Muse和dot的发布，说明八个月前我对云端 Agent 的预言实现了吗？

云端是支撑稳定服务的最佳基础设施

先从现在最容易得到共识的地方讲起。

如果一个 Agent 只负责跟用户聊几句话，本地还是云端并没有那么重要。但只要希望它长期存在，能够在用户离开以后继续执行任务，还需要使用邮箱、日历、浏览器、文件和各种网络服务，云端环境的优势很快就会显现出来。OpenClaw 走红背后的冷思考：每个人都该拥有一台"私人助理服务器"

服务器提供持续在线的运行环境，它以标准的方式长期保留状态和日志，也方便做权限隔离与远程访问。对于愿意自己折腾的人还有一层额外价值：项目、代码和数据都掌握在自己手里，Agent 和模型随时可以更换。比如Codex + gpt-6-astra 完成框架搭建工作之后把细节打磨交给 Pi + deepseek-flash，遇到问题时又可以让 ChatGPT 从外部查看状态。Web 服务完成以后，可直接部署在同一个环境里。

后来我发现，我需要的其实一直不只是在云服务器上安装一个 OpenClaw。

整台服务器逐渐变成了一个属于自己的 AI 工作环境。项目、Git、文件、日志和各种服务持续存在，Agent 只是其中可以替换的一层。

这也是我当时为什么喜欢把服务器叫作“宠物”。它属于自己，可以持续建设，也不会随着某个 Agent 产品的一次改版而完全改变。再谈 OpenClaw 与私人助理服务器：从"宠物"到"牛群"的代码成人礼

所以 Meta 给 Muse 准备了持久化的 Secure VM，OpenAI 给 dot 配备属于自己的 cloud computer，其实也是在往类似的方向推进。Muse 还把浏览器、应用连接、审批和操作记录放进了这套云端环境；dot 同样可以长期运行、使用应用，并让用户查看自己的云电脑。

「云端这一点，大家都对了。」

不过，如果我因此开始吹嘘自己在 2 月就预言了云端 Agent，那就有点不要脸了。Manus 很早就一意孤行在这个领域证明了自己。

Manus 证明了云端 Agent 的可行性

Manus 更早把这种产品形态完整地展示给了大众：用户提交一个任务，它进入云端计算机自行搜索、浏览、编写代码和处理文件，用户可以先去处理别的事情，稍后回来查看结果。

而且 Manus 很难被归到“叫好不叫座”里面。2025 年 12 月，Manus 官方披露 ARR 已经超过 1 亿美元，包含使用量收入等项目后的总收入年化运行率超过 1.25 亿美元。无论怎样看待公司自己公布的数据，这都足以说明有相当一批用户愿意持续付费，把复杂任务交给云端 Agent。

所以，云端 Agent 能不能成为有价值的产品，这个问题其实早就得到了相当有力的回答（只是确实很长一段时间大家都宁愿延续OpenClaw的 “Local First”）。

但 Manus 同时给出了另一条更有意思的证据。

上线三个月以后，Manus 在自己的复盘里承认，他们发现许多用户并不知道应该分配什么复杂任务给 Manus。他们甚至把这种现象称为“无限可能带来的摩擦”：工具什么都能处理，用户面对空白输入框时，反倒不知道应该从哪里开始。后来逐渐形成稳定使用的场景，则明显集中到了研究、网站、Slides、内容制作和数据可视化等具体工作。

到了 9 月 28 日发布的 Manus 2.0，这种变化更加明显。Manus 仍然强调通用能力，但也同时推出了 Cloud Computer、事件触发的 Automations 和 Manus Studio。Studio 进一步深入文档、表格、幻灯片、网站、代码、视频和游戏等专业工作。新的 Cascade Harness 甚至专门优化 Token、执行时间和运行成本，只在任务需要时引入相应的专业能力。

这说明：模型和 Agent 的能力持续扩展，成熟产品的形态却开始向具体工作收敛。

Manus 仍然是 General Agent，而且已经证明 General Agent 可以创造很大的商业价值。但它最容易兑现价值的场景，大多有一个共同特征：用户能够给出一个相对明确的任务。

