Meta与Instinct争夺AI入口 亚马逊反制封杀代理下单

AI助理争夺战：解析Muse、Grok Bot与Instinct背后的产品布局、入口生意与盈利难题【硅谷101】 — 硅谷101

硅谷101

消费级Agent在算力成本与平台防线的双重挤压下恐沦为巨头的烧钱垄断战，唯有指标明确的B端工作流具备真实造血能力。

AI-assisted summary of AI助理争夺战：解析Muse、Grok Bot与Instinct背后的产品布局、入口生意与盈利难题【硅谷101】 — original source. Check the original for full context.

Source published:

Key ideas

  • 从初创公司 Instinct（以百亿美元估值完成 10 亿美元融资）到 Meta Muse 及 SpaceX 的 Grok Bot，AI 竞争重心正从单次会话 Chatbot 全面转向带有持久记忆、云端沙箱与子代理编排的自主行动 Agent。 (0:00)
  • 开源模型（如 Llama 系列）的成本降幅达到前沿闭源模型的数量级以下，使 24 小时后台运行的长链路 Agent 具备了初步的经济可行性，但也带来了巨大的 CPU、内存与虚拟机算力消耗。 (5:00)
  • Meta Muse 凭借社交流量分发与长期目标编排迅速获得数百万下载，试图通过前置拦截用户意图颠覆 Google 搜索广告模式，但随后遭到 Amazon 等传统电商平台切断下单凭证的防守反击。 (12:38)
  • 业内认为 C 端通用 Agent 面临极高的推理成本与补贴门槛，初创公司若无法免费很难维持；而具象交付物的 B 端办公与垂直生产线更易算清投资回报并实现盈利闭环。 (25:00)

Detailed notes

## Background 本期内容由科技播客《硅谷101》于 2026 年 10 月 23 日发布在 Bilibili 平台。节目聚焦 Anthropic 发布 Claude Duet 以及 Meta Muse、SpaceX Grok Bot、Instinct 等 AI Agent 集中爆发的节点，通过对话多位一线从业者与创始人，深入剖析 AI 助理从聊天走向长程替人办事背后的技术演进、产品逻辑、生态博弈与商业化难题。

## TL;DR 节目围绕个人 AI 助理与协同 Agent 的落地潮展开，对比了走短信轻量入口的 Instinct、依托庞大社交生态做任务分发的 Meta Muse，以及主打多数字员工协作的 Grok Bot。受访嘉宾指出，模型推理成本骤降与云端沙箱架构让长程后台执行成为可能，但人类注意力瓶颈、上下文污染和错误退票或泄露地址等信任危机依然严峻。在商业层面，Agent 正在绕开传统搜索与电商广告体系，引发了亚马逊等平台的警惕与封锁；相比于依靠巨资补贴、商业闭环存疑的 C 端免费产品，以明确交付物为核心的 B 端工作流生产线被认为具有更健康的付费前景。

## Atmosphere & style 整期访谈呈现出硅谷前线特有的冷静研判与极客张力，既有对“自然语言直接交付结果”范式转移的兴奋，又充满了对资本过热、Token 烧钱无底洞的冷峻审视。主播与几位身处一线的创业者、设计师深入产品细节，层层拆解系统治理 Harness、上下文污染与机密虚拟机的技术实质，语言平实直白却刀刀见血。聆听过程宛如置身一场信息量密集的闭门行业复盘，让人在惊叹 Agent 飞速进化的同时，清晰感知到巨头流量防线、平台利益博弈以及安全边界背后的暗流涌动。

## Bulletin - [00:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=0s) 从初创公司 Instinct（以百亿美元估值完成 10 亿美元融资）到 Meta Muse 及 SpaceX 的 Grok Bot，AI 竞争重心正从单次会话 Chatbot 全面转向带有持久记忆、云端沙箱与子代理编排的自主行动 Agent。 - [05:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=300s) 开源模型（如 Llama 系列）的成本降幅达到前沿闭源模型的数量级以下，使 24 小时后台运行的长链路 Agent 具备了初步的经济可行性，但也带来了巨大的 CPU、内存与虚拟机算力消耗。 - [12:38](https://www.bilibili.com/video/BV1T4nH6oEFC?t=758s) Meta Muse 凭借社交流量分发与长期目标编排迅速获得数百万下载，试图通过前置拦截用户意图颠覆 Google 搜索广告模式，但随后遭到 Amazon 等传统电商平台切断下单凭证的防守反击。 - [25:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=1500s) 业内认为 C 端通用 Agent 面临极高的推理成本与补贴门槛，初创公司若无法免费很难维持；而具象交付物的 B 端办公与垂直生产线更易算清投资回报并实现盈利闭环。

## Key takeaways - [00:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=0s) AI 代理正从依赖本地 Mac mini 等高门槛环境的极客 Demo（如早期的 OpenClaw），全面走向由平台托管云端沙箱（Sandbox）与治理编排中枢（Harness）的商业化产品阶段。 - [00:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=0s) 长程任务的冰山隐喻：用户看到的轻量输入背后，依赖的是数十甚至上百个子代理（Subagents）在云端虚拟机中的动态任务拆解、重试机制与状态维护。 - [05:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=300s) 以 Llama 为代表的开源模型性价比大幅提升，打破了必须使用昂贵 Frontier Model 的限制，为 Agent 开启了从不可讨论到具备商业探讨价值的成本拐点。 - [07:35](https://www.bilibili.com/video/BV1T4nH6oEFC?t=455s) Instinct 押注于短信（SMS/iMessage）这种无 App 入口，利用 Reflexion 错误反思机制与 Tau-bench 任务经验，免去繁琐操作界面，直接以“交付结果”为导向。 - [07:35](https://www.bilibili.com/video/BV1T4nH6oEFC?t=455s) 业内警惕 Instinct 可能沦为“新一代 Clubhouse”：高举高打依赖 VC 巨额补贴和高级用户推特晒单，但面临普通用户缺乏提示认知、不收费商业闭环难以维系的挑战。 - [12:38](https://www.bilibili.com/video/BV1T4nH6oEFC?t=758s) Meta Muse 坐拥 Facebook、Instagram 与 WhatsApp 的数十亿级分发渠道，通过 Goals 面板推进长期目标，在底层模型中强化了隐私边界感以保障敏感信息隔离。 - [12:38](https://www.bilibili.com/video/BV1T4nH6oEFC?t=758s) Muse 模式对传统搜索广告带来降维打击：在用户产生明确意图去 Google 搜索之前提前在私聊中解决，同时利用深度意图反哺 Meta 现有推荐流，算力开销在大厂商业帝国中微不足道。 - [18:03](https://www.bilibili.com/video/BV1T4nH6oEFC?t=1083s) SpaceX 的 Grok Bot 转向多 Agent 虚拟团队协作模式，旨在解决人类作为“管理者”不断切换对话检查进度的注意力瓶颈问题。 - [18:03](https://www.bilibili.com/video/BV1T4nH6oEFC?t=1083s) 划定严格的“上下文边界（Context Boundary）”可避免上下文污染：将视觉偏好、客户沟通等垂直记忆分别封装进不同专职 Bot，并借由状态微动效降低用户的监控焦虑。 - [25:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=1500s) 当 Agent 开始代替人类购买服务并操作账号时，隐私泄露与误操作频发，逼迫 Meta 联合 Signal 创始人打造机密虚拟机（Confidential VM）与 Sentinel 监控 Agent。 - [25:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=1500s) Amazon 等传统电商巨头封锁 Agent 下单，表面抗议机器代理未申报身份，实质是捍卫自身站内广告竞价生态与第一手客户关系，防止被 Agent 管道化为纯物流履约方。 - [25:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=1500s) C 端与 B 端商业路径分化：C 端呈现拼资本烧钱的寡头游戏，B 端则凭借周报、CRM、特定工业或金融风控管线等清晰的 Deliverables，更早跑通付费模式并构建 Agent 协同生产线。

## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=0s) AI Agent 迎来爆发节点：从 Demo 走向真正替人办事

