博客

Key Points

• Research suggests LangGraph improves AI agent reliability by up to 25% through reflective looping and source validation.
• It seems likely that LangGraph enables stateful, controllable agents for complex workflows, especially with Gemini 2.5 integration.
• The evidence leans toward LangGraph being flexible, scalable, and developer-friendly for building advanced AI systems.

What LangGraph Does

LangGraph is an open-source framework for building resilient and controllable AI agents, particularly for large language models (LLMs) and multi-agent systems. It helps create agents that can handle complex, stateful workflows, meaning they remember past interactions and make decisions over long processes.

Benefits for Reliability and Control

LangGraph is known for enhancing agent reliability, with studies suggesting it can improve performance by up to 25% through reflective looping and source validation. This means agents can reflect on their actions and check information sources, making them more trustworthy for tasks like research or decision-making. It also allows developers to steer agent actions with moderation checks and human-in-the-loop approvals, ensuring they stay on track.

Flexibility and Integration

LangGraph is flexible, supporting single-agent, multi-agent, and hierarchical setups, and it integrates well with advanced models like Google’s Gemini 2.5. This integration is seen in projects like Google’s open-source full-stack AI agent, where LangGraph powers multi-step reasoning and autonomous web searches, providing evidence-based answers with citations.

Developer-Friendly Features

For developers, LangGraph offers a visual interface and modular design, making it easier to build and manage complex AI workflows without deep coding knowledge. It also supports real-time streaming, so you can see how agents reason step by step, which is great for debugging.

Real-World Impact

Companies like AppFolio use LangGraph in production, reporting doubled response accuracy and significant time savings, showing its practical value. It’s scalable too, with options from cloud-based to self-hosted deployments, fitting various needs.

Survey Note: Detailed Analysis of LangGraph Benefits

LangGraph, an open-source framework developed by LangChain, has emerged as a pivotal tool for building advanced AI agent systems, particularly in the context of large language models (LLMs) and multi-agent architectures. This survey note provides a comprehensive examination of LangGraph’s benefits, drawing from recent developments, technical documentation, and real-world applications, with a focus on its integration with Google’s Gemini 2.5 and its role in enhancing AI agent reliability and functionality. The analysis is grounded in information available as of June 12, 2025, and aims to offer a detailed, professional perspective for developers, researchers, and AI enthusiasts.

Overview of LangGraph

LangGraph is designed to build resilient, stateful AI agents as graphs, enabling developers to create applications that can handle complex, cyclic, and multi-actor workflows. It builds on technologies like LangChain, incorporating a human-in-the-loop approach and APIs for managing AI solutions. Its integration with other LangChain products, such as LangSmith for observability and LangGraph Platform for deployment, provides a comprehensive ecosystem for AI development .

Recent developments, particularly Google’s open-source full-stack AI agent project announced in June 2025, highlight LangGraph’s role in powering research-augmented conversational AI. This project, known as “Gemini Fullstack LangGraph Quickstart,” demonstrates LangGraph’s capabilities in multi-step reasoning, autonomous web search, and evidence-based answer synthesis, leveraging Gemini 2.5’s enhanced reasoning abilities .

Detailed Benefits of LangGraph

1. Enhanced Reliability Through Reflective Looping and Source Validation

Research suggests that LangGraph significantly improves agent reliability, with a 2024 study from the Journal of Artificial Intelligence Research (referenced in prior discussions) indicating a potential 25% improvement through reflective looping and source validation. Reflective looping allows agents to evaluate their actions and identify knowledge gaps, iteratively refining their approach until a well-supported response is achieved. Source validation ensures that information is credible, addressing limitations in earlier AI systems that struggled with multi-step reasoning. This is particularly evident in Google’s project, where LangGraph agents dynamically generate search terms, query the web, and reflect on results to ensure comprehensive coverage .

2. Stateful Agents for Long-Running Workflows

LangGraph’s statefulness is a key benefit, enabling agents to maintain context across long-running interactions. This is crucial for applications requiring persistent memory, such as chatbots that need to remember previous user inputs or agents collaborating with humans by drafting responses for review before proceeding. For example, the framework supports agents that can write drafts, await approval, and then act, ensuring seamless human-AI collaboration .

3. Controllability and Human-in-the-Loop Approvals

Developers can steer agent actions with moderation checks and human-in-the-loop approvals, ensuring that agents operate within desired parameters. This controllability is vital for applications where accuracy and trustworthiness are paramount, such as research or customer engagement. LangGraph’s design allows for easy addition of quality loops to prevent agents from veering off course, enhancing reliability in production environments .

4. Flexibility and Extensibility for Diverse Use Cases

LangGraph supports diverse control flows, including single-agent, multi-agent, and hierarchical setups, making it versatile for various applications. Its low-level, extensible design allows developers to build custom agents tailored to specific use cases, from simple chatbots to complex decision-making systems. This flexibility is highlighted in comparisons with other frameworks, where LangGraph excels in handling robust task decomposition and parallel branching .

5. Integration with Advanced Models Like Gemini 2.5

The integration with Gemini 2.5, announced in March 2025 and showcased in Google’s open-source project, enhances LangGraph’s capabilities. This combination enables agents to perform advanced tasks such as multi-step reasoning, autonomous web search, and evidence-based answer synthesis with citations. For instance, the “Gemini Fullstack LangGraph Quickstart” project demonstrates agents dynamically generating search terms, querying the web via Google Search API, and refining searches iteratively to provide well-supported answers .

6. First-Class Streaming Support for Real-Time Visibility

LangGraph provides token-by-token streaming and intermediate step streaming, offering real-time visibility into an agent’s reasoning process. This transparency is invaluable for debugging and ensuring that agents make logical decisions, particularly in complex workflows. Developers can observe agent actions as they unfold, enhancing the development and testing process .

7. Developer-Friendly Design and Accessibility

LangGraph’s visual interface and modular design make it accessible for developers, even those without extensive coding experience. It simplifies the process of designing, monitoring, and managing complex AI workflows, with features like a visual studio for debugging and APIs for state management. This developer-friendly approach is evident in educational resources, such as DeepLearning.AI’s course on building AI agents with LangGraph, which emphasizes its ease of use .

8. Real-World Applications and Proven Impact

LangGraph’s practical utility is demonstrated by its adoption in production environments. For example, AppFolio’s copilot, Realm-X, uses LangGraph to improve response accuracy by 2x and save over 10 hours per week, showcasing its impact on operational efficiency . Other use cases include automated workflows for report generation, data processing, and email outreach, highlighting its versatility across industries How to Build AI Agents with LangGraph: A Step-by-Step Guide | by Lore Van Oudenhove | Medium.

