「得到 Get笔记」深度调研报告

调研日期：2026-04-29 调研人：xiaomimi (subagent: getnotes-analysis) 数据截止：2025-09 至 2026-03 公开报道

1. 产品定位与功能概览

基本信息

核心定位

「你只管说，AI帮你记」——定位为知识消化系统和第二大脑，解决碎片化信息管理难题。

核心三环：好记 → 好找 → 好用

核心功能

1. 🎤 AI 语音记录：实时转文字 + AI 智能润色，支持27种方言，离线录音
2. 📝 会议纪要：录音+拍照+批注整合，标注发言人时间点，点击文字可回放
3. 📷 智能拍书：拍纸质书页自动识别书名，笔记归类到对应书籍，同步得到电子书划线
4. 🔗 链接一键消化：贴链接自动提取摘要生成笔记
5. 💾 个人知识库：多主题知识库+AI问答+团队协作+订阅博主/直播
6. 🔍 AI 智能搜索：语义搜索，基于笔记内容回答
7. 📱 GetSeed AI 录音卡：硬件配件，一键标记重点、闪念捕捉

用户规模与营收

2. 底层模型确认（证据链）

多模型混合架构

Get笔记并非使用单一模型，而是采用混合架构：

① 豆包大模型（字节跳动）— 日常润色与对话

证据： - 搜狐文章《Get笔记深度体验》（2025-10-11）明确写道："AI助手基于豆包大模型" - 搜狐文章《Get笔记：AI赋能知识管理》（2025-10-11）："AI助手使用豆包大模型，支持联网搜索和深度思考" - 腾讯云文章中提到语音转文字 API 成本高，提到"不管是豆包还是通义听悟，基本是几块钱一小时"

② DeepSeek-R1（满血版）— 深度推理搜索

证据： - Get笔记官方帮助文档（doc.biji.com）明确写道："AI智能搜索，已接入满血版DeepSeek-R1"、"优质数据+强大推理模型，才会发挥出最佳效果" - 官方文档收录了用户文章《当DeepSeek与Get笔记结合在一起，教育创业者工作流翻倍提升》 - 官方文档收录了曹将文章《DeepSeek卡顿时，这个APP救了我》

模型使用场景推测

3. 公文化写作能力分析

3.1 Get笔记的"润色"机制

根据量子位智库对快刀青衣的访谈，Get笔记的语音润色有以下特点：

"我们调优AI时，核心理念是让用户觉得生产出来的内容是'自己的'，不是AI的，也不是Get笔记的。"

"把原始录音文件和AI调完的内容拿给他们看，他们就开始挑毛病，说'不应该这样，该学某个人某几篇文章的风格'。"

"我们要的是'优美的中文、优美的白话文'。"

3.2 调优团队背景

Get笔记的AI润色调优团队包括： - 李倩：北大出身，语言学家 - 贾行家：作家 - 罗振宇：沟通表达专业人士 - 脱不花：沟通表达专业人士 - 其他资深内容创作者

关键细节：团队在调优时参考的语料非常小众——例如20世纪30年代香港《大公报》某专栏作者的文字风格。快刀青衣说："如果不是在这个团队，我根本不会知道这个人。"

3.3 Prompt Engineering 分析（推理+证据）

虽然 Get笔记未公开其具体 system prompt，但从公开信息可以拼凑出以下策略：

1. 去机器味：核心目标是让润色后的文字"不像 AI 写的"，而是像用户自己写的
2. 去个人风格化：拒绝让所有用户输出都像鲁迅、巴金等知名文学家的风格，追求"优美的白话文"而非特定风格
3. 专人调优：不是写 general prompt，而是让语言学专家逐条审阅输出，提出修改方向
4. 小众语料参考：不用大路货（鲁迅/巴金/茅盾），而是用精心筛选的中文语料做风格锚定
5. 口语→书面语的精确转换：去口头禅（嗯、啊、这个、那个）同时保留口语感，不写成生硬的书面文章