在硅谷，个人 AI 助理的竞争再度进入白热化阶段。Meta 凭借推出的个人助手 Muse 重新打了一场翻身仗，不仅上线即风靡，还多次冲上 App Store 榜单；SpaceX 旗下的 Grok Bot 则致力于打造一支在后台替人协作的“数字同事团队”；初创公司 Instinct 把私人助理直接植入了苹果的 iMessage 短信对话框，成立仅一年便以 100 亿美元的超高估值完成了 10 亿美元的 C 轮融资；就连 OpenAI 也在近期的 DevDay 上公布了自己的助理 Dots。国内市场同样不甘示弱，MiniMax 回归上线了 MiniMax 2.0，腾讯的 WorkBuddy 则从整理资料、处理表格等任务切入，做知识工作者的办公助手。硅谷 101 的主播逸文感叹，两个月前自己搬家卖二手家具卖到心力交瘁，根本想不到两个月后 Muse 这样的 Agent 已经能全自动替人在二手平台上完成发帖、比价、与买家沟通等一系列操作，全程人类无需参与。

替人办事的 AI Agent 不再只是技术演示的 Demo，但当它们开始在云端虚拟机里替人订机票、订酒店、操作浏览器、处理文件并抢夺新入口时，也带来了庞大的 CPU、内存和存储算力需求，促使 AMD、英特尔等芯片厂商的股票在过去一个月水涨船高。然而，更多算力和长程任务并不自动等于商业利润。很多从业者对此保持冷峻审视：“我不觉得任何一个能够盈利。它融了非常多的钱，所以它早期的时候能烧起来这个 token。现在已经融了一个 billion 对吧？一个 billion 对于 Facebook 来讲屁都不是。”

从年初开源社区折腾的 OpenClaw（让其接入邮箱、管理日程、后台 24 小时运行），到今天 Meta Muse 和 Grok Bot 的成熟应用，底层的架构思考一脉相承。OpenClaw 证明了架构可行，但配置门槛极高——用户甚至需要自备一台 Mac mini 或虚拟机、配置复杂的本地环境，以至于催生了付费代安装的灰色生意。今天的商业化产品所做的第一步，就是由平台在云端维护 Sandbox 运行环境，让普通用户只需连接账户下达指令即可。

门槛降低之后，更深层的变化来自后台 Harness（系统治理与编排能力）的成熟。过去聊天机器人聊完天还需要人类自己去操作，现在的 Agent 则要面对长链路的依赖任务： - 以卖家具为例，写文案只是第一步，它还需要去对应网站查询同类品价格、找到目标发布页面、填表上传、应对买家砍价，并在遇到突发情况时动态决定下一步。 - “它其实就像一个冰山理论一样，它大部分的这个你能看到的跟你的执行只有那一点点，但它其实后面的大量的 harness、大量的在背后与 sandbox 做的这种工作、这种执行，还有就比如说怎么去 run 很多很多的 subagent，100 个这种 subagent 其实都是在背后跑的。”

[05:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=300s) 成本拐点与多形态探索：从 SaaS 焦虑到跨对话记忆