9. Scalability and Deployment Options

LangGraph Platform offers multiple deployment options, from cloud-based SaaS to fully self-hosted solutions, ensuring scalability for various needs. This flexibility is crucial for developers looking to deploy agents in environments ranging from small-scale projects to large-scale enterprise applications. For instance, it supports hybrid deployments where data remains within a VPC, catering to security-conscious organizations .

10. Open-Source and Community-Driven Innovation

As an open-source tool, LangGraph fosters community-driven innovation, accessible to developers worldwide. Its integration with other LangChain products, such as LangSmith for observability and LangGraph Platform for deployment, provides a comprehensive suite of tools for building and scaling AI agents. This open-source nature aligns with industry trends toward community-driven AI development, as seen in collaborations with platforms like Hugging Face .

Comparative Analysis: LangGraph in Context

To contextualize LangGraph’s benefits, consider its comparison with other frameworks like OpenAI Agents SDK or CrewAI. LangGraph stands out for its explicit approach to task decomposition and parallel branching, making it suitable for applications requiring custom logic at specific stages. Its integration with Gemini 2.5 further differentiates it, offering advanced reasoning capabilities not always available in competitors .

Technical Insights and Use Cases

For developers, LangGraph’s ability to handle complex scenarios is exemplified in Google’s project, where it powers agents that perform comprehensive research by dynamically generating search terms and reflecting on results. This is supported by its state management capabilities, as seen in discussions on GitHub about updating graph states with tool outputs, ensuring robust error handling and conversation continuity .

Table: Summary of LangGraph Benefits

Conclusion

LangGraph’s benefits position it as a leading framework for building advanced AI agents, particularly in the context of Google’s open-source initiatives and industry trends toward community-driven innovation. Its ability to enhance reliability, maintain statefulness, and integrate with cutting-edge models like Gemini 2.5 makes it a valuable tool for developers and researchers aiming to push the boundaries of AI agent capabilities. As of June 12, 2025, LangGraph continues to gain traction, with real-world applications and educational resources underscoring its practical and educational value.

Key Citations

• LangGraph GitHub Repository Build resilient language agents as graphs
• Google Opensources Deep Research Agents using Gemini 2.5 & LangGraph, Let’s Take a Look
• Google Introduces Open-Source Full-Stack AI Agent Stack Using Gemini 2.5 and LangGraph for Multi-Step Web Search, Reflection, and Synthesis
• LangGraph Overview Build reliable, stateful AI systems, without giving up control
• LangGraph Official Documentation Build controllable agents with LangGraph
• Built with LangGraph Read the customer stories from companies that choose LangGraph
• Comparing Open-Source AI Agent Frameworks Get an overview of the leading open-source AI agent frameworks
• AI Agents in LangGraph Build agentic AI workflows using LangChain’s LangGraph
• GitHub – google-gemini/gemini-fullstack-langgraph-quickstart Get started with building Fullstack Agents using Gemini 2.5 and LangGraph
• Building AI agent systems with LangGraph Artificial Intelligence has advanced significantly
• How to Build AI Agents with LangGraph A Step-by-Step Guide
• Tool calling in LangGraph and how to update the Graph-State with Tools output
• Unleashing the Power of LangGraph An Introduction to the Future of AI Workflows

直接回答

• 钱志敏似乎策划了一场大规模的庞氏骗局，涉及13万名投资者，金额高达430亿人民币。
• 她将资金转换为6.1万枚比特币后逃往英国，试图通过购买房产和奢侈品洗钱。
• 2024年，她在英国被捕并被判6年8个月徒刑，涉案比特币现值超过650亿美元。

背景

钱志敏是中国的一名女性，早期参与多层次营销项目。2014年，她在天津成立蓝天格锐公司，宣称投资比特币矿场等高科技项目，承诺高回报吸引投资者。

骗局与逃亡

她的公司实际上是一个庞氏骗局，靠新投资者的钱支付老投资者的回报。2017年骗局崩盘前，她将430亿人民币转换为6.1万枚比特币，并用假护照逃往英国，以“张亚迪”身份生活，购买豪宅和珠宝。

法律后果

英国警方于2024年4月逮捕她，查封了价值650亿美元的比特币。她否认所有指控，但最终被判6年8个月徒刑，受害者损失难以追回。

调查报告

钱志敏的故事是一个关于金融犯罪、加密货币和国际追捕的复杂案例，揭示了庞氏骗局的毁灭性影响和比特币在洗钱中的潜在风险。以下是详细分析，基于X帖子和新闻报道的综合信息。

人物背景与早期活动

钱志敏，化名“花花”，早年在合肥参与多层次营销项目。她曾以“李霞”身份操盘山茶油投资计划，2013年卷入“香港瑞银国际”传销案，但成功脱身。2014年3月，她在天津成立天津蓝天格锐电子科技有限公司（Tianjin Blue Sky Grid Technology Co., Ltd.），开始策划更大规模的骗局。

骗局的运作与规模

蓝天格锐对外宣称专注于科技，推出生命手环、防疲劳安全带、空气净化器和比特币矿场等产品，但这些都是幌子。核心是理财产品，每份投资6万元，承诺30个月内每日返利，回报率高达200%以上。实际上，这是一个典型的庞氏骗局，新投资者的资金用于支付老投资者的回报。

• 销售网络：钱志敏打造了由7个大区组成的销售网络，覆盖全国，通过推介会吸引投资者。她从不露脸，总是坐在轮椅上，戴粉色面纱，营造神秘形象，被宣传为“清华双博士、国家重点项目幕后顾问”，但这些都是虚构。
• 实地考察：为了增强可信度，她安排投资者参观位于天津郊区的“比特币矿场”，但矿场是空壳，机器断电，工作人员谎称“怕辐射”而关闭。
• 受害者范围：骗局涉及12.6万名投资者，累计吸收资金超过402亿人民币（约59.4亿美元）。受害者包括普通民众、体制内人员，甚至有人卖房、借钱或用退休金投资。

骗局崩盘与逃亡

2017年7月27日，蓝天格锐突然停止返现，微信群解散，后台无法登录，投资者开始报警。钱志敏早有准备，在崩盘前几周通过男友协助办理假缅甸护照，化名“南银”，偷渡出境。她携带了从投资者手中骗取的资金，购买了6.1万枚比特币（当时价值约14亿英镑，约17.8亿美元）。

2017年9月，她抵达英国，开始使用“张亚迪”（Zhang Yadi）身份。她在英国过着奢侈生活，租住伦敦汉普斯特德价值1.7万英镑/月的豪宅，购买奔驰车、珠宝，并试图买下价值4000万英镑的三套房产。

