跳到主要内容
赞助推荐 搬瓦工怎么选:三网直连 CN2 GIA-E
前沿哨所

蚂蚁灵光蔡伟:Personal Agent 的战场在服务业,不在入口

19 分钟阅读阅读(3)
赞助推荐 团队协作里的 AI 办公工作台

这篇复盘按三层展开:三代产品各自对应的行业与市场量级、主动性带来的边界感难题、蚂蚁在供给与安全上的禀赋与短板。核心结论是 Personal Agent 的门槛不在模型分数,而在供给接入与克制打扰,单纯争入口是伪命题。

过去三个月,做产品的人嘴里多了一个词。Grok Bot、Meta Muse、OpenAI Dots、Instinct、Today,加上蚂蚁灵光的 2.0,一批产品挤在同一个动作上:不是回答你的问题,是替你盯着一件事。

赞助推荐 一人公司 · 创业装备库
赞助推荐 一人公司 · 创业装备库

盯事听起来很小。蚂蚁灵光负责人蔡伟在张小珺的播客里,把它放进了一个更大的坐标。Chatbot 对应信息行业,Coding Agent 对应软件行业,Personal Agent 对应服务行业。放到中国市场,这三个行业分别是千亿、万亿、十万亿的量级。

这期节目聊了近三小时(原视频:https://www.youtube.com/watch?v=Ydn4NH_KQT8)。他从在 Google 做计算机视觉讲起,讲到回国做投资,再到 2024 年 1 月加入蚂蚁带队做灵光,Personal Agent 的来路、当下和终局都过了一遍。

我看完最想留下的判断只有一句:这一代产品的胜负手不在模型分数,而在两件很土的事,一是能不能接上线下那些还没数字化的服务,二是能不能忍住少说话。

三代产品,三个行业

蔡伟把大模型出来之后的产品形态切成三段,切法很干脆。

第一代是 ChatGPT 这类聊天框,解决信息获取。搜索引擎给你十个链接自己看,聊天框直接把答案整理好端到你面前,效率差一个量级。

第二代是 Manus、Claude Code 这类任务型产品。你说一个任务,它拆成第一步第二步第三步,每一步挑合适的工具,再把结果拼起来。蔡伟认为这一层才是智能真正往前走了一步,因为”拆解”和”选工具”本身就是智能。

第三代就是 Personal Agent(下文简称 PA)。它和前两代最大的区别是主动性:不用你开口,它在合适的时候主动给你信息、主动替你把事情办掉。

三代产品对应三个行业,这是整期节目里我最愿意抄走的一个框架。

代际 代表 解决的行业 中国市场量级
Chatbot ChatGPT 信息 千亿
任务型 Agent Manus、Claude Code 软件 万亿
Personal Agent Muse、灵光 2.0 服务 十万亿

这三个数字的差别不用我翻译,每往下一层就多一个数量级,读者自己就能看出天花板在哪。

他自己也承认这个说法”可能有些粗暴”。粗暴的地方在于,信息、软件、服务三个行业不是并列关系,服务业里本来就含信息和软件。但粗糙的框架有时比精确的框架有用,因为它直接指出了钱在哪。

蔡伟的解释是:信息的问题最好解决,线上信息就那么多,收集好、处理好、分发给用户就行。软件的问题是把固定流程做成固定界面,过去要请专业团队写,现在 Claude Code 这类产品在替。服务业最难,营养师、减重教练、小学家教、家里修水管的师傅,这些东西散落在社会方方面面,没有标准流程,也没有统一接口。

为什么是现在

三代产品不是互相替代,是并存。蔡伟的说法是,模型能力每上一个台阶,就解锁一种新形态,老的形态不会消失。

那 2026 年这个台阶是什么?他给了一个很具体的观察:以前只有 30% 到 40% 能解决的事情,一下能到 60% 到 70%。这个数字本身不惊人,但它是通过率跨过了可用线。三十个点意味着产品体验从”经常失败”变成”大部分能成”,用户才敢把事交给它。

灵光的立项时间是 2025 年 3 月,Personal Agent 方向从春节后开始投入,到 10 月、11 月才敢放出来给公众测试。中间调了半年。蔡伟说这半年里很大一部分时间不在算法上,在安全隐私合规上。

另一件事是 OpenClaw 在春节期间的爆火。他自己第一次装花了两三个小时,中间各种 bug,评价是”非常极客产品”。但它给行业的启示很直接:模型的长程任务能力已经到这个程度了,只要把 skill 配好训好,它真能主动帮你干这么多活。

