AI Personal Agent 发展与挑战

Personal Agent 是今年 Q4 最热闹的 AI 领域：Meta 的 Muse、OpenAI 的 dots、Instinct，以及 Anthropic 新推出的 Claude Duet，让大厂、AI Labs 和创业公司同台竞争。它也是最像互联网的 AI 命题：如果用户开始把需求交给 agent，那么从用户入口、流量分配，以及交易闭环，都会被重新组织。不过，考虑到 Personal Agent 的单用户服务成本远高于传统互联网产品，产品或商业模式角度看也有可能会失效。今天对 Personal Agent 的想象一定会受限于我们过去的认知和经验。参考 PC 的进化演变，从 Palm、Windows Mobile，直到 iPhone 才找到真正适合大众的移动计算体验。Personal Agent 也才刚刚开始，整个领域同样需要一个“iPhone 时刻”，即找到真正让普通人自然、持续使用的个人智能产品形态。

以下是我们对 Personal Agent 主题 Best Ideas 讨论的观点整理。

一、这一轮 Personal Agent 新在哪里？ 1. 和 Chatbot 比，“更主动、能办事”是 personal agent 的关键进步。 过去的交互主要是用户提问、AI 提供信息； 但连接 Gmail 等服务、获得用户背景和授权后，agent 开始有机会主动替用户处理事务。 2. Personal agent 与 Chatbot 的关系，可能更像推荐与搜索的关系。 Personal Agent 对用户的吸引力在于主动性。 Chatbot 里很多用户不知道可以让 AI 做什么，也很难把需求表达清楚。

如果每次都要用户先提问，使用就会受到限制，但当 Agent 具备 proactive 的能力时就可以有效解决这个问题。 3. 年初 OpenClaw 的爆火和 personal agent 是一条线的叙事，personal agent 最重要的进步是产品化和云端托管，解决了普通用户搭建、配置和维护的负担，更加“开箱即用”。 4. 比如 Meta 的 Muse 其实就是把持续运行的云端环境、连接账户与服务的 connector、可重复使用的 skills，以及后台多 agent 协作放进同一个产品。

用户可以直接在手机上给 Muse 交办任务，不需要先把这些部件逐一配好。 5. Meta AI 产品负责人 Nat Friedman 也明确提到，Muse 的产品设计从 OpenClaw 上得到了不少启发。 6. 模型进步给 personal agent 带来的产品变化非常重要：模型在长任务执行、工具调用和指令遵循方面的能力进步，让 personal agent 开始变得可用，如果未来百亿、两百亿参数的模型能做好长任务，就可能给 personal agent 带来像 GPT 4o 当年那样的用户增长。 7.

Grok Bot 和 Muse 不能 head-to-head 地对比： Grok Bot 更像一人公司或美国小微企业的工作助理。 它能操作应用、浏览网页和调用工具，替企业主或员工处理具体任务。 用户还可以把 Codex 等工具接入 Grok Bot 托管的云电脑，之后只需要统一向 Grok Bot 交办任务，由它调用相应工具执行。 但 personal agent ，尤其是 Muse，很明显对生活场景的优化做得更好。

在一些用户的亲身体验中，Muse 处理购物、在 Facebook 上与卖家讨价还价和保险等任务时，能够在 10 分钟内完成，而其他 agent 往往要 20 至 30 分钟。 8. 随着这两个产品的功能边界不断发生变化，两者能做的事情也有了很多重合，比如 Muse 上个月也推出了企业版，它通过在 Muse App 中加入面向 small business 的连接器和 skills，定位是能读取经营数据、跨软件执行任务的 AI 经营助手。 9.

如果 personal agent 能把语音、跨端使用、主动交互和个人场景优化做好，仍能让产品用起来很不一样。

二、产品使用体感10. 从用户的直接使用体感来看，大家普遍在重复性、繁杂的信息处理和检索类任务上来使用 personal agent，其中，购物和个人财务类任务是最能感受到 personal agent 产品价值的场景。 11. “定期补货”或许是 personal agent 目前相对明确的一个场景：每周购买的生鲜杂货相近，目标明确，重复下单又费时间，完全可以交给 agent 来完成。 12. 此外，AI 擅长的信息检索和比较也可以外化到购物体验上。

比如有用户原本习惯去 Amazon 购买物品，Agent 却帮他找到了此前没考虑过的 Best Buy，最后促成了购买。 13. 个人财务相关：例如报税、保险、产品订阅管理等。 这类任务的典型特征是：流程繁琐，但因为关系到真金白银，用户之前不得不花大量时间来处理。 并且在这类场景上，因为 personal agent 既能让用户节省时间，还能直接感受到的收益，因此这一场景比普通购物场景有更大的想象空间。 14.

