荣耀-yoyo-智能体的产品化实践aicon深圳
📋 多平台草稿预览 （12平台差异化改编）
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意义——当行业沉浸在"端侧大模型无所不能"的叙事中时，真正量产落地的智能体，反而需要大量"反模型"的工程手段来驯服不确定性。
大模型的"幻觉"与手机厂商的"洁癖"
手机厂商做智能体，面临着一个天然矛盾：大模型天生带有概率性，而用户对手机操作的要求是确定性。你让ChatGPT写一首诗，它胡编乱造尚可接受；但当你对YOYO说"帮我关闭昨晚设置的闹钟"时，系统绝不能"创造性"地关掉明早的起床铃。
荣耀的解法是引入规则评分机制——在模型输出与用户指令之间，建立一道可量化的"安全阀"。具体而言，系统对每个意图识别结果进行置信度评分，只有当分数超过阈值时才执行操作；否则，降级为传统的规则匹配或明确询问用户。
# 简化的意图置信度评估逻辑
def evaluate_intent(user_query, model_output):
rule_score = rule_engine.match(user_query) # 规则引擎匹配得分
model_score = llm_confidence(model_output) # 大模型置信度
# 加权融合，规则权重在关键场景更高
final_score = 0.4 * rule_score + 0.6 * model_score
if final_score < 0.7:
return "fallback_to_clarification" # 降级为澄清询问
elif final_score < 0.85:
return "execute_with_user_confirm" # 执行前需用户确认
else:
return "direct_execute" # 高置信度直接执行
这种"AI评分降级"策略，本质上是对大模型能力边界的清醒认知。荣耀团队在演讲中透露，实际生产环境中，约12%的请求会触发降级机制——这12%看似是"失败"，实则是避免用户体验灾难的关键防线。
规则引擎：被低估的"隐形英雄"
在LLM热潮下谈规则引擎，多少有些"不合时宜"。但荣耀的实践恰恰证明：规则的确定性+模型的泛化能力，才是端侧智能体最优解。
以"连续指令"场景为例——"帮我导航去公司，然后给老婆发条消息说会晚点到"。大模型能理解语义，但执行时需要拆解为：调用地图API、调起短信应用、选择联系人、编辑内容、确认发送。每一步都可能出错，规则引擎在这里承担了流程编排器的角色：
// 连续指令的规则编排示例
const pipeline = [
{ step: 'parse_intent', fallback: 'ask_user' },
{ step: 'check_permission', fallback: 'request_permission' },
{ step: 'execute_navigation', validator: 'is_valid_destination' },
{ step: 'compose_message', validator: 'has_recipient' },
{ step: 'send_message', confirm: 'sensitive_operation' }
];
这种混合架构的价值在于，模型负责"听懂"，规则负责"做对"。荣耀在AICon上展示的数据显示，引入规则评分后，YOYO的任务完成率从78%提升至92%，而用户投诉率下降了40%。
端侧部署的"戴着镣铐跳舞"
与云端大模型不同，手机端侧智能体面临严苛的资源约束。荣耀的实践揭示了一个行业共识：端侧模型的参数量级在1B-7B之间时，必须用工程手段弥补模型能力的不足。
他们在演讲中分享了一个关键数字：YOYO的核心模型压缩至2.3GB，占内存约1.8GB，推理功耗控制在0.8W以内。这个数据背后，是量化、蒸馏、剪枝等一系列"妥协艺术"。
# 模型量化示例：FP32 -> INT8
import torch
model = load_yoyo_model()
quantized_model = torch.quantization.quantize_dynamic(
model, {torch.nn.Linear}, dtype=torch.qint8
)
# 模型体积减少约75%，推理速度提升约2.3倍
更值得关注的是他们的混合调度策略：简单指令（如"打开蓝牙"）直接走规则匹配，零延迟；复杂指令（如"帮我研究一下新能源汽车的优缺点"）才调用大模型，且采用"云端+端侧"双路并行，哪路先返回可靠结果就用哪路。
智能体的"人格化"陷阱
荣耀在演讲中提出一个有趣的观点：智能体不需要拟人化，需要的是"可预测性"。当用户连续三次使用同一指令时，系统应记住偏好；但当用户改变指令措辞时，系统不应"自作聪明"地沿用旧逻辑。
这涉及一个核心设计——记忆分层的规则约束：
短期记忆（本次对话）：规则优先，模型辅助
中期记忆（当日偏好）：模型推理，规则校验
长期记忆（用户画像）：规则覆盖，模型补充
这种分层设计的精妙之处在于，它避免了端侧智能体最常见的"过度拟合"问题——模型从用户历史行为中学习，但规则引擎确保它不会"学过头"。
未来：从"规则+模型"到"规则即模型"
在演讲结尾，荣耀透露了下一代YOYO的技术方向：将规则引擎本身转化为可学习的参数。这意味着，未来的智能体不再需要工程师手写规则，而是通过自动规则生成（从用户反馈中提炼）和规则蒸馏（将规则知识蒸馏进小模型）来实现自我进化。
这或许才是端侧智能体的终极形态——不再区分规则与模型，而是将确定性与泛化能力统一在一个框架内。荣耀的实践给行业的启示是：在大模型时代，工程克制比模型炫技更重要。
当所有厂商都在比拼参数规模和生成能力时，荣耀选择了一条"反共识"的路径——用规则为AI兜底，用确定性的框架去承载不确定性的智能。这或许是端侧AI落地的最优解：不追求无所不能，但求事事可靠。
写于彩虹洋葱 AI 聚合平台 · 如果你也对科技趋势感兴趣，欢迎交流。
🏷️ 端侧AI · 智能体 · 规则引擎
⚡ 快手短视频脚本 | 时长：30-40秒
【封面字幕】（大号字体，居中）
