Why are Silicon Valley giants and major Chinese tech companies racing to build Personal Agents?
English text is being prepared.
Major Chinese tech companies such as Alibaba Qwen, ByteDance Doubao, Tencent Yuanbao and WorkBuddy, as well as overseas products such as OpenAI Dots and Meta Muse, are collectively pushing consumer-grade Personal Agents (personal intelligent agents) to market. These products focus on long-term memory, proactive intervention and continuous closed loops, and rely on checkpoint mechanisms, Secure VM sandbox isolation and open protocols such as MCP to address the reliability and security issues of long tasks. Domestic implementation is still constrained by the walled gardens of super apps, the dispute between GUI clicking and direct protocol connection approaches, and issues of liability attribution.
Topics
Body
文 | 洞见新研社,作者 | 文布
过去两年多,大家打开任何一家大厂的发布会,满屏都是熟悉的名词:MMLU跑分又涨了两个点、数学竞赛金牌水准、支持100万上下文、代码生成速度翻倍。
但到了最近这几个月,战火突然烧到了一个新词上——Personal Agent(个人智能体)。
目光转回国内,阿里千问已经接入了淘宝、支付宝、高德和飞猪,主打个人生活助理;字节在豆包中演进多步骤复杂任务执行;腾讯则在元宝与WorkBuddy中发力生态智能体……
图源:Dots|OpenAI
看到这里,很多关注技术的朋友可能会感到困惑:
开源社区里的OpenClaw早就让极客们在本地搭出了私人助理,月之暗面在 2026 年初也推出了云服务器配置的KimiClaw。虚拟机、长期记忆、工具调用这些概念,行业里几乎聊了整整两年。
为什么直到最近,科技巨头们才像是约好了一样,集体把消费级Personal Agent摆上货架?
个人智能体,为什么值得每个人拥有?
要讲清楚Personal Agent,得先回答一个最基础的问题:我们手机里已经有了ChatGPT、豆包、DeepSeek,各种能订机票、写周报的专业Agent更是满天飞,为什么还需要一个所谓的「个人智能体」?
把它们放在一起对比,差别其实一目了然:
●聊天助手(Chatbot):你发一条,它回一条。你不说话,它就永远静止;每次开启新对话,很多背景你还得从头再敲一遍。早期的豆包,DeepSeek都是。
●通用智能体(Agent):不再只是回答问题,而是能够自主规划步骤、调用工具、执行任务。比如你让它做一份旅行攻略,它可以自己搜索机票、查询酒店、规划路线,最后整理成一份完整方案。今年大部分AI 产品都有了 Agent 功能。
●个人智能体(Personal Agent):一个拥有持续记忆、常驻后台、并且完全“以你为主语”的私人数字秘书。它记得你的作息习惯、偏好风格与过往积累,不需要你频繁下指令,就能在主动后台替你过滤信息、处理杂务。
它的核心优势就三个关键词:长久记忆、主动介入、持续闭环。
举一个真实的日常细节。
前段时间我试用Meta Muse时,在一次随意的闲聊中提到,自己最近伏案写稿时间太长,颈椎难受,想把经常驼背的坏习惯改掉。如果是在普通的对话框里,AI会立刻给你列出五条人尽皆知的健康建议,然后这次交流就结束了。三天之后,对话被新的工作记录淹没,AI完全不记得这件事。
过了两天,我刚在网页端处理完日程,Muse的界面右侧主动弹了一条轻量通知。它没有讲大道理,而是问我今天坐姿感觉怎么样,并且顺手生成了一个简易的打卡激励面板,问我需不需要把每天下午三点的站立拉伸自动加进日历。这是它把碎片信息沉淀进了个人记忆层,并在合乎逻辑的时间点做了主动反馈。
再比如跨日程和邮件的综合处理。过去订一张机票,你得在航旅纵横看航班、去微信群翻同事的时间、再去飞书日历看会议冲突。而一个合格的Personal Agent,是在后台挂起一个任务:「帮我盯一下周四去深圳的航班,优先选下午两点后起飞、靠走道的位置,避开我和团队的周会,确认前把最终选项推给我。」
它不需要你盯着屏幕等待,自己去网页对比、对齐日历,最后只在付款或发出授权的一瞬间找你确认。
这种体验之所以打动人,是因为你不再需要主动提问,不需要每次告诉它故事背景。这个懂你的智能体会把这些事情做好,甚至会主动提醒你哪些漏掉的事项。
从OpenClaw到消费级产品,以前究竟卡在哪里?
