国内现在两只手数不过来，像Workbuddy、千问办公、Kimi Work、Minimax code、Trae Work、扣子，还有刚出来的DeepSeek Harness、豆包办公等，说实话。现在AI Work真的多，各大厂商都在卷这个赛道，其实办公agent的竞争不比基模容易，版本更新迭代巨快，有个一天内发好几个版本。又看到一个新的开源办公agent，吴恩达发布的openworker，说实话抢

DeepSeek harness的系统提示词也很有意思，它不是一长段固定的markdown，而是插件组装起来的可变系统，agent每走一步都会重新组装，类似工作说明书，肯定要随着环境变化而变化。其实，DeepSeek harness最大的价值还不是替代codex、claude code，而是你可以去部署在自己的系统中，组合、包装、改造它，成为移动的万能脚手架。除了插件，日志也很重要，Session

他还谈到为什么Codex和ChatGPT合到一起，因为以后底层模型和技术是一样的，不过就是聊天、编程、办公等场景的区别，职业标签只是人类自我设定的，大家底层需求一致，不管是谁、懂不懂技术，都应该用同一个完美界面形态。当然不是说以后的AI没有skill们了，而是被封装到系统里，不需要人来主动管理，它可以直接理解你的需求、目标，进入你的日常生活和工作，比如像同事一样和chatgpt voice交流，它

他还谈到为什么Codex和ChatGPT合到一起，因为以后底层模型和技术是一样的，不过就是聊天、编程、办公等场景的区别，职业标签只是人类自我设定的，大家底层需求一致，不管是谁、懂不懂技术，都应该用同一个完美界面形态。当然不是说以后的AI没有skill们了，而是被封装到系统里，不需要人来主动管理，它可以直接理解你的需求、目标，进入你的日常生活和工作，比如像同事一样和chatgpt voice交流，它

Python处理Excel大数据有很多方式，不过Excel撑死才104万行，能有多大的数据，一般用pandas读取就可以，pandas有专门的分块读取模式，比如说每次只读取1万行用于处理，这样就不会太占用内存。另外一个可以大规模写入数据，不占用内存的是库是XlsxWriter，它有个“常量内存”模式，支持每写入一行，就在内存中清除上一行占用的空间，意味着内存只存有一行数据，永远是够用的。OpenP

Matplotlib的特点有足够的自定义空间让开发者去设计自己的图表，它把图表的每一个元素都拆解来，给到自定义函数、参数，让你去鼓捣。Seaborn是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。这几个可视化都非常适合平时的数据分析，以及部署到一些可视化的项目

最后，Google更会“讨好”用户，换句话说用户的好感度更强，就拿​​Nano Banana来说，在Gemini上使用Nano Banana生成图片是免费的，而且像Deep Research、2.5 Pro也有免费试用的机会，日常使用足够了，对普通用户而言，你不用花钱也能体验到当前最好的大模型，这不就是技术平权嘛。相比较传统的AI图像生成模型比如Midjourney，Nano banana最大的特

最后，Google更会“讨好”用户，换句话说用户的好感度更强，就拿Nano Banana来说，在Gemini上使用Nano Banana生成图片是免费的，而且像Deep Research、2.5 Pro也有免费试用的机会，日常使用足够了，对普通用户而言，你不用花钱也能体验到当前最好的大模型，这不就是技术平权嘛。相比较传统的AI图像生成模型比如Midjourney，Nano banana最大的特点在

而vaex只会对数据进行内存映射，而不是真的读取数据到内存中，这个和spark的懒加载是一样的，在使用的时候 才会去加载，声明的时候不加载。Python中的pandas是大家常用的数据处理工具，能应付较大数据集（千万行级别），但当数据量达到十亿百亿行级别，pandas处理起来就有点力不从心了，可以说非常的慢。这里用的是hdf5文件，hdf5是一种文件存储格式，相比较csv更适合存储大数据量，压缩程

Python处理Excel大数据有很多方式，不过Excel撑死才104万行，能有多大的数据，一般用pandas读取就可以，pandas有专门的分块读取模式，比如说每次只读取1万行用于处理，这样就不会太占用内存。另外一个可以大规模写入数据，不占用内存的是库是XlsxWriter，它有个“常量内存”模式，支持每写入一行，就在内存中清除上一行占用的空间，意味着内存只存有一行数据，永远是够用的。OpenP