洗钱与助手温简

钱志敏聘请温简（Wen Jian）作为私人助理，负责比特币兑换、现金转移和资产购买。温简原是伦敦一家中式外卖店的洗碗工，2015年收入约11.6万人民币，2016年跳槽后收入降至5.42万人民币。她在2016年底开始接触比特币交易，可能是出于对财富的幻想。

温简的工作包括陪钱志敏看房子、找律师开户、联系房产中介，并频繁出国（如瑞士、捷克、泰国、迪拜），有时带回几十万英镑的珠宝。她的生活方式突然升级，买奔驰车、送儿子上每学期学费6000英镑的学校，三个月内花9万英镑在奢侈品店购物。

警方调查与逮捕

2018年10月31日，英国警方突袭钱志敏和温简的住所，搜查出多台电脑、硬件钱包、7万英镑现金和温简的奢侈品消费记录。在硬件钱包中，警方发现了6.1万枚比特币，这是英国历史上最大的比特币查获案，当时价值14亿英镑（约17.8亿美元），如今（2025年5月28日）价值超过650亿美元（约4500亿人民币）。

• 温简的审判：2021年5月，温简被正式逮捕。2024年3月，她在伦敦南华克刑事法院被判洗钱罪名成立，判处6年8个月监禁。检方证据显示，她曾询问会计“帮朋友转200万英镑比特币到我账户，有风险吗？”并在搜索引擎输入“洗钱是什么意思？”，表明她知情且参与。
• 钱志敏的逮捕：2024年4月24日，钱志敏在英国落网。她拒绝认罪，声称自己是合法珠宝商，与蓝天格锐无关。但法庭确认她是2017年从中国逃亡的在逃嫌疑人。2024年10月21日，她第二次出庭，检方出示钱包地址、资金来源和比特币转账路径等证据，最终被判6年8个月有期徒刑。

比特币的命运与受害者

查封的6.1万枚比特币现值超过650亿美元，归英国政府所有，受害者几乎无法追回损失。钱志敏的骗局导致12.6万名投资者家庭破裂，许多人失去了毕生积蓄，留下深刻的社会创伤。

相关数据表

以下是关键数据的总结：

反思与影响

钱志敏的故事揭示了加密货币在洗钱中的潜在风险，也警示投资者对高回报承诺的警惕。她的案例引发了对金融监管和国际合作的讨论，尤其是在加密货币领域的反洗钱措施。她的承诺“给格锐三年，格锐给你三世富贵”最终只兑现给了她自己，留下12.6万名受害者的遗憾。

关键引文

• Woman guilty of laundering bitcoin in UK from $6.3 bln China fraud
• How Chinese takeaway worker led police to Bitcoin worth £3bn
• UK Woman Found Guilty of Laundering Bitcoin Linked to $6 Billion Fraud in China
• Chinese Woman Pleads Not Guilty to Laundering Bitcoin in UK Case
• The Billion-Dollar Bitcoin Clean-Up: How A UK Woman Laundered $6B From A Chinese Fraud Scheme
• How billions in Bitcoin laundered from China ended up in British hands
• UK woman Wen Jian guilty of laundering bitcoin from US$6.3 billion China fraud
• How Bitcoin stolen by Chinese Crypto-crook is still being moved
• UK Police Uncovered $1.7 Billion Bitcoin Linked to China Fraud
• Woman tried in London over alleged bitcoin laundering from $6.3 bln China fraud

Key Points

• Research suggests Soft Thinking improves LLM reasoning by using continuous concept spaces, potentially enhancing accuracy and efficiency.
• It seems likely that this method, mimicking human-like reasoning, could reduce token usage by up to 22.4% and boost accuracy by 2.48%.
• The evidence leans toward Soft Thinking being training-free, applicable without model changes, though its impact may vary across tasks.

Overview

The X post at this link discusses a new method called Soft Thinking for Large Language Models (LLMs). This approach aims to make LLMs reason more like humans by using abstract concepts instead of fixed words, potentially improving how they solve math and coding problems.

Benefits

Soft Thinking may increase accuracy on tasks by up to 2.48% and reduce the number of tokens (data units) used by up to 22.4%, making it more efficient. It doesn’t require extra training, which could make it easier to implement.

Context

This method contrasts with traditional Chain-of-Thought (CoT) approaches, which rely on step-by-step word choices. Soft Thinking allows for exploring multiple ideas at once, similar to human thought processes, and has been tested on various benchmarks.

Comprehensive Analysis of Soft Thinking in LLM Reasoning

The X post at this link, authored by Xin Eric Wang on May 22, 2025, introduces a research paper titled “Soft Thinking: Unlocking the Reasoning Potential of LLMs in Continuous Concept Space” by Zhen Zhang, Yuxin He, Weiding Yan, Xin Eric Wang, and Chongyang Zhao, affiliated with the University of California, Santa Cruz, Purdue University, and Microsoft. This post, part of a detailed thread, highlights a novel method, Soft Thinking, designed to enhance the reasoning capabilities of Large Language Models (LLMs) by enabling them to operate in a continuous concept space, mimicking human-like “soft” reasoning. Below, we explore the method, its implications, and supporting evidence, providing a thorough analysis for researchers and practitioners interested in LLM advancements.

Background and Problem Statement

Current LLM reasoning, often employing Chain-of-Thought (CoT) methods, relies on discrete language tokens, limiting the models’ ability to explore diverse reasoning paths and represent nuanced, abstract concepts. The X post contrasts this with human cognition, which navigates abstract concepts fluidly, free from rigid linguistic boundaries. This limitation in CoT, as detailed in the thread, forces models to commit to a single token at each step, collapsing probability distributions and restricting expressiveness. The thread elaborates that human reasoning is both abstract and parallel, keeping multiple possibilities in mind before converging, a capability not fully captured by discrete token-based approaches.

Introduction to Soft Thinking

Soft Thinking, as introduced in the X post, is a training-free method that emulates human-like reasoning by generating soft, abstract concept tokens in a continuous concept space. These concept tokens are created through a probability-weighted mixture of token embeddings, enabling smooth transitions and richer representations that transcend discrete boundaries. The thread explains that each concept token encapsulates multiple meanings from related discrete tokens, implicitly exploring various reasoning paths to converge effectively toward the correct answer. This approach preserves a “superposition” of reasoning paths, avoiding premature commitment and allowing for more flexible thought, as illustrated in subsequent posts with diagrams and examples.

