AI眼鏡、耳機和錄音設備正在成為Personal Agent進入現實世界的入口。

10月13日，千問發佈AI眼鏡和AI耳夾式耳機，希望讓同一個Personal Agent通過不同設備理解用戶、延續任務。與此同時，硬體廠商也在嘗試通過耳機和錄音設備，把現實世界中的交流轉化為可供Agent調用的上下文。

手機本身已經具備錄音、感知和AI處理能力，用戶為什麼還需要單獨購買一套硬體？

獨立硬體的特點之一在於啓動快。在效率場景下，解鎖手機、點開App、按下錄音鍵的流程稍長，在會議中按亮手機查看錄音狀態也會分散注意力。相比之下，按一下錄音卡按鍵、看到指示燈亮起，操作更簡單直接，用戶的體驗會輕鬆些。

硬體銷量反映用戶購買意願，用戶黏性要依據訂閱轉化、持續使用和續費情況判斷。

雖然模型推理和任務執行能力可以由外部平台提供，但硬體廠商也可以參與上下文管理。

千問整合模型、App和硬體，韶音藉助外部AI能力提供服務，未來智能旗下品牌viaim嘗試通過自有Personal Agent調度其他Agent，亞馬遜旗下Bee接入已有的助手和購物服務，不同企業正在探索各自的位置。

硬體充當Personal Agent在現實世界吸收上下文的感官，圍繞這些資訊的長期管理、任務調用和服務收費，各廠商的競爭正在展開。

一個Personal Agent，串起了一場硬體發佈會。

10月13日，阿里巴巴旗下千問發佈AI眼鏡N1、N1 Pro和AI耳夾式耳機，三款產品當天現貨開售。疊加國補及限時優惠後，眼鏡到手價2218元起，耳機首銷價1099元起。

阿里巴巴集團千問事業部副總裁宋剛在發佈會上表示：

「千問的目標是成為每個人的Personal Agent，我們認為AI穿戴是千問在物理世界的延伸，也是Personal Agent的重要組成部分。無論你從那裡發起需求，背後都是同一個千問，理解同一個人，延續同一個目標。」

這場發佈會之前，阿里已圍繞千問佈局AI應用、集團內部服務和硬體終端。

眼鏡、耳機和錄音卡分別面向視覺感知、隨身語音互動和辦公記錄等場景。千問開放平台的「技能廣場」開始引入第三方服務，這樣用戶的語音指令就可以調用更多功能。

8月，韶音推出OpenFit 2 AI耳機；9月，Meta在Connect大會上宣佈把個人智能體Muse引入AI眼鏡產品線，落地時間預計在數月後。

AI原生的故事，兩年前Humane AI Pin、Rabbit R1就講過，但產品體驗沒走那麼遠，宣傳片裡的新鮮感沒能兌現。新一輪AI硬體大多不再講替代手機，耳機、眼鏡和錄音設備要承擔更多感知與互動任務。

一個硬體覆蓋用戶的全部生活場景，未必是最合理的選擇。

耳機、眼鏡和錄音設備等硬體體積有限，需要貼身佩戴或隨身攜帶，如果要拼功能整合和硬體配置，很難拼得過智能手機。

關鍵是如何找到各自的生態位，相互協同，分別覆蓋不同使用場景和用戶需求，最終服務於完整的Agent工作流。

對於接入同一個Agent的多款硬體，性能、參數仍然重要，是用戶長期體驗的一部分。在此前提下，硬體還需要持續獲取對Agent有用的場景資訊。

Agent要利用現實對話完成後續任務，首先需要獲得清晰、完整的錄音。如果一開始拿到的錄音不完整，後續模型很難準確還原缺失的內容。

Agent處理過程中需要的上下文不侷限於文字內容。歷史錄音、轉寫、文檔、人物、項目背景和未完成的任務，都可能是完成下一個任務需要的上下文。

聲學技術公司Soundskrit中國區總監嚴更真向全天候科技解釋，不同形態的AI硬體，對麥克風和聲音處理演算法有不同要求。

眼鏡首先需要提取佩戴者自己的聲音，在嘈雜環境中去除周邊噪聲；如果用於面對面翻譯，還需要聽清交流對象的講話。錄音卡則更強調遠距離拾音、複雜會議室環境，以及區分不同說話人。

當全天候科技問及新增的聲學需求主要來自那類公司，嚴更真回答：

“兩個都有吧，有些傳統的做音頻硬體的公司，考慮新增聲學與AI結合的應用形態，比如縮小麥克風陣列的尺寸，同時降低噪聲環境下文字轉錄的誤碼率；

有些AI背景的公司，考慮圍繞大模型落地重新定義應用場景，採用新的聲學技術與應用。”

拾音設備放置的位置同樣會影響上下文。

貼在耳邊的耳機離佩戴者本人更近，在嘈雜的公共場景裡更容易優先保證清晰收錄用戶本人的聲音。但在辦公室裡開會的時候，大家往往把錄音卡放在桌面上，確保每個人的聲音都能錄進去。

有產品嚐試讓耳機和充電盒都能錄音。未來智能創始人馬嘯介紹，9月在柏林IFA發佈的AI智能體耳機viaim Rise，把過去線上錄音、面對面錄音、音視頻錄音等多種模式合併為一個錄音鍵。

