如果你正在使用AI驱动的笔记应用Granola,建议立即检查你的隐私设置。尽管Granola声称你的笔记"默认私有",但实际上任何拥有链接的人都能查看,非企业用户的笔记还会被默认用于内部AI训练。
应用功能与风险
Granola自称是"专为连续会议人群设计的AI记事本"。它与你的日历集成,捕获会议音频,然后使用AI生成项目符号列表形式的"笔记"。用户可以编辑AI生成的笔记,邀请其他协作者查看,并使用Granola的AI助手询问相关问题和查看会议转录。
然而,在应用设置菜单中,Granola明确表示:"默认情况下,任何拥有链接的人都能查看你的笔记。"这意味着如果意外分享了链接,网上任何人都能看到你的笔记——如果你记录的是敏感会议,这可能是个重大问题。测试证实,用户可以在浏览器私人窗口中访问自己的笔记,无需登录Granola账户。网站甚至会显示笔记所有者和创建时间。
虽然无法查看完整转录,但仍能看到部分内容。选择Granola生成的项目符号点会显示转录中的相关引用,以及AI生成的对话摘要和额外背景信息。
Granola网站表示"完整转录访问权限只对在Granola桌面应用中打开相同文件夹或笔记的协作者开放。"目前不清楚是否任何Granola账户用户都能访问你的转录,还是仅限于你共享工作区的人员。
数据使用与AI训练
根据应用支持页面,Granola"可能使用匿名化数据"来改进AI模型。企业客户默认不参与AI训练,但其他所有用户计划都会参与。用户可以在设置菜单中关闭"使用我的数据为所有人改进模型"选项来禁用AI训练。公司表示,如果启用该设置,不允许OpenAI或Anthropic等第三方公司使用你的数据进行AI训练。
安全措施与建议
Granola安全页面显示,公司将笔记存储在美国托管的亚马逊网络服务私有云中,并表示数据"在静态和传输过程中都经过加密"。公司不存储会议音频,只保存会议笔记和转录,两者都在云端处理。
要更改链接查看权限,用户需要打开Granola,选择屏幕左下角的个人资料,然后选择"设置"。在"默认链接分享"选项中,将"任何拥有链接的人"更改为"仅我的公司"或"私人"。如果删除笔记,拥有链接的人将无法再访问。
去年,LinkedIn上一位用户就曾提醒注意公开笔记设置问题,称"这些链接虽然不被索引,但如果分享或泄露——即使是意外的——对找到它的任何人都是公开的。"据消息源透露,至少有一家大公司出于安全考虑拒绝高管使用该工具。
Q&A
Q1:Granola应用的默认分享设置有什么隐私风险?
A:Granola默认设置为"任何拥有链接的人都能查看笔记",这意味着如果意外分享链接,网上任何人都能看到你的会议笔记内容,包括笔记所有者、创建时间,甚至部分转录内容,对记录敏感会议的用户构成重大隐私风险。
Q2:如何修改Granola的链接分享权限设置?
A:打开Granola应用,点击屏幕左下角的个人资料,选择"设置"选项。找到"默认链接分享"设置,将"任何拥有链接的人"更改为"仅我的公司"或"私人"。同时建议关闭"使用我的数据为所有人改进模型"选项以避免AI训练。
Q3:Granola如何处理用户数据和AI训练?
A:Granola会使用匿名化数据改进AI模型,企业用户默认不参与AI训练,但其他用户默认参与。数据存储在美国亚马逊云服务中,经过加密处理。公司不存储会议音频,只保存笔记和转录,且不允许OpenAI等第三方公司使用用户数据。
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。