千问押注Personal Agent：蒋冠军称实际交付能力仅60%～70%

Personal Agent 已经走过了早期的产品验证期，眼下正进入新一轮产品竞争：Meta Muse、OpenAI Dots 等产品先后把重心从“炫技”转向“长期稳定地替用户做事”。

但阿里千问事业部 AI 算法负责人蒋冠军身处研发一线，他对现状的真实评价是：今天的 AI 依旧不好用。

他解释说，对话里点奶茶、购物已经能实现，可从能调用工具完成任务，到真正理解用户、稳定完成任务，产品可靠性的要求完全是另一个层次，AI 仍然存在很大的差距。

蒋冠军判断，Personal Agent 真正更广阔的市场最终可能在生活场景。生活里有大量偏好，用户自己知道，却没有明确表达出来。真正的 Personal Agent 得在长期使用中逐渐摸清这些答案，还要判断答案何时发生了变化、什么值得提醒、什么时候必须停下来。

阿里千问当下也已入局生活类 Personal Agent。在蒋冠军看来，千问最核心的差异来自对用户需求的理解。他的说法是，今天大家的实现框架都差不多，基础模型的核心能力差别也没有想象中那么大，生态能力会有强弱之分。所以最核心的差异还是在于怎样理解用户需求，以及选择哪些重点方向。

当前，Personal Agent 的执行稳定、个人 Context 等技术问题，千问同样需要解决。此外，生态开放、权限边界和商业模式等公众担忧也尚未定型。

千问背后站着阿里那套体量巨大的电商、支付和生活服务生态，这是它与别家不同的地方。Personal Agent 若从这样的业务生态里长出来，替用户挑商品、订服务，甚至把交易走完，交付怎么才能更靠谱？服务调用该先找谁？用户的需求和平台的商业利益一旦顶上了，决策又靠什么真正站在用户这一边？这些问题显然不是千问一家要面对。

Personal Agent，为什么下限比上限更重要？

过去一年，Agent 产品靠一个接一个抬高能力上限的 Demo 抓住了眼球，自主跑完几十步任务、在后台连转几十个小时，这类表现尤其受关注。可亮出能力上限是一回事，把实际任务的完成率提上去是另一回事。

蒋冠军拿 Muse 举例，认为它火起来有炒作的成分。Muse 真正要解的题是：眼下这套互联网生态并不是围着模型搭的，AI 没有结构化接口可调时，就让它学人的样子，通过 GUI 去用现成的互联网服务。

这么干能把能力上限很快拉高，但能力下限未必跟着自动上来。就说“订机票”，大家一般默认多数正常任务都能办成，很少有人会把它理解成“在某些网站、某些条件下有较高概率成功”。十次任务里要有三四次办不成，Demo 再惊艳，也难让人高频用起来。

蒋冠军用“理论能力上限”和“实际交付能力”之间的落差来解释这个现象。他给了一组数据：不算人机交互成本和计算代价，Personal Agent 解决一般工作、学习和生活问题的理论能力上限接近 100%，而系统眼下实际交付能力只有 60%～70%。

按他的看法，现有系统并不缺解决问题的能力，问题常出在第一次执行任务时找不到对的那条路径。模型就算有完成任务所需的知识和推理能力，实际交付照样可能栽在工具选择、信息获取或执行路径上。

这种错配落在任务执行的不同环节上。一个财经问题，可以靠模型自己的知识，也可以去调实时行情和专业数据库；旅游任务，可以让模型翻大量网页，也可以直接调票务服务；个人信息不够时，可以让模型去猜，也可以从长期记忆里补。路径不一样，任务成功率、执行速度和计算成本可能差得很远。

针对这一点，千问从真实用户需求出发，倒过来拆 Agent 完成任务需要哪些能力。千问做了一张覆盖 30 多个头部行业的需求透视图，把大量真实需求归成不同意图，再拆成 8000 多项原子模型能力要求。

比方说回答“这家公司现在值得投资吗”，可能要把财报、公告、实时行情、行业数据和市场信息综合起来。千问会接着判断每个环节到底缺的是数据、工具还是模型能力，再有的放矢地补，用这种方式“把整个水位往上抬”。

这套办法不光是把用户问题拆得更细，还管训练样本怎么造、什么样的回答算好，以及让模型在训练里一步步学会完成任务。千问会依据真实需求构造 Query 和优质 Response，再往下形成评价标准，明确回答要覆盖哪些关键要点、用什么知识和信息、信息够不够权威。评价标准可以由模型迭代生成，也会请行业专家来参与判断和修正，最后用到模型训练和强化学习上。