“研究一下这个市场”“做一份 Slides”“把这个网站搭出来”“每天收到新邮件以后按照规则处理”，执行过程可以相当复杂，最后总有一个可以检查的产出物或者结束条件。

“长期理解我的生活，然后替我处理工作和生活里的各种事情”则是另一类问题。

Manus 2.0 又推出了 Cue，开始进一步试探长期 Personal Agent。这个变化很有意思：任务型云端 Agent 已经积累了收入和大量使用作为证据，长期个人 Agent 仍然需要一次新的验证。

所以 Manus 让我更相信云端 Agent，同时也让我开始认真区分两个以前很容易混在一起的概念：

General Agent 已经成立，但无法推断出 General Personal Assistant 也成立。

通用个人助手缺失的 Bingo 时刻

我八个月前写 OpenClaw 的文章时，有一个贯穿始终的观点：复杂性是守恒的。

自然语言把软件入口变简单了，业务本身的规则却不会因此减少。普通用户未必需要一个通用 Agent

报销流程之所以复杂，是因为企业原本就有权限和财务规则；项目审批之所以繁琐，是因为不同角色承担不同责任；一个有经验的销售知道什么时候应该回复邮件，来自于他对客户关系、业务阶段的长期参与。这些复杂性以前存在于代码、制度和人的经验里面，换成 Agent 之后，仍然需要有地方承载。

对于通用个人助理，这个问题明显麻烦得多，因为普通生活往往连稳定的流程都没有。

ChatGPT 很容易让第一次使用的人兴奋。把一封写得很别扭的邮件交给它，几秒钟以后就能看到结果。图像生成也类似，一句话描述完需求，很快就知道自己喜不喜欢。Coding Agent 的反馈稍微慢一些，但问题是否解决通常有比较直接的检查方法。

个人助理的承诺要大得多。

“我会逐渐了解你，记住你的偏好，使用你的各种应用，主动帮你管理生活和工作。”

听起来当然很好。可用户打开产品以后，很可能先遇到一个尴尬的问题：所以，我现在应该让你处理什么？

这里缺少稳定的 “Bingo 时刻”。产品可以制造非常精彩的 Demo，用户也很容易想象未来的可能性，但他未必能在每天的生活里稳定找到一个高频、明确、值得长期委托的需求。Manus 当年发现“很多用户不知道应该给它什么复杂任务”，已经触碰到了这个问题的实质。

等到用户终于想到一件足够重要的事情，新的疑问马上出现：我愿不愿意把它完整地托付出去？

助手正确整理一百封邮件，用户可能只是觉得省了一些时间。一次错误发送的重要邮件，却可能迅速消耗此前建立的信任。会议安排也是一样，普通日程处理准确很多次，并不能保证系统理解某一次客户邀约和孩子学校活动发生冲突时，用户当下愿意怎样取舍。

于是，个人助理面对一个很别扭的产品结构：低风险任务通常价值有限，高价值任务又要求很高的信任。用户还需要持续补充偏好、关系和边界，相当于承担了一部分产品配置工作。

Context 不是完备的需求规格

也正因为如此，我并不觉得 Muse 做得简单。

Meta 这次其实补齐了很多早期 Agent 缺少的条件。

Muse 有自己的持久化 Secure VM 和浏览器，可以连接用户授权的应用，可以长期追踪目标，在敏感动作之前请求确认，并保留操作记录。现成工具不足时，Meta 还允许它构建需要的工具。与此同时，Connectors 持续增加，AI 眼镜又准备把现实世界的信息纳入 Agent 的上下文。

从产品设计看，这已经远远超过了在电脑里再增加一个聊天窗口。

软件连接能够补充数字世界的信息，硬件入口又继续增加现实环境的信息。用户在哪里、日程怎样安排、刚刚和谁沟通过、过去做过什么决定，Agent 理论上都可以获得更多资料。

可这里仍然有一个没有解决的问题。

更多 Context 能提高判断准确率，却很难把本身非结构化的人的生活整理成一份完整的需求规格。

用户半年前表达过的偏好今天可能已经发生变化；工作和家庭场景里也可能存在不同的取舍方式；一句随口说出的话，与一次认真作出的决定，很难仅凭文本获得准确权重。还有一些规则，用户自己事前根本不会意识到，往往需要等 Agent 出现错误以后才会发现：“这种情况下，我原来并不希望系统这样处理。”

