一個以知識沉淀為核心的產品，在Agent時代真的有不可替代的價值嗎？

當全行業都在討論“龍蝦”（OpenClaw）能不能幫你自動干活的時候，騰訊的另一款AI產品正在嘗試另一條路：不是讓你擁有一只更聰明的龍蝦，而是讓你擁有一個越用越懂你的知識大腦。

今天（4月29日），騰訊正式上線了ima的copilot模式。這正是促成這次評測的直接原因：當一款產品宣布從“工具”升級為“伙伴”，從“跑腿”進化為“貼身助理”的時候，無論此前印象如何，都值得重新看一眼。

ima.copilot（以下簡稱ima），2024年11月上線，定位“以知識庫為核心的AI工作臺”。和WorkBuddy的“桌面Agent自動執行”路線不同，ima的核心敘事是“搜讀寫一體”——把散落的信息變成可查詢、可調用的智能資產，再基于這些資產幫你問答、寫作、分析。

問題是：一個以知識沉淀為核心的產品，在Agent時代真的有不可替代的價值嗎？

先坦白一件事：在做這次評測之前，ima在我的電腦上是一個“裝了但基本不用”的應用。我的文檔絕大部分沉淀在WPS上——目前體量將近28G，ima的知識沉淀從零開始，此前的寫作效果也遠不如龍蝦類產品和通用AI助手，所以它一直處于被冷落的狀態。坦白說，此前很多辦公工具倡導的“構建知識庫”這件事，給我這樣一個C端用戶帶來的第一反應不是好奇，而是畏難。

但copilot的上線在這次體驗中確實改變了這個等式。按照官方定義，copilot是一種全新的Agent模式——通過統一入口（One Agent）實現跨場景的連續對話與認知統一，核心不是“替你操作”，而是“替你理解”。它能感知你在瀏覽網頁、閱讀文檔、整理筆記時的當下行為，無需額外上傳即可直接調用，并逐步構建對你工作習慣和知識體系的個性化認知。這和WorkBuddy的“桌面執行”路徑形成了清晰的分野。

帶著好奇心——和一個WorkBuddy等龍蝦類產品深度用戶的天然對比視角——我決定再給它一次機會。

以下是真實體驗。

差點放棄的第一個任務

ima的上手路徑很短。下載電腦端（Win/Mac），登錄，進入對話界面。在使用界面上，相對WorkBuddy那種本地環境配置——ima是云端的，開箱即用。

但第一次打開copilot功能時，它又提示我需要構建知識庫——我差點直接關掉。

轉折點來自一次對話。我問copilot我沒有積累任何知識資產，我應該如何開始，它的其中一個回答，給了我能夠繼續體驗下去的想法。比如，它說可以直接它一個URL，讓它自己抓取內容。我的已發布文章大部分發布在鈦媒體官網的個人主頁“DeepWrite秦報局”上，我把這個URL給到了copilot。

有些驚艷的是，大約幾十秒內，它就抓取了主頁第一屏的9篇文章。到這里，事情已經成功了80%。

但我想更進一步——看看它能不能抓取2026年的所有文章。這個任務暴露了ima的一個局限：網頁翻頁操作無法完成。它花了大約10分鐘到20分鐘，嘗試了各種關鍵詞搜索方式，最終額外找到5篇。我的主頁2026年共發布了19篇文章，它找出了14篇（其中第14篇似乎歸納錯誤那篇署名不是我）。另外4篇ima沒有通過搜索找到（同時以我署名發在其他賬號的文章也有不少，但ima沒有詢問我是否把這些納入其中）。如果執行前先確認一下搜索范圍，效率會高很多，類似龍蝦執行任務的某個節點先進行確認。

這個任務耗時較長，我一度想暫停但又怕前面的工作白費。這里其實是一個體驗優化點：如果ima判定任務耗時超出合理范圍，應該主動詢問——“立即輸出現有結果，還是繼續執行？”——而不是讓用戶陷入“停也不是、等也不是”的尷尬，這也直接導致搜索來源消耗掉足夠多的算力，后續成稿算力不足。

抓取完成后，ima無法將文章批量添加到知識庫，但它提供了一個14篇文章的md壓縮包下載。作為一個“P人”，看到那個壓縮包時腦子里閃過的念頭是——這個事情好像沒那么難。于是我手動完成了上傳，順利建好了一個足以支撐本次評測的知識庫。

也是在完成搭建之后，我才真正感受到ima和WorkBuddy的差異：WorkBuddy解決的是“幫你做”，ima解決的是“幫你懂”。

copilot到底是什么？

在繼續評測之前，有必要交代一下copilot這次上線究竟帶來了什么。官方將其定位為“Knowledge Agent”——不是幫你搬資料的工具，而是真正懂你知識資產的伙伴。具體來說，copilot具備四個核心能力：

