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

10月21日，Anthropic推出了Claude Duet，加入了个人AI助理的竞争行列。在此之前，Meta已发布Muse，SpaceX旗下的Grok Bot计划打造一支数字同事团队，OpenAI也宣布了其助理Dots，而Instinct则将私人助理嵌入苹果iMessage，成立仅一年，便以100亿美元估值完成了10亿美元的C轮融资。

在国内，Manus上线了2.0版本，腾讯的WorkBuddy也从整理资料、处理表格等办公场景切入，此外千问、豆包也相继推出了agent产品。

AI助理正在接手过去需要人亲自完成的一系列任务，例如预订机票、酒店，或在二手平台发帖、定价，与买家讨价还价，甚至预约取件。

随着Agent开始执行任务，也带来了新的算力需求。它们在云端的虚拟电脑中打开浏览器、运行程序、处理文件，都需要CPU、内存和存储的支持，AMD和英特尔的股价在过去一个月也随之上涨。

但更多任务、更多算力，并不自动等同于更多利润，这背后的生意并不好做。本期内容，我们采访了包括Grok Bot设计师在内的几位Agent从业者，来回答为什么大厂和创业公司都在争相开发AI助理？他们争夺的入口，最终能否成为一门赚钱的生意？

Agent产品频出为什么是现在？

如果年初你也折腾过OpenClaw，看到这些Agent的用法，可能会觉得很熟悉：这些事情，“小龙虾”不是就能做了吗？

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OpenClaw身上已经可以见到。

Howie Xu Gen首席AI与创新官 OpenClaw背后代表的是一个架构，代表的是技术的成熟度。所以，我们今天看到Grok Bot，包括Meta推出的Muse，背后肯定不是用OpenClaw，但是是在用OpenClaw的思维去做这些架构的应用。

不过，虽然OpenClaw证明了架构可用、技术已经成熟，但它始终没有走进千家万户，是有原因的。它的技术门槛确实很高，所以才会有人卖课，也有人付钱请人上门安装。从另一个角度看，这也恰恰说明了需求。

Peng Zheng SpaceXAI设计师（Grok Bot） 大家对这样的个人助理型、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OpenClaw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，变成普通人能够使用的服务：电脑由平台准备，不需要你给Agent准备一台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，告诉它要做什么，比之前在本地设置方便得多。

降低门槛只是第一步，更重要的是，后台的能力也开始跟上了。最开始我们用AI时，是在用一个聊天机器人，聊完还得自己干活。

这背后，有两件事在同时发生。首先是Harness（智能体运行框架），以及模型处理连续行动的能力增长。

回到卖家具的例子，写介绍可能只是第一步。它还要查价格、找到正确的页面、填写信息，处理买家的回复。如果事情没有按计划发展，还得决定下一步怎么办。这些步骤之间存在依赖，如果前面出错，后面的操作可能全部白做。

模型之外，还需要一整套系统，帮Agent连接工具、保留进度、安排后续任务，在出错前重试，或者把任务交给别人。

Homin Luo Mapier.ai创始人 它就像冰山一样，你能看到的、跟你交互的执行只有一点点。但后面有大量harness，有大量与sandbox（沙箱）相关的工作和执行。比如怎么去跑很多subagent，其实都是在背后运行的。

**第二，一部分任务现在可以用更便宜的模型完成。**这对需要持续运行的Agent来说尤其重要。

Howie Xu Gen首席AI与创新官 另外，尤其是最近半年，模型的能力和开销都在大幅度变好。 今天OpenAI的Luna模型，我觉得遥遥领先一年前最先进的模型，甚至可能领先9个月前最先进的模型，而它的开销是前沿模型的十分之一，大约低一个数量级，这就变得非常可用了。 因为我们自己也在开发类似于Muse或者Bot的产品，我对消耗非常了解。虽然还是很贵，但至少可以开始讨论用得起、用不起了。9个月前太贵了，根本不用讨论。

