誰來給桌面 Agent 的轉(zhuǎn)正簽字？

文：王智遠(yuǎn) | ID:Z201440

MiniMax 上線了一款桌面 Agent。

它的官網(wǎng)介紹里稱這是你的智能伙伴，還能幫忙整理資料，我索性下載體驗了一番，官網(wǎng)地址是：https://agent.minimaxi.com。

說實話，電腦里的各類內(nèi)容確實不少，我也一直覺得需要這么一個工具來打理。

01

安裝完成后我反倒愣了一下，一時，竟想不出該讓它幫我做點什么。翻了翻它的功能，看到有「文件整理」這一項，突然想起前段時間我有 46 張發(fā)票要處理。

這些發(fā)票下載保存時混了幾張重復(fù)的，自己手動找太麻煩，上回還是靠千問 AI 才搞定，其他 AI 產(chǎn)品試了都沒成；所以，這次我想試試，讓這個桌面 Agent 來處理能不能行。

但打開功能后發(fā)現(xiàn)，它一次只能上傳 10 個文件，這一點就不太友好了；不過也沒關(guān)系，大不了就分批次上傳，46 張發(fā)票最多也就分四五次而已。

我先傳了第一批 10 張，跟它說：

你看看這里面有沒有金額和標(biāo)題重復(fù)的發(fā)票，忽略發(fā)票文件本身的命名。指令發(fā)出后它就開始運行了，界面右側(cè)有個類似虛擬機(jī)的窗口，能清晰看到它的思考過程，還會調(diào)用各類工具。

結(jié)果一批先是讀取失敗，提示我需要授予它讀取權(quán)限。

我按要求操作后，它又提示這些文件在 iCloud 云端，讓我先復(fù)制到本地，還在本地給我新建了一個根目錄；說實話這一步有點脫褲子放屁了，因為這些發(fā)票文件本來就在我的桌面上。

不過沒想到，第一批它還真的核查完了，反饋說沒有重復(fù)的；事實也確實如此，這 10 張發(fā)票里確實沒有重復(fù)的。

它的操作思路很清晰，先匯總所有發(fā)票的金額，再逐一對比標(biāo)題，中間過程中看似發(fā)現(xiàn)了一張疑似重復(fù)的，最后，核對數(shù)字后確認(rèn)并無重復(fù)，給出的分析結(jié)果很明了。

接著我傳了第二批 10 張，讓它繼續(xù)篩選，結(jié)果還是沒有重復(fù)的，只是提示有兩張發(fā)票的金額比較接近，無需刪減任何文件。

再到第三批，依舊沒有找到重復(fù)的，它還貼心地發(fā)來恭喜的提示。

但這聲恭喜反倒讓我不太開心，因為我明確知道這些發(fā)票里是有重復(fù)的，只能說明它還沒查到而已，好在還有兩批沒傳，繼續(xù)測試。

第四批運行的過程中出了點小狀況，有兩張發(fā)票的信息提取失敗，還提示需要安裝相關(guān)模塊，來來回回嘗試了好幾遍，屬實是一頓操作猛如虎。

不過，好在第四批的結(jié)果很驚喜，它居然一下子找出了兩張重復(fù)的發(fā)票。

堅持住，只剩最后一批 6 張了，果不其然，這一批里沒有發(fā)現(xiàn)重復(fù)的。

不過測試到這里，我發(fā)現(xiàn)自己的測試方式有問題：我把 46 張發(fā)票分成了 5 組，每組單獨上傳核查，根本沒法確定組與組之間有沒有交叉重復(fù)的發(fā)票，這可怎么辦？

既然核心任務(wù)是發(fā)票抬頭和金額的查重，那我索性在聊天框里，順著上下文的邏輯問它：把這五次任務(wù)的發(fā)票放在一起，看看一共有多少張，再整體核查下有沒有跨組重復(fù)的。

其實我明明知道總數(shù)是 46 張。

之所以這么問，就是想驗證一下，它對整體數(shù)字有沒有清晰的概念。它的回復(fù)還挺有意思，說：好的，讓我們進(jìn)行最終的全面檢查，看看有沒有跨波重復(fù)的。

我當(dāng)時還心想，這下要翻車了吧？

結(jié)果沒想到，真沒有，交叉驗證的過程中，它又找出了一張重復(fù)的發(fā)票；而實際情況里，這批發(fā)票本就有兩張重復(fù)的，這下算是徹底查準(zhǔn)了。

整體來看，這個查重任務(wù)好歹是完成了，但每次只能上傳 10 張文件的限制，用起來實在太繁瑣了。

畢竟如果只是分批處理 10 張的話，其他 AI Agent 也能做到，作為一款桌面端的 Agent，我覺得，它本應(yīng)該能處理更多文件，比如 50 個起步，這樣才能凸顯出它的核心能力，你說是不是？

