当我在去年测试Alexa Plus时,我很喜欢这个对话式语音助手能够连接第三方应用程序(如Uber),但当时许多应用集成功能还只是遥远的承诺。而现在这一未来已经到来:从本周开始,Alexa Plus正式扩展至餐饮配送服务,用户可以通过它从Uber Eats和Grubhub订餐。
一旦你将Uber或Grubhub应用连接到Alexa Plus设备,你就能询问餐饮配送信息,并开启一个对话窗口来口述订单。虽然Alexa Plus通常非常健谈(具有各种不同的个性),但这次的餐饮订购体验被设计得更加简洁,能够实时显示你当前的想法和菜单决定。
当我试用这个功能时,我只能在Echo Show上使用它,而不能在Alexa应用程序中使用,因为Alexa很快告诉我它需要更大的Echo Show屏幕来可视化地引导我完成这个过程。(亚马逊表示需要Echo Show 8或更大尺寸的设备。)在开始实验之前,你可能需要重启应用程序和设备以重新连接第三方应用。
订单文本显示让你能看到自己选择的内容,并可以在思考订单时通过额外的语音命令进行更改。如果你询问餐饮建议或需要用餐选择帮助,Alexa会主动提供建议。这旨在提供一种更具适应性的、可即时调整的体验。
亚马逊代表尚未立即回应置评请求。
Grubhub产品副总裁Tapojoy Chatterjee表示:"Alexa Plus令我们兴奋的是,它将餐厅发现和订购转化为一个无缝的对话式体验。客户只需简单地说出他们想要的食物,提出问题,获得推荐,并实时构建订单。"
你可以与Alexa Plus讨论当地餐厅,要求查看不同的菜单部分,并通过说"Alexa,我的食物在哪里?"来获取配送追踪更新。
如何获得Alexa Plus
目前你有几个不同的选择。首先,你可以订阅亚马逊Prime会员,起价为每月15美元,包括Prime Video和Alexa Plus。这是目前最经济实惠的选择。
你也可以将Alexa Plus作为独立的语音助手服务订阅,但这将花费每月20美元。有一个免费版本的Alexa Plus可以在网页应用上试用,但请记住,没有更大的Echo Show,这种餐饮配送对话功能无法实现。
小小警告:当我测试Alexa Plus时,它有时会陷入承诺过多但无法兑现的陷阱。如果你询问Alexa关于食物过敏或菜单替换的问题,这可能存在风险,所以请密切关注你的最终订单。
Q&A
Q1:Alexa Plus的餐饮配送功能支持哪些平台?
A:Alexa Plus目前支持Uber Eats和Grubhub两个餐饮配送平台。用户需要先将这些应用连接到Alexa Plus设备,然后就能通过语音对话来订餐,实时查看菜单和修改订单。
Q2:使用Alexa Plus点餐需要什么设备要求?
A:你需要Echo Show 8或更大尺寸的设备才能使用餐饮配送功能。普通的Alexa应用或较小的设备无法支持这个功能,因为它需要可视化界面来引导用户完成订餐过程。
Q3:Alexa Plus的订阅费用是多少?
A:有两种订阅方式:订阅亚马逊Prime会员(起价每月15美元,包含Prime Video和Alexa Plus)是最经济的选择,或者单独订阅Alexa Plus服务需要每月20美元。另外还有免费的网页版本可以试用。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。