这已经超出了“把记忆再做准确一点”的范围。

即使 Agent 能够读取我的邮件、日历和聊天记录，再通过眼镜补充现实世界的信息，它仍然需要在很多具体时刻推断“这一次用户希望怎样处理”。

模型当然能够提高这种推断的成功率。但个人助理对外提供的是一种长期委托关系，用户最终关心的是能不能放心授权。模型平均命中率很高，并不能自动转换成同等强度的信任。

两者其实本质不是同一个问题，也就很难通过模型变得更聪明来解决大量上下文中孰轻孰重的问题。（关于这一点，可部分参考文章：《我当前关于人类、智能、自我与 AI 的哲学判断》）

dot 的最大亮点在于开始固化工作流

相比之下，我觉得 OpenAI 的 dot 稳健很多。

它同样有很大的通用助手设想：always-on，拥有自己的 cloud computer，使用用户授权的应用，保持长期 Context，并在会话结束以后继续工作。

OpenAI 还有一个很现实的优势，它不需要从零培养用户。大量用户本来就在 ChatGPT 里聊天和处理问题，dot 可以逐渐接手其中一部分长期任务。

但我更感兴趣的是另外一层变化。

dot 允许用户通过 Custom Rules 明确哪些动作可以自主执行，哪些需要事先授权；企业管理员可以限制云电脑、本地计算机和应用能力。OpenAI 面向企业的落地资料，则进一步强调把工作固化成可重复 Workflow，并明确指定 Workflow Owner 对业务结果、人工审核和长期维护负责。

这跟我过去一段时间反复强调的 Workflow 的重要性极其接近。AI Workflow Owner：企业正在如何把 AI 变成组织能力

开放式 Agent 最吸引人的地方是“什么都可以处理”。进入长期使用以后，产品又会逐步把行为约束回来。系统需要明确自己负责哪些事情，在什么条件下启动，能够操作哪些资源，哪些动作需要审批，异常情况又该怎样交回给人。

自由度降低了一部分，用户需要理解的东西也随之减少。

更重要的是，用户开始容易判断这个 Agent 到底有没有价值。

所以我很认可 dot 往工作流方向收束。Manus 2.0 的 Automations 其实也在经历类似变化。确定性较高的部分可以固化下来，把模型判断留给真正需要推理的环节，这种结构更容易形成能够长期运行的系统。

但它仍然有一道边界。

只要 dot 继续承担“长期了解我”的通用个人助理角色，就仍然需要依赖大量会话状态、记忆和上下文来推断用户意图。规则能够约束已经识别出来的问题，Workflow 能够固化已经找到的工作，用户尚未意识到的偏好冲突和例外情况，依旧只能在真实运行中暴露。

所以我愿意相信 dot 会产生大量有价值的具体工作流，却还不愿意继续外推成“每个人都需要一个什么都能管的长期助手”。

专业用户原本就有更好的选择

对于有明确需求且愿意提供更多结构化数据的专业人士，我几乎不怀疑 Agent 会产生越来越高的价值。

工程师、研究人员、销售、运营和管理者原本就生活在大量有目标的工作里，也已经拥有专业软件、数据和一套判断结果好坏的方法。什么任务值得交给 Agent，比普通日常生活容易判断得多。

问题在于，这些人最终需要的产品形态未必是一只封装得非常完整的通用个人助理。

我这八个月最有价值的体验，恰恰来自平台没有替我隐藏太多东西。

我知道服务器里有什么，知道文件放在哪里，也知道现在使用哪个模型。一个项目属于哪个 Git 仓库、失败以后怎样恢复、Web 服务如何发布，这些状态都可以检查。某个 Agent 不合适时，替换它也不会把整个工作环境一起丢掉。ChatGPT 需要了解服务器状态，我就自己增加一层 MCP。

