Agent 工具越来越多之后，一个很现实的问题浮出来了：你到底需要一个“会操作电脑的助手”，还是一个“能长期理解你资料的人”？
过去一年多，AI 助手的竞争很容易被“自动执行任务”吸走注意力。能不能打开网页、能不能翻页、能不能操作本地软件、能不能批量处理文件，成了很多 Agent 产品的展示重点。腾讯 ima 这次推出知识 Agent——copilot，走的并不是同一条路。
它更像是把 ima 原来“搜、读、写一体”的知识库工作台继续往前推了一步：不只是把资料存进去，再问几个问题，而是让一个统一的 Agent 常驻在知识库、网页、文件和笔记之间，记住用户背景，感知当前页面，调用 Skills 去整理知识库、写笔记、生成报告，甚至让用户接入自己的模型 API Key。
这听起来有点像“第二大脑”的老话题，但这次变化不只是在宣传语上加了 Agent。真正值得看的，是 ima Copilot 把知识工作流拆成了一条更连续的路径：找资料、读资料、沉淀资料、基于资料提问、再把结果写成笔记、报告、PPT 或播客。如果这条链路能跑顺，它解决的是知识型用户长期以来最烦的一件事：资料到处都是，但每次真正要用的时候，又像从零开始。
当然，它还没有到可以无脑替代现有工作流的程度。申请制、算力透明度、批量迁移、知识库管理颗粒度、移动端能力差异、复杂网页抓取稳定性，都会直接影响它能不能从“试试看”变成“长期用”。
ima 的起点不是聊天框，而是知识库
ima.copilot 最早在 2024 年 10 月 23 日推出，先发布 Mac 客户端；2024 年 11 月 15 日，Windows 版本上线。早期定位很明确：面向学习、办公、研究和内容创作场景，以知识库为核心，把搜索、阅读和写作放在同一个工作台里。
这点很重要。很多 AI 产品一开始是一个通用聊天框，后来再补上传文件、历史记录、知识库。ima 的路径稍微不同，它从一开始就把“个人知识库”放在产品中心。用户可以用它做全网信源问答，也可以把本地文件、公众号文章、网页链接、保存的笔记，以及 ima 内部的问答结果加入知识库，再基于这些内容继续提问、写作或总结。
早期 ima 的问答分成两类：一种是基于全网信源，一种是基于用户自己的知识库。前者解决“我要找信息”，后者解决“我要用自己的资料来生成答案”。这种双数据源设计，决定了 ima 不只是一个问答工具，而是一个知识资产管理入口。
它的个人知识库底层逻辑可以理解为 RAG，也就是检索增强生成。用户上传或收藏的资料会被处理成可检索的知识内容，在提问时被召回，再交给大模型生成回答。这个机制本身不新，很多知识库产品、企业智能问答平台都在用。ima 的差别在于，它把 RAG 放进了一个 C 端可用的工作台里，并且接入了腾讯自己的内容生态。
尤其是微信公众号生态。中文互联网里，大量行业经验、政策解读、产品分析、技术教程和案例复盘都沉淀在公众号文章里。普通搜索引擎未必总能很好地覆盖这些内容，海外知识管理工具更不可能天然接入。ima 能把公众号文章作为重要信源，对中文用户来说确实是一个很实际的优势。
如果只看功能清单，ima 早期已经有全网问答、知识库问答、文档解读、智能写作、笔记等模块。文档解读可以处理知识库文件或本地文件，生成总结、提炼要点，相关报道还提到可生成脑图；智能写作可以从本地或知识库添加参考资料，用于论文、作文、文案等内容生成，在笔记里输入“/”也能唤起 AI 辅助创作。
这些能力并不罕见。真正的问题在于，它们能不能连成一条顺手的工作流。否则用户还是会在浏览器、网盘、WPS、Notion、Obsidian、微信收藏、AI 聊天窗口之间反复搬运内容。ima Copilot 这次的 Agent 化升级，就是冲着这个断点去的。
Copilot 新增的不是一个按钮，而是一个统一入口
2026 年 4 月 29 日，腾讯 ima 正式推出知识 Agent——copilot，支持用户创建专属 Agent。官方给它的关键词包括记忆系统、全场景感知、Skills 技能生态，以及第三方模型 API Key 配置。
