Karpo做城市生活AI：从心情出发，帮用户把念头变成安排

用户还没想清楚要什么的时候，谁能先接住这层需求，谁就更容易成为下一个消费入口。

一次消费到底从哪一刻算起？多数人第一反应是下单付款那一下。可只要回想最近一次出门，就会发现起点其实早得多。订餐厅之前，先冒出来的可能是想见朋友、想庆祝、想换个环境这些念头；同样一句“今晚想出去”，最后落点可能是一顿饭、一场演出，也可能是一条没有目的地的路线。

说白了，在店名、品类、价格这些具体信息浮出水面之前，消费行为就已经启动了。只是那会儿它还没名字，更像一团模糊的情绪、一个还没长成形的愿望。搜索、内容推荐、朋友的建议，都在这个过程里起作用。

MachinePulse推出的Karpo，就是在这个环节下注的一款城市生活AI产品。

从一种心情出发：选好状态、说出想要的感觉，Karpo就能给出具体去处。图片来源：Karpo

它跟Resy、Google Maps这类工具的起点不一样。后两者接手的是你已经知道要找什么之后的事——查地点、看评分、规划路线等等；Karpo盯的则是用户还没定下目的地、甚至连做哪类活动都没想的阶段，帮人从一个模糊念头走到一个具体安排。

这个选择背后，是一支做过消费级AI产品的团队。创始人Leah是豆包早期成员，参与了豆包从0到1亿DAU的全过程；联合创始人Allen在豆包和TikTok当过工程师，也有多次创业经历；另一位联合创始人Alex，此前负责阶跃的Agent产品团队。

带着这些经验，团队把方向定在海外市场，探索“生活方式×AI”。他们觉得，要服务好一个人，得贴近具体场景、懂个人品味，还得跟现实中的供给打交道。这给消费级Personal Agent留出了一个具体切口。

那么，当AI能在用户形成明确需求之前就插进决策，Personal Agent这场竞争会跟着起什么变化？

从寻找答案，到参与需求的形成

先要弄清一点：Personal Agent带来的关键变化，不只是它能多办几件事，更在于它把“需求到底清不清楚”这个过去默认由用户自己搞定的事，变成了产品要处理的对象。这里其实是两种能力的区别。执行能力管的是怎么把事办成：目标定了，剩下就是拆步骤、调工具、推流程；理解意图管的是更靠前的问题——帮用户一步步弄明白自己到底想要什么。后一种在生活决策里尤其常见。

生活体验里往往掺着情绪、审美、关系和临时起意。人可能已经想要某种感受，却说不出哪种活动、哪个地方能给自己这种感觉。需求并不是没有，只是还没被整理成能直接执行的要求。

这种理解，也会体现在那些用户没重复说出口的信息上。比如有人问Karpo：“想去安静的地方跑步，哪里适合？”话里没提狗，也没提车。可Karpo的回答一开头就是：“你和Koda去跑河边完全没问题。”Koda是家里的狗，Karpo记住了。它推荐了两个安静、狗友好、方便下水的地方，接着补了一句：“Sportage开过去没问题，那台车的机油需要更换，但不影响今天的往返。”

不用每次都把生活重新解释一遍——这是看到回复后最直接的感受。

当然，这种交互得靠个人理解攒到一定份上才成立：依据不止眼前这一条消息，还有之前对话层层叠加出来的上下文。意图捕捉不只在单次问答里发生，它需要一段持续的关系打底。

要把这件事做好，光记住对方喜欢什么还不够。

一位刚到纽约的用户把自己的兴趣告诉Karpo，Karpo就不停推荐同类人常去的地方，帮她在新城市找到固定去处，也交到朋友。

一个人长期喜欢艺术，不代表他每个周末都想去美术馆。过去的偏好是理解的基础，当下的情绪、同行的人和时间安排，才决定这次建议该怎么调。同样是看展，一个人出门可能愿意花半天琢磨作品，跟朋友一起则更在意双方是不是都有兴趣。反馈也得放回具体处境里看。用户放弃一场展览，可能是内容不合口味，也可能只是路太远。两种原因，给下一次建议的依据并不一样。对一个人的理解，得装得下这些变化，分得清稳定偏好和一次性的选择条件。

“主动式体验”同样建在这层理解上。主动发条消息只是交互形式，建议值不值钱，更看上下文和时机，看它能不能帮用户往下一步走。产品要基于对话、偏好和具体场景，在合适的时候抛出相关选项，让用户能接着确认、调整，慢慢把安排定下来。

意图竞争的起点，是让用户表达需求、做出选择的成本降下来。而选择能不能真的变成一次体验，还卡在另一件事上：AI怎么把对一个人的理解，跟城市里真实存在的供给接上。

理解一个人之后，还需要重新组织他面前的世界

其实，把一个模糊的意图问清楚，服务也未必就算完成了。附近有哪些去处、几点开门、跟同行的人合不合适、交通和活动怎么接上，这些都会决定一条建议能不能落地。主观判断再准，最后也得过时间、空间和供给这几道关。

