1. 创业者做 Personal Agent，有没有一线生机？

[!abstract] 速览
文章从 Personal Agent 的商业机会出发，探讨了创业者如何通过数据工程、后训练和深度耦合构建可持续的个人智能产品，强调价值可长在基模之外。

文章从 Personal Agent 火热的行业热潮切入，质疑其是否真的为创业者提供机会。
作者指出，传统 AI 应用受制于底层大模型，产品价值难独立，而 Personal Agent 通过「破壳」可能让创业者在数据工程、后训练和用户深度建模方面形成竞争壁垒。
文章进一步将 Personal Agent 纳入更大的 Personal AI 范畴，阐述了从信息获取、推荐、生成到 Agent 行动、个人智能的演进路径。
作者分析大厂为何下场（获取用户任务数据、算力与流量闭环），并指出创业公司面临的资源、成本与信任问题。
最后提出两种路径：Rush 型快速获取用户，或 Build 型从垂直切口深耕，强调需持续评估用户价值与成本匹配度。

1.1. 主要内容

#	要点	关键细节
1	Personal Agent 的核心价值可长在基模之外	通过数据工程和后训练能力，创业公司可以构建属于自己的核心供应链，形成用户信任和长期价值，摆脱对顶级模型的依赖。
2	Personal AI 是技术栈演进的最新阶段	从信息获取到智能行动，再到长期个人智能，Personal AI 代表了 AI 技术向「深度耦合」的跃迁，产品需先呈现形态再补齐能力。
3	大厂下场是为了获取用户任务数据和生态闭环	大厂拥有模型、算力和流量入口，可以将亏损视为战略投入，而创业公司必须更早回答用户留存价值与商业可行性。
4	创业路径分为 Rush 型和 Build 型	Rush 型快速获取用户和 ARR，但风险在于无法转化用户数据为产品能力；Build 型从垂直切口深耕，注重交付质量与成本匹配。
5	Personal AI 的核心壁垒是深度耦合而非上下文壁垒	用户信任来源于持续理解与主动服务的协作关系，产品应将上下文作为用户资产，实现在授权范围内的专业服务。

Personal Agent 真的是个「入口」的问题吗？真的意味着「这件事里没有创业者的位置」吗？

最近一阶段，Personal Agent 很热。
有趣的是，这个概念迅速火爆又迅速有了一个共识，几波讨论下来大家的观点似乎是：Personal Agent 的机会是大厂的，创业者基本没戏。

虽然一般情况下，「入口级机会归大厂」确实是大概率发生的事情，但 Personal Agent 真的是个「入口」的问题吗？真的意味着「这件事里没有创业者的位置」吗？

这依旧值得认真聊一聊。

1.2. 真正值得兴奋的事：价值可以长在基模外

我们换一个视角看，Personal Agent 为什么让人兴奋？

因为它给创业者提供了一种新的可能：产品的终极价值不来自于今天大模型公司提供的智能，而是可以借助大模型的能力来孕育产品，最终在和用户的共同发展中，把大部分能力和价值留在创业公司自身。

回顾过去三年 AI 和 Agent 的演进，通用大模型就像一个营养丰富的「蛋」。
绝大多数 AI 应用和 Agent 产品，本质上都没能离开大模型这层「卵壳」。
无论是从最初的「套壳」，还是后来开始做 Environment Engineering、Harness Engineering，努力让模型能用工具、能执行更长的任务，很多时候仍然受制于同一个事实：产品的智商、响应能力和行为边界，很大程度上由底层模型决定。

早期生长依赖大模型提供的「养分」，这本身没有问题。
问题在于，如果产品一直只能从基础模型里「吸收营养」，无法破壳去真实世界里独立生长，最后就容易沦为模型厂商的「Token 分销商」。
并且始终难以摆脱在沙滩上建城堡的风险：模型一升级，别人也能跟上；模型一涨价，自己的成本就被牵着走；模型一迭代，你的产品可能就被基模能力吞没了。

