對話階躍AI：做桌面 Agent，要比 Claude Cowork 往前一步

Claude Cowork 火了，基于本地的 AI Agent 產品突然成為大家關注的重點。

但這么嘗試的不止 Anthropic，25 年 9 月底階躍發布的「階躍 AI 桌面伙伴」也在做同樣的事情。

基于桌面端而不是云端的形式，主打本地的任務執行和文件處理，嘗試更主動為用戶提供服務。可以幫你處理 Excel 數據、社媒信息獲取，甚至主動完成一些定時任務。

為什么大家都選擇了桌面端 Agent？模型公司做 Agent，又有什么不一樣的策略？

在產品發布 3 個月后，我們采訪了階躍 AI 桌面伙伴的產品負責人鐘經緯，聊了聊一款來自基模公司的 Agent 產品，背后的思考和嘗試。

*注：采訪時間為 2025 年 11 月，2026 年 1 月補采部分問題。

階躍 AI 桌面伙伴目前 Mac、Windows 版均已發布，免費體驗中。

官網下載：https://www.stepfun.com/download

2025 年，我們在 AI 產品市集推薦了 170 款產品，我們挑選了一些亮眼的產品，采訪產品主創團隊，想聽聽他們在產品上的探索和思考。本篇是第一篇，后續訪談陸續發布中。

歡迎加入我們的飛書「AI 產品市集」社群提交你的產品。

進群后，你有機會得到：

• 最新、最值得關注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準的AI產品曝光渠道

01對比 Claude Cowork，

方向一致、打法各異

Founder Park：怎么看待 Claude 最近發布的 Cowork，你們之間的區別是？算是殊途同歸嗎？

鐘經緯：主要的區別是，我們在終端 Agent 的探索會更往前走了一點。例如，我們推出了「全局記憶」功能，嘗試在上下文的可能性上進行更激進的探索，以及通過「懸浮窗」這種交互方式，提升用戶體驗。

他們在 Agent 本身會打磨的更精細，我們也在努力優化中。

總體上是有點殊途同歸的，后面可能都是往著端云協同去，同時有本地和云端的能力，但考慮到成本，當前大家還是會先選一邊，每邊都有其優劣。從這個角度看，我們想到一塊去了，都選擇了本地端。

選擇本地客戶端的優勢在于更大的場景拓展空間，和上下文探索的可能性。缺點是關機時無法執行，而且下載安裝本地應用的滲透率低于網頁應用。

我們當前關注的是多元的用戶場景探索。目前，Agent 協作的方式仍處于早期階段，我們希望與用戶一起挖掘更多創新的用法。而本地客戶端能夠更好地激發這種想象空間，因此我們優先選擇了本地方案。

在此之外，大家面臨的關鍵問題都很類似。

第一個問題是 Agent 能力提升。核心是讓 Agent 做得更多、更穩、更快、成本更低。

Skill 是其中一個重要探索——它是給模型用的 workflow，包含驗證過的路徑、標準和腳本，能顯著提升穩定性和效果，相當于開卷考了。相比 MCP 剛推出時，現在參與 Skill 產出的人更多，實用價值也有提高。

我們在 Claude 25 年 10 月推出 Skill 之前，也上線了類似的「妙計」功能，支持加入本地文檔和腳本，出發點是一致的。不過他們在上下文設計上比我們當時極致，最近我們也在優化這樣的設計。

接下來，我們還會探索更多基于上下文的自主學習能力，比如把一次滿意的執行一鍵沉淀為妙計，將文件路徑、代碼腳本等關鍵信息保存下來，下次直接復用，就不用再讓 Agentic 重新整了。

另一個問題是 Agent 的滲透。基于我們這段時間對用戶的觀察看，無論海外還是國內，都處于很早期的階段。海外滲透更高一點，并且有更大規模爆發的趨勢。

非技術人員的工作場景中，意識到「有 Agent 可用」的人就很少，能明確知道「自己工作中哪些環節能用 Agent」的更是鳳毛麟角。

我印象很深的是，當時我們調研了三位教師用戶，他們的使用場景完全不同：有人用來整理教案，有人做學生成績統計分析，有人處理其他教學事務。當我們分享彼此的用法后，他們都大受啟發，發現很多場景自己也能用。

