Related articles
当全行业都在讨论“ 龙虾”（OpenClaw） 能不能帮你自动干活的时候，腾讯的另一款 AI 产品正在尝试另一条路：不是让你拥有一只更聪明的龙虾，而是让你拥有一个越用越懂你的知识大脑。
今天 （4 月 29 日），腾讯正式上线了 ima 的 copilot 模式。这正是促成这次评测的直接原因：当一款产品宣布从“ 工具” 升级为“ 伙伴”，从“ 跑腿” 进化为“ 贴身助理” 的时候，无论此前印象如何，都值得重新看一眼。
ima.copilot（以下简称 ima），2024 年 11 月上线，定位“ 以知识库为核心的 AI 工作台”。和 WorkBuddy 的“ 桌面 Agent 自动执行” 路线不同，ima 的核心叙事是“ 搜读写一体”—— 把散落的信息变成可查询、可调用的智能资产，再基于这些资产帮你问答、写作、分析。
问题是：一个以知识沉淀为核心的产品，在 Agent 时代真的有不可替代的价值吗？
先坦白一件事：在做这次评测之前，ima 在我的电脑上是一个“ 装了但基本不用” 的应用。我的文档绝大部分沉淀在 WPS 上—— 目前体量将近 28G，ima 的知识沉淀从零开始，此前的写作效果也远不如龙虾类产品和通用 AI 助手，所以它一直处于被冷落的状态。坦白说，此前很多办公工具倡导的“ 构建知识库” 这件事，给我这样一个 C 端用户带来的第一反应不是好奇，而是畏难。
但 copilot 的上线在这次体验中确实改变了这个等式。按照官方定义，copilot 是一种全新的 Agent 模式—— 通过统一入口 （One Agent） 实现跨场景的连续对话与认知统一，核心不是“ 替你操作”，而是“ 替你理解”。它能感知你在浏览网页、阅读文档、整理笔记时的当下行为，无需额外上传即可直接调用，并逐步构建对你工作习惯和知识体系的个性化认知。这和 WorkBuddy 的“ 桌面执行” 路径形成了清晰的分野。
带着好奇心—— 和一个 WorkBuddy 等龙虾类产品深度用户的天然对比视角—— 我决定再给它一次机会。
以下是真实体验。
差点放弃的第一个任务
ima 的上手路径很短。下载电脑端 （Win/Mac），登录，进入对话界面。在使用界面上，相对 WorkBuddy 那种本地环境配置——ima 是云端的，开箱即用。
但第一次打开 copilot 功能时，它又提示我需要构建知识库—— 我差点直接关掉。
转折点来自一次对话。我问 copilot 我没有积累任何知识资产，我应该如何开始，它的其中一个回答，给了我能够继续体验下去的想法。比如，它说可以直接它一个 URL，让它自己抓取内容。我的已发布文章大部分发布在钛媒体官网的个人主页“DeepWrite 秦报局” 上，我把这个 URL 给到了 copilot。
有些惊艳的是，大约几十秒内，它就抓取了主页第一屏的 9 篇文章。到这里，事情已经成功了 80%。
但我想更进一步—— 看看它能不能抓取 2026 年的所有文章。这个任务暴露了 ima 的一个局限：网页翻页操作无法完成。它花了大约 10 分钟到 20 分钟，尝试了各种关键词搜索方式，最终额外找到 5 篇。我的主页 2026 年共发布了 19 篇文章，它找出了 14 篇 （其中第 14 篇似乎归纳错误那篇署名不是我）。另外 4 篇 ima 没有通过搜索找到 （同时以我署名发在其他账号的文章也有不少，但 ima 没有询问我是否把这些纳入其中）。如果执行前先确认一下搜索范围，效率会高很多，类似龙虾执行任务的某个节点先进行确认。
这个任务耗时较长，我一度想暂停但又怕前面的工作白费。这里其实是一个体验优化点：如果 ima 判定任务耗时超出合理范围，应该主动询问——“ 立即输出现有结果，还是继续执行？”—— 而不是让用户陷入“ 停也不是、等也不是” 的尴尬，这也直接导致搜索来源消耗掉足够多的算力，后续成稿算力不足。
抓取完成后，ima 无法将文章批量添加到知识库，但它提供了一个 14 篇文章的 md 压缩包下载。作为一个“P 人”，看到那个压缩包时脑子里闪过的念头是—— 这个事情好像没那么难。于是我手动完成了上传，顺利建好了一个足以支撑本次评测的知识库。
也是在完成搭建之后，我才真正感受到 ima 和 WorkBuddy 的差异：WorkBuddy 解决的是“ 帮你做”，ima 解决的是“ 帮你懂”。
copilot 到底是什么？
在继续评测之前，有必要交代一下 copilot 这次上线究竟带来了什么。官方将其定位为“Knowledge Agent”—— 不是帮你搬资料的工具，而是真正懂你知识资产的伙伴。具体来说，copilot 具备四个核心能力：
