一文串起 AI 核心概念：从大模型到 Personal Agent
最近，Personal Agent（个人智能体）成了 AI 领域最热的方向。Meta 在 9 月推出了 Muse，腾讯的 WorkBuddy 已经装进了不少人的办公电脑，更早之前，开源项目 OpenClaw（最早叫 Clawdbot，后改名 Moltbot，再改为现在的名字）一度刷屏，带火了这条赛道。
这些产品是怎么做出来的？要回答这个问题，得从大模型本身讲起。
大模型能做的只有一件事：读入一段文字（上下文），再接着写出一段文字。记忆、查资料、操作软件，这些能力都是在模型外面用工程手段补上的，补的方向有两个：
- 决定往上下文里放什么：Memory 放历史，RAG 放资料，Skills 放经验；
- 把模型写出的文字变成行动：工具调用让模型输出结构化指令，MCP 让这些指令能接入各种外部系统。
AI Agent 把”读上下文、写出指令、执行、把结果放回上下文”放进一个循环，让模型一步步把事情做完。Agent 运行在哪台机器上、为谁服务，又分出了本地 Agent、云端 Agent 和 Personal Agent。
下文对每个概念先给出一句话本质，再讲它解决什么问题，最后用注意区分说明它和相邻概念的边界。
一、推理服务
一句话本质：推理服务是把模型权重加载到 GPU 上，并通过 API 对外提供”输入文字、输出文字”能力的服务程序。
ChatGPT、DeepSeek 这类大模型，训练完成后交付出来的是一组模型权重文件，里面是数十亿到上万亿个参数。参数记录的是模型从海量数据中学到的统计规律，不能像数据库那样逐条查询。
要让模型对外提供服务，需要一个程序完成三件事：
- 把权重加载到 GPU 显存中；
- 对外暴露 HTTP 接口，接收请求；
- 执行推理计算，逐个生成 token 并返回。
这个程序就是推理服务。常见的推理引擎有 vLLM、SGLang、TensorRT-LLM，本地运行则常用 llama.cpp、Ollama 等。给推理服务配上聊天页面，就是我们日常用的聊天 AI。
注意区分： 推理服务只负责计算。它本身是无状态的，不记事也不查资料，更不会自己调用工具，这些能力都由后面介绍的组件在它外面补上。平时说的”调用某家大模型的 API”，调用的就是推理服务。
二、上下文
一句话本质：上下文是每次请求时发给模型的全部输入，是模型在这一次推理中能”看到”的全部信息。
上下文通常包括：系统提示词、历史对话、检索到的资料、可用工具的说明、工具执行的结果，以及用户当前的问题。模型的回答质量，很大程度上取决于上下文里放了什么。
2.1 上下文窗口
上下文窗口是模型单次请求能处理的 token 数量上限。token 是模型切分文本的基本单位，一个英文单词通常对应一到几个 token，一个汉字大致对应一个左右的 token，具体取决于模型的分词方式。
窗口额度由输入和输出共同占用：发给模型的上下文，加上模型这次生成的回答，总量不能超过上限。超出时，请求会直接报错，或者需要应用提前删掉一部分内容。目前主流模型的窗口从十几万到上百万 token 不等。
窗口大，也不代表可以随便往里塞。内容越多，计费越高、响应越慢，模型对夹在中间的信息也更容易忽略。所以，怎样在有限的窗口里放入恰好需要的信息，成了一个专门的工程方向，叫上下文工程（Context Engineering）。后面的 Memory、RAG、Skills 都属于这类手段。
注意区分：
- 上下文和训练数据是两回事。训练数据决定模型”天生知道什么”，训练完就固定了；上下文决定模型”这一次看到了什么”，每次请求都可以不同。
- 上下文窗口的大小，不等于模型能记住多少。窗口只对这一次请求有效，请求结束后，里面的内容不会被模型保留。
三、Memory
一句话本质：Memory 是在模型之外保存和筛选信息，并在每次请求时把相关部分放回上下文，从而让无状态的模型表现得”有记忆”的机制。
3.1 模型本身不保存对话
推理服务处理完一个请求就结束，不保存任何会话状态。为了承载大量用户，通常会部署多个推理实例，同一个用户连续发出的两条消息，很可能由两台不同的机器处理。
我们感觉 AI 记得前面的对话，是因为应用每次都把聊天记录重新拼进上下文，一起发给了模型。
3.2 两类记忆
受窗口上限和成本限制，聊天记录不能无限制地全部放入，需要分层管理：