为什么成本这么关键？因为我们现在交给Agent的都是长程任务。做一件事，背后需要反复调用模型；我们休息时，它也在不断工作。这样叠加的成本，就更需要经济的模型。

当然，一次调用变便宜，也不等于一个助手的总成本一定下降。它能做的事情越多，用户可能交给它的任务也越多。

到这里，就可以理解为什么这些Agent产品变得可用了。本质上，它们是在沿着OpenClaw的逻辑，做更适合大众的产品。回过头来看，在OpenClaw爆火之后，就出现了一批这样的产品。

一开始，Anthropic推出Claude Cowork，把Coding Agent的执行方式带到更广泛的办公任务里：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，也引发了资本市场的一轮SaaS焦虑。

腾讯也在二月推出了WorkBuddy，探索类似的办公路径。逐渐地，我们还看到了更多面向消费者的产品。比如Town，就在尝试从你日常使用的软件里理解个人工作模式，把任务自动化。

**这些产品的共同点是，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，比如WorkBuddy；有的有虚拟机，在云端工作，比如最新的Instinct、Grok Bot和Muse；也有的调用本地工具。

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。尤其是与聊天机器人相比，更大的变化是，它们有跨对话的记忆。

但不同的是，它们如何让用户第一次尝试产品，又如何让用户持续使用。接下来，我们以最近流行的几款产品为例，看看它们的不同设计和目标。

三款产品，三种建立长期委托的方式

Instinct

Instinct这个产品，很多人可能还没拿到邀请码，风险投资人就已经给它开出了100亿美元的估值。

到现在，Instinct仍然采用邀请制，但用户已经超过十万。早期用户大部分是硅谷的创业者和投资人，也正是这些资深用户的主动宣传，为Instinct吸引了一波关注。

创始人Noah Shinn是一名23岁的大学辍学生。2023年，他就发表了一篇叫作Reflexion的论文，研究的问题与今天的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，他又参与了τ-bench（τ基准测试）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，它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。更关键的是，同一个任务重复执行，它能不能持续做对？一次成功的演示，距离可靠地替人办事还有多远？

在个人助手流行之前，Noah就已经在研究Agent的两个核心问题：出错之后如何改正，以及能不能稳定地把事情做完。这也能解释为什么这位年轻创始人会受到关注，拿下10亿美元的C轮融资，甚至在两个月内融资三轮。

在产品设计上，Instinct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，把要办的事情发给它。对用户来说，不需要重新建立打开一个应用的习惯；对厂商来说，这也极大地降低了获客成本。

Howie Xu Gen首席AI与创新官 我觉得未来的应用很有可能是没有应用的，你跟它打交道，就是发消息、对话。你要告诉它的是结果，而不是经过什么工作流，点这个、点那个。 我们被上一代或者前几代的软件培养坏了，要订一个餐馆、买样东西，就要点这个、点那个，凭什么呢？你就告诉它我要什么东西，让模型或者软件来告诉你要做什么，而不是你去做。

把Agent变成一个能帮你办事的联系人，也不是Instinct首先想到的。

今年三月，一款叫作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。不用打开一个独立的AI工作台，只要发条消息，就可以让它处理工作。

但入口简单了，又出现一个新问题：面对一个什么都能做的助手，普通人未必知道应该让它做什么。换句话说，一个助手具备某种能力，与用户愿意把事情交给它，是两回事。

Homin Luo Mapier.ai创始人 Instinct火起来，其实是因为Twitter上有很多power user（硬核用户）、pro-sumer（产销合一者）。这些人先告诉你：“我用Instinct做了很多原来Poke或者GPT做不了的事情。” 很多人觉得非常有意思，过来试一下，发现它能完成这个使用案例。于是，有很多非常有想法的用户去尝试，但并不是所有用户都非常有想法。

