打开几乎任何一个平台，都会有人在不断告诉你“这10个AI工具必须收藏”“2026年最强AI工具箱”。这些标题一个比一个更夸张，列出的清单也一个比一个更长。你点进去、顺手收藏，然而之后却再也没有打开过。

其实，连做工具推荐的人本身，也未必真的会长期使用那些工具。虽然也曾经推过不少产品，但如果实话实说，大多数 AI 产品在用上一两周之后，往往就会被删掉。原因并不复杂：有些是界面过于复杂，导致上手成本太高；有些是响应速度太慢，使用过程不够顺畅；还有一些是在免费额度耗尽之后，就被直接闲置在那里。更关键的是，部分产品虽然在能力展示上看起来很强，但在“它究竟能做什么”与“它到底可以被用来做什么”之间，始终隔着一段很难真正跨过去的距离。

一年下来，真正能够留在工位上、并且每天都会被反复使用的，其实也就只有这几个。

也可以顺带说明一下，它们究竟是如何被嵌入到真实工作流当中的。

信息太多的时代，先让 AI 理清关系

Gemini 深度研究 + Kimi

在所有受到 AI 影响并发生变化的工作环节当中，搜索这件事可能是最早被彻底改写的。

过去在开展一个选题、一份竞品报告以及一次行业判断时，最耗费时间的环节往往不是写，而是找。需要去找资料、筛资料，并进一步判断资料A和资料B之间到底存在什么关系。传统搜索引擎给出的只是一堆链接，还得自己逐个点开、自己阅读、再由自己把信息拼接起来。

AI 搜索所完成的事情并不完全相同。它更像是在帮助使用者把一张围绕问题展开的结构地图勾勒出来：这个话题具体包含哪些分支，哪些结论已经相对明确，以及哪些方向仍然需要继续向下挖掘。

Gemini 深度研究适合处理开放性问题。

比如在研究一个海外 AI 产品、一条技术路线以及一家新公司时，它会先把问题拆分为几个方向，再自动对资料进行搜索，最后输出一份结构化报告。并不是说它写出的结论都能够直接使用，但它所给出的那张地图，可以帮助省去最前面的两三个小时。

例如，如果让 Gemini 对 WWDC 2026 的爆料信息进行深度研究与整理，它通常会先生成一份研究计划，并把整个任务划分为研究网站、分析信息以及生成报告几个阶段。这些报告本身的 AI 痕迹往往比较明显，不能直接拿来使用，但它所提供的是一套相对清晰的资料路径，从而能够省去大量前期资料整理的时间。

在日常的中文语境当中，如果需要进行资料搜索，使用频率更高的通常还是 Kimi。

国内公司的公开资料、政策文件、访谈稿、财报以及行业研报，放进去之后对要点进行提炼、对差异展开对比、把时间线整理出来，基本上已经足够使用。不过如果实话实说，非付费用户偶尔还是会遇到算力不足的提示，这的确是它目前一个很难绕开的现实问题。

这两个工具如果配合起来运用，往往会更高效：在需要处理较大问题时可以借助 Gemini，而在面对日常中文资料搜索任务时则更适合选用 Kimi。搜索这件事，也由过去那种“自己逐个翻看链接”的方式，转变成了“先由 AI 画出一张信息地图，再由使用者判断该沿着哪条路径继续推进”，其中带来的效率提升并不是一点半点。

你的知识库，正在逐步转化为 AI 对你开展理解的入口

飞书 + Obsidian

搜集而来的资料、会议形成的结论、阅读文章时产生的想法、推进项目过程中积累的经验，这些内容究竟应该放到哪里？

过去一提到知识管理，最先想到的往往是建立文件夹、开展分类，以及记录笔记。但在 AI 时代，这件事情背后的逻辑已经发生了变化。知识管理并不只是把内容存放起来，而是在为 AI 搭建一套能够理解你的系统。要让它知道你的写作风格、判断标准、常用模板，以及正在持续关注哪些方向。

知名 AI 大神 Andrej Karpathy 前段时间聊过如何构建个人知识系统，整体方案更偏向技术派，但其中的思路仍然具有借鉴价值：借助协作工具来管理动态信息，依赖笔记系统来承接长期沉淀，并让 AI 参与到整理、检索以及再加工这些环节当中。

落到日常场景当中，实际运用的是一套更轻量的组合，也就是飞书以及 Obsidian。

飞书更适合承接那些每天都在持续变化的内容，例如会议纪要、项目进度、选题池、需求列表以及团队 SOP；而 Obsidian 则更适合用来沉淀周期更长的内容，包括写作风格、判断标准、工作方法、案例库、阅读笔记以及复盘记录。