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战
【口播文案】（接地气风格，口语化）
老铁们，今天聊个硬核的——当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
核心就三点：
① （从正文提取第一个关键信息）
② （从正文提取第二个关键信息）
③ （从正文提取第三个关键信息）
懂的点个赞，不懂的评论区问我，下条见！💪
🏷️ 推荐标签：端侧AI, 智能体, 规则引擎
【微博短帖 | 140字以内核心版】
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战：当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
#端侧AI #智能体 #规则引擎
【微博长帖 | 可配图 9 宫格版】
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
#端侧AI #智能体 #规则引擎 🔗 https://www.infoq.cn/article/2vgS2FNle83YQZrLvxSF?utm_source=rss&utm_medium=article
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战
前言
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意义——当行业沉浸在"端侧大模型无所不能"的叙事中时，真正量产落地的智能体，反而需要大量"反模型"的工程手段来驯服不确定性。
大模型的"幻觉"与手机厂商的"洁癖"
手机厂商做智能体，面临着一个天然矛盾：大模型天生带有概率性，而用户对手机操作的要求是确定性。你让ChatGPT写一首诗，它胡编乱造尚可接受；但当你对YOYO说"帮我关闭昨晚设置的闹钟"时，系统绝不能"创造性"地关掉明早的起床铃。
荣耀的解法是引入规则评分机制——在模型输出与用户指令之间，建立一道可量化的"安全阀"。具体而言，系统对每个意图识别结果进行置信度评分，只有当分数超过阈值时才执行操作；否则，降级为传统的规则匹配或明确询问用户。
# 简化的意图置信度评估逻辑
def evaluate_intent(user_query, model_output):
rule_score = rule_engine.match(user_query) # 规则引擎匹配得分
model_score = llm_confidence(model_output) # 大模型置信度
# 加权融合，规则权重在关键场景更高
final_score = 0.4 * rule_score + 0.6 * model_score
if final_score < 0.7:
return "fallback_to_clarification" # 降级为澄清询问
elif final_score < 0.85:
return "execute_with_user_confirm" # 执行前需用户确认
else:
return "direct_execute" # 高置信度直接执行
这种"AI评分降级"策略，本质上是对大模型能力边界的清醒认知。荣耀团队在演讲中透露，实际生产环境中，约12%的请求会触发降级机制——这12%看似是"失败"，实则是避免用户体验灾难的关键防线。
规则引擎：被低估的"隐形英雄"
在LLM热潮下谈规则引擎，多少有些"不合时宜"。但荣耀的实践恰恰证明：规则的确定性+模型的泛化能力，才是端侧智能体最优解。
以"连续指令"场景为例——"帮我导航去公司，然后给老婆发条消息说会晚点到"。大模型能理解语义，但执行时需要拆解为：调用地图API、调起短信应用、选择联系人、编辑内容、确认发送。每一步都可能出错，规则引擎在这里承担了流程编排器的角色：
// 连续指令的规则编排示例
const pipeline = [
{ step: 'parse_intent', fallback: 'ask_user' },
{ step: 'check_permission', fallback: 'request_permission' },
{ step: 'execute_navigation', validator: 'is_valid_destination' },
{ step: 'compose_message', validator: 'has_recipient' },
{ step: 'send_message', confirm: 'sensitive_operation' }
];
这种混合架构的价值在于，模型负责"听懂"，规则负责"做对"。荣耀在AICon上展示的数据显示，引入规则评分后，YOYO的任务完成率从78%提升至92%，而用户投诉率下降了40%。
端侧部署的"戴着镣铐跳舞"
与云端大模型不同，手机端侧智能体面临严苛的资源约束。荣耀的实践揭示了一个行业共识：端侧模型的参数量级在1B-7B之间时，必须用工程手段弥补模型能力的不足。
他们在演讲中分享了一个关键数字：YOYO的核心模型压缩至2.3GB，占内存约1.8GB，推理功耗控制在0.8W以内。这个数据背后，是量化、蒸馏、剪枝等一系列"妥协艺术"。
# 模型量化示例：FP32 -> INT8
import torch
model = load_yoyo_model()
quantized_model = torch.quantization.quantize_dynamic(
model, {torch.nn.Linear}, dtype=torch.qint8
)
# 模型体积减少约75%，推理速度提升约2.3倍
更值得关注的是他们的混合调度策略：简单指令（如"打开蓝牙"）直接走规则匹配，零延迟；复杂指令（如"帮我研究一下新能源汽车的优缺点"）才调用大模型，且采用"云端+端侧"双路并行，哪路先返回可靠结果就用哪路。
智能体的"人格化"陷阱
荣耀在演讲中提出一个有趣的观点：智能体不需要拟人化，需要的是"可预测性"。当用户连续三次使用同一指令时，系统应记住偏好；但当用户改变指令措辞时，系统不应"自作聪明"地沿用旧逻辑。
