模型能力提升暂缓，比拼的已然是应用场景的深度与广度。GPT-5的发布，某种程度上可视为一个分水岭。这款“练习时长两年半”的模型，并未展现出与GPT-4本质上的差异，甚至其预设人格还引发了部分用户的反感。这基本宣告了一个事实：过去两年，大模型的能力跃进并未实现颠覆性突破。各家模型即便在跑分榜上存在差距，这种差距也难以直接转化为用户感知到的价值。单纯的模型参数与能力“军备竞赛”已非战场全部。因此，在当前模型能力趋于同质化、所有AI公司都以“一句话生成xxx”作为标准宣传语的背景下，真正的分野在于如何将技术有效落地，为用户创造实实在在的价值。带着这样的观察视角，我深入体验了MiniMax Agent。
社区化创新：Gallery与Remix机制
大多数Agent产品都面临一个共同的用户体验障碍——一个空白输入框，以及无限的可能性。对于缺乏经验的创作者而言，这无疑是一块令人望而生畏的“空白画布”。正如史蒂夫·乔布斯所言，用户常常不知道自己想要什么，直到你把成品摆在他们面前。
MiniMax Agent通过一个类似“应用商店”的Gallery（作品廊）区域，直面了这个问题。图库中既有“交互式统计学教程”这类教育应用，也有“横版冒险游戏”这样的轻娱乐，以及“全球演唱会指南”等实用信息工具。这种设计，实际上将用户的思考从“我该怎么做？”引导向了“我能做什么？”。
在输入框下方，是MiniMax的Gallery区域，其他用户已经完成的作品会在此展示。
不止如此，MiniMax还引入了“Remix”机制。如果你对某个作品感兴趣，可以花费100积分修改这个作品，使其成为你自己的定制版本。这100积分，也会作为一种激励全部返还给原作者。这是一个三方共赢的措施：
- 新用户可以用较小的代价获得一个较为确定的产出。
- 老用户可以凭借优秀作品获得激励。
- 对于MiniMax而言，这不仅促进了创作者生态的繁荣，更实际的是，其消耗的算力成本也因此降低。
我们从Gallery中选择了一个“OpenAI新闻网页”案例。它的原始需求很明确：“用Serper API每分钟更新OpenAI新闻，UI贴近OpenAI官网的油画质感”。基于此基础，我们提出了定制需求：“除了OpenAI，还要查看谷歌、Anthropic、微软、Meta的AI新闻，并将UI改为苹果官网的简洁风格”。
随后，Agent给出了清晰的升级计划：自动任务分解、制定执行步骤，并在获得用户同意后开始执行，还会主动询问“是否符合预期”——整个过程无需自己编写一行代码，只需确认需求即可。
MiniMax Agent拆解任务。
值得注意的是，在开发过程中，Agent还主动要求了所需的API权限（Serper API用于搜索新闻，Supabase用于存储数据），这意味着它具备了处理数据存储和管理的全栈开发能力，而不仅仅是一个“前端皮肤”生成器。
MiniMax Agent要求后端数据库授权。
经过十几分钟的开发周期，一个定制化的新闻聚合器便基本完成。不过，初始版本仅成功获取了Anthropic的新闻，其他公司的新闻出现了缺失。好在Agent很快识别出问题，又花费十几分钟迭代修复。最终成品不仅能按公司筛选新闻（例如只看微软AI动态），还能手动搜索关键词，并实现每分钟自动更新。这个过程的亮点在于，在Agent的协助下，如果后续有迭代需求（如添加更多订阅源、更换UI风格等），都能快速完成。同时，所有工程文件都经过规范化整理打包，为有经验的开发者提供了精细化手动修改的空间。
对于MiniMax VIP用户，还提供了个性化域名服务。作品完成后，用户可以直接发布，交付使用。这意味着，从开发、测试、部署到发布，MiniMax提供了一个完整的产品交付闭环，这与早先仅是静态网页式Agent产品有着本质区别。
MiniMax还提供了个性化域名服务（付费）。
复杂场景应用：创造一个创意美食App
为了进一步测试MiniMax的能力边界，我设计了一个更具挑战性的任务：开发一个基于AI的美食探索App。但其核心功能并非推荐餐厅或菜谱，而是通过分析用户的感官描述和喜好，反向推导出他们可能喜欢的特定美食或饮品。例如，用户不再输入“上海小笼包”或“日式拉面”，而是输入一系列感官关键词，比如：“有嚼劲的”、“微辣的”、“带有烟熏味的”，AI会根据这些关键词推荐符合描述的美食，有点类似“猜你喜欢”的食物版本。
这对于Agent的挑战在于，它需要：
- 跨模态理解：将抽象的感官描述转化为具体的食物。
- 强大的推理能力：从少量线索中推导出准确结论。
- 深厚的美食知识库：涵盖全球各地的美食文化和特色。
面对这个复杂度显著提升的任务，开发时间从之前的十几分钟延长到了半小时。最终成品达到了及格线。App具备了应有的基本元素：恰当的应用命名、清晰的用户引导界面，甚至还有富有文学色彩的slogan。在测试中，对于“童年”这类具象关联性强的关键词，App能返回“香草布丁”、“冰淇淋圣代”等匹配度较高的结果。