串起来的方式大致如下：先把个人信息整理为分层的 markdown 文件，随后既可以借助 OpenClaw 接入飞书机器人，也可以把 GPT、Claude、DeepSeek、Kimi 统一接入进来。这样一来，不管调用的是哪个模型，它都能够先到知识库中查找对应的规则文件，在把背景理解清楚之后再进行回答。

比如让它来撰写视频脚本时，它会先查看你的脚本规则；让它来进行选题判断时，它会先查看你的内容方向；向它询问职业规划时，它会先查看你的履历与目标。使用时间越长，这些规则文件就会越完整，AI 对你的理解也就会越接近真实的你。

说到底，技术层面的门槛其实并没有那么高，真正困难的地方在于先拿出一个下午，把自己的工作方式整理成 AI 能够读懂的形式。

打工人在会议场景中的外挂工具，如今终于不再只是停留在录音这一层面了

Plaud

对于每周要参加 10 个以上会议的打工人而言，开会这件事本身可能只占到整体工作量的一半；而另外一半，则来自于整理会议纪要、提炼核心重点、追踪后续待办，以及把相关信息同步给没有参会的同事。这后半段工作在实际处理时，往往比开会本身还要更消耗精力。

Plaud 是这两年被推荐次数最多的硬件之一，同时也是近几年少见的硬件黑马。它所解决的，正是会议结束之后那 30 分钟往往被白白消耗掉的无效整理工作。

把这个小型录音设备放在桌面上之后，等到会议结束时，纪要内容往往已经完成了结构化整理。客户访谈结束以后，可以立刻把纪要发送回去进行确认，既显得专业，也留下了书面凭证；重要会议结束之后，再把整理好的重点内容发给没有参会的同事，从而省去所有人进行同步的时间。

但它真正更好用的地方，其实并不在于录音转文字这件事本身，而在于它支持对 prompt 模板进行定制。

这里其实有一个很多人并没有真正意识到的技巧，那就是不要直接沿用默认的会议模板，而是应当换成更贴合自身岗位场景的提示词，因为这样产出的内容价值通常会相差好几倍。比如，销售岗位可以选用“按客户痛点排序总结，列出反对意见”，再进一步补上一句“额外梳理客户在会议中表现出犹豫或兴奋的三个瞬间，分析潜在顾虑”。面对同一段录音，如果换用几套不同的 prompt 重新生成，往往就能够挖出完全不同的观察角度。

免费获得一份「客户心理学报告」这件事最巧妙的地方在于，并不需要额外去学习任何新的技能，只需要学会如何把问题真正问对。

先借助 AI 产出草稿，正在逐步成为视觉表达领域中的一种新习惯

GPT-Image-2 + TapNow

在内容产出的整个流程当中，视觉呈现始终是最容易被卡住的那个环节。

文字内容可以自行撰写，方案也能够自行调整。但一旦进入配图、海报、PPT 视觉以及短视频素材这些环节，很多人往往仍然需要等待设计师排期。需求表达得不够清楚，来回修改几轮之后，原本的灵感往往也已经消散了。

今年使用起来最顺手的一组组合，是 GPT-Image-2 以及 TapNow。GPT-Image-2 在出图质量方面表现得相对稳定，在风格控制方面也更加可控，同时其提示词体系已经相对成熟。无论是科技感配图、产品概念图，还是社媒海报草稿，它都可以较快给出一个能够直接拿来讨论的版本。

需要特别强调的是，这里产出的只是一个“用于讨论”的版本，而不是最终定稿。然而，真正最具价值的，恰恰就是这一步。过去有大量需求，往往都会卡在“你说的那种感觉，暂时还不太好理解”这一层；而现在，则可以先把一张由 AI 生成的图丢到群里，让所有人都围绕同一张图来进行表达与沟通。

在视频生成这一环节当中，更常选用的工具是 TapNow。它支持调用 Seedance 2.0 以及可灵 3.0，因此更适合把已经明确下来的角色、产品与环境素材，进一步延展为短视频内容。对于日常视觉记录、产品展示以及社媒短内容这几类场景来说，基本已经足够使用。

这套组合所服务的对象，并不只局限于设计师和媒体人。

销售可以产出提案配图，产品经理可以生成 UI 草图，品牌营销可以制作海报，老师可以补充课件配图。它真正具备的价值在于，在正式投入设计资源之前，能够快速把原本模糊的想法转化为可见的草稿。提前借助 AI 对方向进行确认之后，沟通成本会低很多，返工也会少很多。

Vibe Coding 火了，需求表达成了新技能

Claude Code、Codex

今年出现了一个很有意思的变化：越来越多原本不写代码的人，也开始用 Claude Code、Codex 这类 AI coding agent。

过去如果想写一个小工具、修改一个网页，或者做一个自动化脚本，往往都得先去找程序员；而现在，只要把需求说明清楚，AI 就能够借助自然语言完成相当一部分开发工作。这也是 Vibe Coding 在今年会突然火起来的原因。

