01
生息 Alive
让 AI 逐步理解你的工作方式。
从过往成果中提取经过你确认的工作习惯，让每一次新任务都能建立在已有经验之上。
02
重墨 Inkstone
让每一项投标要求都有回应。
逐项解析招标文件、核对响应内容、标记待确认事项，让审查更有依据。
03
孪生 Twin
让团队记得自己共同做过的决定。
连接分散的项目资料与历史约定，让每一个答案都能追溯到原始记录。
01 — 个人工作智能
生息 Alive
让 AI 不只认识任务，也逐步理解你做事的方式。
你不必每次工作都从头解释自己的偏好。
生息从你过往的工作成果中寻找可复用的经验，经你确认后，将它们带入下一次任务。
为什么需要生息？
通用 AI 可以生成流畅的文字，却未必知道你真正需要什么。
它可能弄错公司名称，忽略你习惯的数据格式，也可能把你不接受的表达方式再次带进新文档。
问题不只是 AI 写得好不好，而是它能否按照你的工作标准完成任务。
生息如何工作？
- 01 找到相关经验 根据当前任务，检索相关的历史记录与已确认习惯。
- 02 提炼工作方法 从真实工作成果中识别可复用的做法，而不只是统计语言风格。
- 03 组合所需能力 分析当前任务需要哪些工具、技能与处理步骤。
- 04 生成待审阅的成果 结合相关经验生成草稿，并明确需要人工核对的内容。
- 05 由你决定什么值得记住 候选习惯不会自动成为长期工作依据。只有经过你的确认，才会进入后续工作流程。
让经验成为下一次工作的起点
一次任务的价值，不应随着文档完成而结束。
生息希望把经过验证的经验沉淀下来，让重复工作逐步减少，让 AI 的表现越来越贴近你真正的工作方式。
产品特点
- 经验可追溯：重要的工作习惯有对应的证据来源。
- 记忆由你确认：不把模型的猜测直接当成你的偏好。
- 任务有迹可循：从检索经验到生成草稿，保留清晰的处理步骤。
- 结果由你把关：AI 负责准备，人负责核对与决定。
02 — 投标文件智能处理
重墨 Inkstone
把复杂的招标要求，变成逐项可核查的响应任务。
投标文件的难点不只是撰写，而是准确理解每一项要求，确保响应内容完整，并及时发现证据不足与尚待确认的问题。
重墨围绕招标文件与企业既有资料建立结构化的应答流程，让每一项要求都有对应的处理状态，让每一份草稿都留有核查依据。
投标工作中，真正昂贵的是遗漏
一份文档即使写得流畅，也可能因为遗漏关键条款、缺少必要证明或错误理解要求而产生风险。
当团队需要反复翻阅长篇文件、手工核对条款、寻找历史材料时，时间消耗与遗漏风险往往同时增加。
重墨如何工作？
- 01 解析招标文件 提取文档结构、章节与具体要求，建立清晰的条款清单。
- 02 建立逐项响应索引 将每项要求与对应的响应内容、支持材料及处理状态关联起来。
- 03 识别缺口与不确定项 标记尚未回应、证据不足或需要进一步确认的内容，不把未知信息当作已完成事项。
- 04 生成应答草稿 依据招标要求与现有企业材料组织内容，并保留草稿标识，供专业人员审阅。
- 05 支持人工核查 将条款、响应内容与来源材料对应起来，帮助审查人员更快定位问题。
不是先追求自动生成，而是先证明可靠
重墨的研发重点，是验证系统能否准确解析文件、识别响应缺口，并控制缺乏依据的生成内容。
我们采用逐步验证的方式推进产品能力。只有经过测试、达到预设标准的功能，才进入下一阶段。
设计原则
- 逐项核对：不以整篇文档看似完整，代替对具体条款的检查。
- 依据可查：尽可能将响应内容与原始要求、支持材料建立关联。
- 不确定性可见：对缺失材料与待确认事项明确标记。
- 人工保留最终决定权：生成内容始终作为草稿，正式提交前由负责人审核。
03 — 企业知识协作
孪生 Twin
让团队的共同记忆，不再依赖某一个人的记忆。
项目资料、交付约定、历史决策与工作记录往往分散在不同的文件和人员手中。时间一长，同一个问题可能被反复确认，同一项决定也可能被不同的人理解成不同的版本。
