国内外大厂扎堆推出 Personal Agent，Grok Bot、Muse、Dots、Cue 相继亮相，个人贾维斯时代似乎已经到来。作者认为老板群体既付得起价也愿意尝鲜，且开会、聊客户产生的上下文天然就是 Agent 的记忆资产。

有关AI行业和产品的一些想法和看法的文章，老马写得比较少，一直都在搞实操应用教程。正好昨晚听了个播客节目，与之前的想法不谋而合，突然间就有了想跟大家唠唠Personal Agent的兴趣。

Personal Agent（个人智能体）最近在AI圈内属实是非常火爆，国内外各大厂扎堆甩出自己家的产品。当然国内的还在发力猛搓之中，相信不久又会跟办公Agent一样下饺子发布。

SpaceXAI（现在响应川普号召改名SpaceXSI）先发Grok Bot，Meta接着拿出Muse，OpenAI在DevDay上也发布了Dots，再加上Manus的Cue。一时间，全网AI博主和科技媒体都在欢呼个人贾维斯时代终于来了。

早在今年三四月龙虾热的时候，老马线下跟一个朋友就已经聊到了Personal Agent的概念。由于朋友是做企业家和老板服务的，当时判断企业办公场景最好是推荐应用WorkBuddy，而不是门槛更高的Codex。

其次AI眼镜这类硬件当时也出现了，老马就给朋友画了一个大饼，说企业家老板是最适合用AI眼镜，接入到云端OpenClaw小龙虾的一群人，他们付费得起，也愿意为很哇塞的新东西买单。

老板们每天戴着AI眼镜，既可以随时让龙虾记录，还能干活。且重点是，线下的工作场景中，老板在开会，聊客户，思考等场景中产生的各种内容，就相当于上下文，这些记忆全部都给丢给龙虾存起来。

久而久之，龙虾越来越懂老板，老板越用越顺手，甚至于可以取代老板做一些决策。比如代替老板与客户和合作伙伴的龙虾之间，Agent与Agent之间沟通，开会洽谈合作等等。

总之，一通忽悠下来朋友是云里雾里，不明觉厉的样子，然后就没有然后了。哈哈，这不今时今日，大厂们又把小龙虾的虾子虾孙们搬上台面了，对应上了老马画的饼，所以今天就跟大家继续深入唠唠。

作为一个从早期就开始在本地和云端折腾养虾，成天跟各种CLI和MCP死磕的玩家来说，老马在尝试了几家的Personal Agent产品之后，跟大多数的AI博主看法是不一样。

大厂们目前的Personal Agent产品，本质上只是把极客手里的OpenClaw塞进了一个带图形界面不关机的云端虚拟机里，再顺手送了你一个Agent虚拟邮箱域名之类的，或者让你可以一键接入其它的平台账号。

这哪是什么贾维斯？这分明就是一个精装修的云端网吧。说到精装修与毛坯的问题，有小伙伴会说，OpenClaw是毛坯，Grok Bot是精装修，但实际上是交互体验上的区别。

OpenClaw的交互体验是很差的，或者说它根本就不是一个面向C端用户的产品。使用上需要安装配置各种工具的同时，还得处理不知所云的玄学报错。而Grok Bot则把这些都打磨打包好，让交互体验上更适合普通用户。

无论是模型厂商还是老牌的互联网公司，现在做Personal Agent的底层逻辑，依然被死死困在过去二十年的PC客户端和移动APP的思维里。看着挺唬人，但离真正能接管个人数字生活的Personal Agent，中间还有距离。

下面列举四点，跟小伙伴们探讨一下。当然，有些问题可能目前是无解的，或许未来会采用另外的商业模式，产品形态解决掉也说不定。毕竟老马不是打着望远镜也看不到竞争对手的那个老马，未来不好判断的。

一、没有线下感官，Agent永远是半个瞎子

现在市面上所有的软件应用类的Agent，都有一个致命的共同点，它们必须要依靠人去主动喂Context，也就是提供上下文。没上下文，没法干活对吧。

你得打开对话输入框，打字告诉它你今天想干嘛。或者它只能读取你留在数字世界里的排泄物，比如你的Gmail邮件，飞书日历文档，GitHub提交记录之类的。

但人活在这个世界上，至少有一半以上的高价值信息是发生在线下的，是没有留下什么数字痕迹的。你在咖啡馆跟合伙人争论了半小时的业务方向，你在饭桌上听客户随口抱怨了一句竞品的缺点，或者你看着电脑屏幕皱着眉头改了三次方案。

这些极其关键的线下Context，电脑里的Grok Bot是不会知道的，OpenAI的Dots也不知道。等你回到家，还得坐在电脑前当一个人肉传声筒，把今天发生的事重新打字喂给它，这本身就是一件极其反人类的事情。