“味觉侦探”界面。
但当面对“在人间”、“我的大学”这类更抽象的关键词时，系统便难以提供有效匹配。这其实暴露了底层数据库的局限性。但就功能实现来说，作为一个半小时内完成的作品，表现已然很不错。如果匹配上更专业的开发者和更丰富的数据库，“味觉侦探”其实可以很快就成为一个成熟的产品。
个性化定制：搭建文保地图
最后，我基于自己的需求，让MiniMax制作了一个文保地图。市面上已有的产品，如华夏古迹图、文保在身边等，都无法完全满足我的需求。它们要么性能拙劣、UI粗糙，要么收录的文保单位数量有限，且夹杂了许多我不需要的增值服务。
此前我曾尝试将文保数据导入苹果地图、谷歌地图。苹果的问题在于并不支持数据导入，每一个文保单位都需要手动创建。谷歌地图支持数据导入，但是很难满足一些我的个性化需求，例如将各个层级的文保单位（国保、省保、市保）分层显示。此外，它对数据行数有限制，最大只支持2000行，同时对网络环境也有要求。在MiniMax的帮助下，我自己做了一个文保地图。成品如下图所示。相比谷歌地图而言，界面更加友好，有更详细的背景介绍。点击导航键之后也可以跳转至高德地图导航。对我来说，这款应用的最大优势是高度可定制化。即使不懂编程，我也可以随时要求MiniMax按照我的想法进行后续的迭代和改进。
用MiniMax制作的文保地图产品。
然而，目前这款应用的数据库仅仅收录了12个文保单位的信息。主要原因是，要获取包含经纬度的专业地理数据，通常需要特定的账号权限才能登录某些专业数据库，这超出了当前AI Agent的能力范围。这让我意识到一个现实：以MVP（最小化可行产品）的标准而言，这个文保地图是合格的。但是“一句话生成App”还只是一个宣传口号，实际上在创建一个真正可用App的过程中还需要大量的人工介入，无论是前期的产品文档撰写还是之后的数据库支持、运营维护等等。
对MiniMax Agent的客观评价
总结MiniMax Agent的优点：
- Gallery和Remix功能：这是不错的创新点，能够引导新用户创作，促进老用户的创作动力，并在更低的算力成本下提升社区活跃度。
- 全栈开发能力：这是一个贴近实际生产环境的功能。MiniMax集成了后端数据库、一键测试、部署等完整的开发链路，产出的产品具备真正的可用性和交互性。
至于缺点，坦率地说，MiniMax本身并没有明显的产品缺陷，它所表现出的问题主要来自两个层面：
- AI技术的内在约束：包括模型幻觉现象、对真实世界理解的局限性等，这些是当前AI技术发展阶段的共性问题。
- 人类认知的投射：AI技术的华丽前景往往折射出人类复杂的情感诉求，而这种期待本身就承载着人类认知的局限性。
对于现在的AI产品，我观察到身边的朋友有一种矛盾的复杂情感。一方面是厌烦。AI产品层出不穷，“逆天”、“炸裂”等夸大词汇充斥着信息流，让人产生审美疲劳。另一方面又是恐惧——万一呢？万一真有他们说的那么好？那我的工作是不是会被淘汰？
虽然Agent在特定任务上展现了强大的能力，但在实际生产环境中，它还远未达到可以完全自主运行的水平。将Agent想象成一台3D打印机会更恰当。就像3D打印机能够将数字模型转化为物理物体，满足小规模、定制化的生产需求，现在的Agent也擅长处理特定、界限清晰的任务。它们可以根据明确的指令生成代码片段、撰写特定主题的文章或自动化重复性强的流程。这些应用场景通常是针对个人用户或小规模团队，用于实现个性化、快速迭代的目标。然而，3D打印机无法替代大规模的工业化生产线。同样，现在的Agent也无法直接进入复杂的生产环境。大规模生产需要的是高度可预测、可靠且经过严格质量控制的系统，而当前的Agent缺乏这种稳定性。它们可能会产生“幻觉”，出现无法预料的错误，或者在面对复杂、多变的实际场景时表现出脆弱性。客观地说，AI的能力其实处在一个中间态。确实展现了前所未有的强大能力，却又存在着明显的缺陷。与其说它有多么地强大，更准确的描述是，它承诺了一个充满可能性的未来。实际上，只要再深入了解一下，就可以轻易发现AI的脆弱。正如杨立昆所说，现在大语言模型本质上是一种“统计机器”，它通过在海量的文本数据中学习词语之间的统计关联性，来预测下一个最有可能出现的词。换句话说，AI并不理解世界，本质上是猜测，是一种对人类的模拟。一个模型可以学会“火很热”和“水能灭火”的词语关联，但它不知道为什么火是热的，也不知道水如何从物理层面扑灭火焰，它只是在复述训练数据中已有的模式。就像你教小狗做出“恭喜发财”的动作一样。小狗当然不懂什么是恭喜发财，但是这么做之后，就会有零食奖励。AI也是如此。
