一句话信息差：当国内同行还在卷"哪个 coding agent 最强"时，海外这周把 AI 推进了三件非码的"体力活"里——粘贴测试用例自动跑浏览器、开会时实时旁路提词、用大白话筛美股。更妙的是，其中两把刀的根上就写着通义千问和本地模型，是国产模型出海和独立开发者照抄范式的现成窗口。
2026 年 7 月，Hacker News 的 Show HN 板块挤满了新 AI 工具，但画风悄悄变了。过去一年是"又一个 coding agent"，这周开始出现一批不做代码补全、专挑重复体力活下手的刀。我筛掉了噪音，留下三把今天（2026-07-04）刚上架、star 还是个位数、但思路值得立刻扒一遍的新工具：Qpilot（自然语言测试用例→真实浏览器执行）、AssistantAI（实时监听你的会议/通话并旁路提示）、FinMav（大白话选美股）。三者的共同点是一条 2026 年才成熟的范式——「描述 → 执行 → 留证」：你写人话，AI 去真实系统里跑，再给你每一步的证据。对国内技术人的启示不是"又多三个玩具"，而是这条范式能照搬到 QA、合规、选品、客服的每一个角落。
这是什么：一个 TypeScript 写的开源 AI agent，你把一段纯文本的测试用例粘进去，它自己开 Chrome、按步骤点击、最后给你每一步 pass / fail / warn 的判定和证据截图。
官网/仓库：GitHub broxhq/qpilot（MIT 协议），npm 包名 qpilot，仓库创建于 2026-06-03，今天还在 Show HN 头条区。
核心信息差（国内最该知道的一点）：它的模型层是模型中立的。默认走 Anthropic 的 claude-haiku-4-5，但更重要的是支持"任意 OpenAI 兼容 endpoint"——Qwen、vLLM、Ollama、OpenRouter、企业网关都行。README 里直接把通义千问的接入例子写死了：
Base URL: https://dashscope-intl.aliyuncs.com/compatible-mode/v1
Model id: qwen2.5-72b-instruct
这是这次情报里最值钱的一行字：一个 HN 上的海外新刀，出厂就把阿里 DashScope 国际站 + 通义千问 72B 当作一等公民写进文档。说明国产大模型在海外"模型中立"生态里已经成了默认选项。对国内测试团队来说，意味着你不用付美元、不用翻墙充值，用现成的通义 API 就能把这套自然语言测试跑起来（前提是模型支持 function/tool calling，README 明确说了这一点）。
怎么用：
npx qpilot # 一行启动，首次跑会引导你选模型提供商
要求：Node.js 20.12+、本地 Chrome、一个模型 key。配置存在 ~/.qpilot/config.json（权限 600）。然后把你已有的、写给人看的测试用例（.md 文件）丢给它：
TC-001 — Login and add item to cart
URL: https://www.saucedemo.com/
Steps:
1. 打开首页，期望看到登录表单。
2. 输入账密点登录，期望进入 6 件商品列表。
3. 点 "Add to cart"，期望购物车角标显示 1。
它会一条条跑，碰到验证码或 OTP 会暂停问你，你处理后它接着跑。还能批量喂一整个文件夹的 .md，串行执行，中途可 Stop，历史记录在 Recent runs 里。
为什么值得抄思路：它读页面靠的是 ARIA 语义而不是写死的 CSS selector，所以前端改版不会让你的测试全挂——这是它对标 Selenium/Playwright 脚本的最大卖点。QA 不再是"会写代码的人才能维护的资产"，而是"任何人写得清楚的步骤描述"。
国内同类对比：
| 维度 | 手工/Selenium 脚本 | 阿里云效等平台测试 | Qpilot |
|---|---|---|---|
| 谁能写用例 | 人/会写代码的 | 测试工程师 | 任何人 |
| 改版后维护成本 | 高（selector 易碎） | 中 | 低（读 ARIA） |
