个人 Agent 是什么
结合 Muse、Instinct 和 Dots 的公开介绍，可以把个人 Agent 理解为长期服务于一个具体用户、能够接受委托并执行任务的 AI 产品。常见做法是通过对话和用户授权连接的邮件、日历等应用，积累对个人背景与偏好的了解，并借助工具、浏览器或计算机执行任务。处理的事情可以横跨工作和生活，也包括需要多个步骤、跨多个应用才能完成的任务。
这类产品还强调对话结束后的持续跟进。它们希望保留已有目标和上下文，在用户暂时离开后仍能继续处理，并在相关情况变化时主动带回进展或提醒。持续执行需要遵守用户的授权。把对个人的了解用于执行和跟进，是这些产品共同探索的方向。
“编程 Agent”主要描述任务领域，“个人 Agent”更强调与用户之间的长期服务关系。两种定位可以重合，写代码也可以成为个人 Agent 完成任务的一种手段。
我不是程序员，但已经是 Codex 的重度用户。对我来说，把工作交给 AI，并不需要先判断这是不是一道编程题。只要一件事能够说清楚，我就会尝试让它去做，再看结果是否符合要求。
所以，在开始使用 Dots 这类个人 Agent 时，我已经习惯让 AI 接受任务、调用工具、持续执行。
我对 Dots 的评价其实不错。它越来越像一个可以随时交代事情的虚拟员工。但如果把问题限定得更具体一些，给出同样清楚的指令，它是否比 Codex 更理解我，或者把事情做得明显更好，我目前还没有这样的感受。
也正是这个看起来有点矛盾的体验，让我开始重新想，个人 Agent 的价值到底是什么？
个人 Agent 定位带来的变化
如果只比较我已经交给它们的那些任务，我没有明显感受到个人 Agent 能力边界的延展。当然，这只能说明我的使用体验。
对我来说，“个人 Agent”这个称呼，首先改变的是人们对产品用途的理解。
一个没有用过 Codex 的人，如果一直把 Codex 当作程序员写代码的工具，就很可能不会想到把自己的日常工作交给它。哪怕某件事已经能够完成，只要用户没有尝试的念头，这项能力就很难进入他的生活。个人 Agent 的定位一定程度上解决了这个问题：看到这样的产品，人们比较容易想到，我手头这件麻烦事，也许可以交给它。
我觉得这可以算一种用户心智上的创新。它没有必要先发明一种此前完全不存在的执行能力，才有资格成为有价值的产品。让原本不觉得某项技术与自己有关的人，愿意开始用，也是一件实在的事。不过，仅有一个更容易理解的名字还不够。用户开始尝试以后，产品得真的有用，用户才会持续使用。
从产品形态上，我倾向于把个人 Agent 理解为一个组织底层模型、工具和执行流程的入口。
单一入口与自动整理
对我来说，Dots 最直接的便利，是很多事情可以从同一个入口交代进去。线程、项目这些概念的存在感弱了，背景资料和上下文的组织，也有更多部分由它自己承担。
这里有个很具体的对照。以前用 Codex，我会主动要求它维护一个本地 MD 文件，把需要长期记住的信息写进去。在 Dots 里，这类安排更自然地包含在产品提供的体验之中。
对熟悉 AI 的人，这或许只是少费一点事。对很多普通用户，差别可能要大得多。他未必知道记忆可以存在哪里，也未必愿意先研究应该如何组织任务和资料。他希望交代完事情之后，对方能把需要记住的内容处理好。要求他先学会搭一套工作方法，再去体验 AI 的方便，就已经增加了不少门槛。
同一个入口的意义也在这里。人脑里的事情经常相互牵连，很难每次都先分好项目，再决定到哪个对话里说。产品如果能够承担更多整理工作，用户就可以少想一步：这句话到底应该放在哪里，前面那份资料要不要再带过来。
当然，入口集中并不会让组织问题自行消失。它只是把原来由用户承担的一部分工作，交给了系统。系统仍然要分辨哪些事情相关，哪些背景需要保留，什么时候应该重新确认。整理得不好，方便也会变成混乱。因此，这层体验并不是在能力之外加一点装饰。它做得是否可靠，会直接影响用户能不能持续把工作交进来。
使用体验的价值
能够把一项任务做好，和让一个人长期、顺手地使用这项能力，中间还有很多细节。
同样的执行结果，如果一种产品需要用户自己安排记忆、查找任务、拼接背景，另一种能把这些事情处理得更顺，那么后者当然更有价值。对会自行安排的人，它节省精力；对不会安排的人，它可能决定了这项能力到底能不能用起来。这也解释了为什么我既没有感觉 Dots 明显比 Codex 更强，又愿意把它当作一个已经不错的虚拟员工。
