#模式强度选择

超级智能体、AI 幻灯片、AI 文档、AI 表格等智能体以 Standard 和 Ultra 区分质量精度，两种模式均需在生成前选定。选择时，除问题本身的难度外，还应关注资料数量、步骤之间的依赖关系、交付物的复杂程度，以及是否对外交付。

Standard 生成速度较快、资源消耗较少，适用于内容起草、信息整理及常规制作等任务。{} 内的内容为可替换变量，使用时根据实际需求填写。

制作演示初版：根据产品介绍生成一份 8 页的内部分享演示文稿初版，包含产品亮点、应用场景和后续计划。

根据{产品介绍文件}，制作一份用于{内部分享}的{8页}演示文稿初版。

处理规则：
面向{销售团队}组织内容，突出产品价值；
每页围绕一个主题，使用简洁标题和要点；
产品功能、参数和案例以提供的资料为准；
资料中缺少的数据或图片标注“待补充”；
采用{简洁商务}风格，统一字体、配色和版式。

演示文稿包括：
封面、产品概述、核心亮点、应用场景、后续计划、总结。
总页数包含封面和总结页。

整理项目进度表：根据任务清单生成项目进度表，统一日期与状态格式。

根据{项目任务清单}，制作{项目名称}的项目进度表，生成 Excel 文件。

处理规则：
每项任务单独占一行；
日期统一为 YYYY-MM-DD；
完成状态统一为“未开始、进行中、已完成、已暂停”；
缺少负责人或计划日期时留空，并在备注中标注“待确认”；
截止日期早于开始日期时，在备注中标注异常；
启用表头筛选并冻结首行，便于日常更新。

表格字段包括：
任务名称、负责人、开始时间、截止时间、完成状态、备注。

Ultra 具备更强的推理能力，同时需要消耗更多资源，适用于最终版本制作、对外交付，以及对推理深度、逻辑严谨性和内容质量要求较高的任务。

完善客户方案终稿：根据客户需求和现有方案完善正式交付版本，检查前后逻辑、交付范围与验收标准，并标出需要确认的信息。

根据{客户需求文件}和{现有方案文件}，完善面向{客户名称}的正式交付方案，生成 Word 文件。

处理规则：
逐项核对客户需求，明确方案中的对应内容；
检查目标、实施步骤、时间安排和交付成果是否一致；
明确交付范围、客户配合事项与验收标准；
统一术语、数据、编号和引用；
对相互冲突或缺失的信息标注“待确认”，不自行编造；
涉及费用、工期和服务承诺的内容以已提供资料为准；
采用{正式、清晰、专业}的表达风格。

文档包括：
项目背景、需求与目标、解决方案、实施计划、交付清单、
验收标准、风险与应对、待确认事项。

开展复杂经营分析：结合销售、成本和预算数据，分析利润变化的主要原因，区分已验证结论与推测，并提出有数据依据的改进建议。

结合{销售数据文件}、{成本数据文件}和{预算数据文件}，
分析{分析期间}的利润变化，生成经营分析报告及配套 Excel 分析表。

处理规则：
先核对各文件的统计期间、金额单位和业务范围；
明确利润的计算口径，区分实际值与预算值；
从收入、成本和费用等维度拆解利润变化；
区分已验证结论、合理推测和暂时无法判断的事项；
关键结论注明数据来源、计算方法和比较基准；
缺失数据不直接按零处理；
提出有数据依据的改进建议，并说明适用条件。

报告包括：
核心结论、利润变化拆解、预算差异、主要影响因素、
数据局限、改进建议。

Excel 工作表包括：
数据说明、分析明细、指标汇总、异常记录。

#使用技巧

为兼顾响应速度、结果质量与积分消耗，建议按照“明确需求 → 评估难度 → 逐步调整 → 统一对比”的顺序选择配置：

• 先明确需求：精度和模型只影响推理投入，不能弥补需求信息的不足。若任务目标、背景或输出要求尚不清晰，应先参照“开启新对话”中的通用模板补充信息。
• 高端模型慎用：仅在质量提升确实影响结果时，才使用顶级模型，例如最终版本或对外交付的内容。
• 先梳理再制作：制作演示文稿或交给超级智能体执行任务前，可先在 AI 聊天中梳理内容和提示词，再交给智能体制作，减少反复沟通带来的消耗。
• 创建复用分级：在 AI 幻灯片中制作可复用的技能时，值得使用 Ultra，基于已有技能制作日常演示文稿时，换用成本更低的 Standard。
• 统一材料对比：比较模型时，应使用同一份资料和同一段提示词，检查结果是否完整、是否遵守约束、有无编造信息，不宜仅凭篇幅或语气判断优劣。