| 类型 | 做法 | 作用范围 |
|---|---|---|
| 短期记忆 | 最近几轮对话完整保留；更早的对话压缩成摘要 | 当前会话内 |
| 长期记忆 | 提取值得长期保留的信息（用户偏好、关键事实等），持久化到外部存储，需要时检索出来放入上下文 | 跨会话 |
注意区分：
- 把旧对话压缩成摘要，属于当前会话内的上下文管理手段，并不等于长期记忆。长期记忆指的是跨会话持久化的信息。比如你上周告诉 AI 自己是素食者，这周开新对话问它晚饭吃什么，它依然会避开肉类推荐，这才是长期记忆在起作用。
- Memory 和 RAG 都是从外部取信息放进上下文，区别在于信息的来源：Memory 管的是这个用户和 AI 之间发生过的事，RAG 管的是外部世界的资料。
四、RAG
一句话本质：RAG 是在模型回答之前，先从外部知识库检索出相关资料放进上下文，让模型”开卷作答”的方法。
4.1 为什么需要 RAG
模型的知识在训练完成时就固定了。你问它昨天发布的新政策，或者你们公司的报销制度，它不可能知道，还可能编造一个答案，这就是常说的”幻觉”。
RAG 的全称是检索增强生成（Retrieval-Augmented Generation），三个词对应三步：先检索资料，用资料增强上下文，再让模型生成回答。
4.2 向量检索
关键词检索只能做字面匹配。比如知识库里有一篇”退换货政策”，用户问的是”买的东西不合适，还能退吗”，两句话意思相关，却几乎没有相同的词，关键词检索很可能找不到。
解决方法是用 Embedding 模型把文本转换成向量。语义相近的文本，向量之间的距离也更近，这样就能按意思而不是按字面来检索：
常用的向量数据库有 Milvus、Qdrant，数据量不大时也可以用 PostgreSQL 加 pgvector 扩展。实际工程中常把向量检索和关键词检索（如 BM25）结合使用，因为产品型号、订单编号这类内容，关键词精确匹配更准。
注意区分：
- 和微调相比：微调是把知识训练进模型参数，更新慢、成本高；RAG 不改模型，资料随时可以更新。
- 和工具调用相比：传统 RAG 是在模型回答之前，由程序固定执行一次检索。如果把”搜索知识库”做成一个工具，让模型自己决定何时搜、搜什么、要不要再搜一次，就是更灵活的 Agentic RAG。
五、工具调用
一句话本质：工具调用是模型经过训练获得的一种能力：它阅读开发者提供的工具说明，判断什么时候需要用工具，并按约定格式输出”调用哪个工具、传什么参数”的指令，再由应用程序代为执行。
5.1 为什么需要工具调用
模型只能输出文字。用户问”明天上海会下雨吗”，它拿不到实时天气；用户说”帮我约个会”，它也碰不到日历系统。它能写出”建议你打开日历新建一个日程”，但没法替你去做。
早期开发者的做法，是在提示词里要求模型”需要查天气时，请输出 [WEATHER: 城市名]”，再用程序去匹配这段文字。这种方式很不稳定：模型可能写错格式，可能漏掉参数，也可能在不该调用的时候调用。
工具调用把这件事变成了模型的正式能力。模型厂商专门训练模型去理解工具说明、判断调用时机，并输出格式严格的结构化指令，API 里也为此提供了专门的字段。
5.2 一个例子：约一个会
用户对 AI 助手说：”帮我约周五下午三点和产品组开个一小时的评审会。”
背后发生了四件事：
- 应用把这句话，连同开发者事先写好的工具说明（比如”创建日程：需要标题、开始时间、时长、参会人”），一起发给模型；
- 模型判断需要创建日程，没有直接回答，而是返回一条调用指令：调用”创建日程”，标题”产品评审会”，开始时间周五 15:00，时长 60 分钟，参会人为产品组；
- 应用按这条指令调用日历系统，日程创建成功；
- 应用把”创建成功”交回模型，模型据此回复用户：”已为你安排好周五下午 3 点的评审会。”
整个过程如下：
模型在这个过程中只做了两件事：读懂工具说明，决定调用哪个工具、参数怎么填；拿到执行结果后，写出给用户的回复。打开日历、创建日程的，始终是应用程序。
模型因此被请求了两次，第一次产出调用指令，第二次产出最终回复。任务需要用到多个工具时，”调用、执行、交回结果”会重复多轮，这就是后面 Agent 循环的基础。
注意区分：