孪生希望把这些分散的信息连接起来，让团队能够基于可追溯的记录开展协作。
让团队反复确认的事情，变得有据可查
上次我们是怎么决定的？
最新的交付要求是什么？
这个结论来自哪份文件？
当答案分散在不同版本的资料中，团队就不得不反复寻找、核对和确认。
孪生关注的不是简单地把文件集中起来，而是让信息在更新之后仍然保留来源、版本与关联关系。
孪生如何工作？
- 01 连接选定的资料 从用户指定的文件位置开始建立基线，而不是默认收集所有信息。
- 02 识别资料变化 记录相对于既有基线的变更，帮助团队了解哪些内容发生了更新。
- 03 保留来源与版本 同步资料时保留必要的来源标识与版本信息，为后续查询提供依据。
- 04 基于原始记录回答问题 查询时返回相关答案与对应的原文出处，方便使用者自行核对。
- 05 支持持续更新的协作 当资料发生变化时，让后续查询能够建立在更新后的信息基础上。
从文件同步，到共同理解
孪生的目标，是让团队不必总是依靠口头传递来维持协作。
信息可以更新，决策可以追溯，答案可以核查。即使成员变化，重要的项目约定也不必完全依赖某个人的记忆。
产品特点
- 增量更新：关注资料的变化，而非每次重新处理全部内容。
- 来源可追溯：回答能够关联到相应的原始记录。
- 版本有依据：帮助使用者识别信息来自哪个版本。
- 按权限查询：根据实际设计与配置控制信息访问范围。
- 可靠同步：将断网恢复、重复记录控制等问题纳入验证流程。
产品原则
我们如何让 AI 值得信任
三套系统，四条共同原则。
AI 可以承担更多工作，但能力的提升不应该以牺牲可核查性和人的判断权为代价。
我们希望建立的不是一个不受约束的自动化系统，而是一套能够逐步验证、持续改进，并且让人始终掌握关键决定权的工作方式。
-
01
草稿先行
先提供可审阅的成果，再决定是否采用。
AI 生成的内容默认作为草稿，经过阅读、核对与必要修改后，才由负责人决定是否正式使用。
-
02
判断留给人
让 AI 辅助决策，而不是替人承担责任。
对于需要专业判断、涉及重要承诺或可能产生不可逆后果的事项，系统应当明确保留人工审核与确认环节。
-
03
出处可追
每一个重要结论，都应该尽可能找到依据。
当答案来自文档、记录或历史约定时，系统应提供相应的来源。缺乏充分依据时，应明确说明不确定性，而不是用流畅的表达掩盖信息缺口。
-
04
自治靠证据
自动化程度应当由验证结果决定。
系统不会因为一次成功就获得更高权限。只有在具体任务中持续达到预设标准，并经过足够的人工验证，才考虑逐步扩大自动化范围。
我们的判断标准
我们不只关心 AI 能否完成一项任务，也关心它是否能说明依据、暴露问题，并在不确定时停下来。
对我们而言，真正有价值的智能，不是无所不能，而是知道自己能做什么、依据是什么，以及何时应该交还判断权。
研发记录
研发记录
我们记录的不只是功能进展，也包括被验证推翻的假设。
AI 产品的可靠性不能只靠演示来证明。我们记录测试结果、暴露的问题与设计调整，让产品能力建立在实际证据之上。
文体相似，不代表作者身份
在一组包含 13 篇 AI 生成稿件的测试中，所有稿件都通过了原有的文体基线。
这一结果表明，当前测试方法不足以区分文体相似与作者身份。我们据此调整了文体检测在整体流程中的定位。
样本不足，就不提前下结论
我们曾尝试根据人工修改前后的差异，自动归类修改意图。
但现有样本不足以支持可靠判断。因此，这项能力暂时保留为待验证状态，而不是被标记为已经通过。
不把英文处理假设直接套用到中文
在中文语料处理中，我们发现按空格切分的假设导致约 65% 的语料被错误处理。
修正这一基础问题后，才有必要继续评估后续模型与流程的实际效果。
我们如何看待失败？
每一次测试都应该能够改变我们的判断。
如果证据不支持原有假设，我们就调整方案；如果样本不足，我们就明确标记未知；如果功能尚未达到预设标准，我们就不把它描述成已经成熟。
研发记录的价值，不在于证明我们从不犯错，而在于让错误能够被发现、解释和修正。