模型能力的飞速演进和开销暴跌，是支撑 Agent 能 24 小时持续后台运转的另一大经济学前提。受访从业者指出，长程任务意味着当人类在休息时，背后的 Agent 还在不知疲倦地调用模型干活，如果必须使用昂贵的前沿 Frontier Model，账本根本算不过来。

```mermaid flowchart TD accTitle: Agent 驱动的执行架构演进 accDescr: 展示从传统的单一聊天模型到带有云端沙箱与子代理编排系统的结构变迁

subgraph UserInterface["用户交互层 (轻量入口)"] direction LR A["自然语言任务委托 (短信/Muse/Slack)"] end

subgraph AgentHarness["编排与治理中枢 (Harness)"] direction TB B["主控决策 Agent (记忆与状态管理)"] C["任务拆解与重试机制"] D["低成本高性价模型 (如 Llama 系列)"] end

subgraph SandboxExecution["云端沙箱执行环境 (Sandbox)"] direction LR E["子代理集群 (Subagents)"] F["浏览器/虚拟电脑自动化"] G["外部 SaaS/API 接口操作"] end

A --> B B --> C C --> D D --> E E --> F E --> G ```

“今天 Llama 这个模型我觉得遥遥领先一年前最先进的模型，或者说甚至可能九个月前最先进的模型，然后它的那个开销是 frontier model 大约一个数量级以下对吧？那我觉得这就使得这些我们可以开始用了。因为我自己也在开发类似于 Muse 或者说 Bot 这些，我对这个 cost 是非常知道的。其实还是很贵，但是至少是可以开始谈论 OK 是用得起用不起，可以去 debate 了。9 个月前这个太贵了，这个根本就不用 debate。”

一次调用变便宜并不意味着总支出必然下滑，因为随着 Agent 能够胜任的工作变多，用户委托的任务量也呈现指数级递增。回顾发展轨迹，从 Anthropic 发布 Claude Cowork 将 Coding Agent 的范式引入到文件整理、表格处理等办公协同，引发了资本市场对传统 SaaS 软件被取代的焦虑；到腾讯 2 月推出 WorkBuddy 探索办公自动化，再到 Tong 这类软件尝试理解用户在本地软件中的操作逻辑，背后无一不依赖一个真正的执行环境。无论是直接控制本地 PC（如 WorkBuddy），还是在云端虚拟机中运行（如 Instinct、Grok Bot 与 Muse），新一代 Agent 相比上一代 Chatbot 最核心的飞跃在于：它们拥有了跨越会话的持久记忆与长程行动能力。

[07:35](https://www.bilibili.com/video/BV1T4nH6oEFC?t=455s) Instinct：SMS 入口与“新一代 Clubhouse”的高举高打困境

在所有消费级 Agent 中，Instinct 显得尤为激进。成立仅一年，创始人 Noah Shinn 是一名年仅 23 岁的前伯克利大学辍学生。早在他还是研究人员时，就在 2023 年发表了极具影响力的 Reflexion 论文，探讨当 AI 行动失败时，如何通过反思将经验总结为自然语言存储在情境记忆中，下一次尝试便可调取参考，而无需重新微调模型；此后在 Sierra 参与 Tau-bench 测试集设计时，他又进一步量化了 Agent 在模拟复杂航空客服业务场景中如何调用工具、遵守业务规则并稳定解决问题。正因切中了 Agent 的“错误纠正”与“端到端交付”两大死穴，Noah 在两个月内连融三轮，吸纳了 10 亿美元资金。

在入口设计上，Instinct 大道至简地选择了短信（SMS/iMessage）。用户像给真人朋友发消息一样把繁琐的任务交出去，免去了下载独立 App、重新适应工作流的摩擦阻力： “未来的 application 很有可能是没有 application 的。你跟他你这个 application 打交道就是 messages，然后就是对话。你要告诉他的是结果，我要的是什么结果，而不是说 go through 什么 workflow 点这个点那个点那个。我们是被那个上一代或者前几代的软件给培养坏了，要去订一个餐馆、要买一样东西要去点这个点那个，凭什么呢？你就告诉他我要什么东西，然后让 model 或者说软件来告诉你需要做什么，而不是你去做。”

然而，短信作为交互界面既是蜜糖也是毒药： - 面对一个没有界面按纽、“什么都能做”的空白联系人，普通非硬核用户根本不知道该交代它干什么； - Instinct 目前保持着邀请制，核心用户超过 10 万，主要集中在硅谷的投资人与早期极客群体（Power Users/Prosumers）。正是这些高级用户在推特上积极晒出用它做成的复杂案例，才帮 Instinct 实现了破圈。 - 但业内人士对这种由 VC 资本重金堆砌的狂热表达了隐忧：“Instinct 在我看来就是新一代的 Clubhouse。我为什么这么说？因为我这个我判断并不是从一个产品的判断，我觉得我是从一个创始人或者说公司的打法来看，它是高举高打对吧？就像 Clubhouse 当年也是高举高打……问题是高举高打的时候你要意识到这是我在高举高打，你要能够伸缩自如，你要能够知道什么时候伸什么时候缩，这一点其实对创业者是一个很大的一个挑战。” - 随着新鲜感褪去，创始人公开宣称“不打算向终端用户收费”，意味着未来只能寄希望于广告变现；而面对极高的云端推理 Token 消耗，靠风险投资补贴能否走出一条健康长效的商业闭环，业内打上了一个巨大的问号。

[12:38](https://www.bilibili.com/video/BV1T4nH6oEFC?t=758s) Meta Muse：从内容分发走向任务分发，重塑商业流量地基

如果说 Instinct 必须穷尽一切手段吸引用户知晓，Meta 旗下的 Muse 则含着“分发金钥匙”出生。正如受访嘉宾直言：“但是 Meta 的 Muse 它至少有 distribution channel，尤其是 Meta 它的 distribution channel 特别的高，所以说我觉得当一个公司在今天这个时代它的 distribution channel 好的时候，我觉得很难做得太烂。”

自 2026 年 9 月 8 日向公众开放以来，Muse 截至 10 月初下载量迅速跨越 660 万次，多次霸榜 App Store 免费榜首。更重要的是，用户不仅能在独立 App 里使用它，还能将其无缝挂接在已有数十亿日活的 Facebook、Instagram 和 WhatsApp 账户上。Meta 已经垄断了用户“发现内容、滋生兴趣、建立社交”的起点，如今它意图更进一步，直接接管后续的行动履行。

在卖二手家具的场景中，任务不是写一段文案就结束的，而是需要长达数周持续跟进的长期委托。Muse 在界面中设计了一个名为“Goals”的长期目标面板，在后台理解用户目的、协调时间资源、自主推进，并在关键时刻（如需要批准报价、买家约定看货）主动回访用户。更关键的是，Muse Spark 模型从底层预训练中就专门训练了“边界感”能力： - 比如，孕妇用户在私聊中将怀孕的事情告诉了 Agent；在后续 Agent 帮其推荐并预订餐厅时，Agent 懂得筛选提供孕期适宜菜品与无酒精饮料的地点，但它绝对不会贸然将“该顾客怀孕了”这一隐私擅自同步给餐厅店家。 - 扎克伯格在采访中将 Muse 的商业野心勾勒得极为明晰：前中期先以巨大的免费额度让普通用户形成委托任务的心理依赖，未来当 Agent 帮助用户买到便宜货、帮商家促成交易时，Meta 再从中抽成佣金。

这一模式更是对传统搜索广告生态的一记降维打击： “因为我以前在 Facebook 嘛，就是 Facebook 广告本质是一个冲动消费就是型的广告对吧？就是它是一个就是兴趣和冲动消费型，就是你刷刷刷刷到这个，本质是这样的一个广告。那 Google 更多的是一个就是你有一个强烈的需求你去搜索。所以我觉得 Muse 它的优点对于 Facebook 来讲呢，是它很多情况想把那个把那种就是有强烈意图的捕捉的非常明确到去 Google 搜索的前置的情况下，Muse 就跟你聊天了，你就把这个事解决了，相当于绕开了 Google 那道广告，直接在 Facebook 这解决了。”受访嘉宾进一步补充，即便不直接从电商交易中抽佣，Agent 掌握了用户全部的邮件日历、联系人、深度意图后，反哺给 Meta 现存的推荐算法，其 Feed 流广告的精准度和转化率足以成倍跃升，为 Meta 换取海量营收，反衬之下云端跑 Agent 的算力成本对大厂根本不值一提。

[18:03](https://www.bilibili.com/video/BV1T4nH6oEFC?t=1083s) Grok Bot：多 Agent 团队协同，打破人类作为管理者的瓶颈

转移到高强度的日常工作协同中，单一的对话框形态迅速见底。一个人既要让 AI 整理客户 CRM、又要做竞品调研，还要让其催促报销，把所有杂务塞进同一个对话框中，信息混乱不堪。SpaceX 在夏天推出的 Grok Bot 另辟蹊径，将产品重心放在“组织多 Agent 协同的数字团队”上。

Grok Bot 的产品设计师 Peng Zheng 指出了行业的核心痛点：“现在基本上这个行业的大部分人已经步入了我们指挥一群 agent、指挥一个 agent 团队去做这些任务，但是很快意识到我们自己是瓶颈。就好像如果无人驾驶你必须得把手一直搭在方向盘上，其实这个无人驾驶对于人来讲的时间利用并没有太大的价值，因为你还是得坐在驾驶员的位置，你的注意力不能放在别的事情上面……任务一多，我们就从亲自干活的人变成了不断切换对话检查进度的管理者。人的注意力以及每天醒着的时间，也就成了 agent 继续工作的瓶颈。”

为了解开这个死结，Grok Bot 从界面交互与底层上下文机制进行了重构：

| 维度 | 传统 AI 聊天界面 (Chatbot 范式) | Grok Bot (数字团队范式) | |:--- |:--- |:--- | | **组织核心** | 基于一次性会话 (Session) | 基于持久存在的“数字同事”清单 (Agent List) | | **交互心智** | 遇到任务新开对话，自己监控结果，完事即弃 | 交付给专门的数字员工，经验自动化沉淀 | | **上下文分配** | 全部堆积，引发严重的“上下文污染” | 上下文与记忆根据角色封装隔离，技能插件全员共享 | | **协同模式** | 人类单点分别与多个不同对话来回往复 | 将不同专职 Bot（如设计、客户、调度）拉入群聊协同 | | **状态感知** | 依赖不断打字追问“做完了吗” | 通过头像的不同微动效直观反馈“工作中/等待中/已完成” |

Peng Zheng 解释道，在虚拟团队里区分设计师、工程师和项目经理，核心不是它们的底层基础智力有差异，而是为了划定严密的上下文边界（Context Boundary）： - 设计 Bot 必须深刻浸润你对视觉风格的喜好；负责对接客户的 Bot 必须记住与特定甲方的历史沟通套路。 - 如果将这些全部揉杂，模型在执行时必须极度吃力地分辨哪些指令适用于眼前任务，哪些是另一个项目的特例，这就是典型的“上下文污染（Context Pollution）”。 - 通过将其封装在固定的 Bot 里，记忆随着时间垂直积累。而为了让人类真正能放手离开，微小的状态反馈设计至关重要，只有当用户清晰感知 Bot 正在后台运转、遇到真拿不准的交叉路口会主动敲门回传时，人类的注意力才得以真正解脱。

受访者感叹，如今大家与数字世界的交互中间平白多了一层 Agent 代理，以前自己亲手去操作 Figma、Notion、Slack，现在日常已经演变成指挥自己的 Agent 去调遣这些 SaaS 软件。

[25:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=1500s) 信任危机与三方博弈：隐私暗礁、Amazon 封杀与商业化长河

当 Agent 强势切入人类、软件与商业供应商之间，一系列失控的隐患与冲突也骤然爆发。媒体报道中充斥着 Agent 带来的离奇事故：有用户让 Instinct 查阅航空退改签条款，结果它擅作主张把用户的航班直接退掉了，平白损失 300 美元；让 Muse 帮卖机械键盘，在未经房主许可的情况下直接向买家发送了家庭住址约定上门自取，买家扑空后怒留差评。

“最重要的可能还是安全性跟可靠性，我觉得因为这是用户很容易疏忽的。在一个新鲜事物刚出来的时候，大家是关心这个东西有多少 sexy 的功能、能够做什么东西，‘我就说一句话就帮我飞机票给定好了’，但是你要一个新鲜事物真的成为一个长久的、能够进入千千万万的，那肯定对安全性、可靠性的要求还是比较高。”

在安全攻防上，Meta 采取了严防死守的姿态。扎克伯格与 Nat Friedman 亲自招揽了加密通信软件 Signal 的创始人 Moxie Marlinspike，秘密构建 Muse 的“机密虚拟机（Confidential VM）”项目，试图在硬件级别保证用户托付的数据在云端执行时，哪怕 Meta 内部也无法调阅窥视；受此前 Hugging Face 与 OpenAI 突发安全事件的震慑，扎克伯格曾公开表态为了补齐 Muse 的安全围栏，将其上线时间主动延后了数个月，并在系统中接入了名为 Sentinel 的监控 Agent 专门做双向风控审核。然而基础设施层面的安全仍难防应用层逻辑的飘忽，正如从业者担忧的：“我们能够从 Infra 层去约束我们自己，但是我们是没有办法约束我们的 Client 说当我们的客户用到这些用户数据了以后他们会怎么做。”