- 常见误区：工具调用就是应用程序在调用外部系统。 应用程序调用外部系统，只是普通的接口调用；”工具调用”这个词指的是模型那一侧的能力：判断用哪个工具、参数怎么填，并写出调用请求。应用调用外部系统的方式，由 MCP 来统一。
- 模型从不执行任何操作，它输出的只是一段指令，执行的永远是应用程序。
- 工具调用规定的是模型和应用之间怎么沟通。至于工具从哪里来、应用怎么连接外部系统，它没有规定，每个工具的说明和执行代码都要开发者自己写。这正是 MCP 要解决的问题。
六、MCP
一句话本质：MCP 是一套开放的通信协议，规定了 AI 应用如何以统一的方式发现并使用外部系统提供的工具、数据和提示模板。
6.1 它解决什么问题
工具调用解决了”模型如何表达想用工具”，但没解决”工具从哪来”。从上一章可以看到，工具说明由谁提供、执行代码由谁来写、应用怎么连上外部系统，都留给了每个应用自己处理。
于是，每个 AI 应用要接入日历、数据库、项目管理系统，都得各写一套集成代码；每个外部系统想被 AI 使用，也得给每个应用分别适配。M 个应用对接 N 个系统，就是 M×N 份重复劳动。
MCP（Model Context Protocol，模型上下文协议） 由 Anthropic 于 2024 年 11 月开源。外部系统只需实现一次 MCP Server，所有支持 MCP 的应用都能直接接入，M×N 变成了 M+N，作用类似 USB-C 统一设备接口。2025 年 12 月，Anthropic 把 MCP 捐赠给了 Linux 基金会旗下新成立的 Agentic AI Foundation。目前 ChatGPT、Gemini、Microsoft Copilot、Cursor、VS Code 等主流产品都已支持 MCP。
6.2 模型不知道 MCP 的存在
MCP 工作在应用和外部系统之间，不在模型和工具之间。还是用上一章约会的例子，对比两种做法：
| 环节 | 不用 MCP | 用 MCP |
|---|---|---|
| 工具说明从哪来 | 开发者手写”创建日程”的说明 | 应用向日历的 MCP Server 发送 tools/list，自动拿到说明 |
| 模型这一侧 | 读说明 → 返回调用指令 → 读结果 → 回复用户 | 完全相同 |
| 谁去操作日历 | 开发者自己写代码调用日历接口 | 应用发送 tools/call，由 MCP Server 调用日历接口 |
模型这一侧一步都没变：它照样读工具说明、写调用指令，并不知道这个工具来自 MCP。变化全部发生在应用和日历系统之间：原来要开发者手写的工具说明和对接代码，换成了一个现成的日历 MCP Server。
这就是 MCP 的本质：它统一的是应用接入外部系统的方式。应用和 MCP Server 之间按这套协议通信，消息采用 JSON-RPC 格式。
6.3 三个角色与三类能力
MCP 里有三个角色：
- Host：用户直接使用的 AI 应用，如 Claude Code、Cursor、WorkBuddy；
- Client：Host 内部的连接器，一个 Client 对接一个 Server；
- Server：把外部系统的能力按 MCP 标准提供出来。它可以在本地运行，通过 stdio 通信；也可以部署在远端，通过 Streamable HTTP 通信。
Server 提供的不只是工具，共有三类能力，区别在于由谁决定使用：工具由模型决定何时调用，资源（如文件内容、表结构）由应用或用户放入上下文，提示模板由用户主动选择触发。
这也是它叫”模型上下文协议”的原因：它统一的是外部信息和能力进入上下文的方式，工具只是其中一类。
注意区分：
- 和工具调用相比：工具调用是模型和应用之间的约定，MCP 是应用和外部系统之间的约定。没有 MCP，工具调用照样能用：模型照样提出调用请求，应用照样去执行，只是每个工具的说明和对接代码都要开发者手工编写。
- 和普通 API 相比：普通 API 是写给程序员看的，需要人读文档、写代码对接；MCP Server 自带机器可读的能力描述，AI 应用在运行时就能自动发现和使用。
七、Skills
一句话本质：Skills 是一个以 SKILL.md 为核心的文件夹，它把某类任务的操作经验（流程、规范、脚本和参考资料）打包在一起，按需加载进上下文，教模型这类任务该怎么做，但不给模型新增工具。
7.1 Skills 的形态
