今天这期不继续重复“Agent 会不会接管工作流”。

这条线最近几天已经讲了很多：权限、账单、日志、验收、企业落地。今天更值得看的，是另一个更贴身的问题：AI 想往前走，开始碰你的文件、图片、音频、搜索记录，也开始碰安全测试里的灰色边界。

普通人不要只问“模型又强了吗”。你更该问：它现在能拿到什么数据，能改什么文件，谁在测试它的边界，出了事谁负责。

今天只看这 3 件事

1. Google 更新隐私设置，默认把更多媒体数据纳入 AI 训练口径

发生了什么：TechCrunch 报道，Google 更新了与搜索服务相关的隐私设置，涉及用户上传或使用过的图片、文件、音频、视频等媒体数据，并提供手动退出入口。报道提到，这类设置会影响搜索、地图、购物、航班、酒店、翻译、新闻等服务中的个性化与 AI 使用。

为什么重要：这不是一个小开关。AI 从聊天框走到搜索、地图、购物、翻译这些入口后，数据边界会变得很散。你以为自己只是查了一张图、传了一个文件、录了一段音频，平台看到的可能是一组可用于改进模型和服务的行为数据。

我的判断：以后“会不会用 AI”之外，还要补一个更基本的习惯：知道哪些产品在吃你的数据，知道退出入口在哪里。不是每个人都要立刻退出，但你至少要知道这张牌在谁手里。

2. Meta 被曝用外包人员伪装未成年人，测试竞品 AI 的敏感回答

发生了什么：IT之家援引外媒报道，Meta 通过外包项目让人员伪装成未成年人，向 ChatGPT、Gemini、Character.AI 等竞争产品发送涉及自杀、自残、进食障碍等高风险提示词，用来测试对方模型的安全边界。

为什么重要：AI 安全测试当然需要红队，但这里麻烦的地方在于测试方式和身份场景。未成年人、自残、自杀、进食障碍，任何一个词都不是普通产品压测。平台之间互相测试，也会把“安全评估”推到更复杂的道德和合规区。

我的判断：以后看 AI 公司讲安全，不能只听它说自己有多少规则。要看三件事：测试怎么做，谁来做，测试过程有没有伤害现实中的人。安全不是写一段免责声明，它是一套操作流程。

3. OfficeCLI 把 Word、Excel、PPT 变成 Agent 可读可改的对象

发生了什么：GitHub 上的 OfficeCLI 引起开发者关注。它提供命令行接口，让 AI Agent 能读取、编辑 Microsoft Office 文件。

为什么重要：这类工具没有大模型发布会热闹，但离真实办公更近。公司里大量信息不在数据库里，而在 Word 文档、Excel 表格、PPT、批注和版本里。AI 如果真要进办公室，迟早要处理这些文件。

我的判断：这条新闻最该关注的不是“终于能让 AI 改 PPT 了”。真正要问的是：格式会不会乱，批注能不能保留，修改记录能不能追踪，出错能不能回滚。文件一旦进入 Agent 工作流，验收就不能只靠肉眼扫一遍。

为什么放在一起看

今天这三条新闻，一个讲个人数据，一个讲安全测试，一个讲办公文件。看起来分散，其实都在讲同一件事：AI 正在越过“问答工具”的边界，进入真实对象。

真实对象是什么？

是你的照片、录音、文档、表格，是未成年人场景里的敏感问题，是公司每天都要交付的文件。

一旦 AI 开始处理这些东西，重点就不再是“它会不会回答”。重点变成：它拿到了什么，改了什么，留下了什么记录，谁能撤回，谁对后果负责。

我的判断

今天最值得记住的，不是哪个产品更新了一个功能。

是 AI 的主线任务正在从“生成内容”，走向“处理现实材料”。

这一步会让很多工作变方便，也会让很多边界变麻烦。以前你让 AI 写一段话，错了最多删掉重写。以后你让 AI 改一份合同、整理一张表、处理一段录音、回答一个未成年人的危险问题，事情就不是“好不好用”这么简单。

所以普通人学 AI，下一步不要只练提示词。要练三个动作：

  1. 看清输入里有没有敏感数据。
  2. 看清输出能不能被追踪和撤回。
  3. 看清这个动作有没有进入真实决策链。

如果这三件事答不上来，AI 越强，你越容易把自己交出去。

可以直接带走

今天可以做一个很小的动作：给你常用的 AI 工具和互联网账号做一次“数据入口检查”。

不用复杂，就看四项：

  1. 它有没有默认训练、个性化或历史记录开关？
  2. 你最近有没有上传过图片、录音、视频、合同、表格或证件类文件？
  3. 它生成或修改的内容，有没有版本记录和撤回办法？
  4. 你有没有把不该交给 AI 的内容，当成普通素材丢进去？

AI 不是不能用。相反，它会越来越有用。但越有用的工具，越要知道边界在哪里。

其他信号

  • Claude Fable 实地指南：发现你的未知：看点在高阶用法。它提醒用户先把“已知、未知、还没意识到的未知”拆开，再让模型参与探索，不要把复杂问题直接丢给模型求一个漂亮答案。
  • A global workspace in language models：Anthropic 的研究继续解释语言模型内部如何整合信息。普通读者不用追论文细节，但可以记住一点：模型能力越像复杂工作系统，解释、观测和验证就越重要。
  • 科技公司 AI 裁员名单：TechCrunch 汇总了多家公司以 AI 或 AI 投资为由调整岗位的案例。它不是单个公司新闻，而是提醒我们：AI 投入已经开始进入组织账本，岗位变化会越来越具体。
  • SK 海力士相关资本动作：存储和 HBM 供应链仍是 AI 基础设施的重要变量。模型新闻容易吸引注意力，但算力、存储和资本开支决定了很多能力能不能长期跑下去。