这涉及一个核心设计——记忆分层的规则约束：
短期记忆（本次对话）：规则优先，模型辅助
中期记忆（当日偏好）：模型推理，规则校验
长期记忆（用户画像）：规则覆盖，模型补充
这种分层设计的精妙之处在于，它避免了端侧智能体最常见的"过度拟合"问题——模型从用户历史行为中学习，但规则引擎确保它不会"学过头"。
未来：从"规则+模型"到"规则即模型"
在演讲结尾，荣耀透露了下一代YOYO的技术方向：将规则引擎本身转化为可学习的参数。这意味着，未来的智能体不再需要工程师手写规则，而是通过自动规则生成（从用户反馈中提炼）和规则蒸馏（将规则知识蒸馏进小模型）来实现自我进化。
这或许才是端侧智能体的终极形态——不再区分规则与模型，而是将确定性与泛化能力统一在一个框架内。荣耀的实践给行业的启示是：在大模型时代，工程克制比模型炫技更重要。
当所有厂商都在比拼参数规模和生成能力时，荣耀选择了一条"反共识"的路径——用规则为AI兜底，用确定性的框架去承载不确定性的智能。这或许是端侧AI落地的最优解：不追求无所不能，但求事事可靠。
总结
本文梳理了相关技术/事件的核心脉络。如有错误欢迎在评论区指正。
📂 分类：端侧AI · 智能体 · 规则引擎
© 本文由彩虹洋葱 AI 自动聚合，转载请注明出处。
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意义——当行业沉浸在"端侧大模型无所不能"的叙事中时，真正量产落地的智能体，反而需要大量"反模型"的工程手段来驯服不确定性。
大模型的"幻觉"与手机厂商的"洁癖"
手机厂商做智能体，面临着一个天然矛盾：大模型天生带有概率性，而用户对手机操作的要求是确定性。你让ChatGPT写一首诗，它胡编乱造尚可接受；但当你对YOYO说"帮我关闭昨晚设置的闹钟"时，系统绝不能"创造性"地关掉明早的起床铃。
荣耀的解法是引入规则评分机制——在模型输出与用户指令之间，建立一道可量化的"安全阀"。具体而言，系统对每个意图识别结果进行置信度评分，只有当分数超过阈值时才执行操作；否则，降级为传统的规则匹配或明确询问用户。
# 简化的意图置信度评估逻辑
def evaluate_intent(user_query, model_output):
rule_score = rule_engine.match(user_query) # 规则引擎匹配得分
model_score = llm_confidence(model_output) # 大模型置信度
# 加权融合，规则权重在关键场景更高
final_score = 0.4 * rule_score + 0.6 * model_score
if final_score < 0.7:
return "fallback_to_clarification" # 降级为澄清询问
elif final_score < 0.85:
return "execute_with_user_confirm" # 执行前需用户确认
else:
return "direct_execute" # 高置信度直接执行
这种"AI评分降级"策略，本质上是对大模型能力边界的清醒认知。荣耀团队在演讲中透露，实际生产环境中，约12%的请求会触发降级机制——这12%看似是"失败"，实则是避免用户体验灾难的关键防线。
规则引擎：被低估的"隐形英雄"
在LLM热潮下谈规则引擎，多少有些"不合时宜"。但荣耀的实践恰恰证明：规则的确定性+模型的泛化能力，才是端侧智能体最优解。
以"连续指令"场景为例——"帮我导航去公司，然后给老婆发条消息说会晚点到"。大模型能理解语义，但执行时需要拆解为：调用地图API、调起短信应用、选择联系人、编辑内容、确认发送。每一步都可能出错，规则引擎在这里承担了流程编排器的角色：
// 连续指令的规则编排示例
const pipeline = [
{ step: 'parse_intent', fallback: 'ask_user' },
{ step: 'check_permission', fallback: 'request_permission' },
{ step: 'execute_navigation', validator: 'is_valid_destination' },
{ step: 'compose_message', validator: 'has_recipient' },
{ step: 'send_message', confirm: 'sensitive_operation' }
];
这种混合架构的价值在于，模型负责"听懂"，规则负责"做对"。荣耀在AICon上展示的数据显示，引入规则评分后，YOYO的任务完成率从78%提升至92%，而用户投诉率下降了40%。
端侧部署的"戴着镣铐跳舞"
与云端大模型不同，手机端侧智能体面临严苛的资源约束。荣耀的实践揭示了一个行业共识：端侧模型的参数量级在1B-7B之间时，必须用工程手段弥补模型能力的不足。
他们在演讲中分享了一个关键数字：YOYO的核心模型压缩至2.3GB，占内存约1.8GB，推理功耗控制在0.8W以内。这个数据背后，是量化、蒸馏、剪枝等一系列"妥协艺术"。
# 模型量化示例：FP32 -> INT8
import torch
model = load_yoyo_model()
quantized_model = torch.quantization.quantize_dynamic(
model, {torch.nn.Linear}, dtype=torch.qint8
)
# 模型体积减少约75%，推理速度提升约2.3倍
更值得关注的是他们的混合调度策略：简单指令（如"打开蓝牙"）直接走规则匹配，零延迟；复杂指令（如"帮我研究一下新能源汽车的优缺点"）才调用大模型，且采用"云端+端侧"双路并行，哪路先返回可靠结果就用哪路。
智能体的"人格化"陷阱
荣耀在演讲中提出一个有趣的观点：智能体不需要拟人化，需要的是"可预测性"。当用户连续三次使用同一指令时，系统应记住偏好；但当用户改变指令措辞时，系统不应"自作聪明"地沿用旧逻辑。
这涉及一个核心设计——记忆分层的规则约束：
短期记忆（本次对话）：规则优先，模型辅助
