腾讯ima实测：知识大脑和自动龙虾，谁更懂干活？

4月29日，腾讯ima正式上线copilot模式。这不是又一只帮你自动干活的"龙虾"，而是一个宣称能"越用越懂你"的知识大脑。当Agent赛道被"自动执行"刷屏时，腾讯选择押注另一条路：不替你操作，替你理解。这到底是差异化突围，还是避重就轻？我作为一个WorkBuddy深度用户，带着28G文档迁移成本的真实顾虑，重新打开了这款"装了但基本不用"的应用。

差点放弃的第一个任务

ima的上手路径很短。下载电脑端，登录，进入对话界面。相比WorkBuddy的本地环境配置，ima云端开箱即用。

但第一次打开copilot时，它提示我需要构建知识库——我差点直接关掉。

转折点来自一次对话。我问：我没有积累任何知识资产，怎么开始？它说可以直接给一个URL，让它自己抓取内容。我的已发布文章大部分在钛媒体官网个人主页"DeepWrite秦报局"上，我把这个URL给了copilot。

几十秒内，它抓取了主页第一屏的9篇文章。到这里，事情成功了80%。

但我想更进一步——抓取2026年的所有文章。这个任务暴露了ima的局限：网页翻页操作无法完成。它花了10到20分钟，尝试各种关键词搜索，最终额外找到5篇。我的主页2026年共发布19篇文章，它找出14篇（其中1篇署名归纳错误）。另外5篇没找到，同时以我署名发在其他账号的文章，ima也没有询问是否纳入。

如果执行前先确认搜索范围，效率会高很多——类似龙虾执行任务的节点确认机制。任务耗时过长时，ima也没有主动询问"立即输出还是继续执行"，让我陷入"停也不是、等也不是"的尴尬。这直接导致搜索消耗过多算力，后续成稿算力不足。

抓取完成后，ima无法批量添加文章到知识库，但提供了14篇文章的md压缩包下载。作为"P人"，看到压缩包时闪过的念头是：好像没那么难。手动上传后，我建起了一个足以支撑本次评测的知识库。

也是在完成后，我才真正感受到ima和WorkBuddy的差异：WorkBuddy解决的是"帮你做"，ima解决的是"帮你懂"。

copilot到底是什么？

官方将copilot定位为"Knowledge Agent"——不是搬资料的工具，而是懂你知识资产的伙伴。四个核心能力：

自主进化的记忆系统。四层结构化存储：copilot设定（Soul，人设）、用户档案（User）、长期记忆（Memory）、经验技巧（Agent）。不需要每次重复输入上下文，它会主动记住习惯、偏好和积累。

全场景感知。浏览网页、文件、知识库或笔记时，copilot全程伴随。无需额外上传，直接对当前内容提问——"这个网页讲了什么？""这份报告的核心结论是什么？"感知范围覆盖使用ima的所有场景。

内置增强Skills。预装与ima深度结合的技能：知识库操作（读取文件正文、跨文件信息汇总）、笔记操作、创建自定义Skill、生成PPT、生成报告、浏览器自动化操作。

开放生态。支持配置各大模型API Key，通过对话装载其他Skills。理论上可实现生成视频、制作网页等复杂自动化流程——这部分超出本次评测范围。

一条产品逻辑值得注意：ima强调"零门槛"。不需要懂编程，不需要配API，平时存东西——读书、存图、写笔记——copilot就在侧边自动内化、关联、变强。官方原话："以前你存东西是'堆积'，现在你存东西是'投喂'。"

理念值得肯定。但落地到体验，中间还有不少摩擦。

知识库：ima的灵魂，也是最大的摩擦点

我把copilot搜集的14篇2026年文章导入知识库，涵盖具身智能、AI Agent、腾讯生态、金融财报、开源基础设施、消费科技六个主题，设计了一套五道从浅到深的测试题。

五题四满分，最意外的是"跨篇关联"

