今天看了硅谷101最新一期聊 Personal Agent 的 30 多分钟长视频，深入采访了硅谷一线的 Agent 核心从业者，信息量极其密集。 从年初极客圈折腾的 OpenClaw，到今天 Meta Muse 狂揽 660 万下载多次冲上 App Store 免费榜首、Instinct 估值冲上 100 亿美元——帮人真正闭环办事的 AI Agent，终于不再是试用 20 分钟就放弃的玩具 demo 了。 虽然我不是 Personal Agent 的受众，但这个访谈总结的依旧很有价值，看完这场深度访谈，有三点工程师视角的观察： 1.Agent 正在不可逆转地成为数字世界的新一代交互层 ：未来不仅是人找软件，而是人指挥 Agent 调度全网软件与 API，传统以菜单和页面为核心的交互形态正在瓦解； 2.入口的胜负手从来不在能力的上限，而在开箱即用的极低门槛 ：其实 Personal Agent 并没有在本质上拉高 Agent 的能力上限，它今天能做到的长程任务，一个熟悉工程师通过 Coding Agent 配好各类工具和环境，基本全都能跑通。 两者的核心分水岭在门槛：用好 Coding Agent 始终高门槛生产力工具，而 Personal Agent 把底层调度、环境维护和记忆纠错全部吞掉了。上手毫无技术包袱，像发短信一样自然，真正让普通大众感受到了开箱即用的技术平权。 3.通用 C 端助理是巨头资本与既有渠道的血腥绞杀场 ：单纯做一个无所不能的短信管家，最终必然会撞上算力成本与巨头防御的绝壁； 任务入口的争夺战才刚刚拉开序幕，谁能真正守住安全与商业闭环的边界，谁才能把这场智能浪潮真正兑现为生产力。 结合视频的一手行业访谈，下面把这波 AI 助理爆发背后的底层技术突围、四大产品流派的入口争夺，以及残酷的算力商业化暗礁，系统梳理了出来： 一、 为什么是现在？让 Agent 从玩具走向实用的两大技术突围 很多人看到今天的个人助理，会觉得跟年初的 OpenClaw 思路很像：接管邮箱、调度日历、24 小时后台运行。但 OpenClaw 当时门槛极高，非技术用户甚至需要买一台专用 Mac Mini 或在本地折腾复杂的虚拟机。 今天大众化助理之所以能够真正可用，本质上是在基础设施层彻底封装了复杂性，并且在两大底层技术上迎来了质变： 第一，Harness 调度框架与云端沙盒成熟，解决了长程行动的连续性与容错问题 ：以前的聊天机器人只是在屏幕前跟你对话，聊完活还是得自己干。而现在的长程任务，比如在二手平台全自动转卖家具，包含查比价、找页面、填表单、与几十个买家议价等环环相扣的多步操作。 这就像冰山理论：用户看到的只有前端几行对话，背后是平台在云端沙盒里调度几十上百个 SubAgent、管理工具连接并实时保留执行进度。Instinct 创始人 Noah Shinn 此前发表的 Reflexion 论文，核心正是通过反馈将失败经验沉淀为记忆、动态纠错，才让长程任务在无人值守下拥有了工业级容错韧性。 第二，前沿推理成本暴跌一个数量级，让全天候挂机具备商业辩论可能 ：Agent 执行任务最大的痛点是烧 Token。在过去，如果让一个前沿大模型在后台 24 小时持续轮询监控，产生的财务账单是任何商业产品都承受不起的天文数字。 而过去半年内，以 OpenAI Luna 等为代表的高效经济型模型，以不到前沿模型十分之一的开销，达到了接近一年前旗舰模型的推理水准。这一成本断崖式下降，终于让全天候后台挂机替人办事从纯亏损的空想，变成了可以正经计算 ROI 的真实生意。 二、 硅谷四大流派的产品布局与入口博弈 为了成为用户进入数字世界的第一道门面，不同 Personal Agent 的玩家走出了四条截然不同的路径： - Instinct：极简短信流与无 App 化体验23 岁大学辍学生创办的 Instinct 拿下 10 亿美元巨额融资、估值冲上 100 亿美元。它直接把私人助理做进了苹果用户的 iMessage / 短信 里。 用户不需要建立下载和打开新 App 的习惯，像给朋友发微信一样把需求扔过去即可。