Ethan｜局观

1/2) 最近看到一个有意思的技术趋势：大家又开始重新拥抱 Native 了。 Shopify 刚刚宣布，要把移动 App 从 React Native 重新迁回 Swift 和 Kotlin。 更夸张的是，在 Coding Agent 的帮助下，他们只用了 12 周，就把 Shop 从 概念验证做成了已经上架 App Store 的原生应用。 Shopify 给出的理由很直白： 以前选择跨平台，是因为“同一个功能写两遍”太贵。 Notion 其实更早就在走这条路。 它的移动端曾经大量依赖 WebView / React Native，后来为了启动速度、交互体验和系统级控制，一点点把核心界面迁到了原生。 现在也宣布，完全用原生方式重建 Notion 的移动端应用。 why？ 因为现在 AI Coding 能力是越来越强，原生开发最大的成本劣势正在快速消失。 所以我最近 Vibe Coding 一个 AI 工具的时候，没有 Electron，没有网页套壳。 我直接就是做成了一个 macOS 原生的实时视觉 AI 助手。 它想解决的问题非常简单： 以前你想问 AI： “右上角那个按钮是什么意思？” “这个公式怎么推出来的？” “第三行这个数字占总数多少？” 你首先得花半天跟 AI 描述—— “我到底在看哪里。” 现在不用了。 在 Mac 上按下快捷键，直接在当前屏幕上： 截图 → 画圈 / 框选 / 箭头标记 → 提问。 AI 直接看懂你指的是哪里，然后秒级流式回答。 整个过程不用切 App，也不需要把截图保存下来，再拖进 ChatGPT。 看到哪里，问到哪里。 一个视觉 AI 助手如果每天要被唤起几十次，它就不应该像一个“网页工具”。 它应该像 Spotlight、截图工具一样，长在操作系统里。 而驱动这个助手的，是蚂蚁百灵刚刚开源的： Ling-3.0-flash-VL。 实际跑下来，我测试了几个特别适合这种 Native + Vision 交互的场景。 ━━━━━ ✨ 场景 1：看到外语，直接圈 碰到英文文档、论文、国外软件界面： 不用复制文字。 直接把屏幕上的区域圈出来，问： “这段是什么意思？” Ling-3.0-flash-VL 会同时利用视觉位置和文字内容进行理解，再把结果流式返回。 相当于给 Mac 加了一个随时可以召唤的视觉翻译层。 ━━━━━ ✨ 场景 2：看到公式，直接问 看论文时遇到复杂的微积分公式、上下标、符号关系： 直接框起来： “给我讲明白这个公式。” 它不仅要 OCR 出字符，还需要理解公式的结构。 实际测试里，它可以继续解释定理、变量含义、推导过程，再用大白话重新讲一遍。 以前是： 截图 → 保存 → 上传 → 描述问题。 现在就是：圈一下。 ━━━━━ ✨ 场景 3：看到数据，直接算 表格可能才是这个交互方式最爽的地方。 我直接用画圈和箭头标出表格里的一个商品，然后问它占比是多少。 它马上识别出我指的是“桃子”，再结合整张表里的数字完成计算： 桃子的销量占比：16.7%。 这里实际上连续做了三件事： 视觉定位 → 语义理解 → 数值计算。 而用户只做了一件事：圈。 ━━━━━ 但 Ling-3.0-flash-VL 真正让我感兴趣的，其实不只是“看图问答”。 它本身就是冲着 长程多模态 Agent 去设计的。 ⚙️ 124B 总参数，单 Token 仅激活 5.5B 采用稀疏 MoE 架构。也就是说，它不是靠把一个巨大的 124B Dense 模型每次完整跑一遍来工作，而是在每次推理时只激活其中一部分专家。 目标就是： 把大模型容量和实时推理效率同时保留下来。 ⚡ 视觉不是外挂，而是原生进入推理链 它原生支持图片、文字和视频。 ViT 负责视觉编码，再把视觉信息真正送进后面的理解、推理、行动与验证流程。 这点很重要。 因为未来的视觉 Agent，并不是： 看图 → 回答一句话。 而应该是： Observe → Act → Verify → Correct 看见界面 → 执行操作 → 再看结果 → 发现错误 → 自己修。 这才是 GUI Agent 真正需要的能力。 📚 256K 长上下文，面向复杂多模态任务 这意味着它不只是适合单张截图问答，也能一次处理更长的文本、更复杂的多图输入，以及持续时间更长的视觉信息。 同时，它还加入了 VideoRoPE 时空编码，让模型不仅能理解“画面里有什么”，还能够结合时间顺序去判断： 什么事情，在什么时候发生。 所以它可以进一步用于长视频理解、事件检索、片段定位，以及更复杂的多模态 Agent 工作流。 对我这个 Mac 原生助手来说，这一点也很重要： 未来它不一定只理解“你刚刚圈的这一块”，还可以结合前后的屏幕内容、历史操作和上下文，持续理解你正在做什么。 💻 对 Agent 和代码生成尤其友好 这也是为什么我觉得它特别适合这个 Mac 助手。 它不仅能够理解： ⭕ 圆圈 ➡️ 箭头 🟨 高亮 ▢ 框选 这些人为添加的视觉提示， 还可以直接： 看 UI → 理解布局 → 写 HTML / CSS / SVG → 再看生成结果。 如果再给 Agent 接一个 Image Diff： 生成页面 ↓ 截图 ↓ 和目标图对比 ↓ 发现偏移 ↓ 修改代码 ↓ 再次截图验证 就可以做出完整的： 「生成 → 看结果 → 对比 → 修改」视觉自愈闭环。 ━━━━━ 而且 Ling-3.0-flash-VL 最近又更新了两个非常关键的东西。 ① API 可以免费玩 Ling-3.0-flash-VL 现在已经上线 OpenRouter， 官方最新活动是：两周免费使用。 所以想复刻类似的视觉 Agent，基本可以直接拿 API 开始测试。 ② 模型已经开源，而且量化版本也补齐了 也就是说，你既可以直接调用 API， 也可以根据自己的硬件环境，选择不同精度版本自己部署。 这对本地视觉 Agent 尤其重要： 云端 API 是最快的起点，本地模型才是隐私和系统级 AI 的终局之一。 ━━━━━ 所以我越来越觉得： Shopify 从 React Native 回到 Swift/Kotlin，其实不只是一次技术栈轮回。 背后更大的变化是： AI 正在重新改写“原生开发到底贵不贵”这笔账。 以前： 跨平台 = 开发快。 原生 = 成本高，但体验好。 现在 Coding Agent 开始承担大量重复实现、迁移、测试和 Review 之后， 这个公式可能变成： AI Coding + Native = 开发效率 + 原生体验。 而视觉模型又给 Native App 增加了一层新的可能： 它不只是“一个带 AI 的应用”。 AI 可以开始直接理解你正在使用的整个操作系统。 以前是： 人费劲地告诉 AI：我在看什么。 以后可能只需要：划个圈。 它就懂了。 附录链接👇