從這點也能看出，如何讓大家知道能用，知道哪里能用，是很重要的事。

Founder Park：你們內部最初構思這個產品時，是如何定義它的？

鐘經緯：我們認為它是一個「探索型」產品，具備幾個特點。

第一，它是我們在 AI+終端戰略下的一次創新嘗試；

第二，用于驗證我們關于用戶場景、技術實現等方面的假設；

第三，它會為我們的長期目標積累底層能力。

我們在探索，通過端云協同，讓 agent 在不同終端上為大家服務是什么樣的。

我個人的一種理解是：在現有的Web、App 和數據庫之上，疊加一層「Agent 加工層」。這一層由以用戶為中心的 Agent 們組成，它們的目標不是復刻服務商既有的流程，而是圍繞用戶需求，構建「新結果」和「新狀態」。

所謂「新結果」，包括三類：

• 新信息：比如 Deep Research，是對互聯網信息的再加工；

• 新媒介：比如 NotebookLM 實現的視頻自動生成 PPT；

• 新操作界面：比如有人將愛潑斯坦泄露的 PDF 郵件整理成仿 Gmail 界面，大幅提升「吃瓜」的體驗；B 站的個性裝扮也是一種個性化界面。這方面新的 AI 形態供給還比較少，但潛力比較大；

而「新狀態」，則是指那些改變用戶與世界關系的行為，比如自動填表、給人發消息、預約他人會議等。

在上述框架下，體驗可以拆解為兩種基本形態：

• 任務執行：像賈維斯一樣，用戶下達指令或 agent 主動識別需求后完成任務；

• 瀏覽操作：類似鋼鐵俠的智能工作臺，界面隨需求動態調整，提供沉浸式交互。

從目標來看，這兩種體驗我們都希望實現。但在當下，階躍桌面伙伴做了一定取舍，更聚焦在任務執行上，因為我們覺得當前 AI 對瀏覽體驗的提升雖然有，但還不夠痛。

Founder Park：你們打算怎么切入「任務執行」這個場景？

鐘經緯：首先是倒推的視角。要實現上面說的那些，agent 不僅需要更多的三方執行和數據權限，還需要更多的個人上下文信息。

第一，終端選擇。

考慮到是先做獨立 APP 的話，當前選擇電腦端會更容易滿足這些條件——既能深度集成瀏覽器和本地工具，又能安全獲取用戶資產。直接做硬件也是一種方式，不過需要更長時間一點。車機相關的也會更快一點，階躍也已經在布局車機方向了。

一方面，車機系統的數據開放度相對較高，操作系統能獲取的信息更豐富，而且與現有 APP 生態的競爭關系沒那么激烈。另一方面，車機交互對用戶手動操作不友好——比如出行途中想點杯飲品，用語音讓 agent 代勞遠比手動點擊更自然高效。

第二是應用場景的選擇。

當前 AI agent 的任務完成率還不夠理想，失敗率高、耗時長、成本也不低。在生活場景中，這種不穩定性容易勸退用戶——比如點外賣十次失敗兩次，大家寧愿自己動手。但辦公場景不一樣，任務往往復雜、鏈路長、手動成本高，即便成功率只有六七成，用戶也愿意反復嘗試。而且辦公也能更好的體現 Agent 的智能。所以我們優先從辦公場景切入。

這樣一交叉，先在電腦端做辦公場景的探索，就比較順理成章了。不過這是一個中間路徑，最終我們也希望取代電腦。之前在大廠的時候印象很深，很多職級很高的同學都不帶電腦，有手機就夠了，因為他們有很多成熟的 Agent 幫他們交付結果，他們只需要做決策就好了，未來可能人人都能實現這種狀態。

在「倒推邏輯」外，還有「正推邏輯」：我們最初的產品形態，也源于真實痛點。

我從 24 年底開始用 Cursor 做數據分析，來幫助我做模型優化的策略。我經常要處理各種數據，它能幫我快速寫腳本，非常方便。但很快就發現，大量非技術人員，比如數據分析師、產品經理、運營，甚至傳統行業的合同風控人員同樣面臨大量類似的文件處理需求：數據分析、格式轉換、批量整合等。

