Looki孙洋：Personal Agent最重要的是Personal，不是Agent

纯软件的 Personal Agent 火起来之后，短板很快露出来：它对用户的了解，还不够 personal。

邮件、日历、浏览器它都能读能操作，用户在数字世界留下的痕迹它清楚；可人一离开屏幕，见了谁、去了哪、聊的是什么，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。

行业里的做法于是开始趋同：给 PA 找一个能长期跟着人的硬件本体，让它充当外界输入源。说白了，就是给 Agent 装上眼睛、耳朵和感知器官。

顺着这条线扫一圈，会发现 Looki 早就站在这个位置上。Personal Agent 还没成为热词的时候，它就做出了一台挂在胸前、以第一视角记录现实的设备。早期靠 Vlog、漫画和生活回顾帮用户认识产品，但这些功能底下一直在搭的东西，是怎么拿到一个人的现实数据，再把视觉、声音和长期经历转成 Agent 能用的 Context。

多数公司从软件起步，回头给 PA 找身体；Looki 反过来，从身体起步，往记忆、洞察和 Agent 层长。这条反向路径背后，是创始人孙洋对个人 AI 的另一套判断。

Personal Agent 必须和人看到同一个世界

纯软件 PA 的边界，出现在用户离开屏幕那一刻。邮件能读、日历能查、浏览器能操作，但它不知道用户正和谁坐在一起、在讨论什么，也分不清一句话是会议室里的随口一提，还是已经拍板定下的事。

孙洋管这种缺失叫“同源感知”：人和 AI 看同一个现场、听同一段声音，面对同一组 Ground Truth，再各自做出判断。手机更像“手的延展”，叫车、点外卖、完成操作都合适；Personal Agent 想成为“大脑的延展”，前提是先和人经历同一件事。

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，人往售票机走的时候，Looki 突然提醒他，凭当天的登机牌购票可以享受优惠。它把“刚刚乘航班抵达浦东机场”的行程信息和“正在走向磁悬浮售票机、准备购票”的眼前画面拼到一起，在刚好的时机，给了一条他可能不知道、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 时序感知模型放在感知链路最前头，先让它回答几个高频问题：眼下是什么场景，事件还在不在继续，眼前的变化值不值得再往下理解。它夹在硬件感知和上层 Memory、Agent 之间，是“第一层智能”；设备该采什么、系统什么时候调用更强的模型，也因此变成软硬件一起优化的问题。

这些问题，随便一个大模型都答得上来。差别在于：纯软件 PA 得等用户先意识到需求、掏出手机、把 Prompt 组织好；一直挂在身上的硬件，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，第一视角的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。模型本身没变聪明，硬件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。执行层面，中国的 App 已经做得够好；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。”要读懂一个具体的人，“近的会打败远的”——PC 比手机远，手机又比可穿戴设备远。

但“离人近”不等于随便塞块硬件到用户身边。昨天我们梳理 PA 的硬件形态，大致看出三条路线：独立主机供电稳、能长期跑模型，可它留在家里或桌上；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，问题是到了非工作日随时可能被拆下来；真正能跟着人移动、持续采集现实信息的，还是可穿戴设备。

可穿戴内部也有分工。戒指拿得到生理信号，耳机和项链容易采到声音，可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 团队早期花半年研究眼镜，最后发现重量、续航和实时视觉感知，当时只能兼顾其中两项，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；胸前设备的视野没那么精准，但更容易覆盖不戴眼镜的人。说到底，卡住产品形态的不是想象力，是光学、功耗和人体工学。

佩戴本身因此成了第一道算法——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。要够轻，要够像日常穿戴，镜头和麦克风还得尽量少给周围人压迫感。

这条路线也不是 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；下一代的取舍会更激进——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。

硬件的必要性到这里才完整：它不替用户把所有事情做完，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”。

Always On 之后，真正的难题才开始

可穿戴设备把数据来源的问题解决了，Always On 紧接着就带来第二个麻烦：数据量太大。一天里的画面、声音、环境变化，并不会自己变成记忆，先堆起来的是一场数据洪水，里头混着大量重复、空白和隐私内容。

孙洋在现场画了一条处理链：设备先产出原始的视觉与声音 Footage，这些数据要过隐私防火墙、去噪和场景识别，随后被切成 Event 和 Moment 并打上标签；得到的结果用来建索引、更新 Memory，最后才从“记录”里提炼洞察，判断要不要触发一个 Action。按他的说法，整条链是“记录—索引—洞察—行动”。

这张图的关键点在于，摄像头并没有被直接接到大模型上。Looki 把这层自研能力叫作 Loom 时序感知模型：第一视角图像先交给视觉编码器提特征，再由轻量 Transformer 把连续窗口聚合起来，输出场景类别、置信度和序列表征。高置信、场景稳定的输入，由小模型完成“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。哪怕只处理音频，把全天数据全量喂给通用模型，成本也很难成立。

