当我们和朋友聊天时，如果对方突然强调某句话，比如用粗体标记或者提高音量，我们自然会更加关注那部分内容。但对于大型语言模型来说，要让它们准确理解并重点关注用户在文本中特别标记的重要信息，却是一个相当棘手的技术挑战。
这项由爱丁堡大学、中国雷鸟科技、华为研究有限公司以及伦敦玛丽女王大学联合开展的研究，发表于2026年的国际学习表征会议（ICLR 2026），论文编号为arXiv:2603.01281v1。研究团队针对这个问题，开发出了一套名为"光谱编辑关键放大"（SEKA）的全新技术方案，这就像给AI装上了一副能够精准聚焦的"智能眼镜"。
想象一下，你正在一个嘈杂的聚会上试图听清朋友说话。传统的方法就像是把整个房间的音量都调高，结果不仅听到了朋友的声音，连背景噪音也被放大了。而这项研究提出的方法，则像是给你戴上了一副神奇的耳机，能够精准地只放大朋友声音的频率，完全过滤掉其他干扰。
研究的核心问题在于，当前最先进的注意力引导方法都需要先计算完整的注意力矩阵，然后再进行修改。这就好比你要调整家里某个房间的灯光亮度，却必须先把整栋房子的所有灯都打开，然后再逐一调节。这种做法不仅浪费资源，还与现代高效计算框架不兼容，就像用老式的手工计算器去处理现代的复杂运算一样效率低下。
这个问题的严重性体现在实际应用中。比如，当用户在一段很长的文档中用星号标记了重要信息，现有的AI系统往往无法准确识别并重点关注这些被突出显示的内容。这就像是给学生划重点复习，但学生却总是把注意力分散到其他不重要的章节上。
研究团队的突破性创新在于，他们不再在注意力计算完成后进行修改，而是在计算开始之前就对输入进行精准调整。这种方法就像是在拍照前就调好镜头焦距，而不是拍完照片后再用软件修图。他们通过光谱分解技术，识别出了AI模型中与"相关性判断"相关的特定数学空间，然后直接在这个空间内进行精准的信息放大。
整个技术方案包含两个核心组件。基础版本SEKA就像是一个经过精心训练的导航系统，能够识别出文本中的重要信息并进行精准放大。而升级版AdaSEKA则更像是一个智能助手，它能根据不同的任务类型自动选择最合适的关注策略，比如在处理事实性问题时采用一种方式，在处理指令跟随任务时采用另一种方式。
实验结果令人印象深刻。研究团队在多个标准测试中验证了这项技术的效果，包括事实冲突解决、职业信息提取和指令执行等任务。结果显示，新方法不仅在性能上显著超越了现有技术，而且在计算效率方面有了质的飞跃。传统方法可能需要额外增加1秒以上的处理时间和近乎双倍的内存使用，而新方法只增加了0.03秒的处理时间，内存消耗几乎没有变化。
这项技术的实际意义相当深远。对于普通用户而言，这意味着AI助手能够更准确地理解和执行用户的指令，特别是在处理复杂文档或需要重点关注特定信息的场景中。对于开发者来说，这项技术提供了一个既高效又实用的解决方案，可以无缝集成到现有系统中，而不需要大规模的架构改动。
一、技术原理：从"后期修图"到"前期调焦"的革命性转变
要理解这项技术的革新之处，我们可以用摄影来做类比。传统的注意力引导方法就像是先用普通相机拍摄整个场景，然后在后期处理时试图突出某些重要部分。这种方法的问题在于，你必须先拍摄所有内容，包括那些你并不关心的背景细节，然后再花费大量时间和计算资源进行后期修改。
研究团队的方法则完全不同，他们的做法更像是在按下快门之前就精准调整镜头的焦距和光圈设置，让重要的主体在拍摄时就自然地更加清晰突出。这种"预处理"的方式不仅效果更好，而且大大节省了后期处理的时间和资源。
具体来说，这项技术的核心是对AI模型中"关键向量"的精准编辑。关键向量可以理解为模型在处理信息时用来"定位"和"识别"每个文本片段重要性的数学表示。就像每个人都有独特的指纹一样，每个文本片段在模型中也有其独特的数学"指纹"。
