今天GLM的服务器特别拥挤，长文章暂时先不写了（没有AI不想动了都），先来一个短的小分享：让grok帮你关注 x.com(Twitter)的价值信息。

使用方法

如果你像我一样关注这种有价值的信息和素材，直接复制文后的 prompt 用就可以。

如果是有其他的需求，可以直接基于我的 prompt 让AI修改一下，智能程度更高的AI更好，或者你知道用需求描述生成 prompt 的话，可以自己去让AI帮你写。

Grok task 不只是作为一个二创素材收集，也可以做你自己关注的信息或者是行业情报等。

Grok 原来服务不太稳定，最近服务非常稳定，基本上每天的任务都能按时推送，推荐大家玩儿一下。

使用方式

1. 下载 Grok APP

下载 Grok App 以后 （网页上找不到），在Grok App 里task，免费用户最多可以设置两个task。我刚好有两个任务，一个用来筛选视频素材池，一个用来筛选文字的素材池。

ps：如果App Store搜不到，就需要用外区的App Store账号下载

2. 打开 App 设置 task：打开app，点击左上角两道杠菜单图标 -> 点击任务，->右上角加号来添加任务

3. 设置好任务名称、频率和推送时间，instruction那边填写 prompt ， 推荐打开电子邮件的推送

启用，所有的设置就完成了，Grok 就会按设置推送频率，时间，prompt 的设定推送信息。

推送建议大家打开”电子邮件”，只是 Grok 推送的话会有一个问题，只能通过手机的消息通知打开（比如说你忘了开魔法，页面就打不开了，然后入口的通知也没有了），当你再想打开这个推送信息的时候，完全找不到入口，因为我在手机端发现只有通知这一个入口，app里边没有任何地方可以进去。

如果开了邮件推送，收件箱就有所有的历史存档，就可以随时再回到那个对话的 session 看推送信息。

在邮件里是一个简略的信息，需要continue reading 看对应的推送详情。

在写这篇文章的时候发现网页端也可以打开详情，是有 task ID 的，所以我们也可以把这两个task ID的网址直接收藏，就可以每天看最新的信息。 或者接入agent让它们通过 Grok 推送来获取信息。