既然这种体验如此诱人,那开头的悬念就更值得深思了:
为什么它没有在2024 年大模型上下文爆发时出现?为什么OpenClaw这样优秀的开源项目早就给极客们提供了搭建框架,真正的消费级产品却直到最近才集中引爆?
顺着技术演进的轨迹往回看,你会发现,个人智能体这几年经历了一场非常典型的从极客玩具到大众消费品的跨越:
1.第一阶段:对话工具(2022 底—2023)。单轮问答、文本生成,模型只负责在框里吐字,完全没有外部手脚。
2.第二阶段:工具调用与垂直Agent(2023—2024)。Function Calling和ReAct范式普及,模型可以联网搜网页、执行Python代码。但执行范围被死死锁在沙盒里,长任务一旦超过四五步,推理容易跑偏,上下文窗口撑爆,成本也居高不下。
3.第三阶段:极客自建与极简托管(2025 底—2026 初)。以OpenClaw为代表的框架,把Agent与消息渠道(Telegram、飞书、企业微信)打通,并尝试接管本地终端与文件系统。随后KimiClaw等产品降低了自备服务器和API Key的门槛,让更多人体验到了云端常驻智能体。但它们依然是偏开发者取向的:配置环境麻烦、随时可能崩溃、安全边界全靠用户自己把控。
4.第四阶段:消费级Personal Agent(2026 下半年至今)。巨头开始以统一托管、系统级安全沙盒和标准化应用连接器的形式,把这项能力包装成普通人开箱即用的产品。
Personal Agent并不是新概念。为什么偏偏到了现在才开始爆发?背后有四个关键变化。
1. 成本与小模型推理的经济学拐点
过去,运行一个7×24 小时待命、能够持续规划和执行任务的智能体,成本非常高。频繁调用大模型、反复处理上下文,产生的Token费用,很难支撑消费级订阅服务。
但过去两年,AI基础设施迎来了大规模扩张。GPU算力集群、专用推理芯片和数据中心持续建设,加上模型量化、推理加速、缓存复用等技术的成熟,让单位推理成本不断下降。
与此同时,小模型的能力快速提升,分级调度架构也逐渐成熟。简单的邮件检查、信息整理交给低成本模型,复杂规划再调用旗舰模型。算力供给增加、推理效率提升、小模型成本下降,这几股力量叠加,才让长期运行的Personal Agent逐渐具备了消费级商业可行性。
2. 长任务可靠性:从「单次试错」到「状态可持久化」
第二个变化就是状态的可持续化。很多人自己搭过智能体的人都有体会:让AI连续做 10 件事,只要第 4 步网页加载超时或者页面结构微调,整个执行链条就会瞬间报错崩溃,或者陷入死循环疯狂消耗Token。
最近这批产品的突破,本质上是工程架构的升级。无论是以Dots还是Muse为代表,背后都引入了类似「检查点(Checkpoint)」和环境状态持久化的机制。执行失败时能够局部重试,遇到歧义能挂起等待人类审批,而不是推倒重来。
3. 环境隔离与安全:不能让野火烧掉家里的一切
而OpenClaw时代最让人提心吊胆的,就是权限管理。给它本地电脑权限,一旦遭遇Prompt注入攻击,或者模型判断失误,它真可能删掉你的重要文件,泄露隐私,甚至执行未经授权的操作。
现在的消费级产品之所以敢推向公众,核心是搭起了受控沙盒。Meta明确把Muse放在独立的Secure VM虚拟机里跑,配独立浏览器,邮件草稿可以写,但「真正点击发送」和「输入银行卡付款」必须强制返回给人类审核;OpenAI Dots同样把计算环境托管在云端独立实例中。这种双层安全架构,才让大众用户放下了戒心。
4. AI生态的成熟:告别脆弱的网页模拟
最后就是AI生态的发展,过去让AI操作外部软件,往往需要模拟鼠标点击和屏幕操作,不仅效率低,网页稍有变化就可能出错。而随着标准化上下文与工具连接协议(如MCP等开放标准)在业界的快速推进,第三方软件开始主动向智能体暴露结构化的安全接口。AI不再需要盲人摸象般去点像素,而是能像调用本地函数一样调用你的日历、笔记和即时通讯工具。
正是在成本、可靠性、沙盒隔离和生态连接这几条技术曲线同时跨过及格线之后,Personal Agent才终于从极客的工具台,走进了大众的日常应用商店。
国内大厂集体入场,真正的难题是什么?