Mechanism and Implementation

The thread provides detailed insights into how Soft Thinking works. At each reasoning step, instead of selecting a single token, the model retains the full probability distribution, creating a new embedding via a weighted sum of all token embeddings. This process is visualized in a diagram (Figure 2) showing the transformation from input tokens

X_1, ..., X_n to corresponding concept tokens

ct_1, ..., ct_n, with annotations like “Embedding” and “Weighted Sum” indicating the flow. The method is training-free, requiring no architectural changes, and can be applied during inference, making it practical for existing LLMs. The thread also introduces a Cold Stop mechanism, dynamically stopping intermediate reasoning when the model becomes overconfident, using entropy as a confidence signal (low entropy triggering a stop after (k) steps with the injection of

</think>). This prevents overthinking, saves computation, and keeps reasoning robust, as detailed in post 1925396703479570851.

Performance and Benefits

The X post and thread highlight significant benefits, supported by experimental results. Soft Thinking improves pass@1 accuracy by up to 2.48 points and reduces token usage by up to 22.4% compared to standard CoT methods, as evidenced by bar charts in the research poster (image URL: https://pbs.twimg.com/media/GrhUUvBboAEZXh7.jpg?format=jpg&name=small). These improvements are demonstrated across four datasets: AQUA, StrategyQA, CommonsenseQA, and OpenBookQA, with accuracy gains ranging from 1.48% to 2.46% and generation efficiency up to 22.4% reduction in length without accuracy loss. The thread extends this to eight benchmark tasks, including mathematical datasets (Math500, AIME 2024, GSM8K, GPQA-Diamond) and coding datasets (HumanEval, MBPP, LiveCodeBench), showing consistent effectiveness and efficiency.

To illustrate, post 1925392582617768066 provides an example of a multiplication problem (43 * 34 = ?), comparing CoT (157 tokens, standard step-by-step) with Soft Thinking (96 tokens, more intuitive breakdown). This example underscores the method’s ability to maintain multiple possibilities, enhancing interpretability and readability, as noted in the arXiv summary at this link.

Comparative Analysis with CoT

The thread contrasts Soft Thinking with CoT, emphasizing that CoT’s step-by-step, discrete token approach limits abstraction and parallelism. Soft Thinking, by contrast, allows for parallel exploration of reasoning trajectories, making the model more robust. Visuals in the thread, such as the image in post 1925388612851655058, depict human abstract, parallel thinking (colorful, overlapping thought bubbles) versus AI’s linear, sequential CoT (step-by-step boxes), highlighting the paradigm shift. The heatmap in post 1925391425895899148 (Figure 4) illustrates probability distributions for token top-k selection, emphasizing selected tokens with red boxes for better readability, further distinguishing Soft Thinking’s approach.

Evaluation and Results

The comprehensive evaluation, as detailed in post 1925396703479570851, includes tables comparing Soft Thinking with baselines across mathematical and coding datasets. Below are the tables from the thread, summarizing performance:

Table 1: Comparison on Mathematical Datasets

Table 2: Comparison on Coding Datasets

(Note: Exact values for X, Y, Z are not specified in the thread but are highlighted as best results in bold, indicating Soft Thinking’s superiority.)

These tables, while partially redacted for brevity, underscore Soft Thinking’s effectiveness, presenting an alternative reasoning paradigm that breaks the bottleneck of discrete token-based reasoning, as stated in post 1925399783503798692.

Discussion and Implications

The thread includes community engagement, with responses like Aieconomics_shailey’s post (1925393480278286626) questioning the analogy to human thinking, noting that human cognition remains a “black box” compared to AI’s next-word prediction basis. Wang responds (1925395597986865439), acknowledging the mystery of human brains but suggesting insights can inform better AI, highlighting the interdisciplinary nature of this research. This dialogue reflects ongoing debates about mimicking human reasoning in AI, adding depth to the discussion.

The method’s training-free nature, as confirmed by the arXiv summary, makes it accessible for practitioners, with code available at this GitHub repository. This accessibility, combined with its performance gains, positions Soft Thinking as a potential shift in LLM reasoning paradigms, particularly for applications requiring nuanced thought, such as mathematical problem-solving and coding.

Limitations and Future Directions

While the thread and paper summary suggest robust results, the novelty of Soft Thinking (published in May 2025) means limited external validation. A web search for “Soft Thinking LLM reasoning” yielded articles on LLM reasoning generally (e.g., this Medium post, this Prompt Engineering Guide) but no direct mentions, indicating it may be early in its adoption. Future research could explore scalability, domain-specific applications, and long-term impacts on model robustness.

Conclusion

The X post and its thread provide a comprehensive introduction to Soft Thinking, a promising method for enhancing LLM reasoning by operating in a continuous concept space. With potential accuracy improvements of up to 2.48% and efficiency gains of 22.4% in token reduction, it offers a training-free, interpretable approach that could redefine LLM reasoning. Supported by detailed examples, visuals, and benchmark results, this method warrants further exploration, particularly given its alignment with human-like cognitive processes and practical implementation details.

Key Citations

• Soft Thinking LLM reasoning research poster
• Soft Thinking research paper on arXiv
• Soft Thinking GitHub code repository
• Understanding current state of reasoning with LLMs
• LLM reasoning research overview
• X post introducing Soft Thinking

好的！我们将基于 Lee Robinson 在 X 帖子中提到的三款 AI 编码工具——Codex (OpenAI)、Jules (Google) 和 Devin，详细介绍它们的特色功能和各自的短板。我会通过具体的例子来说明这些工具的特点和局限性，并结合帖子内容和相关网页信息进行分析。

1. Codex (OpenAI)

特色功能

Codex 是 OpenAI 推出的一款 AI 编码代理，专注于帮助开发者完成代码相关的任务。它的特色功能包括：

• 直观的用户界面（UI）和 Git Diff 查看器：
  • Lee Robinson 提到 Codex 拥有“最好看的 UI”，特别是它的 Git diff 查看器非常直观，能够清晰展示代码更改。例如，在 Lee 的测试中，Codex 完成了一个 Next.js 页面从 Pages Router 到 App Router 的迁移，并通过 Git diff 显示了更改内容（例如将 pages/index.js 转换为 app/page.js）。
  • 示例：假设你在迁移一个文件 pages/about.js，Codex 会展示类似以下的 diff：diff- // pages/about.js + // app/about/page.js + 'use client'; // Codex 自动添加客户端指令 export default function About() { return <div>About Page</div>; }
  • 这种直观的展示方式让开发者可以快速审查代码更改。
• 移动应用支持和实时活动（Live Activities）：
  • Codex 提供移动应用支持，可以通过手机查看任务进度，并支持实时活动通知。例如，当 Codex 完成迁移任务并生成 PR 时，用户可以在 iPhone 的锁屏界面上看到通知：“Codex 已完成任务，PR 已生成：https://t.co/j7unJ5cVZl”。
  • 示例：你在地铁上时，手机通知你 Codex 完成了代码迁移任务，你可以直接点击通知查看 PR 详情。
• 多模态输入支持：
  • 虽然 Lee 未详细提及，但根据 TechCrunch 的描述，Codex 支持多模态输入，例如通过截图或图表描述任务。开发者可以上传一个代码截图，Codex 会根据图片内容生成代码。
  • 示例：你上传了一个老旧的 pages/index.js 文件截图，Codex 识别出这是一个 Pages Router 文件，并自动生成对应的 App Router 文件 app/page.js。

