今天用MiniMax Agent桌面端干点活
今天用MiniMax Agent桌面端干点活
今天用MiniMax Agent桌面端干点活 今天用MiniMax Agent桌面端干点活 Modified January 26 • minimax是从去年第一季度开始做agent的，原因是我们发现面对越来越多样的复杂任务，随着工具的增多，靠原来堆工程路由的形式并不work。我们去年上半年主要做了两件事情： ◦ 第一个是做自己的agent框架，现在大家用到的air、custom、pro三种模式都来自我们自己的框架；与之伴随的我们做了自己的agent benchmark，我们收集了很多现实的开放、长程的任务，和单一标答的benchmark并不相同。 ◦ 第二个伴随着框架和evaluation比较ready后就是产品化。我们把原来的chatbot干掉了。第一个考虑是它堆砌工程路由的方式很落后，比如在搜索场景，我们需要判搜、定量控制要搜索多少个网页；第二个考虑是如果它始终是在chatbot主打的搜索和写作场景，我们在有限的人力和投流资源的情况下，在国内是无法作出优势和破局的。 • 到了2.0时代，其实就涉及到一个命题是Agent终局是什么。这个问题其实我经常被问，包括写公众号的时候也让我把这个问题放在前面，基于现在的认知，会觉得至少在今年2.0时期，agent会从被动接受指令，一次性完成任务，变成更加主动响应，深度嵌入工作环境，在工作环境中发挥更大的价值 ◦ Domian knowledge & Memory：我们发现很多agent用户其实是作为C端用户但辅助公司内自己的工作事务。所以能深刻理解领域专家的工作偏好，拥有穿越周期的长时记忆很重要。举个例子，今天你是一个售前，要获得线索，它能理解你的sop，比如你经常去搜集线索的渠道，你的建联话术等； ◦ Environment & Workspace：熟知企业内网的散落知识，能整合各类规范与 SOP 应用于工作流；这个其实是很有挑战性的，举个例子，比如我们自己内部的agent实习生可游走在多个系统之间取数据，因为创业公司的系统相对单一；但是对一个更大的公司，可能这些数仓都不在一个平台和一套权限控制里。 ◦ Active：穿越时间的限制，能自觉根据环境和状态的变化，捕捉到关键信号，无需指令，便能通过触发器主动响应。这个也很有挑战性。 这次做桌面端以及自定义expert，其实比较接近于我们在这里踏出的第一步。就是虽然我们pgc的expert做不到那么深入的领域专家程度，但是我们至少已经可以把一些已有知识转化出来；包括虽然desktop也不意味着全部的环境和上下文，但我们往接近用户真实内容更多了一步。 桌面端—— 新的环境，更多上下文 做桌面端一个主要的原因是我们发现了web版本的很多限制。 比如Web 版本只能处理用户上传文件，存在文件大小、上传速度和复用问题，尤其是我们先发的用户有两类构成：Vibe coding的用户，视频图文创意的用户。可能带来很大的代码仓库或者大量资源素材。 另一个问题是web版本无法处理好托管浏览器被block的问题。我们之前只能在一些控制不严的网站上跑通网页托管的场景，但是在实用的社媒监控和自动发布之类的场景，完全不太可用。 桌面端有两个主要功能模块： • 本地文件处理：支持用户对本地文件进行重命名、整理等操作，如对模型 showcase 中的日期视频文件进行视频理解根据场景重命名。预置视频理解、图片理解等工具。一些其他可用的场景包括用它批量转换文件格式、用它批量总结课程录音等等。 ◦ 一个值得一提的点是他会在安全本地环境中处理敏感数据，记录不上传云端。以及我们做了很多命令和文件夹权限的管控，确保它在进行第一次和一些关键操作时会向用户多确认。 • 第二个是网页浏览器托管可进行网页操作，Agent 可以像"人"一样操作你的浏览器，完成真实的点击、填写、提交等操作，而不仅仅是帮你查信息。接管繁琐的网页操作，实现跨系统自动化。比如可以去推特浏览最新有关minimax agent的新post，写到表格给我。用法的场景包括社媒监控和自动发布、自动填网页表单，总之就是可以避免很多重复繁琐的网页操作。 一些公司内部实际会被我们使用到的场景包括： • HR 招聘场景：自动运行招聘网页 按要求筛选 自动打招呼。 • 内容团队场景：全自动素材工厂：监控热门视频 本地下载 智能转译prompt再生成。 • 市场营销场景：全网舆情实时监控 自动抓取 识别风险内容告警。 专家Agent —— 自定义专业潜能 原有 Lighting 和 Pro 模式在满足新场景和添加新知识时非常困难，尤其是Pro依赖官方固定 Multi agent 系统（里面大约有10个subagent），虽然能满足我们已知的一些通用场景，但是对于用户提出的新的需求，或者要对于某个场景做专业化的挖掘，很难在这个固化的框架上启用和调优。