Zetik：口袋里的AI情报参谋团队，终结信息焦虑

当CEO有战略团队，普通人只有无尽刷屏

总统和CEO身边都配备着专门的战略参谋团队，帮助他们从海量信息中提炼关键情报、辅助决策。而普通人面对信息洪流时，往往只能陷入无休止的"doomscrolling"（末日式刷屏）——被算法推送裹挟，被碎片化内容分散注意力，却始终无法系统地把握真正重要的动向。

所谓Doomscrolling这一术语在2020年新冠疫情期间被广泛使用，指人们无法自控地持续滚动浏览负面新闻的行为。这种现象的底层机制源于人类进化中的"负面偏见"（negativity bias）——大脑天然对威胁信息赋予更高权重，这是远古时期帮助祖先快速识别危险的生存机制。而社交媒体平台的推荐算法恰好利用了这一心理特性，通过最大化用户停留时长来驱动广告收入。心理学研究表明，负面内容引发的情绪唤醒度（arousal）比正面内容高出30%-50%，这直接转化为更高的点击率和更长的浏览时间。斯坦福大学2022年的研究表明，普通互联网用户每天被动接收的信息量相当于174份报纸的内容，但其中与个人决策真正相关的不足3%。诺贝尔经济学奖得主赫伯特·西蒙早在1971年就预言："信息的丰富意味着注意力的贫乏"——这一判断在半个世纪后的社交媒体时代得到了充分验证。这种信息过载与信息价值之间的巨大落差，正是新一代AI信息工具试图填补的市场空白。

近期在 Product Hunt 上线的 Zetik 正是瞄准了这一痛点。它的标语直白而有力——"A chief of staff in your pocket"（口袋里的幕僚长）。"幕僚长"（Chief of Staff）在政治和企业组织中扮演着独特角色——他们并非决策者本人，而是负责为决策者过滤信息、协调资源、提供决策所需的上下文。白宫幕僚长被称为"华盛顿第二有权势的人"，其核心能力不在于创造信息，而在于决定什么信息值得呈现到决策者面前。这一隐喻精准地定义了Zetik的产品定位。这款产品在发布当天获得了 108 票、位列榜单第 3 名，归类于生产力（Productivity）、新闻（News）和人工智能（Artificial Intelligence）三大领域。

一个运转不息的AI情报周期

Zetik 的核心理念是构建一支 AI 智能体团队（AI agent team），让它们协同完成一个完整的"情报周期"（intelligence cycle）。这个概念借鉴了专业情报机构的工作流程，Zetik 将其拆解为四个环节。

值得了解的是，情报周期（Intelligence Cycle）是国家安全和军事情报领域的核心方法论，最早由美国中央情报局（CIA）在冷战时期系统化提出，通常包含五个阶段：规划与方向（Planning & Direction）、采集（Collection）、处理（Processing）、分析与生产（Analysis & Production）、分发（Dissemination）。这套框架的核心价值在于将海量原始数据（raw data）转化为可操作的情报（actionable intelligence）——原始数据本身没有价值，只有经过上下文关联和意图匹配后才能成为支撑决策的情报。商业领域后来将其改造为"竞争情报"（Competitive Intelligence）方法论，被波特五力模型的提出者迈克尔·波特等战略学者所推崇。全球500强企业中约90%设有专门的竞争情报部门。Zetik将这一专业框架自动化并民用化，本质上是用AI重建了一个微型情报机构的运作逻辑，让个人用户也能享受此前只有大型组织才能负担的情报处理能力。

采集（Collect）

Zetik 会从多种信息源持续抓取内容，覆盖范围相当广泛：播客（podcasts）、学术论文（papers）、代码仓库（code）、推文（tweets）以及新闻（news）。这种跨介质的采集能力意味着它不只是一个 RSS 聚合器，而是能同时监听音频、文本、代码等异构信息流。

这里有必要区分Zetik与传统RSS聚合工具的本质差异。RSS（Really Simple Syndication）是2000年代Web 2.0时期流行的信息订阅协议，用户可以通过标准化XML格式订阅网站更新。Google Reader曾是最知名的RSS阅读器，高峰期拥有数千万用户，但于2013年关闭——某种程度上标志着"用户主动订阅"模式向"算法被动推送"模式的历史性转折。RSS的局限在于它只能处理标准化的文本Feed，无法覆盖播客音频转录、GitHub代码仓库的commit记录和issue讨论、学术预印本服务器（如arXiv、bioRxiv）上的论文，或社交媒体上的非结构化内容。异构信息流的处理需要多模态AI能力——包括自动语音识别（ASR，如OpenAI的Whisper模型）处理播客音频、自然语言处理（NLP）处理文本内容、代码理解模型处理仓库变更和技术文档等。此外还需要实时爬虫（web crawler）技术来处理没有标准API的信息源。这种跨模态采集的技术门槛远高于传统RSS聚合，也解释了为什么这类产品直到大语言模型成熟后才成为可能。