```mermaid flowchart LR accTitle: Agent 入口争夺与原有商业平台的利益冲突 accDescr: 展示用户通过 Agent 购买服务时，原有电商与搜索平台丧失流量掌控权与广告收入的逻辑

subgraph UserSide["用户意图发起"] U["用户自然语言委托需求"] --> AG["AI Agent (Muse / Instinct)"] end

subgraph PlatformBattle["平台中介化风险"] AG -->|"接管搜索、比价与决策"| BORDER{"商业平台护城河"} BORDER -->|"拒绝盲盒代理/封锁凭证"| AMZ["外部平台 (如 Amazon)"] BORDER -->|"绕开 Google 搜索广告链"| GOOG["传统搜索引擎/广告"] end

subgraph Impact["商业后果"] AMZ -.->|"丧失用户直接触点"| L1["失去推荐与广告变现"] AMZ -.->|"沦为纯后端履约管道"| L2["客户关系被 Agent 剥离"] end ```

更大的地缘商业风暴来自于原有平台的本能抗拒： - Muse 上线后不久，电商巨头亚马逊（Amazon）便迅速拉响警报，果断封锁了 Muse 代替用户下单的通道。 - 亚马逊的核心抗议在于：Muse 在爬取与交互时并未主动公开其机器代理身份，同时涉嫌违规接管用户账户的核心访问凭证；第三方代行服务必须公开透明，且必须尊重平台商家的准入意愿。 - 这场封锁背后有着极其现实的利益争夺：如果用户打开网站，平台能靠算法推荐、Banner 广告和竞价排名狠狠赚取曝光费与广告费；一旦所有的比选都在 Muse 的肚子里悄无声息地完成，外部平台直接沦为没有灵魂的物流与库存履约渠道，不仅损失了至关重要的直接客户关系，更被生生抽走了赖以生存的广告收益。

在盈利层面上，C 端与 B 端正在呈现迥异的生存图景： - “我认为 C 端 Agent 最后就是比谁钱多，就是能烧。即使说 Instinct 的体验更好，但是如果他不能做到 100% 免费，我认为他没有未来……我觉得最终你会发现这个支出是指数性的增长，我不认为这是一个 startup 能够玩的游戏。” - 与之相对，办公场景正成为 Agent 团队更现实的落脚点。由于每周简报、CRM 更新、PR 发布、会议日程等有着极其清晰的交付物（Deliverables），企业非常容易算清 Agent 到底帮助省去了多少实际工时，因此拥有极其健康的付费意愿。 - 展望未来，业内普遍认为通用大一统的 Agent 未必是终局，专精于垂类深水区（如金融风控、医疗审批、特定工业管线）的专业 Agent 正在涌现：“我觉得基于这样的话，那么就是每个员工在分别用同样的生产线，可能用这多少多少个 agent。所以我觉得这一波就是这些 agent 之间怎么合作，然后呢怎么这个生产线怎么搭建，我觉得这才刚刚刚刚开始。然后围绕这个生产线搭建就会出现说什么样的 agent 在什么情况下做什么样的事情，然后我们在乎的什么时候我们在乎的是价格，什么时候我们在乎的是质量，然后什么时候我们在乎的是 agent 迭代的速度。我觉得这些东西都会逐渐的出现，现在还是非常早期的一个情况。”这场入口争夺战的核心，正是谁能彻底赢得用户托付事情的长久信任，进而从底层重构整个数字世界的软件调遣权与服务采购权。

## Notable quotes > [18:03](https://www.bilibili.com/video/BV1T4nH6oEFC?t=1083s) 任务一多，我们就从亲自干活的人变成了不断切换对话检查进度的管理者。人的注意力以及每天醒着的时间，也就成了 agent 继续工作的瓶颈。 — Peng Zheng

> [25:00](https://www.bilibili.com/video/BV1T4nH6oEFC?t=1500s) 我认为 C 端 Agent 最后就是比谁钱多，就是能烧。

> [12:38](https://www.bilibili.com/video/BV1T4nH6oEFC?t=758s) 当一个公司在今天这个时代它的 distribution channel 好的时候，我觉得很难做得太烂。

## Mentioned Anthropic, Claude Duet, Claude Cowork, Instinct, Meta, Muse, Muse Spark, Grok Bot, SpaceX, OpenAI, Dots, MiniMax, MiniMax 2.0, 腾讯, WorkBuddy, 逸文, AMD, 英特尔, Facebook, OpenClaw, Llama, Tong, Noah Shinn, Sierra, Clubhouse, Instagram, WhatsApp, Google, 马克·扎克伯格, Peng Zheng, Figma, Notion, Slack, Nat Friedman, Signal, Moxie Marlinspike, Hugging Face, Sentinel, 亚马逊, Howie Xu, Gen, Homin Luo, Mapier.ai, Xiaoyin Qu, AgentSky

## 弹幕氛围 (Danmaku mood) — 2 条 由于弹幕样本较少，整体呈现出明显的两极分化氛围。一方面有观众客观关注并科普视频中提及的 Claude Duet 与 AI Agent 新技术功能；另一方面则有观众对画面中频繁出现的人物产生了强烈的反感与吐槽情绪。

**整体情绪**：😊 正面 0% · 😐 中性 50% · 😞 负面 50%

**热议点** - **Claude Duet 发布与主动处理任务的 AI Agent 特性** —— “10月21日，Anthropic发布了Claude Duet：AI不只等着回答问题，还能主动提醒、在后台持续处理任务。从卖二手家具、订机票，到整理客户资料、协调工作，一批能替人办事的AI Agent，” - **AI 代理在生活代办及协同工作场景的实际应用** —— “从卖二手家具、订机票，到整理客户资料、协调工作，一批能替人办事的AI Agent，” - **对视频中高频出镜人物的厌烦与吐槽** —— “这大哥真的神烦。哪里都看到他。”

**代表弹幕** > 10月21日，Anthropic发布了Claude Duet：AI不只等着回答问题，还能主动提醒、在后台持续处理任务。从卖二手家具、订机票，到整理客户资料、协调工作，一批能替人办事的AI Agent，

> 这大哥真的神烦。哪里都看到他。

## Video description 10月21日，Anthropic发布了Claude Duet：AI不只等着回答问题，还能主动提醒、在后台持续处理任务。从卖二手家具、订机票，到整理客户资料、协调工作，一批能替人办事的AI Agent，正在争夺我们生活和工作中的位置。

Instinct把私人助理放进短信，Meta Muse借助社交生态承接日常需求，Grok Bot则把长期委托组织成一支数字团队。产品形态不同，它们却都想建立同一个习惯：有事要办，先来找我。

这期节目，我们在硅谷采访了多位Agent从业者，拆解这轮Agent热潮背后的技术变化、产品设计与商业逻辑。为什么是现在？Meta如何从内容分发走向任务分发？当AI开始替我们使用软件、购买服务，原有平台会愿意让出用户关系吗？

而在高估值和用户增长之外，算力成本、隐私安全与盈利能力，仍是这些公司必须回答的问题。谁能成为我们长期信任的助手，谁又能把这个入口变成一门赚钱的生意？

采访嘉宾： Peng Zheng，SpaceXAI设计师（Grok Bot） Howie Xu，首席AI/创新官，Gen Homin Luo，Mapier.ai（iMessage Infra）创始人 Xiaoyin Qu，AgentSky创始人、CEO

[Source](https://www.bilibili.com/video/BV1T4nH6oEFC)

中文简报

Meta与Instinct争夺AI入口 亚马逊反制封杀代理下单 消费级Agent在算力成本与平台防线的双重挤压下恐沦为巨头的烧钱垄断战，唯有指标明确的B端工作流具备真实造血能力。 节目围绕个人 AI 助理与协同 Agent 的落地潮展开，对比了走短信轻量入口的 Instinct、依托庞大社交生态做任务分发的 Meta Muse，以及主打多数字员工协作的 Grok Bot。受访嘉宾指出，模型推理成本骤降与云端沙箱架构让长程后台执行成为可能，但人类注意力瓶颈、上下文污染和错误退票或泄露地址等信任危机依然严峻。在商业层面，Agent 正在绕开传统搜索与电商广告体系，引发了亚马逊等平台的警惕与封锁；相比于依靠巨资补贴、商业闭环存疑的 C 端免费产品，以明确交付物为核心的 B 端工作流生产线被认为具有更健康的付费前景。 从初创公司 Instinct（以百亿美元估值完成 10 亿美元融资）到 Meta Muse 及 SpaceX 的 Grok Bot，AI 竞争重心正从单次会话 Chatbot 全面转向带有持久记忆、云端沙箱与子代理编排的自主行动 Agent。 (0:00) 开源模型（如 Llama 系列）的成本降幅达到前沿闭源模型的数量级以下，使 24 小时后台运行的长链路 Agent 具备了初步的经济可行性，但也带来了巨大的 CPU、内存与虚拟机算力消耗。 (5:00) Meta Muse 凭借社交流量分发与长期目标编排迅速获得数百万下载，试图通过前置拦截用户意图颠覆 Google 搜索广告模式，但随后遭到 Amazon 等传统电商平台切断下单凭证的防守反击。 (12:38) 业内认为 C 端通用 Agent 面临极高的推理成本与补贴门槛，初创公司若无法免费很难维持；而具象交付物的 B 端办公与垂直生产线更易算清投资回报并实现盈利闭环。 (25:00)