所以，具体的使用案例对这类产品非常重要。早期用户分享用法，可以说是在帮产品做市场教育，但这也带来了一个难题：发布两个月内靠资本捧起来的流量，能不能持续下去？

Howie Xu Gen首席AI与创新官 Instinct在我看来就是新一代的Clubhouse，这个判断不是从产品出发，而是从创始人或者公司的打法来看：它是高举高打，就像当年的Clubhouse。 高举高打本身没有问题，有的公司高举高打成功，有的公司相对低调。问题是，高举高打的时候，你要意识到自己在这么做，能够伸缩自如，知道什么时候伸、什么时候缩，这对创业者是一个很大的挑战。

新鲜感过去后，我们已经很少打开Clubhouse了，Instinct也面临同样的问题。创始人说过，他不打算让用户付费使用产品，这意味着要通过广告赚钱。热度退去后，这个商业模式可行吗？这是创业公司面临的最大挑战。

当然，能让这么多人争相获得邀请，本身就是一种成功。只是靠融资烧Token，之后会走多远，变量仍然很多。

最近Meta Muse的发布，也给Instinct带来了一波热度。这两款产品要解决的问题很类似，面临的条件却不一样：Instinct需要让大家先认识自己，Meta却已经有了庞大的用户网络，也就是Facebook、Instagram、WhatsApp等现存的社交平台。这是大厂与创业公司之间最大的区别：分发渠道。

Howie Xu Gen首席AI与创新官 Grok和Meta的Muse，至少有分发渠道。尤其是Meta，它的分发渠道特别广。所以我觉得，在今天这个时代，当一家公司的分发渠道好的时候，很难做得太烂。

Meta Muse

Muse在今年9月8日向公众开放。截至10月初，已经超过660万次下载，多次冲到App Store免费应用榜单第一。

除了在独立应用上使用Muse，人们还可以在WhatsApp里和Muse对话，也可以连接Facebook和Instagram账户。这就是Meta天然的优势。它已经参与了用户发现内容、产生兴趣、联系他人的过程，现在希望进一步承接这些行为之后要办的事情。

还是以卖家具作为例子，这不是写一条帖子的一次性任务，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。这类任务，在我的Muse界面上，放在一个叫作Goals（目标）的页面里。

根据Meta对Muse的介绍，它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，并在需要批准或出现变化时回来联系用户。它还会记住用户的偏好，为后续任务提供参考。

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，你还是得花很多精力交代背景。从商业上看，这种积累有机会形成留存。换一个助手，就意味着重新介绍自己、重新磨合，也重新建立信任。

Meta对于Muse的商业设想是：现在先提供较大的免费额度，让用户尝试把任务交给它；未来让Muse帮用户赚钱、省钱，Meta再从中抽成。

马克·扎克伯格 Meta董事长 我们之所以选择这样做，是因为我们非常有信心：对于那些利用这款产品经营小企业，或者从事交易和商业活动的人来说，这款产品能够帮助他们赚到很多钱。 长期来看，我们的商业模式实际上会非常简单，只是从每笔交易中抽取一小部分佣金，把一门大生意做得很轻巧。这笔佣金甚至不一定需要由用户自己支付，也可以由与他们合作的商家来承担。

要让Agent与用户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，它帮你订餐厅时，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，它需要把你怀孕这件事也告诉餐厅。它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。

Meta为什么愿意在Muse上投入那么多？这就要回到这一章开头提到的分发。Meta已经掌握了社交媒体里的内容分发，现在想进一步掌握任务的分发。具体来说，它想成为用户使用软件、购买服务的第一站。

假设你让Muse安排一次旅行。以前，你自己打开几个平台，比较酒店，再决定在哪里下单。现在，你先告诉Agent时间、预算和偏好，由它查找、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订。如果它确实帮商家带来了订单，Meta再向商家收取费用，这就是扎克伯格口中的生意逻辑。

