Gemini

十月十四日，谷歌把前沿模型 Gemini 4 Argon 推到付费 API 与付费订阅档：开发者通过付费 API 即可调用 Argon，定价临时定为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存 token 享受 95% 折扣。据 Ars Technica 报道，这个体验价只持续到十一月三十日，十二月一日起恢复标准价——也就是约翻倍。与此同时，Argon 在 Vals Index 金融、编程、法律综合评测中排名第一，物理空间推理基准 ERQA 拿到 87 分，并已面向机器人与复杂智能体场景做专项优化。 谷歌为什么要搞「限时体验价」？ 这套打法很标准：先用半价把开发者和企业用户从竞品那边吸过来，把调用量、习惯、工作流先锁进自己的 API，等十一月三十日涨价时，大多数已经迁移好的客户会嫌再迁回去太麻烦，只能接受涨价。这是云计算行业玩了十几年的「首年折扣、次年涨价」老套路，只不过第一次被谷歌用在前沿大模型上。对开发者的实际建议很朴素：如果你现在打算把生产系统切到 Argon，务必先按十二月的翻倍价重新算一遍成本账，别被体验价骗着签了长约。 和 GPT-6 系列比贵不贵？ 横向一比就有感觉：输入 2 美元、输出 10 美元每百万 token，这个价位卡在 OpenAI GPT-6.1 Sol（输入 2 美元、输出 10 美元）的同一档——谷歌等于把旗舰模型直接对标 OpenAI 的定价，没有用低价抢市场。真正的让利只在缓存 token 那 95% 折扣上。这传递一个信号：前沿模型的价格战阶段基本结束了，各家在旗舰档位上反而默契地守住高价，把低价竞争留给 Flash、Luna、Haiku 这些小模型。对做应用的人来说，旗舰模型的调用成本不会再像上半年那样逐月腰斩，架构上必须自己做缓存、路由、小模型兜底。 八十 ERQA 分意味着什么？ ERQA 那 87 分是 Argon 这次最值得注意的一个数字——它测的不是刷题，而是物理世界的空间推理。配合谷歌同期单独发布的 Argon for Robotics 分支，谷歌的意图很清楚：前沿模型不再只比聊天和写代码，而是开始卷「能不能理解物理世界、能不能指挥机器人」。当一个大模型在物理推理基准上甩开同辈，它就不只是文本生成器，而是在往「世界模型」这个方向补。这对所有还在卷自然语言评测的厂商，是一次赛道维度上的提醒。 ...

10 月 9 日的行业新闻里有个容易被忽略的细节：谷歌在发布 Gemini 企业智能体的同时，把 Anthropic 的 Claude Opus 5 与 Sonnet 5.5 集成进了 Gemini Business，而 Antigravity CLI 这个命令行编码工具，成了这套多模型智能体的主要入口。也就是说，你可以在同一个终端里，让 Gemini 负责规划、Claude 负责写代码，而不用在两个工具间倒腾。对每天写代码的人，这是值得当晚就试的东西。 CLI 怎么装、怎么登录鉴权？ 先装 CLI，再用谷歌云账号登录鉴权。关键一步是在配置里勾选允许调用第三方模型——默认只走自家模型，要手动打开 Claude 模型开关。鉴权后用一个空目录启动，它会自动扫描项目结构、读说明文档，生成一份初始任务理解。第一次跑建议挑一个干净的小仓库，别直接拿生产大仓上来试。 第一条任务该怎么下才稳妥？ 别一上来让它「重构整个项目」。先下一个边界清晰的小任务，例如给某个脚本加日志并写两个单测。观察它怎么拆步骤、在不同模型之间怎么分工——通常规划和读代码走一家，生成代码走另一家。你可以在对话里随时说「这段用 Opus 5 重写」来手动切换模型，这种按片段指定模型的自由度，是单一编码工具给不了的。 多角色交接有哪两个坑？ 第一，CLI 默认会读取并上传仓库里的文件到对应模型后端，涉密项目先在配置里把工作目录限定在子文件夹，避免把无关密钥文件带进上下文。第二，多模型串联时，各家的上下文是各自维护的，上一步的分析不会自动喂给下一步，重要结论要显式复述或写进共享文件，否则模型间会「失忆」。 这套多模型终端值不值得今晚试？ Antigravity CLI 的意义不在「又一个编码智能体」，而在于它把「按任务选模型」做成了默认。对开发者来说，今晚就能做的事：建个干净分支，让它跑一个小重构，顺便看看多模型分工到底省不省时间——比读十篇评测都直观。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：AntigravityCLI