Reading summary

《硅谷101》指出，个人 AI 助理正从技术演示走向云端代办长程任务的新阶段，引发算力激增与入口争夺；然而，受制于指数级膨胀的推理成本、脆弱的安全信任以及外部平台的利益阻击，C 端代理产品的商业闭环仍面临严峻挑战。 技术与架构演进：从聊天对话到沙箱长程执行 (0:00) 新一代 AI Agent 正在打破传统 Chatbot 的一次性交互模式，转向具备持久记忆和跨会话行动能力的自动化执行。无论是 Meta Muse 在二手平台全自动比价沟通，还是 Instinct、Grok Bot 与 WorkBuddy 的自动化探索，核心都在于后端工程编排（Harness）与云端沙箱（Sandbox）的结合。系统通过主控 Agent 调度数十甚至上百个子代理，结合浏览器模拟和 API 调用，自主处理多步骤的复杂依赖任务。这一转变促使底层计算需求大幅激增，带动 AMD、英特尔等芯片厂商股价上涨。受访从业者指出，Llama 等开源模型的性能跃升与调用成本降低约一个数量级，让后台 24 小时运转在经济上成为可能，但随着任务委托量的指数级增长，总算力开销依然居高不下。 产品路线分化：极简入口与多代理团队协同 (7:35) 在交互形态上，各家团队采取了截然不同的产品路径。由 23 岁前伯克利研究员 Noah Shinn 创办的 Instinct 凭借 Reflexion 纠错理念与 Tau-bench 测试经验，在两个月内完成 10 亿美元融资，选择以苹果 iMessage 短信作为无 App 的纯对话入口。然而，业内受访者将其类比为“新一代 Clubhouse”，认为短信界面缺乏引导，主要依赖硅谷核心极客破圈，加之创始人坚持终端免费，在缺乏自我造血机制的高额 Token 消耗下可能面临高举高打后的退潮风险。与之相对，SpaceX 推出的 Grok Bot 将重心放在“数字同事团队”的协同上。产品设计师 Peng Zheng 指出，人类频繁在单对话框中检查进度已成为自动化瓶颈，Grok Bot 通过按角色封装隔离上下文来避免“上下文污染”，并借助头像微动效直观反馈运转状态，使用户从监工状态真正抽身。 流量与分发优势：Meta 意图重构搜索与广告地基 (12:38) 拥有数十亿日活的 Meta 展现了巨头的渠道碾压优势。Muse 自 2026 年 9 月上线后迅速突破 660 万次下载并登顶 App Store，不仅具备原生应用，还能直接接入 WhatsApp、Instagram 和 Facebook。Muse 引入了可长期追踪任务的“Goals”机制，并在底层 Spark 模型中训练了数据隐私与场景边界感。受访嘉宾分析，Meta 的野心在于将内容推荐延伸至“任务分发”：在用户滋生强烈意图、尚未跳转至 Google 搜索的前置环节，Muse 即可在聊天中直接解决问题，不仅绕开了竞争对手的搜索广告，还能在未来从撮合交易中抽取佣金；即便不抽佣，Agent 掌握的深度意图数据反哺推荐算法后，也能让现有的 Feed 流广告转化率成倍提升，从而覆盖后台的推理算力成本。 信任危机与商业博弈：隐私风险、平台封杀与变现分歧 (25:00) Agent 强势介入交易链条引发了严重的安全隐患与商业防御。实践中已出现 Instinct 误退航班造成损失、Muse 未经许可向买家泄露用户住址等事故。尽管 Meta 招揽 Signal 创始人 Moxie Marlinspike 研发机密虚拟机（Confidential VM）并在硬件与审查层面严加防范，但客户端与应用层逻辑依然面临不可控风险。与此同时，亚马逊在 Muse 上线后迅速封锁了其代理下单通道，抗议其未表明机器身份且违规接管用户凭证；更深层的矛盾在于，Agent 在后台自动完成比价与采购，使电商平台沦为纯粹的物流履约管道，抽空了平台的直接客户关系与广告曝光收入。关于商业化前景，业内普遍认为 C 端 Agent 最终将演变成巨头间的资金消耗战，而工作产出明确、能直接量化节省工时的 B 端办公和垂直专业领域，才是 Agent 率先实现健康盈利的落地场景。 本期节目认为，个人 AI Agent 争夺战的核心在于能否在模型执行力、隐私安全与平台规则之间建立持久信任，从而夺取软件调用权；目前行业仍处于极早期，多代理生产线的搭建以及通用向垂类的分化，将继续重构未来的数字交互与服务生态。

Source quotes

[18:03] Peng Zheng: 任务一多，我们就从亲自干活的人变成了不断切换对话检查进度的管理者。人的注意力以及每天醒着的时间，也就成了 agent 继续工作的瓶颈。 [25:00] 我认为 C 端 Agent 最后就是比谁钱多，就是能烧。 [12:38] 当一个公司在今天这个时代它的 distribution channel 好的时候，我觉得很难做得太烂。

