文｜邓咏仪
编辑｜张雨忻
近一个月，包括 Muse、Instinct 在内的 Personal AI 产品引起全球轰动，成为最受关注的 AI 创业赛道。其中，Muse 上线 22 天就突破 500 万次下载—— ChatGPT 当年花了 56 天才达到这一数字——难得地为 AI 应用赛道争了一口气。
一家 AI 公司 Today AI 也许比 Muse 探索得更早。创始人齐俊元曾创办 Teambition，之后在阿里、字节等大厂负责过各类产品。今年初组建团队后，Today AI 自 9 月 9 日起陆续上线了国际版和国内版本。
用一句话概括，Today 希望做的是用户的 " 私人助理 "。通过用户授权 Today 的信息、应用数据后，Today 将会在持续对话中积累记忆，目标是成为一个以 " 人 " 而非任务来组织的通用助手。
和其他 Personal AI 产品相比，Today 尤其强调 AI 助手要 " 像人 "。这个坚持体现在产品的方方面面：用户在注册时，必须给 AI 助手起一个名字；在对话时，Today 从一开始就坚持不以任务划分窗口，所有交互都在一个窗口完成。
有意思的是，很多年以前，当齐俊元还在创业时，Teambition 也曾推出一个名为 " 今天 "（Today）的产品。他曾经在产品上线时写道：" 希望它能够比你更了解一天要做的所有事情，从琐碎的代办事项到重要的工作任务，从轻松的个人约会到严肃的公司会议，甚至是需要阅读的每一篇文章，然后由它温柔地提醒你眼下你该处理什么事……我们对它的期待很简单，就是它应当足够简单易用。"
在 Muse 爆火之前，许多投资人依然认为这只是一个美好的愿景。但 Today AI 团队并不这么认为—— 2026 年，Claude Code 和 Cursor 已经证明 Agent 可以在专业领域自主完成复杂工作；许多团队在专攻模型记忆和上下文工程，有不少突破。" 一个 Agent 帮你管好所有事 " 不再只是技术上的空谈。
Today AI 也是团队真正意义上，回答这个愿景的第一份答卷。
10 月 21 日，Today AI 也正式宣布完成了超过 2 亿美金的首轮融资，投资方包括 IDG 资本、腾讯、五源资本、蚂蚁集团、红杉中国、传音控股、同歌创投及上海交大菡源资产。
放在 AI 应用圈，这完全是一笔金额显赫的投资。不过，Today AI 团队说，从第一天起，他们的愿景不止做 AI 应用，也要训模型，如此才能成为一家完全为 " 个性化 " 而生的公司——通过训练自己的交互模型，在降低单位智能成本的同时，让产品的语气、理解力和执行能力都更贴近 " 一个真正了解你的人 "。
这是最近明星 AI 应用公司们的共同趋势。9 月 28 日，Manus 也推出了 Personal Agent 产品 "Cue"，不久后也官宣了超过 5 亿美金的新融资。我们了解到，Manus 也在训练自己的模型。
本质上，AI 应用公司和模型公司正在从两端相向而行——应用公司向上游训练模型，以降低单位智能的成本、提高效果和毛利；模型公司也在向下游做应用，寻找收入出口。当双方需要的能力越来越接近，AI 应用和模型的边界自然越来越模糊。
初创需要拿大钱的另一重考量在于，做 Personal Agent 不止要训模型，更要打通服务和生态——而这对任何人来说都绝非坦途。
在国内，已经有 AI 手机助手被各类打车、购物、外卖等服务厂商联手封杀的例子；而在海外，平台生态虽然更分散，但 Personal AI 同样面临准入壁垒—— 9 月 20 日，Amazon 以 " 未授权 AI Agent" 违反使用条款为由限制 Muse 在其平台上的访问和购物。
对很多 AI 应用公司来说，无论是新创业方向还是融资，2026 年都是格外寒冷的一年。这让很多中国背景的 AI 团队更加坚定选择，比如从 day 1 起就把重心放在海外，再视情况决定是否回到国内。
相比之下，Today AI 的节奏更大胆—— 9 月先在美区上线，两周后国区跟上，并迅速支持了飞书、钉钉、企业微信、滴答清单等平台。
Today AI 团队说，这个节奏源于团队自己的判断：尽早发布本身就是竞争的一部分，声量、增长和获客都等不到产品 " 足够完美 " 的那一天。
