千问蒋冠军：Personal Agent如何从尝鲜变常用

在当前AI领域，个人智能助手正从尝鲜阶段向实用化过渡，如何让这类工具真正走进日常，成为行业探讨的核心话题。近期一场关于智能助手发展的访谈中，相关负责人分享了实践中的关键经验，为行业提供了清晰方向。

当前智能助手迎来发展窗口期

智能助手的发展源于模型能力的突破，当模型具备独立思考能力后，不仅能判断自身输出内容的合理性，还能规划多步骤任务，逐步形成完成复杂操作的能力。同时，工具与服务生态的完善也为智能助手提供了支撑，早期出现的信息检索类工具便是生态成熟的体现，后续逐步拓展到个人化操作领域。

提高任务成功率需靠系统性机制兜底

行业内曾出现过工具输出结果错误导致的问题，如检索报告错误、机票预订失误等，这凸显了稳定机制的重要性。要实现可靠的智能助手，需从三方面入手：一是模型执行与工具调用的准确率大幅提升，且具备更强的自我鉴别能力；二是模型、工具与生态的协同体系更成熟；三是建立安全控制机制，涉及订单、交易、个人数据修改等操作时，需先获得用户确认。这类确认机制并非简单的代码判断，而是依赖模型遵循指令的能力，同时辅以框架层面的强约束，确保关键操作的安全性。

上限功能吸引尝鲜，稳定体验留住用户

早期部分AI助手产品因功能新颖吸引了大量用户尝试，但后续因任务完成率低导致留存率下降。打造优质智能助手需兼顾上限与下限：上限功能吸引用户初次体验，而稳定完成单点任务的能力才能让用户持续使用。例如，抢券、订票等高频场景，只要智能助手能稳定完成，便会成为用户的常用工具。目前智能助手用户规模仍较小，但单个任务的平均计算资源消耗已提升至之前的1.6倍，反映出用户对工具实用性的需求在增加。

智能助手的实际应用场景

智能助手已能为用户解决实际问题，比如在航班延误的情况下，为用户追回保险赔付的七十元现金。这一功能目前处于测试阶段，智能助手以助理身份与客服沟通，拒绝了代金券赔付的方案，坚持为用户争取现金退款，同时涉及身份信息时需获得用户授权。除了金融场景，智能助手还可应用于教育、医疗等领域，比如医疗信息咨询与病程管理，解决用户与医疗体系之间的信息不对称问题。

记忆管理：按需存储，注重因果关联

记忆管理是智能助手的核心能力之一，过多无关记忆会导致逻辑混乱，而记忆不足则无法满足用户需求。优质的记忆机制会按因果关系存储信息，仅保留与当前任务相关的内容，而非存储所有过往对话。存储形式采用纯文本更能捕捉信息维度，避免过度编排或编码导致的效果下降。记忆会分层管理，区分核心、短期、长期内容，并处理时效问题。个性化记忆随用户使用自然沉淀，未来会逐步打通与第三方账户的连接，进一步提升服务能力。

后训练：对齐真实用户需求

为保证智能助手的稳定性，需针对实际场景进行后训练优化。模型的基础能力已较高，大部分工作、学习、生活类任务可完成，偏差主要源于路径规划与工具调用与真实用户需求的不匹配。用户表达千差万别，智能助手通过聚类分析意图，围绕三十多个行业提炼出八千多个基础能力，后训练与强化学习重点优化这些能力的稳定性。例如，订票场景需保证大部分票源可预订，而非仅少数场景可用，这是用户对工具的基本预期。

成本优化：提升单步成功率

智能助手的计算成本是行业关注的问题，需通过多种方式优化。模型路由可根据任务选择合适尺寸的模型，降低资源消耗；工具设计优化可提升单步任务成功率，减少重试次数，从而缩短上下文长度，降低成本。目前整体上下文长度已降低约四成，成熟功能与新功能采用不同的成本优化策略，成熟功能侧重成本控制，新功能先保障体验，后续再优化成本。

主动提醒：克制与边界

主动提醒是智能助手的重要功能，但需把握边界。部分产品因过度提醒导致用户反感，而优质的提醒需基于确定性场景，如感冒期间提醒用药，疾病康复期提醒相关事项。同时，需建立“产品宪法”式的约束，明确可提醒与不可提醒的范畴，避免涉及用户隐私或反感的内容。

当前智能助手的局限

目前智能助手仍有不少无法实现的功能：一是生态打通问题，部分行业与产品拒绝第三方调用，无法通过MCP、API等接口接入；二是模糊的长期目标，如“六个月内升职”这类范畴较广的目标，无法准确理解其内在关联；三是完整的旅行规划，需依赖用户提供大量默认信息，目前无法自动完成。

模型升级的价值

针对模型升级后工作是否白费的问题，行业人士表示，部分工作会随模型升级淘汰，但核心用户需求相关的工作不会白费。例如，工具接入与评测框架的建设，无论模型如何升级都有价值；而针对模型能力的补丁则可能被淘汰，这一代价可接受。未来记忆与上下文能力会有较大提升，智能助手将逐步适配更多生活场景，如购房、教育、财务规划等。

实际应用中的突破

在实际应用中，智能助手还能突破平台限制，比如在预约体检时，无法通过某平台获取套餐信息，智能助手可通过截图搜索相关信息，对比价格差异，为用户做出决策。

结语

当前智能助手的发展核心是平衡上限与下限，通过后训练保障稳定，通过记忆管理优化体验，通过成本控制提升实用性。随着技术的进步，智能助手将逐步实现更多复杂功能，真正成为用户的日常工具。