如果把视线转回国内市场,你会看到一个极具戏剧性的对比:
在海外,个人智能体的核心场景主要停留在邮件、Google Workspace、日历、GitHub以及企业SaaS的互联互通上;而在中国,普通人最高频的生活和工作数字化程度,其实远高于海外——点外卖、打车、发快递、扫码缴费、医院挂号、政务办事,全都在手机里。
理论上,中国是诞生终极生活服务Personal Agent最肥沃的土壤。阿里千问已经能帮你在淘宝下单、飞猪订票、高德打车;蚂蚁阿福在健康就医场景里深耕细作;腾讯元宝和WorkBuddy在微信生态内外串联内容和服务。
图源:千问Go在淘宝创建待付款订单
但为什么直到今天,我们手机里依然没有出现一个真正意义上「通用、自主、全能」的国民级个人智能体?
答案不在于国内模型的能力不够,而在于中国移动互联网独特的生态地貌。
1. 难以逾越的「围墙花园」与跨App鸿沟
中国的移动互联网生态,几乎是由几大巨头各自封闭的超级App割据而成的。
一个真正好用的生活智能体,理想中的工作流应该是这样的:在小红书上看攻略选好了餐馆,顺手在美团上领优惠券,用微信支付买单,同时在高德上叫一辆车,并把行程一键同步到飞书日程。
但现实是什么?各家平台为了保护自身的流量闭环、商业壁垒和用户数据资产,彼此之间立起了高墙。淘系的数据不会随意向微信开放,美团的服务很难被第三方智能体深度穿透,许多关键页面甚至部署了极严密的反爬与反自动化风控策略。
在缺乏统一开放协议的前提下,如果一个Agent只能在阿里的体系里办事,或者只能在微信的生态里对话,它就很难成为用户独一无二的「全局个人分身」,而更像是一个换了交互界面的「垂直大厂聚合客户端」。
2. GUI视觉点击vs协议直连的技术路线阵痛
面对生态割裂,国内目前主要有两种破局尝试:
●自上而下的生态直连路线:以阿里千问为典型。自家的淘宝、飞猪、高德用官方API直接打通,体验极其顺滑稳定,支付和交易链路绝对安全。但缺点也很致命——天花板就是自家商业版图的边界,很难伸向竞争对手的阵地。
●自下而上的手机系统级/端侧视觉操作路线:比如部分手机厂商和系统级Agent尝试通过读屏、识别界面元素、模拟人类手指去点击其他App。这种方式理论上能穿透所有应用,但一旦遇到App版本更新改了按钮位置、弹出双重验证码、或者触发了支付平台的反作弊风控,执行就会当场卡壳。
一个要面对「生态走不出去」的边界限制,另一个要面对「界面随时失效」的可靠性折损。这种拉扯,构成了国内通用Personal Agent普及的最大暗礁。
3. 责任归属与信任赤字
在生活服务场景中,Agent的每一次动作都直接关联着真金白银和个人隐私。
如果智能体帮你抢错了火车票退票要扣手续费,谁来赔付?如果它在多平台比价时代替你做出了下单决策,平台原本靠信息流广告和搜索排名的商业模式会不会被连根拔起?
当智能体开始替用户接管「消费选择权」和「交易入口」时,平台与平台之间、用户与代理之间的利益博弈和责任划分,甚至远比技术本身更加复杂。
回顾这一轮Personal Agent的爆发,我们可以清晰地得出一个结论:
模型智商当然依然重要,但在开源模型迅速逼近闭源天花板、基座模型同质化严重的今天,单纯「会写漂亮小作文」的聊天框,已经无法构成坚固的护城河。
未来的终局不再只是模型能力,谁能更长时间地驻留在你的工作与生活里,真正记住你的喜好、摸透你的工作流、替你跑通复杂的长任务,并且在需要行动的时候,能够穿透各种数字服务的壁垒,把事情稳稳当当地办成。
一个聪明的回答者只能吸引你一阵子;但一个靠谱、守信、能把脏活累活办妥的赛博分身,才会让你再也离不开它。
这场关于「个人主权智能体」的新长跑,才刚刚拉开序幕。