Clark

我试过很多 AI 工具，但能直接返回带证据的完整研究结果，感觉实用多了。我挺好奇它长期适应不同工作流的表现。

把研究、编码、电子表格和演示文稿集成到一个工作流里，这让我很感兴趣。之前这些任务我都是分开用不同工具做的，所以整合起来听起来很高效。我最大的疑问是，在涉及跨几天、需求和优先级不断变化的长项目中，它能否很好地维持上下文。

对我来说，最有价值的功能是能交付完整的成果，而不是半途而废。我一直觉得执行力比单纯的速度更重要。我很想看到一个真实对比案例，展示在同一研究任务中，用 Clark 和不用 Clark 的工作流差异。

我一直在找能无需持续监督就能管理研究的东西，这个听起来很有希望。并行专家模式的想法尤其吸引人。我想知道系统如何决定哪个专家负责项目的哪个部分。

对我来说，“拥有云电脑”这个定位让它有别于聊天封装器——但它的成败在于状态管理。任务之间，每个作业是每次清空的新临时 VM，还是一个持久的工作空间，保留文件和上下文，以便定时监控运行能真正基于上次结果进行？另外，在真实 repo 中使用 Clark Code 时，它是在自己的环境里克隆仓库然后返回一个 PR/diff 供我审查，还是需要直接写入 repo 的权限？

Hey Product Hunt — 我上线了 Clark Agent，因为现在的 AI 用起来还是太像聊天窗口了。

Clark 围绕另一种模式构建：给 AI 配一台自己的云端电脑，带浏览器、终端、文件、代码，还有一个异步工作空间。你下发一个任务，走开，然后回来查看结果。

我们关心的实际工作包括：浏览器调研、网站发布、定时监控、文档审计、演示文稿、电子表格和代码补丁。关键是 Clark 会返回可检查的文件、截图、来源、日志或 URL。

我希望得到关于三点的反馈：

1. 你第一个想尝试的真实任务是什么？
2. "自带云端电脑"这个想法传达得清楚吗？
3. 在什么地方你仍然会犹豫不信任它？