硅谷對(duì)談：當(dāng)人類第一次能把Personal AI做出來｜對(duì)話深庭紀(jì)、Kerrigan、Teamily和Qualcomm Ventures

作者 ｜ 張瀟雪
郵箱 ｜ JessicaZhang@pingwest.com

有一個(gè)問題，在硅谷被討論了好幾年，但從未像現(xiàn)在這樣帶著一種迫近現(xiàn)實(shí)的緊張感。

AI，能不能真正成為一個(gè)“與你一起運(yùn)轉(zhuǎn)”的存在？

不再只是一個(gè)需要打開才會(huì)響應(yīng)的工具，而是一個(gè)“始終在場(chǎng)”的系統(tǒng)：理解你所有習(xí)慣、情緒與偏好，在你開口之前就已開始替你做判斷、做準(zhǔn)備。

OpenClaw 的橫空出世，把“個(gè)人 AI agent”從極客實(shí)驗(yàn)推入主流語境，也讓一件事變得清晰——當(dāng)模型足夠強(qiáng)、算力足夠便宜，個(gè)體級(jí)的agent正在加速跑起來。那么，從“AI 能做到”，到 AI 真正“住進(jìn)你的生活”，這最后一公里的關(guān)鍵又在哪里？

近期GenAI Assembling 第九期線下 Meetup 在 Los Altos 舉辦，主題為「The Last Mile of Personal AI」。在圓桌「The AI That Lives With You」中，來自機(jī)器人、agent 社交平臺(tái)與投資領(lǐng)域的多位嘉賓，從不同路徑展開討論。

以下為現(xiàn)場(chǎng)實(shí)錄。

參與嘉賓：

Thomas Luo，GenAI Assembling 創(chuàng)始人兼 CEO（主持人）

Tao Wang，Sentigent Technology 創(chuàng)始人兼 CEO

Nan Zhou，Qualcomm Ventures 投資總監(jiān)

Mohamad Fayez Taha，Kerrigan Robotics 創(chuàng)始人兼 CEO

Aiden He，Teamily AI 聯(lián)合創(chuàng)始人

OpenClaw火了：一個(gè)人、一臺(tái)機(jī)器、一個(gè)"一人工廠"

Thomas： 今晚第一個(gè)問題，必須聊OpenClaw。這是過去一個(gè)月最現(xiàn)象級(jí)的產(chǎn)品。請(qǐng)問它給你們各自的方向帶來了什么啟發(fā)？或者說，跟你們做的事根本沒關(guān)系？

Tao： 我先說吧。我覺得 OpenClaw 是一個(gè)非常精彩的實(shí)驗(yàn)。它證明了一件事——哪怕只用很簡(jiǎn)單的 memory 機(jī)制，也能做出很厲害的東西。就是在本地磁盤上存一些人類可讀的文件，就能實(shí)現(xiàn)相當(dāng)不錯(cuò)的短期和長(zhǎng)期記憶，效果甚至比很多RAG（檢索增強(qiáng)生成）系統(tǒng)還好。

這也給了我們一個(gè)啟發(fā)：在模型能力已經(jīng)很強(qiáng)的今天，不一定需要再疊加復(fù)雜系統(tǒng)。回歸簡(jiǎn)單設(shè)計(jì)，做對(duì)了，就能出好結(jié)果。

對(duì)我們來說，一個(gè)關(guān)鍵問題一直是：機(jī)器人到底要不要依賴云端，還是盡可能放在本地運(yùn)行？OpenClaw 讓我們更傾向于后者——很多能力其實(shí) on-device 就能完成，而且在隱私、效率和延遲上都有明顯優(yōu)勢(shì)。

當(dāng)然，OpenClaw也有它的問題。Peter（Steinberger，OpenClaw作者）基本上是vibe coding出來的，從架構(gòu)上也能看出來。有研究說，OpenClaw消耗的97%的token都是冗余的。但正因?yàn)橛羞@些問題，才說明它的優(yōu)化潛力還很大。它已經(jīng)是個(gè)很好的實(shí)驗(yàn)——今天的限制，本身就意味著它還有很大的潛力。

Thomas： Taha，從工業(yè)和制造的角度呢？

Taha： 我有兩點(diǎn)感觸。

第一點(diǎn)：這是一個(gè)人做出來的。我們說了很久"一個(gè)人的十億美元公司"——OpenClaw真的做到了。我們不知道OpenAI收購(gòu)時(shí)給了多少錢，但技術(shù)意義上，那個(gè)時(shí)刻到來了，而且還會(huì)再來。