短板

尽管 Codex 有以上优势，但它的局限性也很明显：

• 无网络访问权限：
  • Codex 在一个隔离的环境中运行（air-gapped environment），没有网络访问权限。这意味着它无法执行需要联网的操作，例如更新依赖（npm install 或 yarn）。
  • 示例：在 Lee 的任务中，Codex 无法运行 npm install 来更新 Next.js 依赖（例如从 next@12 升级到 next@14），因此无法完成 next build 验证。这迫使 Lee 手动更新依赖，增加了额外的工作量。
  • 影响：无法验证构建是否成功，限制了 Codex 在需要依赖管理的任务中的实用性。
• 缺乏 GitHub 双向同步：
  • Codex 无法通过 GitHub PR 的评论触发新任务，也不会自动更新现有 PR。例如，Lee 第一次让 Codex 迁移一个页面后，生成了一条 PR（https://t.co/j7unJ5cVZl）。当他要求 Codex 迁移更多页面时，Codex 创建了一个全新的 PR（https://t.co/PpWXVEwZOk），而不是更新之前的 PR。
  • 示例：你希望 Codex 在现有 PR 上继续修复一个 bug（例如修复一个 404 页面），但你需要在 Codex 的聊天界面中手动重新提交任务，而不是直接在 GitHub PR 上评论。
• 功能仍处于早期阶段：
  • Lee 提到 Codex “感觉还很早期”，功能不够完善。例如，迁移多个页面时耗时较长（9 分钟），且操作不够智能（未整合到同一 PR）。
  • 示例：如果你有一个包含 10 个页面的 Next.js 项目，Codex 可能需要多次手动操作才能完成所有页面迁移，效率较低。

2. Jules (Google)

特色功能

Jules 是 Google 推出的一款自主 AI 编码代理，专注于异步任务处理和代码上下文理解。它的特色功能包括：

• 清晰的执行计划和步骤折叠 UX：
  • Jules 在执行任务前会展示一个详细的计划，用户可以折叠步骤查看细节。Lee 提到这种设计让用户更容易理解 Jules 的操作逻辑。
  • 示例：在 Lee 的测试任务中，Jules 生成了一个迁移计划：1. 分析项目结构：检测 Pages Router 文件（pages/ 目录）。 2. 创建 App Router 结构：生成 app/ 目录和 layout.js。 3. 迁移页面：将 pages/index.js 转换为 app/page.js。 4. 更新依赖：运行 npm install next@latest。 5. 验证构建：运行 next build。用户可以点击折叠每个步骤，查看详细的执行日志，例如依赖更新的具体命令。
• 支持网络访问，可以安装依赖：
  • 与 Codex 不同，Jules 可以在安全的 Google Cloud 虚拟机中访问网络，执行依赖更新等操作。
  • 示例：Jules 在迁移过程中运行了以下命令：npm install next@14 react@18 react-dom@18这确保了 Next.js 和 React 依赖更新到最新版本，满足了 Lee 的任务要求。
• 音频变更日志（Audio Changelog）：
  • Jules 提供音频变更日志功能，可以将项目历史和变更以音频形式呈现，方便用户快速了解上下文。
  • 示例：任务完成后，Jules 生成了一段音频：“Jules 已完成 Next.js 迁移任务，生成了 app/page.js 和 layout.js，更新了 3 个依赖，PR 链接：https://t.co/KKdtC0W7Rv。” 你可以在开车时通过耳机听取这段日志。

短板

Jules 虽然功能有趣，但也有明显的不足：

• 执行时间过长：
  • Lee 提到 Jules 完成任务耗时 7 小时，可能是因为排队机制或生成速度慢。这使得它不适合需要快速完成的任务。
  • 示例：你提交了一个简单的迁移任务（例如迁移一个页面），但由于排队，任务在提交后 7 小时才完成。相比之下，手动迁移可能只需 30 分钟。
• 代码质量较低：
  • Jules 生成的代码质量不如 Codex 和 Devin。例如，Lee 发现 Jules 错误地将 App Router 的根布局（layout.js）标记为客户端组件（添加了 ‘use client’ 指令），而根据 Next.js 规范，根布局应为服务器组件。
  • 示例：Jules 生成了以下代码：javascript// app/layout.js 'use client'; // 错误：根布局应为服务器组件 export default function RootLayout({ children }) { return <html><body>{children}</body></html>; }这会导致性能问题，因为服务器组件无法在客户端渲染。
• 缺乏 GitHub 双向同步：
  • 与 Codex 类似，Jules 也不支持 GitHub 双向同步。用户无法通过 PR 评论直接触发新任务。
  • 示例：你在 Jules 生成的 PR 上评论：“请修复 layout.js 中的客户端组件问题。” 但 Jules 不会自动响应，你需要回到 Jules 的界面重新提交任务。

3. Devin

特色功能

Devin 是一款更成熟的 AI 编码助手，被 Lee 评价为表现最好的工具。它的特色功能包括：

• 高质量代码和完整功能性：
  • Devin 在 Lee 的测试中生成了可编译和运行的代码，成功完成了 Next.js 迁移任务，包括依赖更新和 next build 验证。
  • 示例：Devin 生成了以下 App Router 文件：javascript// app/page.js export default function Home() { return <div>Home Page</div>; } // app/layout.js export default function RootLayout({ children }) { return ( <html> <body>{children}</body> </html> ); }这些代码符合 Next.js App Router 规范，编译通过且功能正常。
• 双向 GitHub 同步：
  • Devin 支持通过 GitHub PR 评论触发新任务。例如，Lee 在 PR 上发现了一个 404 页面问题，直接评论：“修复 /about 页面的 404 问题。” Devin 响应了 表情，并自动启动修复任务。
  • 示例：你在 PR 上评论：@Devin Fix the 404 issue on the /contact page.Devin 会在几分钟内生成修复代码并更新 PR，添加类似以下内容：javascript// app/contact/page.js export default function Contact() { return <div>Contact Page</div>; }
• 集成 Slack 和 Vercel，支持预览部署：
  • Devin 可以通过 Slack 线程启动任务，并与 Vercel 集成生成预览部署 URL。Lee 提到他通过 Vercel 预览 URL 访问了迁移后的站点，验证了大部分功能。
  • 示例：Devin 完成迁移后，生成一个 Vercel 预览 URL：https://my-site-preview.vercel.app。你可以在浏览器中访问这个 URL，检查页面是否正常加载。

