false
2026年1月12日
从学霸到职业赌徒，啦拉移动创始人就是这位揭阳人
2026年1月12日智东西于10月29日进行了报道，就在昨日，有一家名为Flowith的AI应用初创公司，正式发布了一款本地智能体操作系统，它被称作Flowith OS，而这是一整套专门为其Agent Neo所设计的运行系统。
传统那用于网页端地AI助手，一般是被封装在特定地某个标签页当中地，当用户发出相应指令时，助手才会进行被动响应。然而，Flowith OS正尝试着去突破这样地限制，对于用户来说，仅仅只需要表达自身意图，系统便能够把它转化为能够连续执行着地完整操作流程 。
在其所搭载的上下文改进系统的基础之上，Flowith OS借助在线强化学习实现持续优化，每当完成一项任务之时，该系统必定会自动回溯执行进程，依据结果展开反思，进而持续更新执行策略，这也就表明，用户每一回的使用历程会助力智能体Neo变得愈发聪慧起来。 需要再重新生成一次吗？
就为达成长期的记忆累积而言，Flowith OS 将双层记忆系统给引入了，此系统涵盖短期缓冲以及长期情景记忆。系统可不只是会牢记住你最近下达的指令，并且还能够领会你于不同阶段里的偏好、写作风格以及使用方式諸如此类的情况，而且会于下次运用期间时自动去进行调用 。
整个操作逻辑里，技能还有记忆被统一收纳进去。比如说，你有过保存一个“图转PDF”处理流程的经历，又或者习惯用某种语气去撰写汇报文案，这些都能够被标记成技能或者记忆，在类似场景当中，会被系统自动运用，不用再次进行设置。
Flowith OS配备独立执行内核，还设有速度缓存机制，目的在于保证任务执行的响应速度，该系统能够并行安排任务流程，并且会对高频操作模块提前进行预加载，以此达成本地执行里的快速响应。
实际运用时，这套系统可以达成经由“批量生成PDF”，还有“提取航班信息并转为CSV”所组成的流程分类任务，还能够用来操作对社交平台账号的管理，从而达成发帖，以及点赞，同时还有评论等这般的自动化类型操作。诸如生成视频，以及撰写标题，外加自动上传此类更为复杂的任务，也已经能够实现在该系统范围之内达成一整条连贯不断完成的托管功效了 。
测出的评估结果表明，Flowith OS于Online – Mind2Web Benchmark测试里，在四个难度不同的等级状况下，进行的全面比较中处于领先位置，它所达到的平均准确比率是95.4%，于Easy任务以及Medium任务当中，各自分别高达96.3%以及97.7%，远远超过了像GPT Atlas（平均为61.3%）与Gemini 2.5（69%）这样的竞争对手。
智东西也体验了一番Flowith OS的使用流程。
首次启动的时候，系统会引导用户去完成一系列初始化设置，这一系列初始化设置里包含导入Chrome中的浏览记录与标签页，或者导入Safari中的浏览记录与标签页，目的是能够无缝切换到新环境，之后紧接着用户能够选择把它设为默认浏览器，还能选择添加到Dock或者任务栏，并且能够设置是不是开机启动。
全过程里，系统清晰标注为“100%本地存储”，一切执行历史，以及账户数据，还有记忆与技能内容，都留存于本地设备内，并不和云端进行同步。
在完成引导之后，用户便会进入到Flowith OS的主界面之中。该系统把“OS已觉醒”当作工作的入口，其中央搜索框能够支持导航、提问以及指令的输入，在下方展示着当前可以执行的任务模组，像自动生成TikTok话术内容、批量管理社媒评论、快速获取创业创意等等。在左侧是智能体能力中心“智能”，它被划分成技巧、记忆与知识库这三类，用户能够新建技能、记录记忆偏好并且调用知识库 。
功能方面，整个界面融合了操作系统的特性，还融合了浏览器的特性，并且融合了任务调度系统的特性，底层由智能体驱动，前端提供可视化流程入口，用户能够从主界面直接发起任务。
那么，在实际运用这套系统时，究竟能够达成哪些任务呢？我们针对此，采用了三个全然不同的场景展开测试，以此来探究Flowith OS的执行能力。
体验1：赚钱的是谁呢？使得AI去盯盘精确到分秒都没有差错，通过一键来生成AI预测简报 。
第一个体验任务，是围绕AI交易项目NoF1.ai展开的，这个项目，在近期社交平台上引发了大量讨论，其玩法是，让六个顶尖大语言模型，分别管理1万美元的真实资金，在相同时间周期下，进行全自动量化交易。
我们期望Flowith OS依据实际的市场数据，针对各模型的收益率，以及仓位分布还有风险暴露情况，展开实时追踪 。
接到指令后，Neo先是连接到NoF1.ai的交易监控界面，接着同步六个模型的当日表现。