充電盒上的按鍵在手機App關閉後也可以啓動錄音，錄音功能不完全依賴於耳機佩戴狀態和手機App。

「這個盒子也花了不少精力，可能一開始有很多的反對意見，但我們還是勇敢地把它往下推下去了，因為Agent的硬體肯定是要有一些新的東西在裡面的。」

馬嘯並不認為這一輪Personal Agent熱潮帶來了硬體技術的本質變化。在他看來，變化的是人們看待硬體的視角。

Agent將設備與上下文聯繫起來，讓一次錄音成為後續任務的起點。馬嘯認為，當Agent能夠推動會議事項形成閉環，硬體的使用場景和商業價值也會隨之改變。

聲音收進來之後，還需要經過相應的信號處理和模型解析，才能成為Agent可調用的資訊。具體到端側和雲端如何分工，各款產品並不相同。

千問辦公錄音卡QwenNote A2內置4G物聯網卡，可以不依賴手機將聲音傳輸到雲端，進行實時轉寫和紀要處理，原始音頻在轉寫完成後刪除，只保留文字和紀要。

viaim看重的是把多條錄音、文檔和歷史討論組織進同一個項目，供Agent在後續任務中調用，設備端主要承擔拾音、降噪和傳輸等任務，網絡信號不佳時會先在本地緩存錄音，待恢復連接後上傳。

當前上傳雲端處理的是原始音頻，轉寫及後續Agent分析主要在雲端完成，用戶可以導出原始音頻和轉寫文字。

錄音、轉寫、上下文管理和後續Agent服務，可以由不同公司提供。

以韶音OpenFit 2 AI耳機為例，韶音掌握硬體和用戶互動入口，錄音轉寫與紀要生成交給千問，光帆為相對獨立的「AI實驗室」功能提供支援。

韶音方面回覆全天候科技，用戶按下錄音鍵後，音頻先記憶體在耳機內置晶片中，左右耳各支援4小時錄音；錄音結束並連接手機後，音頻自動上傳至Shokz App，再由韶音服務端調用千問大模型進行轉寫和紀要生成。

9月雲棲大會上，韶音攜手光帆科技在OpenFit 2 AI上推出了「AI實驗室」。

據韶音回覆，光帆為Shokz App中AI實驗室的智能對話、日程待辦、隨口記和消息助手等功能提供技術支援，錄音紀要服務與AI實驗室服務相互獨立，數據不交叉。

韶音還表示，韶音資訊安全管理系統已通過網絡安全等級保護三級和SOC 2 Type 1認證，並對錄音、轉寫到檔案歸檔的過程採取加密措施。

千問走的是整合式路徑，推出眼鏡、耳機和錄音卡，同時經營App、模型能力和第三方技能生態，將多個入口納入同一套服務體系。如果同一個千問能夠理解用戶、調取歷史上下文並連接阿里服務，那麼阿里將有機會從入口一直經營到任務執行和服務消費。

這條路線的商業價值在於閉環，挑戰在於用戶未必願意把日常任務全部交給同一生態。

Plaud支援用戶選擇不同模型。用戶可以通過ChatGPT、Claude等外部AI工具發起任務，通過MCP等連接方式調用Plaud保存的會議資料。

整合多款外部AI工具給了用戶更多的自由度，下一步要考慮的是用戶留存。在一個可能被替代的生態位上，廠商需要提供差異化的價值。

viaim希望通過自有Agent承擔一部分上下文管理和任務分配。「我們做了一個調動其他Agent的Agent。」未來智能創始人馬嘯向全天候科技解釋。

馬嘯介紹了viaim與騰訊WorkBuddy合作的兩種方式。一種是由主機方調度，自有Personal Agent分析用戶積累的資訊、識別需求，任務交給WorkBuddy執行。另一種是開放CLI，用戶在WorkBuddy裡發起任務，通過viaim CLI調取錄音記錄。

兩種模式可以使用同一批錄音，區別在於任務從那裡發起。

當地時間10月15日，亞馬遜旗下Bee發佈Bee Frontier手環與磁吸卡片配件Bee Eclipse。

兩款硬體可從用戶的對話及已連接應用中提取資訊、生成摘要和待辦，付費訂閱服務Bee Pro支援第三方應用及Alexa+、Amazon.com整合。

從已公佈的功能來看，亞馬遜正在嘗試將硬體採集的現實場景資訊與AI助手、電商服務連接起來。

同樣做硬體，廠商選擇了不同的價值鏈位置。有的經營硬體和用戶入口，有的希望掌握上下文與任務分配，也有平台公司嘗試把現實資訊接入自有服務。至於用戶實際調用這些資訊的頻率和付費意願，目前公開披露的數據還不能充分說明。

上下文處理是一條長鏈，不同企業分別覆蓋這條鏈上不同的環節。一次具體的任務中，各家收取的並不是同一層費用。硬體賣出去只是第一步，長期使用過程中，軟件服務、訂閱制度是重要的收入來源。

目前已推出訂閱服務的廠商不少，但具體到收費標準上，各家正在嘗試為資訊處理量、上下文管理和後續任務服務分別設計付費權益。

近半年來，阿里、科大訊飛、階躍、騰訊混元、小米等先後發佈或升級語音識別模型。

9月千問發佈Qwen-Audio-3.1系列時，全線語音模型價格下調，其中語音識別降幅達95%。手機等通用設備可以通過軟件調用語音識別能力，獨立硬體的訂閱價值還需要體現在上下文管理和Agent服務。