中期记忆（当日偏好）：模型推理，规则校验
长期记忆（用户画像）：规则覆盖，模型补充
这种分层设计的精妙之处在于，它避免了端侧智能体最常见的"过度拟合"问题——模型从用户历史行为中学习，但规则引擎确保它不会"学过头"。
未来：从"规则+模型"到"规则即模型"
在演讲结尾，荣耀透露了下一代YOYO的技术方向：将规则引擎本身转化为可学习的参数。这意味着，未来的智能体不再需要工程师手写规则，而是通过自动规则生成（从用户反馈中提炼）和规则蒸馏（将规则知识蒸馏进小模型）来实现自我进化。
这或许才是端侧智能体的终极形态——不再区分规则与模型，而是将确定性与泛化能力统一在一个框架内。荣耀的实践给行业的启示是：在大模型时代，工程克制比模型炫技更重要。
当所有厂商都在比拼参数规模和生成能力时，荣耀选择了一条"反共识"的路径——用规则为AI兜底，用确定性的框架去承载不确定性的智能。这或许是端侧AI落地的最优解：不追求无所不能，但求事事可靠。
总结 & 思考
以上为当前进展的梳理。欢迎在评论区交流技术细节和不同观点。
🏷️ 标签：端侧AI · 智能体 · 规则引擎
👍 如果对你有帮助，请点赞收藏支持
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意义——当行业沉浸在"端侧大模型无所不能"的叙事中时，真正量产落地的智能体，反而需要大量"反模型"的工程手段来驯服不确定性。
大模型的"幻觉"与手机厂商的"洁癖"
手机厂商做智能体，面临着一个天然矛盾：大模型天生带有概率性，而用户对手机操作的要求是确定性。你让ChatGPT写一首诗，它胡编乱造尚可接受；但当你对YOYO说"帮我关闭昨晚设置的闹钟"时，系统绝不能"创造性"地关掉明早的起床铃。
荣耀的解法是引入规则评分机制——在模型输出与用户指令之间，建立一道可量化的"安全阀"。具体而言，系统对每个意图识别结果进行置信度评分，只有当分数超过阈值时才执行操作；否则，降级为传统的规则匹配或明确询问用户。
# 简化的意图置信度评估逻辑
def evaluate_intent(user_query, model_output):
rule_score = rule_engine.match(user_query) # 规则引擎匹配得分
model_score = llm_confidence(model_output) # 大模型置信度
# 加权融合，规则权重在关键场景更高
final_score = 0.4 * rule_score + 0.6 * model_score
if final_score < 0.7:
return "fallback_to_clarification" # 降级为澄清询问
elif final_score < 0.85:
return "execute_with_user_confirm" # 执行前需用户确认
else:
return "direct_execute" # 高置信度直接执行
这种"AI评分降级"策略，本质上是对大模型能力边界的清醒认知。荣耀团队在演讲中透露，实际生产环境中，约12%的请求会触发降级机制——这12%看似是"失败"，实则是避免用户体验灾难的关键防线。
规则引擎：被低估的"隐形英雄"
在LLM热潮下谈规则引擎，多少有些"不合时宜"。但荣耀的实践恰恰证明：规则的确定性+模型的泛化能力，才是端侧智能体最优解。
以"连续指令"场景为例——"帮我导航去公司，然后给老婆发条消息说会晚点到"。大模型能理解语义，但执行时需要拆解为：调用地图API、调起短信应用、选择联系人、编辑内容、确认发送。每一步都可能出错，规则引擎在这里承担了流程编排器的角色：
// 连续指令的规则编排示例
const pipeline = [
{ step: 'parse_intent', fallback: 'ask_user' },
{ step: 'check_permission', fallback: 'request_permission' },
{ step: 'execute_navigation', validator: 'is_valid_destination' },
{ step: 'compose_message', validator: 'has_recipient' },
{ step: 'send_message', confirm: 'sensitive_operation' }
];
这种混合架构的价值在于，模型负责"听懂"，规则负责"做对"。荣耀在AICon上展示的数据显示，引入规则评分后，YOYO的任务完成率从78%提升至92%，而用户投诉率下降了40%。
端侧部署的"戴着镣铐跳舞"
与云端大模型不同，手机端侧智能体面临严苛的资源约束。荣耀的实践揭示了一个行业共识：端侧模型的参数量级在1B-7B之间时，必须用工程手段弥补模型能力的不足。
他们在演讲中分享了一个关键数字：YOYO的核心模型压缩至2.3GB，占内存约1.8GB，推理功耗控制在0.8W以内。这个数据背后，是量化、蒸馏、剪枝等一系列"妥协艺术"。
# 模型量化示例：FP32 -> INT8
import torch
model = load_yoyo_model()
quantized_model = torch.quantization.quantize_dynamic(
model, {torch.nn.Linear}, dtype=torch.qint8
)
# 模型体积减少约75%，推理速度提升约2.3倍
更值得关注的是他们的混合调度策略：简单指令（如"打开蓝牙"）直接走规则匹配，零延迟；复杂指令（如"帮我研究一下新能源汽车的优缺点"）才调用大模型，且采用"云端+端侧"双路并行，哪路先返回可靠结果就用哪路。
智能体的"人格化"陷阱
荣耀在演讲中提出一个有趣的观点：智能体不需要拟人化，需要的是"可预测性"。当用户连续三次使用同一指令时，系统应记住偏好；但当用户改变指令措辞时，系统不应"自作聪明"地沿用旧逻辑。
这涉及一个核心设计——记忆分层的规则约束：
短期记忆（本次对话）：规则优先，模型辅助
中期记忆（当日偏好）：模型推理，规则校验
长期记忆（用户画像）：规则覆盖，模型补充
