千问“死磕”Personal Agent：为什么下限比上限更重要？

Personal Agent 已经渡过早期产品验证，进入了新一轮产品竞争阶段：Meta Muse、OpenAI Dots 等纷纷把产品从“炫技”推向了“长期稳定地替用户做事”。 不过，身处一线研发的阿里千问事业部 AI 算法负责人蒋冠军对现状的真实评价是：今天的 AI 依旧不好用。 “虽然对话里已经可以点奶茶、购物，但从能调用工具完成任务，到真正理解用户、稳定完成任务，对产品可靠性的要求完全不同，AI 仍然存在很大的差距。”他解释道。 在蒋冠军看来，Personal Agent 真正更广阔的市场最终可能在生活场景。这是因为生活里充满了大量用户自己知道、却没有明确表达的偏好。真正的 Personal Agent 需要在长期使用中逐渐知道这些答案，同时判断这些答案什么时候发生了变化、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。蒋冠军认为，千问最核心的差异来自对用户需求的理解。“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，生态能力会有强弱差别。因此，最核心的差异还是来自我们怎样理解用户需求，以及选择哪些重点方向。” 当前，Personal Agent 的执行稳定、个人 Context 等技术问题是千问同样需要解决的，此外还有背后的生态开放、权限边界和商业模式等尚未定型的公众担忧。 千问的特殊之处在于背靠阿里庞大的电商、支付和生活服务生态。当这类庞大业务生态上长出的 Personal Agent，替用户选品、预订服务甚至完成交易时，交付如何更加可靠？应该优先调用谁的服务？万一用户需求与平台商业利益发生冲突，又该如何保证决策真正符合用户利益？显然，这不只是千问会面临的问题。 Personal Agent，为什么下限比上限更重要？ 过去一年，Agent 产品不断刷新能力上限的 Demo 吸引了公众关注，尤其是自主完成数十步任务、在后台持续运行数十个小时等能力。但展示能力上限和提高实际任务完成率是两件不同的事情。 以 Muse 为例，在蒋冠军看来，它的爆火有一定的炒作成分，Muse 真正解决的问题是：今天的互联网生态并不是围绕模型建立的，当 AI 没有结构化接口可以调用时，就让它像人一样通过 GUI 使用现有互联网服务。 这可以迅速提高能力上限，但不一定自动提高能力下限。比如“订机票”，通常会默认大部分正常的任务都能完成，但很少有人会把它理解成“在部分网站、部分条件下有较高概率成功”。如果十次任务中有三四次无法完成，那么再惊艳的 Demo 也很难形成高频使用。 蒋冠军用“理论能力上限”与“实际交付能力”之间的差距来解释这一现象。他分享了一组数据：在不考虑人机交互成本和计算代价的前提下，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%，而系统实际交付能力目前只有 60%～70%。 在他看来，现有系统并非完全缺乏解决问题的能力，而是经常无法在第一次执行任务时找到正确的解决路径。即使模型具备完成任务所需的知识和推理能力，实际交付仍可能因为工具选择、信息获取或执行路径不当而失败。 这种错配具体体现在任务执行的不同环节。比如，一个财经问题可以依赖模型自己的知识，也可以调用实时行情和专业数据库；旅游任务可以让模型浏览大量网页，也可以直接调用票务服务；个人信息不足时，可以让模型推测，也可以从长期记忆中补充。路径不同，任务成功率、执行速度和计算成本可能完全不同。 围绕这一问题，千问开始从真实用户需求出发，反向拆解 Agent 完成任务所需的能力。千问建立了一张覆盖 30 多个头部行业的需求透视图，将大量真实需求归纳为不同意图，进一步拆解成 8000 多项原子模型能力要求。 例如，回答“这家公司现在值得投资吗”，可能需要综合财报、公告、实时行情、行业数据和市场信息。千问会继续判断每个环节究竟缺数据、缺工具还是缺模型能力，再针对性地补齐短板，以此“把整个水位往上抬”。 这套方法不只是把用户问题拆得更细，还包括如何构造训练样本、判断什么样的回答才算好，以及让模型在训练中逐步学会完成任务。千问会根据真实需求构造 Query 和优质 Response，再进一步形成评价标准，明确回答需要覆盖哪些关键要点、使用什么知识和信息、信息是否足够权威。评价标准可以由模型迭代生成，也会引入行业专家参与判断和修正，最终用于模型训练和强化学习。 在路径选择上，千问的做法更像是一种“分工”：能够通过确定性工具或专业 Skill 解决的问题，尽量不要完全依赖模型即兴推理；个人 Context 能够提供的信息，不要让模型凭空猜；模型重点承担理解、规划、推理以及失败后的重新规划。此外，模型优化和后训练需要考虑实际线上环境中的工具、Skill和Harness体系，并根据真实需求分布进行强化学习，实现“训推一体化”。 “Personal Agent 的模型与 Harness 并不是两套彼此独立的体系”，蒋冠军强调，外界所说的“模型能力接近”，通常基于公开评测或通用任务，但真正进入应用后，模型、记忆、工具、Skill 和生态需要紧密配合。如果把底层的千问模型替换成其他模型而保持 Harness 不变，Agent 的整体能力会大幅变化。 在实际执行中，Harness 本质上是在给模型提供大量 Context，工具、Skill、记忆和其他上下文都会成为模型决策的一部分。系统需要让模型知道有哪些工具可用、各自适合解决什么问题，同时围绕当前任务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都塞进上下文。 据千问团队透露，在部分场景中，Harness 层优化可以减少约 40% 的 Token 消耗；在金融等专业场景，通过封装专业能力，可以将回复效果提升接近 20%。 “这种模型与 Harness 深度耦合的方式，是提升 Personal Agent 稳定性和任务完成率的关键。”蒋冠军说道。 从用户需求反推应该记住什么 Personal Agent 的个性化则更多需要在记忆系统上下功夫，目前各家的记忆设计已经出现了明显的路线差异。 Town 走极简路线，只维护约 5～20 页 Wiki 摘要，记录用户画像、目标、项目和常联系人，并允许用户逐行修改；Instinct 更强调可控性，记忆统一通过后台批处理写入，采用 Git 管理，支持 Diff 和回滚，并以关键词和别名检索为主；Muse 强调记忆溯源，每小时将新记忆与原始对话核对，每晚还会通过“Dream”整理对用户的观察；Grok Bot 则按照法务、财务等不同角色划分记忆，但记忆会在会话中静默写入，缺少额外的后台整理。 这些差异说明，Personal Agent 的记忆不只是“记住多少”，还涉及记忆是否可编辑、是否可追溯、如何更新，以及不同 Agent 之间如何共享和隔离信息。 千问在记忆设计上的核心思路，则是从用户需求反推应该记住什么。蒋冠军认为，真正的难题并非单条记忆能不能准确召回，而是到底什么信息值得成为记忆，以及应该按照什么粒度记录。 例如用户说“工资 8000 元”，系统的记忆可以是原样记住这个事实，也可以抽象成“有稳定收入”，甚至进一步形成某种经济状态判断。三种粒度都可能合理，但真正的问