對於經常開會、採訪的用戶，要是每次都先看一眼剩餘時長，再考慮要不要錄音，額度本身就可能成為使用門檻。但如果用戶規模擴大以後，單位用戶帶來的收入無法覆蓋相應成本，訂閱業務的毛利率仍可能承壓。

未來智能創始人馬嘯認為，當前AI主動性有兩個瓶頸，一是判斷用戶需求的準確度，需要持續積累用戶資訊；二是任務的完成度，涉及任務執行和反饋。

用戶持續使用硬體及Agent服務，錄音數量多了，可用的上下文不一定同比例增加。上下文管理還需要把多次交流組織成項目背景、人物關係和歷史決策，Agent才能在後續任務中持續調用，優化執行效率和交付結果。

例如，會議結束後，Agent需要準確識別負責人和截止時間，將待辦同步到用戶的辦公系統。

這樣用戶再次討論同一個項目時，才能方便地找回上次的任務結果和待辦事項。Agent如需向外部人員發送消息，也應在必要的環節請求用戶確認。

以往硬體產品銷售通常是一次性的買賣，更新迭代很多時候意味著再換一臺。

Personal Agent講長期故事，硬體開始強調「always on」，上下文正在成為資源，但資源本身不會直接沉澱為競爭壁壘，也不能證明做Personal Agent硬體一定是好生意，Agent執行的任務越來越複雜，可能同時帶來新的收入和新的成本。

Agent硬體的長期價值，首先取決於產品能力。很少有人願意花錢僱一個經常失憶、想到那句說那句的Agent助理，主動提供服務也需要講究分寸。

產品能力到位以後，要考慮用戶需求。如果用戶購買硬體後大多數時間都閒置，或者新鮮感過去就轉手，最終調用Agent功能的頻率不高，那麼硬體承擔的主要功能就仍然是採集，而不是積累。

商業模式方面，當前訂閱套餐的構成各有差異，各廠商對Agent帶來的價值有不同考量。訂閱業務要持續運轉，用戶需要獲得可感知的長期價值，廠商也需要用收入覆蓋記憶體、推理和任務執行成本。 (華爾街見聞)

Muse 把 Personal Agent 這條賽道推到了討論中心。只是 Personal Agent 這個概念，邊界正變得越來越模糊。該有哪些功能，雲端一定要有主機嗎？該怎麼互動？iMessage 、bot 還是單獨 App？需要有哪些能力，操作瀏覽器、呼叫工具、打電話？

太多非共識，完全還沒收斂的狀態。

但作為目前跑得最快的產品，Muse 的產品互動，值得一聊。

當 Agent 從「回答問題」變成「替你做事、一直線上」，產品要重新做哪些設計決策？

需要主動，但不能變成又一個不停推送通知的應用；它可以替使用者把事情做到哪一步，什麼時候必須停下來等待批准？它需要瞭解郵件、日曆、支付資訊和長期記憶，又該如何讓使用者放心把這些資料交出去？

Muse 的產品設計，就是在這三組矛盾之間找平衡。Agent 要足夠主動，又不能煩人。要能真正動手，又不能失控。要知道你的一切，又得讓你敢交出去。

最近，Muse 團隊分別公開了產品設計與安全架構的完整復盤。馬克·扎克伯格也在播客中談到了自己如何使用 Muse，以及 Meta 對 Personal Agent 的長期判斷，很值得一看。

以下是 Muse 團隊圍繞產品設計的思考，經 Founder Park 編譯整理。

01. 只有一個長對話的互動，該怎麼設計？

設計 Muse，就像在為一個新時代設計產品。

模型會主動行動，能掌握多得多的上下文，能力強到可以自己生成互動體驗。這意味著要作出大量沒有先例的產品決策，一邊想像人們溝通、創造的新方式，一邊保護他們的資料和操作安全。

Muse 的主聊天介面，被設計成一段持續的長對話，就像你和另一個人交談那樣。 和其他 AI 應用不同，它不是一輪提問、一輪迴答。你可以打斷它，也可以連續交給它好幾件事，不必等上一件有回覆。它的記憶跨對話保留，也能處理大量上下文。

早期測試中，仍有一些使用者希望把某些話題的上下文單獨放開。隨著項目越來越複雜，這種需求也很合理，所以有了側邊對話。

主動發消息還帶出一個更小的設計問題。消息可能不按對話順序到來，使用者也會連發好幾條，這時一份平鋪直敘、不斷變長的轉錄就不好讀了。所以 Muse 用回了聊天氣泡，標明一個想法在那裡結束、下一個從那裡開始。

給 Muse 設計形象和個性，既令人愉快，也是再自然不過的選擇。長期與它對話時，對著一家公司的標誌或一個抽象實體說話，總覺得很奇怪。 內部測試時，每個人想像的對話對象都不一樣，大家開始創造屬於自己的 Muse。