? 自主進化的記憶系統。包含四層結構化存儲：copilot設定（Soul，即人設）、用戶檔案（User）、長期記憶（Memory）、經驗技巧（Agent）。這意味著你不需要在每次對話中重復輸入上下文，它會主動記住你的習慣、偏好和積累。 ? 全場景感知。當你使用ima瀏覽網頁、文件、知識庫或筆記時，copilot全程伴隨。你不需要額外上傳文件，直接就能對當前內容提問——“這個網頁講了什么？”“這份報告的核心結論是什么？”——它的感知范圍覆蓋了你使用ima的所有場景。 ? 內置增強Skills。copilot預裝了一組與ima深度結合的實用技能：知識庫操作（可讀取文件正文，進行跨文件信息匯總）、筆記操作、創建自定義Skill、生成PPT、生成報告、瀏覽器自動化操作。 ? 開放生態。支持用戶自由配置各大模型的API Key，通過對話裝載其他Skills。理論上，通過配置可以實現生成視頻、制作網頁等更復雜的自動化流程——不過這部分的實測體驗已超出本次評測的范圍。

一條值得注意的產品邏輯：ima強調“零門檻”。不需要懂編程，不需要配API，只要你平時在用ima存東西——讀書、存圖、寫筆記——copilot就在側邊自動內化、自動關聯、自動變強。官方原話是：“以前你存東西是‘堆積’，現在你存東西是‘投喂’。”

這個設計理念值得肯定。但理念落地到體驗，中間還有不少摩擦。接下來的評測會逐一層層剝開。

知識庫：ima的靈魂，也是最大的摩擦點

我把copilot搜集到的2026年以來的14篇文章導入了ima知識庫，涵蓋具身智能、AI Agent、騰訊生態、金融財報、開源基礎設施、消費科技六個主題，然后設計了一套五道從淺到深的測試題。

五題四滿分，最意外的是“跨篇關聯”

事實召回、精準定位、數據精確度三項，ima表現扎實——比如微盟財報的AI收入數據，準確召回了8個關鍵指標（AI全年收入1.16億元、下半年8200萬元、環比增速137.5%等），無幻覺。

最讓我意外的是跨篇關聯題。當問“幾篇AI Agent文章之間有什么交叉洞察”時，ima從四篇文章中提煉出三條交叉線索——Agent安全困境、計費模式重構、行業Know-how大于通用模型能力。這種跨篇關聯分析，在沒有知識庫的情況下幾乎不可能完成。

這是ima最有價值的時刻：它不只是幫你找到信息，而是幫你在信息之間發現聯系。

唯一扣分的是風格仿寫。ima能還原我的文章結構和判斷句式，但缺少“刺點”——那個讓人一眼記住的戲劇性場景或反直覺收刀。它寫出來的東西“像”我寫的，但不夠“是”我寫的。

對話上下文 vs 知識庫檢索：兩種模式，兩種答案

做完第一輪測試后，我開了一個新的ima對話，用知識庫檢索的方式重新問了同樣的五道題。結果值得展開說。

知識庫版本事實更完整（Q1多出2個要點），數據同樣準確（Q5），但漏掉了一條隱性暗線——“行業Know-how才是真正的壁壘”這條洞察橫跨四篇文章，知識庫檢索版完全沒有發現。這說明知識庫檢索擅長“顯性關聯”（安全→安全），但在語義層面的暗線串聯上仍有提升空間。

風格仿寫題差異更明顯，知識庫版本更長更工整，但沖擊力偏弱。一句話總結：對話上下文贏在深度關聯和風格刺點，知識庫贏在持久性和跨對話一致性。

另外，知識庫檢索會混入平臺共享知識庫的內容——搜索“AI Agent安全”時，結果中出現了騰訊云EdgeOne等產品介紹。好處是信息更豐富，風險是當你只想要“基于我自己的資料”回答時，噪音就成了干擾。理想狀態下，ima應該提供“僅搜索我的知識庫”的開關。

摩擦點：數據從哪來？

ima支持多種導入方式——本地文件、網頁鏈接、公眾號文章、微信文件、騰訊文檔。但對我來說，核心痛點沒解決：我的資料都在WPS上，ima只打通了騰訊文檔。生態圍墻內很絲滑，墻外還是得手動搬運。

不過，ima提供了一個值得關注的改進方向：知識庫支持以固定鏈接為知識來源。比如把我的文章主頁URL設為一個知識庫鏈接，它就可以實時追蹤新發布的文章。雖然我沒能充分驗證效果，但“訂閱式”知識更新是一個正確的方向。

寫作能力：能模仿結構，但缺“現場感”

