文章核心观点 - Personal Agent 是当前 AI 领域最热门的命题，大厂、AI Labs 与创业公司同台竞争，其本质是重新组织用户入口、流量分配与交易闭环 [2] - Personal Agent 单用户服务成本远高于传统互联网产品，传统互联网商业模式可能失效，整个领域仍在等待属于自己的“iPhone 时刻” [4] - 行业普遍认为 Personal Agent 早期重在产品、中期看模型、长期看生态 [29] Insight 01：这一轮 Personal Agent 新在哪里 - 相比 Chatbot 的“用户提问、AI 提供信息”，Personal Agent 的关键进步是“更主动、能办事”，连接 Gmail 等服务并获得用户授权后可主动替用户处理事务 [5] - Personal Agent 与 Chatbot 的关系可能更像推荐与搜索的关系，主动性可解决用户不知道能让 AI 做什么、需求表达不清的问题 [5] - 年初 OpenClaw 爆火与 Personal Agent 属同一叙事线，最重要的进步是产品化和云端托管，解决普通用户搭建、配置和维护负担，实现开箱即用 [5] - Meta 的 Muse 将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 及后台多 agent 协作整合进同一产品，用户可直接在手机上交办任务 [6] - Meta AI 产品负责人 Nat Friedman 明确提到 Muse 的产品设计从 OpenClaw 获得不少启发 [6] - 模型在长任务执行、工具调用和指令遵循方面的进步让 Personal Agent 开始变得可用，若未来百亿、两百亿参数模型能做好长任务，可能带来类似 GPT-4o 当年的用户增长 [8] - Grok Bot 更像一人公司或美国小微企业的工作助理，可操作应用、浏览网页、调用工具，用户还可接入 Codex 等工具到其托管的云电脑 [9] - Muse 对生活场景优化更好，有用户亲身体验显示其处理购物、在 Facebook 上与卖家讨价还价和保险等任务能在 10 分钟内完成，而其他 agent 往往要 20 至 30 分钟 [9] - 两产品功能边界不断变化且出现重合，Muse 上月推出企业版，通过加入面向 small business 的连接器和 skills，定位为能读取经营数据、跨软件执行任务的 AI 经营助手 [9] - 若 Personal Agent 能把语音、跨端使用、主动交互和个人场景优化做好，仍能让产品体验显著不同 [12] Insight 02：产品使用体感 - 用户普遍在重复性、繁杂的信息处理和检索类任务上使用 Personal Agent，购物和个人财务类任务最能感受到产品价值 [13] - “定期补货”是相对明确的场景：每周生鲜杂货购买相近、目标明确、重复下单费时，完全可交给 agent 完成 [13] - AI 擅长的信息检索和比较可外化到购物体验，有用户原本习惯在 Amazon 购物，agent 却帮其找到此前未考虑的 Best Buy 并促成购买 [13] - 个人财务相关任务如报税、保险、产品订阅管理等流程繁琐但关系真金白银，用户此前不得不花大量时间处理，该场景比普通购物场景有更大想象空间 [14] - 开发者判断任务是否值得交给 agent，不能只看 agent 执行成本，还要比较其替用户省去的沟通、办理手续的时间和麻烦 [14] - 国内市场 Personal Agent 首先面临接入问题，生态封闭、API 生态不够成熟，独立 agent 更难获得账户数据，替用户执行后续操作的实现度是很大挑战 [14] - 产品角色形象可能影响普通人尝试意愿，Muse 更有亲近感，让不熟悉 AI 的人更愿意尝试；Instinct 基于 iMessage 无明确角色形象，Grok Bot 和 ChatGPT 的 dots 形象偏像素或几何设计 [15] Insight 03：Personal Agent 需要自己的“iPhone 时刻” - ChatGPT、Claude、Gemini 等产品去重后估算可能有 6 亿日活，而 Facebook 大致在 20 亿 DAU [18] - 流量分配将直接改变：用户把需求交给 agent 跨平台搜索、比较并完成购买，选择范围可能扩大，也可能压缩部分依赖信息不对称赚钱的业务 [18] - Muse 上线一个多月后约有 300 万 DAU，每名日活用户每天发起 10 次以上 prompt，Meta 旗下应用导流贡献约 60%—70%，但仍是 Personal Agent 需求验证的重要信号 [18] - 现实瓶颈明显：用户可能要用上 Muse 2-3 周才能进入重度使用状态；Sensor Tower 数据显示 9 月 81 个国家的 iOS 与 Android 新安装用户中，Muse 安装后第 1 天打开率高于 ChatGPT，到第 14 天则低于 ChatGPT [19] - 一种可能是普通人没有那么多值得交给 Personal Agent 办的事，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规模仍待讨论 [19] - Muse 用 Goals 保存用户长期目标，再用 ideas 提供新任务建议，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 [21] - 有调研估算目前只有约 10% 的交互由 agent 先发起，90% 仍由用户先发起 [22] - 用户展示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难度更高，主动性的实现会是循序渐进的过程 [22] - 有声音质疑当下市场对 Personal Agent 的热度部分来自大众对个人助理的想象，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 [22] - 企业有更明确的任务来源，业务记录、内部沟通信息和流程中的新事项都能给 agent 提供待处理事项，团队中少数能提出有价值任务、搭建流程的人即可带动其他成员使用 [22] - 今天对 Personal AI 的想象可能像当年把 PC 搬到小屏幕上再配键盘和触控笔，直到 iPhone 出现才找到真正适合大众的移动计算体验，找到让普通人自然持续使用的产品形态可能比预期更漫长 [23] - 时间窗口长带来的影响不是对落后者更宽容，而是让领跑者也非常煎熬，需要建设生态、持续留住用户，甚至在亏损中坚持投入以迈过拐点 [25] Insight 04：产品能力提升靠什么 - 值得关注模型能否继续降低 Personal Agent 使用门槛，让其像 coding agent 一样明显变得更好用 [26] - 围绕个人任务设计 benchmark 再根据表现调优模型，可很大程度改善 agent 处理任务的表现，办公场景中的 AutomationBench 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 [26] - Meta 的 agent 模型 Muse Wonder 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 [26] - Muse 目前仍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 [26] - 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，产品本身的重要性正在上升 [26] - 有用户认为长期看得到用户个人信息比使用 SOTA 模型更重要，甚至模型会是 Personal Agent 里最不重要的一环 [27] - 以电脑类比，换 CPU 会改变运行速度和可用软件，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；Personal Agent 除留下单次任务结果外，还需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 [27] - agent 拿到用户背景信息不等于理解用户想要什么结果，有用户在 Claude Code 与 Codex 之间切换时发现，即便搬移背景信息，新 agent 仍可能不明白真实需求 [27] - 即使理解目标，agent 办事时仍要分清哪些动作可自行完成、哪些必须先问用户，如读邮件、起草回复和直接发出邮件的后果不同 [27] - 写代码可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，每一步都要用户确认则用户仍需花精力盯着，全让 agent 自行处理又可能发错消息或作出难以撤回的承诺 [27] - 一种分工设想是由掌握个人身份、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，如有开发者用 DeepSeek V4.1 Flash 驱动 Hermes 并在同一台电脑安装 Codex CLI，需要写代码或修 bug 时让 Hermes 先写任务单再交给 Codex 执行 [28] - 国内个人信息、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 [30] - 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能提供不错体验 [31] - 即便技术上能操作网页，平台也可能限制接入，今年 9 月 Amazon 就屏蔽了 Muse 阻止其代用户购物，一种解释是平台不愿让新入口截走用户关系和业务利益，若 agent 服务商与平台谈妥合作后的利润分配，生态接入阻力可能减小 [32] - agent 也可直接连接商家，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 [34] - 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 [34] - 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 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 [37] - 生态接入难题带来创业设想：能否由专门服务商帮助 agent 接入不同平台并获得平台数据访问授权，大厂和创业团队都可尝试，但能否做成一门生意尚不确定 [37] Insight 05：成本测算 - Personal Agent 成本包括模型推理、运行环境和对外身份配置，不同人估算差异较大 [38] - 有从业者估计 Muse 和 Instinct 每名用户每天约需 1 至 5 美元 [39] - Morgan Stanley 估算，若用户每周用掉 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 [39] - 有曾尝试将 Personal Agent 产品化的团队分享：给每个 agent 配备独立计算环境和可靠网络身份，每名用户每月至少需约 50 美元（不含 token）；改用带桌面的虚拟机后按 AWS 大客户价格每月仍需 10 至 15 美元，用于注册外部服务的 Gmail 账户每月还需 14 美元，加上电话、信用卡等身份配置固定开支已不低 [41][42] - 该团队早期用当时最好的模型测算，重度用户每月仅 token 就可能消耗约 1000 美元；正常使用时算上 token 和计算资源，每名用户每月约需 50 至 100 美元，已是当时最低量级 [42] - 除成本外团队还遇到规模化接入问题：部分网站限制注册，大量 agent 所需的邮箱、电话和信用卡身份很难规范配置，增加预算并不一定就能服务更多用户 [42] - 估算成本需区分使用场景和资源配置：企业场景下 20 人财务团队可共用一台虚拟机，80 人产研团队可分摊两台或一台高配虚拟机 [43] - 虚拟机资源可超卖，CPU 可超卖比例高于内存；工作 agent 可能一天运行十几至二十小时，普通生活助理每天可能只有十几次请求，不应按工作 agent 长时间运行方式估算生活助理成本 [43] - 近期 Personal Agent 产品集中出现的一个原因是更多团队已能做出接近 SOTA 水平的模型，掌握自有模型和算力的厂商还可尝试通过蒸馏小模型进一步控制运行成本 [43] - 生态开放可能降低单次任务执行成本，但更可靠的履约也可能带来更多任务；模型降价后 agent 还可投入更多推理来发现需求，单位成本下降并不意味着总 token 