雖然像 Cursor 或 Claude 具備部分能力，但它們藏在 IDE 或命令行里，學習門檻非常高。很多人光是下載安裝就很折騰，更別說使用了。

所以，我判斷這里存在一個機會：用更產品化、低門檻的方式去滿足這個場景的需求。

第二個機會是信息獲取。我們在做 Deep Research 項目時觀察到，它能滿足用戶很多跨領域學習的需求，但在垂直領域內如何更好地獲取信息和數據，滿足得還不夠好——大家要的不是報告，是批量的數據。

一個很典型的 case 是，我們之前做娛樂產品時，運營同學每天都要聯系大量創作者，并且在創作者發完筆記后，要人工一個個去看，把筆記數據更新到表格里，非常痛苦。如果有一個能自動使用瀏覽器工具的 agent，就能幫她完成這件事。

所以，我們產品一上來主要就打這兩個場景：一是文件處理，二是批量信息獲取。

02「妙計」是對提升滲透的一種嘗試

Founder Park：現階段你們的典型案例演示，主要是為了幫助用戶建立認知——「原來這類場景 AI 能快速完成」或「原來這樣寫指令效果更好」。這是否和「妙計」功能是相配合的？

鐘經緯：是的。「妙計」是一個非常關鍵的探索方向。它具備多個價值：

簡化操作：把常用指令或流程保存下來，避免每次從零輸入，使用成本更低、效率更高。

降低門檻：一方面解決「不會寫復雜指令」的問題，另一方面把行業經驗直接封裝進去。比如麥肯錫報告格式、公司內部常用模板等，都可以被直接復用。

沉淀腳本資產：比如在處理 Excel 時寫過一段腳本，可以把它保存為「妙計」，下次直接調用——相當于把一次性的操作，變成可復用的小工具或小程序。

自主學習的可能性：如果 Agent 能夠自己意識到，什么時候應該自動創建「妙計」，并在執行類似任務時參考，某種程度上也就具備了自主學習的能力。

Founder Park：現階段，用戶在使用「妙計」這塊，無論是自己寫還是用官方推薦的，符合你們最初設計這個功能的預期嗎？

鐘經緯：一部分符合，一部分不太符合。

符合預期的是，「妙計」本身也扮演著一種playbook（操作指南）的角色。現階段我們并沒有真正意義上實現一個通用 agent，但用戶面對一個「桌面伙伴」時，很容易產生過高期待，覺得它什么都能解決。

因此，我們需要通過「妙計」來告訴用戶：哪些事情現在能做好，哪些場景值得用。這既能幫助用戶建立合理預期，也讓我們在對外溝通時有更具體、可感知的價值錨點。有了「妙計」，用戶會更清楚「我可以用它來干什么」。

另外，也有不少用戶分享了非常高質量的「妙計」，給了我們很多啟發。

不符合預期的地方主要在于：當前的創建和使用引導還不夠強。

比如，當前懸浮窗形態對「妙計」的展示不夠友好。用戶可能根本注意不到輸入框上方那句「輸入 / 即可使用妙計」，甚至不知道「妙計」是什么。

后面我們也會做更多優化，比如加強露出（最新的更新中已經做了加強），增加預設推薦、優化引導路徑，并通過運營手段鼓勵用戶創作和分享，形成正向循環。

03「主動服務」應該是所有 Agent 的能力

Founder Park：你們看具體用戶行為時，有什么跟之前想的不一樣的事？

鐘經緯：比較好的地方在于，有些功能意外地受到了很多人的喜歡。比如「喝水提醒」「久坐提醒」這類功能，發現用戶的接受度和使用意愿都很高。

同時，我們也看到了很多意料之外的長尾需求，比如有人會每天定時檢測并自動關閉 VPN。

不太符合預期的地方在于，Agent 的整體滲透率并不高。很多用戶并不會主動去聯想到更多使用場景，往往只解決了一兩個明確的問題，就停下來了，并沒有意識到它還能做更多事。

在用戶訪談中，這一點表現得尤為明顯。很多時候我們只要稍微提示一下，用戶就會恍然大悟：「原來還能這樣用？」而這種「被點醒」的情況，這種情況的比例比我想象中高很多。

也正因為如此，我越來越覺得，「主動」的能力，以及通過「妙計」這種方式去更清晰地傳達能力，變得格外重要。如果未來能進一步培養出一種心智——「這個事情，是不是也可以讓階躍試試？」——那我覺得就更好了。