路径选择上，千问更像是在做“分工”：能用确定性工具或专业 Skill 解决的，尽量别完全交给模型即兴推理；个人 Context 能给的信息，别让模型凭空去猜；模型主要担起理解、规划、推理，以及失败之后重新规划。另外，模型优化和后训练得把实际线上环境里的工具、Skill 和 Harness 体系算进去，按真实需求分布做强化学习，做到“训推一体化”。

蒋冠军强调，“Personal Agent 的模型与 Harness 并不是两套彼此独立的体系”。外界讲“模型能力接近”，依据通常是公开评测或通用任务，可真进了应用，模型、记忆、工具、Skill 和生态得拧成一股绳。要是把底层的千问模型换成别的模型、Harness 保持不变，Agent 的整体能力会大幅变化。

落到实际执行，Harness 说白了就是在给模型喂大量 Context，工具、Skill、记忆和其他上下文都会进到模型的决策里。系统得让模型清楚有哪些工具可用、各自适合解决什么，同时围绕当前任务去检索真正相关的记忆，而不是把全部历史记录和所有工具说明一股脑塞进上下文。

据千问团队透露，某些场景下，Harness 层的优化能省下约 40% 的 Token 消耗；到了金融这类专业场景，把专业能力封装起来，回复效果可以提升接近 20%。

“模型与 Harness 这样深度耦合，是让 Personal Agent 更稳定、任务完成率更高的关键。”蒋冠军说道。

从用户需求反推：该记住什么

Personal Agent 要做到个性化，记忆系统是主要发力点。眼下各家在记忆设计上已经走出明显不同的路线。

Town 选的是极简路子，只维护约 5～20 页 Wiki 摘要，里面放用户画像、目标、项目和常联系人，用户能逐行改动；Instinct 更看重可控，记忆统一由后台批处理写入，用 Git 管理，支持 Diff 和回滚，检索主要靠关键词和别名；Muse 强调记忆可溯源，每小时拿新记忆跟原始对话核对一遍，每晚还通过“Dream”梳理对用户的观察；Grok Bot 按法务、财务等角色分设记忆，但写入是在会话中静默完成的，没有额外的后台整理。

路线不同，指向的问题也不止“记住多少”。记忆能不能编辑、能不能追溯、怎么更新、不同 Agent 之间如何共享和隔离信息，同样摆在台面上。

千问在记忆上的核心思路，是从用户需求反推该记住什么。蒋冠军认为，单条记忆能否准确召回并不是真正的难点；什么信息值得记为记忆、按什么粒度记录，才是难题所在。

拿用户说“工资 8000 元”来说，系统可以原样记住这个事实，也可以抽象成“有稳定收入”，甚至再往上形成某种经济状态判断。三种粒度都说得通，关键在于未来做哪些任务会用到这些信息。

传统互联网做用户画像，通常先定好年龄、性别、职业、收入、兴趣等字段，再往里填信息。千问把顺序倒了过来：先看真实用户将来有什么需求，完成这些需求需要哪些个人信息，再由任务反推记忆体系的结构。

这背后是千问所说的“事件关系”。一位已退休的母亲提过自己养老金不高，后来又问“三十多岁的孩子一直没有工作、想写网文怎么办”。两个问题彼此独立，可放在一起看，可能共同指向这个家庭正承受一定的经济压力。只回答“成年人应该如何找工作”，内容未必有错，却没有真正理解用户面对的是什么。

千问想记住的，除了“发生过哪些事实”，还有这些事件之间的关联。分析现实世界知识里的事件关系，系统可以反过来定义记忆 Schema，判断哪些信息该记、按什么粒度记、在什么场景下调用。

这样一来，记忆就从传统用户画像变成了持续更新的“个人状态模型”。系统得知道用户经历过什么，还得判断这些信息今天是否依然有效、会不会影响用户当下的决策。

眼下千问在 PC 端给了显性记忆的编辑入口，用户能直接改这部分记忆；隐性记忆，以及与具体功能或服务相关的临时性记忆，用户可能改不了。

用户对不同类型记忆的控制程度因此并不一致。Agent 一旦开始根据多个事件推断用户没有明说的个人状态，这些判断未必准确。事实与推测怎么区分，错误的隐性记忆怎么让用户发现并纠正，直接关系到个性化服务是否可靠、用户是否信任。

千问的用户画像和记忆会随新的个性化信息不断更新，但不同信息没有统一的失效周期。用户当天要参加一场活动，这条信息可能只在当天有用；收入、职业和家庭状态则可能影响更长时间的决策。千问的看法是，不能给所有记忆设一个统一删除周期，要看它代表的事件本身和实际有效期来处理。

在技术层面，长短期记忆的区分、或者把记忆分成明确和模糊两类，其实都做得到。不过在他看来，关键在于能否搭起一套可以不断更新的记忆体系，并且能识别出其中哪些信息变化极快。Schema 会判断哪些内容时效性特别强、变动特别频繁，哪些信息一旦改变就会明显影响到用户的个性化画像或后续行为，随后按不同层级去更新和调用。

