你觉得如果要深度体验这一类产品应该着重放在哪块地方？比如说给的任务类型或者什么的

回 Joye： 我的看法是，别拿一次性的任务去测，重点放在 pa 区别于 cb 和 ca 的地方：时间跨度和积累。按这个思路，我会盯四块。 1. 记忆的积累和纠错 - 连续用一两周，看它记得对不对、记得全不全。 - 故意纠正它几次，比如"我不喝咖啡""这个人是我同事不是朋友"，再隔几天看它有没有真改过来。 - 看记忆能不能查看、编辑、删除。官网说用户可控，这点要实测。 2. 主动性的质量 - 它什么时候打扰你，打扰得准不准，有没有变成噪音。 - 设几个定时任务，比如每天整理邮件，跑一周看稳不稳定。 - 判断标准是"提醒之后你省了多少事"，而不是"它有没有提醒"。 3. 真实任务的端到端闭环 - 任务要涉及你自己的真实数据和多个系统，比如邮件加日历再加文件，别出"帮我写个旅行计划"这种纯生成题。 - 任务要有模糊度，看它是追问、瞎猜还是停下来确认。 - 重点看它做完之后的汇报是否诚实：做了什么，没做什么，哪里不确定。 4. 云端电脑加连接器的边界 - 看它能连哪些国内用不了的、或者你常用的工具，授权粒度怎么样。 - 让它做一件有副作用的事，比如发邮件、改日程，看有没有确认机制，出错能不能回滚。 - 用 bu 去操作需要登录的网站，看稳不稳。 测的时候我觉得有个顺序更好：先把它当日常助手真用起来，把翻车的地方都记下来，这些 badcase 才是最有价值的。别一上来就设计一套评测题，用一阵子再从 badcase 里提炼。 另外，官网列的几个场景，像旅行规划、语言学习，是最容易包装出好效果的。想看真实水平，应该挑你自己最烦、最琐碎、又有真实上下文的事去试。