團隊由此意識到，讓 Muse 真正成為「你的」Muse，對產品至關重要。自己建立形象、給它取名、賦予它獨特風格，如今已經成為最能讓使用者興奮的核心功能之一。

02. 有主動能力很重要，但要慎用主動能力

Muse 的神奇之處，在於看著它真正在替你完成一件事。

Muse 希望能儘可能有效地幫助你完成任務、實現目標。它的系統提示詞第一行就是，「你的使命是讓使用者的生活變得更好。」

要做到這一切，Muse 必須能力很強，而且足夠主動。

Muse 有自己的電腦，配備檔案系統和終端，因此可以自己寫程式碼、建構任務所需的工具。它也能使用完整的網頁瀏覽器，進行搜尋、瀏覽網站、填寫表格，以及完成預訂、購買等交易。

它還能為你製作東西，文件、PDF、網頁，以及更多形式的內容。它可以製作開支追蹤工具、互動式學習指南，或是幫助你發現睡眠規律的儀表盤。

而且 Muse 會一直工作。一旦你設定目標或任務，它就會按照日程安排、或在相關事件發生時繼續推進，採取下一步行動並跟進。與此同時，你仍然可以在對話裡交給它別的事。後台工作完成後，它會判斷結果是否值得告訴你，只有出現有意義的新進展，或者需要你參與時，才會通知你。

一個例子是，在 Muse 發佈前一週，Muse 設計負責人 Mona Sarantakos 把孩子的開學準備交給了 Muse：盯學校的郵件和學區網站，把重要日期放進家庭日曆，把文具加進購物車，找到兒子想要的衛衣，再訂一頓慶祝開學的晚餐。就在這個過程中，Muse 從郵件裡翻出一件她肯定會漏掉的事，兒子的體育項目選拔，報名還有 12 小時截止。她登機前收到 Muse 的消息，馬上打給丈夫，對方趕在截止前 4 小時交了表。要不是 Muse 發現了這件事，兒子就沒法參加選拔。

Muse 也會主動行動。即使你沒有發起對話，它也能給你發消息。因此，主動發消息的門檻必須很高。這條消息得確實有幫助，值得打斷你。默認設定適合大多數人，你也隨時可以讓自己的 Muse 關閉主動消息、減少頻率，或者增加頻率。

後台任務也一樣，做完之後，Muse 會先判斷結果值不值得告訴你，只有出現有意義的新進展，或者需要你參與時，才會通知你。

03. 雖然是 chat，但不能只有 chat

雖然 chat 是主要的互動形式，但在互動上，Muse 還是設計了很多 chat 之外的形式。

團隊有意識地劃定了哪些地方必須使用明確的介面控制項，帶有清晰「接受／拒絕」選項的結構化審批卡片，以及安全保存登錄憑證的機制。

有時候，一大段文字也不是回答問題的合適形式。讓一個人幫你規劃旅行，你想要的是一份行程單，不是一篇兩千字的回覆。如果你想長期追蹤支出，比起每天收到一條消息，可能更想要一個即時更新的儀表盤。

Muse 可以製作豐富、可互動的內容，通過聊天發給你，也可以在聊天介面之外使用。這些內容被稱為 Artifacts，比起今天聊天框裡的一段文字，人們會越來越想要內容更豐富、為自己量身定製的介面。

早期測試還暴露出一個意外的問題，Muse 能做的事太多，人們反而不知道該從那裡開始。所以 Muse 被設計成會持續思考自己能為你做什麼，根據你的目標、行為模式，以及從對話中瞭解到的資訊，生成新想法。

Muse 會以多種形式向你提出這些想法：你剛開始使用時收到的提示、「想法」標籤頁裡的建議。如果它瞭解你的目標，還會根據觀察以及與你的對話，主動分享新的點子，或建議調整原有計畫。

後台同時處理多項任務、應用關了也照樣運行，這很令人興奮，但也帶來一個問題。它究竟在做什麼？看不見的東西，很難讓人信任。於是介面的透明度被不斷提高。Muse 形象下方有一行簡短說明，寫著它正在做什麼。點開形象，能看到完整的活動記錄，以及你已經批准的權限。

使用者開始同時交給 Agent 多項長期任務，其中很多都和想實現的目標有關。只有活動記錄還不夠，還需要清楚看見 Muse 正在替你追蹤哪些事、打算怎樣實現目標。這些都記錄在「目標」標籤頁裡，你可以直接在那裡和 Muse 互動，也可以在聊天裡討論。

權限介面、「設定」和記憶檔案也都考慮了透明度。你可以直接閱讀、編輯自己的記憶檔案。

04. 權限設計上，一定是「Human-in-the-loop」

這是 Meta 第一次把收件箱、日曆和 shell 交給一款軟體，讓它在無人看管的情況下運行，結果並不總是如人所願。要讓所有人都能用上這項技術，就必須通過審慎的設計和工程，讓它更安全地運行。這個項目的大部分精力，都花在了這裡。

訓練模型時，團隊特別關注這類 Agent 最關鍵的能力：通過 CLI 和 Skills 零樣本呼叫工具，處理長上下文，在長任務中遵循指令並識別提示詞注入，以及協調多個 Agent。

但無論底層模型多強，Agent 仍然會犯錯，也可能通過它讀取的資料受到攻擊。所以設計系統時，要預設 Agent 可能正在遭受攻擊，並限制潛在損害。運行 Agent 的 Harness 待在一個獨立隔離的運行單元裡，看不到真實憑證。它與外部世界的每一次互動，都必須經過它無法繞過的 Sentinel。

