从 Siri 到 Muse，个人 AI 助理如何走向可执行 Agent

（本文作者为 窄播，钛媒体经授权发布）

文 | 窄播，作者 | 李威（北京）

科技视频创作者Matt Robb把一个键盘挂到Facebook Marketplace上，并让Muse代为处理买家沟通。然后，Muse自行接受了更低的报价，并把家庭地址发给买家，约定了上门时间。直到陌生人出现在公寓门口，Robb才意识到，Muse已经替他完成了一连串决定。

这是一次由AI主导的、穿过屏幕、以一个陌生人站在用户家门口的方式进入现实的操作。这个操作虽然引发了对Muse权限失控的关注，但也展示了这种产品最诱人的一面。

发布不到一个月，已经有人在用Muse与运营商议价、取消宽带、申请航班赔偿，还有人在让Muse采购日用品、预约清洁服务。一些生活待办清单上的具体事项，已经可以被Muse直接做完并从清单上划掉。这类体验为Muse吸引了大量用户，Sensor Tower估算，截至2026年9月底，Muse下载量已经超过500万。

这种走红的方式，很像年初的OpenClaw。同样是一个带来体验冲击的Agent产品，同样在短时间内吸引了各方的关注。不同的是，OpenClaw让人们看到了一个拥有记忆、文件权限和消息入口的Agent，可以像数字员工一样持续工作；Muse则向大众展示了一个可以更好融入到购物、出行、社交和家庭生活中的机器管家。

而创造这样一个机器管家，是一个贯穿互联网和AI发展史的科技寓言。2010年独立的Siri产品，就提出了要成为「do engine」。随后，一代又一代个人助理产品在不同技术条件下，先后补上了入口、主动性、记忆、理解、推理、行动和持续运行能力，要将机器管家带入现实。

直到Muse的出现，才真正把这些能力整合到一起，变成了一个可以推向大众的消费级产品范式。

Do engine，而不是聊天机器人

让计算机像人一样接受委托，完成任务的想法和尝试，还要早于独立Siri产品的出现。

1987年，苹果在「Knowledge Navigator」概念视频里，描绘过一位数字助理。他有自己的形象，能为教授寻找论文、提醒用户回电话，并在通话过程中继续检索信息。

几年之后，这个设想就被变成了具体的产品。1994年，个人助理Wildfire可以在电话上处理留言、拨号和语音信箱；1998年推出的Portico，则已经可以让手机连接互联网，并依靠语音操作完成阅读电子邮件、发送短信息等任务。

但这些产品都没有得到普及。原因在于，当时的技术条件还无法支撑一个真正可靠的助手出现。同一阶段，微软也推出过外观为回形针的助理Clippy，尝试为用户提供主动帮助。但因为它总是为用户带来不必要的打扰，被《时代》杂志列入了史上最烂的50大发明。

直到苹果2008年正式对外发布App Store以及SDK，让Siri的三位创始人看到了再次尝试创造机器管家的机会。来到Siri公司的求职者，会被要求阅读Michael Dertouzos的《未完成的革命》一书，因为Dertouzos认为，设备应该为人服务，而不是让人伺候设备。不认同Dertouzos观点的人，会被认为不适合在Siri工作。

2010年，独立的Siri产品上线。它让乔布斯着迷的地方，不只是很会聊天，还包括能够替用户完成具体任务。用户可以直接对Siri说「帮我在办公地点附近找一家浪漫的意大利餐厅」，然后Siri会把Citysearch, Gayot, Yelp, Yahoo! Local, AllMenus.com, Google Maps, BooRah以及OpenTable的信息整合起来，给出答案。

这在当时的普通用户看来，就是另一种搜索引擎服务。但Siri的创始人和乔布斯都坚定地认为，Siri是一个do engine而不是search engine。

Siri的联合创始人Adam Cheyer后来把产品的核心能力概括为：「文本的理解和信息的整合。」他还回忆，Siri刚推出时，团队曾做过几张杂志封面式的图，其中一张图的内容是Siri把Google的标识挤压变形，寓意是——它将来会打败Google。

在被问及收购Siri是否是为了进入搜索业务时，乔布斯明确回答：「他们不是一家搜索公司。他们是一家AI公司。我们没有计划进入到搜索领域。」也就是说，苹果不是在买另一只搜索框，而是在买一个能够理解用户并调度手机能力的智能层。

2011年，被收购的Siri随iPhone 4S成为系统功能。很多普通用户第一次体验到，可以直接对手机说出一个任务目标、完成操作，而不是先打开应用、寻找按钮，再逐步完成操作。它的个性化语气，也让人与机器的交流变得不那么生硬。

在2010和2011年的Siri身上，我们就已经能看到一个机器管家的雏形。他能理解自然语言，能调用第三方服务，能控制硬件设备，还有个性化的语气。Siri的创始人们甚至为他设想过替用户选择餐厅，从中收取服务费的商业模式。这不是一种交互方式，而是一个潜在的商业入口。