| 模型成本 | 0 | 平台费 | 你选的模型，可走通义千问/本地 |
| 是否开源可自托管 | 看情况 | 否 | 是（MIT） |
适用人群：中小团队 QA、独立开发者自测、做外包验收的人。坦诚提示：它 star 还很低（个位数），是刚上线的窗口期工具，别直接拿去压生产核心流程，先在预发环境/演示站跑通。
这是什么：一个 macOS 上的实时桌面旁路 AI。它监听你选定的 App（Zoom、Teams、Telegram、浏览器等）的声音，识别出对话，结合你挂载的文档实时生成应答，还能截屏让 AI 分析，全部跑在本地，外加一个远程 Web 界面。
仓库：GitHub Aleksandern/assistant-ai，Python 写，创建于 2026-06-26，Show HN 2026-07-04。作者定位为个人工程探索项目（low-latency desktop AI）。
技术栈信息差：这套链路几乎可以逐字照搬成你自己的产品——
- 音频采集：ScreenCaptureKit（苹果原生，只抓指定 App 的声音，不录全机）；
- 语音活动检测：Silero VAD（判断"有人说话了"）；
- 语音转文字：whisper.cpp（本地 STT，不上云）；
- 上下文应答：挂一份文档做 RAG，实时给话术；
- 截屏分析 + 本地历史 + 远程 Web UI。
为什么这是国内的产品缺口：国内会议工具（通义听悟、飞书妙记、讯飞听见）几乎全是"事后转写 + 摘要"——会开完了才出结果。而 AssistantAI 走的是"实时旁路提词"路线：会还在开着，对方刚问了个刁钻问题，它已经在你另一个屏幕上把答案递过来了。这个形态天然适合英文会议/海外客户通话/技术面试/跨境电商客服等场景，而且因为 STT 走本地 whisper.cpp，会议内容不出本机，合规上比"把音频上传到云"友好得多。roadmap 里还排了 Ollama / llama.cpp 本地大模型后端，意味着将来可以做成纯本地、零外发的一体机方案。
国内同类对比：
| 维度 | 通义听悟/飞书妙记 | Otter.ai 等海外 | AssistantAI |
|---|---|---|---|
| 时机 | 会后转写 | 准实时 | 实时旁路递话 |
| 数据去向 | 云端 | 云端 | 本地 STT（可全本地） |
| 能挂私有文档应答 | 弱 | 弱 | 是（RAG） |
| 是否开源 | 否 | 否 | 是 |
| 平台 | 全平台 | 全平台 | 仅 macOS（依赖苹果 API） |
适用人群：跨境电商运营、跟海外客户开会的销售、技术面试者、做客服质检/实时辅助的产品经理。坦诚提示：目前主要面向英文（whisper.cpp + Silero VAD），中文实时效果要自己测；且只在 macOS 跑（因为 ScreenCaptureKit 是苹果 API）。
这是什么：一个 AI 选股器。你用英语描述你要什么样的票，它把这句话翻译成精确的筛选条件，并把每一个用到的参数摊开给你看，还会提示你可能漏掉的条件。覆盖 3000+ 只美股。
官网：finmav.ai，免费起步（"Start Screening Free"）。
官方示例 query： - "undervalued tech with strong growth"（被低估、有强增长的科技股） - "dividend aristocrats"（股息贵族） - "compare AAPL vs MSFT" - "small-cap biotech"（小盘生物科技）
信息差在哪——可解释性：这是它和国内"问财"类工具的关键差别。国内的自然语言选股往往是黑盒：你说一句话，它给你一串票，但说不清到底是哪几个条件筛出来的，你不敢信。FinMav 的卖点是"shows every parameter it applied, and flags anything you might have missed"——把它用的每个过滤参数列给你，并提示你没想到的条件。对做投研的人来说，这个"透明 + 补漏"的交互，比单纯的"给答案"值钱得多。