基于上述，站在开发者的视角，要判断一项任务是否值得交给 agent，不能只看 agent 执行任务的成本，还要比较它替用户省去多少沟通、办理手续的时间和麻烦。 15. 前面提到的产品体验主要是针对海外市场，国内 personal agent 产品首先需要面临的是接入问题，生态的封闭、 API 生态不够成熟，让独立 agent 更难获得账户数据，替用户执行后续操作的实现度更是很大挑战。 16.

作为典型的 To C 应用，Personal agent 的产品角色形象可能也是影响普通人是否愿意尝试 personal agent 的要素之一。 Muse 更有亲近感，会让原本不熟悉 AI 的人更愿意尝试。 而 Instinct 基于 iMessage 没有明确的角色形象，Grok Bot 和 ChatGPT 的 dots 的形象都偏像素或几何设计。

三、Personal Agent 需要自己的“iPhone 时刻”17. AI 产品已经积累了庞大的用户群，ChatGPT、Claude、Gemini 等产品去重后估算可能有 6 亿日活，已经是一个相当 meaningful 的数字，而今天的头部产品例如 Facebook 大致在 20 亿 DAU。 18. 这个趋势最直接体现在流量分配的改变上：当用户把需求交给 agent，由它跨平台搜索、比较并完成购买，过去受限于个人注意力和使用习惯的选择范围就可能扩大。

比如用户原本只习惯在 Amazon 购物，agent 却可能找到 Best Buy 等此前未考虑的渠道。 这个变化也可能压缩部分依赖信息不对称赚钱的业务。 19. 从 Muse 的早期用户规模来看，“Facebook 级别的机会”也是可预期的：估算角度，Muse 上线一个多月后，就有了～300 万 DAU，每名日活用户每天发起 10 次以上 prompt。 虽然 Meta 旗下应用的导流贡献了 ～60%—70%，但 Muse 的数据仍旧是 Personal Agent 需求验证的重要信号。 20.

但 Personal Agent 的现实瓶颈也很明显： 今天用户可能还是要用上 Muse 2-3 周，才能逐渐进入重度使用的状态； 根据 Sensor Tower 的数据，在 9 月、81 个国家的 iOS 与 Android 新安装用户中，Muse 安装后第 1 天的打开率高于 ChatGPT，到第 14 天则低于 ChatGPT； 其中一种可能是普通人没有那么多值得交给 personal agent 来办的事，也就是说，能长期提供邮箱、职业资料、代码仓库等背景、又不断提出高价值任务的人群有多大，仍需要讨论。

21. 但 Personal Agent 类产品也已经开始在解决帮助用户“发现需求”这件事，以 Muse 为例： Muse 用 Goals 保存用户长期想完成的目标，再用 ideas 提供新的任务建议，目标是希望用户在一次任务结束后，还能找到下一件值得交办的事。 有调研估算，目前只有约 10% 的交互由 agent 先发起，90% 仍由用户先发起。 22. 当然，用户展示出来的数据未必反映真实需求。 从推荐内容到主动完成实际行动，产品面临的难度更高，因此主动性的实现会是一个循序渐进的过程。 23.

不过，仍有一类声音是质疑当下市场对 Personal Agent 的部分热度是否来自大众对个人助理的想象，而相比之下，企业里的 agent 同事或许比消费级 personal agent 更可能产生万亿美元级公司： 企业有更明确的任务来源； 企业的业务记录、内部沟通信息和流程中的新事项，都能给 agent 提供待处理的事； 团队里只要有少数能提出有价值任务、搭建流程的人，就能带动其他成员使用，而非要求每个人都不断想出新任务。 24.

人们往往沿着已有的产品形态想象未来：今天对 Personal AI 的想象，可能像当年尝试把 PC 搬到小屏幕上，再配上键盘和触控笔，却没有直接得到真正适合大众的移动计算体验，直到 iPhone 出现才实现这一目标。 这个演进也说明，找到让普通人自然、持续使用 Personal AI 的产品形态的过程可能比预期更漫长。 25. 时间窗口长带来的影响，不是对落后者会更宽容，而是让领跑者也非常煎熬：它们需要建设生态、持续留住用户，甚至在亏损中坚持投入，最终迈过拐点。

四、产品能力提升靠什么？
模型 26. 接下来值得关注的是，模型能否继续降