你给 AI 安排一项工作，通常要做多少准备？先想好该用哪个工具，再交代背景、指定角色、补充资料，任务稍微复杂一点，还得盯着它在不同窗口之间转交结果。Grok Bot 的做法是直接把这些工作摆成一支队伍：研究员负责找资料，作者负责写稿，助理负责安排日程。它们有名字、有分工，能在各自的对话中积累上下文，也能互相发消息，把工作交给下一位 Bot。
这套设计看起来像给 Agent 穿上了同事的外衣，但它要解决的麻烦很实际：当工具越来越能干，用户花在分派、解释和协调上的时间，也可能跟着增加。如果一个人为了让 AI 干活，得先做半个项目经理，能力的进步未必能换来更轻松的使用体验。
Grok Bot 在 2026 年 8 月推出。公司在 10 月 20 日的财报电话会上称，10 月上旬它已有 80 万付费周用户，较此前一个月翻了一倍以上。这个数字说明它在当时吸引了相当规模的付费使用者；它本身并不能证明用户长期留存，也不能说明增长全部来自某个功能。更值得追问的是，模型、记忆、云端电脑和多 Agent 协作都不是孤立的新概念，它为什么能把这些拼在一起，让人愿意把工作交过去？
先让用户知道该把工作交给谁
一个通用聊天框可以完成很多事情，问题是，能力越宽，用户越得先把任务说明白。这次希望它像研究员一样查证资料，下次希望它像编辑一样删改稿件；同一个入口能接住两种任务，但每次切换都要重新说明关注点、评价标准和交付形式。
Grok Bot 把这种转换做成了角色。你可以给 Bot 一个稳定的名字和职责，在需要研究时找研究员，在需要写作时找作者。界面上出现的不是一排抽象能力，而是一组可以反复合作的对象。分工因此变得具体：谁负责搜集，谁负责表达，谁负责安排，不必在每次开工时都从零搭一套临时人设。
官方指南中的 Bot 列表：不同 Bot 有各自的名字和岗位标签。图：xAI 官方演示。
“把 Agent 当同事”这句话的关键，也不在头像或称呼。它改变的是分派工作的入口。人们熟悉怎样把一份任务交给负责这一类事的同事；当 Bot 以岗位而不是功能菜单出现，用户更容易把自己的工作拆给对应的人选。这个设计并不会替用户决定所有事情，但它减少了“先研究工具该怎么用”的前置动作。
角色一旦稳定，下一件事便是记忆该落在哪里。
分工之后，记忆也有了归处
研究员和作者即使参与同一个项目，需要记住的东西也不同。研究员要知道你长期关注哪些领域、倾向采信什么资料、怎样判断一份材料值得继续追。作者更需要记住你喜欢的结构、文字节奏，以及反复修改时指出过的问题。把所有要求堆进一个不断增长的通用对话里，时间久了，背景和任务容易混在一起。
Grok Bot 让一个 Bot 长期负责一类工作，并保留与它相关的角色背景、稳定偏好和过往上下文。下一次遇到相似任务，用户仍然去找那个研究员或作者。上一轮合作形成的要求，有机会在下一轮继续起作用。它不是把每次会话都当成一次性的问答，而是让工作关系延续下来。
这也解释了为什么“多个 Bot”不只是多开几个聊天窗口。不同岗位各自积累经验，才使分工有了持续价值。项目会结束，但研究、写作、排期这类工作会再次出现；长期留在相应角色里的背景，能减少下一次重新解释的成本。至于记忆是否准确、何时需要重新核对资料，仍取决于具体任务。尤其是会影响判断的当前信息，不能只凭旧记忆作答。
可 Bot 越建越多，新的麻烦随之出现：研究员交出材料后，谁通知作者？作者写完以后，谁跟进修改？如果每一步都由用户自己转发、催促、汇总，这支队伍只是把管理工作换了个地方。
让 Bot 之间接得上工作
Grok Bot 为这个问题提供了两种直观的协作方式。一种是在对话里直接提及另一位 Bot，让它加入当前任务；另一种是把几位 Bot 拉进群聊，让它们在同一条工作线上交流。Bot 可以互相传递信息，也可以把某一步工作交给更适合的角色。
原先用户要扮演中转站：先让研究员查资料，再把结果复制给作者，等作者提出疑问，又回头找研究员补证据。现在，至少在产品设计上，这些交接可以发生在 Bot 之间。用户仍然要提出目标、提供必要权限，并对重要结果作判断，但不必亲自搬运每一段中间信息。
