Looki孙洋：Personal Agent最重要的不是Agent，而是Personal

纯软件的 Personal Agent 最近很热，可短板很快就露出来了：它对用户的了解，还不够 personal。

邮件能读、日历能查、浏览器能操作，用户在数字世界留下的痕迹它都拿得到；但人一离开屏幕，见了谁、去了哪、在聊什么，它基本一无所知。Agent 越想读懂一个具体的人，这块空白就越扎眼。

于是 Personal Agent 开始往软件外面走。行业里的判断也在趋同：得找一个能长期跟着人的硬件主体，把它当成 PA 的外界输入源——说白了，就是给 Agent 装上眼睛、耳朵和感知器官。顺着这条线扫了一圈，我们忽然意识到：这不就是 Looki 吗？

Personal Agent 还没成为热词的时候，Looki 就做出了一台挂在胸前、以第一视角记录设备。最早它靠 Vlog、漫画和生活回顾让用户看懂产品，可这些功能底下真正在持续搭的，是怎么拿到一个人的现实数据，再把视觉、声音和长期经历变成 Agent 能用的 Context。

大多数公司从软件起步，再给 PA 找一副身体；Looki 反过来，从身体起步，一点点长向记忆、洞察和 Agent 层。这条反向路径背后，是创始人孙洋对个人 AI 的另一套判断。

1

Personal Agent 得和人看到同一个世界

纯软件 Personal Agent 的边界，其实卡在用户离开屏幕那一刻。邮件能读、日历能查、浏览器能操作，可它不知道用户此刻跟谁坐在一起、在讨论什么，也分不清一句话是会议室里随口一提，还是已经拍板成了决定。

孙洋管这种缺失叫“同源感知”：人和 AI 看见、听见同一个现场，面对同一组 Ground Truth，再各自形成判断。手机更像是“手的延展”，叫车、点外卖、完成操作都合适；Personal Agent 要想成为“大脑的延展”，先得和人经历同一件事。

硬件存在的理由也在这里。孙洋讲过一次 looki 的“aha moment”：他出差落地上海浦东机场，正要去买磁悬浮列车票，人刚往售票机走，Looki 忽然提醒他，凭当天的登机牌购票有优惠。它把“刚坐航班抵达浦东机场”的行程信息，和“正走向磁悬浮售票机、准备买票”的眼前场景拼到了一起，在刚刚好的时机，给出一条他可能并不知道、却正好用得上的建议。

不过硬件采回来的是连续画面，PA 要的却是稳定的状态和变化信号。Looki 把 Loom 时序感知模型摆在感知链路最前面，让它先回答几个高频问题：现在是什么场景，事件还在不在继续，眼前的变化值不值得再往下理解。它是硬件感知与上层 Memory、Agent 之间的“第一层智能”，也让设备采什么、系统什么时候调用更强的模型，变成软硬件一起优化的问题。

这些问题，随便找个大模型都答得上来。真正的差别在于：纯软件 PA 得等用户先意识到需求、掏出手机、组织 Prompt；一直在场的硬件却能先看到需求正在形成。举个例子，几个人走进商场里的餐厅，手机 GPS 只知道他们到了商场，第一视角视觉和现场对话却能分辨出他们是来堂食、取外卖，还是只在门口等人。硬件没让模型变聪明，却让它第一次知道该在什么时候聪明。

所以给 PA 做硬件，不是再造一台更小的手机。执行这件事，中国的 App 已经做得够好了；硬件真正稀缺的价值，是把还没数字化的现实变成数据源。孙洋说得很直接：“Personal Agent 最重要的不是 Agent，而是 Personal。”要理解一个具体的人，“近的会打败远的”——PC 比手机远，手机又比可穿戴设备远。

可“离人近”不等于随便塞一块硬件到用户身边就行。昨天我们梳理 PA 的硬件形态时，大致看到三条路线：独立主机供电稳、能长期跑模型，但留在家里或桌上；磁吸在手机背后的设备借了手机的携带率，还能补上专用麦克风和常显界面，可一到非工作日就可能被拆下来；真正能跟着人移动、持续采集现实信息的，还是可穿戴设备。

可穿戴内部也各有分工。戒指拿得到生理信号，耳机和项链容易采到声音，但同源感知不能只有听觉。视觉要贴近人的第一视角，位置几乎只剩眼镜和胸前设备。Looki 团队早年花半年研究过眼镜，最后发现重量、续航和实时视觉感知，当时只能顾上其中两项，于是选了重约 31.8 克的胸前设备。眼镜更接近双眼，却挑重量、镜片和穿戴习惯；胸前设备视野没那么精准，却更容易覆盖不戴眼镜的人。说到底，限制产品形态的不是想象力，是光学、功耗和人体工学。

