阿里想幫每一個人打造個人“COO”。
如何真正算理解一個人？
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”。
“未來的競爭，不只是誰能完成更多工，更是誰能圍繞同一個人持續協調能力，並在不同裝置間延續服務。”鄭嗣壽說。 (36氪)