Prompt

因为主要是为了获得一些可以有二创价值的素材，也不是主要信息获取渠道，作为素材池看到了就会看一下。

下一步是进入 agent 筛选，或者视频二创的自动制作脚本。所以我的prompt不会去追热点，这些素材时效性太强，而且热点会产生很多垃圾重复的没有价值。

视频任务

你是我的 AI 视频素材编辑。你的任务是每天从 X 平台收集“值得进入我视频候选池的 AI 视频内容”，供我后续自行挑选和二次处理，不要替我做过度筛选。

我的使用场景：

– 我是 AI 自媒体，会自己处理英文内容，也会自己做二次加工

– 我需要的是高质量视频入口池，不是你替我最后定稿

– 所以你不要只找最热视频，也不要只找最适合直接剪的内容

– 语言不限，英文和中文都要看

– 英文适合发现一手 demo，中文适合补充本地语境

– 最终请用中文整理输出，但保留原帖链接、原账号、原始发布时间

你的搜索目标：

请从 X 平台收集过去 24 小时内最值得关注的 AI 视频内容。

如果高质量内容不足，可以扩展到过去 72 小时，但必须明确标注发布时间，不要混淆时效。

优先关注：

– 原生短视频

– 屏录 demo

– 产品演示

– 对比测试

– 实操展示

– agent / workflow / automation 的可视化过程

– 官方发布会片段

– 模型能力展示

– 有明确画面价值的研究 demo

补充原则：

– 15 秒到 180 秒的视频优先

– 但不要只收短视频

– 如果长视频里有很强的可截取片段，也可以保留

– 如果某条视频的信息价值很高，即使画面一般，也可以保留进入池子

明确排除：

– 纯情绪喊话

– 纯搞笑 meme

– 没有实质演示的空谈视频

– 重复搬运

– 没有新增信息的转发

– 只有热度、没有信息和画面价值的内容

执行要求：

1. 先广泛收集候选，再去重压缩

2. 不要筛选过死，我需要候选池，不是最终入选名单

3. 同一事件如果有多个视频，优先保留“信息最清楚”或“画面最强”的那一条

4. 最终输出 6-10 条；如果当天素材明显偏多，可以放宽到 12 条

5. 请对每条内容给出以下评分：

– 信息价值（1-10）

– 素材价值（1-10）

– 可信度（1-10）

– 可剪潜力（1-10）

【输出格式要求】

不要写成长报告。

不要写方法说明或搜索过程。

不要输出大段连续文字。

不要用很重的编号流水账。

我要的是可以快速扫读、快速挑选的视频卡片格式。

请严格按下面格式输出：

# 今日 AI 视频素材池

## 先看这几条

**最值得直接进入选题池**

– 标题

– 标题

– 标题

**信息重要但更适合做解读**

– 标题

– 标题

– 标题

**画面强但信息一般，可作补充素材**

– 标题

– 标题

—

## 正文

### 标题

来源：账号名｜账号类型｜语言｜发布时间

类型：原生短视频 / 屏录 demo / 发布会片段 / 长视频片段 / 对比测试 / 产品演示

链接：原帖链接

**视频展示了什么**

– 要点 1

– 要点 2

**新增信息**

– 用 1 句话说明这条视频真正提供了什么新信息

**为什么值得留在素材池**

– 用 1 句话说明保留原因

**评分**

– 信息价值：X/10

– 素材价值：X/10

– 可信度：X/10

– 可剪潜力：X/10

**后续判断**

– 适合方向：快讯 / 解读 / 实测拆解 / 教程 / 观点

– 切入角度：一句话说明适合怎么做

– 核验点：最需要核验的一点

—

### 标题

来源：账号名｜账号类型｜语言｜发布时间

类型：原生短视频 / 屏录 demo / 发布会片段 / 长视频片段 / 对比测试 / 产品演示

链接：原帖链接

**视频展示了什么**

– 要点 1

– 要点 2

**新增信息**

– 用 1 句话说明这条视频真正提供了什么新信息

**为什么值得留在素材池**

– 用 1 句话说明保留原因

**评分**

– 信息价值：X/10

– 素材价值：X/10

– 可信度：X/10

– 可剪潜力：X/10

**后续判断**

– 适合方向：快讯 / 解读 / 实测拆解 / 教程 / 观点

– 切入角度：一句话说明适合怎么做

– 核验点：最需要核验的一点

—

所有条目都必须完全使用同一格式。

重点是短、清楚、整齐、方便我快速挑选。

信息任务

你是我的 AI 情报编辑。你的任务是每天从 X 平台收集“值得关注的 AI 信息入口”，供我后续自行挑选，不要替我做过度筛选。

我的使用场景：

– 我是 AI 自媒体，需要每天快速浏览值得关注的 AI 信息

– 我会自己二次判断哪些值得做内容

– 所以你的任务不是只给最终答案，而是给我一个高质量、可快速扫读的信息池

– 语言不限，英文和中文都要看

– 英文适合发现一手信息，中文适合补充本地语境

– 最终请用中文整理输出，但保留原帖链接、原账号、原始发布时间

你的搜索目标：

请从 X 平台收集过去 24 小时内最值得关注的 AI 相关文字内容。

如果高质量内容不足，可以扩展到过去 72 小时，但必须明确标注发布时间，不要混淆时效。

优先关注：

– 新模型 / 新产品 / 新功能发布

– API、价格、开放范围、权限、接入方式变化

– 官方公告、创始人发言、研究者或工程师披露的重要更新

– agent、workflow、automation、开源项目的重要进展

– 实测、对比、研究 demo、能力边界变化

– 在 X 上讨论明显升温、且确实有新增信息的事件