#选用建议

模型选用应兼顾输出质量、响应速度与积分消耗，能力更强并不意味着更适合所有任务。简单任务使用高端模型，质量提升可能有限，却增加等待时间与成本。复杂任务使用能力不足的模型，则可能遗漏关键条件或产生错误结论，增加后续返工。对于需求明确、影响有限的任务，宜先使用 Standard 或较低成本的模型验证效果，再根据实际问题调整。对于复杂分析、重要决策材料及正式交付成果，可直接考虑 Ultra 或能力更强的模型。

轻量任务求效率。 会议纪要要点整理、邮件摘要、字段提取、格式转换和基础问答等任务，通常可以从 Standard 或较低成本的模型起步。选择时重点检查信息是否完整、格式是否符合要求，以及处理速度是否满足需要。若结果已经稳定达标，无须仅为追求更高精度而增加消耗。

日常任务求均衡。 内部通知、博客提纲、工作备忘录和演示文稿初稿等任务，需要一定的理解与组织能力，但通常允许多轮修改。宜先用 Standard 明确结构、事实和表达方向，再根据初稿质量决定是否升级。若问题集中在背景不足、要求含糊或格式不清，应先补充提示词，避免通过更换模型反复生成相似结果。

复杂任务重推理。 多来源资料比较、复杂编程、策略分析和需要交叉验证的任务，对逻辑推理、条件识别及结果核验的要求更高，可选择 Ultra 或当前产品中能力较强的模型。当准确性比速度更重要、错误会明显增加返工成本时，可以直接从较高精度开始。任务执行过程中仍应检查证据、计算过程和关键假设，不能将模型精度作为结论可靠性的保证。

正式交付重质量。 面向客户、公开发布或用于正式汇报的内容，应重点检查事实准确性、结构完整性、表达一致性和呈现效果。可以先用标准选项完成初稿，再使用较高质量选项进行最终修改。是否升级应取决于现有结果与交付要求之间的差距；已经满足标准的内容，不必仅因进入终稿阶段而重新生成。

视觉任务按效果选型。 图片和视频任务宜先用成本较低、能够满足基本要求的模型验证构图、风格与内容方向。需要正式交付时，再根据文字清晰度、细节表现、运动自然度和整体一致性等具体问题调整模型或生成参数。升级前应明确需要改善的部分，避免只提高生成规格，却没有解决内容本身的问题。

音频音乐控制数量。 AI 音频和 AI 音乐的 Auto-select 会同时生成多个版本，并分别计费。只需要一个结果时，宜先手动选择单个模型；确认方向后，再决定是否生成其他版本。自动选择适合确实需要比较多种效果的场景，不宜将其理解为自动挑选一个最省积分的模型。

模型与任务的匹配关系仅作为选择参考，并不意味着某类任务只能由特定模型完成，也不代表模型在其他场景下不具备适用性。实际效果通常受到资料质量、问题表述、任务复杂度及输出要求等因素影响。建议先明确任务目标和验收标准，再通过实际测试比较不同配置的表现，重点检查内容准确性、要求遵循情况及结果可用性，选择符合当前需求的配置。

模型以实测为准

• 模型选择应以任务复杂程度和信息处理需求为依据，不宜将场景推荐理解为固定的能力边界。提取会议要点，可优先测试响应较快、积分消耗较低的配置；撰写复盘或整合多份资料形成报告，则应重点考察归纳分析、信息关联和复杂约束处理能力。

• 建议选取具有代表性的任务样本，在提示词、输入资料和验收标准一致的条件下，比较不同模型或精度的正确性、完整性、约束遵循、响应时间与积分消耗，以能否稳定满足要求为主要依据确定配置，避免仅凭单次回答判断优劣。