Original transcript

[0:00] 朋友们Meta又翻身了靠的是他在硅谷个人AI助理又风靡了起来Meta推出了个人助手MuseSpaceApp旗下的Grockbot想打造一支数字同事团队Instinct把私人助理放在了苹果iMessage的对话里面连OpenAI也在刚刚过去的Death Day宣布了自己的助理Dots其中Instinct这家成立仅仅一年的初创公司也趁热打铁以100亿美元的估值完成了10亿美元的息轮融资在国内Mindness宣布回归上线Mindness 2.0腾讯的WorkBuddy也选择了从整理资料处理表格这些任务切入给知识工作者做办公助手二人办事的AI agent终于不再是Demo了Muse is possibly the best AI agent out thereI've been using GrokBot every dayThis is the first AI agent my non-technical friends didn't quit in 20 minutes这是两个月之前正在搬家卖家具卖到崩溃的我那时候的我完全想不到在两个月之后呢人们就会用Muse这样的Agent在二种平台完成发帖定价和买家交流这样一系列的操作而在这个过程当中呢人类甚至完全不用参与而agent背后的价值呢也肯定不只是帮我卖几件家具那么简单比如说最常见的订机票订酒店这样的场景agent会调用不同的软件执行任务虽然这些软件还在但你可能越来越少会亲自打开它们谁先接到你的需求谁就有机会影响接下来用什么软件买什么服务而这些Agent开始干活也带来了新的算力需求由于Agent会在云端的虚拟电脑里打开浏览器运行程序处理文件都需要CPU内存和存储来支撑因此AMD和英特尔的股票也在过去这个月水涨船高但更多任务更多算力并不是自动等于更多利润我不觉得任何一个能够赢利它融了非常多的钱所以它早期的时候能烧起来这个token现在已经融了一个billion对吧一个billion对于Facebook来讲屁都不是哈喽大家好欢迎回到硅谷101我是逸文那么这期视频啊我们在硅谷采访了几位agent从业者包括Glockbot的设计师就是想要聊清楚为什么从大厂到创业公司都在争着做能替我们办事的agent而他们争夺的入口又能不能成为一门赚钱的生意呢不过首先我们想先来讨论一下为什么这波agent产品会出现在现在这个时间点呢如果年初的时候你也折腾过OpenCloud那听到我刚才说的aAgent用法,你可能会觉得很熟悉,这些事情不是小龙虾就可以做了吗?接入邮箱管理日程操作电脑,再让它在后台24小时持续运行,主动提供服务,今天这些个人助手的基本思路,在OpenCloud身上已经能看见了。Block Bot包括Facebook或者说Meta推出来Muse但其实是在用OpenCloud的思维在做这些架构的application不过虽然OpenCloud证明了架构可以用技术已经成熟但它始终没有走进家家户户是有原因的那就是它的技术门槛确实很高所以才会有客可以卖也会有人付钱请人安装但从另一个角度看这也恰恰说明了需求大家对这样的个人助理性能够替你真正完成任务的形态是有需求的但是又对它的门槛有一些望而却步所以从OpenCloud到Muse并不是突然出现了一套完全不同的想法这批产品在尝试把一个方向变成我们普通人能够用的服务电脑由平台准备不需要你给Agent准备一个Mac mini或者虚拟机运行环境由平台维护你只需要连接必要的账户告诉他要做什么比之前在本地设置要方便得多当然了降低门槛还是第一步更重要的是后台的能力也开始跟上了我们最开始用AI的时候呢其实是在用一个聊天机器人你跟他聊完啊你自己还得干活这背后呢有两件事情在同时发生第一是Harness模型处理连续行动的能力增长了回到我们之前卖家具的这个例子写介绍呢可能是第一步它还要查价格找到正确的页面贴写信息处理买家的回复如果事情没有按照计划发展还得决定下一步该怎么办这些步骤之间是有依赖的如果前面出错那后面的操作可能全都白做模型之外呢还需要一整套系统帮agent连接工具保留进度安排后续任务在出错前重拾或者把任务交给别人它其实就像一个冰山理论一样它大部分的这个你能看到的跟你的执行只有那一点点但它其实后面的大量的harness大量的在背后与sandbox做的这种工作这种执行还有就比如说怎么去run很多很多的subagent100个这种subagent其实都 [5:00] 就是在背后跑的第二是有一部分任务现在已经可以用更便宜的模型去完成这对于需要持续运行的agent来说尤其重要另外一个是最近尤其是最近半年模型的能力跟模型的开销其实都在大幅度的变好今天LUNA这个模型我觉得遥遥领先一年前最先进的模型或者说甚至可能九个月前最先进的模型然后它的那个开销是frontier model大约一个数量级以下对吧那我觉得这就使得这些我们可以开始用了因为我自己也在开发类似于Muse或者说Bot这些我对这个cost是非常知道的其实还是很贵但是至少是可以开始谈论OK是用得起用不起可以去debate了9个月前这个太贵了这个根本就不用debate为什么成本这么关键呢因为我们现在交给agents的都是长城任务做一件事在我们修计的时候agent也在不断工作这样成本一叠加就更需要经济的模型当然了一次调用变便宜也不等于一个助手的总成本就一定会下降因为它能做的事情越多用户可能交给它的任务也就越多那到这里我们就可以理解为什么现在这批agent产品变得可用了本质上来说呢他们就是沿着open cloud的逻辑在做更加大众化的产品那回过头来看呢其实在OpenCloud爆火之后就出现了一批这样的产品一开始是Anthropic推出的Cloud Cowork,把Coding Agent的执行方式带到更广泛的办公任务里面,让Agent读取你授权的文件,整理资料,处理表格,交付可以检查和修改的成果。这在当时也引发了资本市场里的一批SaaS焦虑。腾讯也是在2月推出了WorkBuddy探索类似的办公路径。逐渐我们还看到了更多面向消费者的产品比如Tong就在尝试从你日常使用的软件里理解你个人的工作模式把任务自动化那这些产品的共同点是它们背后都连接了一个能干活的执行环境有的直接使用你的电脑像WorkBuddy有的有虚拟机在云端工作就像最新的Instant Grokbot和Muse也有的调用本地的工具它们可以处理文件运行程序也能在你授权后进入其他软件和服务尤其是和聊天机器人相比更大的变化是他们有跨对话的记忆但不同的地方是他们如何让用户第一次尝试产品又如何让用户持续使用那接下来这几张呢我们就拿最近流行的几款产品作为例子来聊一聊他们不同的设计和最终的目标Instinct这个产品很多人可能还没有拿到邀请码VC就已经给它开出了100亿美元的估值到现在Instinct仍然采用邀请值但用户已经超过10万都是硅谷的创业者和投资人而也是这些power users的主动宣传给instinct吸引了一波关注创始人Noah Shane是一名23岁的大学辍学生在2023年他就发表了一篇叫做reflection的论文研究的问题和今天的agent非常相关AI做一件事失败了下一次能不能少犯同样的错误他们提出的方法是让agent根据任务反馈把经验总结成文字保存在记忆里下一次尝试时再拿出来参考这里不需要每次都重新训练模型,而是通过记录和利用反馈,改善后续的决策。后来在Sierra担任研究员期间,他又参加了Tall Bench的研究,这套测试进一步追问,一个agent究竟怎样才算真的把事情办好了。比如在模拟的航空客服场景里,他需要理解用户的要求调用系统里的工具,同时遵守公司的业务规则。还有多元在个人助手流行之前Noah就已经在研究agent的两个核心问题出错之后的改正和他能不能稳定的把事情做完这也能解释为什么这位年轻的创始人会受到关注并拿下10亿美元的C轮融资甚至是在两个月内融资三轮在产品设计上Instagram选择了一个我们很熟悉的入口短信你可以像联系真人一样把要办的事情发给他对用户来说我们不需要重新建立打开一个应用的习惯对厂商来说这也极大的降低了货客成本未来的application很有可能是没有application的你跟他你这个application打交道就是messages然后就是对话你要告诉他的是结果我要的是什么结果而不是说go through什么workflow点这个点那个点那个我们是被那个上一代或者前几代的软件给培养坏了要去订一个餐馆要买一样东西要去点这个点那个凭什么呢你就告诉他我要什么东西然后让model或者说软件来告诉你需要做什么 [10:00] 而不是你去做其实把agent变成一个能帮你办事的联系人也不是instinct首先想到的在3月一家叫做poke的产品就开始探索这条路接入邮箱日历把助手放进用户熟悉的消息对话里你不用打开一个独立的AI工作台只要发条消息就可以让他处理工作但入口简单了这里还会出现一个新的问题面对一个什么都能做的助手普通人未必知道应该让他做什么换句话说助手他具备某种能力和用户愿意把事情交给他是两码事因Sync活起来其实是在推特上有很多的这种power userprosumer这些人他先告诉你是说我用因Sync做了很多原来poke做不了的事情或者做了很多GPT做不了的事情很多人觉得非常的有意思Amazing然后我就过来去试一下发现他们完成这个use case然后有很多非常有想法的用户去尝试但是其实并不是所有的用户都非常的有想法所以具体的使用案例对这类产品来说非常重要早期用户分享他们的用法做市场教育但这也带来了一个难题那就是发布两个月内靠资本捧起来的流量到底能不能持续下去呢instinct在我看来就是新一代的clubhouse我为什么这么说因为我这个我判断并不是从一个产品的判断我觉得我是从一个创始人或者说公司的打法来看它是高举高打对吧就像clubhouse当年也是高举高打高举高打本身没有问题有的公司就是高举高打成功的对吧有的公司是相对低调这本身不是一个问题问题是高举高打的时候你要意识到这是我在高举高打你要能够伸说自如你要能够知道什么时候伸什么时候说这一点其实对创业者是一个很大的一个挑战就像新鲜感过后,我们已经很少打开Clubhouse了,Instinct也是一样,创始人说过他不打算让用户付费使用产品,就意味着要通过广告赚钱。