消耗下降 [43] - 有人提出随本地模型能力和运行效率提升可把部分 agent 任务交给用户设备上的本地模型，但需明确哪些可本地、哪些仍需云端 [44] - 模型本地运行对普通用户仍存在设备维护成本，面向大众的服务可能仍以云端为主，数据敏感或有特殊需求的人群会选择本地方案，两者可能长期并存 [44] - 到 2027-2028 年，技术、供应链和市场供需变化可能进一步降低本地部署门槛，本地 agent 设备或能像企业激光打印机一样成为可直接采购使用的标准产品 [45] Insight 06：什么样的收费模式更适合 Personal Agent - AI Application 与移动互联网最大区别在于边际成本，Personal Agent 单用户服务成本可能比传统互联网高 2-3 个数量级，互联网商业模式有可能失效 [46] - 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 已提供免费服务，在今天的竞争环境下短期靠消费级订阅实现增长难度很大 [46] - 订阅制虽面临免费产品竞争，却可能更符合个人助理替用户节省注意力的出发点 [46] - 愿意花钱节省时间、重视办事结果的用户可能接受按量收费或按结果付费、收取分成：对用户可按节省额收费（如帮节省 1000 美元保险费则从节省额中收费），对交易方可把 Instinct 这类独立 Personal Agent 的商业模式概括为“AI 携程”，帮用户对接外部服务方完成购买并从交易中分成 [46] - 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约 5% [46] - 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” [48] - Muse 免费提供生活助理服务对普通人很有吸引力，有用户把 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 [49] - Muse 能否长期免费取决于收入来源，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更愿意接受广告和商业推荐，而用 ChatGPT、Claude 处理工作时会很反感回答里插入商业推荐 [49] - 若 Muse 服务一名用户每月至少需 10 至 20 美元，即使做到 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 财报显示旗下应用 ARPP 为 16.86 美元，折合每月约 5.62 美元 [49] - 因此 Muse 或许应先把每名用户月服务成本再降一个数量级到约 1 至 2 美元，让收入先覆盖成本再进行模型和产品改进 [49] - 也有人认为用户交给 Muse 的任务能更直接反映需求，若这些信息能帮助 Meta 增加现有广告业务收入，就可用新增收入补贴 Muse 服务成本 [53] - 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 [54] Insight 07：谁有优势——大厂、AI Labs 还是独立团队 - Meta 和 Google 被看好首先来自身份认证、基础模型、用户基数等优势，更重要的是算力储备：只有拥有充分算力资源的厂商才能持续提供免费服务、获取用户 [56] - 公司品牌会影响用户是否愿意连接账户，有 Muse 使用者表示相比 Instinct 更愿意把账户权限交给 Meta [56] - Google 的优势首先来自 Gmail，海外许多正式事务通过邮件处理，邮箱既保留历史往来也可给 Personal Agent 不断带来新任务 [56] - Pixel 和 Android 让 Google 拥有设备层入口，能从硬件到软件一体化优化体验，而不只依靠与手机厂商的软件合作 [56] - Google 投入多少资源做 Personal Agent 取决于业务重点和算力分配：外部客户、搜索推荐、DeepMind 和云业务都在占用算力，消费级 agent 优先级较低；但搜索本就是 agent 完成任务的一步，Personal Agent 与搜索主业关系紧密，若未来算力供给增加 Google 可能提高其优先级 [56] - 以 iPhone 为代表的智能手机是真正的大众级个人计算设备，持续承载用户日程、位置、沟通和服务记录，Apple 等设备平台在竞争中的角色不能被忽视 [57] - 中立的平台角色是 Apple 的优势：作为平台方更容易协调开发者和服务商让 agent 接入更多服务，服务商也可能更愿意合作；封闭生态让 Apple 更有能力要求开发者按统一规则向 agent 开放服务 [58] - 相比之下 Google 自己经营应用和服务，与部分合作方存在竞争，合作方可能不愿把用户入口交给它，而 Android 生态更开放，Google 也更难统一要求开发者配合 [58] - 也有观点认为 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，且 app 只是当前入口，若未来 agent 能主动替用户办事，现有 app 和设备入口的重要性可能下降 [59] - 有人补充表示少数身份核验场景仍依赖实体设备，某些验证需在特定时间、地点通过实体设备完成，有些网站登录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 [59] - OpenAI 和互联网大厂一样拥有庞大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 [60] - 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，Personal Agent 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很重要 [61] - 对小团队切入点有不同设想：其一，专业需求已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；其二，Personal Agent 可与硬件结合，硬件作为了解用户情况、让用户接触并使用产品的媒介，或许可在教育、健康等领域提供独特用户体验 [62]