这或许会成为 Personal Agent 比模型更难迁移的一道壁垒。用户长期使用一个 Agent，它已经摸清其工作背景、家庭状态、长期目标、消费偏好，以及这些事情之间的关联；换一个 Agent，成本里就多了一项：让另一个 AI 重新“认识自己”。

记忆大多以文本形式存放。单个用户的文本信息经过适当整理之后，Agent 在存储上的开销并不算高。真正占大头的仍是模型训练和推理，而 Context 压缩正是把推理成本压下来的一个重要手段。

千问的做法是，每次推理不加载用户全部历史记录，而是把部分长期 Context 压缩成记忆，再进一步压缩近期会话，用更小的 Context 达到接近全量历史记录的效果。对需要持续关注用户任务和外部信息的 Always-on Agent 来说，这种优化尤其要紧。

团队还会压缩包含 Skill 等信息的系统 Context，避免大量无关工具说明进入模型；同时用 Auto 模式按任务复杂度挑选合适的大小模型，并持续优化模型自身的推理效率。蒋冠军认为，过去两三年模型“单位智力”的推理成本已经大幅下降，单 Token 承载的智能密度还在继续提高。

生态可能是最大的墙

“随着模型能力和 Harness 技术的持续发展，未来几年，不健全的生态体系会成为 Personal Agent 发展的最大阻碍。”蒋冠军判断。

Coding Agent 就是个好例子。代码仓库本身是高度完整的 Context，编辑器、Terminal、Compiler 和测试工具又天然适合机器调用；模型变强后，进入整个工作流会比较顺畅。Office 和图文任务类似，核心能力主要来自搜索、知识库、文档处理和生成工具，这些服务比较容易开放成可调用接口。

生活服务是另一回事。订一次酒店，找到酒店名字并不算完，实时库存、会员权益、房型、支付、取消和售后都要处理；保险理赔也不只是查规则，还得找到订单、确认用户身份、提交材料、与客服沟通，最终把资金真正退回来。

蒋冠军的判断是，“MCP 或 Skill 并不等于一个 App 完整的业务能力”。接口开放只能算连接的第一步。要让模型真正把现实服务跑完，缺的是一整套业务逻辑和履约体系。

GUI Agent 走红，某种程度上说明现在的互联网服务生态还没准备好被 AI 直接调用。豆包手机助手想从手机系统层绕过去，跨 App 操作，可这条路同样受制于现有应用生态。很多高频服务能不能让 AI 跨应用执行任务，卡的不只是技术接口，还牵扯账户安全、交易风险，以及平台对业务流程的把控。

千问因此没有只押 GUI，而是在几条执行路径之间做组合。能走 MCP/API 的直接调用；网页交给 UC 的浏览器内核；需要专业 Agent 时走 A2A；实在没有别的办法，再用 GUI、云手机和云电脑。几种方式各有各的适用场景，关键看任务本身更适合哪条路，而不是让模型对什么事都用同一种打法。

千问手里的一张牌，是阿里已经攒下大量能接现实生活的服务资源。淘宝、支付宝、飞猪，还有电商、本地生活、物流、出行这些业务体系，都可能成为 Personal Agent 执行真实任务的底子。外部生态也在扩，瑞幸、东航等第三方服务已经接进来；医疗、教育、财经、法律、买房、升学这些领域，则靠 Skill 沉淀专业经验。今年 9 月，千问开放平台公布的数据显示，其已覆盖 20 多个领域，申请入驻伙伴超过 1000 家——扩圈的意图很明显。

但生态建设不是把服务一股脑接进来就完事。蒋冠军认为，千问得围着真实用户需求，判断哪些服务和工具最该优先建。比如阿里明明有飞猪，千问照样可以接东航；不同服务并存没问题，选哪个要看用户需要什么，而不是看它归哪个平台。

这么看，千问眼下要先解决的是生态覆盖和任务完成能力。Agent 能稳定调用服务、读懂业务规则、把履约真正做完，Personal Agent 才有可能从信息处理工具迈进真实生活场景。

克制比主动更重要

AI 要是还得等用户下命令，再强也只是个工具。从 Agent 变成助理，关键的一步是主动服务。

Muse 已经把主动执行写进产品定位：用户离开后它继续干活，状态有变化或者需要批准时再回来；OpenAI Dots 主打 Always-on，能持续推进目标；Google Spark 同样被定义成可在云端长期运行的个人 Agent。几家产品都在试同一件事——让 AI 不再局限于一次性的对话，而是持续围着用户目标转。