10 月 9 日凌晨，谷歌云在 Gemini at Work 2026 大会上正式推出企业通用智能体 Gemini Agent——把原本散落在邮件、文档、表格和代码里的活儿，交给一个能自主规划、调工具、持续执行的智能体。目前仍处预览阶段，但 Workspace 入口已经能用。对小团队来说，最容易落地的不是「取代员工」，而是先把「每周五花两小时整理周报」这种苦活交出去。 接进 Gmail 前要先开通哪些权限？ 第一步不是写提示词，而是把权限理顺。在 Google Admin 控制台为目标员工 OU 开启 Gemini for Workspace 预览开关，并授予 Gmail、Drive、Calendar 三个数据源的访问授权。这里最容易踩的坑是：智能体默认只能读到「过去一段时间」的邮件与文件，若你的周报要覆盖整月数据，必须在授权弹窗里手动把时间窗拉长，否则第一周就会漏数据。 接着在 Gemini 侧边栏新建一个自定义智能体，给它一个明确名字，例如「周报汇总官」，并在指令里写死三件事：数据来源是哪个 Drive 文件夹、收件箱里哪些标签算「本周工作」、输出模板长什么样。 周报智能体的指令该怎么写才不跑偏？ 别用「帮我写周报」这种模糊指令。把提示词写成结构化约束：扫描本周带专属标签的邮件，提取已完成事项、待办、阻塞三项；遍历指定 Drive 文件夹里本周修改过的文档，每个文档用一句话概括进展；输出 Markdown，分「已完成 / 进行中 / 下周计划 / 需要协调」四栏；数字类结论必须附原始邮件或文档链接，找不到出处就标「待核实」。 最后这条「找不到出处就标待核实」是关键：它逼智能体在引用时给出可点击链接，而不是凭空编一个进度数字。跑一周后你会发现，被标「待核实」的条目，恰恰就是你每周要花时间核对的地方。 实际跑起来最容易踩哪两个坑？ 第一，智能体会把群里的闲聊邮件也算进「工作进展」，解决办法是在 Gmail 里先用过滤器把周报相关邮件打上专属标签，再让智能体只读这个标签，而不是整个收件箱。第二，Drive 权限是按人走的，智能体代你访问时只能读到你本人有权限的文件，共享给客户但没共享给你的文件夹会被静默跳过。 这套自动周报流程值不值得现在就搭？ Gemini Agent 这类通用工作智能体的价值，不在于一次做成多大的事，而在于把「读邮件、翻文档、套模板」这三件每周重复的杂事自动化。先用一周时间把周报跑顺，再逐步把会议纪要、CRM 更新接进来——这比一上来就让它「自主负责一个项目」稳得多。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Gemini智能体

谷歌云在 10 月 8 日的 Gemini at Work 2026 上发布了「Gemini 智能体」，主打一个通用工作智能体在单一界面里同时处理问答、知识工作、内容创作与代码。企业 IT 部门当然欢迎——一个入口、一套账号、一份账单。但从认知主线看，这里藏着一个很少被提起的长期风险：当组织里几乎所有思考都流经同一个模型，思维方式会趋于单一，像语言被收编为单语。 组织靠什么不犯大错？ 一家公司过去之所以能自我纠偏，部分靠的是认知多样性：不同背景的人用不同框架看同一件事，有人乐观有人保守，有人数算有人直觉。这种「杂音」看似低效，却是组织不犯大错的免疫系统。 现在，越来越多决策的初稿出自同一个模型。这个模型有它偏好的表达方式、默认的推理路径、训练数据塑造的隐含价值观。当销售、法务、产品、运营都拿它起草、它的输出在部门间被互相引用，一种认知趋同就发生了：大家以为在独立判断，其实共享着同一个隐形思维模板。多样性在不知不觉中被置换。 认知单语化为什么危险？ 语言单一化的可怕之处，是身处其中的人察觉不到。一个组织若所有人都用同一模型润色周报，文风会惊人地一致，但没人觉得有问题——因为大家都在同一套语感里。更隐蔽的是，模型的盲区会变成整个组织的盲区：它不擅长的那类思考，全员都不再做了。 这和生物多样性的逻辑一样：单一基因库遇上新病毒就是灭顶之灾。一个认知上完全同构的组织，一旦它依赖的模型在某个方向上系统性偏差，就没有内部声音能提出异议。 怎么对抗认知单语化？ 解法不是拒绝通用智能体——它太高效。而是有意识地维持多个思维方式不同的来源并存：关键决策故意用另一家模型跑一遍对照、保留一小群坚持独立推导的人、定期让「反方智能体」专门挑刺。认知多样性需要被当成资产主动维护，而不是放任工具把它统一掉。 通用界面是效率的胜利，却也是多样性的税。越好用，越要警惕那个唯一好用的入口，正在替整个组织思考。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：认知单语化