但它的命门同样明显：创始人宣称不打算向用户收费、试图靠广告盈利。徐老师犀利指出：Instinct 极有可能成为 AI 时代的新一代 Clubhouse ——在早期硅谷硬核投资人与极客的新鲜感退去后，如果没有真实留存支撑，单靠烧融资补贴 Token 的模式在资本退潮期将极难生存。 - Meta Muse：分发怪兽与侧翼商业闭环Meta 拥有整个硅谷最恐怖的 分发渠道优势 。Muse 不仅有独立 App，还直接无缝长在了 WhatsApp、Instagram 与 Facebook 内部，首月下载量即冲破 660 万次。 它主打的核心是 Goals ——比如把搬家转卖旧家具的任务委托给 Muse，它会在未来数周内自行发帖、降价、与买家多轮沟通直至成交，人类完全无需干预。 更深层的商业阳谋是： 绕过 Google 搜索广告 。Google 的商业帝国依赖用户明确意图后的主动搜索；而 Meta 借助 Muse，在用户产生消费意图的第一时间就通过对话直接前置截流并完成转化。扎克伯格设想的商业模式极其轻巧：基础功能免费，直接在帮用户促成的商业交易中抽取交易佣金，或者通过更懂用户意图来成倍提升信息流广告的转化率。 Grok Bot：多数字同事协作与消除人类瓶颈xAI / SpaceX 生态推出的 Grok Bot 从工作协作切入。产品设计师郑芃提出了一个极具颠覆性的反直觉洞见： 在人机协作中，人类的注意力往往才是 Agent 效率的最大瓶颈。如果无人驾驶需要人类双手时刻紧握方向盘，自动驾驶就没有解放时间；同理，如果每个任务都需要人类在对话框前反复检查、频繁确认，人就从干活的人变成了疲惫的监工。 Grok Bot 在界面上打破了单一对话框的禁锢，直接列出一支由代码、设计与客户沟通等专家构成的 数字同事团队 。通过把工作上下文物理隔离封装在不同的 Bot 内部，既彻底杜绝了多任务之间的上下文污染，又能让这群 Agent 彼此在群聊中协作，只有在需要关键决策时才找人类确认，真正实现了从管理中抽身。 WorkBuddy 与 Claude Cowork：办公交付与 SaaS 替代流与偏生活向的助理不同，腾讯 WorkBuddy 和 Anthropic 的 Claude Cowork 直接锚定企业办公：跑报表、整理复杂数据、多文档提炼。 办公场景交付物明确、企业付费意愿极强，但也给传统企业软件敲响了丧钟：当 Agent 能够直接操控系统底层工具产出交付物时，原本靠复杂 UI 售卖坐席许可证的传统垂直 SaaS 软件，正在被加速管道化。 三、 繁荣背后的三大深水区 在 Agent 狂飙突进的同时，一线从业者也揭示了三个正在发生的残酷现实： 第一，权限越权与安全黑天鹅 ：近期行业频发惊悚事故：让助手查看航班条款，助手却自作主张退票造成 300 美元直接损失；让助手卖二手，助手未经授权直接给买家发了家庭住址导致买家直接上门。为了解决安全隐私，扎克伯格甚至亲自招募了 Signal 创始人开发机密虚拟机，并在底层部署 Sentinel 监视 Agent，但如何平衡放手办事与防止越权依然是一大难题。 第二，平台巨头的防御战与生态封杀 ：Muse 刚一火爆，亚马逊就迅速出手全面封禁了 Muse 代表用户自动购物的行为。因为当 Agent 接管了比价与采购时，电商平台原有的搜索广告、推荐位与用户心智全被剥离，平台沦为了纯粹的物流履约工具。只要商业利益产生抵触，原有平台一定会砌起高墙防御 Agent 的渗入。 第三，单元经济模型的算力倒挂悖论 ：C 端 Agent 有一个反商业常识的困境： 用户越喜欢这个产品、交给它的长程任务越多，平台后台消耗的虚拟机算力与 Token 就呈指数级暴增。如果搞固定月费制，重度用户会迅速把平台吃垮；如果完全免费，初创公司根本无法承担巨额机房开销。对于 Meta 这样拥有海量广告现金流与自建算力的大厂来说，几个十亿美元的算力不过是常态开支；但对于纯靠融资烧钱的初创团队来说，没有健康的单位经济模型，几乎注定是一场九死一生的消耗战。