我讓ima用我的寫作風格寫一段關于AI Agent安全的開頭。結構上確實還原了我的風格——場景切入、反共識定義、短句收刀。作為一個科技作者，我的寫作動力來自現場的沖擊感。ima能還原結構，但還原不了這種“人在現場”的情緒張力。

不過，如果降低預期——讓它幫你搭框架、找素材、潤色表述——效率的提升是實實在在的。在現有素材范圍內寫作，ima的風格還原度處于“可用”水平。我讓它基于14篇文章直接輸出評測初稿，約3200字，用時約2分鐘，框架和結構都可用，我只需要補充真實操作感受和現場體驗。

把它當作一個讀過你所有文章的助理，而不是一個替代你的寫手，體驗會好得多。

知識管理+AI輔助并非騰訊一家在做。Notion AI走“文檔即知識庫”路線，飛書智能伙伴把AI嵌入協同辦公全流程，Kimi以長上下文和聯網檢索切入知識獲取，Perplexity代表“搜索即答案”的另一種范式。各家路徑不同，底層競爭的是同一個問題：如何讓AI真正理解你的信息。

ima的切入點是“以知識庫為核心樞紐，把搜索、閱讀、寫作串成閉環”。優勢在于資產沉淀——越用越厚；劣勢在于門檻——你必須先“建庫”才能享受復利。

回到騰訊自家產品線，ima和WorkBuddy的差異不在功能列表，而在產品哲學：

? WorkBuddy是“數字手腳”——替你操作，核心價值是執行效率 ? ima是“數字大腦”——替你記憶和理解，核心價值是認知效率

用我具身智能相關稿件來類比：WorkBuddy像“本體”——干活利索但每次任務完成就歸零；ima像“大模型”——持續學習，越用越聰明，但不直接替你動手。理解在前，執行在后，兩者恰好互補。

copilot的上線強化了這條路線。官方將copilot定義為“Knowledge Agent”，強調它不只是“幫你搬資料的工具”，而是“真正懂你知識資產”的伙伴。四層記憶系統（Soul、User、Memory、Agent）和全場景感知能力的加入，確實讓“越用越懂你”從一句口號變成了可感知的產品特性。至少在認知層面，ima正在走出一條和Agent執行派完全不同的路徑：大部分Agent忙著解決“手腳”的自動化，copilot聚焦于“大腦”的知識化。

不足與遺憾

1. WPS等外部生態未打通。騰訊文檔一鍵導入體驗好，但這份“好”建立在你是騰訊生態用戶的前提下。

2. 跨篇關聯的“隱性暗線”盲區。ima擅長主題詞匹配式的顯性關聯，但語義層面的暗線串聯力有不逮。

3. 桌面操作的邊界。WorkBuddy能操作電腦桌面，ima不能。網頁翻頁等操作只能通過關鍵詞搜索迂回，完成路徑更繞更慢。

4. 風格延續的“最后一公里”。能學會你的“形”，學不會你的“經歷”。

誰該用、怎么用 適合誰：有大量資料需要整理檢索的人、需要基于自有知識體系深度創作的人、希望把碎片信息沉淀為“第二大腦”的人。 不適合誰：需要AI自動操作電腦的人（WorkBuddy的強項）、資料主要在非騰訊生態的人、期待AI完全替代寫作的人。 最佳用法：龍蝦的價值在執行效率，ima的價值在認知效率。認知效率的真正杠桿來自龍蝦做不了的事：跨篇關聯分析、基于個人知識體系的風格延續、長期沉淀后"越用越懂你"的復利效應。 但飛輪要轉起來，前提是摩擦夠小。目前ima的摩擦點——WPS未打通、桌面操作受限、檢索偶有漏失、算力管理不夠靈活——都是飛輪上的阻力。

copilot的上線讓ima完成了一次關鍵的定位升級——從“云端收藏夾”變成了“知識伙伴”，從“工具”變成了“Agent”。這在產品邏輯上是自洽的，方向也值得看好。但當前版本在工作體驗上仍有不少摩擦，寫作風格還原度處于也算得上夠用（遇到負責任務可能產生較大算力消耗而導致任務中斷），期待后續功能完善——尤其是桌面操作能力的補齊、算力管理機制的優化——成為一款真正好用的辦公助手。

當全行業都在追Agent的執行能力時，ima選擇的路徑是：先讓人把知識沉淀下來，再讓AI基于這些知識為你服務。這條路不性感，但它解決的是一個更底層的問題——在信息爆炸的時代，真正稀缺的不是執行力，而是理解力。

龍蝦幫你把活干了。ima幫你把活想明白。

而最好的狀態，是左手龍蝦，右手知識大腦。

（本文首發鈦媒體APP，作者 | AGI Signal，編輯 | 秦聰慧）