" 在 Personal AI 这件事上，创业公司无论如何是有仗可打的。"他们说。尽管大厂已经纷纷入局，但创业公司的优势在于人才密度更集中、决策更快、敢于在记忆和主动性这类方向上更早、更激进地下注。
近期，智能涌现和 Today AI 的创始团队有过一次深入交流，在了解这个产品的同时，也试图请他们解答当下大家对 Persoanl AI 的诸多疑问。
以下是 Today AI 团队的自述：
Personal AI 是伪需求吗？
Today 上线之后，我们听到最多的声音是说：Personal AI 是伪需求。但从历史来看，每一轮技术发展都会从大量质疑开始，直到逐渐被接受，上一轮 Agent 热潮同样如此。
从我们的判断来看，这一轮确实有增量需求在出现。过去所有 Agent 都在处理办公相关的东西，但生活中的需求一定也会被 cover，每个人都可能需要一个助理。
当然，有没有到非常成熟的 PMF 阶段、用户是否已经愿意为之付费——这个结论为时尚早，我们自己也还在验证。但对需求本身，我们毫不怀疑。
Personal AI 的热潮跟 Claude Code 有非常大的关系。在 Claude Code 之前，模型的 function call 能力和 instruction following 能力都不够，做出来的几乎是一个没有任何泛化性、全是预设好场景的助手——它没办法 personal 化。
Claude Code 之后，Agent 作为一种技术开始被证明能帮很多事，Model 的能力也在泛化。
Muse 的爆火证明了一件事：Personal AI 可以在短时间内触达大量用户。上线 22 天突破 500 万下载，远超 ChatGPT 当年的速度——这对整个赛道是极大的信心。
Muse 也帮助市场理解了 Personal Agent 到底是什么。在 Muse 之前，我们用语言去描述我们要做 OS Agent，其实挺难给人解释明白。Muse 出来以后，大家直观地知道了 Personal Agent 长什么样、能做什么。
我们判断需求是真实存在的—— Personal Agent 要处理的，是每个人每天都会遇到的大量琐碎、高频的事情，过去它们分散在各个应用和对话框里，没有一个助手能完整承接。
除了声量以外，我们觉得最重要的是，下载量不等于长期价值——产品是否有用，要看用户能不能持续使用、留存下来，context 能不能持续沉淀。用户第二天、第二周、第二个月还在不在用，这才是有用的定义。
长期留存、主动性与打扰的平衡、隐私授权的边界、平台生态的准入，这些都还是行业面临的共同难题。
如果没有独立 App，很难让用户感知 Agent 的价值
如果用一句话概括：Today 是你的私人助理。
Today 跟那些以 task 为核心去设计的办公 Agent 不一样，后者每发起一个任务就起一个 session，任务完成就归档。我们希望 Today 像一个人——你持续在一个对话框里跟它聊，不需要每做一个任务就起一个新窗口。
人的人生是延续的，你有很多重要的目标需要长期陪伴——学习、工作成长、职业规划。这些东西在以 task 为核心的产品里很难做到。
最早 3 月份的时候，我们其实探索过做类似 Instinct 的方向——它住在 IM 里面，没有独立的 App。但我们发现两个比较大的问题：一是没有 GUI（以图形为主的软件界面），用户对 Agent 能力的探索引导就很弱。
如果你是个 early adopter，熟悉这类产品能提供什么，当然可以自己摸索，但我们一直想做的是大众市场。
对普通人来说，GUI 在现阶段更像一张地图，能引导他们去探索 Agent 这座藏着宝藏的迷宫。如果没有独立 App、只有 IM 和对话框，用户很难感受到它跟一个普通聊天助手有什么区别。
第二个问题是，没有客户端就获得不了一部分设备权限，Agent 本身能力也会受限。
确定了独立 App 的形态后，我们还要想清楚 Agent 应该连接什么。我们很快意识到，如果要做 OS Agent，就不应该只服务某一个操作系统，而应该连接今天已经有的各种操作系统。