Personal Agent 提供了一种「破壳」的可能性，这是那个真正值得兴奋的地方。

在今天，虽然很多时候接入最好的模型才能让 Personal Agent 产品有最好的用户体验，但总要用发展的眼光看问题。

[!important] 价值可以长在基模之外
Personal Agent 产品的终极价值，不必然取决于你是否拥有或接入全世界最强的通用模型。
解决具体场景里的个人问题，未必总需要最昂贵、参数最大的顶级模型。
产品的终极价值更多会取决于大模型之外的东西，例如高密度的个人上下文、以及对用户理解的深度建模、长周期交付价值沉淀下来的信任关系。

当然，这要求团队本身具备强大的数据工程和后训练能力来打底。
但不意味着需要一步到位配置齐全才能下场。
创业公司起步阶段可以动用的解决方案可以有很多，例如，可以先把上下文管理、任务编排、评估做起来，或者通过架构设计组合出更高效适配的模型，甚至把「熟能生巧」级别的 RSI 能力跑起来。
随着真实任务里的高质量数据和用户反馈的逐步积累，创业团队最终也有机会训练出更适合自身场景的模型。

这有点像建设一条自己的「核心供应链」。
重点不是一开始就拥有所有环节，而是逐步掌握那些决定交付质量和服务成本的关键能力。
长期来看，这些能力会影响用户服务的成本和利润空间。

所以，如果说两年前的大模型热潮更像是一场「硅基竞赛」，比拼的是谁有更多的卡、更顶级的研究员、更多更好的数据。
那么 Personal Agent 把 AI 创业带到了一个新阶段：价值和竞争力可以长在基模之外。
这是 Personal Agent 对创业者真正有吸引力的地方。

1.3. Personal Agent 不是新产品概念，是一个技术新阶段

如果只把 Personal Agent 理解为一个新产品形态，可能并不完整。
我现在越来越觉得，我们讨论的其实不只是 Personal Agent，而是更大的问题：Personal AI。

Agent 解决的是 AI 能不能替用户行动，而 Personal AI 则是更具方向性的话题：技术能不能长期理解一个人，围绕这个人的上下文、目标和动机，持续提供有效的、主动性的服务，并以「忠于个人」为出发点建立有效的商业模式。

把这件事放进更长的技术演进里去看，会比较清楚：

互联网让用户能够获取信息，推荐系统让信息开始适应用户，生成式 AI 让系统能够理解用户的意图，Agent 让系统能够代表用户行动，而 Personal AI 试图将这些能力组织成一种长期、连续的个人智能。

Personal AI 的目标不只是把用户明确表达的需求通过 agent 多快好省地实现，更在于用户能感受到「个人智能」的存在让自己在变得更好。

Personal 不是某个单点功能，而是一整套技术栈。
就像此前我拆解过「陪伴类」产品，得出 「陪伴不是新产品类型，而是一条新技术栈」 一样。
Personal 的难度可能比「陪伴」更高。
因为「陪伴类」产品还可以靠卖个萌、装个傻来抬高容错率，但 Personal AI 在用户面前多半难以「萌混过关」。

回看过去 4 年，从大模型到 Personal Agent，大致走过了四个阶段：

阶段	能力
AI	能理解和生成内容
Agent	把模型接上工具，让它在对话之外，开始具备执行力
Personalized	系统可以根据具体用户的上下文，调整自己回应和做事的方式
Personal	在获得授权的前提下，和一个人长期相处，持续理解并帮助这个人

这波 Personal Agent 产品不是横空出世，而是行业整体到达了一个有迹可循的技术新阶段。
有意思的是，AI 这轮发展中，产品形态的演进常常先于技术和基础设施的成熟。

