本文来自微信公众号： 海外独角兽 ，作者：Best Ideas 社群，原文标题：《深度讨论 Personal Agent：“最互联网”的 AI 命题》
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的也有可能会失效。
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。
/
Insight 01
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（OPC）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。
Insight 02
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。
Insight 03
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（agent主动发起时，多是依据用户的近期计划、到访地点或搜索记录），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。
Insight 04
产品能力提升靠什么
模型
26.接下来值得关注的是，模型能否继续降低personal agent的使用门槛，让它像coding agent一样明显变得更好用。
27.围绕个人任务设计benchmark，再根据表现调优模型，可以很大程度上改善agent处理这些任务的表现。办公场景中的AutomationBench就提供了一种参考：在模拟企业环境中，让agent通过API完成跨应用任务，再检查要求的操作是否真正生效。
左右滑动查看更多图表
28.Meta的agent模型Muse Wonder就很强调active memory和active focus能力，分别对应跨对话保留重要上下文、在长任务中持续围绕目标执行。
29.Muse目前还是用搜索等常规工具读取记忆，并在模型推理前按需要提供相关内容。如果这些检索和信息提供的工作已经做好，那么专门训练模型的记忆能力，还能带来什么提升？
Context
30.普通用户未必关心背后用了哪个模型，更在意产品用起来怎么样。大家开始更多地讨论产品体验，产品本身的重要性正在上升。
31.也有用户认为，长期来看，得到用户个人的信息比使用SOTA模型更重要，甚至模型会是personal agent里最不重要的一环。
•以电脑类比，换CPU会改变运行速度和能使用的软件，但只要原有数据和状态还在，用户仍会觉得这是自己的电脑。
•因此，相比coding工具把主要产物和项目状态留在代码仓库里，personal agent除了要留下单次任务的结果，还需要长期保存用户资料和任务进度，并有能使用外部服务的账户和身份。
32.但agent能拿到用户的背景信息，并不等于理解了用户想要什么结果。比如有用户在Claude Code与Codex之间切换时发现，即便把原有agent掌握的背景信息搬过去，新agent仍可能不明白用户的真实需求。
33.即使agent理解了用户想要什么结果，agent办事时仍要分清哪些动作可以自行完成，哪些必须先问用户。
•比如读邮件、起草回复和直接发出邮件，带来的后果是不同的。
•写代码可以通过运行和测试检查结果，个人事务往往没有同样明确的检查办法。如果每一步都要用户确认，用户仍得花精力盯着，如果全让agent自行处理，agent又可能发错消息或作出难以撤回的承诺。
34.为了让agent做好专业任务，还有一种分工设想：由掌握个人身份、记忆、目标和权限的主agent，按需调用编程、法律、健康或财务等专业agent。
•比如在编程任务中，有开发者用DeepSeek V4.1 Flash驱动Hermes，并在同一台电脑上安装Codex CLI，在需要写代码或修bug时，他就会让Hermes先写任务单，再交给Codex执行。
35.Personal agent早期重在产品，中期看模型，长期则看生态。
生态
36.国内国外的生态环境差异很大，而这一差异限制了国内和海外在Personal Agent产品体验上的差距：
•国内的个人信息、支付和生活服务更多集中在超级应用里，独立产品较难读取其中的个人信息。
•美国许多服务仍围绕PC网页展开，agent通过浏览器操作网页，已经能提供不错的体验。
37.但即便agent在技术上能操作网页，平台也可能限制它接入，比如今年9月，Amazon就屏蔽了Muse，阻止它代用户购物。
•一种解释是，平台不愿让新入口截走用户关系和业务利益。因此，如果agent服务商与平台能谈妥合作后的利润分配，生态接入的阻力可能减小。
38.除了接入大平台生态，agent也可以直接连接商家。比如瑞幸已提供MCP服务，支持agent搜索门店、选品和下单，关键环节仍需用户确认和支付。
39.行业也在尝试建立通用的接入协议。Meta、Sierra正与Instinct、Shopify、Stripe、Walmart等公司共同开发Personal Agent Protocol，让用户决定授予agent哪些权限，企业决定允许agent执行哪些操作。