研究团队发现，当文本的重要性发生变化时（比如从不相关变成相关），其对应的关键向量会在特定的数学空间中发生有规律的移动。这就像是人的面部表情变化总是遵循某些固定的肌肉运动模式一样。通过大量的对比分析，他们成功识别出了这些"重要性变化"的数学模式。
光谱分解技术在这里发挥了关键作用。这种技术就像是给复杂的数学信号做"频谱分析"，能够将混合在一起的多种信息成分分离出来。想象你在听一首包含钢琴、小提琴和长笛的交响乐，光谱分解技术就能帮你准确地提取出每种乐器的独立声轨。在这项研究中，它帮助团队从复杂的向量空间中提取出了专门负责"相关性判断"的数学维度。
一旦识别出这些关键维度，技术方案就变得相对直观了。研究团队构建了一个特殊的"投影矩阵"，这个矩阵就像是一个智能放大镜，能够选择性地增强向量在相关性维度上的强度，而保持其他维度不变。这样做的结果是，被标记为重要的文本片段在模型的注意力计算中会自然地获得更高的权重。
整个过程的数学表达看起来很复杂，但核心思想相当简单：对于每个关键向量k，新方法将其转换为k' = k + gPk，其中P是学习得到的投影矩阵，g是放大强度系数。这个公式的含义是：保持原始信息不变的同时，在相关性方向上增加特定的强度。
这种方法的巧妙之处在于它的几何解释。任何向量都可以分解为两个部分：与相关性子空间平行的部分和垂直的部分。新方法只放大平行部分，而保持垂直部分完全不变。这就像调节收音机时，只增强你想听的电台频率，而不影响其他频段的清晰度。
二、自适应升级版：AI的"智能切换"能力
基础版SEKA虽然已经相当有效，但它就像是一个专业级的单反相机，虽然拍照质量很高，但每次使用都需要手动调节各种参数。对于不同的拍摄场景，你需要分别设置不同的光圈、快门速度和ISO值。这对专业摄影师来说不是问题，但对普通用户而言就显得过于复杂。
AdaSEKA的出现解决了这个问题，它就像是一个配备了智能场景识别功能的相机，能够根据当前的拍摄环境自动选择最佳的设置组合。当你拍摄夜景时，它会自动调高ISO和延长曝光时间；当你拍摄运动场面时，它会自动提高快门速度。
这个升级版本的核心创新在于"多专家系统"的设计理念。研究团队为不同类型的任务训练了专门的"专家投影器"。每个专家就像是一个在特定领域经验丰富的顾问：有的专长于事实性信息的识别和提取，有的擅长理解复杂的指令要求，还有的专注于处理多步推理任务。
当面临新的任务时，AdaSEKA会进行一个快速的"专家匹配"过程。这个过程类似于智能助手分析用户问题的性质，然后决定应该调用哪个专业模块来处理。比如，当用户询问某个历史事件的具体日期时，系统会识别出这是一个事实查询任务，然后主要激活负责事实提取的专家；当用户要求按特定格式重写一段文字时，系统会识别出这是一个指令执行任务，相应地激活指令理解专家。
这种匹配过程基于"查询-专家对齐度"的计算。想象每个专家都有自己的"专业指纹"，而每个新来的查询也会产生特定的"需求指纹"。系统通过计算这两种指纹的相似度，来决定应该让哪个专家发挥主导作用。这个计算过程非常快速，不会显著增加系统的响应时间。
更有趣的是，AdaSEKA不是简单地选择一个专家，而是会动态地组合多个专家的建议。这就像是在复杂的医疗诊断中，主治医师会综合心内科、神经科和影像科专家的意见，形成最终的诊断方案。每个专家的意见权重会根据当前任务的特点进行动态调整。
实际应用中，这种智能组合机制展现出了显著的优势。比如，在处理一个既涉及事实查询又需要复杂推理的问题时，系统会同时激活事实提取专家和推理专家，然后根据问题的具体构成来分配两者的影响权重。这种灵活性使得AdaSEKA在面对复杂多变的现实任务时表现得更加稳健和准确。
三、精准定位：识别AI大脑中的"注意力中枢"
并不是AI模型的每个部分都同等重要地参与注意力控制过程，这就像人脑中只有特定区域负责视觉处理，而其他区域专门处理语言或运动控制一样。研究团队面临的一个关键挑战就是在AI模型的庞大"神经网络"中准确找到那些真正负责注意力调节的关键节点。