2025 年的 Manus，可以看作 Agent 的一次产品打样。
它把模型、工具调用和任务流程通过大量工程工作组织起来，让用户直观地看到：AI 不只是回答问题，也可以接下一件事，试着一路把它做完。
Manus 先把 Agent 的样子做了出来，但这不代表 Agent 的能力、成本和可靠性已经成熟到可以稳定、低成本地规模化交付。
产品先让人看见「可以是什么」，技术和工程再慢慢补上「怎样才能一直做到」。

2026 年的 OpenClaw，则把这个问题往 Personal 的方向推了一步：一个不只是等你打开来提问，而是有机会长期待在个人环境里、持续积累对用户的理解并承接个人任务的助手。
它让 Personal Agent 从一个想象中的产品概念，变成了可以摸到的形态。

但形态出现，不等于问题已经解决。
Agent 能调用工具，也不等于它能有效、安全地完成任务；能为用户完成一次任务，也不代表它已经真正以用户为中心；记住了几条偏好，更不等于和用户形成了长期关系。

所以，这条线不是「模型越来越强，产品自然就出来了」。
更像是，当底层能力开始逐步接近可用时，产品先把下一阶段的样子摆到用户面前，再在真实使用中逐步补齐能力。
它必须把真实用户卷进来，一起往前走。

这也能解释，为什么当前很多 Personal Agent 产品都还没那么完善，即便会收到诸如「还是玩具」的评价，各家也要争先恐后把半成品先推到用户面前、带到真实世界中去：要让人相信，这个产品会越来越懂自己，去争取更多泛 C 用户带来的真实任务和反馈，进一步帮助他们迭代模型、工程和产品。

1.4. 大厂为什么下场？创业者又在面对什么难题？

看看各家科技巨头的打法：Anthropic 把 Claude 的订阅定价压得远低于同等额度 API 的成本，时不时还刷新一次额度。
各家也在客户端里纷纷推出免费额度吸引用户，还将免费时效一延再延。
马斯克都忍不住在 X 上感慨，Grok Bot 的服务成本相对于其收入而言高得不可持续。

把用户吸引到自己的应用里跑任务，可以看得到用户设置了什么任务、如何分段提问、如何调用 MCP、什么时候换模型、怎么迭代一个方案、什么时候放弃。
这些真实的、多模态的、长任务链条下的人类任务执行轨迹，天然带着精标注，是模型、工程和产品迭代的金矿。

这就是科技巨头做 Personal Agent 的一笔账：它们不只是在卖一个助手产品，也是在争取用户、任务和反馈。

但科技巨头能算的账，和创业公司不是一个维度。

科技巨头	创业公司
手里有模型、算力、流量入口和既有业务，可以从产业链的多个环节参与，也可能在自有生态里闭环成本。	通常更靠近应用端，要向外购买模型、云端环境和各类基础设施。
可以把某些亏损视作战略投入，也可以在不划算时转身离场。	必须更早回答：用户为什么留下？留下之后我们沉淀了什么？这门生意有没有机会成立？

前阵子，我和两位在这一轮热潮之前就曾想尝试探索 Personal Agent 的创业者交流。

我问他们：「你们起心动念比所有人都早，为什么后来没有冲出来？」

他们的答案很一致，甚至带着一丝劫后余生的感慨：不是没想过，而是很快发现，受限于自己的资源边界（简单来说就是融资能力），Personal Agent 这件事，现在没办法做。最主要的是，按照跑 ARR 的打法，现在根本支持不住。

其中一位给我算了一笔账：他当时给每个用户配备了一个云端虚拟环境，让 Agent 能够真正像人一样去操作软件、调用工具。
跑了一段时间后，财务模型崩溃了，一个月从每个用户那收来的钱，只有背后的算力、Token 和云资源成本的 1/4。