这里最值得拆开的，是 One Agent，也就是统一入口。
过去使用知识库工具时，一个常见割裂感是：搜索有搜索的窗口，文件解读有文件解读的窗口，笔记有笔记的入口，知识库管理又是另一套界面。用户每换一个任务，都要重新告诉 AI：我是谁、我在做什么、这份材料和前面那份有什么关系、输出要什么风格。
copilot 试图把这些场景收拢到同一个 Agent 里。无论用户在首页、知识库、内置浏览器还是笔记页面，面对的都是同一个 copilot。它不是每次都从空白对话开始，而是带着用户的设定、偏好、背景和当前上下文继续工作。
这对知识工作流的影响比“多一个聊天浮窗”要大。比如一个内容创作者正在浏览一篇行业文章，可以直接让 copilot 总结当前网页，再整理成笔记并加入某个知识库；之后写报告时，又可以让它从这个知识库里找相关材料，生成提纲或长文。中间不需要频繁复制链接、上传文件、切换工具、重新描述上下文。
这种设计能不能好用，取决于两个条件：一是 Agent 对当前场景的感知是否稳定，二是它对知识库和笔记的操作是否足够可靠。ima 这次把两者都放进了 copilot 的核心能力里。
四模块记忆系统：它想记住的不只是聊天记录
copilot 内置了四模块记忆系统：copilot 设定（Soul）、用户档案（User）、长期记忆（Memory）、经验技巧（Agent）。
这四个模块分工不一样。
copilot 设定更像是 Agent 的人设和工作方式，决定它说话、做事、输出内容时的风格。用户档案记录用户是谁、做什么工作、有哪些习惯和偏好。长期记忆关注用户最近在推进什么任务、学习什么方向、反复出现的背景信息。经验技巧则更像 Agent 在使用中总结出的流程经验，比如用户习惯怎样整理资料、怎样写报告、哪些输出格式更合适。
这套设计的目标很明确：减少重复输入。
一个真实的长期任务里，用户最烦的往往不是问 AI 一个问题，而是每次问之前都要铺垫一大堆背景。比如“我是做某某行业研究的”“这篇文章要保持偏分析的语气”“我之前已经整理过这些资料”“请不要写得太营销”。如果 Agent 能把这些偏好记下来，就能减少大量低价值沟通。
更关键的是，记忆内容并不是完全黑箱。copilot 的记忆可以在设置卡片中查看，也可以通过对话编辑。这点对知识型 Agent 很重要。记忆如果不可见、不可控，用户很难放心把长期工作交给它；记忆如果可编辑，用户至少可以纠正错误偏好、删除不该保留的信息，或者主动补充个人背景。
不过，记忆系统也不能被过度神化。它不是一个绝对可靠的个人数据库，也不等于所有信息都会被正确理解和长期保留。真实使用中仍然要看它能否区分临时任务与长期偏好，能否避免把一次性的指令误认为固定规则，以及记忆内容在多端、多场景下是否一致。对企业用户和专业用户来说，还要进一步关心隐私、权限、删除机制和数据使用边界。
全场景感知：把“先上传再提问”改成“看到什么就处理什么”
ima Copilot 另一个关键变化，是全场景感知。copilot 可以以浮窗形式悬停在 ima 应用内，当用户浏览网页、打开文件、翻看知识库或笔记时，它可以感知当前内容。
这个能力看起来像体验细节，实际对知识工作流影响很大。
传统 AI 文档处理往往是这样的：找到网页或文件，复制内容，上传到聊天窗口，说明需求，等待总结，再把结果复制到笔记工具里。整个过程里有很多切换和搬运。用户越忙，越不愿意维护知识库，最后知识库就很容易变成一个“理想中很美、现实中很空”的文件夹。
全场景感知试图降低这个摩擦。用户可以在当前网页里直接问“这个网页讲了什么”，也可以在知识库或笔记页面指挥它“把这个网页整理成笔记，并加入我的知识库”。如果跑得顺，资料从阅读到沉淀的路径会短很多。
这里也能看出 ima 与执行型 Agent 的差异。它不是优先去接管整个电脑，也不是重点展示打开各种软件、点击按钮、填写表单，而是让 Agent 贴着 ima 自己的知识工作台运行。它能感知的是 ima 内的网页、文件、知识库、笔记等场景，能力边界更收敛，但产品体验也更容易做稳定。