结果佩戴本身成了第一道算法。设备只有被戴在身上，后面的模型才有数据可算。孙洋给硬件团队的要求是：先忘掉所有 AI 功能，做一件即使没电，用户也不愿意摘下来的东西。它得足够轻、足够像日常穿戴，镜头和麦克风还要尽量少给周围人压迫感。

这条路也不是 Personal Agent 火了之后才重新包装的。2024 年 Looki 的两块产品白板上，已经写着“主动式 AI”“Context 感知”“History Memory”和“AI in Physical World”；记忆、认知、情绪一路指向决策执行，Agent 后面当时还标着“待成熟”。第一代产品仍带着明显的相机逻辑，用 Vlog、漫画等功能帮用户理解产品；下一代取舍会更激进——砍掉为传统拍摄服务的冗余，让设备从“给人拍”的相机，变成主要“给 AI 看”的感知器官。

到这里，硬件的必要性才算完整：它不负责替用户把所有事做完，而是以足够低的摩擦一直在场，让 PA 和用户看到同一个世界。缺了这层入口，所谓 Personal 更多只是软件对已有账号数据的再加工；有了它，Agent 才有机会从“认识数字化的你”，走向“认识正在生活的你”。

1

Always On 之后，真正的难题才开始

数据从哪里来，可穿戴已经给出了答案；Always On 却马上引出第二个问题——数据实在太多。一天里的画面、声音和环境变化，并不会自动沉淀为记忆，它们先汇成一场数据洪水，里面掺着大量重复、空白和隐私内容。

现场，孙洋画了一条处理链：设备先产出原始的视觉与声音 Footage，随后经过隐私防火墙、去噪和场景识别，被切成 Event 和 Moment 并打上标签；这些结果用来建索引、更新 Memory，最终才从“记录”里抽取洞察，判断要不要触发一个 Action。按他的说法，整条链路就是“记录—索引—洞察—行动”。

这张图最关键的一点，是没有把摄像头直接接到大模型上。Looki 给这层自研能力起了个名字，叫 Loom 时序感知模型：第一视角图像先经视觉编码器提取特征，再由轻量 Transformer 聚合连续窗口，输出场景类别、置信度和序列表征。高置信、场景稳定的输入，交给小模型完成“轻思考”；一旦出现切换、变化信号或不确定情况，任务才被路由给视觉语言模型。退一步说，就算只有音频，把全天数据全量丢给通用模型，成本也很难成立。

第一视角画面的抖动，是时序建模要先解决的问题：人一低头、一转身，画面变了，场景却未必真的改变。Loom 对连续预测做 Viterbi 时序平滑，结合各窗口的概率与场景转移约束，找出一条更合理的标签路径。在一个含 91 个窗口的用户日样例里，标签跳变从 33 次降到 13 次，连续场景段由 34 段收敛到 14 段，跳变减少约 61%。这里量的是稳定性，并非准确率提升；可场景状态稳不稳，直接关系到后面的事件组织和 Agent 调度会不会被误触发。

系统还把 Scene、Activity 和 Event 三者分开：餐厅属于场景，吃饭属于活动，一次朋友聚会才是有时间边界的事件；同一场景里，用手机、用餐、社交可以同时发生，一件事也可能横跨多个场景。这样拆开，就不会把“标签变化”简单当成“新事件发生”，不同粒度的信息也能分别进入 Memory 和下游任务。

稳定不等于没有变化。同一个办公室里，从独自工作转入一场交流，Scene 标签也许一直没变，但新的信息已经冒出来了。为此 Loom 还会比较相邻窗口的特征相似度和场景概率分布，保留那些“标签没变、观测却明显变化”的窗口。视觉变化算不算事件，交给后续模型判断；时序模型的任务，是别让这个信号先丢了。

再往下一层是 Memory。软件 Agent 处理的邮件、网页和日历，自带标题、时间和结构；第一视角的视觉与声音却是连续、混乱、没有天然边界的非结构化数据。所以 Looki 没法直接照搬现成的 RAG 或记忆方案，得先从生活里识别人、关系、生活状态和事件，再判断哪些内容值得写进长期记忆。

这里也不是存得越多越好。人眼一直在看，真正进到大脑的只是一小部分；PA 同样需要一套遗忘机制。前置模型先滤掉大部分无用信号，留下 Event 和 Moment，记忆系统再不断更新对用户的理解。用户在产品里目前能看到、能编辑的，只是其中一个子集。

到了洞察和行动阶段，系统同时读两份信息：一份是刚发生的原始感知，代表“现在时”；另一份是攒下来的整体记忆，代表“过去式”。只看当下，一张图或许只是有人在车里吃汉堡；把声音、人物关系和过往路线放在一起，它才可能被认作家庭时光，或者成为一条值得主动推送的信息。