纳瓦尔宝典里面专门有一节在讲：什么是运气，以及如何获得好运气。我觉得很有收获，摘要如下 1. 盲目的运气（Blind Luck） 完全不受个人控制的随机事件，如中彩票、天降意外之财。属于纯粹的概率游戏，谁也无法主动规划。 2. 靠奔波折腾撞来的运气（Luck from Motion） 通过不知疲倦地行动、频繁尝试、制造动能与碰撞。你像布朗运动一样不断搅动尘土，扩大暴露面积；只要尝试的基数足够大，总有一两次机会能撞上你。 3. 敏锐洞察发现的运气（Luck from Preparation） 在某个特定领域深耕多年后，建立了极强的模式识别能力。别人眼里的一片混乱或普通细节，在你眼里是一眼看透的巨大机会。这时候不是运气砸向了你，而是你具备了把事物识别为好运的能力。 4. 靠独特专长与声誉吸引来的运气（Luck from Unique Character） 把自己不可替代的专长、独特的个人特质与长期积累的声誉打造成鲜明的标签。行业里一旦出现极特殊的难题或顶级机会，所有人第一个想到的就是你。这时候不再是你满世界去找运气，而是运气主动找上门来。

纳瓦尔宝典里面专门有一节在讲：什么是运气，以及如何获得好运气。我觉得很有收获，摘要如下 1. 盲目的运气（Blind Luck） 完全不受个人控制的随机事件，如中彩票、天降意外之财。属于纯粹的概率游戏，谁也无法主动规划。 2. 靠奔波折腾撞来的运气（Luck from Motion） 通过不知疲倦地行动、频繁尝试、制造动能与碰撞。你像布朗运动一样不断搅动尘土，扩大暴露面积；只要尝试的基数足够大，总有一两次机会能撞上你。 3. 敏锐洞察发现的运气（Luck from Preparation） 在某个特定领域深耕多年后，建立了极强的模式识别能力。别人眼里的一片混乱或普通细节，在你眼里是一眼看透的巨大机会。这时候不是运气砸向了你，而是你具备了把事物识别为好运的能力。 4. 靠独特专长与声誉吸引来的运气（Luck from Unique Character） 把自己不可替代的专长、独特的个人特质与长期积累的声誉打造成鲜明的标签。行业里一旦出现极特殊的难题或顶级机会，所有人第一个想到的就是你。这时候不再是你满世界去找运气，而是运气主动找上门来。

在软件代码、数字内容和资本市场上，现实从来不是按部就班的正态分布。 这里起决定性作用的是极端的幂定律，二八定律只是幂定律比较温和的一个切面： 头部 1% 的内容和开源项目，拿走全网 99% 的关注与流量；一家顶级风投几年投了几十个项目，最后九成以上的总回报，全靠押中那一个独角兽。 现实里拿到结果，从来不是苦干的单点累加，而是关键链条的乘法效应： 专业能力 × 商业意识 × 分发杠杆 × 时代红利。 加法做一辈子优势也是平缓的，但连乘只要在每个环节稍微建立一点点非对称优势，最终结果就会被指数级甩开。 身处一个幂定律主导的领域，如果依然按正态分布的平均主义去配置自己的时间与精力，本质上就是在用极高的机会成本自我感动。 几个在幂定律生效领域做事的原则 1.死磕零边际成本的载体：按小时卖时间的工作，产出被肉身精力死死锁住。想获得非线性的上行空间，必须逼自己去碰代码、数字资产、开源仓库或者股权——这些载体可以被无限次无损分发，而不增加你一秒钟的边际成本。 2.给事项做减法，盯死极少数关键变量：别把精力平摊在毫无杠杆的琐碎事务上。常规事务做到及格线、尽量靠自动化工具消化掉，把最清醒的精力砸在能产生复利的一两件事上。 3.用极端杠铃截断单点崩溃：幂定律既能带来爆发式收益，也能带来毁灭性灾难。防守端必须有深厚的现金储备与极低的生活杠杆，绝不碰让自己睡不着觉的负债；只拿输得起的业余精力和轻量资金，去持续下注高赔率的不对称机会。