第三方实测里，这种路径确实有吸引力。比如用户没有现成知识库时，可以给 copilot 一个文章主页 URL，让它抓取内容并整理资料。但复杂网页抓取也暴露了限制：翻页不稳定、搜索范围不主动确认、长任务缺少中途确认机制，都会影响最终结果。一个案例中，主页 2026 年共有 19 篇文章，ima 找到了 14 篇，其中还有署名归纳错误；任务运行 10 到 20 分钟后，也没有主动询问是否继续或先输出已有结果。
这类问题说明，知识 Agent 不是只要“能感知当前页面”就够了。真正难的是过程控制：什么时候该继续搜索，什么时候该向用户确认范围，什么时候该停止消耗算力，什么时候该把不确定结果标出来。知识工作流越长，这些节点越重要。
Skills：知识库从“能问”变成“能被操作”
如果说记忆和场景感知解决的是“Agent 知道你是谁、知道你正在看什么”，Skills 解决的则是“它能实际做什么”。
copilot 首期内置的官方 Skills 包括知识库操作、笔记操作、创建 Skill、生成报告等。知识库操作覆盖导入、导出、移动、重命名、文件夹浏览等；笔记操作包括新建、追加、推送、重命名、移动、按标题定位和导出；创建 Skill 允许用户把重复流程沉淀成技能；生成报告则面向调研、汇总、结构化长文输出。
这次升级里，一个很关键的细节是：知识库 Skill 已经支持读取文件正文内容。这意味着它不只是能移动文件、改名字，而是可以进入文件内部做跨文件读取和汇总。比如让它整理一个知识库里的多份材料，按学科分类，或者从多篇文章里提取共同观点和差异点。
这一步让知识库从“存储容器”往“可操作对象”靠近。以前知识库更多是给问答提供上下文，现在 Agent 可以对知识库本身做整理、重组和生成。这才更接近工作流自动化。
不过，自定义 Skills 的生态边界还不够清楚。copilot 支持用户通过 Skillhub 或自行上传添加 Skills，也支持按需加载扩展技能，但目前公开可验证的信息里，还看不到完整的开发者文档、权限模型、调试机制、质量控制和安全边界。对普通用户来说，官方 Skills 已经能覆盖一部分知识整理任务；对高阶用户或团队来说，能不能放心把内部流程做成 Skill，还要看后续文档和生态成熟度。
如果没有清晰权限控制，第三方 Skill 能读取哪些知识库、能否导出文件、能否调用外部服务、是否会留下操作日志，都会变成风险点。知识 Agent 处理的不是普通闲聊，而是用户最核心的资料资产，这类问题不能含糊。
从“搜、读、记、问、写”看 ima 的完整工作流
把 ima Copilot 放回真实工作里，可以把它拆成五个阶段。
第一步是搜。用户可以基于全网信源提问，尤其可以利用微信公众号内容生态获取中文资料。对行业研究、内容创作、学习备考来说，这一步解决资料入口问题。
第二步是读。用户可以让 ima 解读网页、本地文件或知识库文件，生成摘要、要点，必要时再继续追问。文档解读、网页总结、深度研究、脑图生成都属于这个阶段。
第三步是记。用户可以把有价值的网页、公众号文章、本地文件、笔记和问答结果加入知识库。这个阶段决定了 ima 能不能长期变得更有用，因为知识库的质量直接影响后续问答和生成结果。
第四步是问。用户不再只问通用模型，而是基于自己的知识库提问。这里 RAG 开始发挥作用：模型回答时可以调用用户沉淀过的资料，而不是只依赖通用知识。
第五步是写。用户可以基于知识库生成文章、报告、PPT、播客或其他结构化内容，也可以在笔记里唤起 AI 辅助创作。
copilot 的加入，是在这些阶段之间加了一层持续伴随的 Agent。它让“搜到资料后加入知识库”“读完网页后写成笔记”“基于多个文件生成报告”这些跨模块动作变得更自然。
这套流程最适合的用户，不是偶尔问 AI 一个问题的人，而是需要长期处理资料
的人。比如研究者、学生、内容创作者、行业分析师、咨询顾问、教师、产品经理，或者任何需要反复阅读、归档、复用材料的人。
如果一个用户的主要需求是“今天帮我写一段文案”“帮我总结一个 PDF”，通用 AI 助手也能完成很多工作。ima 的优势要在持续积累之后才会出现。知识库越稳定、资料越完整、记忆越贴合，copilot 的回答和生成才越有个人化价值。
