未来直播：工作中的智能体、持久记忆与健康 AI

Matthew Berman 和 Nick Wentz 在 2026 年 3 月 13 日的节目开场讨论智能体需要怎样的网络基础设施，随后采访 Slack、Giga、Letta 和 Microsoft AI 的负责人。

Wentz 介绍一种观点：智能体将越来越多地代表人使用软件，但定价、网络标准和企业系统原本是为人设计的。按照这一观点，结构化数据、及时更新的文档和 API 会成为重要的产品功能。

Berman 说，许多企业产品已有 API，消费网站却花了多年阻挡机器人。浏览器控制可能又慢又不可靠，因此购物、付账或阅读已订阅的文章等任务很难委托。

Berman 认为广告收入让网站有理由抵制智能体访问：智能体浏览页面时，人可能看不到广告。主持人预计更好的浏览器控制和通过合作开放的接口会并行发展，但时间仍不确定。

Wentz 问，智能体如何应对没有文档的流程。Berman 认为，员工离职时，流程与组织知识的文档本就重要；它也能给智能体提供上下文，避免重新摸索。

两位主持人比较 OpenClaw 与 Perplexity 的 Computer 和 Personal Computer。Wentz 看到了面向更多人的可能性；Berman 认为设置和反复尝试仍可能让非技术用户望而却步，而工作用途也许更容易成立。

Slack 负责人 Rob Seaman 介绍公司的愿景：为智能体参与的企业提供一个操作系统，让人与智能体在共同空间沟通、使用现有应用并获取组织上下文。

谈到频道过多的问题时，Seaman 说 AI 可以汇总和整理信息；用户不必记住准确的频道名称，也能让 Slackbot 根据话题和参与者查找对话。

Berman 追问隐私问题。Seaman 说，访谈中讨论的 Slackbot 是个人智能体：它只能访问用户有权查看的 Slack 内容，并通过用户授权访问连接的服务。结果是否分享由用户决定。

Seaman 区分了个人机器人与已经共同参与频道的其他智能体。他说 Slack 正在尝试共享 Slackbot 的原型，但当时还没有让个人机器人进入多人场景的计划。

Seaman 称 Slackbot 在最初几周内于 Salesforce 内部达到每周 5 万活跃用户，同事之间分享有用的提示促进了使用。他还介绍正在开发的技能库，让个人与团队复用和分享操作流程。

Seaman 说，Slack 必须在容纳智能体的同时维护核心消息体验。如果智能体淹没人们重视的对话，平台就会失去让它有用的人类活动。

Seaman 举了一个实际例子：让 Slackbot 按情绪整理功能频道的反馈，保留角色但去掉姓名。接着，他可以把正面反馈变成社交帖草稿，把负面反馈变成产品简报和冲刺计划。

他还介绍定价团队如何结合拟议的价格变化、客户记录和 Slack 上下文，提出针对各客户的计划。这些是他提供的公司案例，不是经过独立验证的效果测量。

关于成本，Seaman 说 Slack 当时将 Slackbot 纳入套餐并设使用上限，而不是完全按用量收费。他预计一些昂贵功能未来可能只提供给高阶套餐，或采用用量计费。

Giga 联合创始人 Varun Vummadi 解释公司为何从企业模型微调转向客户支持：基础模型越来越快、越来越便宜，改变了微调业务；而客服是反复出现、尚无令人满意方案的需求。

Giga 为语音、聊天和邮件构建客服智能体。Vummadi 说客户可以提供对话记录和政策，并在前沿模型与微调模型之间选择；延迟和监管偏好都会影响选择。

被问及据称 98% 的解决率时，Vummadi 说部署初期通常只有约 15%–20%。政策可能不完整或互相矛盾，因此 Giga 参考优秀人工客服的对话记录，并请客户批准建议修改。

电话转给人工后，公司会比较人工做了什么、AI 没能做什么，再提出政策修改建议。缺少 API 或权限可能阻碍自动化，因此工具集成与改进模型同样重要。

Vummadi 说，一些客服人员会帮助管理政策和改进智能体，同时承认企业采用自动化也是为了降低运营成本。访谈并未证明所有公司的就业结果都相同。

他认为，前置部署工程师手工把对话记录转为政策、反复测试修改时，可能成为企业部署的瓶颈。他的公司押注于自动化其中大量被动实施工作。

Berman 提出异议：工程师还要发现客户难以表达的问题并教育团队。Vummadi 同意复杂、新颖的问题仍需要人工参与，但认为定义清楚的客服自动化可以更充分地产品化。