在热度退去后,这个商业模式可行吗?这是一个创业公司面临的最大挑战。当然了,能让这么多人争相去要邀请,本身就是一种成功了,只是靠着融资烧token之后会走多远,电量仍然很多。给用户解决的问题很类似但面临的条件却不一样Instinct需要让大家先认识自己但Meta已经有了庞大的用户网络那就是它现存的社交平台Facebook Instagram WhatsApp等等这就是大厂和创业公司之间最大的区别Distribution分发渠道但是Meta的Muse它至少有distribution channel尤其是Meta它的distribution channel特别的广所以说我觉得当一个公司在今天这个时代它的distribution channel好的时候我觉得很难做得太烂Muse在今年9月8日向公众开放截至10月初已经超过了660万次下载多次冲到App Store免费应用榜单的第一除了能在独立App上使用Muse之外也可以连接Facebook和Instagram账户这就是Meta天然的优势他已经参与了我们发现内容产生兴趣和联系别人的过程现在他希望进一步承接这些行为之后我们用户要办的事情回到视频开头卖家字的这个例子这不是写一条帖子这样的一次性任务而是一个长期的委托关系我交给Muse的是一个需要长期跟进的指标直到东西被卖出去为止Muse界面上活在一个叫做Ghost的页面里根据Meta对Muse的介绍他希望承接的就是这一类任务理解用户的目标协调时间和资源在用户离开以后继续推进并且在需要批准或者出现变化的时候回来联系用户他还会记住用户的偏好为后续的任务提供参考而要让这种委托越来越省事助手就需要记住你之前说过什么否则每次安排旅行都要重新介绍预算住宿偏好和家里人的时间很多经历交代背景从商业上看啊这种积累有机会形成留存换一个助手呢就意味着重新介绍自己重新磨合也是要重新建立信任扎克伯格在采访中提到了Meta对于Muse的商业设想现在先提供比较大的免费额度让用户尝试把任务交给他未来让Muse帮用户赚钱省钱Meta在从中抽成那是一件事的商量,我们希望是要做一个小剪的剪除 [15:00] 那么要让用户和agent之间建立这种长期的信任关系,背后的技术要求是什么?Muse用的是Meta自己的Muse Spark模型,扎克伯格提到个人助手需要一些专门的能力,而这些能力应该从模型训练阶段就开始培养。边界感就是Muse团队特别关注的一种能力,比如你把怀孕这件事告诉agent,在餐厅的时候就可以据此寻找提供合适饮食无酒精饮品的地方但这并不意味着他需要把你怀孕这件事也告诉餐厅他要能够利用自己知道的信息帮你办事同时判断哪些信息没有必要向外透露为什么Meta愿意在Muse身上投入那么多呢?这就要回到我们开头提到的Distribution分发这个概念了。我们提到Meta已经掌握了社交媒体里面的内容分发,现在它希望进一步掌握任务分发。具体来说呢就是他希望成为你使用软件购买服务的入口来举个例子假如你要Muse安排一次旅行以前呢你自己要打开几个平台比较酒店再决定在哪里下单现在你先告诉你的agent时间预算和偏好由他去查找筛选再把方案交给你确认在这个过程中助手有机会影响哪些酒店进入候选名单也有机会参与后面的预定如果他确实帮商家带来了订单向商家收取费用,这就是扎克伯格口中的生意逻辑尤其是对于一家像Meta这样啊婉转广告业务和精准推送的公司呢Agent更是可以带来得天独厚的价值因为我以前在Facebook嘛就是Facebook广告本质是一个冲动消费就是型的广告对吧就是它是一个就是兴趣和冲动消费型就是你刷刷刷刷到这个本质是这样的一个广告那Google更多的是一个就是你有一个强烈的需求你去搜索所以我觉得Muse它的优点对于Facebook来讲呢是它很多情况想把那个把那种就是有强烈意图的捕捉的非常明确到去Google搜索的前置的情况下Muse就跟你聊天了你就把这个事解决了相当于绕开了Google那道广告直接在Facebook这解决了扎克伯格说他的盈利模式是这个就是说我替你买东西嘛然后我收一个百分比我认为即使不替你买东西Facebook了解了我的email了解了我的这种什么contact了解了我的所有的意图他在推荐这个Feed Go推荐广告的时候也会变得更加精准他的转化率也会更加的高所以假设说他的这个那这个收入也成了一个一倍对于Facebook来讲这是很大的钱那相比而讲这个算力其实本身不算什么讲到这里其实我们都很容易比较instinct和muse了,他们都希望作为用户的你形成一种习惯,那就是生活里有事要办,你会先找这个助手。不同的是它们的起点不一样Meta有社交软件优势Instinct需要积累用户所以才选择了短信这个大家都更熟悉的入口不过这些都还是生活中的场景到了工作场景你可能会提出另一种要求其中很重要的一个就是分工你一边让AI整理客户资料一边让他做市场调研还要让他跟进报销这些工作都有各自的进度文件和需要技术的细节把它们全部放进一个对话里事情一多花时间整理那SpaceX夏天推出的Grogbot就是从分工这个角度出发的多agent协作产品把长期委托组织成一支数字团队现在基本上这个行业的大部分人已经步入了我们指挥一群agent指挥一个agent团队去做这些任务但是很快意识到我们自己是瓶颈这是负责Grogbot产品设计的振鹏在我们的采访当中他提出了一个非常有意思的观点那就是人类是agent工作的瓶颈就好像如果无人驾驶你必须得把手一直搭在方向盘上其实这个无人驾驶对于人来讲的时间利用并没有太大的价值因为你还是得坐在驾驶员的位置你的注意力不能放在别的事情上面那一样的在数字世界里面我们指挥agent完成事情可能在执行层面他已经替代了我们自己亲自去做这事但如果我还是需要一直盯着它,我还是需要一直通过一次一次的往返去完成事情的话,就只是把我们的时间放到了一个就是像一个管理者的角色,并没有真正解放我们自己的时间。所以我们才希望说如果通过把角色抽象出来,把它做成你的数字同事,可能通过这种形态可以把就人和agent的交互往更自动化,更长城的这种方向去推。使用过Galbot的朋友会发现它的界面设计和其他agent产品都点不同,在聊天框的左侧是多个agent或者bot,他们有各自的名字头像和分工,很像是我们上班的时候和你的团队在交流。那这些bot能够在云端使用电脑进入工作工具,彼此出现了一个机会。 [20:00] 也可以在群聊里协作比如一个负责客户跟进一个负责市场内容再有一个帮你协调任务这种设计呢挑战了我们和AI对话的默认形式在几乎所有AI产品里面我们会看到三个面板左边是历史聊天记录中间是当前对话旁边展示任务和结果有了新任务我们就新开一个对话交代要求再来回检查补充和确认但这些对话结束以后我们很少再回头看就说把其中的经验整理下来留给下一次任务。在这种模式下,AI虽然已经能够替我们执行,但人却仍然需要持续推动工作。任务一多,我们就从亲自干活的人变成了不断谦换对话检查进度的管理者。人的注意力以及每天醒着的时间,也就成了agent继续工作的瓶颈。所以GrowthBot尝试把产品的组织单位从一次对话变成一个长期存在的Bot。我们把左边的任务面板变成了以角色与身份为中心的这样的一个清单这样的一个agent list其实我们想说通过这样一个界面的变化在比较impulsively的去推动用户去想说当我拿到一个任务的时候我的第一反应不应该是我又开启一个新的对话 session去自己去完成这个任务然后去监控它的结果而是我应该怎么样把它交付给一个我的数字同事然后我怎么可以把这个任务自动化怎么可以在跟他一次一次一次完成任务的过程当中把他的经验沉淀下来我希望设计的不是可能不是一个一次性的来回交互而是一个系统让他能够尽量的自动化尽量的去把人的因素从这个loop里面省为了多agent协作其实还有一个很有意思的设计问题在人类团队里我们分工是因为不同的人有不同的专业能力但在agent团队里为什么还要分出一个设计师一个工程师再加一个项目经理呢关键就在于他们需要技术的视景不一样更多的是我怎么样把context限制在合理的边界,怎样去划定它的区分到底在哪里。其实是把相关的context给它封装在了同一个bot里面。所有的skills,所有的plugin,这些是每个bot都共享的,但是所有的技艺,所有的personalization是单独的,就是每个bot有。