其實我一直琢磨，現(xiàn)在的 AI Agent 不管宣傳得多無所不能，可一到傳文件這種「體力活」，就集體變得摳摳搜搜，非要設(shè) 10 張、20 張的上傳限額，這到底是為什么？

說白了，這背后藏著一個 AI 行業(yè)的「潛規(guī)則」：大腦帶寬與計算成本的博弈。

現(xiàn)在各家都在卷「長文本」（Long Context），動輒號稱能裝下好幾本《紅樓夢》的內(nèi)容，但「讀」和「做」從來都是兩碼事。

讓它單純讀 46 張發(fā)票，它或許能瞬間讀完；可讓它做「查重」，這考它的瞬時工作記憶了。每多一張發(fā)票，AI 都要在算力中把這張票的金額、抬頭，和之前所有發(fā)票做兩兩比對，這種計算量是呈指數(shù)級增長的。

要是一次性丟給它 50 張、100 張，它的「注意力」就會開始渙散，甚至出現(xiàn)嚴(yán)重的幻覺；對廠商而言，把上傳量限制在 10 張、20 張，是給自己買了一份「保險」。

他們寧愿讓用戶多花點功夫點幾次鼠標(biāo)分批上傳，也不敢冒著讓 Agent「邏輯崩盤」的風(fēng)險強(qiáng)行處理大批次文件；可這就特別尷尬了：

作為用戶，我們想要能獨當(dāng)一面的「數(shù)字員工」，要桌面 Agent 連這種低智的重復(fù)勞動，都做不到在后臺靜默、全量地完成，那它和網(wǎng)頁端的 AI 對話框，又有什么本質(zhì)區(qū)別？

它離我們想象中「接管電腦、解放雙手」的終極形態(tài)，還差著離線索引和增量記憶這兩個關(guān)鍵的技術(shù)坎；只是這樣的技術(shù)突破，也需要一點時間。

02

測試完查重，我還不甘心，想再試試其他任務(wù)；畢竟它是桌面端的工具，在我理解里，桌面端操作的優(yōu)勢，應(yīng)該是能跨網(wǎng)頁、跨平臺執(zhí)行任務(wù)。

所以我又問它：

你能不能幫我看看，小紅書上今天關(guān)于 AI 最熱的話題是什么，點贊量最高的相關(guān)內(nèi)容是哪一篇？我覺得這個任務(wù)，對它來說應(yīng)該有點挑戰(zhàn)。

指令發(fā)出后它就開始運行了，界面顯示「AI 正在接管你的瀏覽器」，我當(dāng)時還打趣，毀滅吧，要是能直接把整個電腦都接管了就好了，我啥活都不用干，全交給它。

但它接管瀏覽器的操作過程，我在界面上是看不到的，只能看到它的思考過程和當(dāng)前的運行進(jìn)程。

能確認(rèn)的是，它確實嘗試打開了小紅書，過程中，還彈出了登錄的推送指令，看來這個任務(wù)，需要登錄小紅書賬號才行，不過，我起初還覺得登不登錄好像也沒太大影響。

我按要求完成登錄后，它又彈出提示，說好像，看到我的瀏覽器界面有東西遮擋，這一步的操作體驗就有點不絲滑了。

好不容易登錄成功，它終于開始搜索了，自動打開了 Google 瀏覽器，從小紅書的搜索框里輸入「AI」進(jìn)行檢索，結(jié)果搜完沒多久，就直接把瀏覽器關(guān)掉了。

整個瀏覽器打開、滑動、檢索的過程，大概也就 15 秒鐘，來來回回嘗試了好幾遍，我都數(shù)不清次數(shù)了，實在沒耐心，只能放棄。

再這么反復(fù)登錄，小紅書說不定還以為我在搞什么違規(guī)操作，把我的賬號限制了就麻煩了；看來 AI 在執(zhí)行這類跨平臺的網(wǎng)頁檢索任務(wù)時，還是有不小的難度。

當(dāng)時我就在琢磨，為什么所謂的「接管」會搞得這么不絲滑？我研究了一下發(fā)現(xiàn)，這背后藏著兩個目前 AI Agent 還沒跨過去的硬坎。

第一個，是「獨立沙箱」帶來的身份孤島。

很多人以為 Agent 接管瀏覽器，是直接鉆進(jìn)你常用的 Chrome 里。其實不然，為了安全，它通常啟動一個完全純凈的「虛擬瀏覽器」。

這就好比，你家雖然有現(xiàn)成的飯菜，它非要自己背鍋、生火、重新造一個廚房；因為它沒有你平常留下的 Cookie（身份令牌），對小紅書這些平臺來說，它是一個「查無此人」的新設(shè)備，自然得讓你一遍遍掃碼驗證。

