文丨王熠
封面来源丨勒内・马格里特，《转印》（La Décalcomanie）
如何真正算理解一个人？
这是阿里千问App产品负责人郑嗣寿最近思考得最多的问题。
郑嗣寿经常和团队举的例子，在健康场景。“如果只将用户的病症大致分为阶段性疾病或者慢性疾病，可能会遗漏大量信息，”他说，“一个人一年去过10次医院，和一年只去1次医院，会让AI基于这些Context得出完全不同的结论——去过10次，这几乎可以判断他的身体状况存在较大问题。这些理解，不是通过简单策略就能穷尽的。”
一年前，类似这样的问题尚未进入千问团队的视野。转折点来自2026年Agentic架构的迅速成熟，让Agent成为最重要的AI主题，也让AI开始具备了对每个用户的记忆能力。
这也是千问从LLM Chat向Agentic架构演进的半年。千问团队抽象出用户使用得最多的高频场景——原有的优势领域比如高考、医疗、工作，如今也拓展到金融等20多个场景，提供不同的Agent服务。
“越做越难，也越觉得有意思，空间大，有价值。”郑嗣寿说。正是这种复杂，让他看到了Personal Agent尚未被充分开发的空间。
这给千问团队带来了一种强烈的推背感——今年的10个月里，千问上来自用户的个人复杂任务需求，增长了5倍。郑嗣寿预计，如果能在接下来几个月里抓住这波机遇，这个数字可能还能再多一到两个数量级。
Agent迅速发展最为显著的影响，是让用户交互轮次和留存都有了明显提升。目前，千问产品中用户的平均对话轮次，就已达到5到8轮。
对话轮次的提升，一方面来自模型能力的跃进，让Agent有更充分的智能去对齐用户的真实意图；另一方面，通过使用用户的中长期上下文和档案画像，超过60%的问题得到了更好的回复。
这个数字还在继续增长。千问团队在这几个月探索Personal Agent的过程中最深刻的感受是：个人需求不等于简单需求。看似简单的问题背后，意图千差万别——要满足这些需求，既要能处理复杂任务，更要理解一个具体的人。
“人的沟通本来就是一个越来越打开、越来越深入细节的过程，需要更充分的智能来对齐用户的意图和内在目的。”郑嗣寿补充道。
在移动互联网更发达、本地生活服务更为成熟的中国市场，中国厂商已经在这条道路上提前走了几步。
2026年9月22日，阿里在云栖大会上发布了全新的千问产品战略，正式宣布加速向Personal Agent演进，在自身产品上沉淀更广域的个人Context，并借助生态合作，将服务领域拓展至20多个。
这些动作都指向同一个目标：围绕服务一个人的目标，把不同能力组织成持续的AI服务。
“我们希望把千问打造成你的Personal Agent。”郑嗣寿说。千问团队很关注的一个细节是，以往大众说起千问，往往都会使用“用千问”这样的表述，但这并不是千问的最终目标。“我们更想做到——用户对我们的认知，是‘我的千问’。”
01. “今天95%以上的AI需求，还停留在高级搜索”
时间回拨到OpenClaw走红的2026年初，Agent为AI应用市场带来了前所未有的新机遇。过去两年，行业关注过超级AI应用；而在今年，注意力又回到基础模型。背后的原因在于，模型能力的提升仍能打开新的产品空间，并带来增长和商业循环，Agent和视频就是两个例子。
Agent让模型能力进入具体的长程任务。大模型结合Harness后，AI可以持续形成记忆、推进任务，而不只是一次性作答。但行动能力只是第一步。更重要的是，经过Agent机制编排后，同一个模型能更完整地理解和处理问题，给用户带来一种直接的体感——模型变聪明，也更像人了。
但如今，大部分的用户还感受不到这种智能。
“现在用户的AI需求中，有95%以上都是把AI当作高级搜索。”郑嗣寿的体感是，很多用户不清楚能把哪些复杂问题交给AI，供给与需求之间仍有巨大的距离。