更关键的是，他发现自己就算这样做，依然想不清楚究竟沉淀下了什么不可替代的长期资产。

另一位的路径也类似，最初就想做全功能的 Personal Agent，但很快发现：当时的数字和物理环境，对 Agent 而言极其恶劣。
Agent 每往前推进一步，都可能遇到页面变化、权限受限、任务中断，继而反复重试、补充上下文，Token 和云资源消耗一下子就上去了。
Web 已然困难，更别提移动互联网生态下的各种 App「围栏」了。
基础设施的不 Ready，让启动 Personal Agent 这件事天然面临很大阻碍。

这不是说 Personal Agent 会永远算不过账，而是说，今天的技术栈、基础设施和商业模式之间，还没有天然对齐。
产品看起来能做，不等于它能稳定地做，用户愿意试，也不等于每个用户的服务成本都能被收入覆盖。

看起来挺绝望的是不是？
确实要客观看到，Personal Agent 这件事，今天根本不是一个马上可以水银泻地的产品或者场景型机会。
它更像是一个系统、技术以及资源的综合挑战。

但从创业历史上看，很多重要的创新，恰恰发生在这样的阶段。
有一些创业者，他们可能具备了一些别人还不具备的历史资源和技术积累，因为他们意识到，对于有些实现条件，办法并不只有等待，还可以通过自己的努力，想办法把它们创造出来。

毕竟，识别那些今天看起来还不可能，但实现它所需的关键条件正在逐渐形成的事情，本身就是把握创业机会非常重要的一部分。

创业这件事，人、事与技术时代的三重对齐是最重要的。
对于 Personal Agent 这件事的做与不做，对不同创业者来说，答案本就不应该是统一的。

1.5. 通用 Agent 可能赢家通吃，个人智能也许未必

对于 Personal AI 这件事，还有一个看点恰恰在于，未来的格局也许更接近「赢家不通吃」。

首先，人的偏好是离散的，世界上不存在一个让所有人都满意的「万人迷」。
基模在榜单上赢得的名次，并不直接对应用户的喜爱程度。
说话的调调、思考的深度与快慢、处理模糊问题的方式等等，都可能影响用户是否愿意长期使用一个 AI。

一旦进入「Personal」的关系，它就不只是一个工具或服务，它可能会有点像消费品牌：不可能有一款汽车或一家服饰品牌，能垄断所有人的偏好。

其次，用户未必愿意把所有个人信息和事务全盘托付给一家科技公司。
试想一下，如果全世界所有人都把个人信息和事务托付给一款产品、一家科技公司，相信会有不止一方力量，甚至包括非市场力量站出来阻止这件事的发生。

此外，「专事专办」的社会结构，在数字世界里可能同样成立。
一个通用助手也许可以做「大总管」，但不一定要亲自处理所有事情。
健康问题、理财问题、工作事业，可能分别需要专业性不同的 Agent。
专事专办，既可能有更好的执行质量，也可能在成本和安全上更合适。

这些不同于互联网平台模式的可能性也带来一个问题，如果 Personal AI 可能是离散的，那用户的上下文也是离散的吗？

[!question] 上下文归谁？
这也让「上下文归谁」成为一个值得认真思考的问题。

一种妄念	另一种可能
我掌握了模型和入口，就把用户所有日历、邮件、聊天记录都圈在自己的围墙里，不让上下文流向外部，从而抬高用户迁移的门槛。	把个人上下文明确为用户自己的资产：产品负责在授权范围内提供专业服务，用户可以查看、管理，必要时也能迁移。
可这种做法也可能伤害 Personal 最核心的基础——信任。用户越觉得产品把自己的个人数据当成私有资产，越可能处处设防。	不同的 Agent 可以在明确授权后，获得完成具体任务所需的信息。

与此同时，这个产品留下的，是在对用户上下文的充分理解，和主动性 agent 履约服务之间，沉淀下来的用户建模，这决定了这个产品的用户体验价值和信任价值。

也就是说，Personal AI 的核心壁垒，不在于 Context Ownership（上下文壁垒），而是在 Context 之上，通过持续理解、主动服务和反馈验证，与用户共同演进形成的 Deep Entanglement（深度耦合）。