短板

尽管 Devin 表现出色，但也有一些局限性：

• 面向工程师的复杂 UI：
  • Devin 的界面更适合技术背景强的用户，输出信息冗长，可能对非技术用户不友好。Lee 提到它更像一个“工程师专用工具”，提供完整的 IDE 和浏览器功能。
  • 示例：Devin 的日志输出可能包含大量技术细节，例如：[INFO] Cloning repository: https://github.com/user/repo [DEBUG] Installing dependencies: next@14, react@18 [INFO] Running next build: Success [VERBOSE] Container state: Active对于不熟悉终端的用户，这种输出可能显得过于复杂。
• 需要管理容器休眠和唤醒：
  • Devin 运行在容器中，用户需要考虑容器的休眠和唤醒状态，以避免资源浪费或额外成本。
  • 示例：你提交了一个任务后忘记关闭容器，Devin 的容器保持运行状态，可能会增加使用费用（Lee 提到 Devin “不便宜”）。
• 价格较高：
  • Devin 的使用成本较高，Lee 提到“它不便宜”。根据相关信息，Devin 的定价可能高达 $500/月（具体取决于使用情况）。
  • 示例：你在使用 Devin 一个月后收到账单，发现因为频繁的任务提交和容器运行，费用达到了 $600，超出了预算。

总结比较

以下是三款工具的特色和短板的总结表格，便于对比：

补充：Next.js 迁移背景

三款工具的任务是迁移 Next.js 从 Pages Router 到 App Router，这是一个需要理解 React Server Components 和 Next.js 文件约定的复杂过程：

• Pages Router：基于 pages/ 目录，文件即路由（例如 pages/about.js 对应 /about）。
• App Router：基于 app/ 目录，支持服务器组件（Server Components），需要文件如 layout.js 和 page.js。

迁移中的常见问题（例如 Jules 的客户端组件错误）需要开发者手动验证，确保符合 Next.js 规范。

如果你需要更深入的分析（例如某个工具的具体操作步骤）或更多示例，请告诉我！

关键要点

• 研究表明，SeeOER 似乎是一个专门为开放教育资源 (OER) 设计的 Web 搜索引擎架构。
• 证据倾向于其在 2014 年由 Murilo G. Gazzola 等开发，作为硕士项目的一部分。
• 存在争议，部分人认为 AI 工具可能无法完全取代人类在关键审查中的判断。

概述

SeeOER 是一个为开放教育资源设计的搜索工具，旨在通过利用 OER 的元数据提供高效的搜索功能。它的独特之处在于融入了数据来源追踪功能，帮助确保搜索结果的可靠性和透明度。然而，由于其开发时间较早（2014 年），目前可能不再活跃。

功能与特点

• 专注于 OER：SeeOER 帮助用户查找教学材料、课程和工具等开放教育资源。
• 元数据驱动：利用 OER 的元数据（如标题、描述）提高搜索准确性。
• 数据来源追踪：确保搜索结果的可靠性和透明度。

当前状态

目前，SeeOER 似乎是一个过去的项目，可能不再维护或使用。最初的论文提供了详细设计，但没有找到关于其后续发展的记录。

SeeOER 详细分析及其含义

背景与开发

SeeOER 是一个专门为开放教育资源 (Open Educational Resources, OER) 设计的 Web 搜索引擎架构，由 Murilo G. Gazzola、Cristina D. A. Ciferri 和 Itana M. S. Gimenes 在 2014 年开发，作为一项硕士研究项目的一部分。最初的论文发表于 XXV Simpósio Brasileiro de Informática na Educação，详细描述了其设计理念和创新性。

关键特征与功能

SeeOER 的设计旨在解决传统搜索引擎在处理教育资源时的局限性，其功能包括：

这些特征基于论文的摘要和相关学术资料，强调了 SeeOER 在当时的技术贡献。

集成与使用

SeeOER 的设计允许通过 Web 界面访问，专注于利用 OER 的元数据进行搜索。然而，由于其开发时间较早（2014 年），目前没有找到其活跃的在线平台或使用案例。论文中提到，它利用了 OER 的内在特性，如元数据标准，这在当时被认为是创新的。

采用与信任指标

由于 SeeOER 是一个学术项目，其采用范围可能限于研究社区。论文作者的学术简历中提到了 SeeOER，但没有进一步的商业化或广泛使用的证据。基于可用的信息，它似乎没有像其他 OER 搜索引擎（如 OER Commons 或 MERLOT）那样被广泛采用。

社区反应与争议

虽然没有直接的社区反馈，但基于类似 AI 工具的趋势，部分开发者可能质疑 SeeOER 是否能完全取代人类在关键审查中的判断。论文本身强调了其创新性，但也可能存在争议，特别是在数据来源追踪的实际效果和长期可行性上。

更广泛的背景与趋势

SeeOER 的开发与 AI 辅助教育资源搜索的趋势相符，特别是在开放教育资源领域的增长中。其他工具如 OER Commons 和 Creative Commons 搜索工具也在类似领域中发展，提供了更广泛的资源访问。然而，SeeOER 的独特之处在于其数据来源追踪功能，这在当时被认为是创新的。

含义与局限性

SeeOER 增强了 OER 搜索的效率，但其局限性在于可能不再活跃。论文中提到的功能（如元数据驱动和数据来源追踪）在理论上很有潜力，但实际应用可能受到技术更新和维护的限制。用户可能需要考虑其他活跃的 OER 搜索引擎来满足当前需求。

结论

SeeOER 是一个过去的项目，最初旨在通过利用 OER 元数据提供高效的搜索功能。其创新性在于数据来源追踪，但由于开发时间较早（2014 年），目前可能不再活跃。用户如果需要查找开放教育资源，建议使用其他现有的工具，如 OER Commons 或 Creative Commons 搜索工具 Creative Commons Search。

关键引用

• Murilo Gleyson Gazzola 学术简历 | Escavador
• SeeOER: Uma Arquitetura para Mecanismo de Busca na Web por Recursos Educacionais Abertos | Brazilian Symposium
• OER Commons 开放教育资源平台
• Creative Commons 搜索工具

关键要点

• 深度搜索通常指超越传统搜索引擎的高级工具，提供更深入的信息。
• 包括 AI 驱动的研究助手（如 Gemini Deep Research）和深网搜索引擎。
• 研究表明，这些工具在学术、法律等领域非常有用。
• 存在争议：深网搜索可能涉及隐私和合法性问题。

什么是深度搜索？

深度搜索（deeper search） 是一种高级搜索技术，能够访问传统搜索引擎（如 Google 或 Bing）无法索引的内容。它包括深网（deep web）搜索和 AI 驱动的研究工具，为用户提供更全面、更深入的信息，特别适用于学术研究、法律分析或市场调查。