Sentinel 是一個與 Muse 分開的宿主側 Agent，是連接器操作和所有網路出站流量唯一的審批方，決定允許、拒絕或詢問使用者。Muse 可以提出操作請求，但只有 Sentinel 能准許執行。

Muse 仍然可能、也確實會出錯。但團隊預計，憑藉內建的安全系統，錯誤會少得多，造成的損害也會小得多。

你和你的 Muse 共用一台專屬雲端電腦，但理解它的正確方式是：同一台電腦上有兩個彼此隔離的安全域，而不是一個擁有整台機器 root 權限的大模型 Agent。運行單元預期會處理不可信的資料，所以安全檢查模型、憑證服務、連接器執行處理程序等都放在它外面，攻擊者無法在運行單元裡關掉這些防護。

Muse 能通過對話處理很多事，但在少數領域，光靠對話不夠。所以有意識地劃定了必須使用明確介面控制項的地方：帶清晰「接受／拒絕」選項的結構化審批卡片，以及安全保存登錄憑證的機制。

「Human-in-the-loop」會在寫郵件、買東西這類關鍵操作前徵求你的意見。但也要避免「橫幅盲視」，使用者為了讓提示消失，什麼都一律批准。監督那些「無法撤銷」的操作很重要。因此，默認設定允許 Muse 正常瀏覽網頁，但遇到難以撤銷的操作就會停下來。你也可以通過內建控制項調整默認設定，讓它更謹慎或更寬鬆。

通過「Human-in-the-loop」授予的批准，是權限邊界明確的能力授權，不是聊天中的一句建議。Muse 支援取得一次性、僅限當前會話、僅限當前任務、有時間限制，或持續有效的權限。

目的不是事事都詢問使用者。唯讀、此前已獲准，或可證實風險很低的操作，都可以不打斷使用者而繼續。希望能在真正需要同意的地方設定阻力，同時讓日常操作順暢進行。隨著積累更多真實使用者的使用經驗，預計會繼續調整其中的平衡。

權限也是逐步放開的。使用者通常更願意先讓 Agent 讀，比如「讀我的日曆，提醒我有衝突的安排」，等瞭解它表現如何，再決定是否授予「替我安排新會議」這樣的寫權限。Muse 在服務支援時把讀寫分開，控制粒度比 OAuth 通常的分組更細。

信箱是一個例子。主信箱裡很可能有大量一次性驗證碼，點一下「忘記密碼」，通常就能用信箱重設別的網站的密碼。把信箱連接給 Muse，不應該讓 Agent、或操控 Agent 的人，得以在其他網站冒充你。所以 Muse 的信箱連接器會用確定性規則和分類模型，濾掉驗證碼、密碼重設連結和免密登錄連結。

購物是最受歡迎的瀏覽器用途之一，出錯可能損失真金白銀。已經保存過支付資訊的網站，Muse 會識別結賬頁，每次購買都展示交易詳情，請你本人批准。在沒買過東西的網站，付款時系統簽發一次性卡號，只對特定商家、特定金額、在有限時間內有效。即便它通過提示詞注入被竊取，對攻擊者也不會有多大用處。

Simon Willison 在 2025 年 6 月提出的「致命三要素」，是 Muse 一直緊盯的問題：訪問私人資料、接觸不可信內容、能夠對外通訊。如果 Agent 同時具備這三項能力，攻擊者就很容易誘騙它讀取你的私人資料，再發給攻擊者。

為此，Muse 採用多層防禦：訓練模型識別和抵禦提示詞注入；來自外部的資料進入上下文時一律標為不可信輸入；多個與核心模型分開訓練的檢測分類器平行檢查；把資料移出 VM 的操作，交給使用者審批。即便 Muse 被誘導去做壞事，確定性的邊界依然生效。

當然，Muse 不能免疫攻擊。提示詞注入仍是整個行業尚未解決的問題，Muse 也會犯錯。系統的設計目標是在出問題時限制影響，讓使用者保持控制權，又不被過多提醒壓得喘不過氣。

05. 扎克伯格：Personal  Agent「分寸感」很重要

扎克伯格：我自己用 Muse，是想讓它幫我成為更好的父親、丈夫和朋友，幫我和別人保持聯絡。

我三歲的女兒喜歡烘焙，我自己一竅不通，卻覺得這是可以一起做的有趣項目。於是我讓 Agent 每個週末安排一個適合三歲孩子和完全不會烘焙的大人一起做的項目，再用 Instacart 之類的服務買齊食材，這樣星期天我們見面就能直接動手。之後我會告訴它效果如何。第一次的棒棒糖蛋糕太難了，意外地難，它會根據反饋調整計畫。

大女兒開始喜歡爬山，有些山要申請許可。我讓 Agent 盯著開放申請的時間，一有名額就替我們拿到。它告訴我哪天申請成功，我就知道那天得請假陪她去。

我還在 MMA 訓練館裝了攝影機，讓它看視訊給我反饋。有一次它挑出一個片段說「看起來你真的放棄了」。我說，是啊，當時我真的累壞了。教練們也笑，說有些話他們不好意思對我講，倒是 Agent 直接講了。