但这不意味着开放架构必然胜出，也不意味着用户数据越多，壁垒就越强。
而云端还是本地，也不是一个简单的二选一问题。
数据、智能、控制权，这三层在云还是在端，可以有不同组合。
例如，个人上下文可以主要保存在用户控制的空间里，但在授权后把部分信息交给云端模型处理；简单任务可以在本地完成，复杂推理调用云端；多个模型也可以共享一套受控的上下文，而不必把用户全部数字生活绑定给一家模型服务商。

真正重要的，或者说就算今天亏着钱也依然值得积累的，还是在用户需要的服务上，建立了更好的用户价值交付能力，并能和用户共同演进出深度耦合的能力。

如果我们可以确认，这是一个技术上不会被大模型直接吞噬的，在用户上有机会进行积累的，在未来单一用户价值上有机会突破上限的业务形态，那创业者在 Personal AI 这件事上有没有一线生机的问题，就变成了：今天这位创业者能掌握多少资源，能选择什么时机和切入口，以及能以多高效率构建起这套技术栈的问题了。

1.6. 另一种路径：找到一个明确的切口，从工具，走到伙伴

抛开一切火热的概念，创业终究还是要回到商业本质：你能不能找到一件值得解决的事，能不能把它解决得足够好，能不能找到需要这项服务的人，最后能不能把账算过来。

甚至，创业者也有一种可以走向 Personal AI 的路径：不从通用出发，在垂直场景里，找一个具象、又足够 Personal 的高价值切口，把事情做深、做细。

某个具体人群的具体问题，如果足够重要、反复发生，产品又能持续交付价值，就有可能形成很好的收入，甚至会有很高的价值上限。

而且，一些过去我们认为不可实现，或者是需求太少的服务，可能正在因为大模型带来的「批量生产智能」的能力而改变供给，进而改变需求和价值的上限。

比如「个人成长」这件事一直是个很虚的需求，也没有过充分的服务供给。
我关注到 OPPO 最近做了一个叫「心力球」的产品，它虽然没有去讲 Personal Agent 的宏大叙事，它就是切入了一个明确群体的原生需求：聆听用户的对话，帮用户「向内看」自己。
对于很多创业者或者带团队的人，这不是一个「书记员」的助手角色，而更像一个非常需要的思考伙伴的定位。
它像一个随时在线的成长教练，always-on，并在某些特定时刻，敏锐地给到建议和提醒，你立刻能感受到一种平等的伙伴关系在建立。

另外，个人的健康也是一个可能的切口。
过去智能硬件常常只是每天雷打不动地给用户推送一份报告，而 AI 创造的新机会在于，你的产品可以演化为一个具备主动性、能与用户直接交流对话的形态。

我发现例如 Alloop.ai 在「健康黑客」（Health Hackers）人群中的实践，已经呈现出了一些 Personal Agent 的实际效果。
在持续追踪用户健康相关数据的基础上，软件可以敏锐地捕捉到那些波动和数据背后的联系，并且将这些洞察反馈给用户，主动与用户探讨并推动用户形成更好的生活方式。
在其用户群里可以看到一些真实的案例，比如软件会和用户主动交流，从「昨晚你深度睡眠时长有了显著提升的原因」开始探讨，继而帮助用户意识到晚间不饮酒有利睡眠，随后用户在实践中不断验证这一行为改变的影响，最终用户自己主动开始戒酒。

这种 AI 与用户共同启动一个健康计划的行动，我觉得是非常接近 Personal AI 的本质定义的。
不是被动等待用户下达一个任务，而是能够和用户共同发起一个目标并推动它往前走，是验证产品从服务关系走向伙伴关系的一个很明显的标志。