事实召回、精准定位、数据精确度三项，ima表现扎实。微盟财报的AI收入数据，准确召回8个关键指标：AI全年收入1.16亿元、下半年8200万元、环比增速137.5%等，无幻觉。

最让我意外的是跨篇关联题。问"几篇AI Agent文章之间有什么交叉洞察"，ima从四篇文章中提炼出三条线索：Agent安全困境、计费模式重构、行业Know-how大于通用模型能力。这种跨篇关联分析，在没有知识库的情况下几乎不可能完成。

这是ima最有价值的时刻：不只是帮你找到信息，而是帮你在信息之间发现联系。

唯一扣分的是风格仿写。ima能还原文章结构和判断句式，但缺少"刺点"——让人一眼记住的戏剧性场景或反直觉收刀。写出来的东西"像"我写的，但不够"是"我写的。

对话上下文 vs 知识库检索：两种模式，两种答案

第一轮测试后，我新开ima对话，用知识库检索方式重新问同样的五道题。结果值得展开。

知识库版本事实更完整（Q1多出2个要点），数据同样准确（Q5），但漏掉了一条隐性暗线——"开源基础设施"主题下的政策博弈线索。这个线索在copilot对话上下文中被主动提及，在知识库检索中完全消失。

更关键的是"思考过程"的差异。copilot会展示推理链条："我先看这几篇……然后发现……因此我认为……"知识库检索直接给答案，没有中间步骤。对于需要验证信源的用户，前者更可信；对于只想要结果的用户，后者更干脆。

这个差异暴露了ima的产品分裂：它同时运行两套系统，却没有明确告诉用户什么时候该用哪个。

全场景感知：理想丰满，现实骨感

copilot的核心卖点是"全程伴随"，实际体验分场景。

浏览网页时，侧边栏自动识别当前页面内容，可直接提问。测试中对钛媒体文章、腾讯财报PDF、GitHub仓库都能准确抓取核心信息。但识别范围有限制：动态加载内容（如无限滚动页面）经常漏抓，视频内容完全无法处理。

阅读本地文档时，ima支持PDF、Word、图片等多种格式。一个细节：它会对文档进行"智能分段"，长文档自动提取章节结构。这对几十页的报告很有用，但对需要精确页码引用的场景反而增加麻烦——它给出的"第3段"无法对应原文页码。

整理笔记时，copilot可以基于已有笔记生成续写、扩写、改写。测试中发现一个bug：同一篇笔记在"笔记视图"和"对话视图"中呈现的内容不一致，导致copilot基于错误版本生成建议。这个问题在重启应用后消失，但已经造成困惑。

最期待的"跨场景关联"功能——比如"把我上周存的网页和这个月写的笔记结合起来分析"——实际体验不如宣传。copilot能分别调用两类内容，但"结合分析"的深度有限，更多是并列呈现而非真正融合。

Skills生态：够用，但不够好用

测试了内置Skills中的三项核心功能。

生成PPT。输入"基于我知识库中AI Agent的三篇文章，生成一份10页PPT"，ima完成大纲生成、内容填充、模板匹配全流程，耗时约3分钟。大纲逻辑清晰，但模板设计感偏弱，和Gamma、美图AI PPT等垂直工具差距明显。一个实用细节：支持导出为可编辑的pptx格式，而非只能看不能改的PDF。

生成报告。输入同样的主题，ima输出了一份3000字结构完整的分析报告。问题在于"报告"和"PPT"的内容高度重复——两者不是基于同一素材的不同呈现，而像是同一套内容的格式转换。如果用户同时需要两种形式，这个设计节省不了时间。

浏览器自动化操作。这是最接近"龙虾"的功能，也是体验最不稳定的一项。测试任务：在钛媒体官网搜索"具身智能"，抓取前5篇文章标题。ima成功打开浏览器、输入关键词、获取结果，但抓取过程中遇到登录弹窗时直接中断，没有处理机制。对比WorkBuddy的"遇到异常暂停并询问"，ima的自动化更"莽"，容错更低。

