千问聚焦PersonalAgent可靠性，理论能力100%但实际交付仅60%～70%

个人智能体（Personal Agent）正从技术演示阶段迈入真实落地竞争期。Meta Muse、OpenAI Dots等产品已不再满足于展示多步任务自主完成或长时间后台运行的能力，而是转向追求“长期稳定替用户做事”的实用价值。然而，在一线研发者眼中，这一转变远未完成。阿里千问事业部AI算法负责人蒋冠军直言：“今天的AI依旧不好用。”尽管用户已能通过对话点奶茶、下单购物，但要实现“理解用户意图—规划路径—稳定执行—适时反馈”的闭环，现有系统仍存在显著落差。

这种落差的核心在于“能力上限”与“实际交付能力”之间的鸿沟。蒋冠军提供了一组关键数据：在不计人机交互成本与计算开销的理想条件下，Personal Agent解决一般工作、学习与生活问题的理论能力上限接近100%；而当前系统在真实场景中的实际任务完成率仅为60%～70%。问题并非模型缺乏知识或推理能力，而在于执行路径常出现错配——工具调用不当、信息获取偏差或步骤顺序失误，导致任务在首次尝试中即失败。

例如，“订机票”看似简单，实则依赖具体平台接口、实时库存与用户偏好组合。若十次请求中有三四次因网站结构变动或权限限制而失败，再惊艳的Demo也难以支撑高频使用。Muse的走红部分源于其模拟人类GUI操作的方式，绕开了缺乏结构化API的互联网服务壁垒，快速提升了能力上限；但该路径并未自动提升任务成功率下限，尤其在非标准化、长链路任务中风险更高。

为弥合这一差距，千问采取了“从真实需求反向拆解”的策略。团队构建了覆盖30多个头部行业的需求透视图，将海量用户表达归纳为不同意图，并进一步细化为8000多项原子级模型能力要求。以“这家公司现在值得投资吗”为例，该问题需整合财报、公告、实时行情、行业研报与市场情绪等多源信息；千问会逐环节判断：缺数据？缺工具？还是缺模型推理能力？再针对性补强短板，系统性“抬高整体水位”。

这一过程不仅涉及任务分解，更延伸至训练与评价体系重构。千问依据真实需求构造Query与优质Response样本，制定明确的评价标准：回答需覆盖哪些关键要点、引用何种权威信息、是否体现时效性与上下文一致性。这些标准由模型迭代生成，并引入行业专家校准，最终用于监督微调与强化学习。其目标是让模型在训练中逐步习得“如何完成任务”，而非仅学会“如何生成答案”。

在执行逻辑上，千问倡导一种“分工协作”范式：确定性任务优先调用专业Skill或工具（如支付接口、票务API），避免模型即兴推理；个人历史Context可提供的信息，不应由模型凭空猜测；模型核心职责聚焦于意图理解、任务规划、动态推理及失败后的重试决策。这种设计既降低错误概率，也控制计算成本。

值得注意的是，千问的独特优势在于背靠阿里生态——电商、支付、本地生活服务构成庞大且高频的场景网络。当Personal Agent介入选品、预订甚至交易环节时，可靠性挑战被进一步放大：服务调用优先级如何设定？平台商业利益与用户真实需求冲突时如何取舍？这些问题并非千问独有，却是所有试图深度嵌入现实业务的Agent必须直面的伦理与工程命题。

为应对上述挑战，千问在记忆建模层面提出“相关记忆M(q)”机制：面对当前需求q，系统不遍历全部历史H，而是通过关联、抽象与压缩，提取与q高度相关的子集M(q)，并辅以事件关系建模（如客观世界先验+模型内生关联），使生成结果更精准、轻量且可控。该方法旨在平衡“记忆完整性”与“推理效率”，避免因信息过载导致决策漂移。

在决策层，千问构建了以“时机t”与“内容a”双轴驱动的动态响应模型。系统需判断：何时触发动作（如提醒用户续费）、提供何种内容（如推荐方案）、以及如何权衡短期效用与长期价值。其服务内容分三层：01 模型推理与决策能力、02 生态适配能力（如对接高德地图或饿了么）、03 事件关系理解能力（如识别“生日临近”与“餐厅预订”的隐性关联）。最终目标是实现“用户长期增量价值 × 情境适配”的最优决策。

蒋冠军强调，Personal Agent真正的广阔市场不在办公自动化，而在日常生活场景。生活充满用户“知道但未明说”的隐性偏好——比如对某类咖啡豆的口感倾向、对周末出行距离的心理阈值、对价格敏感度的动态变化。理想的Agent应在长期交互中持续学习这些信号，并判断其稳定性、可迁移性与干预必要性。“什么时候该提醒，什么时候必须停下来”，这比一次性完成复杂任务更具挑战性，也更贴近真实需求。

目前，Personal Agent仍处于技术-产品-生态三重磨合期。工具链尚未统一，权限边界模糊，商业模式尚未成型。千问的选择是：暂不追逐炫技式上限突破，转而夯实基础交付能力。其路径清晰——以用户需求为原点，用8000项原子能力构建可验证、可迭代的工程体系；借阿里生态提供真实场景反馈闭环；通过“训推一体”让模型在真实负载下持续进化。

这场“死磕”背后，是对AI产品本质的重新定义：不是看它能做什么惊人的事，而是看它能否在99%的日常时刻，安静、可靠、恰当地完成用户托付的小事。