灵光 2.0：私人助手要先解决问题，再谈入口与收费

陈茜介绍，个人 AI 助手正从问答走向持续完成任务。中国的超级应用生态可能让支付和生活服务更容易接入，但信任、平台利益和商业化仍是问题。

蚂蚁灵光 CTO 莫林剑（花名林怿）说，灵光 2.0 希望面向普通人，把重点从生成闪应用转向帮助用户完成跨越一段时间的目标。团队早在类似产品出现前就在筹备。

林怿曾用类似 Codex 的工具帮孩子分析错题并生成针对性练习，但认为开发者工具对家人和老年用户过于复杂。他希望把这种能力做成普通人也能使用的产品。

他举出母亲记录血压的例子：记录只是第一步，后续还要理解趋势。他认为智能体有潜力辅助这类持续任务，但交互门槛需要降低。

林怿说，目标是让用户说明目的和约束，系统在过程中主动帮忙。长程任务模型的进步是基础，外围运行框架、记忆、协议和成本也很关键。

模型仍然是概率系统，不能保证百分之百正确；新近信息也需要模型训练之外的来源补充。他认为工程机制必须为这些局限兜底。

回顾灵光 1.0，林怿说，一句话生成应用降低了创作门槛，但制作本身并不是所有人的高频需求。陈茜提到当时三日留存率为 20% 出头。

他认为除了总体留存，更要看真正有用的应用是否被反复使用、是否持续增长。创建数量不等于价值，核心是有没有帮助用户解决问题。

对于爆火产品，他建议观察真正设置了几个关心目标的深度用户是否增长并留下来，因为大量尝鲜者会干扰整体数据。

谈到一亿元闪应用激励计划，林怿认为它有市场教育价值，也鼓励优质作品分享和修改；但做出精品的综合门槛仍然较高。

陈茜问，为什么智能体还需要补贴和推广。林怿认为竞争环境与早期 ChatGPT 不同，而且用户需要从提出单个问题转向表达目标，例如直接说要去南疆旅行。

自然语言不会完全取代图形界面，林怿认为两者应该融合。界面把复杂步骤封装成可见流程，重复操作时一次点击可能比说一句话更方便。

图片、文字、语音和图表各有优势。他认为输入可以是多模态、非结构化的，输出则应选择最适合呈现信息和完成交互的形式。

林怿分享账单分析：一位朋友发现退货金额远高于实际消费；他自己收到通信套餐偏贵的提示后降档。他把这些小幅节省看成实际价值。

旅行中，灵光根据南疆天气和家人身体状况调整行程。他说系统不只是把未完成事项顺延，而是根据整体目标和变化重新规划。

陈茜提到其他助手帮用户出售二手物品、寻找被忽略的退款。两人认为这些事人自己也能做，但智能体可以减少遗忘和处理琐事的负担。

办公和生活场景并不矛盾。林怿认为办公价值较容易收回成本，而生活市场更广；推理成本继续下降是个人场景成立的重要条件。

他认为儿童教育、理财、省钱和旅行都可能形成持续需求，因为背后往往是长期目标，而不是一次对话就结束的问题。

助手应处理用户觉得繁琐的事项，但需要用户做决定时仍应告知并保留边界。是否付费取决于创造了多少增量价值，他以孩子学习进步为例。

陈茜区分必需的痛点和可有可无的需求。林怿说，教育可能是痛点，但实际价值仍取决于产品能改善多少；自动总结办公消息则便利，却未必不可替代。

对于会员、抽佣和广告，林怿认为市场还没有定论。他倾向尝试会员或佣金，并担心广告利益与私人助手所需的信任难以兼容。

他认为当前更重要的是先为用户创造增量价值，如何分配收益可以随后探索。大平台拥有资源和既有生态，但立即激进商业化未必合适。

智能体能做什么不仅由模型决定，也取决于它能够接触的环境和真实服务。林怿认为支付宝等生态让账单分析、支付和出行等场景更容易连接。

陈茜问平台为何可能阻止外部助手。林怿认为，如果助手直接完成交易、减少页面访问，可能冲击依赖流量和广告的平台；同一生态内协调可能更方便，但利益冲突并未自动消失。

他认为各方博弈会持续，关键是能否创造新的价值而非争夺固定份额。他以开车时一句话购买原本不会购买的咖啡为例，同时指出支付和信任仍需解决。

灵光可以连接账单、邮箱和办公服务。林怿说，简单查询可能适合普通接口或 MCP；带复杂业务规则的问题，可能更适合交给熟悉该业务的另一智能体。

浏览器操作也不是所有访问问题的解法：商家愿意开放但缺少接口时可能有用；平台明确拒绝访问时，强行进入会变成利益对抗。

林怿认为用户不会立刻只通过智能体交互，但智能体可能逐渐成为默认选项之一。不同商家对比价、流量和品牌形象的态度会不同。

品牌可能希望主动接入以控制信息表达；利润薄的商家可能更担心自动比价，同时又不能忽视流量迁移。他认为这些商业问题难以仅靠技术解决。

安全关系到用户信任。林怿说，团队把账号密码与智能体隔离，并按指令和动作风险分级；支付等高风险动作目前仍由用户确认。

他提到集团正在探索满足额度和场景条件的自动支付基础设施，但在基础设施完善之前，规模化执行高风险动作需要格外谨慎。

降低成本的主要驱动仍是模型进步。后台任务还可以错峰调度，小模型能完成部分工作；按任务选择模型和时间仍有优化空间。

林怿期待助手不仅记住用户，还能总结更高效的执行路径，例如买机票时复用有效经验，以改善成本和成功率。

但自动总结可能过度归纳：今天不吃辣不等于永远不吃辣，一次成功的路径也未必永远最好。他认为持续自动改进仍然困难。

他将记忆分为长期偏好、已经发生的事实和临时状态。持续任务可以积累更有依据的事实，但系统仍须区分这些不同层次。

关于主动提醒，他提出三层：直接影响目标的事项应强提醒；可能改变行动的发现可适度提示；背景材料可供查看，但不应打断用户。

哪些建议值得提醒取决于个人，例如附近高评价咖啡店对咖啡爱好者可能改变行程。林怿说产品目前偏保守，希望探索更多有价值但不打扰的建议。

他分享旅行日记和半马训练：家人反馈旅行喜好，助手连接运动手表等数据并调整训练建议。他认为用户真正交付持续目标后，使用价值和黏性可能提高。

对于持续在线，他区分用户感受到的随时可用与后台全天运行。助手可以在关键时间醒来处理任务；空转是否值得，需要比较成本与新增价值。

他看好耳机、车机和眼镜等入口，让用户在不方便打开手机时使用助手，并期待更自然的多模态交互和更可靠的任务完成。

两人设想连接智能家居或车辆：如果助手知道用户即将回到高温车辆，可以在授权条件下提前调节空调。林怿强调更广的信息接触面可能带来这种联动。

林怿说，他最有成就感的时刻包括孩子针对错题练习后成绩提高，以及助手结合家庭行程给出的礼物建议。他希望有一天母亲也能真正用上并受益。

陈茜总结，个人助手要进入日常生活，还需要解决技术可靠性与信任、生态利益分配和商业化。她认为竞争取决于能否接入真实服务并持续创造可衡量的价值。