Alex Heath：早期測試時，有沒有哪種用法讓團隊印象很深？

扎克伯格：有意思的是，每個人都想拿它做完全不同的事。有人第一天就拿它協助管理在家教育，另一個人不到一天就讓它規劃了一整趟旅行。

有位平時很懷疑技術的朋友，試用後幾天沒有任何反饋，突然發資訊問我：「正式上線時，我能保留現在這個 Muse 嗎？還是會被重設？」我一看，就覺得這說明產品有用了。

Alex Heath：你們團隊說它會「夜裡學習」。

扎克伯格：對，它會把自己的反思整合進記憶，持續推進項目，還會建議新項目。我和一個女兒一起玩《文明》，Agent 提議替她做一份攻略，我同意了。攻略做好後，它又問要不要加入不同文明的歷史知識，變成一份歷史教材。我說好啊，它就在自己做的應用裡加了一個新標籤頁。

很多人不知道 AI 能幫自己做什麼。如果 Agent 會主動根據你的情況建議有用的事，就解決了使用門檻上的很大一部分問題。

Alex Heath：你們還提到 Muse Agent 的「艦隊」可以從整個群體中匿名地學習。這種網路效應會是你們真正的優勢嗎？

扎克伯格：行業目前大多把 Agent 當作單人遊戲。每個人有自己的 Agent，用自己的就行。 但 Agent 相互協作還能產生很多有趣的事，公司內部已經看到員工的 Agent 彼此互動。這次發佈大部分還不會開放這些功能，但長期看它會很重要。

我們有幾個獨特之處。第一，從一開始就圍繞這個用途設計模型。第二，Meta 有社交方面的基因，會更關注怎樣用 AI 加強人與人的關係，幫助人處理生活中那些柔軟但很重要的部分。第三個或許令人意外，隱私和安全。

Alex Heath：為什麼是隱私和安全？

扎克伯格：要有用，Agent 不只需要一流的智能，還得真正理解你和你的目標。你會把消息、郵件、健康資訊等接進去，人們必須高度信任它。

過去十多年，我們把 WhatsApp 建成全球最大的端到端加密系統之一，連 Meta 自己也看不到使用者的資訊。這教會我們一件重要的事，如果系統設計成我們自己也看不到內容，使用者就不必擔心政府、駭客或 Meta 內部人員通過我們拿到資訊。我們從一開始就把這個經驗帶進了 Muse，親自招募了 Signal 創始人 Moxie Marlinspike，他當年也幫我們開發過 WhatsApp 的加密，現在專門負責 Muse 的機密虛擬機器項目。

年初 OpenClaw 出來時，很多人買 Mac Studio 放在家裡運行，裝置實實在在歸自己，確實讓人安心。但幾十億人不可能都買一台 Mac Studio，在家自己組態、運行。我們希望 Muse 拿來就能用，可以交給家裡技術能力不同的任何人，一天內就幫他們處理生活中的事。

Alex Heath：它還得知道哪些事情不該說。

扎克伯格：對。我們把「分寸感」當作個人超級智能需要專門訓練的能力。你的 Muse 會知道很多關於你的事，還要到外部世界替你辦事，卻不能隨意透露敏感資訊。

比如你有過敏症或者懷孕了，你去訂餐廳，不一定想透露自己懷孕，但可能想找一家無酒精雞尾酒好喝的地方。Agent 要幫你達成目標，同時不暴露不必要的個人資訊。它還得自己判斷什麼敏感，不能每一步都來問你。這是我們專門訓練的能力。

如果你做的是 Claude Code，場景就不一樣。團隊在企業裡合作程式設計，項目本身可能對同事可見，對資訊敏感程度的區分沒那麼重要。我不認為一家拿現成模型稍做後訓練的公司，能趕上我們從預訓練起就為這個目標設計模型、注入相應資料做出的產品。

Alex Heath：它會和 Meta AI 共存嗎？

扎克伯格：我想會，目前兩者感覺不太一樣，我都在用。Muse 更像持續對話，也更傾向於把你的問題理解成一個長期目標，可能根據你的一句話投入很長時間做事。有時你只是想問個問題、立即得到答案，我就更常用 Meta AI。以後或許會合併，我還不確定。  (Founder Park)

阿里想幫每一個人打造個人“COO”。

這是阿里千問App產品負責人鄭嗣壽最近思考得最多的問題。

鄭嗣壽經常和團隊舉的例子，在健康場景。“如果只將使用者的病症大致分為階段性疾病或者慢性疾病，可能會遺漏大量資訊，”他說，“一個人一年去過10次醫院，和一年只去1次醫院，會讓AI基於這些Context得出完全不同的結論——去過10次，這幾乎可以判斷他的身體狀況存在較大問題。這些理解，不是通過簡單策略就能窮盡的。”

一年前，類似這樣的問題尚未進入千問團隊的視野。轉折點來自2026年Agentic架構的迅速成熟，讓Agent成為最重要的AI主題，也讓AI開始具備了對每個使用者的記憶能力。

這也是千問從LLM Chat向Agentic架構演進的半年。千問團隊抽象出使用者使用得最多的高頻場景——原有的優勢領域比如高考、醫療、工作，如今也拓展到金融等20多個場景，提供不同的Agent服務。

“越做越難，也越覺得有意思，空間大，有價值。”鄭嗣壽說。正是這種複雜，讓他看到了Personal Agent尚未被充分開發的空間。

這給千問團隊帶來了一種強烈的推背感——今年的10個月裡，千問上來自使用者的個人複雜任務需求，增長了5倍。鄭嗣壽預計，如果能在接下來幾個月裡抓住這波機遇，這個數字可能還能再多一到兩個數量級。