第一视角画面本身就会晃：人低头、转身，镜头跟着动，场景却不一定真换了，所以时序建模得先把这层抖动处理掉。Loom 的做法是对连续预测做 Viterbi 时序平滑，把各个窗口的概率和场景转移约束放在一起算，找出更合理的标签路径。一个含 91 个窗口的用户日样例显示，标签跳变由 33 次压到 13 次，连续场景段从 34 段收到 14 段，跳变少了约 61%。这个数字量的是稳定性，跟准确率提升无关；可场景状态稳不稳，直接影响后续事件组织和 Agent 调度会不会被误触发。

系统还把 Scene、Activity 和 Event 拆开看。餐厅属于场景，吃饭属于活动，一次朋友聚会才算有时间边界的事件；同一个场景里，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。这样拆的好处是，不会把“标签变化”直接当成“新事件发生”，不同粒度的信息也能分别进入 Memory 和下游任务。

稳定也不代表没有变化。同一个办公室里，从独自工作转为一场交流，Scene 标签可能一直不变，但新信息已经出现了。所以 Loom 还会比较相邻窗口的特征相似度和场景概率分布，把“标签没变、观测却明显变化”的窗口保留下来。视觉变化算不算事件，交给后续模型判断；时序模型的任务，是先把信号留住，别弄丢。

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的、混乱的，没有天然边界，属于非结构化数据。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。用户目前在产品里能看到、能编辑的，只是其中一个子集。

到了洞察和行动阶段，系统会同时读两份信息：一份是刚发生的原始感知，代表“现在时”；另一份是积累下来的整体记忆，代表“过去式”。只看当下，一张图也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，它才可能被判断为家庭时光，或者变成一条值得主动推送的信息。

最后，下游的小模型还得决定：眼下该推一条消息、一张漫画、一段视频，还是什么都不做。主动服务最难的地方不是生成内容，而是猜准意图。走进餐厅的人到底想堂食还是取外卖？判断错了，所谓的贴心只会变成打扰。

这套系统还有一条反向链路。一次洞察如果漏掉重点，团队要往前归因：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？如果缺的是某类记忆，就回头给前置模型补识别能力。模型判断还能反过来影响设备的采集配置：硬件负责观测，Loom 提供场景与变化线索，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。

所以说，Always On 不是让摄像头一直亮着那么简单。硬件解决连续采集，前置模型负责遗忘，Memory 把碎片组织成一个人的历史，Agent 再决定何时行动。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。

当硬件开始服务不同的 Agent

把这条链拆开之后，软件与硬件的分工也清楚了。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，承担研究、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”：身上的轻量设备负责持续感知，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，云端再负责更复杂的推理。这样既能少让原始数据直接上云，也把最频繁的计算从昂贵的大模型调用里拆出来。

Looki 也不是完全不做软件 Agent。它做自己的场景模型、Memory 和部分下游 Agent，也会判断什么时候推漫画、消息或洞察；但它不打算把所有能力都塞进一个无所不能的通用 PA。孙洋认为，叫车、点外卖、回邮件这些高频任务，大厂已经有 App、数据和服务生态，创业公司没必要重新做一遍。

更合适的做法是开放硬件拿到的Event、Memory和实时感知，让Claude、Codex这类PA在需要时前来调用。目前Looki已开放Skills、Plugin、API与MCP，Context层面也和WorkBuddy打通；Loom在自家软硬件上打磨成熟后，同样打算进一步开源。孙洋一句话概括了这种关系：“不存在谁接给谁，未来是agent-to-agent的 talk。”用户挑哪个PA属于上层问题，硬件管的是不缺席，中间层管的是持续认识这个人。

照这个思路，未来的PA未必只需要一具完整身体。戒指负责生理信号，胸前设备给出第一视角，手机承担交互和执行，家里的主机提供算力与长期记忆，几样硬件拼起来就是一具分布式身体。Looki要占的是其中最贴近现实的那一段：把人正在过的生活，转成任何Agent都读得懂的数据。

这个位置能不能站住，靠的不只是硬件卖了多少台，而是手里有没有够真实的第一个人视角数据，用来发现问题、搭评测体系。孙洋在采访中给出的数字是，Looki累计约20万小时第一视角多模态数据；普通用户没授权的数据不会拿去训练，真正进入后训练的，是加入“超级伙伴计划”、签了授权协议的那部分。硬件带来真实场景，授权数据反过来改善场景、记忆和意图模型，模型再抬高产品价值，这条飞轮才是它真正想转起来的。

下一代产品会把这种分工推得更彻底。据孙洋透露，新硬件改用功耗更低的平台，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，把“摄像机”的感觉压下去。

它不再追求拍出给人看的高规格视频，要的是信号足够稳，让AI别漏掉上下文。

这条路当然还没走完。续航决定Always On能不能成立，重量和穿搭决定用户肯不肯一直戴，隐私决定设备进不进得了办公室和家庭，意图预测则决定主动服务是体贴还是冒犯。开放给不同PA之后，记忆能不能迁移、权限能不能撤回，也会变成新的边界。不过行业路线已经越来越清楚：模型能力越趋同，Personal Agent的差别就越不在它调用多少工具，而在它到底了解哪个版本的你。

软件公司开始替Agent找身体，Looki反过来从一具身体出发，补齐感知、记忆和连接层。两条路看着相反，其实都在往同一个位置靠。软件和硬件，总归会在某一处交汇。