千问“死磕”Personal Agent：为什么下限比上限更重要？

本文由「千问“死磕”Personal Agent：为什么下限比上限更重要？」的公开内容整理，完整内容与后续更新请点击文末链接阅读原文。

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，但真正的问题是未来完成什么任务时需要这些信息。

传统互联网做用户画像，往往先设计年龄、性别、职业、收入、兴趣等字段，再把信息往里面填。

千问则反过来：先看真实用户未来有什么需求，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。

这背后是千问所谓的“事件关系”。

例如，一位已经退休的母亲曾经谈过自己的养老金不高，后来又问“三十多岁的孩子一直没有工作、想写网文怎么办”。

这是两个不同的问题，但两者联系在一起，可能共同意味着这个家庭正处在一定经济压力之下。

如果只回答“成年人应该如何找工作”，内容未必错误，却没有真正理解用户正在面对什么。

千问希望记住的不只是“发生过哪些事实”，还包括这些事件之间的关联。

通过分析现实世界知识中的事件关系，系统可以反向定义记忆 Schema，判断什么信息应该被记录、以什么粒度记录，以及在什么场景下使用。

这会让记忆从传统用户画像变成某种持续更新的“个人状态模型”。

系统不仅要知道用户经历过什么，还需要判断这些信息今天是否仍然有效、是否会影响用户当前的决策。

目前，千问在 PC 端提供了显性记忆的编辑入口，用户可以直接修改这部分记忆；

而对于一些隐性记忆，以及与具体功能或服务相关的临时性记忆，用户则可能无法直接编辑。

这也意味着，用户对不同类型记忆的控制程度并不一致。

尤其当 Agent 开始根据多个事件推断用户没有明确表达的个人状态时，这些判断未必准确。

如何区分事实与推测，并让用户发现、纠正错误的隐性记忆，将直接影响个性化服务的可靠性和用户信任。

千问的用户画像和记忆会随新的个性化信息持续更新，但不同信息没有统一的失效周期。

比如，用户当天要参加一场活动，这条信息可能只在当天有用；

而收入、职业和家庭状态则可能影响更长时间的决策。

千问认为，不能给所有记忆设一个统一删除周期，而要根据它本身代表的事件和实际有效期来处理。

“技术实现上当然可以区分长短期记忆，或者明确记忆、模糊记忆，但我觉得真正重要的是怎样构建一套能够持续更新的记忆体系，以及怎样识别其中变化非常快的信息。

我们会在 Schema 中判断哪些内容时效性特别强、变化特别快，哪些信息一旦发生变化以后会显著影响用户个性化画像或者后续行为，再按照不同层级进行更新和使用。

”这也可能成为 Personal Agent 比模型更难迁移的壁垒。

用户长期使用一个 Agent 后，它已经理解其工作背景、家庭状态、长期目标、消费偏好以及这些事情之间的关系，那么换 Agent 的成本还包