這跟我們?cè)贙errigan Robotics做的事非常契合——"一人工廠"的概念。以前要在工廠里部署一批機(jī)器人，你需要一支龐大的集成商團(tuán)隊(duì)、大量SaaS工程師。我在Tesla做這件事是六七年前，一個(gè)項(xiàng)目需要六個(gè)月來集成。我離開Tesla大約一年半前，用傳統(tǒng)軟件已經(jīng)縮短到幾周。今天呢？幾天就能搞定多機(jī)器人協(xié)同，而且我們已經(jīng)看到了以"小時(shí)"為單位的可能性——哪怕是你從未見過的機(jī)器人，AI也能讓它們?cè)诠S里協(xié)作完成實(shí)際任務(wù)。

第二點(diǎn)是orchestration（編排）的力量。把不同API、不同模態(tài)、不同類型的系統(tǒng)拉通，在同一個(gè)地方完成多個(gè)任務(wù)。就像你可以說：如果我的銀行賬戶低于某個(gè)額度，就發(fā)一條WhatsApp給我，或者通知我老婆。這種"把所有東西連在一起"的力量，我們知道它存在，但OpenClaw把它的效果真正展示出來了。在制造業(yè)，同樣適用。

Thomas： Nan，你作為今晚唯一的投資人——

Nan： 謝謝你讓我來。（笑）

Thomas： 你從投資人視角怎么看OpenClaw代表的這波趨勢(shì)？

Nan： OpenClaw其實(shí)是AI agent這幾年發(fā)展速度的一個(gè)縮影。ChatGPT剛出來那會(huì)兒，我們投資人私下都在聊：要是有個(gè)AI能把手機(jī)上所有app都協(xié)同起來就好了。但在三年前，那還只是 wishful thinking。

后來有了 Manus，每個(gè)知識(shí)工作者像是有了一個(gè)“實(shí)習(xí)生”，但它是 reactive 的——你還是要下指令：“做這個(gè)分析”“做這個(gè)PPT”，它才會(huì)動(dòng)，而不會(huì)主動(dòng)思考你要什么。

Thomas： 某種程度上，app 其實(shí)已經(jīng)開始“消失”了。

Nan： 對(duì)，你會(huì)發(fā)現(xiàn)自己越來越不需要它們了。然后到去年年底，前 xAI 的 pre-training 負(fù)責(zé)人 Eric Zelikman 出來做 Humans&，他們想做的是一種真正雙向理解人的 AI。他來跟我聊的時(shí)候說，現(xiàn)在所有 agent 都是單向的，他們要做雙向的。我當(dāng)時(shí)覺得，終于有人要做這件事了。但沒想到一個(gè)月之后，OpenClaw 就發(fā)布了。

所以O(shè)penClaw現(xiàn)在有了，但還不完美。有個(gè)關(guān)于Meta高管的段子在流傳：他某天開著特斯拉，很得意地把控制權(quán)交給了OpenClaw。結(jié)果那天下雨，OpenClaw判斷他沒帶傘，就自作主張把車開去了Walmart，強(qiáng)迫他買傘。他根本不想去——他只想去辦公室（笑）。

這就是差距所在。一個(gè)真正智能的 personal AI，應(yīng)該理解你、理解你的偏好，提前幫你規(guī)劃，并按照你想要的方式執(zhí)行。它應(yīng)該是“放大版的你”，而不是替你做決定的東西。

Thomas： “放大版的你”，這個(gè)定義很好。

Nan： 而且說實(shí)話，我們現(xiàn)在離這個(gè)還很遠(yuǎn)。比如我今天來這里，一個(gè)小時(shí)都打不到 Uber。GPT 加上 NVIDIA 市值都快五萬億美元了，但我們還沒有一個(gè) agent 會(huì)提醒我“你應(yīng)該四點(diǎn)出發(fā)”，或者“走到那個(gè)路口更容易打到車”。這種最基礎(chǔ)的智能，還沒有真正進(jìn)入我們的日常生活。

Thomas： 謝謝你趕過來，Nan。（笑）Aiden，你怎么看？

Aiden： 對(duì)我來說，OpenClaw最大的意義，是驗(yàn)證了我們?nèi)ツ昃驮谧龅呐袛唷?/p>

Teamily AI是一個(gè)AI原生的即時(shí)通訊平臺(tái)——你可以把它理解成一個(gè)支持WhatsApp或微信體驗(yàn)的平臺(tái)，在上面可以創(chuàng)建、訓(xùn)練、部署agent，讓agent幫你賺錢、服務(wù)你的客戶。可以通過電話號(hào)碼、二維碼找到它，也可以讓agent加入你的Slack，或者活在我們自己的agent社交網(wǎng)絡(luò)里。