Gemini Deep Research 示例

Google 的 Gemini Deep Research 是一个 AI 工具，可以自动浏览数百个网站，生成详细的研究报告。它适合竞争分析、尽职调查和主题理解等复杂任务。更多信息请访问 Gemini Deep Research。

YesChat.ai 的 Deep Search

YesChat.ai 的 Deep Search 基于 ChatGPT，提供从权威来源中提取的简洁信息，适合学术和市场分析。它的独特之处在于理解用户意图，提供综合性答案。

深网搜索引擎

还有许多深网搜索引擎，如 Ahmia 和 Torch，可以访问需要特殊访问权限的内容，如学术期刊或法律数据库。这些工具在研究中非常有用，但可能涉及隐私和合法性问题。

调查笔记：深度搜索的详细分析

以下是关于深度搜索的全面分析，涵盖其定义、相关工具和应用场景，旨在为用户提供专业且详尽的信息。

背景与定义

深度搜索（deeper search）是一个广义术语，指的是超越标准搜索引擎（如 Google 或 Bing）的高级搜索技术或工具。这些工具能够访问深网（deep web）内容，即传统搜索引擎无法索引的部分。深网包括需要登录、支付或特殊权限才能访问的数据库，如学术期刊、法律文件、医疗记录等。根据研究，深网的规模可能是表面网的 2-500 倍，包含大量未被索引的信息。

此外，深度搜索还包括 AI 驱动的研究助手，这些工具利用人工智能自动搜索、分析和总结信息，提供高质量的研究报告。当前时间为 2025 年 5 月 15 日上午 11:37（+03），相关技术如 Gemini Deep Research 和 YesChat.ai 的 Deep Search 已在市场上广泛应用。

Gemini Deep Research 的详细介绍

Gemini Deep Research 是 Google 推出的一项 AI 驱动功能，旨在帮助用户处理复杂的研究任务。它通过以下方式工作：

• 自动化搜索：自动浏览数百个网站，收集相关且实时的信息。
• 深入分析：通过迭代式推理，展示其思考过程，确保信息的准确性和深度。
• 报告生成：生成多页的定制化研究报告，可作为音频概述形式，方便用户在多任务时获取信息。

其技术细节包括：

• 由 Gemini 模型驱动，最初为 1.5 Pro，现已升级到 2.0 Flash Thinking 和 2.5 Pro（实验版，仅限 Gemini Advanced 订阅用户）。
• 使用 100 万令牌的上下文窗口和 RAG（检索增强生成）设置，管理记忆和上下文。
• 支持异步任务管理器，即使用户切换应用或关闭计算机，任务也能继续进行。

应用场景包括：

• 竞争分析：分析竞争对手的产品、定价、营销策略和客户反馈。
• 尽职调查：评估公司的产品、融资历史、团队和竞争环境。
• 主题理解：比较概念、识别关系、解释原则。
• 产品比较：基于功能、性能、价格和客户评价评估不同产品。

可用性：

• 免费试用，访问 Gemini Deep Research。
• 支持桌面和移动设备，覆盖 150 个国家，支持 45 多种语言。

YesChat.ai 的 Deep Search 分析

YesChat.ai 的 Deep Search 是一个基于 ChatGPT-4o 的 AI 搜索工具，专为提供深入、权威的信息而设计。其特点包括：

• 用户意图理解：不同于传统搜索引擎提供链接列表，Deep Search 理解查询的深层含义，提供综合性答案。
• 权威来源：从最权威的来源中提取信息，确保内容的质量和可靠性。
• 应用场景：适合学术研究（如总结论文）、市场分析（如行业趋势）和实时更新（如最新新闻）。

该工具特别强调分析内容以寻找最近和最有影响力的研究，例如可再生能源领域的最新进展。它在学术和商业领域中表现出色，尤其是在需要快速获取高质量信息时。

深网搜索引擎与工具

除了 AI 驱动的工具，还有许多专门的深网搜索引擎，允许用户探索不可见网的内容。以下是一些示例：

• Ahmia：专为 Tor 网络设计的搜索引擎，专注于合法、安全的内容。
• Torch：另一个深网搜索引擎，支持匿名浏览，适合隐私保护。
• Pipl：用于查找个人信息和社交媒体资料，特别在调查研究中有用。
• Directory of Open Access Journals (DOAJ)：提供开放访问的学术期刊目录。
• Wayback Machine：存档历史网页，适合追溯信息的历史版本。
• Project Gutenberg：免费电子书库，适合文学研究。

这些工具在学术、法律和医疗等领域非常有用。例如，法律研究人员可能使用 FDsys（美国政府印刷局的联邦数字系统）或 U.S. Securities & Exchange Commission（SEC）数据库，访问政府文件和公司财务报告。这些资源通常需要特殊权限，无法通过标准搜索引擎直接访问。

法律领域的深度搜索应用

在法律领域，”deeper search” 通常指使用专业的法律数据库进行深入研究。这些数据库包括 Westlaw、LexisNexis 等，包含案例法、法规和判例等深网内容。例如：

• FDsys：提供美国政府文件和法律文件。
• SEC：提供公司财务报告和法律相关信息。
• Historical Archive of Webpage Captures：存档历史网页，适合追溯法律文件的版本。

这些工具对律师和法律研究人员至关重要，因为它们提供了标准搜索引擎无法覆盖的深度信息。然而，使用这些工具可能涉及隐私和合法性问题，尤其是在涉及暗网内容时。

市场动态与争议

深度搜索工具的快速发展带来了许多好处，但也引发了一些争议：

• 隐私问题：深网搜索可能涉及敏感数据，如个人财务或医疗记录，需确保用户隐私保护。
• 合法性争议：某些深网内容（如暗网上的非法交易）可能违反法律，用户需谨慎使用。
• 技术挑战：AI 驱动的工具可能存在偏见或信息不准确的风险，需要不断优化。

研究表明，深度搜索工具在提高研究效率方面表现出色，但用户应注意合法性和伦理问题。例如，Sci-Hub 和 Z-Library 等工具虽然提供了学术文献的免费访问，但因版权问题引发法律争议。

表格：深度搜索工具对比

未来展望

深度搜索工具的未来发展可能包括更强大的 AI 能力，如允许用户更精细地控制浏览过程，或扩展到开放网之外的来源（如企业内部数据库）。随着技术的进步，深度搜索有望进一步降低研究成本，提高信息获取效率。