Founder Park：這感覺像是當前模型和 agent 產品普遍面臨的共性問題——能力其實已經到了，但用戶不知道能這么用，或者有需求卻不會表達。就像最近 Nano Banana 的出圈，也是靠一個具體、有趣、可傳播的案例才被大眾感知到。

鐘經緯：對。而且對更廣泛的用戶來說，大家大多是「懶」的，也討厭學習。這種「懶」并不是不想解決問題，而是很多時候，寧愿用自己熟悉的方式花 30 分鐘，也不愿意花 5 分鐘去學一個新方法。

所以我們特別重視對話的自然性，以及「妙計」的易用性，目的就是讓用戶以最低成本上手。而「主動服務」的探索，也是為了解決用戶的認知和使用門檻的問題。

Founder Park：「主動」在你們產品里定義的是什么樣的場景？是真正的 AI 主動，還是說你們設定了某個場景，類似 if/else，監測到用戶可能有什么行為，就通過預設讓 AI 出來跟用戶對話？

鐘經緯：最終的想象比較科幻：它檢測到你有什么事就自動幫你做了。比如，我們倆今天要聊 agent，它可能在昨天就自動幫你把這個產品下載了，說「你今天要聊這個，要不要體驗一下？」; 或者你還想看同類產品的數據，它就自動幫你做了一份 Manus、Genspark 這類產品的研究報告給你參考。

但要實現這個狀態，還需要一段時間。所以在當前階段，我們選擇分兩方面探索。

一方面是先從一些我們拿得準的場景切入，并且這些場景能和我們 agent 當前的核心能力掛鉤。比如識別屏幕內容，自動生成待辦事項、每日復盤，或推薦任務給「小躍」。

另一方面是，把探索權交給用戶，給用戶設定「當模型發現 X 時，執行 Y」的開放性功能。例如當前就有人設置「每天晚上 9 點總結 Obsidian 日記」，未來還可能變成「當發現我不專注的時候提醒我」。這些長尾場景空間很大，我們覺得可以更多把能力交給用戶，看他們想做什么，我們也能從中發現用戶的需求。

同時，「主動」這件事，隱私安全特別重要。當前的本地模型還沒有那么成熟，在這個過程中也要把本地模型打磨得更好。

Founder Park：「主動」是不是可以更好地解決所謂的用戶教育問題？在用戶沒有意識到 agent 能解決他任務的時候，主動出來，讓他意識到。

鐘經緯：是的。它有點像是在「跨越鴻溝」——把早期用戶探索出來的好用法，用一種幾乎無感的方式，傳遞給更廣泛的用戶群體，從而進一步提升 AI 的整體滲透率。

我有個印象很深的事。我經常會去看 Excel 求助帖，底下會有人說「你可以用 AI 啊」，然后就會有人回「居然可以用 AI 么」。說明能力有了，但觸達和引導沒跟上。「主動」是解決這個問題的方法之一。

Founder Park：現在一個本地安裝的 agent 能不能做到主動，一方面是模型能力，另一方面是很多產品還無法獲取用戶更長的上下文，因為它不確定什么時候介入是合適的。所以要做得更主動，還是要在獲取用戶屏幕信息或者更多介入用戶流程上下功夫。

鐘經緯：現在可能是兩條線：一條線是怎么讓 agent 變得更智能，或者說能完成更復雜、更難的任務；另一條線是怎么讓 AI 更懂你。這個「更懂你」不只是對話上更懂你，而是真的知道你什么時候可能需要什么。

這靠 chatbot 很難解決，它一定得跟你當前的現實生活、手機或電腦的系統環境有比較強的結合。

Founder Park：這就需要更多地在終端層面去介入用戶的實際工作和生活流程中？

鐘經緯：終端肯定是重要的，這也是我們后面一直跟很多終端廠商合作的原因。但也不是只有終端能做。比如，瀏覽器其實也是一種小 OS，使用頻率比較高，我記得海外數據是人均使用時長 5.5 小時。很多人辦公全在瀏覽器里完成。微信、抖音、甚至游戲也都有上下文，同樣可以嘗試「主動」服務，所以應用層面也有空間。

還有些別的方法，比如豆包最近營銷的另一個 case 也很好：開著視頻通話，讓豆包「看著」孩子學習，一旦注意力不集中就提醒一下，坐姿不對也會提示。這也是一個主動場景。

