（来源：上观新闻）
于是，我🖖们将这两🇦🇲个梦想结合🧽⏯起来，真正设计出🧛♀️了这款产品🥅。具体做法分👨👧👦🏪四个阶段🏁：首先🌸🦠，把零散👨💼👸的情节性记🚵忆（epi👨💼sodi🌈🆎c，具体的事❣件）通过💛🛠聚类提炼成语🌌义模式（s🍪emant🙃ic，通用规🇷🇼🧛♂️律）；其📋次，对每个语义模🚂🌿式计算置🕤信度（要🤑求至少5条证🤔据支撑，且置信🐌🥪度公式考虑证据量💖🇺🇲和偏离均值的程⛸度），只保🦶🔖留置信㊗🇶🇦度≥0🚶♀️.7的模式；然🌪后，基🔫于这些结构💫👨✈️化模式，用模🇳🇨🚃板生成自然语言"🥴👷软提示"（sof🏴t p🇿🇼🌿rompts🇰🇾），无💁需调用任何LLM📺，零额外☀泛seo计算成本；最后，🇦🇱在每次🏙新对话开始🖼时，把这🌆🍺些软提示自动注🛢入到系统🍔🥡上下文里（上限1🧯🚻500个词元），🇬🇺👎让AI⚓🐆的行为在✒不知不🥃觉中被📽📊过去的经🧜♀️🏙验塑造🏀👩🎓。
但是，支持投🥙入这个领域的🛑理由也很🦠🇪🇭充分：整个行业要🧗♀️真正发挥出🇲🇴这种力量🧷🌲，还有很长的路🇲🇴❕要走◼🔝。但当时有人灵机一🇲🇹🧕动，测试了🔐⚪骑自行车的人😊👩🦳类，结果不仅远🕠🥭超 Condo🇧🇯r，甚🤸♀️至直接打破了🚑记录🤹♂️🚈。
Matt：那 😎🇺🇿Cowork 🇳🇱是怎么接入各❄种信息源或应用的😍？是通过 co🌮nnector🌂👮s？MCP（🇵🇰Model 🐦🇲🇳泛seoConte🛃♒xt Pr🧗♂️otocol🔏）？还是多种方🕖➰式组合🤗🇼🇫？ Felix：🕸 是组合使用的😞🏊♀️。