这背后更重要的是，先弄清楚用户要解决什么问题，再选择合适的技术路径。比如，帮我操作手机软件不是我的真实需求，解决出行问题才是。订一张机票和帮我操作携程，是两个不同的需求；订票可以有很多实现方式，不一定非得操作手机上的携程 App。
我们应该先搞清楚用户到底要做什么，再选择合适的技术路径，而不是为了某一种技术路径去重新定义用户需求。
所以，Today 在技术愿望和原理上是一个 OS Agent，但对用户来说，交付的价值是 Personal AI。我们的设备网关从一开始就按可扩展到更多设备的方向设计，不局限于 PC、手机或某一个操作系统。
要面向最大众的用户做产品，做个性化服务
普通人面对 Agent 的时候其实面对的是个黑盒——他也不知道这个 Agent 能解决什么问题，他也就想不到自己有哪些问题要交给 AI 去解决。
意图应该由软件产生、由 Agent 产生，而不是由人来提供。所以主动性很重。理想状态是，你非常主动地、基于对用户的了解，非常精准地告诉他，你能帮他把什么事情做好，并且你真的能做好。
为普通人、为最大众的用户做产品，这个方向是 Today 成立时就对齐好的，这一点我们从未动摇过。
所以在产品设计上，我们要让 Agent 更像一个人。比如，我们一直坚持单 session，也就是只有一个对话框。
过去很多 Agent 产品以 task 划分对话框，其实是上下文能力有限时的技术妥协—— context 一多，工程不成熟就一定会混乱，模型注意力也会涣散。
但随着长程记忆和跨 session 记忆的突破，我们认为未来 Agent 就应该是单 session 的形态，所以也做了大量工程优化：比如用尽可能小的模型、提高 Context 信息密度、降低延迟、设计自然的授权流程和画像展示。以及，通过分 Bubble 回复降低机械感，来提升拟人感。
在很多个人场景，用户需要记得 " 上次那件事在哪个对话框里 " 再去找，本身就是一个额外的动作。最自然的方式就是面对同一个对话框，不需要自己管理一堆 session。
实测下来，同样一个任务，Agent Team 跑一遍的 token 消耗，比单 session 明显要高，在日常琐碎的事情上效率也不一定更好，反而增加时延。
Agent Team 在需要互相讨论或 review 的专业场景确实有价值，比如代码审核——但对 Personal AI 来说不是。
什么才是真正有用的 Personal AI？
过去用户不愿意让 AI 做很多日常小事，核心原因是交代上下文的委托成本比自己做还高。日程、约会、记录宝宝打疫苗、记录宠物吃药——这些非常琐碎的事情，以前我从未想过会用 AI 来做，因为每次都要重新交代一遍背景。
Today 的关键设计就是降低委托成本。
为了这个目标，我们认为构建 Persoanl AI 最重要的两件事就是：记忆机制和主动性。
我们积累记忆有两条路径：一是用户授权 Connector，让 Today 进入你的数字世界——飞书、健康、Calendar ——它会自己去了解你；二是通过日常对话，在聊天过程中积累对你的偏好和关注点的记忆。
比如，有段时间我经常和它聊记忆相关的论文，它发现我关心这个方向，就会主动在互联网上搜了相关论文推给我。
除了日常琐事，还有一类长期目标是以 task 为核心的办公 agent 很难做到的——学习、职业规划、健身等。Today 会在记忆里帮你制定长程计划，主动提醒进度。比如，我把学语言委托给 Today，它每天中午发一个课程，在我和它交互的过程中改进内容。
主动性的核心难题是 " 太主动就是骚扰 "。我们会根据用户反馈调整主动推送的频次：一看用户是不是真的回了主动消息，二看用户是不是至少读了。如果正向信号都没有采集到，我们就认为确实在做骚扰的事，会主动降低频次。
未来，人的时间会越来越多地被解放，这是 Personal AI 应该带来的价值——帮助你降低打扰、负载、上下文负担。如果带来不了，那这个产品就是有问题的。
不过，Personal AI 的运行成本确实比上一代 AI 产品高了很多，现在成本的确是个问题。有市场调查推测，instinct 单天运行成本是 1-3 美金左右，调用 sandbox（沙箱）、搜索、主动性机制、长程任务执行，都是很大的成本。