这里有个容易被忽略的成本项。蔡伟听说 Muse 在 Meta 内部孵化了六到九个月,灵光在蚂蚁内部也磨了半年,两家公司都有相当一部分时间花在同一件不性感的事情上:安全、隐私、授权。Personal Agent 不是泛泛的问答,问答答错了用户换个说法再问就行,Personal Agent 手上有你的日历、你的支付、你的家庭设备。

主动性是唯一的增量,边界感是唯一的难点

这一段决定这类产品的产品经理每天在纠结什么,所以要多说几句。

Chatbot 的产品主轴是问答,这个主轴本身立得很稳。你在 ChatGPT 里也可以做”订事情””完成任务”的功能,但那是给主轴加插件。蔡伟的说法是,一个产品可以有非常多的功能,但大概率只能有一个主轴。Personal Agent 把”替你管事情”当主轴,整个产品表达都不一样。产品要有自己的灵魂,功能和主轴不是一回事。

主动性具体长什么样?他举的例子是追星。假设你是某个明星的粉丝,你想知道他什么时候来杭州、有没有演唱会、什么时候放票,你希望第一时间知道。这件事以前要么托人盯着,要么自己每天刷,非常消耗精力。交给 PA,它替你盯。

再往生活里走,是带娃、管车、管人际关系、理财、健康。这些事共同的特点是高频、琐碎、需要长期跟进,而且没人愿意天天主动去查。

主动性有一个天然的副作用:打扰。

蔡伟在这里的表述我认为是整期节目最诚实的一段。他说每个人的边界不一样,有人希望多汇报,有人希望永远别说话、每天给个日报就行。这是个高度个性化的事情,冷启动阶段很难一次就对。

他评价 Muse 的边界感调得比另外几家好,并且给出了机制解释,这段值得记下来。

信息应该分层分级。他拿日本旅行举例:下个月几号到几号去,这是事项本身,核心信息是订机票、订酒店、跟老板请假、时间有没有跟别的事冲突。往外一层是天气、环境变化、新开了个动物园,相关但没那么直接。再往外就是相关性推荐了,我知道你要去日本,所有日本相关的东西一股脑推给你。

三层信息在三个位置扮演不同角色。产品要做的是判断”对我这个人、当前这个需求”,哪些在内环,哪些在中环,哪些在外环。

为什么这件事难?蔡伟说,这种边界感你给模型再强的泛泛 prompt 也调不出来,因为每个人的边界感不一样,它不会天然长在模型里。Muse 在这上面大概率是产品价值主张加上大量人工调优的结果。

然后是他的正循环论证,我认为比技术解释更有说服力:

如果每次推给你的消息都有信息含量,而且不常推,那下次推的时候你一定会认真看。反过来,每天早上一条早报、晚上一条夜报,信息含量都不高但天天发,你很快就会把它归类成营销短信,下次直接划掉。

他用的对比是微信。微信的 push 没人当营销短信,因为微信 push 一定是某个人有事找你,那是真实世界的反馈。PA 要做的是挤进这个类别,而不是挤进国庆节所有 App 都在推旅游攻略的那个类别。

从这里可以直接推出留存逻辑的差别。单轮问答的留存取决于这个问答本身高不高频,低频就低留存。Personal Agent 不一样,你把一件重要的事托管给它,这件事会持续出现在你生活里,而且生活里不可能只有一件事。留存来自它真正接管了你生活里那些需要长期管理的部分。

这段话解释了一个现象:为什么 PA 类产品整体留存比一般 AI 产品高。不是因为它更聪明,是因为它管的是”不能忘的事”。

三要素:智能、供给、安全

节目里蔡伟反复回到一个三分法,这也是他判断赛道的尺子。

  • 智能:模型能力加 harness,能不能把复杂任务拆对、把工具调对。
  • 供给:用户想办的事,背后有没有可接入的服务。
  • 安全可信:什么时候该问你、什么时候不该问、数据怎么管。

三样缺一样都不成立,而且它们的重要度会换挡。他的判断是短期内看智能,中长看供给和安全。理由是智能迟早会同质化,他把这比作 iPhone 4 之后的智能手机行业:模块固定住了,之后每代产品基本都是参数变化。

智能这块他给了一个我认为最该被记住的算术。一个十步的任务,哪怕每一步的成功率有 97%,十步连乘下来整体只有 74% 左右。要是每一步成功率高到 90%,十步连乘只剩 35%。单步 3% 的错误率听起来可以忽略,乘十次就是四分之一的任务失败。

