网友A：OpenClaw搁哪儿用啊？ 网友B：不是，谁还用Claw啊，现在我们都用Hermes了好吧！！！
过去一年，AI行业的焦点从单纯的基座模型开发，转向了以Hermes、Claude Code、Harness等以智能体和工程化系统为核心的新阶段。
行业热议的背后，一个不得不承认的事实是：AI应用，开始从生成范式转向任务执行范式。
用户真正需要的，已经不只是一个会回答问题的聊天框，而是一个能让AI生产过程可见可控、能解决上下文困境，并允许人随时介入的白盒化系统。
但最值得玩味的是，在这波系统化浪潮真正爆发之前，已经有一个团队早早就押中了这个命题，并率先下场交出了答案——
通过AI驱动的可编辑内容系统「Pi」（Presentation Intelligence），这个团队把AI的生成能力和人的编辑能力，真正装进了同一个系统，让内容设计真正实现白盒化。
AI不再只是吐出一份设计结果，而是能够自动搭建结构并生成设计，并在持续创作中沉淀和调用上下文记忆。
人也不再只能围着结果反复抽卡，而是可以像编辑文档一样，对内容进行修改和持续接管，真正打破创作瓶颈问题。
过去很长一段时间，AI内容创作真正的瓶颈，并不在于模型能力不够强，而在于用户真的很难真正参与到内容「编辑」这件事情中去。
想改结构，得重新写prompt；想调整某一页的局部细节，也很难像使用传统编辑器那样直接上手操作。
用户消耗了更多时间，也烧掉了更多Tokens，但最后得到的结果，未必真正更接近自己想要的那个版本。（扎心了）
AI提供内容侧的Agent能力，负责生成、补全、调整和优化；但用户也可以在任意环节介入，对设计内容手动修改～
无处不在到什么程度呢——在Agent吐出大纲的那一刻，大家就已经可以直接上手搓搓搓了。（doge）
比如我丢进去一份带有表格的工作总结报告，当Agent帮我自动生成框架后，我可以直接在它基础上进文字编辑。
当然，在过去的AI内容创作中，除了编辑受限外，还有一个困扰无数创作者的大大大bug——
创作者经常要在多个AI工具之间来回切换：先用聊天工具写文案，再导入设计软件做排版，最后还要借助工作流工具管理进度和版本，整个工具链可以说是非常之割裂。
针对这个困境Pi给出的解法是，搭建一个持续运行的内容环境，让创作全流程实现真正的「系统内闭环」。
基于多模态大模型能力，Pi能理解用户内容与创作意图，实现大纲梳理、结构搭建，到布局设计、样式配置、配图生成、文字处理，多格式导出的创作全流程。
在具体的页面能力上，Pi并没有只提供单一入口，而是给出了Agent、一键生成、AI助手等多种模式，满足不同用户的差异化设计需求。
对于手里已经有现成资料的友友来说，可以直接使用一键生成能力快速生成大纲，把原本零散的文档整理成一套清晰的框架内容。
但对于不少有着设计创作需求的用户而言，他们不见得手里有一份现成的文档，而是需要AI提供一个内容思路。
这时候就可以进入Agent模式，让Agent帮忙梳理逻辑搜集资料然后再生成PPT，实现从想法建立到创作落地的闭环。
但Pi的系统化能力，也远不止停留在内容创作，更体现在内容的可迭代、可进化，以及面向不同场景的适配能力。
改着改着，就开始不断「另存为」，最后电脑桌面上莫名其妙多出一堆以（1）（2）（3）结尾的版本，真想找回某个早期版本时，反而难如登天……
而在Pi中，几乎不存在版本找不到的问题，因为用户可以直接在历史记录里找回过往版本，并在此基础上继续进行多轮优化。
这样一来，设计本身就不再是一次性交付的文件，而是可以持续生长、持续迭代的创作资产。
支持PDF、PNG、PPT等多种格式导出，支持团队协作，并且能够动态适应不同篇幅、空间、设备、格式和媒介下的展示需求。
在这个过程中，内容不再只是一次性的生成结果，而是可以持续管理、持续更新、持续分发的「生产资料」。
当然，AI内容创作难，难在可控性和多种工具调用上，更难在「上下文复杂性」和「模型记忆缺失」的问题。
目前很多AI工具在记忆层面仍然薄弱，上下文窗口看似越来越长，但长期记忆、偏好继承、项目知识沉淀和跨任务调用能力依然不够稳定。
而Pi给出的解法是——通过「记忆系统」，让用户偏好能够被沉淀，让上下文可以被继承，进而让人和AI的协同效率持续提升。