这当然要求用户具备一定技术能力，所以不适合作为大众产品的默认方案。

但对于专业用户，“隐藏复杂性”同样有成本。平台替用户省掉了服务器、权限、文件系统和运行环境的学习过程，也会同时降低一部分可塑性、透明度和迁移能力。

八个月前我说“每个超级个体都应该拥有一台云服务器”，现在看来这句话仍然有一点中二，但我依然喜欢这个判断。

服务器是自己的工作环境，Agent 是其中可以替换的一层。

Muse 和 dot 把云服务器放在 Agent 后面，让普通用户无需理解基础设施就能获得很强的能力，这是合理的产品设计。对于需求复杂、希望长期建设自己工作环境的人，这种封装是否一定优于自己搭建，目前我并未看到这样的迹象。

消费 AI 的成本账

基于其更成熟的产品设计和庞大的生态能力，我并不认为 Muse 和 dot 会复制 OpenClaw 年初那种极端的热度起伏。

Meta 有庞大的社交生态和硬件入口，OpenAI 有 ChatGPT 的用户基础以及已经铺开的工作产品。它们拥有足够的渠道把个人 Agent 推到大量用户面前，也拥有足够资源给新产品较长的试错周期。

但 Muse 最近的一系列动作很值得注意。

9 月 28 日，Meta 正式宣布 Meta Enterprise Platform，把 Muse、Meta Business Agent、Muse API、Muse Code 等能力一起推向企业和开发者，并且把这项业务称为公司的下一个主要业务支柱。第二天，Muse for Small Business 发布，直接连接 Shopify、QuickBooks、Stripe、Slack、Canva、Meta 广告账户等中小企业常用工具。它的典型任务也从宽泛的“帮我管理生活”，收敛到分析销售、制定增长计划、检查财务异常、优化广告和内容这些有明确业务目标的工作。

我觉得这个变化相当有意思。

一方面，它说明 Meta 确实在继续扩张 Muse 的生态。另一方面，当 Muse 进入 Small Business 后，很多原本模糊的问题突然变得容易处理了：企业有销售数据，有广告账户，有财务记录，也有收入、成本和客户增长这些可以观察的结果。Agent 依旧很通用，它工作的世界却开始拥有更加明确的对象和反馈。

这正是我一直比较看好的方向。

而 Meta 同时向更大的企业市场扩张，也很难完全脱离消费 AI 的成本问题。

9 月 30 日，TechCrunch 专门用 The ugly economics of consumer AI 作为标题讨论这个问题。文章引用的 PNC 内部样本显示，截至今年 5 月，约 2.2% 的家庭订阅了生成式 AI 服务，订阅家庭的平均每月支出约 31 美元。作者的核心判断是，即使拥有非常大的消费用户群，AI 较高的持续推理成本仍然会限制消费订阅能够支撑的业务规模，所以行业正在明显增加企业收入和垂直业务。文章也特意把 Meta 最近的 Enterprise Platform 当成一个观察点。

这个判断未必说明 Muse 的消费路线有什么问题。Meta 有广告、电商以及庞大的既有商业体系，比纯订阅产品拥有更多变现选择。

但它至少提醒了一件事情：个人 Agent 的单位成本是持续发生的，而用户价值却未必能够同样稳定地累积。

如果一个专业用户每天都有几条固定工作流替他完成研究、代码、报表或者客户跟进，价值比较容易计算，平台也容易设计收费方式。个人助理如果长期停留在“它了解我，也许以后会帮到更多”的状态，计算资源持续消耗，用户却很难判断每个月究竟得到了多少价值。

Muse 转向 Small Business 与 Enterprise，因此既可以理解成一次自然的生态扩张，也可以理解成另一种更现实的选择：先去寻找那些目标、数据和反馈都更加明确，也更容易形成付费能力的场景。

这并不会削弱 Muse。

某种程度上，它甚至再次说明了同一件事情。

通用个人助理仍然困难重重

八个月以后回头看，我倒不觉得谁走错了。

云端 Agent，大家都对了。 Manus 已经用商业结果证明，用户愿意把复杂任务交给云端计算机里的 Agent。

继续增加生态连接，大家也都对了。 Muse 把软件、商业服务、社交生态一路连接下去，现在又准备通过硬件入口获得更多现实世界信息。

把开放 Agent 逐步固化进 Workflow，dot 做对了，Manus 自己也在做。 明确职责、触发条件、权限和反馈，会降低用户的认知负担，也更容易让 Agent 在长期运行中保持可靠。