反过来说，这恰恰意味着95%以上的Agent能力尚未被发掘。
一个典型例子是高考志愿，这是千问团队做了近10年的场景。从前，千问的高考志愿填报，更多像是一个概率引擎——用户输入分数、选科等信息，在全国范围内筛出一个概率上的较优解。
但在将LLM Chat重构为Agentic架构后，千问加入了新的个人Context层，这提供了最为关键的个性化理解部分。
同样的分数，在以前的填报结果中，AI提供的结果可能差别不大；但现在，即使是相同的分数，AI会考虑更多维度：可能有用户看重学校层次，有人更愿意留在老家本地，考虑同学、资源和未来就业的产业环境。
最直观的变化是，AI能够理解——能去哪里，与用户适合去哪里，这已经是不同的两个问题。
Agent的行动能力，则改变了产品的交互过程，能更主动地获取用户Context——最新版的高考志愿Agent中，千问会将出分到填报的两周，组织成一张日历，按时间节点告诉用户，需要了解什么、完成什么，根据用户的反馈，相应调整志愿填报的建议和规划。
这与上一个Chatbot时代，划出了清晰的界限。
“个人Agent的难度，在过去被大大低估了。”郑嗣寿说，这是因为AI要做的，不再止于一次推荐，而是贯穿整个决策过程，本质上是关于人的理解。
人的身份、处境和目标不断变化——过去是学生，现在是员工；过去是子女，现在有可能就成为父母。
郑嗣寿将做好个人Agent最核心的要点，归结为“要积累个人的全域、终身Context”。个人Agent需要长期积累这些Context，才能理解用户当下需要什么，而不必每次从头问起。
想明白这点后，千问团队正在围绕三个维度，推进了个人Context的体系构建：
首先，千问团队建设了通用Context，围绕用户的身份和人生阶段构建——职业、家庭角色、所处的时间场景都在持续变化。通用Context的任务，是在动态中提炼出用户的阶段特性和独有需求，理解用户的长期目标和内在性格；
再者，根据用户工作、生活中的需求，千问会构建领域级Context，沉淀多个场景的信息，并跨场景调用，让健康、理财、生活、学习，不再是彼此孤立的需求。比如，孩子的教育规划会影响家庭理财，健康状况又和运动习惯交织。
而为了能更好地了解用户，当下的Context体量也远不足够。这也解释了为什么，千问建设了如此丰富的终端生态——除了APP和PC，在今年的云栖大会上，千问还预告将推出全新的AI眼镜和AI耳机，这些工作为的都是能够增加对同一个人的持续理解，以此为中心，提供不同的AI服务。
02. Personal Agent可能是AI时代的超级应用
如今，全球AI行业，正在形成一个新的共识：Agent时代的竞争，本质上是对Context的争夺。
个人Agent是大厂们的最新赌注。9月8日，Meta发布了Personal Agent “Muse”，主打帮用户在线购物、买电影票、安排日程、发邮件、付款、预订，瞬间点燃了市场。截至9月21日，Muse已位列美国App Store和Google Play免费榜双第一，Meta股价应声大涨11.4%。
与OpenAI紧密合作的Instinct、Grok旗下的AI助手，也不约而同地纷纷涌向这个赛道。同时，据爆料，OpenAI内部也在打造面向个人的Agent——AEON。
Meta高管Nat Friedman的说法是，Muse的目标是“做出一个类似OpenClaw、但安全可靠、易用并能扩展到数十亿人的产品”。
这个愿景并非Muse首创。OpenAI早在2025年就开始试水AI购物等Agent能力，但没有激起多少浪花。Muse之所以能爆火，在于它是OpenClaw爆火之后，真正把个人Agent做到可用的产品——不只是提供服务，而是结合用户个人的行程、邮件、日历，让普通用户第一次觉得“AI办事的时候很懂我”。