说到这里有小伙伴可能会说，AI时代谁还打字啊，现在都是用麦克风口喷输入了，AI语音输入法了解一下。你说的没毛病，换个角度想一下，人类为了更高效地给AI提供Context，不就又造了个AI语音输入法的轮子了么。

所以，Personal Agent未来绝对不可能只停留在软件层，它必须依靠硬件去完成线下Context的无感知获取。只有硬件能做到24小时全天候开启，无时无刻不在收集你身边的真实环境信息。

AI穿戴设备，卡在半残废状态

说到这，有小伙伴又会提到今年同样很火的AI穿戴设备。就在前两天，阿里千问也下场发布了AI眼镜和耳夹式耳机，加上之前的Ray-Ban Meta、小米眼镜，还有Plaud这种卖爆了的AI录音卡。

但如果你仔细看看现在市面上的AI硬件，又会发现另一个荒诞的极端。做软件Agent的没硬件感官，做穿戴硬件的又没连上Agent的脑子。导致现在的AI穿戴设备，绝大多数还停留在半残废状态。

AI录音卡解决了全天佩戴和续航，能把一整天的会议录下来转成漂亮的思维导图。但然后呢？没有然后了。会议纪要躺在它自己的独立APP里面吃灰。

它不会因为听到你在饭桌上答应别人明早发份报价单，就自动唤醒你电脑里的Agent去翻本地文件夹，起草发邮件，帮你直接搞定发送报价单的问题，它只是一个只进不出的信息黑匣子。

AI眼镜拿到了最宝贵的第一人称视角（Egocentric Context），但受限于功耗，摄像头根本不敢全天开启，最后还是退化成了你好夸克，帮我看下眼前的菜单是什么的被动语音助手。

你依然得自己去人工触发它，依然没有脱离人去喂给AI上下文的怪圈。

破局点：多模态硬件与Agent彻底合体

这里面真正的破局点，将会是多模态穿戴硬件与核心Agent的彻底合体。未来的AI眼镜、AI耳机、AI录音卡等AI硬件，不应该各自建一个私有的APP孤岛，它们应该退化成纯粹的，有点像人类的五官外设。

音频端（耳机或录音卡）靠着极低的功耗可以24小时常开着托底，视觉端（眼镜）在识别到关键动作或语义时瞬间睁眼抓拍。所有收集到的线下碎片化信息，实时汇入到你唯一的个人Agent里面。

端侧小模型：脊椎神经与大脑皮层

这就引出了另外一个核心问题，如果硬件24小时都在收集你的声音和画面，全都上传给了云端大模型，电量怎么保证足够？隐私怎样保护？能否随意更换模型厂商？

答案其实就是端侧小模型。现在的穿戴芯片已经能够跑得起1B到2B参数的端侧模型了。在未来的Personal Agent架构里，端侧模型就是人类的脊椎神经，负责条件反射。云端大模型只是外包的大脑皮层，负责深度思考。

一方面，80%的日常简单任务，比如实时降噪，看路牌翻译，听见一句明天三点开会就直接记录到日历里面，穿戴设备和手机本地的端侧模型在几百毫秒内就直接处理掉了，根本不需要联网调用云端模型的API。

另外一方面，端侧模型还是你个人数据的过滤处理工具。每天十几个小时的原始录音和画面，在本地由端侧模型消化提炼后，原始音视频当场销毁，只留下脱敏后的结构化记忆存储在你本地上。

只有遇到极其复杂的推理任务，本地搞不定了，才把局部脱敏后的信息发给云端的GPT或DeepSeek去搞定。原始数据是不会泄露出去的，核心的数据资产都留在本地，这才是线下Context能跑通的商业与隐私逻辑。

二、向量检索解决不了记忆问题，Agent需要学会做梦

解决了Agent的上下文收集问题，第二步就是解决Agent怎样记住的问题。要想让Personal Agent达到贾维斯那种知人冷暖的效果，记忆（Memory）就是命门，重中之重。