它让原本不会写代码的人也能够参与到软件生产过程当中。不再需要先去学习一整套完整的编程语言，甚至也不必理解每一行代码，只需要明确知道自己想要什么，并持续把需求描述清楚。

配合阿里千问语音输入法，把口述出来的需求交给 AI 整理为任务说明之后，一个人就能够跑通过去需要产品、设计以及工程协同配合才能完成的小工具原型。

生活场景当中同样可以这样来用。比如，给自己配置一个「微信读书 skill」，让它定期对阅读记录进行分析，统计最近持续关注的主题，推荐下一批适合阅读的书，并进一步找出认知上的盲区。

未来很多人未必都会成为程序员，但会越来越像一个小型工程团队：既能够清楚描述需求，也能够调动工具、验证结果，并把重复性的工作交给 AI 来处理。

AI 干活的间隙，我趁机回血

清闲 OC1 Pro

到这里，五个工具聊完了。

但有一个东西，在今年带来的回报感，可能比上面任何一个都更强。它并不是软件，也不具备 AI 功能。它其实是一把椅子。

AI 并没有把人从工位前真正解放出来。恰恰相反，随着越来越习惯于把长文档、代码、研究、图片以及视频都交给 AI 处理，工作流程当中反而出现了更多新的等待间隙：等 DeepSeek 读完一份文档，等 ChatGPT 对一个模块完成重构，等 Gemini 生成报告，也等视频模型吐出第一版素材。

人的角色也正在发生变化。不再只是埋头进行输出，而是在“发出任务、等待结果以及判断修改”这几个环节之间来回切换。这也使得工位上的短暂休息，相较于过去变得更为重要。等待 AI 的几十秒乃至几分钟时间，既可以继续刷手机、盯着进度条，也可以活动腰背、调整坐姿、闭眼休息半分钟，然后再回到下一轮判断当中。

工位上的这把清闲 OC1 Pro，是最近在科技圈以及创业圈里热度很高的一款动态人机工学椅，定价为 4299 元，的确并不便宜。但如果拿它和每天实际停留在椅子上的时间相比，人与椅子相处的时长，甚至已经超过了与床待在一起的时间。

颈枕、椅背、坐垫以及扶手都能够随着坐姿的变化自动进行调整，腰背支撑也并不是固定停留在某一个位置上。后仰功能具备 5 档调节范围，从日常办公到午休场景都可以覆盖，而一键脊柱拉伸在连续工作几小时之后，确实能够带来较为直接的放松感。

Pro 款额外加入了座椅通风功能，在夏天办公室空调不够稳定的时候，体感上的差距会显得非常明显。它并不是那种会让人一上来就惊呼黑科技的产品，而是会让人一直坐到下午五点时，明显感觉腰没有那么酸。

过去在讨论工位升级这件事时，关注点更多集中在屏幕尺寸、键盘手感、桌面收纳以及设备性能这些方面。但在持续使用了一年 AI 工具之后会发现，工位真正需要被升级的，其实是人和工具之间的协作关系。

查资料、搭建知识库、整理会议、产出画面、编写工具，最后则是能够坐得住。

在 AI 时代，最容易被高估的往往是工具本身，而最容易被低估的，反而始终是人。

过去两年，AI 生产力工具的付费主体正在经历明显变化。早期更多是个人用户以及技术爱好者自行承担费用，而现在，越来越多公司开始把会员订阅、API token、算力额度纳入员工预算当中。原因并不复杂，只要某一类工具能够持续改善表达、判断、创作以及执行效率，公司就会愿意为其买单。

类似的逻辑同样会自然延伸到办公硬件层面。当越来越多的人进入 AI-native 的工作状态之后，坐在电脑前的时间不仅没有减少，甚至在一些岗位之中还变得更长。真正会对效率产生影响的因素，也并不只是模型能力以及软件体验，还包括员工在长时间工作过程中的身体状态、专注质量以及整体办公环境。

一个好的工位，应当让人能够更快进入工作状态，也更容易从工作状态当中恢复过来。它并不只是生产力的中心，同时也是人在与 AI 开展协作时最基础的身体接口。

办公桌上或许会出现越来越多的智能硬件、Agent、模型入口以及自动化流程，但无论 AI 如何持续进化，真正坐在椅子上的那个人，始终才是所有工作的起点。

工具负责完成记录、整理、生成以及执行这些环节；人则负责承担判断、表达、沟通以及创造这些更关键的工作。效率提升真正的意义，并不在于接下更多任务、坐上更久时间，而在于尽量减少被琐碎事务消耗的部分，从而把精力留给那些真正重要的事情。

照顾好自己，本质上就是 AI 时代最切实、也最不应被忽视的生产力。

作者：莫崇宇、李超凡

来源：今年最值得升级的生产力工具，可能是一整张 AI 工位 | 互联网