04用戶的主要場景是「文件處理」

Founder Park：最初上線的功能是一開始就計劃好的嗎？

鐘經緯：不完全是。整體要打的核心場景和用戶價值，其實從一開始就很清楚，主要集中在文件處理和信息獲取這兩個點上。

但初期設想的功能規模，比現在實際做出來的要多出三到四倍。隨著推進，我們不斷砍需求、調優先級，同時也根據真實用戶反饋，補充了一些更關鍵的能力。

從開發到正式上線，整個周期不到一個半月。這期間，視覺和交互也在持續迭代——懸浮窗的樣式中途改過一次；后來被大家夸「好看」的 IP 形象、登錄頁和新手引導 UI，甚至是在上線前兩周才最終敲定的。

某種程度上，時間壓力倒逼了團隊聚焦，也激發了不少創造力。

Founder Park：從目前用戶反饋來看，日常最高頻的任務是哪些？反饋最好的任務又是什么？

鐘經緯：最主要的場景有三塊，基本是 4:3:3 的比例。文件處理占 40% 左右，信息獲取大概 30%，剩下 30% 是一些更長尾的，比如快問快答和一些零散需求。

文件處理這一塊，其實出現了很多很有意思的用法。比如在數據處理上，有 HR 用戶用它自動匯總多張出勤 Excel 表，基本省掉了原來大量的手動統計工作。

在文件管理上，我們有不少算法同學每天要看大量論文，就讓 agent 自動下載論文，并根據文件內容自動重命名。因為很多論文從 arXiv 下下來，文件名通常只是一串編號，根本看不出來內容是什么。現在 agent 可以直接讀取文件內容，理解主題后自動改名，發票整理之類的場景也是類似的邏輯。

還有一個和文件相關、我覺得特別有意思的案例，是一位家長分享的，他在給孩子用這個產品。

他給孩子整理了一個錯題本，里面是各種單詞，然后設置了一個定時任務：每天早上 9 點，讓 AI 從文件里隨機抽幾個單詞提問。當孩子連續回答正確幾次后，系統就會自動把這些單詞從錯題本里刪掉，相當于一個「會自己更新的學習文件」。

05模型現階段依然非常重要

Founder Park：你怎么看「模型即產品」的說法？

鐘經緯：我覺得可以從兩個層面來看。

首先，模型本身依然非常重要。目前國內 agentic 模型整體上仍然弱于海外，并且模型能力的突破還在持續發生。比如像 Gemini 3 仍在不斷解鎖新的應用場景。同時，強模型天然自帶「流量」。在 AI 圈子里，一旦出現一個更聰明的模型，大家會主動去測試、討論和傳播，很快就會形成「這是一個很強模型」的心智，這本身就是一種勢能。

但從真正落地的角度看，模型之外的因素也在變得越來越重要。比如個人數據接入、場景教育。還有經驗沉淀：像 Agent 執行過一次文件檢索了，是不是可以有個地方把目錄記錄下來，下次就可以直接找到了。此外，工具的細節設計和反饋也越來越重要，它決定了模型在這些場景上能不能發揮得更好。

所以我的總體看法是：模型依然重要，但模型之外的東西的重要性也在提升，兩者需要一起進化。

Founder Park：也就是說，模型本身的 agent 能力是一個長線持續提升的東西。但現階段把 agent 產品的上下游補足，也能做出表現不錯的產品？

鐘經緯：對。2023–2025 年，大家其實都在做「功能點」——模型本身也像是一種「功能」。但隨著基礎能力趨同，整合能力會越來越重要：哪些功能保留、如何串聯、怎樣嵌入用戶工作流，這些很關鍵。

Founder Park：這兩個月（202511-202601），產品主要更新了哪些新功能？

鐘經緯：這兩個月，我們的重點仍然放在 Agent 核心能力的持續優化上，同時也相對激進地探索了一些新的方向，比如全局記憶。基于全局記憶，我們在內部還嘗試構建了主動推薦小躍 Query 等功能 Demo，可以看作是在「主動」方向上的一次探索。

我們最近還打算將我們與用戶以及公司內，共同打磨的 Agent 使用方式和具體案例，分享給大家，幫助大家理解，如何真正將 Agent 融入到自己的工作流里。用了后，真的會很爽。