谷歌最近一项产品调整，看起来不起眼，却点破了大模型竞争的下一个战场：个性化。Gemini 的自定义指令服务 Skills，此前只对 Pro 和 Ultra 付费订阅用户开放，现在谷歌宣布把它全面下放给所有免费账户；与此同时，运行多年的 Gems 功能将于 2026 年 11 月 17 日自动过渡，并入全新升级的 Skills 系统。一个付费特权被拆成了免费基础设施，一个老功能被收编进新框架——这背后是「人人都有自己的定制模型」这件事，正在从卖点变成标配。 Gemini Skills 到底解决了用户的什么痛点？ 大多数人用大模型的痛点是同一个：同一个模型，今天写文案、明天写代码、后天改周报，每次都要重新教它你的语气、你的格式、你的偏好。自定义指令想做的，就是把「你是谁、你要什么风格」这件事一次性配置好，之后每次对话都自动套用。 这本质上是一个轻量级的个性化智能体——不用你写提示词工程，只要填几个偏好字段，模型就按你的规矩来。谷歌把这个能力从付费墙后拿出来，等于承认：在 2026 年，「能定制自己的模型」已经不是付费理由，而是留住免费用户的基本盘。 Gems 被并入 Skills 释放了什么信号？ Gems 是谷歌早年的自定义助手功能，用户可以创建特定用途的专属机器人。Skills 收编 Gems，说明谷歌在把分散的个性化能力收拢成一套统一框架。对用户，好处是不用再维护一堆零散的 Gems；对谷歌，好处是数据和交互都汇聚到一个入口，便于做下一步的个性化推荐和智能体分发。 谷歌免费开放 Skills 的真正目的是什么？ 把这件事和 Gemini 免费墙（同日生效、免费用户只剩 Flash-Lite）放在一起看，谷歌的策略非常清晰：把「能个性化」的入口免费开放、拉人进来，把「用最强模型」的能力收进付费墙。免费给你做自己的小助手，但要让这个助手跑在最快的大脑上，请付费。 这是大模型消费产品走向成熟的典型路径——先用免费的个性化粘性把人留住，再用能力分层把价值变现。对其他厂商，这也是一个模板：光有一个聪明的通用模型不够，得让用户觉得「这个模型是我的」。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Gemini Skills

10 月 9 日这一天，很多人打开 Gemini 会突然发现：对话框里的模型切换项灰了大半。根据 Google 官方文档的说明，自 2026 年 10 月 9 日起，使用个人账号、且未开通 Google AI 订阅方案的用户，将只能调用 Gemini Flash-Lite 这一档模型；此前免费可用的 Gemini Flash 以及更高阶的 Pro 系列，全部被划入付费墙之后。这不是灰度测试，而是写进官方文档、即日生效的权限收缩。 谷歌为什么要把免费用户压到只剩 Flash-Lite？ 过去两年，大模型厂商的免费策略本质上是烧钱换规模：用近乎零边际成本的小模型接住海量日活，把用户「养」在对话框里，再靠少量重度用户订阅变现。Google 这次的动作，等于把这条曲线的后半段提前画上了句号——免费不是消失了，而是被压缩到最便宜、最够用的那一档。 Flash-Lite 是 Gemini 家族里延迟最低、单价最低的型号，处理日常问答、改写、摘要绰绰有余，但在长推理、代码、多模态复杂任务上会明显吃力。换句话说，Google 把「能聊」留给免费用户，把「能干重活」收进订阅。 这道墙对用户、开发者和行业分别意味着什么？ 对普通用户，最直接的影响是「尝鲜免费、深度付费」的分层被焊死。想让 Gemini 帮你写一周的周报代码、跑长文档分析，不订阅就只能用阉割档，体验断崖式下降。 对开发者，这是一个明确的信号：依赖免费额度做产品原型、跑批量调用的路子走到头了。但凡工作流里出现「高阶模型」字样，账单就要按订阅或 API 计价重新算一遍。 对整个行业，Google 与 OpenAI、Anthropic 正在趋同——免费层越来越薄，付费层越来越厚。当所有人都发现「免费换增长」的获客成本高过了留存收益，订阅墙就会成为标配。 这道墙真的会把普通用户挡在门外吗？ 需要提醒的是，这道墙对中国用户体感有限——多数人本就通过 API 或第三方入口调用，不碰官方 App。但它标志着消费级大模型正式进入「按能力分层收费」的成熟期。对硅基智能而言，能力不再是公共广场，而是一扇一扇被定价的门。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Gemini免费墙

