千问办公最近开启了测试入口，很多原本用豆包、元宝、DeepSeek整理文档、做PPT、写代码的朋友，又开始纠结“到底该用哪家”。从开发者和重度办公用户的角度看，AI办公已经不只是一个聊天窗口，而是文档解析、资料总结、表格处理、代码补全、私有化部署都揉在一起的综合工作台。本文会围绕千问办公的实际体验，横向对比阿里、腾讯、字节的典型AI办公产品，再给出从网页端、API接入到本地部署的完整配置方法，最后附上常见报错排查思路。无论你是想给团队选型，还是自己搭一套AI办公环境，都可以直接参考。

1. 背景与核心概念：AI办公赛道为什么突然热起来

1.1 什么是 AI 办公工具

AI办公工具，简单说就是把大模型能力嵌入到日常办公链路里，让用户用自然语言完成原本需要手动操作的任务。常见能力包括：长文档摘要、多格式文件解析、PPT大纲生成、表格公式编写、邮件润色、代码辅助、会议纪要整理等。

它和普通聊天机器人的区别在于“动作性”。普通聊天只能生成文字，而AI办公工具往往能读取一份PDF、提炼关键结论、生成一份Excel统计结果，甚至直接调用其他办公插件完成任务。所以它更适合被看作“办公助理”，而不是“问答机器人”。

1.2 千问办公是什么

千问办公是阿里通义千问（Qwen）面向办公场景推出的产品形态，可以理解为把千问大模型与文档处理、知识库、智能写作、音视频速读等能力打包在一起的办公入口。相比单纯调用API或打开网页聊天，千问办公更强调“文件进去，成果出来”，比如上传一份几十页的行业报告，直接让它输出摘要、数据表格和待办事项。

从技术角度看，千问办公背后依赖的是千问系列模型，包括通用对话模型、长文本模型和代码模型。这也是为什么很多人会同时关注千问在CC Switch、Cursor、Spring Boot、Ollama等环境里的接入方式——因为这些本质上都是“把千问模型能力接入到自己的工具链”。

1.3 阿里、腾讯、字节三家的AI办公布局

目前国内AI办公产品最活跃的三家是：

  • 阿里：千问/通义，主打模型开放与生态集成，千问系列模型支持API、开源权重、本地部署，办公场景有通义文档、通义听悟等能力。
  • 腾讯：元宝，背靠腾讯生态，在公众号内容解析、微信场景联动上有天然优势，适合中文信息流整理。
  • 字节：豆包，依托字节内容生态，交互轻快，文档解析、语音识别积累较深，也有大量的to C插件。

这三家不是简单的“谁比谁强”，而是各有侧重。技术选型时需要考虑生态绑定、部署方式、API成本、数据合规等因素。本文后面会从办公实战的几个角度做对比。

2. 千问、元宝、豆包在办公场景的横向对比

2.1 对比维度说明

因为AI产品迭代速度太快，任何具体版本号、功能列表都可能过时，所以这里不写死参数，而是从几个通用维度做对比：

对比维度 千问 腾讯元宝 字节豆包
模型底座 千问系列 混元/接入多模型 豆包大模型
文档解析能力 支持PDF、Word、Excel、PPT、音视频速读 支持常用文档格式，微信生态内容衔接好 支持多格式解析，语音转写体验不错
代码辅助 千问Code系列，适合编程场景 基础代码问答可用 代码能力表现稳定
开放API 阿里云百炼平台，兼容OpenAI调用格式 有开放平台，但办公场景闭环较强 有火山方舟平台，支持API接入
本地部署 开源系列丰富，支持Ollama、vLLM等 本地部署路径较少 部分场景支持私有化，但门槛高
典型优势 模型开放程度高，开发集成方便 腾讯生态内容资源丰富 交互轻快，内容生态理解好

2.2 办公场景中的实际体验差异

从实际办公使用来看，三者差异主要体现在三个方面。

第一是“输入格式宽容度”。千问办公对长文档和音视频速读的支持让人印象深刻，适合处理会议录音、网课视频、长PDF；豆包在移动端交互更轻，日常碎片化问答更方便；元宝在微信公众号文章、腾讯文档等内容生态里更容易形成闭环。