为了解决这个问题，研究团队开发了一套"敏感性映射"技术。他们的做法类似于神经科学家研究大脑功能的方法：通过观察当输入发生特定变化时，哪些区域的活动模式会相应发生变化。具体来说，他们构建了大量的对比样本对，每对样本包含相同的文本内容，但重要性标注不同。
通过分析这些样本在模型中的处理过程，研究团队发现了一个有趣的规律：模型的不同层次和不同"注意力头"对相关性变化的敏感程度差异巨大。这种差异并非随机分布，而是呈现出明确的结构化模式。
具体而言，模型的早期层次（相当于人类视觉系统中的初级视觉皮层）主要处理基础的文本特征，如字母、词汇等表面信息，对内容的重要性并不敏感。而中后期层次（相当于高级认知区域）则展现出了对相关性变化的强烈敏感性。更有趣的是，即使在同一层次内，不同的注意力头也表现出了明显的功能分化。
研究团队通过热图可视化技术，清晰地展示了这种敏感性分布模式。在他们的分析中，越是深层的网络层，其关键向量在面对相关性变化时产生的位移就越大。这种位移的大小可以用数学距离来精确测量，为技术应用提供了客观的选择标准。
基于这些发现，研究团队建立了一个自动化的"敏感性筛选机制"。这个机制就像是一个智能筛选器，能够自动识别出那些对相关性变化最为敏感的网络组件，然后只在这些组件上应用注意力引导技术。这种精准定位的方法确保了技术干预的针对性和有效性，避免了对不相关组件的无谓影响。
更重要的是，这种选择性应用策略大大提高了技术的计算效率。与其在模型的每个部分都进行干预，新方法只在必要的地方施加影响，就像外科手术中的精准定位，既达到了治疗效果，又最大程度地避免了对健康组织的损伤。
实验结果表明，这种精准定位策略不仅提高了注意力引导的效果，还显著降低了计算开销。在一些测试场景中，仅需要激活不到20%的注意力头就能达到全面干预80%以上的效果，这种效率提升对于实际应用具有重要意义。
四、实战验证：三大场景下的性能突破
为了全面验证这项技术的实用价值，研究团队设计了三个代表性的测试场景，每个场景都对应着现实世界中AI系统经常遇到的挑战。这些测试就像是给AI系统安排的"实战演习"，检验其在复杂环境中的真实表现能力。
第一个测试场景聚焦于"事实冲突解决"能力。在现实应用中，AI系统经常会遇到这样的情况：用户提供的新信息与模型训练时学到的知识产生冲突。比如，模型可能记住某位名人是篮球运动员，但用户在对话中明确指出这个人现在是棒球教练。传统AI系统往往会固执地坚持其原有认知，就像一个顽固的老师拒绝接受学生提出的更正意见。
在这个测试中，研究团队给模型提供了这样的输入："以前，凯文·加内特是职业篮球运动员。现在，凯文·加内特是职业棒球运动员。凯文·加内特是一名职业___。"正确的回答应该是"棒球运动员"，而不是模型训练时学到的"篮球运动员"。
测试结果显示，应用SEKA技术的模型在这类任务中取得了接近99%的准确率，而原始模型的准确率通常只有40%-50%。这种提升相当于让一个经常答错的学生突然变成了几乎满分的优等生。更重要的是，这种改进不需要重新训练整个模型，就像给眼镜度数不合适的人换一副新镜片，立刻就能看清楚。
第二个测试场景关注"复杂信息提取"能力。研究团队使用了包含大量干扰信息的职业传记作为测试材料。这些传记的第一句话会明确说明人物的职业，但后续段落会包含大量可能导致混淆的职业相关信息。这就像是在一篇关于医生的文章中，大量描述了这位医生的教学工作、研究活动和行政管理经历，AI系统很容易被这些信息误导，错误地将其归类为教师或研究员。
在这个测试中，SEKA技术展现出了优秀的"抗干扰"能力。通过精准放大被标记的重要信息（通常是传记开头的职业声明），AI系统能够准确识别出正确答案，而不会被后续的干扰信息所迷惑。测试结果显示，技术改进后的准确率提升了10%-15%，这在实际应用中意味着显著的用户体验提升。