但是现在绝大多数Agent的记忆做得极其粗糙，基本还停留在加长上下文窗口或者传统RAG（向量数据库检索）的阶段。

为什么向量检索会精神分裂

为什么向量数据库做不好Agent的个人记忆，因为它是按语义相似度去搜索碎片内容的，它没有时间轴的概念，也没有因果更新的能力。

举个最简单的例子，你半年前跟Agent聊过我每天早上必须喝一杯冰美式，昨天你因为胃炎发作，随口说了一句以后彻底戒掉咖啡了。

今天早上你让它帮你点早餐，传统的向量检索就会把爱喝冰美式和戒咖啡，这两条相似度极高的记录同时搜出来塞给大模型，Agent当场就会陷入精神分裂。

记忆迭代的几个流派

目前开源界和工程界在Agent记忆这块其实已经迭代出了几个流派：

一类是以Letta（原MemGPT）为代表的操作系统分页式记忆，模仿电脑内存和硬盘，让大模型自己决定把什么写进核心记忆，把什么直接归档。

但这个方法的毛病在于每次翻找记忆都要调一次大模型，延迟高且Token消耗也大得惊人。

另一类则是以Mem0为代表的混合自编辑记忆，划分出用户、会话、Agent三层记忆，遇到冲突事实时会自动覆写，这比单纯的向量检索又进了一大步。

但如果看未来三到五年的终局，老马认为最有前景的方向，一定是时序动态知识图谱（以Zep/Graphiti为代表）+ 睡眠记忆巩固（Memory Consolidation）。

睡眠记忆巩固：让Agent学会做梦

因为你得思考人脑是怎样记忆东西的？人白天在经历各种事的时候，海马体只是在快速记流水账，这叫情景记忆。比如今天下午三点老马把方案改了三遍，还跟隔壁老王吵了一架。

等到了晚上老马睡着的时候，大脑并不是闲着的，而是在后台把白天的碎片抽丝剥茧，提炼成规律更新进大脑皮层，变成了语义记忆。比如老王这人对接需求极抠细节。

还有就是程序性记忆，记住以后给老王发文件之前，必须先把数据校对一遍再发过去，别到时候又扯皮吵架。

未来的Personal Agent也一样得有做梦的机制，其实现在的很多Agent已经有了，小龙虾后面也推出更新过，这点当时还有人说是跟Claude Code学习的。

白天的时候，你的穿戴设备和电脑客户端只需要以最低延迟记录你发生的一切事情。到了凌晨三点你睡觉的时候，本地模型在后台启动睡眠进程，把你这一天的聊天、邮件、线下对话都重放一遍。

自动清理掉过期的废话，把新认知更新到带有时间戳的动态图谱里，甚至自己修改明天服务你的SOP流程。

而且，这份长年累月攒下来的记忆图谱，绝对不能锁死在某一家大厂的云端数据库里。如果你花了三年时间把OpenAI的Dots养成了最懂你的私人助理。三年后另一家公司的模型比GPT还聪明十倍，你肯定是想换个模型的。

如果记忆带不走，你就成了大厂的数字农奴。所以终极形态一定是模型与记忆解耦。记忆库是保存在你本地的标准化资产，云端大模型只是随时可以更换的临时雇佣兵。

三、Agent的主动性是学会闭嘴

现在很多测评在吹Grok Bot、Dots或者之前的小龙虾具有主动性（Proactivity）。它们所谓的主动性，不过是让你设个每天早上8点的Cron定时任务去抓新闻资讯，或者等某个后台脚本跑完了给你弹个通知。

这不叫主动性，这叫定了个高级闹钟。什么叫真正的主动性？绝对不是你给它下了指令它才动，也不是它一有结果就给你无脑推送。

真正顶级的个人Agent助理，95%的时间应该是个哑巴。它最核心的能力不是提醒，而是在静默中观察、思考，并精确计算打扰的期望值。

一个心流场景，看懂真主动性

不妨想象一个真实的工作场景，你正在电脑前全神贯注地写一篇深度稿子，处于极度的心流状态。这个时候，你的邮箱里收到了一封客户催进度的邮件。

一个愚蠢的Agent会立刻弹窗滴滴你，主人！收到一封紧急邮件，请查看！就这一下，你的写作思路被打断了。

一个真正懂主动性的Agent会怎么做呢？它在后台收到了这封邮件，结合记忆图谱判断得出，这个客户平时习惯性催命，但项目离截止时间还有两天，晚半小时回复他没事的。

于是它选择闭嘴，但在你看不见的地方它也没闲着，它已经默默翻出了你昨天改好的项目进度表，在后台替你写好了三个版本不同语气的回复草稿。

它就这么静静地盯着你的状态。直到二十分钟后，它通过电脑界面看到你保存了文档结束了写作，或者通过耳机和手环感知到你站起身准备去接水了。

算准了你心流结束的这几秒钟的空隙，它才给你推送一条消息通知。刚才王总发邮件询问项目的进度，那会儿看你在忙就没敢打扰你，回复的草稿和附件我都准备好了，你确认后我就替你回复给王总。

在合适的时候及时出手，在不合适的时候静默收集，静默学习，静默备料。只有当信息紧急度和提前准备的收益，大于打断人类当前状态的代价时才主动开口，这才是贾维斯级别Agent的主动性。