Agent Skills 由 Anthropic 于 2025 年 10 月推出，同年 12 月作为开放标准发布，目前 ChatGPT、Codex、GitHub Copilot、Cursor、OpenClaw、WorkBuddy 等众多产品都已支持。
一个 Skill 就是一个文件夹，其中只有 SKILL.md 是必需的，其余都是可选的：
1 | refund-handling/ |
SKILL.md 分为两部分。开头是 YAML 格式的元数据，name 和 description 两个字段必填；下面是正文，用 Markdown 写具体的操作说明：
1 | --- |
description 决定了这个 Skill 什么时候被用到：模型会拿它和当前任务做比对，判断是否需要加载。
7.2 渐进式加载
Skills 的关键设计是分层、按需进入上下文：
| 层级 | 内容 | 何时进入上下文 |
|---|---|---|
| 第一层 | name 和 description |
始终在，每个 Skill 约占 100 个 token |
| 第二层 | SKILL.md 正文 |
模型判断当前任务匹配时才读取 |
| 第三层 | 附带的脚本、参考资料和素材 | 执行过程中用到时才读取或运行 |
所以即使装了上百个 Skills，平时也只占很少的上下文。附带的脚本是被执行的，脚本代码本身不进入上下文，进入上下文的只是运行结果。
7.3 和 MCP 配合的例子
以电商客服处理退款为例：
- MCP 提供能力：查询订单、查询物流、发起退款、发送通知；
- Skill 提供经验：就是上面那份
SKILL.md里写的处理流程、判断规则和审核门槛。
注意区分：
- 和 MCP 相比：MCP 解决”能做什么“，负责连接外部系统；Skills 解决”该怎么做“，负责传授流程和经验。Skills 也可以完全不依赖 MCP，比如一份”按团队规范写技术方案”的 Skill，只靠文字说明和模板就能工作。
- 和系统提示词相比：系统提示词每次都完整放进上下文；Skills 平时只露出一句描述，用到才加载，适合承载大量专业经验。
- 和 RAG 相比：RAG 由程序按语义相似度检索事实资料；Skills 由模型根据任务自己决定加载哪份操作流程。
八、AI Agent
一句话本质：AI Agent 是让模型在循环中自主使用工具、根据每一步的执行结果决定下一步行动，直到完成目标的系统。
8.1 Agent 的核心是循环
第五章约会议的例子只用了一次工具。Agent 则会连续多轮”决定、执行、观察结果”，每一轮该做什么，都由模型根据当前上下文自己判断。Memory、RAG、MCP、Skills 是 Agent 的组成部分，区分 Agent 与普通聊天机器人的，是这个由模型自己驱动的循环。
比如你让它”整理一份本季度竞品动态”，它会自己决定先搜哪几家公司、读哪些页面，发现信息不够时再补充搜索，最后汇总成文，中间不需要你一步步指挥。
8.2 决定 Agent 好坏的两个因素
- 模型本身：推理和规划能力，决定它能否在每一步做出正确的判断；
- 外围系统（也常被称为 Harness 或脚手架）：负责模型之外的一切，包括提供哪些工具、在什么环境里执行、往上下文里放什么、上下文快满时怎么压缩、何时停止循环，以及哪些高风险操作需要人工确认。
同一个模型，配上不同的外围系统，表现可以差别很大。Claude Code、Cursor 这类编程助手，就是针对编程场景专门设计了外围系统的 Agent。
注意区分： Agent 和工作流（Workflow）的区别，在于谁来决定执行路径。工作流的步骤由人提前写好，模型只负责其中某几步，结果可预测、成本稳定，适合每日报表这类固定流程；Agent 的步骤由模型自己决定，能应对没预料到的情况，但步骤一多容易累积错误，适合调研、编程这类开放任务。实际应用中两者常常混用：确定的部分用工作流，不确定的部分交给 Agent。
九、Agent 的运行环境：本地还是云端
一句话本质：Agent 的运行环境，指 Agent 循环和它的工具实际在哪台机器上执行，它决定了 Agent 能接触什么数据、能做哪些操作，以及出了问题会影响到哪里。
9.1 三个”在哪里”
讨论本地 Agent 和云端 Agent 时，容易把三个位置混在一起。它们可以各不相同：
| 位置 | 指的是什么 | 常见情况 |