第二是“任务完成度”。如果只是生成一段文案，三者差别不大。但如果是“上传一份30页的调研报告，输出Excel数据透视表”，千问这类偏生产力工具的产品完成度更高，因为它的文件解析链路更完整。

第三是“开发者友好程度”。千问在开源社区和API生态上走得比较早，很多第三方工具都默认支持千问模型，比如CC Switch、Cursor、Claude Code、Spring AI、Ollama等。腾讯元宝和字节豆包虽然也有API，但在本地部署和开源权重方面相对收敛。

2.3 不要只看模型能力，还要看接入成本

很多朋友纠结“豆包、DeepSeek、千问、元宝哪个好”，其实办公场景里模型能力只占一半。另一半是接入成本。比如你希望在公司内部用API做文档处理，那么要考虑：API是否容易申请、是否兼容现有开发框架、是否支持私有化部署、数据是否会用于模型训练、调用价格是否可接受。

千问的优势在于“从一句话到完整工程落地都比较顺”。你可以先网页端试用，再申请API做原型，最后用Ollama在本地跑开源模型，链路灵活。这种情况在实际办公项目里非常实用，因为团队的需求往往会从“帮我写个总结”快速变成“这个接口要接入OA系统”。

3. 千问办公的接入方式与配置实操

3.1 从网页端开始体验

第一步最简单，直接在千问网页端或客户端注册账号，进入对话界面后上传一个文件测试。

建议在开测阶段重点试以下场景：

  • 上传一份PDF行业报告，让它输出“核心观点+数据口径+潜在风险”。
  • 上传音频或视频链接，测试音视频速读。
  • 让它根据一段会议记录生成待办列表。
  • 让它把一段文字转换成PPT大纲。

需要注意，“网页端能用”和“生产力级”还有区别。如果你只是偶尔写文案，网页端就够；但如果要批量处理文档，还是要走API或本地部署。

3.2 通过阿里云百炼API接入千问模型

办公场景里最常见的开发需求，是把千问能力接入到自己的系统。比如有一个文档库，希望自动给每篇文档生成摘要；或者有一个客服工单，希望自动分类。这时候使用API最直接。

3.2.1 获取API Key

登录阿里云百炼平台，开通模型服务，创建API Key。不同版本的模型有不同的model名称，常见的有qwen-plus、qwen-turbo、qwen-max等。示例中会使用qwen-plus，实际以你账户可用模型为准。

3.2.2 Python调用示例

下面用Python写一个最简调用，发送消息并获取回复。需要先安装openai库，因为百炼平台兼容OpenAI接口协议。 

pip install openai

# 文件路径：demo_qwen_api.py
from openai import OpenAI

# 请替换为你的API Key
client = OpenAI(
    api_key="YOUR_DASHSCOPE_API_KEY",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

response = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "system", "content": "你是一个办公助手，擅长总结文档要点。"},
        {"role": "user", "content": "请把下面这段会议纪要整理成三条待办事项：\n我们讨论了新版本上线计划，前端预计3天完成，后端接口需要提前联调，测试排期待定。"},
    ],
)

print(response.choices[0].message.content)

这段代码说明：

  • base_url 是阿里云百炼的兼容模式地址，便于OpenAI SDK直接调用。
  • model 要根据实际开通的模型填写。
  • messages 里可以同时传系统提示词和用户问题，系统提示词用来固定输出风格。
3.2.3 批量文档摘要脚本

办公场景中经常要批量处理多个文本片段。比如给一批招聘简历、一沓合同摘要，或者多篇公众号文章生成摘要。下面脚本演示了读取一个txt文件，按段落拆分后逐段生成摘要。 

# 文件路径：batch_summary.py
from openai import OpenAI
import time

client = OpenAI(
    api_key="YOUR_DASHSCOPE_API_KEY",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

def summarize_text(text):
    resp = client.chat.completions.create(
        model="qwen-plus",
        messages=[
            {"role": "system", "content": "你是文档摘要助手，请用不超过100字概括核心内容。"},
            {"role": "user", "content": text},
        ],
        temperature=0.3,
    )
    return resp.choices[0].message.content

with open("input.txt", "r", encoding="utf-8") as f:
    content = f.read()

# 按空行粗略分段
paragraphs = [p.strip() for p in content.split("\n\n") if p.strip()]

for i, para in enumerate(paragraphs[:5], start=1):
    print(f"=== 第{i}段摘要 ===")
    print(summarize_text(para))
    time.sleep(0.5)  # 避免触发限流