在这些具体场景里，产品能否跨过「工具」和「服务」的旧范式，成为「伙伴」，要看它是不是能够持续交付价值。
「关系」不是目的，是结果。
用户交给你一件事，你做好了；你主动对用户的服务，命中了；两边在一次次符合预期和超预期的协作中，才可能层层深入形成更稳定的关系。

1.7. Big Thing 还是 Big Hole？该 Rush 还是该 Build？

Personal AI 是一件必须和用户一起向前走的事。
但你不能把它等同于移动互联网时代的「跑马圈地」，把用户量、DAU 或 ARR 当成目标，先用补贴把人拉进来，再期待未来自然长出价值。
这在今天很可能风险巨大。
每增加一个用户，都意味着新的服务成本。
如果产品还不能稳定交付，也没有能力把真实任务和用户反馈转化为更好的产品，用户越多，未必越接近成功。

所以，对于 Personal AI 来说，用户不仅是一种「业务结果」，更是一种产品成长所需的「关键资源」。
需要在过程中持续判断：需要引入什么用户、在什么阶段引入、希望验证什么问题以及获取什么资源，以及有没有能力承接好这些用户。
用户量不是越多越好，关键是每一阶段新增的用户，能不能帮助你更好地解决当前阶段的问题。

背后的核心，是要思考：应该去拿到的那个核心价值是什么？关键指标是什么？

过去一段时间，ARR 常被当作评价 AI 创业公司的指标。
但到了 Personal AI，我们还应该只看 ARR 吗？拿下更多用户、燃烧更多 token、取得更多融资，就有利于增加创业者的赢面吗？

我现在还没有一个确定的答案。
但如果 Personal AI 的目标，是让产品从工具走向服务，再从服务走向伙伴，那么评估一个团队，或许不能只看它有多少收入、多少用户、烧了多少 Token，还要看它有没有在真实使用中积累起更深的用户理解和更稳定的协作关系。

这个问题，不管是投资人还是创业者都需要考虑，因为这关乎到面前的究竟是一个机遇，还是一个大坑。

估计 Personal AI 创业大致有 Rush 和 Build 两类打法。

打法	做法	风险与要点
Rush 型「大力出奇迹」	通过铺营销和推泛 C 端概念快速获取用户量和 ARR。	如果没有能力把这些用户带来的任务和反馈加工成产品能力，就会像一个「资源国」——看似拥有大量用户和 Token 吞吐，却没有把原料转化成稳定价值的工业能力，实际可能变成拿投资人的钱补贴了产业链。
Build 型「可持续发展」	从一个更窄的切口开始，不急着扩量，甚至刻意把用户规模控制在资源范围内。	稳扎稳打、把活做细，不断提升自己在垂直场景里的交付能力。

Rush 和 Build，不是「快」与「慢」的简单对立，也不是二选一的一次性路线问题，这两种机制甚至是要不断切换和随时调整的。

[!warning] 核心是一场精密的动态计算
无论是「大力出奇迹」的 Rush 还是「可持续发展」的 Build，核心至少是一场精密的动态计算，需要清晰、持续地评估和预判：手里可掌控的资源有多少，投入之后能换回什么可积累的资产，以及自身能力和外部环境的状态。

毕竟没有人的资源是无限的。
面对环境的客观限制，「许愿式的创新」要不得，还是需要带着工程思维主动建设、主动创造。

所以，Personal AI 是不是一个 Next Big Thing？
我认为是的，不在于它是那个兵家必争的「入口」，而是因为它有机会让产品的长期价值长在基础模型之外。

但 Personal AI 同时也可能是一个「Big Hole」。
无论是今天它在真实环境里所要面临的摩擦力、技术和工程上的挑战，还是当前阶段的「不经济性」，都客观地摆在眼前。

[!important] Big Thing 与 Big Hole，本就是一体两面的真相
Personal AI 原本就不应该是一个大家一哄而上的产品形态。
但也恰恰因为它的「非共识」，因为它只有「一线生机」，才让它变得对创业者真正有价值吧。