在人工智能浪潮中，AutoGLM 作为一款备受瞩目的产品，声称能实现“一边想一边干”的强大功能。然而，它是否真的能成为产品调研的好助手？本文作者通过亲身实践，从多个维度对 AutoGLM 进行了深度测试与分析，供大家参考。

媒体宣传说智谱清言可以“一边想一边干”，于是我立刻申请内测，开始使用 AutoGLM，期盼它能自主运行，帮我订一杯奶茶。结果是它只是帮我打开了美团网站，输出了一堆没用的信息，奶茶依然留在了奶茶店，没有出现在我的桌面上。

我随后又尝试了官网宣传的“订酒店”功能，结果还是一长串搜索与分析，最终也没有真正帮我完成酒店预订。

最终，我放弃了它“干”的功能，转而测试它“想”的能力，尝试用它来做一些深度分析。

从官网的用例来看，目前 AutoGLM 的核心功能，个人认为还是集中在 Deep Research 层面。我下载了 mac 版本的桌面应用，同时也下载了 Chrome 的 AutoGLM 插件。从插件的信息来看，支持自动运行的网站包括知乎、微博、百度等十几个网站。正如官网所说，目前该产品功能仍处于实验阶段，期待后续能够真正实现“一句话订酒店”的愿景。

我测试了一个“节假日西安周边游”的出行规划。从它的思维链可以看出，它的 workflow 包括：常规搜索、AutoGLM 搜索、工具调用、内容思考、总结输出。首次在小红书上的搜索失败，随后改用搜索引擎进行全局搜索。通过 tool observation 获取信息，从知乎、小红书、抖音等社交媒体进行详细搜索。

在搜索过程中，它会自动启动 Chrome 浏览器，可以看到 AutoGLM 的操作过程，比如调整小红书搜索帖子的过滤器，从“综合”调整为“最热”。操作过程中，浏览器会出现蓝色光晕闪现，表示正在工作中。

大约 10 分钟后输出了一份行程规划。但结果价值不大。因为是节假日，必然会遇到交通拥堵等问题，本应提前规划自驾路线，而报告中并未提供相应的出行路线规划。

官网介绍视频讲解了 AutoGLM 的技术路径：从通用基座模型 GLM-4，到推理能力大幅提升的 GLM-Z1-Air，再到强化学习训练出“沉思”能力的 GLM-Z1-Rumination，最终融合为 AutoGLM 的执行力。于是我开始横向对比它的“沉思能力”。

这几天我在研究 AI 在电子阅读器中的应用情况，于是随手用 AI 来做一份产品市场分析，用类似 AutoGLM 的“沉思”功能来测试它的思考整合能力到底如何。

在 Mac 客户端中输入 Prompt：“分析目前电子阅读器 AI 应用的情况，从产品功能、定价策略、用户评价、更新日志、社交媒体监听（受欢迎程度、用户反馈以及互动情况）、App Store / Google Play Store 数据分析（下载量、评分、评论内容、更新频率）等方面进行调查，必须依据最新的数据进行分析；另外分析未来 AI 在电子阅读器领域的应用趋势。”

尽可能让 Prompt 思考得更全面，并横向对比其他 AI 模型的推理能力。

输入 Prompt 后，客户端开始工作，首先进行免责申明，提示目前仍处于实验阶段。随后进行常规搜索，第一步完成推理后，生成搜索关键词。接着提示我确认品牌，我补充输入：“以亚马逊等主流品牌为基础研究，地区以欧美为主，中国为辅进行分析。”AutoGLM 再次搜索关键词，并在推理与搜索过程中自动启动了 Chrome，让用户实时看到其搜索流程。说实话，第一次看到它自动弹出网页并演示自动搜索过程还挺新鲜，但如果一直这样操作，就会影响用户体验。在用户进行多任务工作时，突然开启大量网页，不仅无实际帮助，反而还需要用户手动关闭，增加负担。

报告输出后，内容依然逃不过“大而全、泛泛而谈”的通病，对我需要的信息阐述不够细致，倒是展示了一堆额外信息。尤其是在数据范围方面并未详尽说明，比如价格和 Google Play Store 的数据分析基本缺失，提示无法获取相关数据。我理解这可能是因为智谱的网络环境限制了访问 Google 网页。

对比 ChatGPT-4o 的 Deep Research，它给的数据相对更“详尽”，对数据的解读也较为到位。用户评论总结有据可依，关键结论都附有网页链接，节省了二次搜索验证的精力。

而 Gemini 的 Deep Research 表现介于两者之间，虽然提供了数据描述，但没有像 ChatGPT 那样结构化地以表格形式清晰呈现。不过也提供了基本的数据与分析。从这个角度来看，ChatGPT 在这一项指标上胜出。

再来看 Manus 的表现，它同样提供了数据，并以结构化的方式进行了总结分析。对于常规研究，这些信息基本够用。目前给出的分析细节与数据可信度略低于 ChatGPT。

AI 对现有数据的整合能力很强，但对未来的预测仍然是基于现有数据的衍生与推演，我们也做了一些测试。

关于未来电子阅读器 AI 的应用分析，ChatGPT 给出了几个方向：

1.阅读器从“被动呈现”转向“主动交互”。AI 可以成为阅读伙伴，与读者共同探讨阅读内容。这是一个有趣的方向，但我个人认为阅读更偏向沉浸式体验，频繁交互可能反而影响体验。

2.AI 覆盖整个阅读流程，从“读前-读中-读后”全流程满足用户细分需求。这对于产品设计初期是很好的创意来源。

3.更自然的语音交互。这项发展已经非常接近现实，可能会对有声读物市场产生一定冲击。

4.推动端侧模型和云端模型的结合。类似手机产品，会有越来越多的 AI 功能通过端侧模型处理，进而推动硬件处理器发展。

此外，还有一些总结性的风险提示。

AutoGLM 的“沉思”功能提供的方向相对概括：

1.个性化体验

2.深度理解

3.多模态交互

4.跨设备同步

5.社交阅读

但整体分析偏简单，缺乏足够细节来“令人信服”。感觉像是“为了 AI 而 AI”。这些总结点目前主流阅读器已有实现，没有提出令人眼前一亮的新点子，显得平庸。对产品设计前期的头脑风暴也没能提供有力支持。

再来看 Gemini 提出的方向：

1.更智能的内容推荐

2.更自然的交互方式

3.增强的语言学习功能

4.AI 驱动的文本分析与理解

5.更强大的辅助功能

6.更互动的动态电子书

看完 Gemini 的分析，以及虽然没有展示但已测试的 Manus，可以看出各家对未来的预测已趋同，本质上并无太大差异。这说明，AI 能提供全面概括，但真正挖掘新的 AI 需求，仍需“以人为本”的体感洞察。

我们再来看下 Manus 的表现，它同样给出了数据，并且以结构化的进行了总结分析，对于常规性的研究，这些信息基本够用，目前给出的分析细节及数据可信度略低于 ChatGPT 。

综合来看，AutoGLM、ChatGPT、Manus、Gemini 对产品调研确实有积极作用。在传统桌面调研路径中，AI 节省了大量时间和精力，能够轻松获取基础产品信息。同时，AI 的智能性也可扮演产品助理角色，补充我们的思路。但在涉及定性层面研究时，仍需要“人肉”调研，真实使用产品、观察用户、聆听用户声音，才能深入挖掘产品需求。

我认为 AutoGLM 的优势，最终还是应聚焦在能够 执行用户操作 的任务上，比如电子购物、智能填表等。如果它能在执行力方面做出差异化，才能在众多思维链 AI 产品中脱颖而出。