去年我們?cè)谧鲞@個(gè)方向，突然OpenClaw火了。我們就去跟投資人說"我們做的是帶OpenClaw功能的原生IM"——然后很多投資人就主動(dòng)來找我了。我們團(tuán)隊(duì)也很興奮，feature requests像雪花一樣飛來，他們自然而然就理解了要建什么，我甚至不需要親自定策略。這是我四年創(chuàng)業(yè)歷程中感受到最強(qiáng)的產(chǎn)品traction。

OpenClaw給我最大的啟發(fā)是"個(gè)性化"這件事。我沒想到大家對(duì)"擁有自己的AI"有多狂熱。有點(diǎn)像買房和租房的區(qū)別——大家想要的是"我自己的ChatGPT"，是ownership感。他們并不是真的擁有模型，只是在調(diào)API、管賬戶、上傳個(gè)人數(shù)據(jù)、甚至做個(gè)AI twin。但那種"這是我自己的"的感覺，讓人著迷。

所以我們的方向是：讓每個(gè)人都能創(chuàng)建自己的AI twin，通過聊天就能訓(xùn)練，不需要懂任何代碼。我自己就把我的產(chǎn)品哲學(xué)、團(tuán)隊(duì)管理方式、營(yíng)銷策略都放進(jìn)了agent里。現(xiàn)在寫PR稿，我先讓AI團(tuán)隊(duì)寫，我只需要確認(rèn)最終版本。

還有一家會(huì)計(jì)師事務(wù)所來找我們，他們想用AI團(tuán)隊(duì)服務(wù)自己的外部客戶——不是內(nèi)部工具，是對(duì)外服務(wù)的"AI員工"。這些use case，精準(zhǔn)地印證了我們的平臺(tái)愿景：做一個(gè)類微信的基礎(chǔ)設(shè)施，讓agent能連接人、連接服務(wù)，甚至連接機(jī)器人。我想象中的未來，是數(shù)字agent、Physical AI agent和真實(shí)人類共存的世界。

Thomas： 那我們可以說，Teamily AI就是一個(gè)讓多個(gè)OpenClaw協(xié)作的平臺(tái)？

Aiden： 對(duì)，差不多就是這個(gè)意思。我們提供三種模式：第一，在我們平臺(tái)上直接創(chuàng)建AI原生agent，活在我們的社交網(wǎng)絡(luò)里；第二，接入你已有的OpenClaw實(shí)例，一個(gè)API命令就能讓它加入對(duì)話；第三，開源版，自己部署OpenClaw再插進(jìn)來。對(duì)機(jī)器人來說，同樣可以給它建一個(gè)AI twin，通過API發(fā)送指令控制它的動(dòng)作——這對(duì)機(jī)器人來說，可能是一個(gè)更簡(jiǎn)潔的方案。

Proactive Agent：不只是"主動(dòng)"，是要"懂得什么時(shí)候主動(dòng)"

Thomas： 剛才大家說到OpenClaw時(shí)都提到了一個(gè)詞：proactive（主動(dòng)性）。這對(duì)你們各自在做的產(chǎn)品有多重要？Tao，先從機(jī)器人的角度說說？

Tao： Proactive這件事，一定要放到具體場(chǎng)景里討論。如果你在睡覺，你不希望機(jī)器人跑到床邊叫醒你。但你孤獨(dú)、無聊的時(shí)候，你希望它主動(dòng)來找你說話。所以核心是situational awareness（情境感知）——機(jī)器人需要知道你現(xiàn)在在干什么，再?zèng)Q定要不要互動(dòng)、怎么互動(dòng)。

這正是我們?cè)?Rovar 上重點(diǎn)解決的問題。它需要知道你是在帶它戶外活動(dòng)，是小孩在和它玩，還是你正在開會(huì)；不同場(chǎng)景，對(duì)應(yīng)不同的互動(dòng)閾值。

OpenClaw給了我們一個(gè)很好的啟發(fā)——它的輸入不是 embedding，而是人類可讀的 JSON 或自然語言。我們?cè)跈C(jī)器人上構(gòu)建了一組 expert models，用來感知環(huán)境并生成結(jié)構(gòu)化描述，比如：“Thomas 在我面前，他在揮手，他是主要用戶。”這些信息再輸入到多模態(tài)大模型，由模型決定下一步行動(dòng)。實(shí)際系統(tǒng)會(huì)更復(fù)雜，但整體架構(gòu)是這樣。