换句话说，AI要弄明白的不只是什么值得推荐，还有各个选项彼此之间是什么关系。一个地方待多久合适，到下一个目的地有多远，整段安排松紧是否符合用户口味，都会左右最终体验。

需求确认之后，Karpo会去比价、核对退改规则、推进购票，下单之前再交回用户确认。

有一类需求更能检验这种本事：时间窗口被压得很紧时，AI能不能把城市里的供给编成一条有节奏的路线。比如有人在飞机中转的空档发来消息：“我1:10落地巴塞罗那，9:20下一班飞机，这中间我能做点什么吗？”

约8小时的约束，被Karpo变成了一条闭合路线：先到El Born，沿着Santa Maria del Mar走到Port Vell，再往前到Barceloneta海滩，老城和海景连成一线，不用走回头路；接着在Can Solé提前订好桌位，“不然中转时间会耗在等位上”；下午上Montjuïc看日落，6:45动身，直接回El Prat机场。

看到这里你可能会问：“等等，我能看海、吃海鲜饭、还能赶上日落？”Karpo的答复是：“而且还能赶上飞机。”

关键不在Karpo挑了哪几个地方，而在于每个地点出现的先后和时机，都卡着中转窗口来排：路线少走回头路，餐厅订位省掉等位，返程时点则对准下一班飞机。

“供给组织”和“信息检索”的差别正在这里：检索是找出一个合适的选项；组织供给，是把原本分散的多个商家和地点，按这一个人的需求与节奏拼到一起，让它们合起来撑起一次完整的生活安排。

想明白这一层，也就懂了Karpo为什么拿城市生活当切口。

吃喝玩乐看着是轻场景，里头却掺着个人品味、本地信息和行动安排这些复杂问题。用户常常不是没得选，而是不清楚当下哪个选择最适合自己。一座城市能给的东西越丰富，筛选和搭配就越费精力，地点越多、活动越密，找到合适安排的过程未必越轻松。

供给端也是一样。商家手里有供给，却不一定能被正好需要它的人看到；一家餐厅有自己的氛围，一场展览有特定的表达，这些特点，靠评分、品类、热门程度这些标签往往说不全。

AI的机会，就夹在这两端中间。

谁承接意图，谁就有机会影响消费的去向

一旦AI参与需求的成形，还进一步把选择和行动组织起来，它就有可能改写消费入口和分发关系，这才是意图竞争对行业来说真正值得盯的商业含义。

前面说过，一笔消费的去向，常常在下单之前就已经被影响。Personal Agent在试的，是靠围绕个人的持续交流，把对意图的理解和后面的安排接得更紧。

假如一个人不用先定品类、目的地或商家，就能启动一次生活安排，那需求就可能在跟AI的对话里跨出原来的分类。从想散心，到决定看展，再到安排附近的餐厅，几个本来要分开找、分开比的选项，能绕着同一个念头一步步铺开，供给端的逻辑也跟着变，服务有机会从卖一个商品，变成接住一整段需求。

在搜索和点评的年代，一个商家、一场活动能不能被看见，很大程度上看它是否对得上用户输入的关键词、评分够不够高、位置排得够不够前。可当选择由AI围着具体的人来组织，就更看它和某个具体用户、具体场景合不合拍。

这会带来一个要紧的变化：那些很难用关键词讲清楚、过去因此不容易被找到的体验，反倒可能因为正好撞上某个人的兴趣，头一回进入他的选择范围。供给能不能被看见，不再只由搜索框说了算。

正是看中了这个位置的分量，资本已经提前下注。

Karpo目前拿到了Creekstone Ventures、高瓴创投、蓝驰创投等机构的支持，累计融资数千万美元。

把它摆到整个Personal Agent赛道里看，这个动作的意思会更清楚：Muse、Instinct这类产品主要在任务执行层面打得火热，同时也有另一批资本和创业者，愿意为更上游的“意图竞争”掏钱定价。

他们押的是：消费入口会不会从“你已经知道要什么”之后，往前挪到“你还没想要什么”的时候。这就带出了比谁推荐得更准更深一层的竞争逻辑。

单次推荐很容易被替换，用户随时能换个工具再问一遍。真正难替代的，是一段持续的关系。AI长期懂一个人的偏好、不断接住后面的行动，这是个会自我强化的过程：用户反馈让建议越来越准，更准的建议让他更愿意把事情托付出去，而更多委托又带来更丰富的理解和数据。

换句话说，真正衡量输赢的指标，更接近用户肯把多少事、多早交给这个 AI，而非单轮问答谁答得好。Karpo 围绕个人品味和城市供给做的探索，积累的正是这样一层关系，也展现出“生活方式×AI”的一种可能。

纽约马拉松期间，Karpo 和纽约当地跑团联手，为现场活动提供支持，也把自己融进了这座城市的跑步社区。

意图如果能在更早的时候被更顺畅地接住，消费的形态也会跟着变。过去很多需求没发生，是因为说不清、懒得找、怕麻烦，如今这些需求会被释放出来。Karpo 迈出的只是第一步，一个让更多念头被看见、被实现的时代正在拉开序幕。