有自己的记忆和偏好这里的context就是Agent执行任务的时候参考的上下文比如说你提出的要求、之前的对话,还有他已经积累的工作经验比如设计Bot需要知道你喜欢什么样的视觉风格负责客户沟通的Bot则需要记住你和客户交流的方式如果把这些信息全部放到一起就需要不断的判断哪些要求适用于眼前的人物哪些只是另一个项目里的特殊情况这些信息相互干扰的问题就是上下文污染所以角色也成了整理记忆的一种方式你把一类工作持续交给同一个bot他就能围绕这类工作自累经验减少每次都要重新交代的负担这种分工也不需要固定补变,你可以把几个相关的Bot拉进群聊,让他们围绕同一个项目协作,同一个Bot也可以同时参与不同的项目。但这里还有一个问题,如果说有了数字团队之后,我们还要花很多时间去管理它,那么人的瓶颈不是还在那里吗?所以Grabbot的另一部分设计就是要尽量减少用户需要学习和配置的东西。他们发现很多人其实想确认的是任务有没有被接收现在还在运行吗有没有卡住什么时候需要我们回来这些问题于是他们选择了用头像的不同动画去表达BOT正在工作等待处理或者已经完成这些状态这些看起来很小的设计其实承担的是一个很实际的任务给用户足够的信息让他可以放心离开一会儿所以Grubbot想建立的关系是你知道他还在做事也知道需要判断的时候他会回来找你更详细的过程可以在你离开的时候再展开如果这种合作真的能建立起来那么用户的工作习惯就会发生一个更深的变化我觉得目前正在发生的一件事情是大家和数字世界中间开始增加了这一层agent的好像额外隔了一层比如说我个人的日常工作时间很多时候变成我不再去主动亲自使用Figma或者Notion或者Slack这些SaaS tool变成我指挥我的Agent去使用这些那这也就把我们带回了这一期的主线入口那就像我们在生活当中用不同的软件来订机票找酒店一样在工作当中我们也有不同的SaaS软件所有Agent产品就是希望在潜移默化当中来使用这些软件所以从Instinct Muse和Growbot他们争取的是相似的位置但介入的方式又有所不同Instant希望成为消失业表里那个 [25:00] 随时可以联系的助手Meta希望借助原有的社交生态进一步承接用户要办的事情Roughbought则是从工作分工上入手让不同的数字同事成为可以持续委托的对象最后他们都希望建立一个习惯,就是有任务先来找我。但当agent真的站到了用户和软件以及商家之间的时候,新的问题也就随之出现了。用户能不能放心放手?原有的平台愿不愿意让agent介入?而那些没有消失的监督执行和协调成本现在又要由谁来承担呢这就是第三章里我们要讨论的问题随着使用agent的人越来越多媒体对agent的报道当中也不乏越来越多的恐怖故事比如让Instinct查看航班条款他却直接取消了航班直接损失300美元让Muse卖键盘他却在未经允许的情况下让买家上门取货买家没见到人最终给了差评当然这些案例不能直接告诉我们Agent的出错率有多高但它也暴露了一个特别直接的问题那就是在不知不觉当中我们到底给了Agent多少授权所以Agent的第一个隐藏成本就是隐私和安全边界最重要的可能还是安全性跟可靠性我觉得因为这是用户很容易疏忽的在一个新鲜事物刚出来的时候大家是关心这个东西有多少sexy的功能能够做什么东西我就说一句话就帮我飞机票给定好了但是你要一个新鲜事物真的成为一个长久的能够进入千千万万的那肯定对安全性可靠性的要求还是比较高这里其实有两个不同的问题一个是助手会不会超过你的授权去行动另一个是你交给他的数据会被谁看到又会被怎么样使用扎克伯格透露他和Net Freeman亲自招募了加密通讯软件Signal的创始人Moxie Merlin Spike让他参与Muse的机密虚拟机项目这是为了把用户交给Muse的信息放进受保护的云端运行环境目标是连Meta自己也无法查看里面的内容顺便说一句扎克伯格和Meta最近的举动还挺耐人寻味的我们知道由于Hugging Face和OpenAI的事故很高在这个节点的扎克伯格发了一条推文表示Meta为了保证Muse的安全性发布Muse的时间点比原计划晚了几个月另外Meta还加入了一个叫做Sentinel的监控Agent检查进出的信息并在需要时触发用户审核但话说回来呢即使解决了谁能看到数据也还没有完全解决助手会拿数据做什么这个问题他仍然可能会在一次正常的任务当中发出一条不该发的消息准准的任务我们能够从Infra层去约束我们自己但是我们是没有办法约束我们的Client说当我们的客户用到这些用户数据了以后他们会怎么做那第二个问题呢则是原有的平台愿不愿意让Agent进来Muse活起来后没多久啊亚马逊就封锁了Muse禁止他代替用户购物亚马逊表示Muse没有公开表明Agent的身份并提出了账户访问和凭证处理方面的安全担忧他认为呢三方服务应该公开运行并且尊重商家是否参与的决定这里的分歧是用户同意让助手帮自己操作是不是也意味着另一个平台就一定要接受这个助手呢从用户的角度呢我有账户也愿意花钱只是换了一个操作的方式但从平台的角度看啊进入账号读取信息执行交易的还包括另一家公司提供的系统他希望知道这个系统是谁能做什么出了问题又该如何处理而在安全和访问规则之外这里还包含着一层商业利益的冲突我们前面说Meta希望从内容分发进一步走向任务分发但这些任务原本就发生在其他的平台上如果你自己打开购物网站平台可以通过搜索推荐和广告影响你的选择如果你先让Muse比较商品再由它完成购买那么一部分选择过程呢就可能转移到Muse那里也有的平台仍然可能获得订单但就不像之前那样可以直接接触用户影响购买决定了广告的收入也有可能减少这就是这场冲突中可以看到的商业压力Agent在带给平台交易的同时也可能会把原有的客户关系给带走所以啊隐私安全和平台冲突这两个问题也让一个Agent接管所有任务这个想法变得更加复杂尤其是在企业层面。讲到这里我们还有最后一个问题,那就是Agent能成为一门赚钱的生意吗?在我们制作这期视频的时候,其实已经有了不少关于用户增长、融资和估值的报道,但我们还不知道Muse,Instinct和GropBot各自清晰的收入。 [30:00] 利润披露在分析Instinct和Mills这两个主攻消费端的agent的时候我们已经提到他们的盈利前景完全取决于现在的分发渠道对Meta这样已经拥有纯熟业务的公司来说它可以选择先投入让用户形成习惯再逐步寻找收入来源那像Insting这样的独立创业公司也可以通过融资补贴使用但下一轮融资能否继续最终还是要回应增长留存和商业模式的问题我认为C端A站最后就是比谁钱多就是能烧即使说Instinct的体验更好但是如果他不能做到100%免费我认为他没有未来在agent生意里还有一个很特别的矛盾,用户越喜欢他,越愿意把事情交给他,就意味着要调用更多字的模型,那么公司的服务成本也可能跟着增加。我觉得最终你会发现这个支出是指数性的增长我不认为这是一个startup能够玩的游戏这其实也解释了为什么很多agent会从办公场景去切入办公场景有更多的很清晰的那种交付物比如说我要follow up一个PR或者我要做一个纪要每周的这种简报啊日程的协调啊之类的然后协用户的付费意愿更强能够更加好的去证明这种我把一个任务委托出去然后直接给我结果的这种叙事一个助手能够稳定完成每周的报表或者持续处理客户跟进企业就比较容易衡量他节省了多少工时是否值得付费但付费意愿更强呢也并不一定代表着钱就更容易赚刚才提到的数据保护权限管理还有系统接入都可能增加企业的成本不管怎么说这场agent产品之争才刚刚开始这期我们聊到的Instinct, Muse和Grogbot有的想成为你的私人助理有的想组成一支数字团队他们的产品形态和切入点不同但核心的逻辑都是一样的那就是抢占人们执行任务的入口而这个入口过去是软件,今天是agent,它想要成为我们和数字世界之间的桥梁。当然今天的形态未必就是未来的答案,其中一个可能的变化就是专业agent的诞生。目前我们看到的agent都还是通用agent,但未来可能会出现专攻细分领域的agent,来服务企业甚至是消费者的不同需求。现在的模型多样化,可能就是未来的agent多样化。我觉得基于这样的话那么就是每个员工在分别用同样的生产线可能用这多少多少个agent所以我觉得这一波就是这些agent之间怎么合作然后呢怎么这个生产线怎么搭建我觉得这才刚刚刚刚开始然后围绕这个生产线搭建就会出现说什么样的agent在什么情况下做什么样的事情然后我们在乎的什么时候我们在乎的是价格什么时候我们在乎的是质量然后什么时候我们在乎的是agent迭代的速度我觉得这些东西都会逐渐的出现现在还是非常早期的一个情况但像Azeng这类公司的高估值已经反映出资本对一种可能性的压住当我们习惯先把需求告诉助手再由他去调用软件寻找服务助手就有机会成为新的入口谁能赢得这份长期的信任谁就能改变我们使用软件购买服务的方式这也是我们会长期关注这场竞争的原因好了以上就是我们这期视频的全部内容了大家的点赞留言和转发是我们硅谷101做好深度科技和商业内容的最佳动力我是一文,那我们下期再见啦。by bwd6by bwd6by bwd6优优独播剧场——YoYo Television Series Exclusive优优独播剧场——YoYo Television Series Exclusive