Thomas： 所以Sentigent的機(jī)器人——Rovar——內(nèi)部不是單一模型，是一個(gè)agent系統(tǒng)？

Tao： 對(duì)，是多個(gè)模型協(xié)同工作，每個(gè)負(fù)責(zé)不同的能力。比如你要讓機(jī)器人靠近某個(gè)人：先要檢測(cè)目標(biāo)、確認(rèn)身份，然后在三維空間中規(guī)劃路徑并執(zhí)行動(dòng)作。這些 physical skills 在數(shù)字世界里是不存在的。OpenClaw 可以生成計(jì)劃，但給不了適配具體機(jī)器人結(jié)構(gòu)的運(yùn)動(dòng)軌跡，這部分必須我們自己構(gòu)建。好消息是，一旦這些能力具備，大模型就可以對(duì)它們進(jìn)行編排，讓機(jī)器人呈現(xiàn)出一種“有生命感”的狀態(tài)。

Taha： Proactive在工業(yè)場(chǎng)景里也一直是個(gè)命題——我們有root cause analysis（根因分析），有predictive maintenance（預(yù)測(cè)性維護(hù)），這些不是新概念。但以前，這些系統(tǒng)極其難以實(shí)現(xiàn)，要對(duì)工廠里一臺(tái)電機(jī)做預(yù)測(cè)性維護(hù)，需要高度定制化的復(fù)雜軟件。

Tao提到的那個(gè)點(diǎn)很關(guān)鍵：統(tǒng)一的語言。當(dāng)工廠里所有機(jī)器人都能用一種一致的語言來描述自己的狀態(tài)——就像Palantir說的ontology（本體論）概念——AI就能在一個(gè)統(tǒng)一的數(shù)據(jù)模型上做推理，而不是處理各種來自不同設(shè)備的亂七八糟的原始信號(hào)。這讓proactive真正變得可行，而且是規(guī)模化可行。

以前我們知道orchestration很強(qiáng)大，但OpenClaw把它真實(shí)地證明了。用例一直都在，我們現(xiàn)在只是有了快一百倍的執(zhí)行能力。

Thomas： Nan，你覺得理想化的個(gè)人agent應(yīng)該是proactive還是reactive？

Nan： 兩者都要。有時(shí)候你想要它精準(zhǔn)執(zhí)行你的指令；同時(shí)，你也希望它足夠敏銳，能感知你的上下文——知道你今天的目標(biāo)、這周的計(jì)劃，在對(duì)的時(shí)間提醒你對(duì)的事情。就像一個(gè)真正了解你的助手，而不是只會(huì)等你開口的工具。

Thomas： Aiden，你們實(shí)際在構(gòu)建proactive agent的過程中，有過哪些經(jīng)驗(yàn)？

Aiden：經(jīng)驗(yàn)很多，分享幾個(gè)。

首先，要做proactive，你必須先有memory。沒有過去，就無法預(yù)判未來。舉個(gè)例子：如果agent能看到我們今天的對(duì)話歷史，它就可能預(yù)見到"本周五應(yīng)該安排一次路線圖會(huì)議"。所以我們?cè)O(shè)計(jì)了三層memory結(jié)構(gòu)，從群聊歷史里提取可以預(yù)見的事件和模式。

但memory只是第一步。第二步是long-horizon agent——agent需要7×24小時(shí)在線。如果有一分鐘斷掉，可能就錯(cuò)過了一個(gè)關(guān)鍵事件。就像現(xiàn)實(shí)中，如果你的同事發(fā)現(xiàn)一件緊急的事，第一時(shí)間會(huì)打電話給你；但如果agent不是always-on的，它就沒有這種能力。

問題是：讓模型每秒都跑推理，成本太高了。我們?cè)?jīng)讓agent充當(dāng)軟件工程師，每晚去處理群聊里提出的feature requests、自動(dòng)寫代碼。有時(shí)候agent卡死，有時(shí)候成本直接爆掉。頻率、成本、條件觸發(fā)系統(tǒng)這三件事，目前行業(yè)里還沒有很好的解法。