把某个 Bot 设为主要联系人，则把协作再往前推了一步。用户先找它说明需求，再由它协调其他 Bot。这样的组织方式并不神秘，和团队里由一个负责人接任务、拆任务、收结果很相似。它的价值不在于模仿公司架构，而在于让用户面对更多 Agent 时，注意力负担不必按人数同步增加。
当然，能互相发消息，不等于每次协作都能自动完成。任务分解是否合理、交接时有没有丢失条件、最终结果是否符合要求，仍要看系统在具体工作中的表现。群聊如果只是热闹，却没有把材料变成下一步可用的结果，就无法真正接走用户的协调工作。
协作还有一个更基础的前提：这些 Bot 得有地方完成任务、保存文件、打开网页。仅在对话里互相商量，离交付一份实际成果还差一截。
一台与用户设备分开的工作电脑
Grok Bot 把浏览器、文件系统和终端放在持续运行的云端电脑上。用户在自己的设备上继续工作，Bot 在云端处理网页和文件；笔记本合上后，云端任务也可以继续。这解决了一个很日常的冲突：人和 Agent 都要用同一台电脑时，网页、软件、网络连接和操作时机很容易互相打断。
Grok Bot 的云电脑界面：Bot 在云端桌面中操作浏览器。图：xAI 官方演示。
这里的关系值得说清楚：对同一位用户而言，多个 Bot 共用一台云电脑，文件、浏览器会话和登录状态也在这台电脑上共享；每个 Bot 则保留自己的角色与对话上下文。共用环境使交接更省事，研究员留下的文件不必反复搬运，接手的 Bot 可以在同一工作空间继续处理。它也意味着放在这台电脑上的资料，需要按“队伍可见”来理解。
有些工作还离不开人的介入。登录网站、处理验证或作出敏感操作的决定，不能指望 Agent 永远绕开。Grok Bot 提供人工接管的方式，让用户在需要时完成这些步骤，再把工作交回去。对于某些会拒绝云端数据中心 IP 的网站，产品也提供经用户本地网络转发流量的能力；这是一项有条件使用的连接方式，并不意味着所有网站都能无障碍访问。
云电脑的意义因此不只是“给 AI 配一台机器”。现实中的工作仍散落在网页、文件和各种面向人设计的软件里。Agent 要接手这些任务，需要一个能持续运行、能操作工具、也能在关键节点请人介入的环境。它与前面的分工和协作接在一起，才让“交给一个同事去做”从聊天比喻变成较完整的工作路径。
省掉模型选择，也交出了控制权
Grok Bot 还有一个容易让用户意见分开的设计：任务由系统选择底层模型，界面没有让用户指定模型的选项，也不展示每次请求具体用了哪一个模型。习惯比较模型能力、速度和价格的人，会失去一部分直接控制权。尤其在重要任务上，他们可能原本就想亲自决定用哪种模型。
另一类用户关心的顺序不同。他们只想交出一份日报、做一页网页，或让助手把几项工作衔接起来。若每次开始前都得先研究模型路由、推理深度和额度，任务还没交出去，人已经承担了一轮配置工作。系统替他们作选择，确实能降低入口处的复杂度。
但选择权交出去，责任并没有消失。模型路由若能让不同任务获得合适的能力与成本，用户会觉得省心；若结果不稳、重要任务质量下降，用户很难靠自己换一个模型补救。产品接走多少配置工作，就得承担多少交付质量的压力。黑盒之所以能成为便利，也正因为用户相信盒子里的安排足够可靠。
回头看整套设计，Grok Bot 的吸引力并非依赖一项从未出现过的单独能力。角色让任务有了明确入口，独立记忆让同类工作可以接续，Bot 之间的交接减少用户搬运信息，云电脑让工作有地方持续发生，模型路由则进一步省去一项选择。它们组合起来，指向的是同一个问题：怎样把原本散落在用户手里的准备和协调工作，交还给产品。
Personal Agent 的想象正在从“一个助手能回答多少问题”，走向“多个助手能否长期接住一类工作”。技术上能运行，与普通人愿意天天使用，中间隔着角色、记忆、环境和交付这些具体环节。用户未必需要每一步都看到一项新发明；更迫切的，是让已经存在的能力被安排得顺手。毕竟，想让 AI 替自己干活，结果先给自己添一份管理 AI 的工作，怎么都算不上省心。