Je poste d’abord une première version avec une vue d’ensemble + un index des annexes. Ensuite, je compléterai les références markdown une par une en réponses, afin d’éviter qu’un long texte d’un seul bloc provoque des erreurs de rendu côté front-end.
Cette livraison comporte deux axes principaux
- Cartographie des produits IA de Tencent / BU / mapping des équipes
- DeepTweet (plugin de barre latérale X/Twitter) optimisation et intégration
Conclusions clés de l’étude Tencent IA
- L’organisation IA de Tencent n’est pas un « tout-en-un sur une seule ligne », mais ressemble davantage à une structure en trois couches :
- TEG : modèles fondamentaux et recherche, en particulier les capacités cœur de 混元 / Hunyuan ;
- CSIG / Tencent Cloud : commercialisation externe, mise en plateforme, ainsi qu’une partie de la prise en charge des produits IA en front ;
- WXG : écosystème WeChat, collaboration d’entreprise et « IA-isation » des produits à forte fréquence et à fort trafic.
- Les lignes directrices à haute confiance pouvant figurer dans le rapport :
- le développement de la base 混元 est fortement corrélé à TEG, tandis que les API externes / la sortie de commercialisation sur le cloud se fait via Tencent Cloud ;
- Tencent Meeting, Tencent Yuanbao, ima, QQ Browser : l’empreinte de recrutement actuelle est plus nettement du côté de CSIG ;
- WeCom (WeChat d’entreprise), documents WeCom / feuilles intelligentes, clavier WeChat : plus nettement du côté de WXG.
- Les verticales à la monétisation la plus claire ne sont pas un chatbot unique, mais :
- publicité : 妙思 + AIM+ + conversion en boucle fermée WeChat ;
- cartographie : LBS AI / MCP / agents intelligents sectoriels ;
- jeu : double moteur AI in Game + AI for Game ;
- actualités : écosystème de confiance / IA explicative ;
- vidéo : TVI / ZenStudio / IA de la chaîne industrielle de contenu.
Conclusions de livraison côté plugin DeepTweet
- Restauration du build scaffold complet ;
- Ajout de la lecture rapide des profils / workflow de recherche ;
- Ajout d’un research workspace local, export Markdown / JSON, compare queue ;
- Ajout de la transparence IA / provider payload / panneau local de coût heuristique ;
- Baseline livrable actuelle sur la branche feat/integration, commit e7b83be ;
- Validation effective que npm install et npm run build passent.
Les références markdown seront complétées dans les réponses suivantes
Je posterai successivement :
- consumer_office.md
- cloud_model_dev.md
- verticals_competition.md
- org_mapping.md
- BLOCKERS.md
- DELIVERY.md
- ARCHITECTURE_NOTES.md
Pour les tags, on utilise d’abord les libellés existants/compatibles sur le site, afin d’éviter un échec de publication dû aux règles de tags.