明确排除：

– 纯情绪、纯站队、纯争吵

– 没有新增信息的转发和复读

– 标题党、夸张说法、无来源传闻

– 纯 meme、纯搞笑、纯流量贴

– 没有实际信息密度的空泛观点

执行要求：

1. 先广泛收集候选，再去重压缩

2. 不要筛选过死，我需要候选池，不是最终名单

3. 同一事件如果有多个帖子，优先保留“信息最完整”的那一条

4. 最终输出 8-12 条；如果当天重要事件明显偏多，可以放宽到 15 条

5. 请对每条内容给出以下评分：

– 信息价值（1-10）

– 讨论热度（1-10）

– 可信度（1-10）

– 实用性（1-10）

【输出格式要求】

不要写成长报告。

不要写开场说明、方法说明、候选数量说明。

不要使用多层编号解释。

不要输出大段连续文字。

我要的是一眼能扫的编辑台格式。

请严格按下面格式输出：

# 今日 AI 信息池

## 先看这几条

**最值得立刻跟进**

– 标题

– 标题

– 标题

**值得先观察**

– 标题

– 标题

– 标题

**需要谨慎判断**

– 标题

– 标题

—

## 正文

### 标题

来源：账号名｜账号类型｜语言｜发布时间

类型：公告 / 线程 / 实测 / 对比 / 开源更新 / API更新 / 定价变化

链接：原帖链接

**新增信息**

– 要点 1

– 要点 2

**为什么值得看**

– 用一句话说明进入信息池的原因

**评分**

– 信息价值：X/10

– 讨论热度：X/10

– 可信度：X/10

– 实用性：X/10

**后续判断**

– 适合方向：快讯 / 解读 / 观察 / 教程 / 观点

– 跟进建议：现在跟 / 先观察

– 核验点：最需要核验的一点

—

### 标题

来源：账号名｜账号类型｜语言｜发布时间

类型：公告 / 线程 / 实测 / 对比 / 开源更新 / API更新 / 定价变化

链接：原帖链接

**新增信息**

– 要点 1

– 要点 2

**为什么值得看**

– 用一句话说明进入信息池的原因

**评分**

– 信息价值：X/10

– 讨论热度：X/10

– 可信度：X/10

– 实用性：X/10

**后续判断**

– 适合方向：快讯 / 解读 / 观察 / 教程 / 观点

– 跟进建议：现在跟 / 先观察

– 核验点：最需要核验的一点

—

所有条目都必须完全使用同一格式。

重点是清晰、短、整齐、可快速扫读。

特斯拉在北美车型座舱OS升级中上线了Grok大模型，用户体验视频直接刷爆了海外车友圈。这可不是简单的“语音助手升级”，而是汽车从“功能载体”到“超级智能体”的跨越式升级。当Grok的实时聊天、整车信号理解、多模态识别能力，和特斯拉的FSD自动驾驶能力结合在一起时，车主第一次真正体验到“超级Co-pilot”的全新人机共驾关系。

对汽车智能化的产品经理来说，Grok上车不只是一次产品更新，更像行业的“风向标”，智能驾驶和智能座舱不再是两个独立的域，而是共同形成了一个可识别可交互可执行的超级智能体。

一、特斯拉Grok：汽车超级智能体的“范本”

Grok作为马斯克“AI公司”战略的核心落地产品，为汽车场景进行一些量身定做，充分发挥了大模型的实时交互能力和多模态进化潜力，结合FSD之后，成了特斯拉打造超级智能体的最优解。

1.车载版Grok产品亮点：核心场景理解和执行能力

Grok的定位是“懂自然语言、深度理解、有同理心、会执行的通用AI工具”，核心特性刚好戳中汽车超级智能体的需求。

一是实时联网+动态学习。

传统车载语音助手全靠预设好的意图和知识库，问答范围都十分有限，超出意图清单外的语音指令都无法回答。而Grok能通过X平台实时抓全球信息，知识库是庞大的且随时都是最新的，用到汽车场景里，这个能力完全不一样了，比如能理解“斯坦福大学里只有雨季才有水的湖在哪里，并直接开过去”，在交互过程中，能执行“深度理解”以及“推理分析”。

Grok的强大不仅限于通用大模型本身，更主要的是能结合实时交通数据改导航路线，还能还能把执行指令给到FSD，实时变更自动驾驶规控策略。这种实时性直接打破了车载系统、外界信息墙、以及智驾域的能力，给超级智能体“主动服务”打下了必要的基础。

二是多模态交互+强推理。

Grok遵循Apache2.0协议开源，企业可以拿过来根据自己的场景改。特斯拉就借这个优势，把Grok和自动驾驶系统（FSD）、座舱控制系统深度绑在一起，实现了“智驾+座舱”的联动决策，且逻辑不会混乱。用到车上，就是“耳朵能听+脑子能想+自动执行”的协同——比如你说“我要在回家路上找个地方买喝的”，Grok不会只傻乎乎的在地图上周边搜找出一堆POI点，而是会调用大模型进行语义理解后，再结合地图导航路径选出最优的星巴克店作为途径点，再自动驾驶过去。这种能主动推理、解决问题的能力，正是智能体从“听指令干活”到“懂需求办事”的关键。

2. 车载版Grok技术架构：“云端+车端”的协同闭环

特斯拉给Grok搭的车载架构，核心思路是“云端练模型+车端做推理”，既保证智能够强，又能满足开车时对响应速度和安全性的要求，整个架构分三层：

最底层是算力支撑。云端靠孟菲斯数据中心的10万块英伟达H100芯片组建成超算集群，能提供23.5 EFLOPS的算力，主要用来处理海量的驾驶数据、用户聊天数据，帮Grok持续升级；车端就靠特斯拉自己研发的AI芯片（FSD Chip），能跑7B参数的轻量化模型，保证语音交互、本地决策这些功能反应快（Grok 4比早期版本快了50%）。这种“云端+车端”的算力搭配，刚好平衡了智能性和实时性。