四、别让人类一直当Agent的包工头

最后一点，也是老马对目前这波大厂Personal Agent产品最不爽的地方。它们把本该由机器消化的工程复杂度，全都交给了用户去解决。

你看现在无论是用Grok Bot还是其它客户端Agent，你想让它管理你的 Gmail、Facebook或者飞书，你得自己去配一堆MCP，或者接CLI。

遇到没有开放接口的平台，它就只能开启Browser Use（浏览器自动化），在云端开个无头浏览器，像个帕金森患者一样一帧一帧地去模拟鼠标点击网页。

最搞笑的是，点到一半遇到滑块验证或者登录二次确认，它有可能还得把远程桌面切换回来，喊你过去帮它输入验证码。

这跟半年前我们在本地跑OpenClaw有什么本质区别吗？没有任何区别。无非是以前我们得自己写配置文件，现在大厂帮你把常用的工具提前打包好，扔进了一个24小时在线的云电脑里面而已。

拉群管Bot，是产品经理自嗨

更离谱的是现在流行的多Agent编排，比如Manus刚推出的Cue，主打帮你搭建好几个不同职责的Bot，再给每个Bot配置上虚拟邮箱和虚拟信用卡。

然后让你把这几个Bot拉进一个群里，你就像个老板一样在群里艾特A去找资料，艾特B去写PPT。这完全是典型的互联网产品经理自嗨行为。用户使用Agent是来解决问题的，不是来给Agent当项目经理和包工头的。

真正的多Agent编排，对人类来说是彻底隐形的。用户永远只需要面对一个主Agent。当用户随口交代一句帮我把下周去深圳出差的机票和酒店订了，顺便约一下那边的三个客户，用户不需要知道背后有几个Bot在干活。

主Agent自己在后台瞬间分裂出五个临时工Bot，一个去看机票比价，三个并发去翻那三个客户的近期聊天记录寻找空闲的时间，一个去查餐厅信息。

这五个临时工在后台用机器语言进行疯狂交互，干完活拿到结果后，在30秒内原地销毁，也就是所谓的瞬态蜂群（Ephemeral Swarm）。

不管是临时Bot还是永久Bot，全部由主Agent根据场景去自动生成，自动调度，自动销毁，人类连多Agent这个概念都不需要感知到。

真正的死结：动了大厂的命根子

那为什么拥有顶级工程师的大厂，现在却只能做出这种需要配MCP，需要用浏览器模拟点击，需要用户自己拉个群管理一群Bot的半成品呢？

不是他们的技术菜，而是因为真正的Personal Agent，与互联网大厂的命根子天生就是一对死敌，目前无解的。

在过去的移动互联网，所有互联网巨头的商业模式都建立在超级APP的围墙和注意力经济之上。百度、淘宝、微信、抖音，它们靠什么赚钱？靠把你留在它们的APP界面里刷信息流广告，看竞价排名广告。

如果真的出现了一个全知全能的贾维斯Agent，一切的消费比价，信息获取，社交互动都在后台通过API直接就完成了，你甚至每天连手机都不用点开几次。

那么所有的APP都会退化成没有界面的无头数据库（Headless DB），大厂们每年几千亿的广告费收入直接打水漂，所以你知道豆包手机为啥成不了手机系统上的贾维斯了吧。

豆包手机的激进路线，也绕不开死局

因为在云端沙箱之外，就是以字节的豆包手机为代表的激进系统底层接管流派。

字节的算盘打得很精明，既然做一个普通的APP拿不到跨软件的上下文和操控权，那我就干脆自己下场做手机，直接进入到手机操作系统底层去给用户当私人助理。

客观来讲，这条路比云电脑更接近实现贾维斯的效果，因为它天然握有手机的全局视野和系统级权限。只是结果还是会遇到各大超级APP设定好的利益防火墙，很难绕过去的。

当豆包试图跨过系统的边界，去替用户操作微信、淘宝、美团时，就会遭到巨头的集体围剿与风控拦截。没有哪家超级APP愿意交出接口，乖乖沦为豆包手机底层的跑腿管道。

一旦回退到依靠系统无障碍权限获取软件UI信息，或者截图丢给多模态模型处理，再去模拟人点击操作屏幕的技术路线。说得好听点叫个人Agent助理，不好听就叫wai挂。

触发各大平台的反wai挂与安全红线是再正常不过的事情，豆包手机的尴尬处境恰恰证明了，哪怕你把Agent焊死在手机系统里面，只要移动互联网的商业利益格局不改变，真正跨平台的个人Agent助理依旧是个死局。

写在最后

也许某一天，你不再需要打开任何一个名叫XX Agent的客户端，不再需要知道什么是MCP和工作流，甚至平时都忘了它的存在。

但它却总能在你最需要的时候出现，稳稳地接住你！到那时候，我们才算真正迎来了自己的贾维斯，真正的Personal Agent时代。