对于Meta这样玩转广告业务和精准推送的公司，Agent更能带来得天独厚的价值。

Xiaoyin Qu AgentSky创始人及CEO 我以前就在Facebook工作，Facebook广告本质上是兴趣和冲动消费型的广告：你刷到这个东西，一冲动就赶紧买。谷歌更多是你有一个强烈的需求，去搜索。所以我觉得，Muse对于Facebook的优点是，它在很多情况下能非常明确地捕捉这种强烈的意图。在你还没有想到去谷歌搜索的时候，Muse就已经跟你聊天，把这件事解决了，相当于绕开了谷歌那道广告，直接在Facebook上解决。 扎克伯格说的盈利模式，是我替你买东西，然后收一个百分比的佣金。我认为，即使不替你买东西，Facebook了解了我的邮件、联系人和所有意图，再给我推荐信息流和广告，也会变得更加精准，转化率也会更高。 假设推荐的转化率提升一倍，那收入也乘以一倍。对于Facebook来讲，这是很大的钱。相比之下，这个算力本身不算什么。

从这里看，就很容易比较Instinct和Muse了。它们都希望用户形成一种习惯：生活里有事要办，先找这个助手。不同的是，Meta有社交软件优势，Instinct需要积累用户，所以选择了短信这个大家更熟悉的入口。

不过，这些还是生活中的场景。到了工作场景，你可能会提出另一种要求，其中很重要的一点是分工。你一边让AI整理客户资料，一边让它做市场调研，还要让它跟进报销。这些工作都有各自的进度、文件和需要记住的细节。把它们全部放进同一个对话里，事情一多，你就得重新花时间整理。

SpaceX夏天推出的Grok Bot，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。

Grok Bot

在采访中，郑芃用无人驾驶来解释人类为什么会成为Agent工作的瓶颈。

Peng Zheng SpaceXAI设计师（Grok Bot） 现在，这个行业的大部分人已经步入了指挥一群Agent、甚至一个Agent团队去做任务的阶段，但是大家很快意识到，我们自己才是瓶颈。就好像无人驾驶，如果你必须把手一直搭在方向盘上，它对于人的时间利用并没有太大价值。你还是得坐在驾驶员的位置，注意力不能放到别的事情上。 在数字世界里也一样，我们指挥Agent完成事情，在执行层面，它可能已经替代了我们亲自去做。但如果我还是需要一直盯着它，通过一次次往返来完成事情，就只是把我们的时间放到了管理者的角色上，并没有真正解放时间。 所以，我们希望把角色抽象出来，把它做成你的数字同事。通过这种形态，可能可以把人与Agent的交互往更自动化、更长程的方向推进。

使用过Grok Bot的人会发现，它的界面设计与其他Agent产品有些不同。聊天框左侧是多个Agent，或者说Bot，有各自的名字、头像和分工，很像我们上班时与团队交流的方式。

这些Bot能够在云端使用电脑，进入工作工具，彼此传递信息，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。

这种设计挑战了我们与AI对话的默认形式。在几乎所有AI产品里，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，更不用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虽然已经能替我们执行，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。

所以，Grok Bot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。

Peng Zheng SpaceXAI设计师（Grok Bot） 我们把左边的任务面板，变成了以角色与身份为中心的Agent清单。通过这样的界面变化，推动用户去想：拿到一个任务时，我的第一反应不应该是又开一个新对话，自己完成任务、监控结果，而是应该怎样把它交给我的数字同事。 怎么把任务自动化？怎么在跟它一次次完成任务的过程中，把经验沉淀下来？我希望设计的可能不是一次性的来回交互，而是一个系统，让它能够尽量自动化，尽量把人的因素从这个循环里省略掉。

多Agent协作，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？关键在于，它们需要记住的事情不一样。

Peng Zheng SpaceXAI设计师（Grok Bot） 这更多是我怎么样把上下文限制在合理的边界，怎么样划定它的区分到底在哪里，实际上是把相关的上下文封装在同一个Bot里面。所有的Skills（技能）、插件都是每个Bot共享的，但所有的记忆、个性化设置是单独的，每个Bot都有自己的记忆和偏好。

这里的上下文，就是Agent执行任务时参考的信息，比如你的要求、之前的对话，以及它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，则需要记住你与客户交流的方式。如果把这些信息全部放到一起，就需要不断判断：哪些要求适用于眼前的任务，哪些只是另一个项目里的特殊情况。这种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