动生成 · 每日9:00自动更新GitHub热门AI开源项目