• 新模型上线后可优先测试，但不宜仅凭发布时间、名称或价格认定其更适合当前任务。现有配置能够稳定满足需求时，无需立即更换；任务条件或交付标准变化后，应重新评估。

优先调整提示词

• 输出不及预期时，应先检查任务目标是否明确、资料是否充分、限制条件是否一致，以及输出格式和验收标准是否具体。对于必须包含的内容、需要避免的信息及无法确认时的处理方式，应清晰说明，减少指令歧义和要求冲突。

• 应根据问题类型调整提示词：偏离主题时限定范围，内容空泛时补充资料，结构或表达不符时明确格式并提供示例。复杂任务可分阶段处理，减少要求交织造成的遗漏。

• 调整后，应按原有验收标准检查效果。确认任务说明和资料条件已经充分，结果仍持续出现关键错误或遗漏时，再考虑提高推理强度、调整精度或更换模型，并通过复测确认效果。

结论以验证为据

• 结果是否可用，应以事实核查、数据校验和实际测试为依据，而非仅凭回答篇幅、上下文长度或推理强度判断。表述流畅、信息丰富，不代表结论必然准确；使用前应区分已核实事实、条件性推断及待确认信息。

• 文本任务应核对事实、引用和逻辑；数据任务应复核来源、口径与计算结果；编程任务应通过实际运行和测试；图片及音视频任务应检查细节、连贯性与交付规格。涉及重要决策的内容，应经相应人员复核；政策、产品规则等动态信息，应查阅最新有效资料。

• 多步骤或长周期任务应提前明确阶段目标与验收标准，先确认关键阶段的结果，再继续后续处理。发现错误应及时修正，避免问题累积；涉及对外发布、数据修改或生产环境操作时，应落实必要的人工确认与审批要求。

#权限设置

为控制智能体修改文件、运行命令等操作的风险，Genspark 提供以下三种批准权限模式，用于决定执行前是否需要用户确认。用户可通过输入框下方的权限菜单进行选择。

内容安全规则。服务条款禁止通过 Genspark 从事违法、欺诈或有害的活动。违反模型内容和安全规则的输出会被自动拦截，界面显示“NSFW”提示；该提示属于模型的安全机制，并非系统错误。

开源模型托管。Genspark 提供的模型中，有一部分为开源模型，包括 DeepSeek、Kimi、GLM、MiniMax 和 Qwen 等。官方说明，这些模型运行在位于美国的推理平台上，包括 Fireworks AI 和 Baseten；提示词、文件和结果发送至托管平台，而不会发给模型的原开发公司。Genspark 与这些平台签有零数据保留（ZDR）协议：请求处理完毕后，平台不保留提示词和结果，所发送的内容也不会用于训练模型。

Gen-1 的数据边界。AI 幻灯片的 Gen-1 模型以开放权重模型 MiniMax M3 为基础训练而成，但运行在美国的基础设施上，数据不会提供给 MiniMax。Gen-1 本身不开放权重。Gen-1 的训练只使用了内部构建的任务，没有使用用户的演示文稿；另有一项效果评估使用了 200 个去标识化的演示文稿任务，仅来自开启了 AI 数据保留的个人用户。

训练数据设置。个人内容是否用于改进 Genspark，可在 设置 > 数据控制 的 AI 数据保留设置中管理，该设置同时决定内容是否用于模型训练和去标识化评估。Team 和 Enterprise 账户自动退出模型训练，Genspark 不会使用团队内容训练模型。

生成内容的使用权。Plus、Pro、Team 和 Enterprise 方案包含 AI 生成内容的商业使用权，可用于客户项目、交付物、网站和广告等；第三方模型提供方持有的权利不在授予范围内，转载或发布生成内容时应注明来源。

账号与年龄。使用者须年满 18 周岁，或达到所在国家和地区规定的最低年龄；未满 18 周岁的，需取得父母或法定监护人的许可。账号和密码不得与他人共享，也不得允许他人登录使用本人账户。用户需对提交的全部内容负责，不得利用生成内容冒充个人或机构，或制造误导性、欺诈性的信息。