实际项目中还会涉及文件格式解析，比如从PDF中抽取文本。这个阶段需要结合 pypdf 、 python-docx 、 pandas 等库做前置处理，模型部分只是“最后一步”。

3.3 在第三方开发工具中接入千问模型

很多开发者想知道“Cursor怎么使用千问API”“Claude Code能不能接入千问”“CC Switch配置千问找不到模型怎么办”。核心思路都是一样的：把配置里的模型服务地址指向千问的兼容接口，再把模型名改成千问模型名。

3.3.1 Cursor接入千问

在Cursor的模型设置中，选择自定义OpenAI兼容接口：

  • API Base URL： https://dashscope.aliyuncs.com/compatible-mode/v1
  • API Key：你的百炼API Key
  • Model： qwen-plus 或 qwen-coder 等代码模型

由于第三方工具界面更新频繁，菜单名称可能不同，但关键配置项就是“Base URL + API Key + Model”。如果列表中找不到千问模型，可以手动填写模型名，不要被默认下拉框限制。

3.3.2 CC Switch配置千问

CC Switch这类工具主要用于在多个模型服务之间快速切换。配置时注意：

  • 服务商类型要选择OpenAI兼容或DashScope。
  • Base URL必须写完整，不要省略 /compatible-mode/v1 。
  • 模型名要写具体名称，不能只写 qwen ，否则工具可能识别不了。
  • 如果找不到模型，先确认API Key是否有权限访问该模型，再确认填写的模型名和官方文档一致。
3.3.3 Spring Boot接入千问API

如果公司内部系统使用Java技术栈，可以通过Spring AI或HTTP方式接入千问。下面是一个使用RestTemplate调用兼容接口的简单示例。 

// 文件路径：src/main/java/com/example/demo/QwenService.java
import org.springframework.beans.factory.annotation.Value;
import org.springframework.http.*;
import org.springframework.stereotype.Service;
import org.springframework.web.client.RestTemplate;

import java.util.List;
import java.util.Map;

@Service
public class QwenService {

    @Value("${qwen.api-key}")
    private String apiKey;

    private final RestTemplate restTemplate = new RestTemplate();

    private static final String URL =
            "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions";

    public String chat(String userMessage) {
        HttpHeaders headers = new HttpHeaders();
        headers.setContentType(MediaType.APPLICATION_JSON);
        headers.setBearerAuth(apiKey);

        Map<String, Object> body = Map.of(
                "model", "qwen-plus",
                "messages", List.of(
                        Map.of("role", "system", "content", "你是办公助手"),
                        Map.of("role", "user", "content", userMessage)
                )
        );

        HttpEntity<Map<String, Object>> request = new HttpEntity<>(body, headers);
        ResponseEntity<Map> response = restTemplate.postForEntity(URL, request, Map.class);

        if (response.getBody() != null) {
            List<Map> choices = (List<Map>) response.getBody().get("choices");
            if (!choices.isEmpty()) {
                Map message = (Map) choices.get(0).get("message");
                return (String) message.get("content");
            }
        }
        return "";
    }
}

注意：上面代码里的 Map.of 适合数据量小的请求。实际项目建议用DTO封装请求体，便于维护和测试。

3.4 在本地用Ollama部署千问模型

有些办公场景不允许把数据传到云端，比如含有内部敏感信息的合同、财务表、人事资料。这时可以选择本地部署。千问的开源模型可以通过Ollama快速跑起来。

Ollama是一个本地模型运行工具，支持下载并运行多个开源模型。操作方式比较简单： 

# 安装Ollama后，拉取千问2.5 8B模型
ollama pull qwen2.5:8b

# 运行模型
ollama run qwen2.5:8b

本地运行后，可以通过OpenAI兼容接口访问： 

curl http://localhost:11434/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen2.5:8b",
    "messages": [
      {"role": "user", "content": "帮我写一份周报"}
    ]
  }'

这种方式在办公场景里的价值是“数据不出内网”。本地部署后也可以接入到自研OA系统，把大模型能力变成内部服务。

需要注意的是，本地部署对硬件有要求。8B模型在普通消费级显卡上可以运行，但速度和上下文长度受限。如果是公司内部多人使用，建议用支持GPU服务的高性能服务器，并配置显存监控。