这个算术解释了为什么”能调工具”和”调好工具”之间隔着一道鸿沟。打榜的时候你只关心工具调得对不对,真实场景里用户只关心事情办成没办成,而一件事往往要走十步。蔡伟的原话是行百里者半九十,前面九步都对,最后没完成,对用户来说就是没完成。

他说现在把长程任务的准确率从 70% 提到 90% 依然不够,因为结构性问题在复合,不在单点。

供给这一块,他给了一个我觉得很多做 AI 产品的人会低估的论点:O2O 那波给 PA 打了十年的地基。

逻辑是这样的。Agent 要 access 线下服务,前提是这些服务已经线上化。你没线上化,PA 没法把一个不存在的东西翻上来。而 O2O 那十年干的正是这件事:把线下的餐饮、出行、生活服务一家一家搬到线上。所以淘宝、支付宝这类平台当年的苦活,现在变成了 PA 的现成供给。

他的原话是”整个 O2O 这一波供给的线下翻到线上,其实是打了非常非常多好的基础”。反过来说,如果供给不够开放、市场足够割裂,结果就是市场上出现一堆垂直 PA,做理财的、做健康的各干各的,因为每个 PA 后面是各自独立的供给。

他还举了自己产品的例子。灵光接进钉钉之后,在钉钉场景里特别好用,本质原因不是模型变强了,是钉钉给了足够的上下文和生态。供给足够好、足够多,agent 才有东西可调。

安全可信这块,他给的最具体的例子是支付。PA 帮你买东西,什么时候该付、什么时候不该付、什么时候需要你授权、哪些东西能连哪些不能连,这套系统跟过去基于人的安全隐私合规系统不一样。他的定位很硬:这不是锦上添花,是必须做到。做不到,用户不会把 context 交给你。

供给的另一面:蚂蚁的禀赋和短板

聊到优势,蔡伟的答案很实在。智能、供给、安全三块,蚂蚁都有积累:供给来自支付时代到支付宝到生活服务的那十几年,安全来自金融业务天然的监管要求,可信计算、隐私计算都有专门团队。

短板他也认。蚂蚁擅长的是业务型产品,第一天就清楚有几方、谁拿流量、谁供供给、怎么分钱。而 Personal Agent 一开始是个相对纯粹的产品,C 的成分更重,对模型能力的体感要求高,对 C 端交互的体感要求也高,做出来之后还得会推向市场。这类事情蚂蚁做得相对少。

他还顺手给了个公司分类,挺准。Meta 是产品驱动。Google 是技术驱动,而且偏工程驱动,搜索能做那么好本质是 infra 强。亚马逊是业务驱动,重运营重效率。OpenAI 和 Anthropic 是研究驱动,核心能力是把前沿 research 落成所有人都喜欢的产品。

业务型公司能不能做出好产品?他的回答是不认基因决定论,举的例子是阿里。2004 到 2006 年没人觉得阿里是技术公司,现在业内都认,淘宝背后那套搜索推荐、双 11 的并发承接,都是硬积累。

方向比目标重要

这段是我没想到会出现在一期产品访谈里的内容。

节目里问了考核指标。蔡伟的答案是 DAU,而他自己对这个答案并不满意。

他说如果唯一的考核目标是冲 DAU,团队大概率会往跟产品主张无关的方向做功,因为完成一个目标有很多渠道,一定有些更容易,你只需要这个目标就一定会选最容易的那条路,”最容易的你运气好它可能是最正确的路,但绝大部分情况下最容易的都不是最正确的路”。

他补了一句更狠的:一个目标一旦变成指标,就不再是好目标。

替代方案是方向加过程指标。方向是产品主张和价值,讲清楚之后大家知道内核在哪,环境变了做调整也容易理解。过程指标是看用户到底创建了多少事项、有多少活跃事项、哪些真正完成了、哪些做到一半 drop 了。

他对成功的定义给了个数字:千万到亿级 DAU。这个数字得放在行业基准里看,微信、抖音是这个量级,一个生活类 AI 产品敢报这个数,说明他心里的定位就是国民级应用而不是工具。

补贴战与算力账

节目最后问了春晚会不会打 Personal Agent 补贴战。他的回答是有可能,但不一定用发红包的形式,也可能是让你免费体验某一项服务,比如去年的请喝奶茶,本质是让你真的体验一次”能用它点外卖”。

他对补贴的态度很平:这是一个商业决策、竞争决策,跟产品演进是两条独立的线。他还引了一句蚂蚁老同事的话,说在中国这样充分激烈竞争的环境,如果是 Sam Altman 来,他也要发红包。