千问的主动服务，靠的是模型、记忆和专业生态一起做判断。

拿康复场景来说，Personal Agent 理想中的主动服务不只是回答康复问题。它还可能结合用户的身体状况、家庭角色和生活习惯，在合适的时候给出康复信息、生活安全提醒或者情绪支持。这些需求里有不少用户根本不会主动提，得靠系统结合长期记忆和当前状态去判断。

这是助理和工具的分界线，可主动服务也最容易越界。用户咨询过一种疾病，不代表 AI 以后每次都该主动提起；用户说过家庭焦虑，也不意味着系统要不停提醒。模型判断两件事“有关联”，和用户认为“你现在应该说这件事”，完全是两套标准。

所以 Personal Agent 最终得有一套清楚的主动边界：哪些事可以提醒，哪些能直接执行，哪些必须先确认，哪些敏感 Context 就算相关也不该主动碰。一个真正成熟的 Personal Agent，最大的能力之一可能恰恰是克制。

千问现在更倾向让 Agent 以“助理”身份行动，而不是完全假装成用户本人。搜索、整理、比较和部分沟通可以交给系统；支付、订单确认、个人信息修改这类高风险操作，仍然要用户授权。未来 Personal Agent 能不能真正进入生活场景，这一点很关键。

从厂商成本上看，Always-on Agent 不只是单次任务花多少 Token 的事。用户没主动发起请求时，Agent 也可能要持续检查用户安排的任务或外部信息，判断有没有值得提醒的变化。产品得在主动服务价值、任务频率和计算开销之间找平衡。Agent 检查得很勤，却很少给出真正有价值的提醒，计算成本就很难变成用户价值。

当 AI 开始替用户选服务，应该优先推荐谁？

Personal Agent 的商业模式还在摸索，不同产品已经走上不同路径。

Muse 试的是交易分成等方式变现，还想借用户意图提高广告转化；Instinct 暂时不打算向用户收费，未来考虑广告模式；OpenAI Dots 则和现有订阅体系结合，并开始面向企业推进专业 Agent 的试点。交易、广告、订阅、企业服务，各有一条路，但最终成不成，还得看产品实际创造的价值和持续运行的成本。

对千问来说，商业化的问题更复杂。用户一旦从“打开 App 购物”变成“让 Agent 帮我买”，千问就可能站到交易链路更上游。它不光知道用户想买什么，还可能直接决定去哪儿买。

千问目前的做法是：结合具体需求判断最合适的服务。用户明确想点一杯星巴克，那就优先用星巴克自己的 Agent 或 Skill，链路更直接；需求没这么明确、多个服务之间又存在价差时，也可以帮用户做对比。

蒋冠军认为，今后模型的第三方生态乃至整个模型生态体系，会跟眼下互联网服务的提供体系差不多。服务既能由外部提供，阿里内部同样能提供。“功能上有重叠，对用户和我们都不是问题，用户的需求本来就因人而异。”

不过，允许不同服务并存，不等于把怎么选的问题解决了。多个服务都能完成同一项任务时，Agent 按什么标准决定调用谁，仍然是个要回答的问题。

蒋冠军强调，眼下 Personal Agent 产品的第三方生态大多谈不上丰富，行业还没走到需要对海量同类 Skill 做复杂排序或竞价的阶段。对千问来说，当前更要紧的是把服务能力补全、把任务完成率提上去，让 Agent 真能替用户把事办成。

不过生态一旦成熟起来，服务排序早晚会成为所有 Personal Agent 产品都得直面的重要课题。

对厂商而言也是这样：当越来越多的知识库、专业 Skill、行业 Agent 和真实服务要接进 Personal Agent，厂商有可能慢慢长出一套类似应用商店的生态体系——开发者和服务商提供能力，Agent 则按用户任务动态调用。

结束语

“把一件事情交给 AI 完成”已经是趋势。千问从用户行为里捕捉到了一些早期变化。据团队披露，在较深度用户群体中，Agent 类需求与即时对话类需求的比例已达到约 1:3；过去三个月，复杂任务平均 Token 消耗量增长了 1.6 倍；主动订阅和主动推送类服务的占比也已达到约 15%。

在蒋冠军看来，现阶段 Personal Agent 先要把目标明确、边界清晰的单项任务做好，再在这个基础上给出合理建议和必要信息。等能力进步了，未来才有可能进一步连接多个任务、多个专业 Agent，一起支撑更复杂的长期目标。

千问的资源优势让它有机会比许多竞争对手更早把 Personal Agent 带进真实交易场景。但真正的考验或许不只是让 Agent 完成更多任务，而是当它越来越懂用户、能调用越来越多服务，甚至开始替用户花钱时，用户是否还相信：它做出的每一个选择，首先是为了自己。

当然，这不只是千问一家碰到、且还没解决的问题，而是任何入局玩家都要面对的现实课题。