10 月 8 日，谷歌云在 Gemini at Work 2026 发布会上正式推出 Gemini 智能体，定位「通用工作智能体」。按官方说法，用户只需要给一个目标，它就能在单一界面里完成问答、知识工作、内容创作、代码编写与运行，并能调用企业内部工具和第三方服务。这是谷歌云把智能体打包进企业订阅的关键一步。 为什么这次不一样 过去企业上 AI，要先做一道选择题：用 OpenAI 的模型还是 Anthropic 的，用微软 Copilot 还是谷歌 Gemini。谷歌这次的策略是把选择权收回平台——Gemini 智能体底层既可以调自家的 Gemini 系列，也可以调用 Anthropic 的 Claude 模型，未来还计划支持其他领先的私有与开源模型。对企业 CIO 来说，这意味着你不再需要为每个工作负载选模型，平台替你路由。 这种「模型无关」策略，本质是谷歌云在用 Workspace 的存量客户做杠杆。已经买了 Gemini Enterprise 或 Workspace 订阅的公司，不需要额外采购，就能让员工用上智能体。切换成本被压到最低。 商业化含义 对谷歌云，这一步的财报意义在于：智能体不是按 token 卖，而是按席位订阅卖。一个企业版席位每月几十到上百美元，不管你用多少 token。这把过去「用多少付多少」的用量风险，从用户身上转移到了平台身上——平台必须把单位推理成本压得足够低，才能在订阅制下保持毛利。 对竞品，这是直接挑战：微软 Copilot 也在走同样的路，但它绑定的是 OpenAI；谷歌同时接 Claude，等于在模型层给了企业「第二供应商」的安全感。在企业采购最忌讳单一供应商的今天，这一点很有杀伤力。 判断 2026 年下半年，企业 AI 采购正在从「买模型」转向「买智能体席位」。谷歌云这一步，等于宣告智能体不再是开发者玩具，而是和邮箱、文档一样的标准办公套件。谁能把智能体做进已有订阅里，谁就能吃到最大一波企业预算。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：谷歌云Gemini智能体

10 月 8 日，谷歌云在 Gemini at Work 2026 上推出「Gemini 智能体」：一个统一界面里同时处理问答、知识工作、内容创作与代码。这标志着企业 AI 从「侧边栏补全」正式进到「派一个智能体去干活」。对管理员来说，新问题不是「接不接」，而是「怎么发、发给谁、能碰什么数据」。 开启的三个关键决策 第一，范围先窄后宽。不要第一天就给全员开放全部知识源。先选一个高频部门（如市场或客服）做试点，让智能体只读指定的 Drive 文件夹与 Confluence 空间，验证回答质量再扩。 第二，知识源要白名单制。Gemini 智能体能挂企业知识，但默认绝不能让它扫整个 Drive。按团队挂目录，敏感合同、财务报表先排除在外。 第三，保留人工出口。智能体起草的邮件、文档默认走「建议」而非「自动发送」。让它完成初稿，人来按发送，这个边界在试点期别动。 日常落地的两个抓手 用它做「会议纪要 → 待办分派」闭环：会后让智能体从录音与文档里抽行动项，自动写进任务表； 用它做内部知识问答，把最常被问的二十个问题写成示例，测它的回答是否跑偏，再据此补知识库。 判断 企业智能体的落地，技术难度已经让位给组织难度。谷歌把界面做进全员工作台，等于把选择推给了每一个管理者：你到底愿意让智能体看到多少内部信息。试点跑稳之前，宁可保守——智能体越能干，权限收敛就越值得多花一周。 再提醒一个组织细节：智能体发出去之后，要指定一个「知识管理员」定期清理过期文档。知识库越积越旧，智能体会一本正经地引用已作废的流程。每月让管理员过一遍挂载目录，比事后向业务解释「为什么它说错了」划算得多，也比事后救火省精力。 智能体落地，七分靠组织，三分靠技术。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Gemini智能体