但这些结论加在一起，仍然推不出“每个人都需要一个通用个人助理”。

大众用户肯定是能够从 AI 获益，但困难在于，普通生活里的大量需求缺少稳定目标、固定流程和明确反馈，用户自己也很难提前写出一份关于“我的助手应该怎样处理所有事情”的完整说明。Context 可以覆盖更多信息，Memory 可以保存更长时间，模型能力也会继续提高，但这个困难依然存在。

专业人士的收益会明确得多，只是他们最终需要的形态可能更加开放、透明和可控。 对于一些人，Muse 或 dot 提供的一体化体验会很方便；对于另一些人，一台属于自己的服务器、几个随时可以更换的 Agent，再加上一套能够观察和恢复的工作流，也许更加合适。

至于面向所有人的通用个人助理，如果暂时放下关于下一代计算平台的宏大故事，也暂时放下资本市场需要怎样的想象空间，我仍然觉得它是一道很困难的产品题。

这并不妨碍 Agent 快速发展。

只是至少在今天，我仍然更愿意把 AI 引入一个个业务目标明确、对象明确、权限边界清楚、结果能够获得反馈的场景。先让它在一个有限的工作环境里可靠运行，再根据真实结果逐步扩大自主范围。

Coding Agent 已经给过我们一个很好的样本。代码仓库提供工作对象，测试和 CI 提供反馈，Git 和 Diff 让变化可以检查，Review 与回滚又给错误留下了处理空间。其他领域当然不会照搬 Coding，但同样需要建立自己的对象、规则、反馈和异常接管方式。

八个月前，我关心的是 Agent 为什么还没有大规模搬到云端。

八个月以后，大家真的开始往云端迁移了，我开始更关心另一个问题：

「它住进去以后，到底有一个怎样的世界可以工作？」

云端 Agent 已经证明了自己。生态连接也会继续扩张。围绕明确任务建立 Workflow，同样值得投入。

但如果目标是让一个通用个人助理长期理解所有人、处理所有场景，并让普通用户放心地把大量决定托付给它，今天的技术和产品条件仍然不够成熟（甚至有可能永远无法成熟）。

接下来更确定的价值，仍然存在于那些目标清楚、业务对象清楚、结果可以检查、错误能够被发现并处理的场景里面。

一个领域一个领域地建设这些工作环境，让 AI 在里面承担更多责任。

这条路听起来没有“每个人都拥有一个超级助手”那么激动人心。

但它大概更接近我们现在真的能够做成的事情。

JOTO 企业落地观察

• 对企业部署意味着：云端 Agent 架构已获主流验证，但企业不应盲目追求“全场景通用”，而应优先将已有业务系统（如CRM、ERP、OA）接入统一 Agent 网关，以明确接口契约和审计路径，避免陷入无边界的上下文采集与不可控的记忆管理。
• 这类系统的取舍在于：是否接受将 Workflow Owner 机制嵌入生产流程。dot 所强调的 Custom Rules 与人工审核权责绑定，提示企业必须定义清晰的‘自动化红线’——哪些决策可由 Agent 自主执行，哪些必须触发人工复核，这直接决定 RAG 知识工程中权限粒度与版本控制的设计深度。
• 对 AI 安全治理而言，Muse 的 Secure VM 和操作留痕设计提供了可借鉴范式：企业级 Agent 必须具备独立运行环境、最小权限调用链、全链路操作日志及用户级审批节点，而非仅依赖模型层的安全微调；否则，长期运行中的越权行为将难以追溯与阻断。
• FDE 驻场共创需关注：当企业尝试将 Muse 或 dot 类能力落地时，真正的瓶颈不在模型调用，而在业务系统 API 的稳定性、字段语义一致性与异常响应规范性。驻场重点应转向梳理各系统间的数据契约与失败模式，而非仅调试提示词。