这也是它的矛盾所在：价值依赖长期投喂，但长期投喂又非常依赖低摩擦。如果导入、整理、分类、迁移、查重、版本管理都不顺，用户很容易放弃维护知识库。
知识库广场：从个人知识库到共享知识网络
ima 在 2025 年 3 月 7 日对知识库功能做过一次重要升级，新增“知识库广场”，并把单个共享知识库成员人数上限提高到 100 万。发布到广场的知识库不再占用个人云存储空间，并支持 Windows、Mac、小程序及 App 多平台同步访问。
这说明 ima 并不只想做个人资料夹。它还想把知识库扩展成可共享、可发现、可多人使用的知识资产。
这条路很有想象力，但也更复杂。个人知识库关心的是“我自己的资料能不能被我用起来”；共享知识库关心的则是“知识质量、权限管理、更新机制、版权边界、社区治理”。一个百万成员上限的共享知识库，如果内容质量好，可能成为某个领域的公共资料入口；如果缺少治理，也可能很快变成重复、过时、低质量内容的堆积。
对团队场景来说，共享知识库有明确价值。培训资料、项目 SOP、销售话术、产品文档、研究报告、客户问题集，都适合沉淀成可问答的知识库。copilot 如果能在这些知识库上继续做摘要、分类、笔记和报告生成，团队内部的信息查找成本会下降。
但企业采用还需要看几个问题：是否支持更细的权限管理，是否有完整的成员角色控制，是否能对知识库内容做版本追踪，是否支持批量导入和导出，是否有安全审计与删除机制。公开信息目前还不足以确认这些能力已经完整成熟，所以更稳妥的判断是：共享知识库展示了 ima 从个人工具走向协作知识平台的方向，但企业级落地仍需要更多验证。
模型与算力：混元、DeepSeek，以及自带 API Key 的自由度
ima 早期由腾讯混元大模型提供技术支持。后续官方页面和相关资料显示，ima 已支持混元与 DeepSeek 双模型。copilot 这次还支持用户配置各大模型 API Key，如果使用自己的模型 API，消耗由用户自行承担，不消耗平台算力。
这个设计对高阶用户有意义。不同模型适合不同任务，有的长文理解更稳，有的推理更强，有的成本更低，有的响应更快。允许用户配置自己的 API Key，可以让 ima 不完全被平台默认模型绑定，也给重度用户留下扩展空间。
但这并不等于 ima 已经变成一个完全开放的 Agent 开发平台。它仍然是腾讯的云端/客户端产品，不是开源框架，也没有公开可靠信息显示它支持私有化部署、自托管、Docker 部署或开放 SDK。第三方模型 API Key 更多是模型层面的扩展，而不是产品整体的开放。
算力部分也需要现实一点看。新用户可以获得一笔算力福利，每日登录也可以领取额外算力。问题在于，复杂任务到底消耗多少、用户能否清楚看到余额、不同任务能否设置优先级，目前第三方实测已经提出疑问。网页抓取等任务可能消耗较多算力，如果中途没有确认机制，用户可能在资料搜集阶段就消耗掉大量额度，影响后续生成。
对知识 Agent 来说，算力不是一个边缘问题。长文档、多文件、网页抓取、报告生成、跨知识库整理，都是高消耗任务。如果消耗不可预期，用户会倾向于保守使用，工作流就很难真正跑起来。
上手路径：适合先从一个具体知识库开始
ima 不是开源项目，也没有公开的 GitHub 仓库、开源 License、Docker 部署文档或自托管说明。它更适合作为腾讯官方客户端和云端产品来使用。
目前可确认的入口包括官网、下载页、桌面客户端、移动端 App、小程序、网页版以及浏览器插件等。下载页信息显示，Mac 客户端适用于 macOS 11 及以上，Windows 客户端适用于 Windows 10 及以上；同时覆盖 iOS、Android、鸿蒙、微信小程序和 Chrome 等浏览器插件。copilot 已宣布在 Mac、Windows、iOS、安卓、鸿蒙上线，但采取申请制，按申请顺序陆续开放。
一个比较稳妥的上手方式，不是把所有资料一股脑搬进去，而是从一个边界清晰的小知识库开始。
