小睿聊AI 03｜豆包、千问都能办事了，领航 Pilot 为何还要做原生移动工作台？

豆包、千问把越来越多的步骤组织成完整任务，ChatGPT、Claude让云端工作跨设备继续。领航 Pilot 把自选模型、业务工具和本地文件处理组合在移动端，让员工在现场带入材料、推进任务，并当场复核和交付。

图纸刚拿到，数据刚导出，工程师能在手边完成哪些处理？这是领航 Pilot 选择原生移动端的起点。

图 1｜展开移动设备，在会话中接入现场材料、图纸与结果文件（概念场景）

从豆包和千问身上 能看到什么变化

先看豆包。它的官方应用介绍已经把文档、PPT、数据处理、专业技能和定时任务放进工作任务模式，语音与拍照识图也在同一个应用里。它值得关注的地方，是用户可以沿着熟悉的使用习惯，把一个问题逐渐交成一项工作：先口述需求，再补材料，最后拿到文件。

用户通常先想把报告或表格做完，并不会先研究模型接口、技能目录和运行环境。完整服务把这些准备收进去，另一款产品就需要说明自己还能解决什么问题。

千问则提供了另一个观察角度。1月的千问App升级把淘宝、闪购、飞猪、高德等服务接入任务链。点餐和规划出行之所以能往前走，靠的不只是模型理解了一句话，还包括商品、履约、支付和路线这些原本就存在的服务。能调用什么，往往决定了一件事究竟能做到哪一步。

8月发布的千问办公面向另一类工作。工作空间文档已涵盖文件输入、技能、连接器、执行进度和可继续修改的交付物。消费App与办公平台需要分开看：前者利用生活服务生态完成具体事务，后者围绕资料和成果组织多步骤工作。它们共同提醒我们，AI的价值越来越依赖所连接的服务和工作方法。

国外产品也在解决工作连续性。根据官方说明，ChatGPT Work支持从手机发起与继续云端任务；Claude Cowork把任务和文件带到网页及手机，云端工作可以在用户离开电脑后继续。这样，人不必一直守着某台设备，可以晚一点回来补充条件、审阅结果。

这些路线各有吸引力：统一入口降低上手成本，服务生态延长办事链条，云端执行缓解设备与时间的限制。它们也已经在处理授权和企业权限，不能把数据治理说成小产品独有的优势。

由此再看现场工作，问题就更清楚了：企业已有自己的模型和工具，材料刚从仪器里导出，关键条件只有站在设备旁的人知道。这时，哪些步骤适合马上在手边完成？哪些数据可以送往所选服务？员工能不能当场把过程看明白？

把一部分执行能力留在材料旁边

领航 Pilot 是 MEASIX 的原生移动智能体应用。它让手机自身承担任务组织、工具调用和文件处理；准备好本地 Linux 工作区与相应软件后，助手可以读写文件、修改脚本、运行数据处理，再把结果交给人检查。

这是一种执行位置的选择。工程师拿到一份CSV，可以先核对字段、跑数据转换、调整处理参数，不必为每个小步骤寻找另一台电脑。需要更多算力或企业资源时，再连接相应工具服务。主助手还可以委托配置好的子助手分别整理资料、处理算法或复核结果，收回结论和文件。

云端持续执行有它的优势；把适量处理留在设备上，也有现场响应和复用已有设备的价值。两者要根据任务选择。手机里的Linux工作区需要准备，模型调用和外部工具可能需要网络，设备的电量、内存与后台限制仍然存在。

多模态的意义 是少丢一层现场信息

在现场，材料很少天然就是一段整理好的文字。装夹方向在照片里，操作变化是工程师随口补充的，正式要求藏在文档里。每转述一次，都可能漏掉影响判断的条件。

领航 Pilot 把这些输入接进同一项任务。照片可以交给具备相应能力的主模型，也可以按需调用单独配置的识图模型，提取或比较图中的信息，再把文字结果交回主任务。比如，主助手处理测量数据，遇到装夹方向的疑问，再请视觉能力检查两张照片。模型分工因此有了具体用途，也让团队能分别选择合适的服务。

口述通过语音识别回到可编辑的输入框。工程师可以说“这次缺失的一段被夹具挡住了”，再检查识别结果，把单位、样件编号和专业术语改准后发送。文字回复也可以通过配置好的语音服务朗读，人在方便听取说明时，多一种接收方式。涉及数值、图表和关键判断，仍应回到屏幕与原材料核对。