这种分层设计的精妙之处在于，它避免了端侧智能体最常见的"过度拟合"问题——模型从用户历史行为中学习，但规则引擎确保它不会"学过头"。
未来：从"规则+模型"到"规则即模型"
在演讲结尾，荣耀透露了下一代YOYO的技术方向：将规则引擎本身转化为可学习的参数。这意味着，未来的智能体不再需要工程师手写规则，而是通过自动规则生成（从用户反馈中提炼）和规则蒸馏（将规则知识蒸馏进小模型）来实现自我进化。
这或许才是端侧智能体的终极形态——不再区分规则与模型，而是将确定性与泛化能力统一在一个框架内。荣耀的实践给行业的启示是：在大模型时代，工程克制比模型炫技更重要。
当所有厂商都在比拼参数规模和生成能力时，荣耀选择了一条"反共识"的路径——用规则为AI兜底，用确定性的框架去承载不确定性的智能。这或许是端侧AI落地的最优解：不追求无所不能，但求事事可靠。
信息源：InfoQ - 荣耀YOYO智能体的产品化实践（AICon深圳演讲） 标签：端侧AI, 智能体, 规则引擎
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战
摘要：> 当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意义——当行业沉浸在"端侧大模型无所不能"的叙事中时，真正量产落地的智能体，反而需……
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意义——当行业沉浸在"端侧大模型无所不能"的叙事中时，真正量产落地的智能体，反而需要大量"反模型"的工程手段来驯服不确定性。
大模型的"幻觉"与手机厂商的"洁癖"
手机厂商做智能体，面临着一个天然矛盾：大模型天生带有概率性，而用户对手机操作的要求是确定性。你让ChatGPT写一首诗，它胡编乱造尚可接受；但当你对YOYO说"帮我关闭昨晚设置的闹钟"时，系统绝不能"创造性"地关掉明早的起床铃。
荣耀的解法是引入规则评分机制——在模型输出与用户指令之间，建立一道可量化的"安全阀"。具体而言，系统对每个意图识别结果进行置信度评分，只有当分数超过阈值时才执行操作；否则，降级为传统的规则匹配或明确询问用户。
# 简化的意图置信度评估逻辑
def evaluate_intent(user_query, model_output):
rule_score = rule_engine.match(user_query) # 规则引擎匹配得分
model_score = llm_confidence(model_output) # 大模型置信度
# 加权融合，规则权重在关键场景更高
final_score = 0.4 * rule_score + 0.6 * model_score
if final_score < 0.7:
return "fallback_to_clarification" # 降级为澄清询问
elif final_score < 0.85:
return "execute_with_user_confirm" # 执行前需用户确认
else:
return "direct_execute" # 高置信度直接执行
这种"AI评分降级"策略，本质上是对大模型能力边界的清醒认知。荣耀团队在演讲中透露，实际生产环境中，约12%的请求会触发降级机制——这12%看似是"失败"，实则是避免用户体验灾难的关键防线。
规则引擎：被低估的"隐形英雄"
在LLM热潮下谈规则引擎，多少有些"不合时宜"。但荣耀的实践恰恰证明：规则的确定性+模型的泛化能力，才是端侧智能体最优解。
以"连续指令"场景为例——"帮我导航去公司，然后给老婆发条消息说会晚点到"。大模型能理解语义，但执行时需要拆解为：调用地图API、调起短信应用、选择联系人、编辑内容、确认发送。每一步都可能出错，规则引擎在这里承担了流程编排器的角色：
// 连续指令的规则编排示例
const pipeline = [
{ step: 'parse_intent', fallback: 'ask_user' },
{ step: 'check_permission', fallback: 'request_permission' },
{ step: 'execute_navigation', validator: 'is_valid_destination' },
{ step: 'compose_message', validator: 'has_recipient' },
{ step: 'send_message', confirm: 'sensitive_operation' }
];
这种混合架构的价值在于，模型负责"听懂"，规则负责"做对"。荣耀在AICon上展示的数据显示，引入规则评分后，YOYO的任务完成率从78%提升至92%，而用户投诉率下降了40%。
端侧部署的"戴着镣铐跳舞"
与云端大模型不同，手机端侧智能体面临严苛的资源约束。荣耀的实践揭示了一个行业共识：端侧模型的参数量级在1B-7B之间时，必须用工程手段弥补模型能力的不足。
他们在演讲中分享了一个关键数字：YOYO的核心模型压缩至2.3GB，占内存约1.8GB，推理功耗控制在0.8W以内。这个数据背后，是量化、蒸馏、剪枝等一系列"妥协艺术"。
# 模型量化示例：FP32 -> INT8
import torch
model = load_yoyo_model()
quantized_model = torch.quantization.quantize_dynamic(
model, {torch.nn.Linear}, dtype=torch.qint8
)
# 模型体积减少约75%，推理速度提升约2.3倍
更值得关注的是他们的混合调度策略：简单指令（如"打开蓝牙"）直接走规则匹配，零延迟；复杂指令（如"帮我研究一下新能源汽车的优缺点"）才调用大模型，且采用"云端+端侧"双路并行，哪路先返回可靠结果就用哪路。
智能体的"人格化"陷阱
荣耀在演讲中提出一个有趣的观点：智能体不需要拟人化，需要的是"可预测性"。当用户连续三次使用同一指令时，系统应记住偏好；但当用户改变指令措辞时，系统不应"自作聪明"地沿用旧逻辑。
这涉及一个核心设计——记忆分层的规则约束：