40.不过，即便开放支付或agent互通协议，也不一定能解决所有接入问题。Agent在实际执行时，仍要处理个人数据接入、账户授权，以及用户设备与云端如何配合执行任务、保护隐私等问题。
41.这些生态接入难题也带来一个创业设想：能否由专门的服务商帮助agent接入不同平台，并获得平台的数据访问授权？或许大厂和创业团队都可以尝试提供这类服务，但能否做成一门生意，还不确定。
Insight 05
成本测算
42.Personal agent的成本包括模型推理、运行环境和对外身份的配置。在personal agent的服务成本上，不同人的估算差异较大。
•有从业者估计，Muse和Instinct每名用户每天约需1至5美元。
•参考Morgan Stanley估算，如果用户每周用掉5%至10%的token额度，Muse每月服务一名用户约需10至18美元，其中CPU沙箱成本约为5至8美元。
43.OpenClaw爆火之后，一个曾尝试将personal agent产品化的团队，分享了当时搭建和运行产品的成本：
•给每个agent配备独立计算环境和可靠的网络身份，每名用户每月至少需要约50美元（不包含token）：团队最初试过Mac Mini，觉得价格高，也难以规模化，但改用带桌面的虚拟机后发现，即使按AWS大客户价格，每月仍需10至15美元。按团队当时的方案，用于注册外部服务的Gmail账户每月还需要14美元，再加上电话、信用卡等身份配置，固定开支已经不低。
•Token开支随模型型号和用户使用强度变化。团队早期给personal agent用的是当时最好的模型，测算发现，重度用户每月仅token就可能消耗约1000美元。
•总的来说，用户正常使用personal agent产品时，算上token和计算资源，每名用户每月约需50至100美元，这已是当时的最低量级。
44.除了成本，团队还遇到了规模化接入的问题：部分网站限制注册，大量agent所需的邮箱、电话和信用卡身份也很难规范配置。因此，增加预算并不一定就能服务更多用户。
45.但估算成本时要注意区分使用场景和资源配置情况：
•企业场景下，20人的财务团队可以共用一台虚拟机，80人的产研团队可以分摊两台或一台高配虚拟机。
•虚拟机资源还可以超卖，即分给多台虚拟机的资源总量可以超过物理机器实际拥有的资源，其中CPU可超卖的比例高于内存；
•此外，工作agent可能一天运行十几至二十小时，普通生活助理每天则可能只有十几次请求，因此不应该按照工作agent长时间运行的方式估算生活助理成本。
46.考虑到近期personal agent产品集中出现的一个原因是，更多团队已经能做出接近SOTA水平的模型。因此掌握自有模型和算力的厂商，还可以尝试通过蒸馏小模型，进一步控制agent的运行成本。
47.生态开放可能降低单次任务的执行成本，但更可靠的履约也可能带来更多任务。模型降价后，agent还可以投入更多推理来发现需求，因此单位成本下降，并不意味着总token消耗下降。
48.除了当下普遍使用的云端方案，也有人提出，随着本地模型能力和运行效率提升，可以考虑把部分agent任务交给用户设备上的本地模型。但这个方案就会带来一个问题，到底哪些可以交给本地模型，哪些仍需调用云端模型？
49.模型能在本地运行，对于普通用户来说仍旧存在设备维护成本，因此面向大众的服务可能仍会以云端为主，而数据敏感或有特殊需求的人群则会选择本地方案，两者可能长期并存。
50.到2027-2028年，技术、供应链和市场供需的变化可能进一步降低本地部署门槛，让本地agent设备更容易推广。到那时候，这类设备或许能像企业激光打印机一样，成为可以直接采购使用的标准产品。
Insight 06
什么样的收费模式更适合Personal Agent
51.AI Application和移动互联网相比最大的区别在于边际成本。Personal agent的单用户服务成本可能比传统互联网高2-3个数量级，因此，互联网商业模式有可能会失效。
52.订阅制是大多数Agent产品，尤其是生产力类产品的收费方式，但Muse已经提供了免费服务，因此对于personal agent来说，在今天的竞争环境下，短期靠消费级订阅实现增长的难度很大。
53.不过，订阅制虽然面临免费产品的竞争，却可能更符合个人助理替用户节省注意力的出发点。
54.但愿意花钱节省时间、重视办事结果的用户可能会接受按量收费，或按结果付费、收取分成：
•对用户：假设agent帮用户节省1000美元保险费，那么就可以从节省额中收取费用；
•对交易方：可以把Instinct这类独立personal agent的商业模式设想概括为“AI携程”，帮用户对接外部服务方、完成服务购买，agent服务商再从交易中分成。
•但也有人对交易分成换取收入表示质疑，因为ChatGPT中有明确购物等商业目的的高价值意图只占～5%。