第三个测试场景评估"指令执行精确度"。这个测试要求AI系统在理解复杂指令的同时，准确执行文本转换任务。具体任务是将传记文本中的所有性别代词从"他/她"替换为"他们"，然后生成人物的职业信息。这个任务的难点在于需要同时处理指令理解和内容保持两个方面。
传统AI系统在这类任务中经常出现两种问题：要么完全忽略指令要求，直接输出原文；要么过度修改，丢失了重要的内容信息。SEKA技术通过精准的注意力引导，帮助模型在执行指令的同时保持内容的完整性和准确性。
特别值得注意的是AdaSEKA在这些测试中的表现。由于其智能的专家选择机制，AdaSEKA在不同类型的任务中都能自动选择最合适的处理策略，整体表现比基础版SEKA还要更加稳定和出色。这就像一个全能型的专业顾问，无论面对什么类型的问题都能给出最合适的解决方案。
五、效率革命：计算成本的大幅降低
在评价任何新技术时，性能提升只是硬币的一面，计算效率同样重要。就像购买汽车时我们既要考虑动力性能，也要关注油耗经济性一样。研究团队对这项技术进行了全面的效率分析，结果显示出了令人惊喜的优势。
传统的注意力引导方法面临着一个根本性的架构问题：它们需要先完整计算出所有的注意力分数，然后再进行后期修改。这就像建造房屋时必须先把整个框架搭建完成，然后再拆除部分结构进行重新设计。这种做法不仅浪费了大量的初期计算资源，还与现代高效计算框架存在根本性的不兼容问题。
现代AI系统广泛采用的FlashAttention等优化技术，其核心思想是通过巧妙的内存管理和计算调度来避免存储完整的注意力矩阵。这就像流水线作业，每个工位只处理当前需要的部分，而不需要同时处理整个产品的所有组件。传统的后期修改方法破坏了这种优化机制，迫使系统回到效率低下的全矩阵计算模式。
SEKA技术的革命性在于它完全避开了这个效率陷阱。通过在计算开始前就调整输入向量，这项技术能够与现有的所有优化框架完美兼容。这就像在流水线的源头就做好了质量控制，后续的每个环节都能正常高效运行，而不需要在中途停下来进行返工。
具体的测试数据更是令人印象深刻。研究团队使用配备NVIDIA GH200 GPU的高性能计算设备进行了详细的效率对比测试。测试使用了包含约4362个词汇的长文本样本，这个长度足以代表实际应用中的典型场景。
测试结果显示，传统的PASTA方法在处理每个样本时需要额外增加1.03秒的计算时间，内存使用量几乎翻倍，达到50.75GB。而SEKA技术仅仅增加了0.03秒的处理时间，内存增量微乎其微，只有0.03GB。这种效率差异就像比较步行和高速行驶的汽车，完全不在一个量级上。
更有意思的是AdaSEKA的效率表现。虽然它具有更复杂的智能选择机制，但其计算开销控制得相当合理，每样本仅增加0.27秒的处理时间和1.51GB的内存使用。考虑到其显著提升的性能表现，这种轻微的效率代价是完全值得的。
这种效率优势在实际部署中具有重要意义。对于需要处理大量请求的商业AI服务来说，计算效率直接关系到运营成本和用户体验。SEKA技术使得高质量的注意力引导功能能够以极低的成本集成到现有系统中，为大规模商业化应用扫清了障碍。
六、挑战与突破：解决"迷失在中间"的经典难题
在AI研究领域，有一个著名的现象叫做"迷失在中间"（Lost in the Middle），这个现象就像人类在阅读很长的文章时，往往对开头和结尾印象深刻，但对中间部分的内容记忆模糊。AI模型在处理长文本时也表现出了类似的特征：对文档开始和结束部分的信息处理得很好，但对中间部分的重要信息经常"视而不见"。
研究团队设计了一个专门的实验来测试SEKA技术是否能够解决这个经典难题。他们构建了包含30个段落的长文档，其中只有一个段落包含问题的正确答案，其他29个段落都是干扰信息。通过改变正确答案段落的位置，研究团队能够精确测量模型在不同位置的信息提取能力。
正如预期的那样，传统AI模型展现出了典型的U型性能曲线：当答案位于文档开头（第1-5段）或结尾（第26-30段）时，模型表现良好；但当答案位于中间部分（第10-20段）时，准确率显著下降。这种现象在不同规模的模型中都存在，就像近视眼的人无论戴多贵的眼镜框，如果镜片度数不对，看远处还是会模糊。