Agent迅速發展最為顯著的影響，是讓使用者互動輪次和留存都有了明顯提升。目前，千問產品中使用者的平均對話輪次，就已達到5到8輪。

對話輪次的提升，一方面來自模型能力的躍進，讓Agent有更充分的智能去對齊使用者的真實意圖；另一方面，通過使用使用者的中長期上下文和檔案畫像，超過60%的問題得到了更好的回覆。

這個數字還在繼續增長。千問團隊在這幾個月探索Personal Agent的過程中最深刻的感受是：個人需求不等於簡單需求。看似簡單的問題背後，意圖千差萬別——要滿足這些需求，既要能處理複雜任務，更要理解一個具體的人。

“人的溝通本來就是一個越來越打開、越來越深入細節的過程，需要更充分的智能來對齊使用者的意圖和內在目的。”鄭嗣壽補充道。

在移動網際網路更發達、本地生活服務更為成熟的中國市場，中國廠商已經在這條道路上提前走了幾步。

2026年9月22日，阿里在雲棲大會上發佈了全新的千問產品戰略，正式宣佈加速向Personal Agent演進，在自身產品上沉澱更廣域的個人Context，並借助生態合作，將服務領域拓展至20多個。

這些動作都指向同一個目標：圍繞服務一個人的目標，把不同能力組織成持續的AI服務。

“我們希望把千問打造成你的Personal Agent。”鄭嗣壽說。千問團隊很關注的一個細節是，以往大眾說起千問，往往都會使用“用千問”這樣的表述，但這並不是千問的最終目標。“我們更想做到——使用者對我們的認知，是‘我的千問’。”

01. “今天95%以上的AI需求，還停留在高級搜尋”

時間回撥到OpenClaw走紅的2026年初，Agent為AI應用市場帶來了前所未有的新機遇。過去兩年，行業關注過超級AI應用；而在今年，注意力又回到基礎模型。背後的原因在於，模型能力的提升仍能打開新的產品空間，並帶來增長和商業循環，Agent和視訊就是兩個例子。

Agent讓模型能力進入具體的長程任務。大模型結合Harness後，AI可以持續形成記憶、推進任務，而不只是一次性作答。但行動能力只是第一步。更重要的是，經過Agent機制編排後，同一個模型能更完整地理解和處理問題，給使用者帶來一種直接的體感——模型變聰明，也更像人了。

但如今，大部分的使用者還感受不到這種智能。

“現在使用者的AI需求中，有95%以上都是把AI當作高級搜尋。”鄭嗣壽的體感是，很多使用者不清楚能把哪些複雜問題交給AI，供給與需求之間仍有巨大的距離。

反過來說，這恰恰意味著95%以上的Agent能力尚未被發掘。

一個典型例子是高考志願，這是千問團隊做了近10年的場景。從前，千問的高考志願填報，更多像是一個機率引擎——使用者輸入分數、選科等資訊，在全國範圍內篩出一個機率上的較優解。

但在將LLM Chat重構為Agentic架構後，千問加入了新的個人Context層，這提供了最為關鍵的個性化理解部分。

同樣的分數，在以前的填報結果中，AI提供的結果可能差別不大；但現在，即使是相同的分數，AI會考慮更多維度：可能有使用者看重學校層次，有人更願意留在老家本地，考慮同學、資源和未來就業的產業環境。

最直觀的變化是，AI能夠理解——能去哪裡，與使用者適合去哪裡，這已經是不同的兩個問題。

Agent的行動能力，則改變了產品的互動過程，能更主動地獲取使用者Context——最新版的高考志願Agent中，千問會將出分到填報的兩週，組織成一張日曆，按時間節點告訴使用者，需要瞭解什麼、完成什麼，根據使用者的反饋，相應調整志願填報的建議和規劃。

這與上一個Chatbot時代，劃出了清晰的界限。

“個人Agent的難度，在過去被大大低估了。”鄭嗣壽說，這是因為AI要做的，不再止於一次推薦，而是貫穿整個決策過程，本質上是關於人的理解。

人的身份、處境和目標不斷變化——過去是學生，現在是員工；過去是子女，現在有可能就成為父母。

鄭嗣壽將做好個人Agent最核心的要點，歸結為“要積累個人的全域、終身Context”。個人Agent需要長期積累這些Context，才能理解使用者當下需要什麼，而不必每次從頭問起。

想明白這點後，千問團隊正在圍繞三個維度，推進了個人Context的體系建構：

首先，千問團隊建設了通用Context，圍繞使用者的身份和人生階段建構——職業、家庭角色、所處的時間場景都在持續變化。通用Context的任務，是在動態中提煉出使用者的階段特性和獨有需求，理解使用者的長期目標和內在性格；

再者，根據使用者工作、生活中的需求，千問會建構領域級Context，沉澱多個場景的資訊，並跨場景呼叫，讓健康、理財、生活、學習，不再是彼此孤立的需求。比如，孩子的教育規劃會影響家庭理財，健康狀況又和運動習慣交織。

而為了能更好地瞭解使用者，當下的Context體量也遠不足夠。這也解釋了為什麼，千問建設了如此豐富的終端生態——除了APP和PC，在今年的雲棲大會上，千問還預告將推出全新的AI眼鏡和AI耳機，這些工作為的都是能夠增加對同一個人的持續理解，以此為中心，提供不同的AI服務。