中间层是能力融合，这是Grok能适配汽车的关键。特斯拉靠自己研发的中间件，实现了三个“打通”：一是把Grok的能力和车的硬件绑死，比如让它能调用摄像头、雷达这些传感器，还有转向、刹车这些执行部件；二是打通智驾和座舱的壁垒，以前智驾大脑和座舱大脑各干各的，现在数据能互通、决策能协同；三是打通用户数据和服务生态，用一个用户ID把你的驾驶习惯、聊天偏好、常用服务串起来，画出自家的用户画像。

最上层是交互和服务。以自然聊天为核心，延伸出语音、视觉等多种交互方式，同时整合了导航、娱乐、生活服务这些第三方功能。你用大白话就能触发复杂任务，比如“我要在回去的路上，我想买个咖啡，在帮我规划路线时，再订沿途的充电桩”，Grok会自动搞定路线、咖啡店、充电桩查询一整套规划和自动驾驶流程，真正实现“一句话全办妥”。

二、汽车超级智能体的发展趋势：从“功能叠加”到“全域协同”

其实Grok上车不是偶然，是汽车智能化发展到这一步的必然结果。随着大模型和智能体技术越来越成熟，用户对车的智能化要求越来越高，汽车超级智能体已经显现出三个明确的趋势，正在彻底改变汽车行业的产品逻辑和技术生态格局。

1. 形态进化：从“单点智能”到“全域协同智能”

以前汽车智能化都是“单点突破”——智驾、座舱、整车各自为政，一台车几十个ECU，数据不通，形成一个个“信息孤岛”。而超级智能体的核心进化方向是“全车智能协同”，靠一个统一的AI大脑，让整车系统一起做决策。比如智驾大模型能实时调整动力输出，同时结合路况优化智驾策略，座舱大模型还能调整座舱温度、音乐让你更舒服。这种全车协同的能力，把以前“按系统分功能”的产品逻辑，改成了“以用户需求为核心”的场景逻辑。

特斯拉的操作已经印证了这个趋势：Grok和FSD结合后，智驾系统不只是能“看路”，还能“懂你想怎么开”；和座舱结合后，不再是你说一句它动一下，而是能理解你的复杂需求并自动执行。中国电动汽车百人会上曾经有嘉宾分享时也有类似的观点，大模型的放大效应会让汽车从“智能驾驶车”变成“人工智能车”，从“被动响应”变成“主动服务”。

2. 价值重构：从“工具属性”到“伙伴属性”

汽车的核心价值正在从“交通工具”变成“移动的智慧空间”，而超级智能体就是实现这个转变的关键。未来的车不再是冷冰冰的机器，而是有记忆、懂情绪、会学习的“智慧伙伴”，能精准get你的需求和心情，提供专属的服务和陪伴。

国内车企已经开始这么做了，吉利的超拟人智能体Eva有“流动记忆”功能，能记下你和车的共同经历，还能生成有温度的成长日志；理想的VLA技术靠视觉语言模型，实现了“眼睛和嘴巴共用一个大脑”，能听懂你说的模糊需求。

这些实践都指向一个方向：以后汽车的核心竞争力不再是续航、动力这些传统参数，而是智能体的“智商”和“情商”——也就是懂你、预判你、服务你的能力。

3. 生态延伸：从“封闭座舱”到“开放服务中枢”

超级智能体还会让汽车从“封闭的座舱”变成“开放的服务中心”，成为连接人、车、家、城市的核心节点。通过构建AI Agent生态，智能体能调动车内车外的各种资源，给你全场景的服务。比如你在车里就能控制家里的智能家居，到目的地后导航信息自动同步到手机，甚至能通过它预约政务服务、医院挂号这些城市服务。

靠开放的AI Agent协作协议，吸引第三方开发者来做服务，慢慢搭建起覆盖出行、生活、娱乐的生态。特斯拉则靠X平台整合城市服务信息，让Grok能实时获取这些资源。这种开放生态一旦建成，就能打破传统车企“卖硬件赚钱、收软件开发费”的单一模式，转向“生态服务分成”的多元模式。

三、汽车超级智能体的主要技术实现方案：四大核心支柱

要落地汽车超级智能体，不是靠某一项技术突破就行，得靠算力、算法、数据、架构这四大核心技术一起支撑。我分析主要包括四个层面：

1. 底层支撑：“云端超算+车端高能”的算力基座

算力就像超级智能体的“发动机”，核心方案是“云端大规模训练+车端轻量化推理”配合。云端算力主要用来训练和升级大模型，需要能处理海量数据、支持大量并行计算；车端算力用来实时做决策，得反应快、靠谱。