备注：OpenAI全球广告解决方案负责人David Dugan于2026年6月公开表示，约20%的ChatGPT查询具有“直接商业意图”（direct commercial intent）。
以Muse为例：免费服务怎样回本？
55.Muse免费提供生活助理服务，对普通人很有吸引力，有用户甚至把Muse的出现比作当年Gmail的推出：普通人原本难以长期负担的个人助理服务，有机会成为日常生活的一部分。
56.不过，Muse能否长期提供免费服务，还要看它能找到怎样的收入来源。有观点看好通过Muse Feed获得广告收入，因为用户使用生活助理时，可能会更愿意接受广告和商业推荐。相比之下，用户用ChatGPT、Claude处理工作时，会很反感回答里插入商业推荐。
57.但如前文所说，如果Muse服务一名用户每月至少需要10至20美元，那么即使Muse做到Meta其他成熟应用的单用户收入水平，也可能覆盖不了成本。
•Meta 2026年Q2财报显示，Meta旗下应用的ARPP（每人平均季度收入）为16.86美元，折合每月约5.62美元，其中包括Facebook、Instagram等应用的广告及其他收入。
•因此，Muse或许应该先把每名用户的月服务成本再降一个数量级，降到约1至2美元，让收入先覆盖成本，再进行模型和产品改进。
58.也有人认为，用户交给Muse的任务能更直接地反映用户需求，如果这些信息能帮助Meta增加现有广告业务的收入，就可以用新增收入补贴Muse的服务成本。
备注：Meta在发布Muse的blog中公开承诺，Muse不会把用户对话及虚拟机中的数据共享给广告系统。
Insight 07
谁有优势：大厂、AI Labs，还是独立团队？
大厂
Meta&Google
59.Meta和Google被看好，首先来自于他们在身份认证、基础模型、用户基数等优势，更为重要的还是二者的算力储备：在Personal Agent竞争下，只有拥有充分算力资源厂商才能持续提供免费服务、获取用户。
60.公司品牌会影响用户是否愿意连接账户，比如一位Muse的使用者就表示，相比Instinct，他更愿意把账户权限交给Meta。
61.Google的优势首先来自Gmail：海外许多正式事务都是通过邮件处理，邮箱既保留历史往来，也可以给personal agent不断带来新任务。
62.Pixel和Android也让Google拥有了设备层入口，能从硬件到软件一体化优化用户体验，而不只依靠与手机厂商的软件合作。
63.不过，Google会投入多少资源做personal agent，还取决于业务重点和算力分配：
•Google的外部客户、搜索推荐、DeepMind和云业务都在占用算力，消费级agent的优先级较低；
•但搜索本来就是agent完成任务的一步，因此personal agent其实与Google搜索主业关系紧密，如果未来算力供给增加，Google可能会提高personal agent的优先级；
Apple
64.以iPhone为代表的智能手机是真正的大众级个人计算设备，持续承载着用户的日程、位置、沟通和服务记录。因此，Apple等设备平台在Personal Agent竞争中的角色不能被忽视。
65.中立的平台角色也是Apple的优势：
•作为平台方，它可能更容易协调开发者和服务商，让agent能够接入更多服务，服务商也可能更愿意合作；
•Apple的封闭生态也让Apple更有能力要求开发者按统一规则向agent开放服务。
•相比之下，Google自己经营应用和服务，与部分合作方存在竞争，因此合作方可能不愿把用户入口交给它；而Android生态又更开放，Google也更难统一要求开发者配合。
66.但OS权限是否有不可替代的作用，仍有争论。也有人认为，Apple和现有手机、设备厂商不会成为personal agent最重要的玩家，因为目前还不存在只有拿到OS权限才能完成、而云端agent做不了的任务。而且，app只是用户使用agent的当前入口。如果未来agent能主动替用户办事，用户也不再需要通过某个固定的app使用它，那么现有app和设备入口的重要性就可能下降。
•针对这一观点，有人补充表示，少数身份核验场景仍依赖实体设备：某些验证需要在特定时间、地点通过实体设备完成，有些网站登录则要用前置摄像头扫脸或后置摄像头扫码，这是云端agent无法完成的任务。
OpenAI
67.OpenAI和互联网大厂一样拥有庞大的用户基础和前沿模型，虽然现在dots的交互体验并不是最好的。
独立团队
68.更看好独立团队的人认为，创业团队做产品的动力来自自己想把这件事做好，大厂可能只是看到商业机会后跟进。在这一派看来，personal agent的产品形态还会变化，团队需要持续投入、作出产品选择，最初为什么想做这件事就很重要。
69.对小团队从哪里切入，也有不同设想。
•设想一：专业需求已经能由在垂类工具上加AI功能来满足，没有必要再做一个垂直personal agent。
•设想二：personal agent可以与硬件结合，硬件作为了解用户情况、让用户接触并使用产品的媒介，或许可以在教育、健康等领域提供独特用户体验。