前段时间，一个叫作AnyGen的智能体开始出现在很多技术媒体的文章中，无一例外都拿来和NotebookLM进行对比，有人甚至称它为国产的NotebookLM，但我认为并不是，其实AnyGen和NotebookLM是两种AI产品。

什么是AnyGen呢？

我相信很多人都不认识它，甚至都没听说过，AnyGen是字节Lark（海外飞书）团队开发的一款办公生产力智能体，支持的技能非常多，底层应该是Skills和MCP的封装，能直接将需求转换为成果，其实更像Manus。

比如你只需提交一个excel表，AnyGen就能输出一份完成的分析报告，可以导出pdf、ppt。

NotebookLM则更偏向于AI知识库，本质上用于记录内容，并通过AI整合输出多模态的结果，类似的有Notion AI、ima。

AnyGen则将对话式AI进行了功能延伸，不再只生成临时的单一形式答案，而是一步到位，支持在用户的个性化定制下，产出可交付的文件。

包括但不限于文档、PDF、Word、PPT、网页等，而且产出内容既可以是专业的分析报告，还可以是故事绘本，调研论文等。

还有一点，AnyGen和NotebookLM的核心差异在于，NotebookLM主要基于你上传的文件创建知识库，并严格在此知识库范围上输出内容，主打的是减少AI幻觉，保证内容的可追溯。

AnyGen则更加开放，你只需要通过简单的对话，它就会搜集各种开放的资料进行知识整合，输出结果，比如让它调研某个产品的市场行情，它就会搜罗-整合-输出，扔给你一份报告。

当然AnyGen也可以选择关闭搜索模式，但其本身产品特点就是在于通过大量的外部知识产出可交付的成果。

AnyGen虽然是字节的产品，但主要面向的海外市场，其底层模型有可能是Gemini、Claude这类头部模型，比如它有一个生成故事绘本功能，用的是nano banana pro模型，所以其模型能力应该是顶级的。

我测试了AnyGen的几个核心场景，包括分析数据、创建网页、生成PPT、创建故事绘本、批量调研，我认为是AI执行落地业务的一个很好的开始和范例。

首先是分析数据，这是最日常的办公业务。AI做数据分析最大的bug在于不清楚业务的细节，因为业务知识是碎片化、分散在各地的，但其优势是处理数据、搭建模型非常强大，而且有丰富的外部知识体系。

我提交了一个笔记本电脑的销售数据集，有产品名称、价格、销量等详细的信息，让AnyGen分析数据，并输出分析报告。

AnyGen会将任务进行拆解，包括数据梳理、脚本编写、可视化设计等，每个步骤应该对应着某个skill。

它还会提供可选配置项，让用户自己选择数据分析的关注点、主指标、分析维度、异常值处理、图表偏好等。

确认好步骤和用户偏好后，它就开始逐步执行，并生成结果，大概需要3-5分钟。

输出的结果包含洞察和完整报告，它从品牌、地区、商品等多维度分析了商品GMV表现，报告中的图表是可交互的，整个报告可导出PDF。

它支持将报告转换为PPT版本，生成的PPT除了图片外，其他都是可编辑的，虽然排版没那么花里胡哨，但结构清晰，我觉得改一改可以直接用于日常汇报。

可能由于我的提示词比较简单，有大佬用AnyGen做出看着很专业的东西出来。

相对于生成PPT报告，我其实更喜欢AnyGen的制作网页和创建故事绘本功能，效果比我想象的要惊艳。

比如创建一个适合小朋友学习的Python编程网站。

效果如下：

这样的网页UI风格，有点不太像AI做出来的。

但是具体的网站功能模块，AnyGen并没有去开发，需要再给到更细的提示语，让它逐步去开发。

前面说到AnyGen用到了nano banana模型来制作漫画绘本，跑出来的结果很nano banana，相当的专业。

比如让它设计个漫画，讲解关于claude mcp和skill的功能和使用场景，要求通俗易懂、好玩有趣。

漫画如下：

看着是不是还不错？将知识与漫画完美的结合在一起，果然还得是nano banana。

最后我测试了AnyGen的批量调研功能，它可以根据简单的需求，收集数据形成复杂的调研报告，适合学习研究，类似于Gemini的deep reaserch，不过它交付的文件更多，有PDF、word文档、ppt等。

比如让它总结20家车企的新能源汽车，从产品、价格、销量、技术等方面进行分析，预测2026年的新能源汽车市场行情。

形成的分析报告有模有样，图文并貌，透露着咨询调研报告的味道。

总的来说，AnyGen是字节迈向通用Agent的很重要的一步，其显现出的目的也很明确，不再满足对话大模型的限制，要用AI一键搞定日常办公的各种需求，直接交付结果，不需要人来指挥、确认。

AI不需要学习，用起来就是最好的学习。

https://www.anygen.io/home?invitation_code=43DODU9EFKFZ2R3

这让我想起了notion创始人Ivan Zhao最近写的一篇文章《蒸汽、钢铁与无限智识》，其中提到“从骑自行车到开汽车”的类比。

今年编程代理的实践告诉我们，“人机协同循环” 并非总是必要的。这就像让专人检查工厂生产线上的每一颗螺栓，或让旗手在汽车前方开路（参见 1865 年《红旗法案》）。我们需要的是人类从 “高效节点” 监督循环，而非深陷循环之中。
一旦语境整合完成、工作成果可被验证，数十亿工作者将从 “骑自行车” 升级为 “开汽车”，进而迈向 “自动驾驶” 的新阶段。

有空可以去读一读这篇文章，可以说是2025年解读AI最好的文章之一。