|---|---|---|
| 模型推理在哪 | 大模型在哪台机器上计算 | 绝大多数在云端，调用各家的 API；少数用本地模型 |
| Agent 循环在哪 | 组装上下文、解析指令、控制循环的程序在哪运行 | 可以在你的电脑上，也可以在云端服务器上 |
| 工具在哪执行 | 读写文件、执行命令、操作浏览器，作用于哪台机器 | 区分本地与云端的关键就在这里 |
通常说的”本地 Agent”，指的是 Agent 循环和工具执行都在用户自己的电脑上，模型一般仍然调用云端 API。
9.2 两种形态对比
| 本地 Agent | 云端 Agent | |
|---|---|---|
| 运行位置 | 用户自己的电脑（或自己的服务器） | 服务商提供的云端虚拟机或沙箱 |
| 能接触的数据 | 你电脑上的真实文件、已登录的软件和账号 | 只有你主动上传或授权的数据 |
| 能做的事 | 几乎你在电脑上能做的一切 | 受限于沙箱里预装的工具和获得的授权 |
| 出错的影响 | 直接作用于你的真实环境，误删的文件就是真删了 | 限制在沙箱内，最坏情况是重建一个沙箱 |
| 在线时长 | 电脑关机或休眠，Agent 就停了 | 云端常驻，随时可用 |
| 代表产品 | OpenClaw、WorkBuddy 桌面端 | Muse、Manus、WorkBuddy 云端模式 |
9.3 这个区别带来了哪些新产品
本地 Agent 出现之前，主流 AI 产品都运行在云端，安全，但接触不到你电脑上的文件，也操作不了你已经登录好的各种软件，而很多日常工作恰恰在这些地方完成。本地 Agent 让 AI 可以直接整理你的文件夹、处理你的 Excel、操作你的办公软件，这是 OpenClaw 走红、各大厂商纷纷推出桌面智能体的主要原因。
接下来的问题是人不在电脑前时怎么用。于是出现了远程遥控：通过手机上的聊天软件给家里或公司的电脑发指令，由电脑上的 Agent 执行。目前的主流产品，大多同时支持本地执行、远程遥控和云端执行，让用户按任务的敏感程度选择。
注意区分：
- “本地 Agent”不等于“本地模型”。OpenClaw、WorkBuddy 这类本地 Agent，大多数情况下调用的仍是云端模型 API，只是执行操作的环境在你的电脑上。
- 本地 Agent 的主要安全风险，不在于数据上传了云端，而在于它拥有你电脑的真实权限。一旦被网页、邮件或文件中暗藏的恶意指令诱导（即提示词注入攻击），它可能执行你不希望发生的操作。云端 Agent 把这类风险限制在沙箱里，代价是能做的事更少。
十、Personal Agent
一句话本质：Personal Agent（个人智能体）是长期为某一个人服务的常驻 Agent，它持续记住这个人的偏好和事务，通过日常沟通渠道接收指令，并能主动替他做事。
10.1 和普通 Agent 的区别
普通 Agent 接到一个任务，做完就结束。Personal Agent 更像一个长期雇佣的私人助理，有四个典型特征：
| 特征 | 说明 | 依赖的技术 |
|---|---|---|
| 常驻在线 | 7×24 小时运行，随时待命 | 部署在常开的电脑、服务器或云端 |
| 长期记忆 | 记得你的习惯、联系人和进行中的项目，用得越久越了解你 | 长期 Memory |
| 通过聊天软件交互 | 不用打开专门的软件，在微信、飞书、WhatsApp 等聊天软件里发条消息就能指挥它 | 聊天软件接入、远程遥控 |
| 主动性 | 除了被动执行，还能按计划定时执行任务，或主动提醒你、给你建议 | 定时任务、长期记忆 |
举个例子：你早上在通勤路上用手机发一句”把昨天客户发来的合同和我们的模板对比一下，有出入的地方标出来”，电脑上的 Personal Agent 会找到文件、完成对比，把结果发回你的手机；每周五下午，它还会主动把本周待办整理好发给你。
10.2 各家都在做
从开源社区的 OpenClaw，到国内大厂的 WorkBuddy，再到 2026 年 9 月 Meta 推出的 Muse，Personal Agent 已经成为各大 AI 厂商竞相布局的方向。它让 AI 从一个需要专门打开的工具，变成了融入日常沟通的助理。
注意区分：
- 和编程 Agent（如 Claude Code、Cursor）相比：编程 Agent 专注于一个领域，在你主动发起任务时工作；Personal Agent 是通用的，长期在线，处理的是”你这个人”的各类事务。
