Personal Agent 的出现，为 AI 应用开辟了新的赛道。其核心理念在于：Agent 不仅依赖模型的推理与规划能力，更取决于记忆的准确性与工具生态的丰富度，这直接决定了对用户需求的满足率。
千问事业部 AI 算法负责人蒋冠军指出，千问正在邀测的 Personal Agent「千问 Go！」技术框架，基于覆盖 30 多个行业的需求透视图，拆解出 8000 多个原子能力需求，通过后训练和强化学习提升任务执行的稳定性。Agent 的能力构建正围绕“人”展开，旨在处理更复杂、不确定的用户任务。
Personal Agent 的核心架构：模型、生态与记忆
构建 Personal Agent 的技术框架包含三个核心要素：
- 模型：负责理解、推理和规划；
- 生态：提供专业知识、工具和服务；
- 记忆：帮助 Agent 长期了解用户，实现主动服务与目标跟踪。
三者缺一不可。基于模型能力，围绕具体的“每个人”组织记忆、构建生态、调用服务并跟进目标，是 Personal Agent 为 AI 应用打开的新空间。
为何此时切入 Personal Agent 赛道？
千问认为 AI 产品终将走向个性化的 Personal Agent，其“能聊天、会办事”的定位本身就蕴含了这一方向。行业在此时集中进入，主要得益于两大条件的成熟：
- 模型能力提升：具备思考能力，能检查结果合理性，遇到问题可重新规划；代码能力的提升使其能串联多步骤完成复杂任务。
- 生态逐步完善：模型连接的对象从搜索引擎扩展至更多工具和现实服务。只有将这些能力与个人记忆、Context 结合，Personal Agent 才能真正落地。
模型与 Harness 的协同关系
在 Personal Agent 中，模型与 Harness（调控系统）密不可分。模型负责推理规划，Harness 则组织个人记忆、任务信息、Skill 和工具，构成执行环境。
千问强调两者的协同训练：能用工具和专家经验解决的问题，尽量不让模型自行推理，以降低成本并提高完成率；在无合适工具时，模型需具备强大的推理能力寻找其他路径。通过训推一体化，对齐训练与线上执行环境，弥补规划与工具调用方式的差距。
相比 Coding Agent，Personal Agent 的技术难点
Coding Agent 拥有相对完整的代码库上下文和集中的工具链，易于形成完整执行链路。而 Personal Agent 面临的生活和学习场景更为分散，用户往往存在未明说的默认要求，导致交付难度加大。
此外，生态接入边界也是通用 Personal Agent 必须面对的问题。除了 API 和 MCP 直接访问，还需考虑用户授权及服务方允许程度，这些无法仅靠模型变强自动解决。
如何保障任务完成的稳定性？
让用户长期使用依赖于稳定的能力下限。千问通过以下方案提升稳定性：
- 场景化后训练：理解需求分布，将需求拆分为可训练的原子能力。目前围绕 30 多个行业定义了 8000 多项原子能力要求，通过聚类归约提升覆盖度。
- 长任务交付机制：确保目标不丢、步骤可靠、失败后能换路。例如在航班延误理赔案例中，Agent 拒绝客服提出的优惠券方案，坚持围绕用户“现金赔偿”的目标多次沟通，最终获赔 70 元现金。
同时，涉及订单、交易或个人数据修改等操作，系统通过 Skill 说明接口行为，并由框架施加强约束，形成双保险，确保 Agent 仅在助理身份下办事，不越权行使用户权利。
记忆体系的设计与召回机制
记忆存储：从“记什么”反推“怎么用”
记忆设计的核心在于判断价值，避免过度记忆或记忆不足。千问采用“需求驱动的记忆体系”，既存储事实和关系，也通过用户需求反推有价值的记忆。例如，将用户关于退休养老和孩子就业的信息关联，识别出潜在的家庭焦虑，从而更准确地理解用户后续的情绪表达。
存储形式上，纯文本依然有效，重点在于内容选择、粒度分层和时效性管理。
记忆召回：基于事件关联与因果关系
记忆召回并非越多越好，关键在于判断信息与当前任务的相关性。千问从事件关联和因果关系出发设计记忆体系，避免在不相关对话中频繁提起旧事造成打扰。同时，记忆必须具备更新和失效机制，以适应用户情况的变化。
主动服务的边界探索
目前主动服务仍处于初级探索阶段，千问通过产品设计限制范围，优先选择需求和时间节点明确的场景（如健康康复提醒）。
在把握边界时，遵循以下原则：
- 尊重用户意愿：对于用户不愿多谈的话题，即使相关也不应反复提醒。
- 明确长期目标：对于范围过广的目标（如“升职”），暂不进行不可靠的判断干预；对于明确目标（如“马拉松成绩”），则可建立训练、休息等关联。
- 适度建议：现阶段侧重于在明确任务环节中提供合适建议和必要信息，逐步向复杂的主动服务过渡。
未来展望：从执行任务到创造价值
蒋冠军期待 Personal Agent 不仅能执行已有任务，更能创造新的解决方案，帮助用户完成原本需投入大量时间成本的事，这才是其真正的增量价值。
相较于输入输出明确的 Coding 和工作类 Agent，生活场景（如买房、买车、子女教育）虽然边界模糊，但消耗精力巨大，是千问重点探索的方向。通过结合个人情况、专业知识和外部服务，Agent 有望在这些领域提供更好方案。未来的 Personal Agent 将致力于帮用户挣钱或省钱，从完成明确任务的代理，进化为创造新价值的助理。
© THE END