比如内容创作者可以先建一个“历史文章与选题库”，导入自己已发布的文章、选题记录、参考网页；学生可以建一个“某门课程复习资料库”，放入课件、论文、笔记和老师强调的重点；研究者可以围绕一个课题建立资料库，先加入 20 到 50 篇核心材料，而不是一次性塞入所有文件。
基本路径可以这样理解：
先安装对应平台客户端，并使用账号登录；
创建一个主题明确的知识库；
导入本地文件、网页链接、公众号文章或已有笔记；
基于知识库提出几个具体问题，测试召回是否准确；
让 copilot 对当前网页或文件做摘要，再整理成笔记；
尝试用 Skills 做知识库分类、笔记追加或报告生成；
检查输出是否引用了正确资料，是否遗漏关键内容；
再决定是否扩大知识库范围。
验证是否“跑起来”，不能只看它能不能回答，而要看三个点：它是否能找到你刚刚加入的资料；它是否能区分不同文件里的观点；它是否能把阅读结果沉淀回笔记或知识库。只要这三个环节不顺，后面所谓长期记忆和工作流自动化都会打折。
容易卡住的地方也很明确。已有资料太多时，迁移会成为第一道门槛；网页结构复杂时，抓取可能不完整；知识库分类不清时，后续问答会混杂；移动端与桌面端能力不一致时，跨端体验会打断；如果 copilot 申请资格还没开放，用户也只能先使用 ima 原有知识库和搜读写功能。
和 WorkBuddy、OpenClaw、NotebookLM、Notion AI 怎么看差异
ima Copilot 很容易被拿来和执行型 Agent 比，比如 WorkBuddy、OpenClaw 这类更强调自动操作桌面、执行任务、跨软件完成流程的工具。但这种比较不能只看“谁更像 Agent”。
WorkBuddy 和 OpenClaw 代表的是“帮你做”的路线。它们的看点在于能否接管软件、操作网页、批量处理文件、执行流程。适合的是明确、可拆解、可验证的操作型任务，比如填表、整理文件、批量查询、自动化点击。
ima Copilot 更偏“帮你懂”。它优先处理知识资产：资料从哪里来，如何读懂，如何沉淀，如何基于你的资料生成内容。它不是不能做操作，而是操作范围围绕 ima 自己的知识库、笔记、网页和文件场景展开。
所以，如果用户期待的是“替我在各种软件里干活”，ima 不是最直接的选择。如果用户的主要痛点是“资料太多、读不过来、整理不动、写作时找不到依据”，ima 的路线更贴近。
NotebookLM 是另一个更接近的参照物。它也强调资料阅读、文档问答、研究辅助和基于材料生成内容。ima 的差异在中文生态和腾讯多端入口，尤其是公众号内容、微信登录、小程序、知识库广场等。NotebookLM 更像围绕资料集展开的研究 Notebook，ima 则试图把搜索、知识库、笔记、写作和共享知识库放到一个中文用户更熟悉的工作台里。
Notion AI 的优势在结构化文档协作。团队如果本来就把任务、文档、数据库、项目管理都放在 Notion，AI 嵌入工作空间会很自然。ima 的优势不是文档数据库，而是中文内容获取、知识库问答和 AI 工作台。
扣子、Dify、FastGPT、MaxKB 则偏向 Agent 或知识库应用搭建平台，更适合开发者、团队或企业搭建自己的 Bot、工作流和 RAG 应用。ima 面向终端用户，不要求用户理解应用编排、向量数据库、插件开发和部署流程。
当前最现实的短板：知识飞轮不容易转起来
ima Copilot 的价值很大程度上取决于“知识飞轮”：用户持续加入资料，Agent 越来越懂用户，输出越来越贴合，用户因此更愿意继续沉淀资料。
这套逻辑成立，但前提很苛刻。知识沉淀必须足够轻，知识管理必须足够清楚，生成质量必须足够稳定，算力消耗必须足够可预期。
第三方实测暴露的问题集中在几个方面。
第一是迁移成本。很多用户的资料早就沉淀在 WPS、飞书、Notion、Obsidian、网盘、微信收藏或本地硬盘里。一个重度用户可能有几十 GB 文档。让他从零开始在 ima 建知识库，不是不可能，但需要强大的批量导入、去重、分类、标签和同步能力。否则第一步就会劝退。