过滤（Filter）

海量采集之后，真正的挑战在于降噪。Zetik 会根据用户关心的主题进行智能筛选，剔除无关信息，只保留与你切实相关的内容。这一步是区分"信息过载"与"情报价值"的关键分水岭。

从技术角度看，智能过滤远比关键词匹配复杂。传统的过滤方式依赖布尔逻辑和关键词规则，但语义理解要求系统能识别同义表达、隐含关联和上下文意图。例如，一位关注"AI安全"的用户，系统需要理解这既包括技术层面的模型对齐（alignment）研究，也包括政策层面的AI监管动向，还可能涉及特定公司的安全事件——而非简单匹配"AI安全"这四个字。现代LLM的语义理解能力使这种基于意图的过滤成为可能，但如何在精确率（不推送垃圾）和召回率（不遗漏重要信息）之间取得平衡，仍然是核心的工程挑战。

分析（Analyze）

过滤后的信息会被 AI 智能体进一步分析、提炼，从原始素材中挖掘出趋势、关联和洞察，而非简单地罗列标题。

分析环节的核心价值在于"连点成线"（connecting the dots）。单条信息的价值往往有限，但当AI能够将来自不同渠道的信号关联起来时，就可能发现人类分析师难以察觉的模式。例如，某学术团队发表了一篇新论文、该团队的核心成员在GitHub上更新了相关代码库、同时一家大公司在招聘相关方向的工程师——这三条分散的信息单独看可能无关紧要，但组合起来可能暗示着一个技术方向即将进入工程化阶段。这种跨源关联分析（cross-source correlation）是情报分析的精髓所在。

简报（Brief）

最终，Zetik 会将分析结果整理成简报形式呈现给用户。这正是"幕僚长"角色的核心价值——它替你完成了信息处理的重活，让你直接获得可用于决策的结论。

简报的信息密度和呈现形式本身就是一门学问。在情报界，有一份著名的文档叫做"总统每日简报"（President's Daily Brief，PDB），每天由情报界最顶尖的分析师为美国总统准备，通常只有几页纸，却浓缩了全球最重要的安全态势。好的简报需要满足几个标准：可操作性（读完后知道该做什么）、分层结构（先结论后细节，允许按需深入）、以及时效标注（区分确认事实与推测判断）。Zetik如何设计其简报的信息架构，将直接决定产品的实际使用价值。

24/7全天候近实时追踪

Zetik 的另一大卖点是 全天候运转（24/7） 与 近实时（near real time） 的追踪能力。传统的信息摘要工具往往是按日或按周批量处理，而 Zetik 强调持续监控——只要你设定了关注的主题，它就会不间断地为你盯着这些领域的最新动向。

"近实时"这一措辞值得注意——它比"实时"（real time）更诚实。真正的实时处理意味着信息从发布到呈现给用户之间的延迟接近零，这在技术上需要流式处理架构（streaming architecture），如Apache Kafka或Flink等技术栈。而"近实时"通常意味着分钟级到小时级的延迟，这对大多数信息消费场景已经足够——除非你是做高频交易或危机管理。对于知识工作者而言，相比每天或每周一次的Newsletter，几分钟内获知某个重要变化已经是质的飞跃。

对于身处快速变化行业的从业者而言，这种近实时的情报能力尤为重要。无论是追踪某个技术领域的最新论文、监控竞品的代码更新，还是把握某个话题在社交媒体上的舆论走向，Zetik 都试图让用户"永远快人一步"。在风险投资领域，有一个概念叫做"信息套利"（information arbitrage）——在别人获知某条关键信息之前率先行动所获得的优势。对于创业者、投资人和研究者来说，缩短从"信息发布"到"决策行动"之间的延迟，可能直接转化为竞争优势。

值得关注的产品逻辑

从产品设计的角度看，Zetik 体现了 AI Agent 应用的一个典型演进方向：从单点工具走向协同工作流。

过去，我们习惯用单一的 AI 工具解决单一任务——用一个工具总结文章，用另一个工具翻译，再用一个工具做搜索。而 Zetik 尝试将"采集—过滤—分析—简报"这一完整链条打包成一个自动化系统，由多个专职智能体分工协作。这种"智能体团队"的架构，正是当下 Multi-Agent（多智能体）范式在消费级产品中的落地尝试。

Multi-Agent系统是2023-2024年AI应用架构的重要趋势，代表着从"一个超级AI做所有事"向"多个专业AI协作"的范式转移。与单一大语言模型（LLM）处理所有任务不同，Multi-Agent架构将复杂任务分解给多个专职AI智能体，每个智能体拥有特定的角色定义（role）、可调用的工具集（tools）和独立的上下文窗口（context）。代表性框架包括微软的AutoGen（支持多智能体对话与协作）、斯坦福的Generative Agents（模拟25个AI角色在虚拟小镇中的自主行为），以及CrewAI、LangGraph等开源项目。这种架构的优势在于：单个智能体的prompt更聚焦因此在其专业领域表现更好、多个智能体可以并行处理不同子任务从而提升效率、各环节可独立迭代优化而不影响整体系统稳定性。此外，Multi-Agent架构天然支持"检查与平衡"机制——一个智能体的输出可以被另一个智能体审核，降低单点错误的风险。OpenAI的CEO Sam Altman多次公开表示，Agent将是AI的下一个重大突破方向，而2025年被广泛认为是"AI Agent元年"。Zetik正是将这一前沿架构理念落地为面向消费者的产品。