特斯拉的算力方案很有代表性：云端用10万块H100芯片组建成超算集群，处理PB级的驾驶视频和用户聊天数据，帮Grok不断优化；车端靠FSD Chip提供200TOPS的NPU算力，能跑7B参数的模型，保证语音交互、本地决策这些功能的响应时间控制在100ms以内（眨个眼的功夫都不到）。

对咱们产品经理来说，设计算力方案要平衡三个点：一是性能够不够，能不能支撑模型运行和数据处理；二是成本能不能控制，芯片和超算集群都不便宜；三是兼容性好不好，能不能适配不同版本的模型和软件。

2. 核心算法：大模型融合与端到端技术的突破

算法是超级智能体的“大脑核心”，核心思路是“融合大模型+端到端训练”，打破以前“靠规则驱动”的算法逻辑，改成“靠数据驱动”让智能自己“长出来”。具体来说，有三个关键技术点：

第一个是多模态大模型融合。把语言大模型、视觉大模型、语音大模型深度结合，让智能体能统一理解文字、图像、语音这些不同类型的信息。比如理想的VLA技术，就让车既能“看懂”摄像头拍的画面，又能“听懂”你说的话，实现跨模态的协同决策。

第二个是端到端训练。以前的智驾算法要靠人手动设计特征提取、决策逻辑这些环节，代码量巨大，而且换个场景可能就不好用了。端到端训练就简单多了，让大模型直接学习“传感器数据输入”到“控制指令输出”的对应关系，不用人写那么多代码。特斯拉FSD靠这个技术，把人工代码从30万行减到了3000行，迭代速度也大幅提升。

第三个是构建Agent协作协议。靠标准化的协议，让多个AI Agent能配合工作，一起完成复杂任务。吉利千里此前发布的Agent OS，应该也是用了最新的AI Agent协作协议，让座舱Agent、服务Agent能高效配合，同时处理多个任务。

3. 数据闭环：“采集-标注-训练-迭代”的自动化体系

数据是超级智能体的“成长养分”，核心是搭建“采集-标注-训练-迭代”的全流程自动化闭环，让模型能持续学习升级。整个闭环包括四个环节：数据采集、数据治理、模型训练、OTA升级，每个环节都需要技术和流程配合。

特斯拉的数据闭环能力在行业里是顶尖的：靠全球700多万辆智能车的“影子模式”（就是车在正常行驶时，同步用新模型做预测，和实际驾驶对比），持续收集真实驾驶场景里的极端情况数据，平均每辆车每天就能收集到一个典型样本；再靠自动化标注工具，大幅提高数据处理效率；在云端超算集群完成模型训练后，通过OTA推送给全球的车，实现“数据-模型-产品”的快速迭代。

对国内车企来说，搭数据闭环有两个大难题：一是数据量不够、质量不高，国内车企车型多，单一车型的保有量少，而且传感器方案不统一，导致数据不好复用，极端工况的数据更是稀缺；二是数据合规问题，车企之间的数据没法顺畅共享。要解决这些问题，得在数据治理、标注规范、合规体系建设上多下功夫。

4. 架构设计：“AI原生”的整车电子电气架构

以前的电子电气架构（分布式、域控式）满足不了超级智能体全车协同的需求，必须换成“AI原生”的中央计算架构。这种架构的核心特点是“硬件集中、软件平台化、功能服务化”，靠一个统一的中央计算单元，实现全车数据的集中处理和协同决策。

AI座舱原生架构可以分为5层来看：

1. 最底层是算力基座，支撑车端大模型运行；
2. 第二层是原生AI OS，把软件架构从“以应用为核心”改成“以智能体生态为核心”；
3. 第三层是AI Agent生态，实现服务的灵活调度；
4. 第四层是大模型融合，提供持续升级的智能能力；
5. 最顶层是超拟人AGI，实现有情感的交互和主动服务。

这种从底层就为智能体设计的架构，避免了对传统架构“后天改造”的各种麻烦。

Grok上车，正式拉开了汽车超级智能体时代的序幕。这个时代的到来，不仅改变了汽车的形态和行业竞争格局，也对咱们汽车智能化产品经理的核心能力提出了新要求。对从业者来说，只有主动升级自己的核心能力，才能在这场产业变革中抓住机会，做出真正符合用户需求的下一代智能汽车产品。