短期记忆（本次对话）：规则优先，模型辅助
中期记忆（当日偏好）：模型推理，规则校验
长期记忆（用户画像）：规则覆盖，模型补充
这种分层设计的精妙之处在于，它避免了端侧智能体最常见的"过度拟合"问题——模型从用户历史行为中学习，但规则引擎确保它不会"学过头"。
未来：从"规则+模型"到"规则即模型"
在演讲结尾，荣耀透露了下一代YOYO的技术方向：将规则引擎本身转化为可学习的参数。这意味着，未来的智能体不再需要工程师手写规则，而是通过自动规则生成（从用户反馈中提炼）和规则蒸馏（将规则知识蒸馏进小模型）来实现自我进化。
这或许才是端侧智能体的终极形态——不再区分规则与模型，而是将确定性与泛化能力统一在一个框架内。荣耀的实践给行业的启示是：在大模型时代，工程克制比模型炫技更重要。
当所有厂商都在比拼参数规模和生成能力时，荣耀选择了一条"反共识"的路径——用规则为AI兜底，用确定性的框架去承载不确定性的智能。这或许是端侧AI落地的最优解：不追求无所不能，但求事事可靠。
📌 来源：InfoQ | 标签：端侧AI · 智能体 · 规则引擎
本文由彩虹洋葱 AI 自动聚合生成，仅供参考，不构成任何投资或决策建议。问题：如何看待「荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战」？
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意义——当行业沉浸在"端侧大模型无所不能"的叙事中时，真正量产落地的智能体，反而需要大量"反模型"的工程手段来驯服不确定性。
大模型的"幻觉"与手机厂商的"洁癖"
手机厂商做智能体，面临着一个天然矛盾：大模型天生带有概率性，而用户对手机操作的要求是确定性。你让ChatGPT写一首诗，它胡编乱造尚可接受；但当你对YOYO说"帮我关闭昨晚设置的闹钟"时，系统绝不能"创造性"地关掉明早的起床铃。
荣耀的解法是引入规则评分机制——在模型输出与用户指令之间，建立一道可量化的"安全阀"。具体而言，系统对每个意图识别结果进行置信度评分，只有当分数超过阈值时才执行操作；否则，降级为传统的规则匹配或明确询问用户。
# 简化的意图置信度评估逻辑
def evaluate_intent(user_query, model_output):
rule_score = rule_engine.match(user_query) # 规则引擎匹配得分
model_score = llm_confidence(model_output) # 大模型置信度
# 加权融合，规则权重在关键场景更高
final_score = 0.4 * rule_score + 0.6 * model_score
if final_score < 0.7:
return "fallback_to_clarification" # 降级为澄清询问
elif final_score < 0.85:
return "execute_with_user_confirm" # 执行前需用户确认
else:
return "direct_execute" # 高置信度直接执行
这种"AI评分降级"策略，本质上是对大模型能力边界的清醒认知。荣耀团队在演讲中透露，实际生产环境中，约12%的请求会触发降级机制——这12%看似是"失败"，实则是避免用户体验灾难的关键防线。
规则引擎：被低估的"隐形英雄"
在LLM热潮下谈规则引擎，多少有些"不合时宜"。但荣耀的实践恰恰证明：规则的确定性+模型的泛化能力，才是端侧智能体最优解。
以"连续指令"场景为例——"帮我导航去公司，然后给老婆发条消息说会晚点到"。大模型能理解语义，但执行时需要拆解为：调用地图API、调起短信应用、选择联系人、编辑内容、确认发送。每一步都可能出错，规则引擎在这里承担了流程编排器的角色：
// 连续指令的规则编排示例
const pipeline = [
{ step: 'parse_intent', fallback: 'ask_user' },
{ step: 'check_permission', fallback: 'request_permission' },
{ step: 'execute_navigation', validator: 'is_valid_destination' },
{ step: 'compose_message', validator: 'has_recipient' },
{ step: 'send_message', confirm: 'sensitive_operation' }
];
这种混合架构的价值在于，模型负责"听懂"，规则负责"做对"。荣耀在AICon上展示的数据显示，引入规则评分后，YOYO的任务完成率从78%提升至92%，而用户投诉率下降了40%。
端侧部署的"戴着镣铐跳舞"
与云端大模型不同，手机端侧智能体面临严苛的资源约束。荣耀的实践揭示了一个行业共识：端侧模型的参数量级在1B-7B之间时，必须用工程手段弥补模型能力的不足。
他们在演讲中分享了一个关键数字：YOYO的核心模型压缩至2.3GB，占内存约1.8GB，推理功耗控制在0.8W以内。这个数据背后，是量化、蒸馏、剪枝等一系列"妥协艺术"。
# 模型量化示例：FP32 -> INT8
import torch
model = load_yoyo_model()
quantized_model = torch.quantization.quantize_dynamic(
model, {torch.nn.Linear}, dtype=torch.qint8
)
# 模型体积减少约75%，推理速度提升约2.3倍
更值得关注的是他们的混合调度策略：简单指令（如"打开蓝牙"）直接走规则匹配，零延迟；复杂指令（如"帮我研究一下新能源汽车的优缺点"）才调用大模型，且采用"云端+端侧"双路并行，哪路先返回可靠结果就用哪路。
智能体的"人格化"陷阱
荣耀在演讲中提出一个有趣的观点：智能体不需要拟人化，需要的是"可预测性"。当用户连续三次使用同一指令时，系统应记住偏好；但当用户改变指令措辞时，系统不应"自作聪明"地沿用旧逻辑。
这涉及一个核心设计——记忆分层的规则约束：
短期记忆（本次对话）：规则优先，模型辅助
