千人千面的下一站，是千问的 Personal Agent

9月8日，Meta 面向普通消费者推出 Personal Agent Muse。它可以连接邮箱、日历和支付等服务，打开网页、预订行程，并在用户退出后继续执行任务。第三方机构 Apptopia 估算，Muse 上线 12 天累计安装量达到 280 万，上线 10 天后登上美国 App Store 免费榜第一。它的走红，让 Personal Agent 第一次以大众产品的形态进入更多人的日常生活。

大模型出现以后，人类第一次获得了一种可以大规模复制的智能。它属于所有人，却也因此暂时不属于任何一个人：它可以知道很多事情，唯独不知道屏幕对面究竟是谁。

Muse 提供了一个外部坐标。千问在办事上已经积累了相当多经验。据阿里披露，在千问上办过事的用户已经超过 2.5 亿。更难的问题是，怎样记住这些不同的人，并把对一个人的理解转化为行动。

随着 Agentic 架构、Harness 和长期 Context 能力逐渐成熟，千问开始有条件把“理解人”和“办成事”联系起来：在持续交互中形成对用户的认识，再带着这份理解调用工具、推进任务，让服务随着个人状态的变化而调整。

在刚刚举办的云栖大会上，千问产品负责人嗣寿宣布了千问的演进目标：沿袭个人AI助理一贯目标，将千问加速打造成能持续理解用户、提供个性化服务的Personal Agent。

Personal 意味着 AI 要理解一个具体的人；Agent 则意味着它不能停留在理解，还要进入真实世界，替这个人推动事情发生。

前者需要 Context，后者需要行动。千问要做的，就是把它们打通。

Personal：从公共智能到专属智能

在流传的摩根士丹利分析师讨论记录中，Muse 的一个购物细节很有代表性。

一位准备出行的分析师让 Muse 为“你知道的那次旅行”买一顶帽子。Muse 在寻找商品时主动提醒：他的航班周日出发，部分配送方案可能来不及，需要考虑加急配送。

买帽子本身并不新鲜。变化在于，旅行和购物被放进了同一个判断里。知道什么帽子适合旅行，是公共知识；知道这顶帽子必须在周日之前送到，才开始涉及对这个人的理解。

个人需求的复杂性，往往就藏在这些没有重复交代的条件里。

真正的 Personal，不能停留在保存历史记录或者增加几个用户标签。一个人同时拥有许多身份，工作、健康、家庭和财务需求也会彼此影响。人的生活从来不会按照产品划定的场景独立发生。

Context 的意义，不只是帮助模型回答当前问题，而是把一个人在不同时间、身份和场景中留下的信息，重新组织成对“这个人”的理解。

郑嗣寿举了一个例子：一道错题本身并不重要，连续几次在同一个知识点上犯错才有意义；一次身体不适可能只是偶然，也可能在更长时间里成为健康变化的信号。

因此，Personal Agent 不仅需要记忆，还需要时间感。它必须知道什么已经过去、什么仍在持续，以及过去如何影响用户今天的选择。

千问可以从阿里长期服务个人用户所形成的理解出发，并结合在学习、健康等场景中逐渐形成的用户记忆，进一步认识一个人的状态与需求。

但这些积累只是起点。真正困难的，是如何把零散、阶段性的 Context 组织成连续理解，并在恰当的场景中使用它们。学习记录可以使用得更积极，但健康、家庭和心理信息更加敏感。知道一件事，并不意味着应该在未来的对话中主动提起。

真正的 Personal Agent 既要知道应该记住什么，也要知道哪些记忆不应被轻易调用。

这是从千人千面的推荐，走向千人千面的 Agent。过去，系统为不同的人分发不同内容；现在，同一种智能需要在不同的人身上形成不同的理解、判断和行动方式。

Agent：让智能从理解世界走向参与世界

理解一个人，只解决了 Personal 的问题。Agent 的另一半，是把这种理解转化为行动。

但从 Chatbot 到 Agent，并不只是从“回答问题”升级为“替用户办事”。AI 不是先变得更聪明，再学会行动；很多时候，正是因为能够搜索信息、调用工具和检查结果，它才表现得更聪明。

千问正在把这种 Agentic 能力放进不同场景。普通对话通过更轻量的 Agentic Chat 理解意图和调用工具；在健康、学习和高考等目标明确的领域，则围绕个人 Context 持续推进任务。

千问的高考志愿 Agent 就是一个例子。传统产品主要根据分数、选科和历史数据推荐学校，但真实选择还涉及学生性格、城市偏好、家庭资源和职业规划。千问还会按照填报周期组织任务，根据用户的新状态调整下一步行动。

Agent 要真正完成任务，最终还必须走出对话框。旅行、搬家等需求涉及大量外部服务，这些能力不可能全部由千问自己提供，专业服务仍然由专业机构完成。

千问要构建的，是一个善于使用各种能力的 AI：理解用户意图，判断应该调用什么，再把不同能力组织成完整的服务过程。智能体、Skill、专业数据和第三方服务接入千问，也在为 Agent 建立一张进入真实世界的行动网络。

在移动互联网中，人需要判断应该打开哪个 App，再学习它的流程。Agent 希望把这种关系反过来：用户只需要表达目的，由 AI 理解任务、选择能力并推进执行。

不过，行动越主动，犯错的代价也越高。Agent 需要知道什么时候可以继续推进，什么时候应该征求确认，又在什么时候必须停止。

千问目前只在意图相对明确的场景中提供主动服务。例如，当用户持续关注一只股票时，千问可以询问是否建立监控；在高考志愿填报这样的明确时间窗口里，则可以按照日程提醒下一步任务。主动不是替用户做主，而是在足够理解用户之后，把事情多向前推进一步。

这也是千问做 Personal Agent 的特殊起点：一端是围绕用户长期形成的 Context，另一端是由商品、商家、平台和第三方组成的现实服务网络。千问要在两者之间，把对人的理解转化为可以完成的行动。

因此，Personal Agent 不是千问在 AI 助手上增加更多功能，而是重新组织这些能力：模型负责理解，Context 让这种理解属于一个具体的人，Agent 再把理解变成行动。

当不同场景中的记忆围绕同一个人持续生长，当一次回答自然延伸为下一步行动，“我的千问”才会真正不同于“你的千问”。

这就是千问从 Chatbot 走向 Agent 的路径，也是它让智能平等服务每一个人的具体方式。