- 和聊天 AI 的记忆功能相比：聊天 AI 记住你的偏好，是为了让回答更贴合你；Personal Agent 记住你的事务，是为了替你做事。
- Personal Agent 描述的是”为谁服务、怎么交互“，本地或云端描述的是”在哪运行“，两者是不同的维度。一个 Personal Agent 既可以跑在本地，也可以跑在云端。
十一、代表产品
这些产品用的都是前面讲到的同一套 Agent 技术栈，区别主要在运行环境和面向的用户。下面按出现的时间顺序介绍，可以看到 Personal Agent 从开源社区的探索，到大厂做成办公产品，再到面向大众的云端服务。
11.1 OpenClaw：本地 Personal Agent 的开创者
一句话本质：OpenClaw 是一个开源的 Personal Agent 框架，部署在用户自己掌控的机器上，通过聊天软件接收指令，直接操作这台机器完成任务。
- 出身：由奥地利开发者 Peter Steinberger 于 2025 年 11 月作为业余项目发起，两次改名后定名 OpenClaw，2026 年初迅速走红，一度登顶 GitHub 星标榜。2026 年 2 月，创始人加入 OpenAI 负责下一代 Personal Agent，项目转由开源基金会维护。
- 运行方式：安装在用户自己的电脑、Mac mini 或云服务器上，接入用户自己的模型 API，常驻运行。
- 核心能力：执行系统命令、读写文件、操作浏览器；有持久化的长期记忆；支持 Skills 和 MCP 扩展，社区有大量现成技能；支持定时任务。
- 交互方式：通过 WhatsApp、Telegram、Slack 等聊天软件下达指令，人不在电脑前也能用。
它在技术上没有新发明，贡献在于把”本地执行、长期记忆、聊天软件遥控”组合成了一个完整可用的产品形态。代价是部署和配置门槛较高，安全责任基本由用户自己承担。
11.2 WorkBuddy：面向办公用户的桌面智能体
一句话本质：WorkBuddy 是腾讯推出的开箱即用的桌面智能体，把 OpenClaw 式的本地 Agent 能力，做成了普通办公人员能直接上手、企业也能放心部署的产品。
- 出身：2026 年 3 月正式发布，业界常称其为”腾讯版 OpenClaw”，基于腾讯 CodeBuddy 的同源架构。
- 运行方式：桌面端安装后直接可用，不需要自己配置模型 API，可在混元、DeepSeek、GLM、Kimi、MiniMax 等模型之间切换。
- 核心能力：操作本地文件和 Office 文档、生成报告与 PPT、数据分析；内置 Skills 和 MCP，兼容 OpenClaw 的技能；支持多个 Agent 并行处理拆分后的子任务。
- 交互方式：可通过企业微信、QQ、飞书、钉钉远程遥控电脑；手机 App 提供”连接电脑”（遥控本机执行）和”云端工作”（在云端环境执行）两种模式。
- 差异点：补上了开源方案缺少的企业级安全与管理，包括统一账号、安全审计和数据隔离。
11.3 Muse：云端 Personal Agent 的代表
一句话本质：Muse 是 Meta 推出的云端 Personal Agent，运行在为每个用户单独分配的云端虚拟机里，面向普通消费者处理生活和工作中的各类事务。
- 出身：2026 年 9 月由 Meta 在美国推出，大部分用户可以免费使用，另有每月 20 美元和 100 美元两个付费档位。
- 运行方式：每个用户的 Muse 都运行在一台专属的云端虚拟机（Muse Secure VM）里，配有浏览器、文件系统和终端。关掉 App 后它仍在后台继续工作，有进展或需要你确认时再来找你。
- 核心能力：发邮件、订行程、填表单、网购；能把大目标拆成步骤并跟踪进度；记得过往对话，并据此主动给出建议，用户还可以设置它的主动程度。
- 交互方式：手机 App、网页，以及 WhatsApp。
- 安全设计：由一个独立的系统把控它能向外发送什么；购物、发邮件等敏感操作需要用户确认；账号凭证与 Agent 隔离保存；付款时生成一次性虚拟卡，不暴露真实卡号。