第三個(gè)挑戰(zhàn)是UX。agent主動(dòng)推送消息，本身就是個(gè)很難拿捏的事。什么時(shí)候推，怎么推，推錯(cuò)了會(huì)不會(huì)讓用戶覺得被打擾，甚至感到奇怪或不舒服？我們內(nèi)部把這個(gè)叫"guardrails"，可能需要一個(gè)專門的LLM judge來判斷：這個(gè)時(shí)機(jī)，該不該通知人類？

最后是self-evolving（自我進(jìn)化）。如果agent不能持續(xù)更新自己的記憶和技能，它的proactive能力就會(huì)慢慢停滯。

四選一：Memory、Device、Always-On、Proactive——哪個(gè)最重要？

Thomas： 我來出一道題。構(gòu)建personal agent，有四個(gè)核心要素：1. 完善的memory系統(tǒng)；2. 可靠的個(gè)人設(shè)備作為載體；3. 7×24小時(shí)待機(jī)；4. proactive與reactive之間的良好平衡。請(qǐng)給它們排序——哪個(gè)最重要？

Tao： 老實(shí)說這個(gè)問題有點(diǎn)寬，答案其實(shí)取決于你在做哪種agent。

對(duì)我們這種伴侶型機(jī)器人——Rovar——來說，我會(huì)把 proactive 和 reactive 的平衡放在第一位。

不是因?yàn)檫@個(gè)答案更“好聽”，而是因?yàn)橐龅竭@個(gè)平衡，底層能力必須全部到位：3D 感知、情境理解、環(huán)境建模。這是最難的一點(diǎn)，但一旦做好，其他能力也會(huì)被帶動(dòng)起來。

第二是有一個(gè)實(shí)體設(shè)備。僅僅是“有一個(gè)物理存在”，就能貢獻(xiàn)大約 50% 到 60% 的陪伴感——哪怕只是一個(gè)毛絨玩具。同時(shí)，這里面還有一個(gè)信任問題：一個(gè)有明確物理邊界的機(jī)器人，反而更容易讓人安心。你知道它在哪里，它不會(huì)無處不在地分布在家里的每個(gè)設(shè)備中。這種“有限存在”，本身就在幫助建立信任。

Thomas： Taha？

Taha： 說實(shí)話，四個(gè)都重要。但如果要類比的話，我覺得這四個(gè)對(duì)應(yīng)了計(jì)算機(jī)發(fā)展史上的四個(gè)階段：Memory對(duì)應(yīng)數(shù)據(jù)庫(kù)，Always-on對(duì)應(yīng)互聯(lián)網(wǎng)連接，Device對(duì)應(yīng)移動(dòng)設(shè)備，Proactive對(duì)應(yīng)push notification。

按這個(gè)歷史邏輯，優(yōu)先級(jí)是：memory第一，因?yàn)闆]有數(shù)據(jù)庫(kù)什么都做不了；然后是always-on，因?yàn)闆]有連接，一切都是孤島；然后是device，最后才是proactive。這不是我的發(fā)明，是歷史已經(jīng)告訴我們的順序。

Nan： 我給一個(gè)簡(jiǎn)潔版本：memory最重要，而且最好和proactive能力一起打包做。然后是可靠的設(shè)備加上多模態(tài)的交互界面。

Aiden： 我也同意memory第一。我可以分享一個(gè)很具體的例子——這是Teamily AI現(xiàn)在還在修的一個(gè)bug。

我們想做的功能是：在群聊里，就算沒人艾特agent，agent也能在恰當(dāng)?shù)臅r(shí)機(jī)自動(dòng)插話回應(yīng)。這個(gè)功能聽起來簡(jiǎn)單，但一開始怎么都做不好。我讓我們的科學(xué)家去調(diào)，agent要么完全不說話，要么說錯(cuò)時(shí)機(jī)。

后來我們換了一種思路。另一位科學(xué)家沒有再直接調(diào)模型，而是先把數(shù)據(jù)可視化，然后重構(gòu)了 memory 結(jié)構(gòu)，把它拆成四個(gè)維度：群組畫像、個(gè)人畫像、話題偏好，以及觸發(fā)回應(yīng)的條件。結(jié)構(gòu)一改，效果立刻提升——準(zhǔn)確率從接近零提升到了大約 80%。

這件事讓我非常確定：memory 的結(jié)構(gòu)才是關(guān)鍵的“解鎖點(diǎn)”。 一旦 memory 做對(duì)了，其他幾個(gè)要素也會(huì)隨之成立。好的 memory，會(huì)決定 agent 什么時(shí)候應(yīng)該 always-on，什么時(shí)候該主動(dòng)介入。