文档则有另一条处理路径：PDF、Word、PPT等支持格式中的可解析文本可以进入任务上下文，原文件保留供人检查。提取到正文，不代表扫描件中的每个字或图纸中的每条标注都已可靠理解；复杂图形、公差与图文对应关系需要另行核对。

音视频预览、语音转写和图像理解，各自解决不同问题。需要理解视频或分析机器声音时，应另查对应模型和工具，不能由“能够播放”推断“能够诊断”。提取出的信息还要与原材料核对，再用于后续工作。

图 2｜不同材料通过合适的处理方式进入任务，关键条件与最终结果仍由人检查。工作链示意。

折叠屏展开以后 工作视野也应该展开

能打开应用，是移动体验的起点。人在手机上补一句说明，与在平板上读一段长结果，需要的布局并不相同。折叠屏展开以后，如果仍然只得到一条被拉宽的聊天记录，新增的屏幕空间就没有很好地服务工作。

领航 Pilot 按当前窗口的可用宽高安排界面。普通手机以单栏对话为主，会话列表收在抽屉里；窗口足够宽、也有足够高度时，列表与当前对话并列。工程师可以更直接地在不同任务之间切换，不必每次先遮住正文再找会话。平板等没有分隔铰链的宽屏还可以收起侧栏，把空间留给当前内容。

图 3｜按窗口与折叠姿态安排会话和操作位置，让现场阅读与判断更从容。交互示意。

折叠设备多了一层物理条件。系统报告竖向分隔铰链时，界面按它的实际位置安排两侧区域，在中间留出间隔，避免文字与操作跨过不可用区域。这里的双栏是会话列表与当前对话，不能把它想成任意文件自由拼接的桌面。

检测到有效横向分隔铰链时，对话与相关弹窗收在上半屏；较矮窗口采用更紧凑的输入区。普通手机的底部操作面板，在合适的大屏上改为有尺寸约束的对话框，避免操作区铺满整块屏幕。

这些细节直接影响人能不能读得下去。临时核对一个单位，可以用手机；需要连续审阅长回复、切换任务或修改说明，展开折叠屏或使用平板更从容。移动工作台要利用屏幕变化，把阅读、输入和必要操作放在合适的位置。

局部圆弧的现场调试，需要哪些材料

不妨把这些选择放进一段模拟工作。工程师正在调试非标测量项目：受夹具遮挡，仪器只能取得局部圆弧，原脚本却按完整轮廓编写。客户想知道现有数据能支撑什么结论，算法该怎样调整。

进入任务的材料包括仪器点列 arc_points.csv、图纸 drawing.pdf、参考样件记录 reference.csv，以及原来的 fit_arc.py。再补一张装夹照片，解释方向和遮挡位置。精密数值来自仪器，照片提供现场上下文。

首先确认条件：坐标单位是什么，点列是否已经转换到约定的测量平面，缺失部分是采不到还是导出丢失，原脚本怎样识别有效点。有些信息能从文件中查出来，有些只有现场工程师知道。

例如，助手问“单位是mm，且已经转换为二维测量平面的坐标吗”，工程师补上一句确认，就消除了后续处理中的重要歧义。语音输入的价值在这里很直观：现场知识及时进入任务，而且还有一次检查文字的机会。

图 4｜现场材料进入任务，关键条件由工程师补齐。模拟演示。

条件明确后，可以让不同助手分工：一个整理图纸要求和输入约束，一个调整点列处理与拟合脚本，另一个对照参考样件检查单位、参数和输出。主助手收回结果，继续推进同一项工作。这些是按需配置的角色。

技能包（Skills）保存可复用的方法、参考材料和注意事项，比如团队认可的数据格式、处理步骤与容易出错的条件。MCP 是助手调用工具的接口协议，可连接已配置的业务服务。前者提供做法，后者提供调用工具的通道。

算法修改也必须具体。可以将夹具相关采样条件从代码中抽成参数，保留原方法作为比较基线，再在准备好的本地Linux环境里运行。比较不同异常点处理方案时，把点为什么被标注、处理前后发生了什么一起留下，不能为了结果好看就删除不利数据。

圆弧拟合尤其需要复核。采样范围变化可能影响稳定性，残差图上某一段持续偏离，也可能提示装夹、坐标转换或方法假设需要检查。工程师可以追问“这一段为什么偏得比较多”，让助手回到对应数据与步骤，必要时补采。单个拟合指标不能替代测量不确定度，更不能直接充当最终验收结论。