实时显示在界面中央的收益曲线折线图，能看到各模型自10月18日开始的收益轨迹走势，其中DeepSeek与Qwen一直处在领先区间，Grok 和Claude处于中间位置，GPT – 5以及Gemini处于相对较低的位置。
系统依据各模型的相关行情动态，自动就策略形成标签组合（诸如“Long”或者“Short”之类），并从这些标签中抽取对应的仓位架构，以此去计算当日的具体风险程度表现跟交易杠杆比率。紧接着，随着Neo启动预测阶段的相关任务，系统凭借过去一日的收益以及仓位数据，生成《AI交易预测简报》。这份简报分成三个部分：前一日策略偏差剖析、次日趋势预估以及模型信心指数。
次日，文档会自动输出六个模型的交易方向，以及它们的预测置信度德信竞技，其中DeepSeek的信心指数最高，为90，Grok的信心指数次之，为85，这两者的策略方向都是“多头延续”，Gemini则维持“空头”策略，简报最后部分生成了策略总结 。
于任务执行的整个过程里，系统达成了实时数据抓取这一环节，实现了模型策略识别这一环节，完成了预测结果生成这一环节，且输出了完整可视化结果。在最终生成的简报之中，所有模型的收益信息以结构化方式呈现，所有模型的方向信息以结构化方式呈现，所有模型的置信度信息以结构化方式呈现，进而构成了一份量化分析报告。
对金融数据展开追踪分析之外，我们还尝试促使Flowith OS进入“牌桌”，去瞧瞧它在面对博弈决策的时候，所具备的那种及时反应能力 。
体验2：AI坐上牌桌，独立完成完整博弈
第二个体验任务，是围绕一局线上德州扑克来展开，此次我们设定智能体，把Neo，设定为一名AI玩家，这名AI玩家是基于博弈论最优策略，也就是GTO原则，来进行决策的 。
Neo收到用户发出的任务后，系统凭借自身自动之势打开目标网站，紧接着进入中等难度的对局情形。随后，依照一定顺序识别出游戏UI里的关键信息位，像起始资金，对局所处位置，按钮区域还有公共牌区域，然后开始执行完整的对局流程。
于预处理的阶段当中，Neo会依据自身起始的位置，还有手牌所具有的强度，去判断究竟是不是应该跟注，或者加注，又或者弃牌 。
来到翻牌圈之后，系统剖析了公共牌面的组成状况以及对手的行为表现，并且结合自身手牌的质量情形以及下注池的规模大小来达成操作。
在一整轮完整的游戏里头，Neo呈现出了相对来讲完整的操作流程范畴，包含预判手牌的范围，识别对手下注的区间，调整下注的节奏，并且依据实际出现的牌面情况动态地更新策略。而在某些回合期间，系统同样展现出了适度的具备防守性质的处理方式——具体而言就是在面对对手进行大额加注这个状况的时候果断选择弃牌。
从执行结果来讲，整个任务在没有人去进行人工干预的时候，完成了网页打开这个流程，完成了局面识别这个流程，完成了按钮点击这个流程，还完成了行为执行等流程，系统能够在桌面状态发生变化的时候马上更新决策内容，最终完成了一整轮博弈操作。
然而，在更为平常、且分量并非很重的场景当中，就像去刷B站和发送评论这样的情况，它同样能够直接接手展开操作，并不需要我们动手去逐一进行点击。
体验3：AI化身“弹幕发射机”，会看评论，还懂梗
第三个体验任务，是在于B站发布评论。我们将Neo的角色设定成一位熟悉网络语境的评论者，一个具备互动意识的评论者，目标是在热门视频之下，快速完成评论输入，还有发送操作。
系统开启之后，会自动转向至B站的首页，接着会导航到“热门”的板块，随后在播放量跟讨论量都比较高的视频里展开挑选。
在进入视频页面之后，Neo 先对页面结构予以识别，很快就定位到评论区，接着滑动到最底部。当完整评论流加载完成以后，系统自动去浏览现有的获得较多点赞的评论当中的内容，查看用户是围绕哪些关键词展开互动交流，进而生成了“UP 主进行更新活动了，我的青春也因此重新焕发生机活力了！”这样一截评论内容，随后完成输入以及发送这一系列操作。
从导航入口开始，整个流程一直到评论提交，都是自动完成的。在此过程中，系统正确处理了评论框加载，处理了页面滚动，还处理了多次发送等细节。这确保了评论内容能够完整发布，并且能显示在评论区列表当中。
这个任务对Flowith OS于浏览器页面对应的交互能力给予了验证，智能体可以稳定地识别Web结构里不同模块包含的状态变化，并且去执行任务。
结语：AI Agent开始接管屏幕上的一切
凭借量化交易分析这种方式，历经在线博弈这个阶段，来到借助社交平台发言的环节，Flowith OS显现出一种别样的操作形式 它并非像传统AI助手那般，等着用户输入清晰明确的指令，而是把复杂的操作环节进行模块化处理，同时使其具备记忆功能，并且在本地达成执行以及学习的任务 。
伴随着更多实际场景被接入，以及长期使用数据得以积累，这一处于智能体层面的操作系统，在未来依旧是值得持续去观察以及抱有期待的。