它所解决的本质问题，是 注意力经济时代的信息主权。当算法推送不断争夺我们的注意力时，Zetik 反其道而行之——把信息筛选的主导权交还给用户，让你主动定义"什么重要"，而不是被动接受平台喂给你的内容。

信息主权（Information Sovereignty）概念源自数字权利运动，最初指国家对本国数据的管辖权（如欧盟GDPR要求数据本地化存储），如今逐渐延伸到个人层面——即用户对自己信息消费的自主决定权。当前主流平台采用的推荐算法本质是一种"注意力榨取"机制：TikTok的For You算法通过A/B测试和强化学习不断优化"让你停不下来"的能力、Twitter/X的时间线排序优先展示引发争议的内容因为争议驱动互动、YouTube的自动播放利用"下一个视频"的期待感延长观看时长——它们都以平台利益（广告收入、用户时长）而非用户利益（获取有价值信息）为优化目标。2023年欧盟《数字服务法》（Digital Services Act，DSA）已开始要求平台提供非算法推荐的选项，允许用户选择按时间排序而非算法排序的内容流。Zetik所代表的"用户主导式信息筛选"可以被视为技术层面对抗算法霸权的一种路径——不是通过监管要求平台改变，而是用AI的力量来平衡AI推荐系统的操控，本质上是"以魔法对抗魔法"。

潜在的挑战与思考

当然，作为一款刚刚亮相的产品，Zetik 仍有不少值得观察的地方：

• 信息源质量与覆盖度：跨播客、论文、代码、推文、新闻的采集听起来强大，但实际的抓取深度和时效性能否兑现承诺，需要长期使用验证。不同信息源的可访问性差异巨大——新闻网站可能有反爬虫机制，学术论文可能存在付费墙（paywall），社交媒体API的访问权限日趋收紧（如Twitter/X在2023年大幅限制API免费额度）。如何在这些约束下保持稳定的数据采集，是工程层面的硬挑战。
• AI 分析的可靠性："分析"环节最考验模型能力。如何避免生成看似专业实则空洞的简报，是这类AI情报产品的共同难题。当前大语言模型存在的"幻觉"（hallucination）问题——即模型在生成文本时"编造"不存在的事实、虚构引用来源或产生逻辑错误的推断——在情报分析场景中尤其危险，因为错误的情报可能比没有情报更具误导性。在国家安全领域，有一个原则叫做"情报信心等级"（confidence level），要求每条情报都标注其可靠程度。Zetik如果能在简报中明确区分"确认事实"与"AI推断"，将大大提升产品的可信度。
• 个性化的精准度："追踪对你重要的一切"意味着系统必须准确理解用户意图，否则过滤环节反而可能漏掉关键信息或塞进噪音。这涉及到所谓的"冷启动问题"（cold start problem）——系统在刚开始时对用户了解有限，如何在最少的交互中快速建立准确的用户画像？以及更深层的问题：用户自己可能都无法精确描述自己的信息需求，好的系统需要能从用户行为中推断其隐性需求。

竞争格局与市场定位

Zetik并非唯一尝试解决信息过载问题的AI产品。在其周围已经形成了一个活跃的竞争生态：Perplexity以AI搜索引擎切入，侧重即时问答；Artifact（由Instagram联合创始人创建，后被Yahoo收购）尝试用AI做个性化新闻推荐；Feedly的Leo AI将传统RSS阅读器升级为智能过滤工具；而像Elicit这样的产品则专注于学术论文的AI辅助研究。Zetik的差异化在于将这些分散的功能统一为一个完整的情报工作流，并以Multi-Agent架构来实现——但这也意味着它在每个单点功能上都面临来自专业工具的竞争。最终的胜负可能取决于：整合体验的便利性能否超越单点工具的深度？

结语

Zetik 抓住了一个真实且普遍的痛点：在信息爆炸的时代，普通人缺乏一支属于自己的"情报参谋团队"。它用 AI 多智能体的方式，试图把过去只有权力顶层才能享有的信息处理能力平民化。

这种"民主化"趋势在技术史上并非首次出现——个人电脑将计算能力从大型机房解放给个人，智能手机将互联网接入从桌面延伸到口袋，而AI Agent正在试图将"专业级信息处理"从精英阶层扩展到每一个知识工作者。每一次这样的能力下放，都重塑了个人与组织之间的权力关系。

无论最终产品体验如何，这种"口袋里的幕僚长"理念本身，代表了 AI Agent 应用一个颇具想象力的方向——不再是简单的问答助手，而是能够主动、持续、系统地为用户处理信息的智能伙伴。对于每天在信息洪流中挣扎的知识工作者来说，这或许正是他们期待已久的解药。