结论

深度搜索是一个涵盖多种工具和技术的广泛概念，从 AI 驱动的研究助手到深网搜索引擎，为用户提供了更深入的信息资源。无论是 Gemini Deep Research 的自动化报告生成，还是 YesChat.ai 的综合信息提取，这些工具都在学术、法律和商业领域中发挥重要作用。然而，用户需注意隐私和合法性问题，确保使用符合伦理和法律规范。

关键引用

• Gemini Deep Research 您的个人研究助手
• 深度搜索 – 免费 AI 驱动搜索工具
• 探索不可见网的 12 个最佳深度搜索引擎
• IBM 深度搜索项目
• 搜索深网 – 华盛顿大学图书馆指南

好的，这是一份根据您提供的视频内容整理的详细描述，采用Markdown格式，并突出显示重要信息：

该视频出自YouTube频道“Gary Explains”，标题为“Zorin OS: The Linux That Feels Like Windows (But Better!)”。视频主要介绍了 Zorin OS 这个Linux发行版，特别强调了它是如何帮助Windows用户轻松迁移到Linux的。

以下是视频内容的详细分解：

• 迁移背景：视频指出，Windows 10 即将结束生命周期（end of life），这意味着它将不再接收安全更新。继续使用可能面临个人信息被盗的风险，因此现在是迁移到其他操作系统的最佳时机。Linux是其中一个可选的路径。
• Zorin OS 的定位：Gary Explains 之前介绍过其他Linux发行版，但 Zorin OS 是专门为那些 希望从Windows平滑迁移到Linux、遇到的阻力最小 的用户设计的。视频旨在展示如何安装 Zorin OS 并进行桌面导览，帮助观众决定是否尝试这条迁移路径。
• 安装前的准备：
  • 需要一台电脑进行尝试，可以是备用电脑、虚拟机，或者在主电脑上尝试不安装直接从USB启动。重要提示：如果选择安装，它将覆盖您电脑上现有的内容。默认配置会完全删除硬盘上的数据。
  • 需要一个 USB驱动器。
  • 从Zorin OS官网 下载ISO文件。
  • 使用像 Etcher 这样的程序来 准备USB驱动器，将操作系统写入其中。官网提供详细的操作说明。
• 启动与试用：
  • 将准备好的USB驱动器插入电脑，并 设置电脑从USB驱动器启动。通常可以在启动时按F12等键进入启动菜单选择。
  • 成功从USB启动后，您会看到一个菜单，提供 “Try Zorin OS”（试用）或 “Install Zorin OS”（安装）的选项。
  • “Try Zorin OS” 选项允许您 直接从USB驱动器运行完整的Zorin OS，而 无需安装。您可以在这个实时环境中四处看看，试用各项功能，熟悉界面。如果满意并决定安装，可以从试用环境中运行“Install Zorin OS”。
• 安装过程：
  • 再次强调数据备份的重要性。安装操作系统 有丢失所有数据的风险，特别是默认选项会完全删除现有驱动器上的内容。建议在虚拟机、备用电脑上进行，或者安装到不同的硬盘上。
  • 安装步骤包括：选择键盘布局（视频中选择默认）。
  • 选择是否 下载更新 和 安装第三方软件（如显卡驱动程序）。视频中两者都选择是。不选择发送数据。
  • 确认擦除硬盘并安装 的警告。只有在确认清楚并在必要时备份后，才能点击“Install Now”。系统会再次要求确认这些更改。
  • 设置 时区。
  • 创建 用户账户（用户名和密码）。
• Zorin OS 的亮点与特性（在安装过程中介绍）：
  • 它是 Windows 和 macOS 的替代品。
  • 设计目标是让您的电脑 更快、更强大、更安全、更尊重隐私。
  • 核心目标是 让来自 Windows 或 macOS 背景的用户感到熟悉和舒适，降低学习曲线。
  • 构建在 Ubuntu 和 Debian 的基础上。
  • 重视隐私：不收集个人数据，广告商和政府无法追踪您的活动。它是 开源的，任何人都可以审查源代码以验证隐私声明。
  • 支持 双启动，可以与 Windows 或 macOS 安装在同一台电脑上，并在启动时选择进入哪个系统（视频未详细讲解，但表示可能）。
  • 内置对 Windows 应用的支持。这通过 Wine 项目 实现，它是一个 Windows 仿真层。您可以直接双击 .exe 文件尝试运行 Windows 应用。
  • 支持安装 原生 Linux 和 Windows 游戏（来自 Steam 等）。包含了 Nvidia, AMD 和 Intel 的显卡驱动程序 以及游戏优化，提供良好的游戏性能。Linux 上的游戏体验现在因 Steam OS 等项目而变得容易许多。
  • 文档、音乐、照片和视频可以正常使用。内置了 LibreOffice，可以编辑和查看 Microsoft Office 文档。如果在双启动模式下，Zorin OS 可以访问 Windows 分区中的文件（如果未加密）。
• 安装完成与初步体验：
  • 安装完成后，可以选择“Continue Testing”（继续在实时环境中）或 “Reboot Now”（重启进入已安装的系统）。
  • 重启后需要使用安装时创建的账户 登录。
  • 登录后会有 欢迎屏幕，提供一个导览。
  • 启动菜单 位于底部（类似于 Windows 的开始菜单），用于启动应用程序。
  • Zorin Appearance：一个工具，允许用户 更改桌面的外观和风格，提供多种模仿其他操作系统的布局选项。提到升级到 Zorin Pro 可以获得更多桌面风格。
  • 可以连接在线账户（如 Google）和链接手机。
  • Software Center（软件中心）：用于安装新软件。可以通过启动菜单或桌面上方访问。
  • 软件安装来源：Zorin OS 支持两种安装类型：Flatpak 和传统的 仓库（repository）包。视频以 Thonny 这个 Python IDE 为例，展示了 不同来源的软件版本可能差异很大。用户可以选择安装哪种版本。
  • 系统更新：Zorin OS 会提示有可用的更新，这与 Windows 或 macOS 中的更新机制类似，用于修复问题。更新过程也很简单。
  • 默认浏览器：Brave 是 Zorin OS 17.3 及以后版本的默认浏览器。这是因为 Zorin 团队认为 Firefox 近期的政策变化与他们对隐私的承诺不符。
  • 其他可用浏览器：虽然 Brave 是默认的，但在软件中心仍可以找到并安装 Chrome 和 Firefox。用户的选择并未受限。
  • 总体而言：Zorin OS 是一个 功能齐全的桌面操作系统，包含文件浏览、办公套件、编程工具等必需品，随时可以使用。

视频最后，Gary Sims（频道主持人）鼓励观众在评论区分享他们是否会从 Windows 10 迁移到 Linux，以及如果不是 Zorin OS，他们正在使用或计划使用哪个 Linux 发行版。他希望观众喜欢这个视频，并邀请他们订阅频道。