SEKA技术在这个测试中展现出了令人惊喜的能力。当研究团队有针对性地对文档中间部分应用注意力增强时，原本的U型曲线被"拉平"了，甚至在某些情况下变成了倒U型——即中间部分的表现反而更好。这就像给近视眼的人配上了合适的镜片，不仅解决了看不清的问题，甚至比正常视力的人看得还要清楚。
更有趣的是，研究团队发现了注意力引导强度的重要性。如果对整个文档都应用同等强度的注意力增强，效果反而可能适得其反，就像把所有文字都用荧光笔标记，结果是什么都不突出了。只有精确地针对中间部分进行适度增强，才能达到最佳的效果。
通过调节技术参数，研究团队还发现了一个有趣的现象：适当的注意力调节不仅能够提升中间部分的表现，还能在不显著损害开头和结尾部分性能的前提下，整体提升文档处理的均衡性。这种"精准调校"的能力为处理长文档任务提供了新的可能性。
这个实验的成功不仅验证了SEKA技术的有效性，更重要的是展示了其在解决AI系统根本性局限方面的潜力。"迷失在中间"问题困扰AI研究界多年，而这项技术首次提供了一个实用、高效的解决方案。
七、技术细节：数学美学与工程实践的完美结合
虽然SEKA技术的应用效果令人印象深刻，但其背后的数学原理同样值得深入了解。整个技术方案体现了数学理论与工程实践相结合的精妙设计，就像一座美丽的桥梁，既有优雅的结构美学，又有坚实的工程基础。
技术实现的第一步是构建"对比学习样本"。研究团队采用了一种巧妙的方法：对于同一段文本内容，他们创建了三种不同的上下文环境——中性环境（只有文本内容）、正相关环境（文本与相关问题配对）和负相关环境（文本与不相关问题配对）。这种设计就像控制变量实验，确保观察到的差异完全来自于相关性的变化，而非其他因素。
在数学处理层面，研究团队采用了奇异值分解（SVD）这一强大的矩阵分析工具。SVD就像是数学世界的"光谱仪"，能够将复杂的数据矩阵分解为几个简单组件的组合，每个组件都有明确的几何意义和统计特征。通过这种分解，研究团队能够精确识别出哪些数学方向与"相关性判断"密切相关。
具体的操作过程体现了精妙的设计思路。对于正相关样本，研究团队提取那些对应最大奇异值的方向，这些方向代表了"强相关性"的数学特征；对于负相关样本，他们则选择对应最小奇异值的方向，代表"弱相关性"特征。这种选择策略确保了技术干预的精准性和有效性。
在投影矩阵的构建过程中，研究团队引入了一个重要的质量控制机制：方差阈值筛选。这个机制确保只有那些真正重要的数学方向被纳入最终的投影矩阵，避免了噪声信息的干扰。这就像在制作高品质的咖啡时，只选用最优质的咖啡豆，过滤掉所有可能影响口味的杂质。
AdaSEKA的专家路由机制更是体现了工程智慧。系统通过计算查询向量与各个专家主要方向的内积，然后用对应的奇异值进行加权，最终得到标准化的专家激活强度。这个过程就像智能音响系统根据不同音乐类型自动调节均衡器设置，确保在任何情况下都能输出最佳的音质效果。
整个技术方案还包含了一个重要的几何解释框架。任何关键向量都可以分解为平行于相关性子空间的部分和垂直于该子空间的部分。SEKA技术的本质是选择性地放大平行部分，而保持垂直部分不变。这种几何直观性不仅帮助研究者理解技术原理，也为进一步的改进提供了清晰的方向指引。
从工程实现角度看，整个技术方案具有优秀的模块化特性。投影矩阵的学习过程完全独立于模型的推理过程，可以离线完成；而在实际应用时，只需要在关键向量计算完成后进行简单的矩阵乘法操作。这种设计使得技术集成变得非常容易，就像为现有设备安装一个即插即用的功能模块。
八、未来展望与实际应用价值
这项技术的成功不仅仅是学术研究上的突破，更重要的是它为AI技术的实际应用开辟了新的可能性。就像互联网技术从实验室走向千家万户一样，SEKA技术也有潜力成为下一代AI系统的标准配置。