最后，下游的小模型还得拿主意：此刻该推一条消息、一张漫画、一段视频，还是干脆什么都不做。主动服务最难的地方不在生成内容，而在预测意图。走进餐厅的人是想堂食还是取外卖？判断错了，所谓贴心就成了打扰。

这套系统还有一条反向链路。一次洞察如果漏了重点，团队要接着往前归因：是 Memory 到洞察的 Thinking 环节出了问题，还是更早的场景识别压根没记住关键数据？缺的是某类记忆，就回到前置模型补识别能力。模型判断也能反过来影响设备的采集配置：硬件拿到观测，Loom 给出场景与变化线索，软件组织事件并调度服务，结果再反馈到后续采集。软硬件因此不是两条流水线，而是同一个持续优化的闭环。

说到底，Always On 不是让摄像头一直亮着那么简单。硬件负责连续采集，前置模型负责遗忘，Memory 把碎片组织成一个人的历史，Agent 再决定什么时候行动。Looki 过去看起来在做 Vlog、漫画和生活回顾，底下真正搭的，其实是这套从原始生活数据到 Context 的基础设施。

1

当硬件开始服务不同的 Agent

把这条链拆开，软件与硬件的分工也就清楚了：最底下的可穿戴设备负责看和听；中间的感知、事件与记忆层把连续信号整理成 Context；最上面的通用 Agent 和各种服务，承接研究、办公、消费与执行。

硬件之外，中间还会长出一层边缘计算。孙洋设想的完整架构是“端—边—云”：身上的轻量设备持续感知，家中的 Always On 节点承担高频降噪、隐私脱敏和初步的多模态融合，更复杂的推理交给云端。这样一来，原始数据不必直接上云，最频繁的计算也从昂贵的大模型调用里拆了出来。

孙洋的判断是，叫车、点外卖、回邮件这类高频任务，大厂已经握有 App、数据和服务生态，创业公司再从头做一遍没有意义。所以 Looki 并非完全绕开软件 Agent，它自建场景模型、Memory，也做一部分下游 Agent，还会判断什么时候该推漫画、消息或洞察，只是不打算把全部能力都压进一个包打天下的通用 PA 里。

在孙洋看来，Looki 更该待的位置，是把手头由硬件拿到的 Event、Memory 以及实时感知敞开，供 Claude、Codex 这类 PA 按需取用。目前 Skills、Plugin、API 和 MCP 都已开放，Context 也与 WorkBuddy 打通；Loom 则会先在自家软硬件上跑顺，之后再考虑进一步开源。孙洋把这种关系说得很直接：“不存在谁接给谁，未来是 agent-to-agent 的 talk。”至于用户最终挑哪个 PA，那是上层的事；硬件管的是不缺席，中间层管的是持续认识这个人。

换句话说，未来的 PA 不一定非得装进一具完整的身体。戒指管生理信号，胸前设备管第一视角，交互和执行交给手机，算力和长期记忆放在家里的主机上，几样硬件拼起来，就是一具分布式的身体。Looki 想卡住的正是离现实世界最近的那一段：把一个人当下正在过的生活，转成任何 Agent 都读得懂的数据。

这个位置的门槛，不在于卖了多少台设备，而在于手里有没有足够多真实的第一视角数据，用来找问题、搭评测体系。孙洋在采访中给出的数字是，Looki 累计已有约 20 万小时第一视角多模态数据。不过普通用户没授权的数据不会拿去训练，真正进入后训练的，是那些加入“超级伙伴计划”并签了授权协议的数据。硬件带来真实场景，授权数据再去改善场景、记忆和意图模型，模型反过来抬高产品价值，这条飞轮才是它想跑起来的。

到了下一代产品，这套分工还会做得更彻底。孙洋透露，新硬件会用功耗更低的平台，目标是声音一直在线、视觉按大约每秒一帧采样，同时体积更小、重量更轻，尽量让人感觉不到那是台“摄像机”。它不打算拍出给人看的高规格视频，要的是足够稳的信号，让 AI 别漏掉上下文。

当然，这条路还没走完。Always On 成不成立，取决于续航；用户肯不肯一直戴，取决于重量和穿搭；设备能不能进办公室和家门，取决于隐私；主动服务是贴心还是冒犯，取决于意图预测准不准。开放给不同 PA 之后，记忆能不能迁走、权限能不能收回，也会变成新的边界。

但行业的走向已经越来越明朗：模型能力越拉越近，Personal Agent 之间的差别，就不再是它会调多少工具，而是它到底了解哪一个版本的你。

软件公司在给 Agent 找身体，Looki 则是从一具身体起步，往上补感知、记忆和连接层。两条路看着相反，其实都在往同一个地方靠。软件和硬件，迟早要在某处交汇。

点个“爱心”，再走 吧