• 自主进化的记忆系统。包含四层结构化存储：copilot 设定 （Soul，即人设）、用户档案 （User）、长期记忆 （Memory）、经验技巧 （Agent）。这意味着你不需要在每次对话中重复输入上下文，它会主动记住你的习惯、偏好和积累。
• 全场景感知。当你使用 ima 浏览网页、文件、知识库或笔记时，copilot 全程伴随。你不需要额外上传文件，直接就能对当前内容提问——“ 这个网页讲了什么？”“ 这份报告的核心结论是什么？”—— 它的感知范围覆盖了你使用 ima 的所有场景。
• 内置增强 Skills。copilot 预装了一组与 ima 深度结合的实用技能：知识库操作 （可读取文件正文，进行跨文件信息汇总）、笔记操作、创建自定义 Skill、生成 PPT、生成报告、浏览器自动化操作。
• 开放生态。支持用户自由配置各大模型的 API Key，通过对话装载其他 Skills。理论上，通过配置可以实现生成视频、制作网页等更复杂的自动化流程—— 不过这部分的实测体验已超出本次评测的范围。
一条值得注意的产品逻辑：ima 强调“ 零门槛”。不需要懂编程，不需要配 API，只要你平时在用 ima 存东西—— 读书、存图、写笔记——copilot 就在侧边自动内化、自动关联、自动变强。官方原话是：“ 以前你存东西是‘ 堆积’，现在你存东西是‘ 投喂’。”
这个设计理念值得肯定。但理念落地到体验，中间还有不少摩擦。接下来的评测会逐一层层剥开。
知识库：ima 的灵魂，也是最大的摩擦点
我把 copilot 搜集到的 2026 年以来的 14 篇文章导入了 ima 知识库，涵盖具身智能、AI Agent、腾讯生态、金融财报、开源基础设施、消费科技六个主题，然后设计了一套五道从浅到深的测试题。
五题四满分，最意外的是“ 跨篇关联”
事实召回、精准定位、数据精确度三项，ima 表现扎实—— 比如微盟财报的 AI 收入数据，准确召回了 8 个关键指标 （AI 全年收入 1.16 亿元、下半年 8200 万元、环比增速 137.5% 等），无幻觉。
最让我意外的是跨篇关联题。当问“ 几篇 AI Agent 文章之间有什么交叉洞察” 时，ima 从四篇文章中提炼出三条交叉线索——Agent 安全困境、计费模式重构、行业 Know-how 大于通用模型能力。这种跨篇关联分析，在没有知识库的情况下几乎不可能完成。
这是 ima 最有价值的时刻：它不只是帮你找到信息，而是帮你在信息之间发现联系。
唯一扣分的是风格仿写。ima 能还原我的文章结构和判断句式，但缺少“ 刺点”—— 那个让人一眼记住的戏剧性场景或反直觉收刀。它写出来的东西“ 像” 我写的，但不够“ 是” 我写的。
对话上下文 vs 知识库检索：两种模式，两种答案
做完第一轮测试后，我开了一个新的 ima 对话，用知识库检索的方式重新问了同样的五道题。结果值得展开说。
知识库版本事实更完整（Q1 多出 2 个要点），数据同样准确 （Q5），但漏掉了一条隐性暗线——“ 行业 Know-how 才是真正的壁垒” 这条洞察横跨四篇文章，知识库检索版完全没有发现。这说明知识库检索擅长“ 显性关联”（安全→ 安全），但在语义层面的暗线串联上仍有提升空间。
风格仿写题差异更明显，知识库版本更长更工整，但冲击力偏弱。一句话总结：对话上下文赢在深度关联和风格刺点，知识库赢在持久性和跨对话一致性。
另外，知识库检索会混入平台共享知识库的内容—— 搜索“AI Agent 安全” 时，结果中出现了腾讯云 EdgeOne 等产品介绍。好处是信息更丰富，风险是当你只想要“ 基于我自己的资料” 回答时，噪音就成了干扰。理想状态下，ima 应该提供“ 仅搜索我的知识库” 的开关。
摩擦点：数据从哪来？
ima 支持多种导入方式—— 本地文件、网页链接、公众号文章、微信文件、腾讯文档。但对我来说，核心痛点没解决：我的资料都在 WPS 上，ima 只打通了腾讯文档。生态围墙内很丝滑，墙外还是得手动搬运。
不过，ima 提供了一个值得关注的改进方向：知识库支持以固定链接为知识来源。比如把我的文章主页 URL 设为一个知识库链接，它就可以实时追踪新发布的文章。虽然我没能充分验证效果，但“ 订阅式” 知识更新是一个正确的方向。
写作能力：能模仿结构，但缺“ 现场感”