经历了不知道多少次的反复挣扎，我们决定把过去三年积累的 48 场内部主题分享、10 节推特增长课和 13 节出海实战课，累计 68 小时 14 分钟， 做成一份完全免费的 Playbook 分享给想做出海产品的大家！ 累计消耗 16.19 亿 Token，历时 31 天， 梳理出 15 个主题任务簇、270 个知识点、118 个案例和 226 项重复或冲突记录，制作 48 份逐章来源映射，核查 218 个外部网址， 最终重编为 9 个模块、48 篇、约 30.4 万字的 Playbook。 今天 Beta 版免费开放给大家 👉 审美也绝对在线， 由出海去合伙人以及设计工程师 @Thons 反复校对打磨 从选品验证、设计、定价、发布，一直走社媒、增长、运营合规等等，希望对大家出海之路有所帮助！

最近和几个朋友聊最新的模型，很意外的是，大家对 GPT-6 Astra 的反馈和印象都特别深，认为这是一个转折的时刻点。 但如果只说我自己的体感：它完全没有当初 Claude Fable 5刚出来的那一刻让我惊艳。 与此同时，感觉AI圈子里的集体 FOMO 却比以往任何时候都要强烈。应该是从年初的OpenClaw开始，整个圈子就一直处于高度FOMO的状态，最近的 GPT-6 Astra、Jev 更是把这种焦虑推到了极点，每次都会被拉着问很多关于GPT-6\Jev的看法。 不太理解，感觉挺奇怪的。

如果想真的比较模型在某个领域的能力的话（比如文中说的调研任务），实际上应该用一个更强模型来当裁判，而不是更弱的模型 以及需要构建一个包含多个case的测试集，也要看两个用来评测的模型实际的推理时间、Token消耗，还需要跑多次来减小概率导致的误差

黑场亮相、冷光勾边，这种科技发布会风格的产品大片，我居然也能自己做出来了！ 你们是不是和我一样，有做产品视频的巨大需求，但是自己不会拍、不会剪，也没有办法花几万元找团队？ 没想到，以前大几万做的产品视频，现在居然被我花几十元做出来了！ 这次我用 Pexo @Pexoai_offical 这个对话式视频 Agent，完整做了一条机器鸭宣传片。它是一款 AI 视频创作工具，想做什么、画面怎么改，直接跟它说就行。不用自己选模型，也不用再去折腾剪辑软件。 上传产品资料、动作视频和广告参考后，它会理解素材、规划分镜、生成参考图和视频。 让我很意外的是这个 Mark to Fix 功能，播放器上有一个「Mark what to fix」按钮。在成片画面上直接圈选或涂画要改的地方，再写一句要怎么改，Pexo 会结合圈的位置、当前画面和前面的对话来理解修改意图，只调整对应的那段内容，其余镜头照旧。 最让我想不到的是，它不会因为一处修改就把前面的成果全部推倒重来。已经确认的产品形象、光影和满意镜头，它会通过项目记忆继续保留。我只要在对话里说明保留什么、修改哪里，它就会沿着上一版继续制作，并把新镜头接成连续预览。 视频左边是真实制作过程，右边是对应的成片效果。从资料整理、开场显露、动作拆解，到夹取、轮滑和局部返工，每一步都能对上最终画面。 看完这条视频，你就知道怎样通过对话，一步一步做出完整的产品宣传片👇🏻

经常有人问 Tutti 是什么意思，正好用 Pexo 做了条片，顺便讲一下。 tutti 是乐谱上的记号，意大利语「全体」。前面小提琴首席 solo 一段，谱上标 tutti，整个乐队重新进来一起奏。 @tuttihq 干的就是这个：一个创作者发是 solo，很多创作者一起去共同编织一段叙事，就是 tutti。 #MadeWithPexo#

卧槽！终于给造物矩阵做了条宣传片【附教程🔥 想表达的东西有点多：有意思的作品、愿意分享的 Maker、从想法到动手的过程，还有未来一起创造的生活。 这次全程用 Pexo @Pexoai_offical 来做，直接扔 url 看网站，然后补充产品资料和真实截图，来回调整镜头、英文配音和双语字幕，最后再自己校对、修改导出。 中间一个很重要的变化，是从“展示网站有什么”，转向“让人看见为什么想做这件事”。 先看成片👇 （教程接在下一条，讲讲这一路具体怎么改的