交付保留四类文件：带标注的结果表、残差图、处理脚本和方法说明。参数、输入条件与适用范围放进说明，方便继续检查和修改。工程师先在手机上查看偏差集中的部分，需要连续审阅图表或修改脚本时，再展开屏幕。

图 5｜脚本、参数、图表与结果一起保留，供工程师复核和继续修改。模拟演示。

现场改好的方法 怎样让下一位同事用上

调试后，工程师还可能把已经复核的脚本改动、检查步骤与失败样例整理为团队方法，例如“这一类采样范围先检查拟合稳定性”。这些候选内容需要带上输入条件与验证依据，经过企业审核再发布，不能把个人试算直接变成全员默认规则。经验贡献、审核、评估与新版发布仍是中期规划；目前已有的是共同能力向员工交付的一侧。

自托管与低成本 都要落到具体选择

回到豆包和千问带来的启发：完整服务能够省去配置工作，成熟生态能够接通更多事务。企业选择自己的移动工作台，则需要回答另一组问题：已有的模型、业务接口与专业方法，能否直接服务现场人员？为了这一套能力，还要承担多少准备和维护？

领航 Pilot 保留了自选模型接口、工具服务与企业配置的空间。通过枢策 Orchelm，团队可以把共同的助手、背景与工具交到成员手机上，个人与企业的会话、附件和运行数据按各自范围处理。接入工舱 Runcove 的远程文件入口后，外出的员工也能查看PDF、图片与文本，修改说明、取回成果。远端计算仍需对应的执行工具，文件入口本身并不等于远程控制台。

图 6｜本地处理与外部服务按需要连接，材料去向和人工介入点保持清楚。

谈数据安全，我更愿意沿着材料走一遍。装夹照片交给哪个视觉服务？口述音频送往哪个识别服务？文档提取的文字进入哪个模型？业务工具能访问哪些材料？最终文件留在设备还是企业空间？自选或自行部署服务的价值，就在于企业有机会按自己的要求安排这些去向与权限。

这也要求部署者认真配置。外部模型和工具仍会接收完成任务所需的数据；把工作区放在本地，不会自动让整项任务离线运行。服务选择、访问范围、账号管理和保存位置，需要一起说明白。自托管把一部分控制与责任交回团队，安全效果取决于这些安排是否真正落实。

成本同样可以拆开算。复用已有手机和平板，可能减少额外终端投入；常规整理与复杂分析分别配置合适的模型，识图按任务需要调用，可以给推理开支留出调整空间。团队共享经过整理的方法，也有机会减少每个人重复准备的时间。

但低成本需要看完整账单：模型与语音调用、订阅或接口费用、服务基础设施，以及工具准备、升级、运维和人工复核。现成产品替用户承担了许多集成成本，自托管方案则需要团队自己接住其中一部分。业务是否足够重复、已有系统能复用多少、日常任务是否真的做得完，比单次调用便宜多少更值得比较。

持续工作还缺哪一段

我期待的下一步，也与现场限制有关。现在可以调用远端工具做具体处理；后续值得补上的是把一项任务交给受管远端 Agent，由它管理该次执行的状态，带回问题与文件。员工换一台设备回来，还应能找到自己的材料与会话。路线图分别把远端委派和用户数据同步列为后续能力，这两件事不能靠“文件已经在云端”代替。

更长的持续工作，对应松子 Tuck 的产品目标。同一项已委派任务需要明确由谁执行、何时等待、何时请人决定，不能在手机与远端重复运行。移动端自身的任务组织和执行能力仍保留，员工可继续处理适合在当前设备完成的工作。

让人站在现场 也能把工作向前推

现场工作会被电话、网络和新的材料打断。保存失败时留下草稿，文件更新时核对版本，缺少条件时请人回答，都是工作台需要认真处理的部分。屏幕更大、输入方式更多，也不能取代对任务状态的清楚交代。

对我来说，选择移动AI产品，最终要回到这个场景：客户问起具体问题时，工程师能当场补齐条件，打开结果、脚本和说明，让对方看见判断依据，也能继续检查和修改。

领航 Pilot 的实现说明依据当前Android版本，具体可用能力取决于所用版本与配置；产品前瞻参考平台路线图，文中测量任务及界面为模拟演示。

资料来源（核对日期：2026年10月6日）：

• 豆包：官方应用介绍
• 阿里巴巴：千问App服务生态升级
• 千问办公：工作空间与智能体会话
• OpenAI：ChatGPT Work 与 Codex
• Anthropic：Cowork 网页与移动端