我让 ima 用我的写作风格写一段关于 AI Agent 安全的开头。结构上确实还原了我的风格—— 场景切入、反共识定义、短句收刀。作为一个科技作者，我的写作动力来自现场的冲击感。ima 能还原结构，但还原不了这种“ 人在现场” 的情绪张力。
不过，如果降低预期—— 让它帮你搭框架、找素材、润色表述—— 效率的提升是实实在在的。在现有素材范围内写作，ima 的风格还原度处于“ 可用” 水平。我让它基于 14 篇文章直接输出评测初稿，约 3200 字，用时约 2 分钟，框架和结构都可用，我只需要补充真实操作感受和现场体验。
把它当作一个读过你所有文章的助理，而不是一个替代你的写手，体验会好得多。
知识管理+AI 辅助并非腾讯一家在做。Notion AI 走“ 文档即知识库” 路线，飞书智能伙伴把 AI 嵌入协同办公全流程，Kimi 以长上下文和联网检索切入知识获取，Perplexity 代表“ 搜索即答案” 的另一种范式。各家路径不同，底层竞争的是同一个问题：如何让 AI 真正理解你的信息。
ima 的切入点是“ 以知识库为核心枢纽，把搜索、阅读、写作串成闭环”。优势在于资产沉淀—— 越用越厚；劣势在于门槛—— 你必须先“ 建库” 才能享受复利。
回到腾讯自家产品线，ima 和 WorkBuddy 的差异不在功能列表，而在产品哲学：
• WorkBuddy 是“ 数字手脚”—— 替你操作，核心价值是执行效率
• ima 是“ 数字大脑”—— 替你记忆和理解，核心价值是认知效率
用我具身智能相关稿件来类比：WorkBuddy 像“ 本体”—— 干活利索但每次任务完成就归零；ima 像“ 大模型”—— 持续学习，越用越聪明，但不直接替你动手。理解在前，执行在后，两者恰好互补。
copilot 的上线强化了这条路线。官方将 copilot 定义为“Knowledge Agent”，强调它不只是“ 帮你搬资料的工具”，而是“ 真正懂你知识资产” 的伙伴。四层记忆系统 （Soul、User、Memory、Agent） 和全场景感知能力的加入，确实让“ 越用越懂你” 从一句口号变成了可感知的产品特性。至少在认知层面，ima 正在走出一条和 Agent 执行派完全不同的路径：大部分 Agent 忙着解决“ 手脚” 的自动化，copilot 聚焦于“ 大脑” 的知识化。
不足与遗憾
1. WPS 等外部生态未打通。腾讯文档一键导入体验好，但这份“ 好” 建立在你是腾讯生态用户的前提下。
2. 跨篇关联的“ 隐性暗线” 盲区。ima 擅长主题词匹配式的显性关联，但语义层面的暗线串联力有不逮。
3. 桌面操作的边界。WorkBuddy 能操作电脑桌面，ima 不能。网页翻页等操作只能通过关键词搜索迂回，完成路径更绕更慢。
4. 风格延续的“ 最后一公里”。能学会你的“ 形”，学不会你的“ 经历”。
谁该用、怎么用
适合谁：有大量资料需要整理检索的人、需要基于自有知识体系深度创作的人、希望把碎片信息沉淀为“ 第二大脑” 的人。
不适合谁：需要 AI 自动操作电脑的人 （WorkBuddy 的强项）、资料主要在非腾讯生态的人、期待 AI 完全替代写作的人。
最佳用法：龙虾的价值在执行效率，ima 的价值在认知效率。认知效率的真正杠杆来自龙虾做不了的事：跨篇关联分析、基于个人知识体系的风格延续、长期沉淀后"越用越懂你"的复利效应。
但飞轮要转起来，前提是摩擦够小。目前 ima 的摩擦点——WPS 未打通、桌面操作受限、检索偶有漏失、算力管理不够灵活—— 都是飞轮上的阻力。
copilot 的上线让 ima 完成了一次关键的定位升级—— 从“ 云端收藏夹” 变成了“ 知识伙伴”，从“ 工具” 变成了“Agent”。这在产品逻辑上是自洽的，方向也值得看好。但当前版本在工作体验上仍有不少摩擦，写作风格还原度处于也算得上够用 （遇到负责任务可能产生较大算力消耗而导致任务中断），期待后续功能完善—— 尤其是桌面操作能力的补齐、算力管理机制的优化—— 成为一款真正好用的办公助手。
当全行业都在追 Agent 的执行能力时，ima 选择的路径是：先让人把知识沉淀下来，再让 AI 基于这些知识为你服务。这条路不性感，但它解决的是一个更底层的问题—— 在信息爆炸的时代，真正稀缺的不是执行力，而是理解力。
龙虾帮你把活干了。ima 帮你把活想明白。
而最好的状态，是左手龙虾，右手知识大脑。
（本文首发钛媒体 APP，作者 | AGI Signal，编辑 | 秦聪慧）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
