行业趋势：AI Agent向桌面端与本地化发展 - 基于本地的AI Agent产品成为关注重点，例如Anthropic的Claude Cowork和阶跃星辰的“阶跃AI桌面伙伴” [2][3] - 行业参与者选择桌面端Agent的共同原因在于探索更大的场景拓展空间和上下文可能性，尽管存在关机无法执行和安装渗透率低于网页应用的缺点 [10][11] - 未来发展方向被认为是端云协同，同时具备本地和云端能力，但出于成本考虑，当前厂商优先选择其中一边进行探索 [10] 产品定位与战略：阶跃AI桌面伙伴的探索 - 该产品被公司定义为“探索型”产品，是其在“AI+终端”战略下的一次创新尝试，旨在验证用户场景与技术假设，并为长期目标积累底层能力 [15][16] - 产品的核心构想是在现有的Web、App和数据库之上，叠加一层以用户为中心的“Agent加工层”，旨在围绕用户需求构建“新结果”和“新状态” [17] - “新结果”包括新信息、新媒介和新操作界面；“新状态”则指能改变用户与世界关系的行为，如自动填表、发送消息等 [18][19] - 产品当前更聚焦于“任务执行”场景，因公司认为AI对“浏览操作”体验的提升尚不够痛 [20] 场景选择与切入逻辑 - 公司选择从电脑端切入，因其能深度集成浏览器和本地工具，并安全获取用户资产；车机方向也被视为有潜力的领域，因其数据开放度高且语音交互自然 [22] - 办公场景被优先选择，因为其任务复杂、手动成本高，即便AI Agent成功率只有60%-70%，用户也愿意尝试；相比之下，生活场景对失败率的容忍度更低 [23] - 产品最初瞄准的两个核心场景是文件处理和批量信息获取，这源于对非技术人员真实痛点的观察，如数据分析、格式转换、以及运营人员手动更新数据表等 [24][26][27] - 从终端选择与场景交叉的逻辑看，在电脑端探索办公场景是一个顺理成章的中间路径，最终愿景是让Agent取代电脑，用户只需做决策 [23] 核心功能与用户反馈 - “妙计”功能是关键探索，它类似于给模型使用的workflow或技能，能简化操作、降低使用门槛、沉淀脚本资产，并探索自主学习的可能性 [12][29][30] - 用户最高频的任务分布约为：文件处理占40%，信息获取占30%，其余30%为长尾需求（如快问快答） [43] - 在文件处理场景中，出现了多样化的用例，包括HR自动汇总出勤表、算法工程师自动下载并重命名论文文件，以及家长创建可自动更新的错题本等 [43][44] - “主动服务”被认为是所有Agent应有的能力，公司正从预设场景和开放用户自定义规则两方面进行探索，以解决用户教育和使用门槛问题 [33][35][36] 产品发展现状与挑战 - Agent的整体渗透率仍处于早期阶段，许多用户并未意识到其可用场景，需要产品进行引导和教育 [12][34] - 产品开发周期紧凑，从开发到上线不到一个半月，通过不断调整优先级和根据用户反馈补充能力来推进 [41] - 当前面临的关键问题包括：提升Agent能力（更稳、更快、成本更低），以及提高Agent在用户中的渗透率 [12] - “妙计”功能的用户引导目前不够强，公司计划通过加强功能露出、增加预设推荐和优化引导路径进行改进 [32] 模型与产品的协同关系 - 模型能力依然非常重要，强模型自带流量和势能；但同时，模型之外的因素如个人数据接入、场景教育、工具细节设计等的重要性也在提升 [45][46] - 产品可以反哺模型研发，例如“妙计”可以作为衡量模型能力的benchmark，产品也能帮助积累高质量的合成数据和环境反馈信号 [49] - 行业趋势从做单一的“功能点”转向整合能力，即如何串联功能并嵌入用户工作流 [47] 交互设计与行业观察 - 用自然对话的形式解决任务对用户来说成本最低，优于让用户去应用商店寻找和学习独立工具 [56][59] - 行业内在交互上有创新尝试，例如Hero AI在输入过程中自动判断需求维度，以及Sky.app对悬浮窗形态的探索 [50][51][53] - 类似于MineContext的产品也在探索全局记忆和上下文理解，表明该方向仍有很大空间 [54] - 对于Agent工具商店类产品，核心仍需回归解决用户实际问题，难点在于许多用户连自己的需求都难以描述 [55]