4. 办公实战案例：文档摘要、PPT生成、表格处理

4.1 案例一：会议纪要批量整理

场景：团队一周开了5场会，每场都有录音转文字文本。需要快速生成“决定事项”和“待办事项”。

实现思路：

  1. 读取每场会议的文字稿。
  2. 分段后调用千问模型，按固定模板输出。
  3. 汇总结果保存到Markdown文件。 
# 文件路径：meeting_summary.py
from openai import OpenAI
import os

client = OpenAI(
    api_key="YOUR_DASHSCOPE_API_KEY",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

PROMPT_TEMPLATE = """
你是一个会议纪要整理助手。请根据下面的会议记录，输出：
1. 决定事项
2. 待办事项（注明负责人，如果原文没有负责人则写“待定”）
3. 风险点

会议记录：
{text}
"""

def summarize_meeting(file_path):
    with open(file_path, "r", encoding="utf-8") as f:
        text = f.read()

    resp = client.chat.completions.create(
        model="qwen-plus",
        messages=[
            {"role": "system", "content": "你是严谨的会议纪要助理。"},
            {"role": "user", "content": PROMPT_TEMPLATE.format(text=text[:3000])},
        ],
        temperature=0.2,
    )
    return resp.choices[0].message.content

if __name__ == "__main__":
    result_lines = []
    for file_name in os.listdir("meetings"):
        if file_name.endswith(".txt"):
            print(f"正在处理：{file_name}")
            result = summarize_meeting(os.path.join("meetings", file_name))
            result_lines.append(f"## {file_name}\n\n{result}\n")

    with open("meeting_summary.md", "w", encoding="utf-8") as f:
        f.write("\n".join(result_lines))

    print("已生成 meeting_summary.md")

这里有一个实用细节： text[:3000] 是为了控制单次输入长度，避免超出上下文限制。批量任务中这种截断策略很常见，但要注意别把关键结论截掉。更稳妥的做法是按段落、按轮次拆分，而不是简单裁前3000字。

4.2 案例二：用千问生成PPT大纲

做PPT最耗时间的往往不是PPT本身，而是搭结构。让千问先生成大纲，能节省很多整理思路的时间。 

# 文件路径：ppt_outline.py
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DASHSCOPE_API_KEY",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

topic = "企业数字化办公转型方案"

resp = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "system", "content": "你是PPT策划专家，擅长输出结构清晰的大纲。"},
        {"role": "user", "content": f"请为《{topic}》生成PPT大纲，要求包含：封面标题、核心痛点、解决方案、阶段规划、预期收益、风险应对。每个部分给出3到5个要点，不要写完整句子。"},
    ],
    temperature=0.4,
)

print(resp.choices[0].message.content)

生成结果可以直接复制到WPS、PowerPoint或墨刀等工具中二次调整。实际使用中，建议把生成的大纲再回传给模型，让它针对某个部分做细化，比如“第二部分的解决方案，请展开成三页的详细结构”。

4.3 案例三：用千问辅助处理Excel

表格处理是办公场景的高频需求。千问虽然不能直接操作Excel文件，但可以帮你生成处理思路或公式，也可以把结构化文本转成CSV。

场景：有一份销售记录，需要按区域统计销售额。 

# 文件路径：excel_assist.py
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DASHSCOPE_API_KEY",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

sample_data = """
区域,负责人,销售额
华东,张伟,120000
华南,李娜,98000
华东,王强,152000
华北,赵敏,87000
华南,刘洋,110000
"""

prompt = f"""
请根据下面的销售数据，给出按区域汇总销售额的Excel公式或Python处理代码。
数据：
{sample_data}
"""

resp = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "user", "content": prompt},
    ],
    temperature=0.2,
)

print(resp.choices[0].message.content)