中期记忆（当日偏好）：模型推理，规则校验
长期记忆（用户画像）：规则覆盖，模型补充
这种分层设计的精妙之处在于，它避免了端侧智能体最常见的"过度拟合"问题——模型从用户历史行为中学习，但规则引擎确保它不会"学过头"。
未来：从"规则+模型"到"规则即模型"
在演讲结尾，荣耀透露了下一代YOYO的技术方向：将规则引擎本身转化为可学习的参数。这意味着，未来的智能体不再需要工程师手写规则，而是通过自动规则生成（从用户反馈中提炼）和规则蒸馏（将规则知识蒸馏进小模型）来实现自我进化。
这或许才是端侧智能体的终极形态——不再区分规则与模型，而是将确定性与泛化能力统一在一个框架内。荣耀的实践给行业的启示是：在大模型时代，工程克制比模型炫技更重要。
当所有厂商都在比拼参数规模和生成能力时，荣耀选择了一条"反共识"的路径——用规则为AI兜底，用确定性的框架去承载不确定性的智能。这或许是端侧AI落地的最优解：不追求无所不能，但求事事可靠。
总结： 以上分析基于公开信息整理。核心在于理解这一事件/技术背后的驱动力，而非停留在表面叙事。欢迎在评论区交流你的看法。
📎 参考来源：InfoQ - 荣耀YOYO智能体的产品化实践（AICon深圳演讲）
🔗 原文链接：https://www.infoq.cn/article/2vgS2FNle83YQZrLvxSF?utm_source=rss&utm_medium=article
📺 B站视频脚本 | 时长：3-5分钟
【片头 0:00-0:15】BGM起 → 标题字幕弹出
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战
【引子 0:15-0:45】制造悬念
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
【时间轴分镜】
├ [00:02] > 当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。……
├ [02:04] 在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意……
├ [04:06] 手机厂商做智能体，面临着一个天然矛盾：大模型天生带有概率性，而用户对手机操作的要求是确定性。你让ChatGPT写一首诗，它胡编乱造尚可接受；但当你对YOYO说"……
├ [06:08] 荣耀的解法是引入规则评分机制——在模型输出与用户指令之间，建立一道可量化的"安全阀"。具体而言，系统对每个意图识别结果进行置信度评分，只有当分数超过阈值……
├ [08:10] def evaluate_intent(user_query, model_output):……
├ [结尾] 总结 + 求三连关注
【弹幕互动引导】
- "觉得有用的扣 1"
- "不同观点的弹幕见"
- 结尾设置投票：你看好这个方向吗？A.看好 B.观望 C.不看好
🏷️ 标签：端侧AI, 智能体, 规则引擎
🎬 抖音口播脚本 | 时长：45-60秒
【0-5秒 黄金Hook】
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
【5-35秒 核心信息（口语化表达，每句一行）】
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。 在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意义——当行业沉浸在"端侧大模型无所不能"的叙事中时，真正量产落地的智能体，反而需
【35-50秒 深度扩展】
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战
【50-60秒 强CTO结尾】
觉得有用的话，双击点赞 + 关注，下期继续带你读懂 AI！🔥
📐 拍摄建议：竖屏 9:16 · 科技感电子背景乐 · 关键数据配文字弹幕 · 表情自然语速适中
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战
【导语】 当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。本文目录：
1. 大模型的"幻觉"与手机厂商的"洁癖"
2. 规则引擎：被低估的"隐形英雄"
3. 端侧部署的"戴着镣铐跳舞"
4. 智能体的"人格化"陷阱
5. 未来：从"规则+模型"到"规则即模型"
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意义——当行业沉浸在"端侧大模型无所不能"的叙事中时，真正量产落地的智能体，反而需要大量"反模型"的工程手段来驯服不确定性。
大模型的"幻觉"与手机厂商的"洁癖"
手机厂商做智能体，面临着一个天然矛盾：大模型天生带有概率性，而用户对手机操作的要求是确定性。你让ChatGPT写一首诗，它胡编乱造尚可接受；但当你对YOYO说"帮我关闭昨晚设置的闹钟"时，系统绝不能"创造性"地关掉明早的起床铃。
荣耀的解法是引入规则评分机制——在模型输出与用户指令之间，建立一道可量化的"安全阀"。具体而言，系统对每个意图识别结果进行置信度评分，只有当分数超过阈值时才执行操作；否则，降级为传统的规则匹配或明确询问用户。
# 简化的意图置信度评估逻辑
def evaluate_intent(user_query, model_output):
rule_score = rule_engine.match(user_query) # 规则引擎匹配得分
model_score = llm_confidence(model_output) # 大模型置信度
# 加权融合，规则权重在关键场景更高
final_score = 0.4 * rule_score + 0.6 * model_score
if final_score < 0.7:
return "fallback_to_clarification" # 降级为澄清询问
elif final_score < 0.85:
return "execute_with_user_confirm" # 执行前需用户确认