因此我们花了1 2个月的时间重构我们的框架，打破固定的mutli agent结构，可灵活router和取用，也适合在某个专业领域上去做专精的深入，包括在更加日常创意的领域有更多的玩法。 目前Agent内专家的配置包含了；： • 指令：专家的行为准则和工作方式 • 子代理：处理特定任务的专用 Agent • 工具：启用的系统工具（如代码执行、网页搜索、图像生成等） • Skill：启用的技能点和相关文件 • 环境变量：连接的外部 API • MCP工具：获取外部数据和工具 用户可以用两种方式创建自己的专家，在左侧用自然语言描述需求，让MiniMax Agent构建是我比较喜欢的方式，因为它会根据输入的知识和文件选择最好的右侧配置方式，还可以通过预览调优测试，再进一步让AI理解优化需求。毕竟在实际我们自己做PGC expert的过程中，其实也是更多通过cpu AI的方式来达到这种效果。确认完配之后，可以选择可见度范围：仅自己可见、全部可见。比如把一个seo专家的知识沉淀为一个Expert来复用，它会拆解用户的需求到一个指令（主要用于理解要求和规范调度几个subagent的逻辑）和3个子代理（技术分析、内容策略、分析报告生成），以及对应的skill。子代理的好处是可以比较专精地做好一件事，相对隔绝上下文；而且大部分模型在子代理里能有比较好适配的表现。 我们为用户提供了很多有趣的PGC专家，这些都可以在探索专家的板块里找到。可以直接开始聊天，或者复制到自己的库里去做二改，这样可以基于一个合适的专家马上微调成适合自己需要的个人化专家。 经过这几天我们也看到了大家ugc的热情，有很多很有意思的专家出现在页面上，欢迎大家使用。展示了一些专家的用法： • 动态表情包专家：https://agent.minimaxi.com/share/358924170088523?chat type=2 • 落地页专家：https://agent.minimaxi.com/share/358924618654343?chat type=2 • 热点追踪：https://agent.minimaxi.com/share/358924618654344?chat type=2 此外，expert其实很适合个人化的重复性任务，创建一次即可随时使用，比如定期的财务报表分析，每周报告、月度总结，定期的客户分析、竞品监控等。都可以创建为仅自己可见的expert进行日常事务的重复操作减负。 下一阶段的功能规划重点 • 更多用户上下文，包括knowledge、memory机制的构建，让专家更加强大，能够进一步深入到工作空间里去；更多主动性，现在只有定时任务，后续会有更加灵活的trigger逻辑，前置依赖我们接入更多mcp并且把oauth等设置做好。 • 更易用，其实交互视觉对Agent这类复杂度较高、场景很多的应用非常重要，最近花了1个月迭代了agent的交互视觉，在用户友好性上已经有了很多提升，但会进一步往这里发展。并且探索generative UI很有意思，给规范让模型灵活出，比如表单这种形式就会好很多。 • 更多PGC，让大家可以开箱即用，也欢迎向我们许愿更多你想要但不知道/没时间构建的专家！ 附： 🎁 直播回放 时长1.5h https://waytoagi.feishu.cn/minutes/obcnga3jk5mj715c2vikskad 🐵 🧑💻 MiniMax Agent桌面端下载链接⏬ 💻国内版：https://agent.minimaxi.com/download 🌍海外版：https://agent.minimax.io/download • minimax是从去年第一季度开始做agent的，原因是我们发现面对越来越多样的复杂任务，随着工具的增多，靠原来堆工程路由的形式并不work。我们去年上半年主要做了两件事情： ◦ 第一个是做自己的agent框架，现在大家用到的air、custom、pro三种模式都来自我们自己的框架；与之伴随的我们做了自己的agent benchmark，我们收集了很多现实的开放、长程的任务，和单一标答的benchmark并不相同。 ◦ 第二个伴随着框架和evaluation比较ready后就是产品化。我们把原来的chatbot干掉了。第一个考虑是它堆砌工程路由的方式很落后，比如在搜索场景，我们需要判搜、定量控制要搜索多少个网页；第二个考虑是如果它始终是在chatbot主打的搜索和写作场景，我们在有限的人力和投流资源的情况下，在国内是无法作出优势和破局的。 ◦ 第一个是做自己的agent框架，现在大家用到的air、custom、pro三种模式都来自我们自己的框架；与之伴随的我们做了自己的agent benchmark，我们收集了很多现实的开放、长程的任务，和单一标答的benchmark并不相同。 ◦ 第二个伴随着框架和evaluation比较ready后就是产品化。我们把原来的chatbot干掉了。第一个考虑是它堆砌工程路由的方式很落后，比如在搜索场景，我们需要判搜、定量控制要搜索多少个网页；第二个考虑是如果它始终是在chatbot主打的搜索和写作场景，我们在有限的人力和投流资源的情况下，在国内是无法作出优势和破局的。 • 到了2.0时代，其实就涉及到一个命题是Agent终局是什么。这个问题其实我经常被问，包括写公众号的时候也让我把这个问题放在前面，基于现在的认知，会觉得至少在今年2.0时期，agent会从被动接受指令，一次性完成任务，变成更加主动响应，深度嵌入工作环境，在工作环境中发挥更大的价值 ◦ Domian knowledge & Memory：我们发现很多agent用户其实是作为C端用户但辅助公司内自己的工作事务。所以能深刻理解领域专家的工作偏好，拥有穿越周期的长时记忆很重要。举个例子，今天你是一个售前，要获得线索，它能理解你的sop，比如你经常去搜集线索的渠道，你的建联话术等； ◦ Environment & Workspace：熟知企业内网的散落知识，能整合各类规范与 SOP 应用于工作流；这个其实是很有挑战性的，举个例子，比如我们自己内部的agent实习生可游走在多个系统之间取数据，因为创业公司的系统相对单一；但是对一个更大的公司，可能这些数仓都不在一个平台和一套权限控制里。 ◦ Active：穿越时间的限制，能自觉根据环境和状态的变化，捕捉到关键信号，无需指令，便能通过触发器主动响应。这个也很有挑战性。 ◦ Domian knowledge & Memory：我们发现很多agent用户其实是作为C端用户但辅助公司内自己的工作事务。所以能深刻理解领域专家的工作偏好，拥有穿越周期的长时记忆很重要。举个例子，今天你是一个售前，要获得线索，它能理解你的sop，比如你经常去搜集线索的渠道，你的建联话术等； ◦ Environment & Workspace：熟知企业内网的散落知识，能整合各类规范与 SOP 应用于工作流；这个其实是很有挑战性的，举个例子，比如我们自己内部的agent实习生可游走在多个系统之间取数据，因为创业公司的系统相对单一；但是对一个更大的公司，可能这些数仓都不在一个平台和一套权限控制里。 ◦ Active：穿越时间的限制，能自觉根据环境和状态的变化，捕捉到关键信号，无需指令，便能通过触发器主动响应。这个也很有挑战性。 这次做桌面端以及自定义expert，其实比较接近于我们在这里踏出的第一步。就是虽然我们pgc的expert做不到那么深入的领域专家程度，但是我们至少已经可以把一些已有知识转化出来；包括虽然desktop也不意味着全部的环境和上下文，但我们往接近用户真实内容更多了一步。 桌面端—— 新的环境，更多上下文 做桌面端一个主要的原因是我们发现了web版本的很多限制。 比如Web 版本只能处理用户上传文件，存在文件大小、上传速度和复用问题，尤其是我们先发的用户有两类构成：Vibe coding的用户，视频图文创意的用户。可能带来很大的代码仓库或者大量资源素材。 另一个问题是web版本无法处理好托管浏览器被block的问题。我们之前只能在一些控制不严的网站上跑通网页托管的场景，但是在实用的社媒监控和自动发布之类的场景，完全不太可用。 桌面端有两个主要功能模块： • 本地文件处理：支持用户对本地文件进行重命名、整理等操作，如对模型 showcase 中的日期视频文件进行视频理解根据场景重命名。预置视频理解、图片理解等工具。一些其他可用的场景包括用它批量转换文件格式、用它批量总结课程录音等等。 ◦ 一个值得一提的点是他会在安全本地环境中处理敏感数据，记录不上传云端。以及我们做了很多命令和文件夹权限的管控，确保它在进行第一次和一些关键操作时会向用户多确认。 ◦ 一个值得一提的点是他会在安全本地环境中处理敏感数据，记录不上传云端。以及我们做了很多命令和文件夹权限的管控，确保它在进行第一次和一些关键操作时会向用户多确认。 • 第二个是网页浏览器托管可进行网页操作，Agent 可以像"人"一样操作你的浏览器，完成真实的点击、填写、提交等操作，而不仅仅是帮你查信息。接管繁琐的网页操作，实现跨系统自动化。比如可以去推特浏览最新有关minimax agent的新post，写到表格给我。用法的场景包括社媒监控和自动发布、自动填网页表单，总之就是可以避免很多重复繁琐的网页操作。 一些公司内部实际会被我们使用到的场景包括： • HR 招聘场景：自动运行招聘网页 按要求筛选 自动打招呼。 • 内容团队场景：全自动素材工厂：监控热门视频 本地下载 智能转译prompt再生成。 • 市场营销场景：全网舆情实时监控 自动抓取 识别风险内容告警。 专家Agent —— 自定义专业潜能 原有 Lighting 和 Pro 模式在满足新场景和添加新知识时非常困难，尤其是Pro依赖官方固定 Multi agent 系统（里面大约有10个subagent），虽然能满足我们已知的一些通用场景，但是对于用户提出的新的需求，或者要对于某个场景做专业化的挖掘，很难在这个固化的框架上启用和调优。因此我们花了1 2个月的时间重构我们的框架，打破固定的mutli agent结构，可灵活router和取用，也适合在某个专业领域上去做专精的深入，包括在更加日常创意的领域有更多的玩法。 目前Agent内专家的配置包含了；： • 指令：专家的行为准则和工作方式 • 子代理：处理特定任务的专用 Agent • 工具：启用的系统工具（如代码执行、网页搜索、图像生成等） • Skill：启用的技能点和相关文件 • 环境变量：连接的外部 API • MCP工具：获取外部数据和工具 用户可以用两种方式创建自己的专家，在左侧用自然语言描述需求，让MiniMax Agent构建是我比较喜欢的方式，因为它会根据输入的知识和文件选择最好的右侧配置方式，还可以通过预览调优测试，再进一步让AI理解优化需求。毕竟在实际我们自己做PGC expert的过程中，其实也是更多通过cpu AI的方式来达到这种效果。确认完配之后，可以选择可见度范围：仅自己可见、全部可见。比如把一个seo专家的知识沉淀为一个Expert来复用，它会拆解用户的需求到一个指令（主要用于理解要求和规范调度几个subagent的逻辑）和3个子代理（技术分析、内容策略、分析报告生成），以及对应的skill。子代理的好处是可以比较专精地做好一件事，相对隔绝上下文；而且大部分模型在子代理里能有比较好适配的表现。 我们为用户提供了很多有趣的PGC专家，这些都可以在探索专家的板块里找到。可以直接开始聊天，或者复制到自己的库里去做二改，这样可以基于一个合适的专家马上微调成适合自己需要的个人化专家。 经过这几天我们也看到了大家ugc的热情，有很多很有意思的专家出现在页面上，欢迎大家使用。展示了一些专家的用法： • 动态表情包专家：https://agent.minimaxi.com/share/358924170088523?chat type=2 • 落地页专家：https://agent.minimaxi.com/share/358924618654343?chat type=2 • 热点追踪：https://agent.minimaxi.com/share/358924618654344?chat type=2 此外，expert其实很适合个人化的重复性任务，创建一次即可随时使用，比如定期的财务报表分析，每周报告、月度总结，定期的客户分析、竞品监控等。都可以创建为仅自己可见的expert进行日常事务的重复操作减负。 下一阶段的功能规划重点 • 更多用户上下文，包括knowledge、memory机制的构建，让专家更加强大，能够进一步深入到工作空间里去；更多主动性，现在只有定时任务，后续会有更加灵活的trigger逻辑，前置依赖我们接入更多mcp并且把oauth等设置做好。 • 更易用，其实交互视觉对Agent这类复杂度较高、场景很多的应用非常重要，最近花了1个月迭代了agent的交互视觉，在用户友好性上已经有了很多提升，但会进一步往这里发展。并且探索generative UI很有意思，给规范让模型灵活出，比如表单这种形式就会好很多。 • 更多PGC，让大家可以开箱即用，也欢迎向我们许愿更多你想要但不知道/没时间构建的专家！ 附： 🎁 直播回放 时长1.5h https://waytoagi.feishu.cn/minutes/obcnga3jk5mj715c2vikskad 直播回放 时长1.5h https://waytoagi.feishu.cn/minutes/obcnga3jk5mj715c2vikskad 🐵 🧑💻 MiniMax Agent桌面端下载链接⏬ 💻国内版：https://agent.minimaxi.com/download 🌍海外版：https://agent.minimax.io/download 🧑💻 MiniMax Agent桌面端下载链接⏬ 💻国内版：https://agent.minimaxi.com/download 🌍海外版：https://agent.minimax.io/download MiniMax Agent 2.0：AI native Workspace 关键词：Context · Environment · Desktop · Custom MiniMax Agent 的演进时间线