如果以后不同 Agent 在同类任务上的执行表现越来越接近，我会更在意自己为得到结果付出了多少额外精力。事情要解释多久，资料要整理到什么程度，已经说过的要求还要纠正多少次，这些都会成为体验里很实在的差别。它们很难只靠一张功能表看出来，却会在每天使用时反复发生。
这是一种对产品价值的判断，也有条件：系统真的承担了这些工作，而不是把它们藏起来以后，又以误解和返工的方式还给用户。
主动性的潜力
主动性是我觉得值得关注的一点。不过，至少在我的使用里，它还没有带来特别好的体验。目前我实际收到的，就是接入邮件后，它根据一封服务到期的通知，提醒我去续费。这样的提醒，还不足以让我判断它在持续协助上能做到什么。
比较理想的状态是，我已经交代过的事情，不必每次再想起、再追问。它能留意与这些事情有关的变化，在已有授权内继续推进，或者把需要我决定的问题带回来。这样省下的不只是输入指令的时间，还有一直惦记进度的精力。
这也补充了前面的比较：给出同样清楚的指令以后，两个产品可能做得差不多；但如果我没有再次开口，它们能否继续处理已有的任务，仍然可能影响使用体验。这种差别不必来自某一类产品独有的执行能力，也可能来自产品默认承担了多少跟进工作。
但这目前更多还是一种期待。也许是它掌握的上下文还不够，也许是相关能力仍然有限，我还不能确定原因。至少在我的场景下，主动性尚未发挥出这样的作用。
而且，主动并不是消息越多越好。重复提醒、已经失效的建议，都会增加打扰。真正有用的主动性，需要知道什么时候值得出现，什么时候应当等待，也要分清发现一件事可能有用，与获得替我行动的授权之间的区别。
简短指令背后的记忆难题
今天给出同样精确的指令，两种产品都可能做得不错。将来更值得比较的是，用户只说了一个大致的目标，AI 能不能结合已有了解，把事情补充到足以执行的程度，而且补得对。模型能力继续进步，输入的难度也可能随之降低。我们不必把今天需要多细的提示，当成以后也必须遵守的规则。
不过，少说一些并不等于少了一些信息需求。那些没有出现在这次指令里的内容，总得从其他地方得到。AI 要知道用户过去在做什么，有什么稳定的要求，这次的情境又发生了什么变化。它还得判断，哪些内容足以作为依据，哪些地方其实并没有把握。
因此，深入了解一个人很重要。但我觉得更难的部分，是在越来越多的记忆里，找出这次真正需要的那一点。
一个人的记录积累久了，里面会同时存在长期偏好、临时安排、已经放弃的计划，以及某一次特定场景下的要求。记住的内容越多，单纯把它们全部带进来就越不合适。过去做对过的选择，这次也可能不适用。AI 如果不分情境地沿用旧信息，表现出来的甚至会是一种很固执的“懂你”：它记得你说过什么，却没有理解那句话当时为什么成立。
所以，我期待的记忆能力，需要包括取舍和更新。当前任务究竟与哪些旧信息有关？新说法是否改变了原来的安排？一次修改只是针对这篇文章，还是往后都应该这样做？这些判断做好了，用户才真的可以少解释一些。否则，省下来的输入时间，会被之后纠正误会的时间抵消。
这并非个人 Agent 独有的难题。只要一个 Agent 想在更长时间里帮助同一个人，想接受更简短的要求，就会遇到它。Codex 同样可以沿着这个方向继续走。个人 Agent 的定位让这种期待更突出，却没有独占解决它的资格。
对个人 Agent 的期待
我愿意使用个人 Agent，正是因为我希望把更多这些安排交给系统。今天，我已经能通过比较明确的指令，让 AI 做不少事情。继续往前走，我希望它逐渐熟悉我的工作，知道哪些要求已经说过，哪些事情还在继续，减少每次重新组织语言的负担。
这种变化也需要在相处中得到验证。一项要求记住了，下一次是否用在了合适的地方；我改了主意，它是否跟着更新；没有足够依据时，它是否能问一个真正必要的问题。连续几次处理得合适，我才会更愿意缩短指令，交给它更多空间。所谓越来越懂我，最终要落在这些具体结果上。
对于我已经确定的目标和允许它持续处理的事情，也许连新的指令都不必每次再发。该继续的工作能够继续，需要我决定的地方再来找我。AI 对我的了解越深，应当越能辨认这些边界，而不是因此获得替我决定一切的理由。
到那时，我只需简单交代一句，甚至对已经约定好的事不必再交代，它也能把事情做妥当。这是我对个人 Agent 最实在的期待。