Founder Park：這款產品會反哺階躍本身的模型研發嗎？

鐘經緯：會有的，這是主要目的之一。產品還是在幫助牽引方向。比如「妙計」就是一個很好的 benchmark。一個很火的「妙計」，有一千多人點贊，一萬多人因為這個「妙計」下載了產品，那就說明這個任務是大家需要的，就值得我們去考核模型能不能在這道題上做得越來越好。所以它是一個很好牽引模型方向的事。

此外，也能幫模型積累數據。現在 agent 任務的數據不那么好造，因為它中間有很多步驟，純人寫的 pattern 有時跟模型本身的 pattern 還有差異，反而可能干擾數據。通過產品，我們能沉淀出不錯的合成數據，也是一種比較好的方式。以及 agent 依賴于環境的反饋信號，能讓用戶參與進來反饋很重要。

06用對話的形式解決任務，

對用戶來說成本最低

Founder Park：從 Manus 到現在，你印象里有哪些覺得有意思的通用或垂直 agent？

鐘經緯：最近有好幾個（25 年 11 月底）。

第一個是 Hero AI（Hero Assistant）。他們最近發布了一個 SDK，我已經申請了，但還沒拿到邀請碼。這個產品在輸入框層面的交互上做了一個很有意思的創新。

Hero AI 的創新點在于：不先問問題，而是在你輸入的過程中自動判斷維度。比如你在描述生圖需求時，輸入到一半，輸入框就會主動浮出「人物」「環境」「動作」等可選塊；再比如你輸入「買一杯咖啡」，系統會自動識別出「品牌」這個維度，并給出「星巴克」「瑞幸」等候選。

它還有一個挺有意思的商業化想象：當系統判斷你「并不知道該買什么咖啡」時，會在浮層里給你一些輕量的推薦，甚至是廣告。

還有一個是 OpenAI 收購的Sky.app*，我很喜歡他們在懸浮窗形態上的探索。

注：一款專為 Mac 打造的 AI 助手，Workflow 和 Shortcuts 的原開發者 Ari Weinstein 和 Conrad Kramer 領銜開發。

再比如 MineContext（字節出品的上下文感知工具）我也很喜歡，他們的很多理念跟我們很像，也在全局記憶、圍繞特定人群（比如 ADHD 用戶）做場景探索。整體來看，他們同樣是在圍繞上下文理解和人–AI 交互體驗做持續優化，這個方向本身還有非常大的探索空間。

Founder Park：像今年出現的 Macaron、MuleRun 這種偏向 agent 工具或商店的產品，你怎么看？

鐘經緯：關鍵還是要回到幫用戶解決的問題是什么。工具的價值在于能被沉淀下來、反復調用，幫助提升效率和可靠性，以及有些場景下 GUI 更直觀和便捷。但這和面向大眾做 coding 產品，有些區別。難點是，有很多用戶連需求是什么都不知道，更別說描述工具是什么了。

我們的體感是：在自然對話中調用，成本最低。你只需說出任務目標，agent 自動生成或匹配「妙計」，這比去應用商店找工具、下載、再學習使用要順暢得多。

我之前看過一些 Vibe Coding 的例子，發現確實有很多長尾需求。比如有老師用它做課表簽到，幫助很大。但在手機上，這些場景有沒有已經被小程序滿足得比較好？以及為了一堆很低頻的工具需求，用戶愿不愿意下載一個 APP，并且之后還能想起來用它？如果有高頻的，是不是已經有別人做了？小程序在微信里能成立，一個很重要原因是微信本身是大流量入口。

所以，我覺得從用戶價值上是有的，但從實際落地形態上要再看看。在電腦端，我們后面圍繞「妙計」也會有類似的設計。不過更符合我想象的是，從 Agent 這樣的形態切入，傳達用戶的是完成某個任務的心智，Coding 在里面更多是手段。

Founder Park：確實，如果某個痛點是真的痛，可能已經有其他產品在解決了。

鐘經緯：對。它很像瀏覽器插件，到底是個供給問題還是個分發問題，大家可能要想一想。

Founder Park：但可能還有另一個邏輯，如果用戶想要的功能能即時生成，可能比他花時間尋找現有方案成本更低，畢竟現在「發現成本」本身就很高的。

鐘經緯：對，對于用戶來說，只需要說任務是什么，是最簡單的。

轉載原創文章請添加微信：founderparker