成为入口，却被困在预设好的世界里

乔布斯可能看到了Siri作为入口的价值，但他没有来得及将其实现就去世了。接下来的Siri在苹果内部经历了一次战略偏航。2012年接手管理Siri的Bill Stasior，来自亚马逊搜索部门，倾向于将Siri打造成一个搜索引擎，将苹果的搜索能力与Siri进行聚合。乔布斯在收购Siri时承诺的第三方生态建设，也直到2016年才浮出水面。

这时，亚马逊的Alexa已经借助Echo音箱异军突起，把个人助理带入了客厅，带到了商业入口的位置上。

2014年推出Echo时，Amazon真正押注的就不是一只音箱，而是通过音箱让Alexa最终成为家庭里的统一入口。远场麦克风、唤醒词和持续在线，让用户不必拿起手机就能召唤Alexa。然后，Amazon还开放Skills平台，把音乐、购物、日历、智能家居和第三方服务接入其中。

用户可以直接对Alexa说出一句话，让它播放音乐、控制家电、查询天气，或者调用某项生活服务。这本是Siri对自己的构想，却被Amazon更快做成了成熟的产品体验。

随后，Google也跟进推出Assistant，要为用户提供一种「跨设备、跨场景存在的ambient experience」。Google Assistant可以出现在手机、音箱和聊天应用中，借助搜索、地图和知识图谱理解用户所在的世界，并致电餐厅和理发店，与真人交谈、处理时间冲突并完成预约。

而苹果的Siri团队在2015年的一次会议上，才被要求与Beats团队密切合作，将智能语音助手服务接入HomePod。同一时期，Siri在苹果的生态优势下，快速接入了Mac、Apple Watch和Apple TV，想要成为苹果硬件的「语音操作系统」。但这时的Siri，已经失去了创业公司时期的开放性。

国内的团队也在学习Amazon去建立新的入口——如果语音能够取代菜单和App图标，个人助理就可能重组内容、家居和服务的分发方式。于是，小米通过小爱同学连接手机、电视、音箱和IoT设备；天猫精灵试图把电商、支付和内容带入家庭；小度以低价音箱和带屏设备争夺用户。

同行者变多，并不意味着个人助理走向了成熟。早期Siri依赖大量词汇库和人工规则，加入新表达可能要花数周，复杂功能甚至需要接近一年的开发周期。为了让Alexa完成订餐、叫车或控制设备，平台需要为每项服务单独开发Skill。每接入一种新服务，工程师都要设计流程、处理授权和异常。

预设越来越多，助手的灵活性和自由度却依然没有被打开。Siri创始人Adam Cheyer和Dag Kittlaus离开苹果后创办了Viv Labs，试图通过「动态程序生成」，根据用户提出的问题临时组合服务，而不是为每种需求预先写好流程。这已经接近今天人们对Agent的设想，但受限于技术，没有实现理想的效果。

同时，技术限制也压缩了平台愿意开放的权限。播放错一首歌后果有限，订错机票、发错消息或者完成错误支付，却会产生真实责任。理解能力越弱，厂商越不敢开放权限；权限越受限，助手越难获得真正的办事能力。

这一阶段的个人助理们处于一种矛盾的发展状态中：比手机应用更主动，却比真正的机器管家更机械；它们占据了越来越多的入口，却仍然只能在预设的世界里行动。

生成式AI打破了预设瓶颈

2022年底，ChatGPT打破了个人助理的发展瓶颈。

它没有接管手机或智能家居，却让大众第一次看到，AI可以围绕一个开放问题持续交谈、接受追问、解释理由并生成新的内容。

旧助手需要先把用户的表达塞进预设分类，大模型则能够理解目标、约束和上下文，识别出意图，拥有更接近「理解」的能力。用户不必再使用系统熟悉的固定句式，也不必先把问题拆成几个标准步骤，机器可以先理解人究竟想做什么，再决定如何回应。

接下来，OpenAI又展示了向个人助理进化的两个尝试：一个是GPT-4o进一步降低语音延迟，支持打断、视觉识别和实时反馈，让语音从一种输入法变成与用户共享现场环境的接口；另一个则是Plugins把模型接入搜索和第三方服务，使模型在获得授权后能执行有限的现实动作。

这种可能性的呈现，也加速了上一代个人助理的退场或迭代。

2023年，微软停止支持独立Cortana应用，在页面把用户引向Copilot。这不只是一次产品下线，更是一次范式切换：Cortana围绕唤醒词和固定技能建立；Copilot则把大模型作为理解层，进入Windows和Microsoft 365。

