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。
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。