自定义Skill的创建流程相对顺畅。通过自然语言描述需求，ima自动生成Skill配置。测试创建了一个"提取财报关键指标"的Skill，对腾讯、阿里、微盟三家财报的提取准确率都不错，但遇到非标准格式财报（如表格嵌套图片）时失效。这个限制在官方文档中没有说明，需要用户自己踩坑。

开放生态：钥匙给你，门没全开

ima支持配置第三方模型API Key，理论上可以突破内置能力边界。测试配置了DeepSeek和Claude的API，对话中可切换模型，响应速度和官方渠道基本一致。

但"通过对话装载其他Skills"的实际体验打了折扣。官方示例中的"生成视频"Skill，配置后确实可以调用，但生成的是"视频脚本+分镜描述"，而非真正的视频文件。需要真正视频输出，还得接入其他工具链。这个"开放"更像接口开放，而非能力开放——钥匙给你，但门后还有门。

另一个未解问题：第三方Skills和ima核心功能的协同程度。测试装载了一个"数据分析"Skill，它可以读取上传的CSV文件，但无法直接读取ima知识库中的表格内容。数据需要在两个系统之间手动搬运，"知识大脑"的统一性被打破。

与WorkBuddy的正面交锋

作为两款产品都深度使用的用户，这个对比不可避免。

任务执行：WorkBuddy胜。它能直接操作本地软件、填写表单、批量处理文件，ima的浏览器自动化在复杂度和稳定性上都有差距。一个典型场景：我需要把20篇Word文档的标题提取到Excel，WorkBuddy 5分钟完成，ima需要手动上传、逐个对话、再手动整理。

知识理解：ima胜。WorkBuddy基本不做知识沉淀，每次任务都是"即用即走"。ima的跨篇关联、长期记忆、风格学习，在需要"基于历史积累做判断"的场景优势明显。比如"对比我三个月前和现在的观点变化"，WorkBuddy完全无法回答。

使用门槛：ima胜。WorkBuddy的本地环境配置、权限管理、异常处理，对非技术用户不够友好。ima的开箱即用和"零门槛"宣传基本属实，虽然知识库搭建仍有摩擦，但远低于WorkBuddy的学习曲线。

长期价值：不确定。WorkBuddy的价值随任务复杂度线性增长，ima的价值随知识积累指数增长——但前提是用户真的持续"投喂"。我的28G文档迁移成本是真实障碍，ima目前没有提供任何批量迁移工具，这个"从零开始"的设计对存量用户不够友好。

那些没说完的 friction

评测过程中遇到的具体问题，值得产品团队关注。

算力分配不透明。抓取网页时消耗大量算力，导致后续生成任务排队等待。用户看不到算力余额，也无法自主分配优先级。

知识库管理粗糙。不支持文件夹层级，14篇文章平铺呈现；不支持标签系统，检索依赖关键词匹配；不支持版本管理，误删无法恢复。

对话历史割裂。copilot对话和普通对话分开存储，同一主题的两类对话无法关联查看。

移动端缺失。ima目前有电脑端和小程序，但copilot功能仅限电脑端，手机上的知识库无法享受"全场景感知"。

这些 friction 不致命，但累积起来构成"能用"和"爱用"之间的鸿沟。

最后的问题

ima copilot是一款有明确差异化定位的产品。在"自动执行"成为Agent默认答案时，它选择回答"如何理解"——这个选择本身就有价值。

但差异化不等于护城河。知识沉淀的飞轮效应需要长期喂养，而用户的耐心和迁移成本都是有限的。当WorkBuddy们也开始叠加记忆功能，当Notion、飞书们把AI助手做得更聪明，ima的"知识大脑"叙事是否还能成立？

更根本的问题或许是：在信息过载的时代，"帮你懂"真的比"帮你做"更紧迫吗？当用户面对28G文档和5分钟任务时，会选择先整理知识库，还是直接找一只龙虾？

ima给出了一个优雅的答案，但市场会给出自己的答案。