else:
return "direct_execute" # 高置信度直接执行
这种"AI评分降级"策略，本质上是对大模型能力边界的清醒认知。荣耀团队在演讲中透露，实际生产环境中，约12%的请求会触发降级机制——这12%看似是"失败"，实则是避免用户体验灾难的关键防线。
规则引擎：被低估的"隐形英雄"
在LLM热潮下谈规则引擎，多少有些"不合时宜"。但荣耀的实践恰恰证明：规则的确定性+模型的泛化能力，才是端侧智能体最优解。
以"连续指令"场景为例——"帮我导航去公司，然后给老婆发条消息说会晚点到"。大模型能理解语义，但执行时需要拆解为：调用地图API、调起短信应用、选择联系人、编辑内容、确认发送。每一步都可能出错，规则引擎在这里承担了流程编排器的角色：
// 连续指令的规则编排示例
const pipeline = [
{ step: 'parse_intent', fallback: 'ask_user' },
{ step: 'check_permission', fallback: 'request_permission' },
{ step: 'execute_navigation', validator: 'is_valid_destination' },
{ step: 'compose_message', validator: 'has_recipient' },
{ step: 'send_message', confirm: 'sensitive_operation' }
];
这种混合架构的价值在于，模型负责"听懂"，规则负责"做对"。荣耀在AICon上展示的数据显示，引入规则评分后，YOYO的任务完成率从78%提升至92%，而用户投诉率下降了40%。
端侧部署的"戴着镣铐跳舞"
与云端大模型不同，手机端侧智能体面临严苛的资源约束。荣耀的实践揭示了一个行业共识：端侧模型的参数量级在1B-7B之间时，必须用工程手段弥补模型能力的不足。
他们在演讲中分享了一个关键数字：YOYO的核心模型压缩至2.3GB，占内存约1.8GB，推理功耗控制在0.8W以内。这个数据背后，是量化、蒸馏、剪枝等一系列"妥协艺术"。
# 模型量化示例：FP32 -> INT8
import torch
model = load_yoyo_model()
quantized_model = torch.quantization.quantize_dynamic(
model, {torch.nn.Linear}, dtype=torch.qint8
)
# 模型体积减少约75%，推理速度提升约2.3倍
更值得关注的是他们的混合调度策略：简单指令（如"打开蓝牙"）直接走规则匹配，零延迟；复杂指令（如"帮我研究一下新能源汽车的优缺点"）才调用大模型，且采用"云端+端侧"双路并行，哪路先返回可靠结果就用哪路。
智能体的"人格化"陷阱
荣耀在演讲中提出一个有趣的观点：智能体不需要拟人化，需要的是"可预测性"。当用户连续三次使用同一指令时，系统应记住偏好；但当用户改变指令措辞时，系统不应"自作聪明"地沿用旧逻辑。
这涉及一个核心设计——记忆分层的规则约束：
短期记忆（本次对话）：规则优先，模型辅助
中期记忆（当日偏好）：模型推理，规则校验
长期记忆（用户画像）：规则覆盖，模型补充
这种分层设计的精妙之处在于，它避免了端侧智能体最常见的"过度拟合"问题——模型从用户历史行为中学习，但规则引擎确保它不会"学过头"。
未来：从"规则+模型"到"规则即模型"
在演讲结尾，荣耀透露了下一代YOYO的技术方向：将规则引擎本身转化为可学习的参数。这意味着，未来的智能体不再需要工程师手写规则，而是通过自动规则生成（从用户反馈中提炼）和规则蒸馏（将规则知识蒸馏进小模型）来实现自我进化。
这或许才是端侧智能体的终极形态——不再区分规则与模型，而是将确定性与泛化能力统一在一个框架内。荣耀的实践给行业的启示是：在大模型时代，工程克制比模型炫技更重要。
当所有厂商都在比拼参数规模和生成能力时，荣耀选择了一条"反共识"的路径——用规则为AI兜底，用确定性的框架去承载不确定性的智能。这或许是端侧AI落地的最优解：不追求无所不能，但求事事可靠。
关键词：端侧AI, 智能体, 规则引擎 声明：本文由彩虹洋葱 AI 智能聚合生成，仅供信息参考。
荣耀YOYO智能体背后：一场关于"规则"与"模型"的工程驯化战 🔥
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
当大模型浪潮席卷手机终端，荣耀选择了一条不那么"性感"却极其务实的路径——用规则引擎为AI智能体兜底。这背后，是一场关于用户体验与成本控制的精密平衡术。
在深圳AICon的演讲台上，荣耀AI产品负责人展示了一张架构图：YOYO智能体并非完全依赖大模型的"神级推理"，而是在其外围构建了层层规则护栏。这一幕颇具象征意义——当行业沉浸在"端侧大模型无所不能"的叙事中时，真正量产落地的智能体，反而需要大量"反模型"的工程手段来驯服不确定性。
手机厂商做智能体，面临着一个天然矛盾：大模型天生带有概率性，而用户对手机操作的要求是确定性。你让ChatGPT写一首诗，它胡编乱造尚可接受；但当你对YOYO说"帮我关闭昨晚设置的闹钟"时，系统绝不能"创造性"地关掉明早的起床铃。
📌 来源：InfoQ
#端侧AI #智能体 #规则引擎
#科技资讯 #彩虹洋葱AI
🚀 多平台发布
点击「复制」获取平台专属文案，到各平台编辑器（App/网页）粘贴即可发布。
有密钥的 4 个平台（微信服务号 / 头条 / 百家号 / 微博）可自动发布，密钥填好后自动点亮。
| 平台 | 状态 | 操作 |
|---|---|---|
| 简书 | 📋 手动复制 | |
| 快手 | 📋 手动复制 | |
| 微博 | 🔑 待配置密钥 | |
| CSDN | 📋 手动复制 | |
| 掘金 | 📋 手动复制 | |
| 公众号 | 🔑 待配置密钥 | |
| 今日头条 | 🔑 待配置密钥 | |
| 知乎 | 📋 手动复制 | |
| B站 | 📋 手动复制 | |
| 抖音 | 📋 手动复制 | |
| 百家号 | 🔑 待配置密钥 | |
| 小红书 | 📋 手动复制 |