很多人以为自己执行了杠铃策略，其实只是把鸡蛋放在了同一个正在漏水的篮子里。 最典型的一个反例，就是把 80% 的资金买成标普 500 当稳健防守，剩下 20% 拿去买高弹性的个股当进攻。 表面上看有守有攻、主次分明，但这种配置本质上是个极其脆弱的假杠铃： 标普 500 是百分之百的股票权益资产。一旦遇到系统性流动性危机或者大熊市，个股和指数的相关性会瞬间趋近于 1，两头同步暴跌。 这时候你的总资产在剧烈缩水，心理防线直接被击穿。防守端不仅没能提供任何安全垫，反而随着进攻端一起阴跌；最要命的是在满地黄金筹码的时候，你手里根本掏不出一分能够反向抄底的现金。 这不叫杠铃，这只是把同一种风险敞口切成了大块和小块。 真正的 杠铃策略 ，核心在于两端的 极度非对称 与 风险绝对隔离 ，对两端的定义苛刻到了极致： 防守端（80% 到 90%）：追求的是 绝对零猝死率与极度流动性 。只配高流动性现金、短债这类真正无风险的资产。没有任何人能强平你，哪怕整个股市腰斩、明天公司裁员，这笔钱也足够支撑你安稳体面地生活三到五年，睡觉心率不产生一丝波动。更重要的是，它能在危机时刻成为最具杀伤力的弹药库。 进攻端（10% 到 20%）：追求的是 纯粹的高凸性与非对称赔率 。下行风险被物理截断在有限的本金或业余时间里；但一旦押中，必须具备能够拉升你总资产一个数量级的爆发力。 怎么快速自检自己手里是不是假杠铃？逼问自己三件事： 1.同源相关性测试：当你的进攻端遭遇毁灭性黑天鹅时，你的防守端会不会同步跟着大跌？如果会，说明你只是把同一种风险换了层包装，根本没有建立防御纵深。 2.极端压力测试：明早醒来如果进攻端跌光 100%，你的日常生活、家庭开支和睡觉心率，会不会发生哪怕 1% 的变形？如果会，说明仓位早就超标了。 3.上行天花板测试：如果你的进攻端彻底押对了，它是只够你换个新手机，还是能实质性拉升你未来的财富阶梯？如果是前者，你是在拿命博平庸。 白天老老实实做主业拿确定现金流，业余时间把最清醒的精力押在零边际成本的个人资产上。别把同一种风险包装成平衡，更别在伪防守的假杠铃里温水煮青蛙。

兄弟们，我的开源项目 female-portrait-director 已经在 GitHub 拿到了 1.5K+ Stars 和 187 Forks，最近正愁缺一条产品宣传片，让没用过的人也能看明白它是干什么的。 正好试了下 Pexo @Pexoai_offical，就用它给这个项目做了一条。 Pexo 是一款对话式 AI 视频工具。把项目资料和想法交给它，就能跟它一起定脚本、看分镜，再做成视频。配音、字幕、音乐和剪辑也都能一起处理，最后交付的是完整成片。哪里不满意，可以在同一个对话里继续改，不用自己在几个工具之间来回折腾。 我的项目做的是先锁定用户的要求、选择视觉路线，再把人物、服装、场景、镜头和光线组织成一个完整的画面。做宣传片时，光介绍这些功能还不够，得让人看到：一个模糊的想法交给它，最后能变成什么样。所以视频里哪些内容该留、用什么画面说明，都得先理清楚。 这次我把 GitHub 链接和项目素材一起交给 Pexo，让它先了解项目，再一起确定创意方向。脚本、分镜和静态风格帧都先看过，确认以后才开始生成第一版视频。 第一版出来，整体结构已经比较完整了，我又接着提了三版调整建议。最后剩下两个具体的地方要改：一个是替换 GitHub 首页截图，把项目的数据展示清楚；另一个是把原本分成两行的字幕调成一行，读起来更顺。 这两处我用的是 Pexo 的 Mark to Fix。暂停到对应画面，圈出要改的截图或字幕，在右侧弹出的批注框里写清楚要求，再提交修改。比如那句字幕，就直接指出是哪一句、希望排成一行，改完再看效果。前面聊过的项目背景，不用再解释一遍。 最后拿到了一条 35 秒的完整成片，旁白、字幕、音乐和动效都加好了，不用我再拿着几段素材回剪映里拼。片子还是来回改了几轮，但我能把精力放在“这里有没有讲清楚”上，具体怎么剪、怎么调，就交给 Pexo 处理。 有 AI 产品、GitHub 项目或者品牌内容需要做宣传视频的朋友，可以去 自己试一下。