例如，当用户在编辑页面的任意位置唤起AI时，系统能够结合历史上下文、项目内容和用户习惯，自动生成更贴合当前场景的内容：
不仅如此，在AI图片编辑中，Pi也能基于此前的人机对话内容、当前页面语境，以及对整份内容的理解，自动生成更符合当前内容模块需求的prompt：
在内容创作过程中，创作者真正消耗精力的地方，往往不只是生成内容本身，还有一次次向AI解释背景、重申风格、校准方向的过程。
只有上下文能够被继承、偏好能够被记住、创作过程能够连续推进，AI才真正从单次生成工具，进入长期内容项目的生产链路。
而记忆系统的价值，就在于AI不再需要每一次都「从零」理解用户，原本容易流失的创作信息都能够沉淀下来。
当内容创作变得更可控、更系统，当上下文能力贯穿创作始终，整个内容生产流程才真正走向白盒化。
真正支撑这一切的，是Pi在底层搭起的一套Runtime Agent-OS，一个涵盖实体层、交互层和记忆层的智能体操作系统。
第一层是「实体层」，也是Pi的资源管理层，其作用是让所有创作资源都变成可调用对象。
这里的资源既包括文件、数据、工具，也包括模型、策略和运行环境，它们不再只是孤立素材，而是可以被Agent调度、被用户编辑、被系统持续复用的内容资产。
这也是实体层的核心价值——让内容创作从到处找资源、临时拼流程，变成资源可管理、能力可调用。
随着可调用实体不断积累，Pi也能形成更高密度的资源网络，Agent调用得越多，内容资产沉淀得越多，系统对创作流程的理解和组织能力也会越强。
而第二层「交互层」，其核心价值则是实现内容创作白盒化推理，让创作流程从「抽卡」变成「编排」。
数据怎么拉取、图表怎么生成、内容怎么组织、版式怎么调整，都能被纳入可追踪、可解释、可干预的流程中。
在这套机制下，设计产出过程能够被拆解为更细颗粒度的步骤，并通过精益推理和多样化编排持续推进，让整个内容产出过程可追溯、可解释、可干预。
最后一层是「记忆层」，其价值在于让Agent懂得用户习惯偏好，并且带着记忆和经验干活。
具体来看，记忆层覆盖技能、知识、偏好、压缩、管理、治理六个维度，这套机制本质上是减少创作过程中的「信息磨损」的问题——
让多轮对话不容易跑偏，复杂修改不必反复解释，几十页报告、多轮迭代等高强度任务也能保持上下文连续。
在此基础上，Pi能够实现大规模上下文沉淀和高效调用，支撑生产级高吞吐场景，让智能体稳定处理更复杂、更长链路的内容设计需求。
当这三层能力串联起来，Pi才真正具备将内容对象、用户操作和上下文记忆真正组织到同一套系统里的能力。
让每一步生成、修改、调用和迭代都有迹可循，让创作者重新看见过程、理解过程，并真正掌控过程，进而真正实现白盒化的内容生产创作闭环。
从早期DOS、CLI里的指令输入，到菜单式界面的层层操作，再到GUI时代的点击、拖拽、编辑和排版，交互方式一直在变得更可编辑和可操作。
如今，自然语言交互进一步降低了门槛，用户只要一句话，就能让AI生成文案、PPT、网页、图片甚至视频。
在Pi团队看来，GUI也好，自然语言也好，本质上都是不同阶段的交互方式，真正需要被重新定义的，是AI、人与内容之间的协作关系。
换句话说，Agent能力和人的编辑掌控力，二者并不冲突，甚至可以在同一个系统中并存流动——
需要理思路、搭框架、出初稿时，交给Agent；需要局部修改、细节打磨时，人再亲自上手接管。
这样一来，内容生产也从单次生成，走向一种更可控、更持续的协作过程，真正实现1+1大于2的效果。
目前，Pi全球用户规模已将近500万量级，并先后入围2025年中国年度杰出人工智能产品、2026年十大最佳AI演示生成器等榜单。
今年，Pi进一步跻身英伟达殿堂大中华区最终十席，开始出现在更国际化的AI创业与技术生态视野中。
那就是AI内容创作正在进入新的分水岭，单次生成的「速度与效果」，正在让位于更长期的「系统能力」。
Pi团队下一步要做的，就是让Agent能力更加参数化、系统化，进一步缩短创作编排流程，把AI从单次生成工具，继续推向更可控、更连续、更可复用的内容生产系统。
未来的AIGC产品的迭代与行业竞争，比的是谁能把AI能力真正嵌进创作流程，谁能让创作者在AI时代继续保有判断、控制和表达。
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1