这种用法其实是把模型当成“编程助手+数据处理顾问”。模型可以给出：

  • 使用pandas读取CSV的代码。
  • 使用Excel的SUMIF公式。
  • 使用透视表的操作步骤。

然后由人工选择落地方式。要注意AI生成的数据处理代码只作为参考，涉及金额、账目数据时必须经过审查，不能直接用于财务对账。

5. 常见问题与排查思路

千问办公在使用过程中，比较容易遇到下面几类问题。这里整理成一张排查表，也单独说明几个高频场景。

问题现象 常见原因 解决思路
CC Switch 中找不到千问模型 服务类型或模型名填写不完整 切换为OpenAI兼容模式，填写完整Base URL和具体模型名
Cursor 调用千问API失败 API Key权限不足或Base URL写错 检查百炼账号是否开通目标模型，核对Base URL
本地Ollama运行千问速度很慢 硬件显存不足或模型过大 改用更小的量化版本，如qwen2.5:7b或qwen2.5:3b
API返回“InvalidApiKey” API Key复制错误或已过期 重新生成API Key，确认环境变量没有多余空格
长文档超过上下文限制 模型上下文长度有限 分段处理或使用支持更长上下文的模型
Spring Boot调用接口超时 网络策略或请求体过大 设置HTTP超时时间，压缩请求内容

5.1 CC Switch 里找不到千问大模型

很多用户在使用CC Switch这类“模型切换器”时，默认模型列表里没有千问，于是认为不支持。其实大概率是配置层没对齐。注意三点：

  • 服务商模式选择“OpenAI”兼容模式，不要选择“自定义私有”导致鉴权方式不同。
  • 填写Base URL时，确保以 /v1 结尾。例如 https://dashscope.aliyuncs.com/compatible-mode/v1 。
  • 模型名不要写 qwen ，要写 qwen-plus 、 qwen-turbo 或你要用的具体模型名。

5.2 API调用限流

办公场景并发调用时容易触发限流。常见表现是HTTP 429状态码。

排查步骤：

  1. 查看官方限流文档，确认每分钟调用次数限制。
  2. 在代码中加入退避重试逻辑。
  3. 对于慢速任务，如批量文档摘要，控制并发的线程数。

最简单的处理是在重试时加上指数退避： 

import time

def call_with_retry(func, max_retries=3):
    for i in range(max_retries):
        try:
            return func()
        except Exception as e:
            print(f"第{i+1}次调用失败：{e}")
            time.sleep(2 ** i)
    raise RuntimeError("重试次数已用完")

5.3 本地部署千问后如何让它写长文不中断

有用户问“部署在本地的千问，怎么让它写论文时候不中断”。这种现象通常是输出长度达到max_tokens限制，或者上下文窗口被系统提示词占满。

解决思路：

  • 调大 num_predict 或 max_tokens 参数。
  • 分章节生成，先让模型输出大纲，再按章节逐个生成，最后拼接。
  • 用更大量化的模型，或者支持更长上下文的模型版本。

在Ollama中运行模型时，可以通过参数调整最大输出长度： 

ollama run qwen2.5:8b --num-predict 4096

5.4 本地部署千问写论文时内容中断的补充

如果你使用的是OpenAI兼容接口，在请求体中增加 max_tokens 字段。例如： 

response = client.chat.completions.create(
    model="qwen2.5:8b",
    messages=messages,
    max_tokens=4096,
)

但要注意， max_tokens 只是上限，实际输出还受模型本身和上下文限制。更推荐的方式是“分章节生成”，每章单独调用一次模型，最后汇总。

6. 最佳实践与工程建议

6.1 工具选型：按场景而不是按品牌选

很多人问“豆包、元宝、千问、DeepSeek到底哪个好”。其实没有绝对的好坏，只有“适不适合当前场景”。

  • 如果你需要深度集成到代码开发环境，推荐千问或DeepSeek，因为API兼容性更好，开源模型丰富。
  • 如果你主要在微信生态内处理内容，元宝更顺手。
  • 如果你需要轻量级、移动端快速响应，豆包体验更轻。
  • 如果你需要私有化部署，千问开源系列和社区生态最合适。

做团队选型时，建议先列出三个关键场景，围绕这三个场景做为期一周的实际试用，而不是只看榜单或跑分。

6.2 数据安全与合规

办公数据的敏感性是首要问题。建议遵循“最小必要原则”：

  • 普通公开资料可以使用云端API。
  • 内部会议纪要、客户信息、财务数据，优先使用本地部署模型。
  • 使用云端API时，避免上传不必要的隐私字段，比如身份证号、手机号、工资条。
  • 公司内部使用API时，建议通过网关代理统一管理Key，不要在前端暴露API Key。