4. 中文语感优势的可能来源

基于公开信息分析，Get笔记中文语感好的原因不是单一技术手段，而是系统工程：

4.1 第一层：专家调优（Human-in-the-loop Prompt Engineering）

不是写了个 prompt 就不管了。语言学专家、作家、资深内容人逐条审阅 AI 输出，像改稿一样训练 AI。

影响权重：高（这是最核心的差异化）

4.2 第二层：小众高质量语料选择

不像其他产品用"模仿鲁迅"这种泛化 prompt，而是从特定时期、特定作者的优质中文中提取语感特征。

影响权重：中高

4.3 第三层：用户个人知识库做 RAG

AI 搜索基于用户自己的笔记和知识库内容回答，数据源精准。快刀青衣说："当数据源足够精准，AI的输出质量就会很高，它不是网上抓取的垃圾新闻。"

影响权重：中

4.4 第四层：多模型混合

豆包处理日常语言润色（字节的中文 NLP 积累），DeepSeek-R1 处理深度推理。各取所长。

影响权重：中

4.5 不太可能做的事情

• 微调（Fine-tuning）：未见公开信息表明做了模型微调
• Few-shot 示例注入：未见相关信息
• 自研模型：明确使用外部模型（豆包+DeepSeek）

5. 优缺点对比

5.1 Get笔记 vs 原生 DeepSeek 写作

5.2 Get笔记 vs 其他 AI 写作工具

5.3 Get笔记的优势

1. 中文语感业界领先：语言学专家+作家协作调优
2. 语音体验极佳：27种方言、离线录音、声纹识别
3. 用户共创模式：100+用户群，需求投票决定产品方向
4. 硬软结合：GetSeed 录音卡差异化

5.4 Get笔记的劣势

1. 生态封闭：微信整合弱，无法直接导入聊天记录
2. 商业化困难：¥199/年收入覆盖不了API成本
3. 团队协作弱：不如飞书/Notion
4. 大文档处理弱：不如百度文库等

6. 对 JC 自建公文 Chatbot 的参考价值

6.1 可借鉴的核心方法论

① 专家调优 > 泛化 Prompt Get笔记的成功证明：一个语言学专家逐条审阅比写100个 prompt 模板更有效。建议 JC 找1-2位熟悉公文写作的人（或用自己的判断），对 chatbot 输出做多轮审阅调优。

② 小众高质量语料做 Style Anchor 不要用"模仿政府公文风格"这种泛化 prompt。精选特定时期、特定部门的高质量公文（如国务院公报、政策解读文章）做风格锚点。

③ "去机器味"优先于"风格化" Get笔记调优的第一目标是让文字不像AI写的。公文写作同理：先去掉生硬的AI腔，再谈模仿特定文风。

④ 混合模型策略 日常润色用中文语感好的模型（豆包/通义千问），深度推理用推理强的模型（DeepSeek-R1）。不要一棵树上吊死。

⑤ RAG 精准数据源 > 大模型本身能力 如果 JC 的 chatbot 能基于用户过往的公文做 RAG，输出质量会比通用模型高很多。

6.2 不建议复制的东西

• 豆包模型：如果 JC 不打算用字节系，可换通义千问/Kimi 等在中文上同样有积累的模型
• ¥199 定价：公文 chatbot 可能是另一种商业模式
• 硬件：不需要录音卡这种投入

6.3 具体行动建议

1. 模型选择：DeepSeek-R1 做推理，通义千问/Kimi 做中文润色
2. Prompt Pipeline：不是单一 prompt，而是 口语→结构提取→公文润色 的多步流程
3. 语料库构建：精选50-100篇高质量公文作为风格 anchor
4. 质量评估：定一个"像人写的不像 AI 写的"的内测标准
5. MVP 快速验证：先做个 prompt chain 版本验证中文公文语感是否达标

7. 信息来源

报告完成。如有遗漏或需要补充的方向，请告知。