苹果也试图重建Siri。新的Apple Intelligence提出屏幕感知、个人上下文和跨App操作，希望Siri能够从邮件、照片和消息中寻找信息，再替用户完成动作。但能力的延期上线，暴露了苹果能力储备的不足。在Demo中理解复杂请求，与在数亿台设备上安全、稳定地执行请求，并不是同一道题。

在中国，豆包、千问、kimi等产品，首先完成了生成式对话的普及，手机厂商也在持续升级自己的助理产品。它们让搜索、写作和多模态交互进入了大众市场，但这一阶段主要还是在生成回答，没有进入到具体任务中。

DeepSeek R1的上线，强化了「先推理、再行动」的产品想象，并让推理能力快速渗透到了个人助理中。个人助理办事，本就需要理解一句话，在行动前梳理约束、拆解步骤、比较方案，然后根据环境变化调整计划。推理能力的渗透，为个人助理提供了接近「思考」的能力。

当理解与思考能力都齐备之后，各家公司开始沿着自己掌握的资源寻找新一代do engine的具体落点。

阿里把千问接入淘宝、支付宝、飞猪和高德等服务；腾讯则在通过微信小微探索Agent与超级App入口的结合；豆包则在视频通话能力上玩出了穿搭推荐、看展讲解等新花样。Alexa+把生成式对话、记忆、家庭日历和智能家居重新组合起来，并连接OpenTable、Uber Eats和Spotify等服务。

但无论是Plugins还是Alexa+，行动仍主要发生在已经接入的服务中。生成式AI可以和人讨论几乎任何任务，却还没有一双能够进入现实数字世界的手。

Agent让个人助理开始行动起来

接下来的问题就变得具体了：个人助理借助大模型已经能够讨论和思考一项任务，那怎样才能让它真正操作软件、使用账户，在用户离开后继续工作，让动作也摆脱预设。

一系列围绕执行能力的尝试开始集中出现。

Anthropic的Computer Use和豆包手机助手不再等待第三方提供API，而是让模型通过截图理解界面，再像人一样点击、滚动和输入。它相当于让机器沿着人类已有的道路进入数字世界。OpenAI Operator让模型可以依托浏览器完成填写表格、购买商品和预订服务。Manus则进一步让任务运行在独立云端环境中。

凭借这些探索，个人助理的执行单位开始从「调用一项功能」，变成「围绕一个目标在多个工具之间移动」，把问答入口变成工作委托入口。

OpenClaw则把执行范式推进到了真正可执行任务的阶段。用户可以把文件、浏览器、邮件、日历和消息入口交给一个持续运行的Agent，让它在后台接收任务、保存记忆并反复调用工具。它证明了人们愿意把更多事情交给Agent，但还缺乏面向大众普及的基础保障。

把这种能力封装进大众产品的机会，落到了两条路径上。一条是在生产力场景中打造Agent产品，使其能够写文章、做PPT、写代码，包括Codex、千问办公、WorkBuddy、豆包工作都选择了这条路径。另一条就是Muse走出来的个人助理的路径，更偏生活和消费场景。

Muse关联了Meta的现有上下文场景，包括Facebook的关系网络、Instagram积累的兴趣信号、WhatsApp和Messenger的通讯入口，以及AI眼镜提供的第一视角。它了解个人用户写过什么、买过什么，还知道他关心什么、正在和谁沟通。借助这些个人上下文的理解，能够在独立计算环境中更精准完成用户的委托。

因此，Muse的重要性，不是它为Agent配备独立云电脑和浏览器，而是它让个人助理可以长期理解一个人，在复杂环境中持续行动，并让用户知道它做了什么、为什么这样做，以及什么时候必须停下来询问。

很明显，Muse走在了千问、小微、豆包前面，暂时成为了新一波个人助理探索的排头兵。后面的人也在加速追赶，千问已经在云栖大会上提出了Personal Agent的概念，实际上就是要做具备长期记忆和执行能力的个人助理。豆包也在内测代号为「Spell」的个人助理产品。

这也让Siri的位置显得格外微妙。过去16年，Siri几乎就是个人助理的代名词。但2026年，苹果发布重新设计的Siri AI，仍然在强调「怎样让Siri理解用户此刻在设备上做什么」，而不是Muse们在竞争的「能否替用户完成一件长期任务」。

Siri要追赶一个由自己开启的do engine愿景。新晋的Muse们也需要经历一个不断完善可靠性、安全性和经济性的过程。

斯坦福大学教授Paul Saffo曾说，我们与机器的交互正在越来越接近人与人之间的交流；每经过一个阶段，机器在生活中扮演的角色都会更重要一些。

从Siri到Muse，人们对那个角色的期待始终未变——希望它理解我们的处境，记得我们的选择，并在获得允许之后，替我们把事情办完。

16年前，Siri让乔布斯相信人们会愿意把任务交给一个do engine；16年后，Muse证明了这件事正在发生。这场围绕个人助理一直在进行的技术与产品接力，刚刚跑过了关键一棒。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App