在Spring Boot项目中，不要把API Key硬编码到代码里，建议放到环境变量或配置中心： 

qwen.api-key=${QWEN_API_KEY}

同时权限设置遵循最小权限，只给需要使用千问API的服务申请独立Key。

6.3 成本控制

调用云端模型时，成本主要来自Token消耗。优化建议：

  • 用 qwen-turbo 处理简单任务，用 qwen-max 处理复杂推理。
  • 给系统提示词瘦身，不必要的角色设定会占用输入Token。
  • 批量任务合并请求，但要注意避免超出上下文限制。
  • 长文档先做预处理，提取关键段落再调用模型。

一个简单有效的做法是“先压缩后调用”。比如一份10万字的报告，先用规则或小型模型抽取章节标题和摘要，再让大模型做精读，成本能省很多。

6.4 提示词工程经验

AI办公不是“给一句话就能完美输出”，提示词质量直接决定结果质量。几个通用经验：

  • 明确角色：让模型扮演“会议纪要助理”“PPT策划专家”。
  • 明确输出格式：要求“用表格输出”“分三个要点”“不超过100字”。
  • 给出示例：对格式要求高的任务，先给一个输入输出的例子。
  • 限定范围：告诉模型“只根据提供内容回答，不要自行补充”。

例如： 

你是文档摘要助手。请根据下面的内容，输出：
- 核心结论
- 关键数据
- 可执行建议
不要添加原文不存在的信息。

这样的提示词比直接说“帮我总结一下”稳定得多。

6.5 工程化接入建议

如果你准备把千问办公能力做成公司内部服务，建议考虑以下几点：

  • 统一封装API网关：只暴露内部接口，隐藏第三方API细节。
  • 增加审计日志：记录每次调用人、时间、模型、Token消耗。
  • 配置熔断和降级：当第三方API不可用时，返回缓存结果或提示稍后重试。
  • 依赖抽象：不要直接在所有业务代码里写OpenAI SDK，而是定义自己的 AiChatService 接口，后续切换模型时改动最小。
  • 多环境隔离：开发、测试、生产环境使用不同的API Key和模型配置。

6.6 从“会调用”到“会落地”

很多开发者卡在“能跑通API”和“能上线”之间。差距往往在于：

  • 没有做异常处理。
  • 没有考虑并发和限流。
  • 没有设计好提示词的复用。
  • 没有定义清楚输出结果的校验规则。

建议第一个内部项目不要贪大，先选一个痛点，比如“自动生成周报摘要”，跑通后再逐步扩大。AI办公类项目，最怕一开始就设计一个庞大系统，最后每个环节都不可控。

7. 总结与下一步

千问办公的开测，让AI办公工具的选择变得更加丰富。对于个人用户来说，可以先从网页端试用开始，感受文档解析、音视频速读、PPT大纲生成这些常用能力；对于开发者来说，更值得关注的是千问模型的开放生态，比如通过API接入办公系统，通过Ollama本地部署实现数据私有化，以及通过兼容接口快速接入Cursor、CC Switch、Spring Boot等工具链。

接下来可以继续做三件事：第一，把你日常最花时间的办公任务列出来，挑两个高频场景用千问实测；第二，如果是技术团队，申请一个API Key，写一个最小原型验证业务边界；第三，关注模型的上下文长度、版本更新和价格变化，这些会直接影响生产环境的方案设计。

AI办公工具还在快速演进，不用急着站队。能解决问题的工具，才是最适合你的工具。建议收藏本文，动手配置时遇到问题可以回来对照排查。

Logo
乐奇 Rokid 开放社区

更多推荐

2026年9月16日 星期三 AI 日报

31.Meta推出个人Agent产品Muse：由闭源模型Muse Spark驱动，可通过独立应用、网页及WhatsApp交互，连接第三方服务、操作浏览器并后台持续执行任务，采用免费+20/100美元两档订阅，后续将接入Meta智能眼镜。22.国产AI编程工具全景成型：形成CLI终端、IDE插件、AI原生IDE、Web端、云端智能体、本地部署六种形态：Kimi Code、Trae、文心快码Comat

avatar 乐奇 Rokid 开放社区
cover

TestStar | AIUI 数据库客户端测试Case执行实录

avatar 乐奇 Rokid 开放社区
cover

AR巡检哪家好

avatar 乐奇 Rokid 开放社区