第二是网页处理稳定性。简单 URL 抓取可以提升上手体验，但复杂页面、翻页列表、登录弹窗、动态加载内容都会造成遗漏。知识型任务最怕“看似整理好了，实际漏了关键材料”，因为用户往往不会逐条复核。
第三是知识库管理颗粒度。重度用户需要的不只是上传文件和搜索，还包括文件夹层级、标签、版本管理、批量操作、来源追踪、引用关系、更新提醒。如果知识库管理太粗，资料一多就会变成新的杂物间。
第四是算力透明度。长任务如果没有中途确认，既可能浪费算力，也可能让用户失去控制感。理想状态下，Agent 应该在关键节点停下来问一句：是否继续扩大搜索范围？是否先输出已找到内容？是否把这些结果加入知识库？是否消耗更多算力生成完整报告？
第五是对话与工作流历史的衔接。copilot 对话和普通对话如果割裂，用户会很难追踪一个任务从搜集到写作的完整过程。知识工作不是一次性动作，而是一条过程记录。
第六是移动端差异。官方称 copilot 已在多端上线，但第三方体验中提到移动端未享受到完整全场景感知。考虑到功能采取申请制，这可能与账号资格、版本或开放节奏有关。但对用户来说，结果很简单：不能默认所有端能力完全一致。
谁适合试，谁不适合马上迁移
ima Copilot 适合几类人。
内容创作者适合试。历史文章、选题库、参考资料、采访记录、行业报告都可以沉淀进知识库。长期看，它可能帮助创作者延续自己的选题风格、避免重复搜集资料、快速生成提纲和初稿。
学生和研究者适合试。课程资料、论文、网页、笔记可以围绕学科或课题组织起来，再用于复习、总结、写作和跨文档问答。尤其是需要处理大量中文资料和公众号内容时，ima 的入口优势比较明显。
行业分析师、咨询顾问、产品经理也适合试。这类人经常需要读大量报告、整理竞品资料、输出结构化文档。copilot 的网页感知、知识库问答、报告生成和笔记整理能力，契合这类工作流。
团队可以关注共享知识库，但不建议在没有验证权限、治理和迁移机制前，把核心知识库完全迁进去。可以先用非敏感资料、培训资料、公开文档做小范围试点。
不适合的人也很明确。
如果你的主要需求是自动操作本地软件、接管桌面、批量执行跨应用任务，WorkBuddy 或 OpenClaw 这类执行型 Agent 更贴近。ima 不是这条路线的直接替代品。
如果你已经有成熟的 Notion、Obsidian、飞书或企业知识库体系，并且资料结构稳定、团队协作流程完善，也不必因为 copilot 上线就马上迁移。更现实的做法是拿一个独立项目试用，看它能否减少搜集、阅读和写作成本。
如果你对数据隐私极度敏感，或者资料涉及商业机密、客户数据、未公开研究成果，也需要先确认产品的数据存储、分享、删除、训练使用和权限机制。公开信息还不足以支持把它视为可私有化部署方案。
更克制的结论：它押注的是 Agent 的“知识层”
ima Copilot 的有趣之处在于，它没有跟着执行型 Agent 的热闹去讲“我能替你操作一切”，而是把 Agent 放在知识库之上：先理解用户，再理解资料，再操作知识库和笔记，最后生成可复用内容。
这条路线并不华丽，但很实用。大多数知识工作者真正耗时间的地方，不一定是点击按钮，而是反复找资料、读资料、判断资料是否相关、把碎片整理成结构，再写成能交付的内容。ima 如果能把这些步骤连起来，确实有机会成为中文知识工作流里的重要工具。
但它现在最需要证明的，不是“能不能叫 Agent”，而是“能不能长期低摩擦地用”。申请制开放、算力管理、复杂网页处理、批量迁移、知识库结构化、移动端一致性、自定义 Skills 的安全和文档，都会影响它的长期价值。
所以，对多数用户来说，最合适的态度不是马上把所有资料搬进去，也不是把它当成又一个普通聊天助手。而是选一个真实项目，建一个小而清晰的知识库，用 copilot 跑完整个流程：搜资料、读网页、导入文件、整理笔记、跨文件问答、生成报告。跑完之后再判断，它到底是让知识管理变轻了，还是只是换了一个地方继续堆资料。
如果前者成立，ima Copilot 的价值会随着时间增长；如果后者成立，它就仍然只是一个功能很多、但不一定能改变工作流的 AI 工作台。
参考资料