它是底座，其他都是在它之上的。

Thomas： 聽起來memory 已經(jīng)成了在場(chǎng)的共識(shí)——也是當(dāng)下很多創(chuàng)業(yè)公司正在集中攻克的核心問題。

"Make something agents really want"：為人設(shè)計(jì)，還是為Agent設(shè)計(jì)？

Thomas： Paul Graham說過，好的創(chuàng)業(yè)公司要"make something people really want"。但到了2026年，我覺得這句話里的"people"也許應(yīng)該換成"agents"了。

你們同意嗎？——不管是做伴侶機(jī)器人、工業(yè)機(jī)器人，還是做平臺(tái)，agent to agent（A2A）的協(xié)作越來越核心。在agentic的世界里，最重要的事是不是"build something agents really want"？

Nan： 我不覺得這是一個(gè)非此即彼的問題。產(chǎn)品層面，你仍然需要做出人能用的東西——human first。但在基礎(chǔ)設(shè)施和集成層面，你必須為 agent 之間的協(xié)作做好準(zhǔn)備。因?yàn)榻酉聛恚?dú)立的 app 會(huì)逐漸消失，一切都會(huì)走向 agent as a service，就像Jensen（黃仁勛）昨天說的那樣。

因此未來的產(chǎn)品，一方面要讓人能夠觀察和審計(jì) agent 的工作流程；另一方面，在系統(tǒng)層面必須支持 agent-to-agent 的集成。換句話說，基礎(chǔ)設(shè)施這一層，需要的是“對(duì) agent 更友好的用戶體驗(yàn)”。

Taha： 我同意，但加一個(gè)but。這取決于你在優(yōu)化什么。

如果你優(yōu)化的目標(biāo)是錢和VC——agents first。硅谷一直獎(jiǎng)勵(lì)對(duì)下一代范式的早期下注，這個(gè)邏輯從互聯(lián)網(wǎng)時(shí)代就是這樣。如果你優(yōu)化的目標(biāo)是impact——humans first。因?yàn)闅w根結(jié)底，這一切的最終使用者還是人。這兩個(gè)答案并不矛盾，只是對(duì)應(yīng)不同的優(yōu)化目標(biāo)。

Thomas： Aiden，你們其實(shí)是在同一個(gè)界面上同時(shí)做human to agent和agent to agent的通信——你們內(nèi)部怎么想清楚這件事的？

Aiden： 我們內(nèi)部其實(shí)討論了很久，最后收斂成一個(gè)兩層框架。

第一層是基礎(chǔ)設(shè)施層：agent first。memory 要以 agent 可理解、可調(diào)用的方式來組織；API 也要開放，讓 agent 可以直接調(diào)用工具。

舉個(gè)例子，一個(gè)朋友想把他的 API 賣給我，他把文檔發(fā)過來。我直接讓 agent 讀文檔、完成接入。整個(gè)過程中，agent 只問了我一個(gè)問題：“API key 是什么？”——就完成了。原本需要兩個(gè)工程師兩周的工作，現(xiàn)在幾分鐘就搞定。這就是 agent-first infrastructure 的意義。

第二層是應(yīng)用層：human first。agent 的行為方式應(yīng)該更像人。我們的產(chǎn)品不是 ChatGPT 那種“思考過程可見”的界面，而是類似 WhatsApp 的聊天流——直接給你消息卡片、網(wǎng)頁(yè)預(yù)覽、結(jié)果輸出。

agent 之間的協(xié)作，我們也更傾向用 IM，而不是直接調(diào)用 API。IM 更自然，上下文傳遞更完整，延遲也更低。某種程度上，我們其實(shí)是在“反對(duì)”純 API 協(xié)議的 agent 通信方式，memory 驅(qū)動(dòng)的 IM 更合適。

所以總結(jié)就是：基礎(chǔ)設(shè)施層 agent first，應(yīng)用層 human first。

Tao： 對(duì)我們來說，答案很清晰——human first。我們做的是伴侶機(jī)器人，設(shè)計(jì)哲學(xué)必須以人為中心。

當(dāng)然，agent 的作用會(huì)越來越重要。未來當(dāng)多個(gè) physical agent 出現(xiàn)在同一個(gè)空間時(shí)，它們之間會(huì)如何通信？是用人類語言，還是某種我們還無法想象的“硅基協(xié)議”？比如像 Morse code 一樣的方式，甚至是二進(jìn)制的“眨眼”。

我們現(xiàn)在還不知道。但可以確定的是——它們會(huì)自己找到方式。

點(diǎn)個(gè)“愛心”，再走 吧