它代表了 Personal Agent 的另一条路线：不碰你的电脑，而是在云端给 Agent 配一台专属的电脑。安全靠沙箱隔离和权限管控来保障，普及靠免安装、随时在线来推动。代价是它接触不到你本机上的文件和软件，而且你的数据和操作都发生在厂商的服务器上，需要你信任厂商。
11.4 Manus：云端任务型 Agent
一句话本质：Manus 是一个运行在云端虚拟机里的通用 Agent，用户提交任务后，由它在隔离的云端环境中自主完成并交付结果。
它和 Muse 一样，把 Agent 执行操作的环境放在云端沙箱里，与用户电脑完全隔离。区别在于，Manus 更偏向”提交一个任务、交付一个结果”的任务型 Agent，不以长期在线、记住用户、主动服务为核心。
11.5 横向对比
| OpenClaw | WorkBuddy | Muse | Manus | |
|---|---|---|---|---|
| 产品形态 | 开源框架，自行部署 | 商业桌面应用，开箱即用 | 消费级 App，免安装 | 商业云端服务 |
| 主要运行环境 | 用户自己的机器 | 本地为主，兼有云端模式 | 每个用户专属的云端虚拟机 | 云端沙箱 |
| 是否 Personal Agent | 是 | 是 | 是 | 偏任务型 Agent |
| 交互入口 | 海外主流聊天软件 | 国内主流办公 IM、手机 App | 手机 App、网页、WhatsApp | 网页、App |
| 上手门槛 | 高，需技术背景 | 低 | 低 | 低 |
| 安全责任 | 主要由用户承担 | 厂商提供企业级管控 | 沙箱隔离 + 敏感操作确认 | 沙箱隔离 |
| 适合人群 | 开发者、技术爱好者 | 办公人员、企业 | 普通消费者，处理生活事务 | 不涉及本地数据的任务 |
注意区分： 这些产品在技术上都没有根本性突破，用的都是本文讲到的推理服务、Memory、工具调用、MCP、Skills、Agent 循环这一套技术栈。它们的差异在于运行在哪里、为谁服务、安全由谁负责、上手有多简单。
选择时，先想清楚到底有什么工作需要它来做，再根据数据的敏感程度，决定用本地还是云端、给它多大权限。
十二、总结
12.1 关系图
12.2 概念速查表
| 概念 | 一句话本质 | 解决的问题 | 最容易混淆的对象 |
|---|---|---|---|
| 推理服务 | 把模型跑起来、对外提供 API 的服务 | 模型文件本身无法使用 | 无 |
| 上下文 | 模型每次推理能看到的全部输入，受窗口上限约束 | 模型与外界唯一的通道 | 训练数据 |
| Memory | 把用户历史选择性地放回上下文 | 模型无状态，记不住 | RAG（来源不同） |
| RAG | 先检索资料放进上下文，再让模型回答 | 模型知识固定、不懂私有资料 | 微调（不改模型） |
| 工具调用 | 模型输出结构化指令，由应用程序代为执行 | 模型只会输出文字 | MCP（层面不同） |
| MCP | AI 应用连接外部系统的统一协议 | 工具接入各自为政 | 工具调用、普通 API |
| Skills | 以 SKILL.md 为核心、按需加载的经验文件夹 | 有工具但不会用好 | MCP（经验与能力） |
| AI Agent | 模型在循环中自主使用工具完成目标 | 多步骤任务需要人一步步指挥 | 工作流（谁决定路径） |
| 运行环境 | Agent 的循环和工具实际在哪台机器上执行 | 决定 Agent 能碰什么、风险多大 | 模型在哪推理 |
| Personal Agent | 长期为一个人服务、常驻在线、能主动做事的 Agent | AI 需要专门打开、用完即走 | 编程 Agent、聊天记忆 |
12.3 全文小结
大模型只会读上下文、写文字。推理服务让它运行起来，上下文窗口限定了它每次能看多少；Memory 和 RAG 分别把用户的历史和外部的资料放进上下文；工具调用让它能写出调用工具的请求，交给应用去执行；MCP 让各种外部系统以统一方式接入；Skills 在需要时为它补上专业经验；AI Agent 把这一切放进循环，让模型一步步把任务做完。Agent 运行在本地，能接触你电脑上的真实环境，风险也更大；运行在云端，更安全，能做的事也更有限。一个常驻在线、记得你、能通过聊天软件随叫随到的 Agent，就是 Personal Agent。OpenClaw 和 WorkBuddy 把它放在你的电脑上，Muse 把它放在云端。