第二，是「視覺解析」的軟肋。

為什么它老說「有遮擋」？因為現(xiàn)在的桌面 Agent 并不是真的讀懂了代碼，它更像一個視力不太好的巡邏員，是通過屏幕截圖來分析界面的。

只要你電腦彈個窗，或者網(wǎng)頁懸浮窗擋住了它的「視線」，它的坐標(biāo)定位就會失靈；加上大廠嚴(yán)密的「反爬風(fēng)控」，AI 那種快到離譜的操作在后臺看來就是「機(jī)器人攻擊」，不卡你才怪。

如果不解決身份常駐和底層 API 調(diào)取的問題，這種所謂的瀏覽器接管，就只能在崩潰的邊緣反復(fù)橫跳。沒辦法，此前用Manus跑時也遇到過。

03

我們再換其他任務(wù)試試。盯著電腦里的各種文件夾看了半天，突然發(fā)現(xiàn)，有個文件夾里存著兩首音樂。

這是我平時錄視頻號常用的背景音樂，我索性把這兩首音樂傳給它，問：「你聽聽這兩首音樂講了什么，它們是用來干嘛的？」

結(jié)果還挺逗，它還真的試著去分析這兩首音樂的用途了。

一開始給出的答案完全不對，說第一首是科技商業(yè)評論里分析馬斯克如何用特斯拉硬件終端的音頻，第二首是英語聽力考試的開場音頻。

這就有點說不過去了，兩首都是我視頻號背景音樂而已。

我又讓它重新聽了一遍，這次給出的答案，才稍微準(zhǔn)確了點。為什么 AI 會一本正經(jīng)地胡說八道？

我查了下，這其實觸及了當(dāng)前 AI 的一個技術(shù)悖論：AI 已經(jīng)具備了「生成」全模態(tài)的能力，但還沒進(jìn)化出「感知與理解」全模態(tài)的類人類感知能力。

現(xiàn)在的生成式多模態(tài) Agent 可以輕而易舉地給你寫一首曲子，或者生成一段大片質(zhì)感的視頻，但這屬于「黑盒輸出」。

當(dāng)反過來，讓它作為一個觀察者去理解一段純音頻時，它的底層邏輯依然是「語義化」的。

換句話說，它的耳朵為文字長的，它解析音頻的過程，在做一次極其生硬的「模態(tài)轉(zhuǎn)譯」，要強(qiáng)行把音符、節(jié)奏、氛圍，拆解成它能理解的標(biāo)簽和邏輯。

現(xiàn)在的技術(shù)里，它能扒出音頻的底層數(shù)字信號，卻壓根讀不懂旋律里的情緒；要是它沒法把「冷峻的電子音」和「科技感、未來感」從感覺上直接掛鉤，那永遠(yuǎn)也搞不懂啥叫適配場景。

這種感官與邏輯的斷層，是目前 Agent 想要真正接管多媒體創(chuàng)作，必須要跨過去的一座大山。也可以理解。

折騰到這兒，已經(jīng)累得夠嗆。它還有很多能力可以試試。

現(xiàn)在桌面agent，就像一個由各個零件「拼湊」起來的巨人：用大模型做大腦，用瀏覽器插件做手腳，用 ASR（語音識別）做耳朵。

既然是拼湊的，各部分之間有銜接縫隙也正常，但這趨勢肯定擋不住，因為國外早就卷瘋了啊。

你瞅瞅國外那三座大山，怎么玩的就知道了：

Anthropic的Computer Use，直接讓Claude長出「眼睛和手」。它就跟人似的盯著屏幕看像素，還能直接模擬鼠標(biāo)點擊。

雖說現(xiàn)在還老手抖，甚至你一改桌面壁紙它就找不著北，但底層邏輯是真夠震撼的：它在試著用純視覺方案，像人一樣看懂所有界面。

Google的Project Jarvis思路更絕，直接把Agent做成瀏覽器的靈魂。它本身就是瀏覽器。

這就意味著能繞開所有登錄驗證、驗證碼、界面遮擋的麻煩，實現(xiàn)真正的原生自動化。說白了，它是想把瀏覽器從單純的展示窗口，改成能實打?qū)嵏苫畹膱?zhí)行終端。

OpenAI的Operator就不多嘮了，主打系統(tǒng)接管這塊，目標(biāo)是變成用戶的操作系統(tǒng)，要實現(xiàn)從想法到執(zhí)行的零損耗，你不用傳文件、開網(wǎng)頁，它就像電腦自帶的神經(jīng)系統(tǒng)，直接調(diào)用底層指令就行。

所以為啥大家都扎堆做端到端？

因為只有端到端，才能解決脫褲子放屁似的割裂感。等Agent真能從模擬人類操作，進(jìn)化到原生理解系統(tǒng)，才算從實習(xí)生熬成了正式工。到那時，AI才能真正成為咱們的超級管家、超級助理。

這是一個在國內(nèi)有潛力、還沒有完全被開發(fā)出來的底層技能。