在教育领域，这项技术可能会彻底改变AI辅助学习的体验。当学生使用AI系统学习复杂的学术材料时，他们可以通过简单的标记来指导AI重点关注特定的概念或段落。这就像有了一个真正理解学生需求的私人导师，能够根据学生的学习重点提供精准的解释和扩展。
在商业应用方面，这项技术对于文档处理和信息提取系统具有重要价值。法律事务所可以使用这项技术来快速处理大量的法律文档，通过标记关键条款让AI系统专注于最重要的法律要点。医疗机构可以用它来分析病历和研究报告，确保AI系统准确关注患者的核心症状和关键指标。
更广泛的应用前景在于AI助手和聊天机器人领域。目前的AI助手经常会忽略用户在对话中特别强调的要求或信息，导致回复不够准确或相关。SEKA技术可以让AI助手真正"听懂"用户的重点关注，提供更加精准和有用的回应。
技术的开源特性也为其广泛应用奠定了基础。研究团队已经将完整的代码、预训练的投影矩阵和详细的使用说明公开发布，这意味着任何开发者都可以轻松地将这项技术集成到自己的应用中。这种开放态度有利于技术的快速迭代和改进，也降低了创新应用的门槛。
从技术发展的长远角度看，SEKA技术代表了AI系统从"被动响应"向"主动理解"转变的重要一步。传统AI系统只能按照固定的模式处理输入，而新技术让AI能够根据用户的明确指引调整其处理重点。这种能力为构建更加智能和用户友好的AI系统提供了新的思路。
研究团队也坦诚地讨论了技术的当前局限性。比如，投影矩阵的学习过程仍然需要一定的计算资源和专业知识；在某些极端场景下，注意力引导可能会产生意想不到的副作用。但这些局限性并不妨碍技术的实用价值，反而为后续的研究和改进提供了明确的方向。
更令人兴奋的是，这项技术为AI研究开辟了一个新的方向：如何让AI系统更好地理解和响应人类的意图和偏好。随着技术的进一步成熟和完善，我们可能会看到更多类似的创新，最终实现真正智能化、个性化的AI助手。
结论部分，这项来自爱丁堡大学等机构的研究为解决AI系统中的注意力控制问题提供了一个既优雅又实用的解决方案。SEKA技术通过巧妙的数学设计和工程实现，成功地将复杂的理论概念转化为可实际应用的技术工具。更重要的是，这项技术与现有系统的良好兼容性和显著的效率优势，使其具有了广泛的应用前景。
对于普通用户而言，这意味着未来的AI助手将更加"善解人意"，能够准确理解并响应用户的重点关注。对于开发者来说，这项技术提供了一个强大而易用的工具，可以显著提升AI应用的用户体验。而对于整个AI研究领域，这项工作展示了如何通过深入的理论分析和精巧的工程设计来解决实际问题，为后续的研究提供了有价值的参考和启发。
随着AI技术在各行各业的深入应用，像SEKA这样的创新技术将发挥越来越重要的作用。它们不仅解决了当前系统的技术局限，更重要的是为构建下一代更加智能、高效和用户友好的AI系统铺平了道路。有兴趣深入了解技术细节的读者可以通过论文编号arXiv:2603.01281v1查询完整的学术论文，获取更多详细信息。
Q&A
Q1：SEKA技术和传统注意力引导方法的最大区别是什么？
A：最大区别在于处理时机。传统方法需要先计算完整的注意力矩阵再进行修改，就像拍完照片后再修图；而SEKA在注意力计算之前就调整输入向量，就像拍照前就调好焦距。这使得SEKA与现代高效计算框架完全兼容，效率提升巨大。
Q2：AdaSEKA比基础SEKA版本好在哪里？
A：AdaSEKA就像智能相机，能根据任务类型自动选择最佳设置。它训练了多个专门的"专家"来处理不同类型任务（如事实查询、指令执行等），然后根据用户问题的特点动态组合这些专家的建议，无需手动调参数，使用更便捷，效果更稳定。
Q3：普通用户什么时候能用上SEKA技术？
A：由于研究团队已经开源了完整代码和技术方案，开发者现在就可以集成到AI应用中。预计很快就会有基于这项技术的AI助手和聊天机器人出现，让用户通过简单标记就能指导AI重点关注特定信息，获得更精准的回应。