02. Personal Agent可能是AI時代的超級應用

如今，全球AI行業，正在形成一個新的共識：Agent時代的競爭，本質上是對Context的爭奪。

個人Agent是大廠們的最新賭注。9月8日，Meta發佈了Personal Agent “Muse”，主打幫使用者線上購物、買電影票、安排日程、發郵件、付款、預訂，瞬間點燃了市場。截至9月21日，Muse已位列美國App Store和Google Play免費榜雙第一，Meta股價應聲大漲11.4%。

與OpenAI緊密合作的Instinct、Grok旗下的AI助手，也不約而同地紛紛湧向這個賽道。同時，據爆料，OpenAI內部也在打造面向個人的Agent——AEON。

Meta高管Nat Friedman的說法是，Muse的目標是“做出一個類似OpenClaw、但安全可靠、易用並能擴展到數十億人的產品”。

這個願景並非Muse首創。OpenAI早在2025年就開始試水AI購物等Agent能力，但沒有激起多少浪花。Muse之所以能爆火，在於它是OpenClaw爆火之後，真正把個人Agent做到可用的產品——不只是提供服務，而是結合使用者個人的行程、郵件、日曆，讓普通使用者第一次覺得“AI辦事的時候很懂我”。

但Muse的路徑很難原樣搬到國內。瀏覽器能夠承接多少服務、平台願意開放哪些能力，都會影響Agent的執行方式。國內大量生活服務集中在移動App中，帳戶、資料和交易流程相對獨立，Personal Agent要跨越這些邊界，需要更深入的生態協作。

相較而言，千問的起點，是已經連接了一批真實的生活服務。從點外賣、打車，到開放平台引入更多夥伴，它積累的不只是服務入口，還有理解需求、呼叫能力、推進履約的經驗

千問面對的下一步，是讓不同服務圍繞同一個人的Context協同起來，把“能辦成一件事”推進到“持續為一個人辦事”。

這會逐漸演變成一個服務型Agent的Loop，使用者在健康場景中表達的身體狀況，可以成為出行安排的參考；家庭教育計畫，也可能影響理財判斷。服務依然各有專業分工，但對使用者的理解需要跨越場景，隨著個人狀態持續更新。

千問正在推進的架構變化，正是把這些能力重新組織起來：通用的Harness承擔規劃、工具呼叫和任務推進，健康、學習、工作等領域級Agent提供專業能力，統一的Personal Context則讓它們在執行任務時，更理解同一個人的目標和偏好。

不過，這並不意味著“垂類”消失。恰恰相反，專業資料、工具和服務仍然決定任務能做到多深。變化在於，使用者不必自己逐一尋找和組織這些能力，而是由Personal Agent理解需求、按需呼叫，將不同領域的幫助，連接成持續的服務過程。

擁有多樣化的Context只是第一步。如果要推動個人Agent更好地走向市場，這會是一場聯動雲、模型、Agent服務的複雜系統工程。

阿里在模型、算力和生態上的決心，為千問追逐Personal Agent入口提供了條件：三年超3800億元的雲和AI基礎設施投入，以及擁有多個尺寸Qwen系列模型家族，能夠適配各類Agent的能力需求，再加上春節AI購物和開放平台積累的真實需求——這些都是牌面上看得見的優勢。

“但該走的路都少不了。”鄭嗣壽認為，算力、模型基礎乃至線下生態，只是“比較好的入門條件”，很難說是決定性因素；而接入服務，也不等於打通了Context——千問內部的場景也尚未完全串聯在一起，更不用說整個阿里生態內的資料。

“即使你擁有一個使用者十年來的購物資料，如果沒有精準的理解，你面向使用者提供的服務，也是錯的。”

對此，千問團隊沒有選擇推出一個包辦一切的大型通用Agent，而是從使用者已經建立信任的高頻場景起步，兩條主線平行推進：將主Chat升級為Agentic Chat，適配高並行和中低複雜度的問題；同時，在學習、健康等剛需場景建設領域級Agent，以此兼顧效果、速度和大規模服務成本，這主要依靠建構Harness層來解決。

面對阿里內外的合作夥伴，千問要做的事情也發生了改變：更多是和夥伴一起，共同定義Agent可以呼叫的能力、反饋機制，而不是共同開發一個“產品”。

而頗為反常識的一點是，千問產品團隊的人力配比，也顯著發生了改變。

這會讓軟體服務市場發生新一輪的洗牌。鄭嗣壽說，以往常被討論的“大廠和合作夥伴的界限問題”已經不是問題———千問App推出之後，如今已經接入了超過400個場景的功能。但是，專職做App對接、建構人數，只佔不到2%的人力。最多的人力集中在各個領域的Harness、記憶、工具和服務上。

某種程度上，當下追逐模型智能的上限，只是AI戰役的其中一個切面，每一次戰役都是重兵團聯合作戰、進行衝鋒；但若是要爭奪Personal Agent這樣的系統級入口，則更像一場持久戰，逐步建立自己的堡壘，前提是跨越App邊界，真正把事情“連續做下去”。

Personal Agent戰火正在燒向硬體

Meta 復盤 Muse：Agent 怎麼才能像「一個人」長期存在？

Personal Agent大戰前夜，千問先交了一份作業