但Muse的路径很难原样搬到国内。浏览器能够承接多少服务、平台愿意开放哪些能力，都会影响Agent的执行方式。国内大量生活服务集中在移动App中，账户、数据和交易流程相对独立，Personal Agent要跨越这些边界，需要更深入的生态协作。
相较而言，千问的起点，是已经连接了一批真实的生活服务。从点外卖、打车，到开放平台引入更多伙伴，它积累的不只是服务入口，还有理解需求、调用能力、推进履约的经验
千问面对的下一步，是让不同服务围绕同一个人的Context协同起来，把“能办成一件事”推进到“持续为一个人办事”。
这会逐渐演变成一个服务型Agent的Loop，用户在健康场景中表达的身体状况，可以成为出行安排的参考；家庭教育计划，也可能影响理财判断。服务依然各有专业分工，但对用户的理解需要跨越场景，随着个人状态持续更新。
千问正在推进的架构变化，正是把这些能力重新组织起来：通用的Harness承担规划、工具调用和任务推进，健康、学习、工作等领域级Agent提供专业能力，统一的Personal Context则让它们在执行任务时，更理解同一个人的目标和偏好。
不过，这并不意味着“垂类”消失。恰恰相反，专业数据、工具和服务仍然决定任务能做到多深。变化在于，用户不必自己逐一寻找和组织这些能力，而是由Personal Agent理解需求、按需调用，将不同领域的帮助，连接成持续的服务过程。
拥有多样化的Context只是第一步。如果要推动个人Agent更好地走向市场，这会是一场联动云、模型、Agent服务的复杂系统工程。
阿里在模型、算力和生态上的决心，为千问追逐Personal Agent入口提供了条件：三年超3800亿元的云和AI基础设施投入，以及拥有多个尺寸Qwen系列模型家族，能够适配各类Agent的能力需求，再加上春节AI购物和开放平台积累的真实需求——这些都是牌面上看得见的优势。
“但该走的路都少不了。”郑嗣寿认为，算力、模型基础乃至线下生态，只是“比较好的入门条件”，很难说是决定性因素；而接入服务，也不等于打通了Context——千问内部的场景也尚未完全串联在一起，更不用说整个阿里生态内的数据。
“即使你拥有一个用户十年来的购物数据，如果没有准确的理解，你面向用户提供的服务，也是错的。”
对此，千问团队没有选择推出一个包办一切的大型通用Agent，而是从用户已经建立信任的高频场景起步，两条主线并行推进：将主Chat升级为Agentic Chat，适配高并发和中低复杂度的问题；同时，在学习、健康等刚需场景建设领域级Agent，以此兼顾效果、速度和大规模服务成本，这主要依靠构建Harness层来解决。
面对阿里内外的合作伙伴，千问要做的事情也发生了改变：更多是和伙伴一起，共同定义Agent可以调用的能力、反馈机制，而不是共同开发一个“产品”。
而颇为反常识的一点是，千问产品团队的人力配比，也显著发生了改变。
这会让软件服务市场发生新一轮的洗牌。郑嗣寿说，以往常被讨论的“大厂和合作伙伴的界限问题”已经不是问题———千问App推出之后，如今已经接入了超过400个场景的功能。但是，专职做App对接、构建人数，只占不到2%的人力。最多的人力集中在各个领域的Harness、记忆、工具和服务上。
某种程度上，当下追逐模型智能的上限，只是AI战役的其中一个切面，每一次战役都是重兵团联合作战、进行冲锋；但若是要争夺Personal Agent这样的系统级入口，则更像一场持久战，逐步建立自己的堡垒，前提是跨越App边界，真正把事情“连续做下去”。
“未来的竞争，不只是谁能完成更多任务，更是谁能围绕同一个人持续协调能力，并在不同设备间延续服务。”郑嗣寿说。