当地时间 10 月 8 日，谷歌云在「Gemini at Work 2026」推出 Gemini 通用工作智能体。按官方博客描述，它从单一提示框出发，掌握组织全部业务上下文，自主规划工作、调用技能与工具、连接企业业务系统，最后把完成品直接送回文档、收件箱与开发环境；它会自选最优模型、内置成本控制与企业级安全。技术圈关心的不是它又一个 Agent，而是它选了一条和垂直 Agent 截然不同的架构路线。 两条路线的分野 过去一年主流的 Agent 路线是垂直的：做客服就专门搭一个客服 Agent，做代码就专门搞一个编码 Agent，每个场景独立工作流、独立工具集、独立微调。Manus 这类产品也走专精框架路线。 谷歌这次押的是另一条：一个通用根智能体，内部再按任务动态编排。你不指定用哪个 Agent，只给目标，它自己判断该调什么技能、连什么系统、用哪个模型。 通用路线的技术含义 从前沿拆解，这条路押注三件事： 强根模型：通用编排靠一个理解能力极强的底座模型来做「总指挥」，而不是靠人工写死流程。 上下文即业务：它不重新接一套数据，而是直接吃企业完整业务上下文，让规划基于真实业务状态。 模型路由：同一个任务里，简单步骤走便宜模型，难步骤走贵模型，系统自动调度。 代价也很明显：通用路线对根模型能力、上下文工程、企业系统打通的要求极高，一旦根模型判断失误，整链都会偏。 判断 这场「通用根智能体 vs 垂直专精 Agent」的路线之争，本质是在赌一件事：未来的工作入口，是收敛成一个万能框，还是拆成无数专用工具。谷歌用 10 月 8 日的发布投了前者一票。这条路能不能成，取决于根模型的编排能力是否真的够用——接下来半年的真实部署案例，会给答案。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：通用智能体与架构

当地时间 10 月 8 日，谷歌云在「Gemini at Work 2026」大会上发布 Gemini 通用工作智能体。按官方博客的说法，它从一个统一的提示框出发，拥有组织的全部业务上下文，自己规划工作、调用技能与工具、连接企业内部系统，最后把成品直接送回你已经在用的文档、收件箱与开发环境里。它还会自己为任务选最合适的模型，并内置成本控制。换句话说，过去你在十几个软件之间切换的那串动作，被压进了一句话。 注意力曾经是我们最稀缺的认知主权 人的注意力是串行的，这是进化给大脑的硬约束：你没法同时深度思考两件事。过去几十年，我们用多窗口、标签页、看板来对抗这个约束，结果只是把自己切成了碎片。注意力分配——先做什么、后做什么、什么时候切换——被普遍认为是人类最后的认知主权之一。 单一提示框智能体做的事，恰恰是把这层主权也接过去。你只给目标，它负责在内部决定先查知识库、再写初稿、再跑一段代码验证。你不再需要为「下一步用哪个工具」分心，因为工具的编排被内化进了智能体。 外包的连续性 这其实是一种「外包的连续性」。过去你靠自己在脑子里维持一条工作流的连贯性，现在这条连贯性外置到了智能体那里。好处显而易见：碎片时间被缝合，切换成本趋近于零。 但代价也值得记下来： 当你不再经手每一步，你对任务的「手感」会退化。 当选择最优模型、控制成本都由系统代劳，你对「思考值多少钱」会逐渐失去直觉。 最危险的是，你可能忘了这条工作流原本是可以由自己设计的。 结论 单一入口不是终点而是信号：注意力这层最后的认知主权，也开始进入外包周期。会用它的人把它当放大镜，不会用的人把它当拐杖——区别只在于，你还记不记得自己原本会走路。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：单一提示框与注意力