Vummadi 举例称，智能体可以联系不活跃客户，也可以在帮助配送员时联系收件人。他认为 AI 能让一些主动支持变得可行，但这些案例是公司陈述，而非受控证据。

谈到客户信任时，他认为来电者应始终有清晰的转人工渠道。展示智能体能解决具体问题，比把人困在自动化循环中更有用。

Vummadi 认为 OpenClaw 运行昂贵，并担心安全与持续使用情况。Berman 说自己仍大量使用它，也看到了不足和它对竞品的启发；两人表达的都是个人观察。

Letta 联合创始人 Charles Packer 说，从 MemGPT 到 Letta，他一直研究智能体如何在模型固定训练权重之外保存和使用知识。他将记忆管理类比为操作系统或文件系统。

Packer 认为，更强的计算机操作模型使智能体能够编辑自己的记忆。但如果记忆只存储在一台设备上，就会出现持久性和可迁移性问题：机器损坏或用户更换设备时怎么办？

Packer 将睡眠时间计算解释为智能体在用户互动之间完成的工作。单纯频繁触发后台活动可能产生无关文字或循环；难点是找到有用的工作，而不是让模型一直忙碌。

他说 Letta Code 会定期启动后台反思智能体，回顾最近活动并写入有用的记忆。好的反思应提炼持久的洞见，而不只是记录日志里已有的琐事。

Packer 将短期上下文限制与长期个性化区分开。更大的上下文窗口可能减少任务中压缩上下文的麻烦，但他怀疑仅靠发布新模型就能让助手获得多年积累的用户专属经验。

他没有把记忆视为简单的插件，而是提出由智能体整理记忆并与专门的编程智能体协作。他设想了两种方式：给其他工具配一个记忆智能体，或由个性化的主智能体委派编程工作。

主持人问，累积记忆是否会形成竞争壁垒。Packer 预测，随着模型差异缩小，记忆可能提高用户迁移成本；但这是商业预测，并非已被证明必然发生的结果。

Packer 还提醒，累积记忆可能包含高度敏感的个人信息或推断。他提出数据所有权、可迁移性和泄露后果等问题，认为它们关系到个人，也可能关系到国家安全。

Microsoft AI 健康业务副总裁 Dominic King 介绍了自己从外科、DeepMind 和其他医疗工作到微软的经历。他说，公司在消费产品中看到了大量现有健康信息需求。

King 称微软每天看到约 5000 万次健康会话或查询，并引用公司去标识化使用报告：约 40% 寻求健康信息，约 10% 涉及症状或检查结果，七分之一的对话与他人有关。这些是公司在当时报告的数据。

对于心理健康，King 区分了日常支持、需要专家帮助的较严重迹象，以及需要紧急支持的即时风险。他把 AI 视为临床人员的补充，并强调行为健康领域的人际联系。

Berman 说自己会先用 AI 帮助理解检查结果，再向医生提问。King 认为这有可能缩小信息差距、帮助人们参与决策，同时保留医疗专业人员的作用。

Wentz 问到漏诊和防护措施。King 说分诊必须在漏掉紧急情况与把所有人送往急诊之间取得平衡；据他介绍，微软采用临床人员、专家组、医疗政策、评估和持续监测。

King 描述了他期望的健康助手：结合医学知识与个人上下文，包括可穿戴设备和健康记录数据。他对采用规模和能力的预测是愿景，并不能证明 AI 可以取代医生或可靠诊断每一种情况。

讨论转向预防。King 认为更连续的健康数据有助于识别模式，但要将观察结果转化为合适的个性化行动，仍有大量工作要做。

King 说，访谈时微软刚宣布独立的健康体验并开放候补名单。他描述了计划中的美国分阶段推出、反馈收集和临床评估；这是对 2026 年 3 月发布计划的历史记录。

主持人最后再次谈到更主动的健康支持的可能性；访谈也留下了系统实际表现和公平获取方面的问题。