为什么连非金融的技术人也该看一眼：FinMav 是垂直 AI Agent 的小型教科书。它干的事 = 把一句模糊自然语言，结构化成一组带参数的 DSL，再去真实数据库执行，最后回带证据 + 主动纠错。这套"自然语言→可审计的结构化操作"范式，可以 1:1 搬到你熟悉的领域：选品（电商）、选简历（招聘）、选供应商（采购）、选标的（一级市场）。FinMav 证明了这种小而专的工具在 2026 年能独立成立为一个产品。
适用人群：海外市场个人投资者、做金融/电商数据产品的独立开发者（拿来抄范式）、需要可解释筛选的投研人员。坦诚提示：目前是美股（3000+ 只，覆盖美股大盘），暂非 A 股；投资有风险，工具输出不构成建议。
把三款工具抽象一下，它们都跑在同一条流水线上，这条流水线就是 2026 年"操作性 AI"和 2024 年"对话式 AI"的分水岭：
flowchart LR
A["人话描述<br/>测试用例/通话场景/选股意图"] --> B["AI 翻译成<br/>可执行操作"]
B --> C["在真实系统执行<br/>浏览器/桌面/股票库"]
C --> D["每步留证<br/>pass-fail/截屏/参数清单"]
D --> E{"遇到阻碍?<br/>验证码/OTP/遗漏条件"}
E -- 是 --> F["暂停问人 / 主动纠错"] --> C
E -- 否 --> G["可信结果 + 证据链"]
style A fill:#eef,stroke:#335
style C fill:#efe,stroke:#363
style D fill:#ffd,stroke:#996
style G fill:#dff,stroke:#369
Qpilot 的"留证"是每步 pass/fail/warn + 截图；AssistantAI 的"留证"是本地对话历史 + 截屏分析；FinMav 的"留证"是摊开所有筛选参数 + 标出遗漏条件。三者都拒绝"黑盒给答案"，都把证据链还给你——这恰恰是国内大量 AI 产品最缺的一环。
再看 Qpilot 这条具体的执行回路（它最值得复刻的部分）：
sequenceDiagram
participant U as 你
participant Q as Qpilot agent
participant M as 模型(Claude/Qwen/本地)
participant B as Chrome 真实浏览器
U->>Q: 粘贴 .md 测试用例
Q->>M: 读当前页 ARIA 语义，决定下一步操作
M-->>Q: 返回工具调用(点击/输入)
Q->>B: 执行操作
B-->>Q: 页面变化 + DOM
Q->>U: 实时显示 pass/fail/warn
Note over Q,B: 命中验证码/OTP → 暂停，问人
Q->>U: 跑完，汇总每步证据
注意图中那段"命中验证码/OTP 就暂停问人"——这是它区别于"瞎跑到底会卡死"的脚本的关键设计，也是国内做浏览器 agent 最容易忽略的人机协同断点。
| 维度 | 国内普遍认知 | 本周海外窗口期现实 |
|---|---|---|
| 自然语言测试 | 要写 Selenium/Playwright 脚本，改版就挂 | Qpilot：粘文本，读 ARIA，改版不挂，支持通义千问 |
| 会议 AI | 会后转写摘要 | AssistantAI：实时旁路递话，本地 STT 不外发 |
| 自然语言选股/筛选 | 黑盒给一串结果 | FinMav：摊开每个参数 + 标出遗漏 |
| 模型选择 | 绑定单一云模型 | 三把刀都偏模型中立，Qwen/本地成默认选项 |
| 产品范式 | 对话式问答 | 「描述→执行→留证」操作性 agent |
| 落地时机 | 等"成熟大厂产品" | 这些刀 star 个位数，正是抄思路/抢窗口期 |
npx qpilot，配你的通义千问 DashScope key（README 例子现成），拿一个演示站（如 saucedemo）的测试用例跑一遍。体感"AI 替我点网页"之后，再评估要不要接进你们 CI 的冒烟测试。本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。