那句”两条独立的线”是这段的关键。补贴战打得好不等于产品做得好,反过来产品做得好也可能被迫应战。他担心的是补贴战挤掉产品迭代的资源,而不是补贴这件事本身。

算力账他算得比较乐观。理由是 PA 的交互不必全部实时:你说”每天帮我总结当日股市”,不一定要在 9 点 10 分整跑,9 点 5 分也行,这样就能吃波峰波谷,把离线任务塞进波谷期。波谷期的推理不需要 H200,便宜的卡也行,代价是原来 10 秒的活变成 30 秒,对离线场景不重要。

长期看他认为算力成本会大幅下降,所以现在很贵但用户价值很高的场景,几年后结构会完全不同。

需求真伪:一块钱的助理

业内有个说法,我们高估了大家对助理的需求,现实里只有很少的人有助理。蔡伟的反驳是供需匹配问题,不是需求问题。

他的推理是:高管请助理,是因为雇一个助理的代价远小于助理带来的价值。普通人没有助理,不是因为不需要,是因为真人助理的价格有个下限在那。AI 助理现在的价值还达不到真人助理的价格线,但这个线会移动,AI 能力往上走,算力成本往下走。

他做了个思想实验:如果现在能给你配一个真人级助理,一个月一块钱,随叫随到,大部分人会立刻要一个。

这个思想实验的价值不在结论,在于它把”需求真伪”的讨论换成了”价格线在哪”。他自己给的算式是:助理每月给你创造 100 块价值,成本 50 块,定价 60 块,公司赚 10 块,用户留 40 块,这个决策没有理由不做。

对应的商业模式他也分了两条。一条是生产力逻辑,按创造的价值定价,像请钟点工,杭州两小时一百二,未来 PA 干同样的事只要二十块,你肯定雇二十块的。另一条是流量入口逻辑,PA 帮你做购物决策、推荐医院保险,它成了一个通道,收过路费。

他倾向于第一条。理由是流量逻辑依赖中心化流量聚集,而 PA 不依赖,它只需要单点价值足够高。这也回到他全篇的一个基本判断:AGI 带来的是供给侧变革,不是场景侧变革。移动互联网那波是场景侧变了,手机有了定位,以前点不了外卖现在能点了,需求被解锁。PA 这波是供给本身被重构。

我的补充

先说印证的部分。

我们 11 月在站内做过一套 Personal Agent 源码对比(三个自托管 personal agent 源码对比),当时从 rakazo、OpenMuse、OpenDots 三个仓库里抽出三条差异轴:agent 循环在谁手里、代码在哪台机器跑、什么动作必须先问你。

蔡伟把第三条抬到了战略层,叫”安全可信”,并且给了它一个具体形态:支付授权。源码层面的”审批门”,在产品层面的对应物就是”什么时候问你”。这两件事能对上,说明我们当时从代码里抽的那条轴没抽错。

再说修正的部分,这条更重要。

我们那套对比里,商业侧是按能力清单和价格组织的:几家产品多少插件、多少连接器、月费多少。这套组织方式暗含一个假设,PA 是入口之争,谁占住入口谁收过路费。

蔡伟明确反对这个假设。他说 PA 不完全是一个流量的逻辑,它是一个生产力的逻辑。按这个说法,用插件数和月费去横比,量到的是军备竞赛的表层,量不到”它替你管的事值多少钱”这个真正的定价基础。

我把这条写出来,是因为它对我们判断国内这批产品有用:如果按生产力逻辑定价,那衡量指标应该是”托管事项的完成率和续费率”,而不是 DAU 和插件数。蔡伟自己说的过程指标,恰好就是这个方向。

最后补一句我自己的观察。这期节目里最反直觉的一点,是一个做通用产品的人反复在讲克制:少打扰、少推消息、不把 DAU 当目标、承认供给比模型更重要。

做加法容易,做减法难。Personal Agent 这个品类如果要死,最可能的死法不是模型不够聪明,是它变成了一个每天早上给你发早报的 App。

赞助推荐 一键部署 AI 大模型
赞助推荐 一键部署 AI 大模型
赞(0)
未经允许不得转载:80aj » 蚂蚁灵光蔡伟:Personal Agent 的战场在服务业,不在入口
赞助推荐 低成本上手 Claude Code 的中转选择
赞助推荐 低成本上手 Claude Code 的中转选择
赞助推荐 一键部署 AI 大模型
赞助推荐 一键部署 AI 大模型