GenSpark 和 Flowith 的未来？

GenSpark 最新动态​ 1. 爆发式增长与融资突破​（2025 年 4 月）​ ◦ GenSpark 于 2025 年 4 月推出通用 AI 智能体“Super Agent”，上线仅 9 天便创下 1000 万 美元年度经常性收入（ARR）​，并以 5.3 亿美元估值完成 1 亿美元融资，成为 AI 赛道增长最 快的企业之一。 ◦ 其用户规模从 2024 年 11 月的 100 万跃升至 2025 年 2 月的 200 万，iOS 版三个月内用户破 千万，免费版+付费订阅（24.99 美元/月）策略推动商业化进程。​ 2. 技术突破与功能升级 ◦ 混合代理架构（MoA）​​：集成 8 个不同规模的大语言模型（如 GPT-4o、Claude 3.7）、80 多 种工具集（电话模块、视频生成工具等），以及精选数据集，动态分配任务并降低错误率 （GAIA 测试中错误率较行业平均低 20%）。​ ◦ 电话功能与多模态生成​：支持语音通话（如自动拨打国际电话预订餐厅）、视频生成（输入 需求生成带音效的旅行视频）、PPT 自动生成等复杂任务闭环执行。​ 3. 市场定位与竞争策略 ◦ 从 AI 搜索引擎转型为通用智能体，直接对标 Manus，但以更低错误率、实时交互性和电话功 能形成差异化优势。 ◦ 已验证商业化场景：通过 AI 代理运营小红书账号两周收获 5000 粉丝并盈利，计划与电商、 营销场景深度结合。; Flowith 最新动态​ 1. 功能迭代与市场反响​（2025 年 4 月）​ ◦ Flowith 推出 Oracle 模式，支持复杂任务分解与多步骤推理，例如用户输入“学习画画”需 求后，自动拆解为风格选择、基础训练等子任务，并调用多模型生成个性化学习计划。 ◦ 其画布式交互界面​（类似 Figma）和多人协作功能引发关注，用户可通过多线程操作同时生 成营销文案、调试代码，并实时共享进度。 2. 核心技术与功能特性 ◦ 多模型并行处理​：基于 Oracle 引擎，整合 OpenAI、Anthropic、DeepSeek 等模型，支持文 本、图像、视频多模态内容生成，知识库动态关联提升信息处理效率。 ◦ 自适应 UI 与调试机制​：根据任务复杂度自动切换模型，内置代码调试工具降低错误率，异常 恢复速度小于 15 秒（传统方案需人工介入）。​ 3. 市场定位与用户策略 ◦ 定位为“Manus 平替”，主打免费试用与低门槛​（免费用户每日 100 次调用），吸引开发者 与企业用户。 ◦ 在知识管理领域表现突出，支持构建个人知识图谱并通过 API 变现，适用于教育、营销等场 景。; 对比与行业影响​; 以上新闻归纳总结来源于腾讯元宝，只做事实性陈述不代表本台观点； AI 是任务的核心​ 从理解人的能力到理解工具的能力了，这一点上我们可以看不同的产品机制和形态，今天确定的只是 文本型的工作，但是未来它所要接入的实际是生活的各个范畴，无非是一定程度上曾经需要解决的是 不同环节之间的数据代理问题，但如果这一环节的数据代理用 AI 来完成任务分解，或许一定程度上能 解放一些生产力，有时候人的协同能力和思考能力是不如 AI 的，甚至在未来的很长一段时间内人都不 如 AI。​ 如果我们今天所有的要素都假定 AI 的能力会超过人的能力，人只是今天在数据的多维度输入和处理层 面上有协同优势，但接下来这个优势可能在一定程度上就不存在了，AI 有丰富的知识框架和完善的知 识结构体系，它的决策要素一定是比人的决策要素更丰富和全面的。 那人需要什么？​ 人提供的是自己的基础需求，那个需求的原点甚至不需要清晰和明朗，只要他能明确知道自己的任务 选项，并且通过不断给 AI 布置任务，完成最满足用户预期的结果，这也是接下来所有 AI 产品的一个演 进方向，就是要对多轮演进和持续演进做迭代和优化，从今天的能力上来说，他们一次性完成结果交 付的难度还是比较大的。但是由于任务识别的连续性问题，所以接下来各家应该都会在任务微调上面 花时间和精力，比如说是不是要重构任务序列，重新从用户的反馈里拿到哪些部分是满意的优化，不 满意的部分加入人的迭代逻辑之后，AI 未来的思考框架会对整个用户的结果交付产生巨大的影响。​ 多轮交互其实是一个比较难的事情，或者它其实是难在用户不一定真正知道自己想要什么，以及什么 是用户满意的答案，所以对于这个结果的交付来说，对各个平台都是一个巨大的考验，为了了解什么 是用户满意的交付，以及用户认知里的交付是什么逻辑，最后一定要引入的是用户本身的数据集，就 是基于用户已有的认知，对结果做一个评估和交付。 除了对于用户的满意度评估是不同分级之外，用户在不同的场景下使用，平台得到的结果和数据也是 需要去分开讨论的，所以短期是非限定背景和因素的通用工具，长期是限定背景和因素的专用工具， 今天没有对错，但是各家的切入点显然是不一样。或者对于多维度交叉分析的工具，对于那个场景验 证和数据集的需求就会越来越大。 数据在哪里？​ 那么用户的数据从哪里来？实际上今天大部分的产品都已经在悄悄地收集用户的数据，或者对你过往 的行为轨迹输入轨迹做分析，但是这个对于用户的数据集体系来说其实只是一个很小的部分，大部分 的输入数据实际是场景数据，但并不具备结构化的能力，也并不代表用户的认知，一定程度上用户的 认知数据及来源于他看到的、听到的和他想要了解的总和，所以如果你只是按照用户的输入数据去划 分数据集的话，一定程度上是不够精准和完善的，并且只会在用户本身数据集的一个很小很小的部 分。更大的数据集来源于他看过、听过的总和，所以这也是一部分产品的另一个切入点，不管是做知 识、做笔记还是做内容管理，这是一个很明确的商业路径。 一个猜想：今天做知识库的那一批产品在做什么？​ 那我们回到这个问题的起点，今天在做知识库的那一批人，他们的下一步是什么？当然个人的数据管 理是很重要的，知识库也是很重要的。尤其是今天没有管理成本，只有获取成本之后，用户的使用就 会变得越来越便捷，而获取知识体系的工具不存在核心的难度，你只要把触角伸到用户所有可以使用 的场景里，把它惯常用的 5 个场景、10 个场景做分类，就已经能得到用户的大部分的主流场景了，内 容的获取自然是不在话下的，如果不同的维度从知识库和笔记的角度去拿到更近的用户数据和需求， 那猜下一步他们会做什么呢？