Personal AI 有壁垒吗？
非常诚实地讲，现在 Personal AI 处于一个非常同质化竞争的阶段——所有人都看到了记忆和主动性的作用。很难说出一个极端的差异化，即便有，一两个功能点上的差异也很快会被竞争抹平。
我们更看重的不是某个单点功能，而是整体产品方向：像人一样交互、单 session、让普通用户真正用得起来、长期目标的推进、主动发现用户可能需要的事情。这些加在一起构成 Today 的产品理念，而不是某个独家功能。
尤其是很多资深网民，他们的赛博世界数字资产已经非常非常多了。把他们的 Context 给一个 Agent，这个 Agent 能不能以更高的效率去利用好这个 Context？这个其实挺难真正拉开差距的。
又比如邮件，大家都会接入。单纯接入和处理邮件并不难，真正困难的是对邮件进行细致分类，这需要多层 Sub-Agent 架构，把具体场景的 Know-how 和 Insights 蒸馏进去。
壁垒可能不会来自某个单一技术，而是来自长期使用过程中形成的 Context 沉淀。用户用久了，Agent 对你的理解会越来越深。虽然技术上你可以导出记忆、换到另一个产品，但摩擦成本是很高的。这种 Context lock-in 虽然不是绝对的壁垒，但会形成切换成本。
Person AI 应该先做通用还是先做垂直？
做 Today 之前，我们创始团队也有人做过垂类 Agent。做完以后发现，80%-90% 的精力全部花在底层的工程上——怎么让 Agent 跑得更稳定，怎么构建记忆系统，怎么让它记住用户上一次的进度。真正针对场景的调优，可能只有 10%。
如果我们做产品的 effort，只有 10% 是某个场景专属的，泛化到其他场景是不是也差不多？健康、学习、理财 ...... 核心能力都是那套底层的东西：Context 进来 - 沉淀 Memory- 再输出结果。而基本上所有场景都能形成这样一套 loop，上层其实就是很薄的一层 Harness。
按这个逻辑反推，垂类场景的壁垒就很薄——用户其实没有必要为每个需求下一个 Agent。
未来，大家可能只需要一个通用的个人助理，它会成为统一的入口，只有极度专业的、通用方案处理不了的需求，才是垂类 Agent 的空间，而它们之间也可以由这个通用个人助理来连接。
海外 ersonal AI 已经出现几种不同的产品路径。比如 Town 从邮件场景切入，先把单一场景做深，付费转化率约 15%；我觉得这类工具型产品的路线是成立的，但它和 Today 不一样。
Muse 则面向更广泛的用户，以免费模式扩大规模，活跃用户约 400 万。而 Muse 带来的竞争压力意味着，同类产品即使在美国，也很难以订阅作为主要商业模式。
市场上也有订阅导向的产品，比如 Grok Bot，周活约 40 万。Instinct 探索的则是 trusted networks：用户先与自己的 Agent 沟通，再由 Agent 与对方的 Agent 协商安排，最后把结果反馈给用户，链路相对更长。
不过，通用和垂类 Agent 的边界也没有这么分明。现在，Today 在工作场景中更多承担协同侧的角色：安排时间、记录重要事项、做研究、提醒遗忘的事情。工作和生活在 Personal AI 上一定会互相重叠，一个人的生活是很难完整地区分开哪些是工作、哪些是生活的。
如何平衡隐私和交付任务结果？
这是一个很现实的问题，你不拿 Context，能为用户做的事情就不多。基于这个前提，我们能做的是让隐私可控且透明。
第一，完全透明。我们的记忆库，Agent 记下来的所有东西对用户是完全可见的，包括基本信息、偏好、兴趣，用户随时可以查看。
其次，完全可控。用户任何时候都可以删掉记忆，删除之后底层数据库完全不会保留。
我们还会做渐进式授权。当 Today 真正需要某个信息的时候才请求权限，而不是一上来就要求全部授权。
授权访问相关信息后，不等于授权 Today 替用户作出所有决定。日程调整需要用户确认；涉及支付和重要决定，最终确认权仍在用户手中。主动性意味着提前发现和准备，而不是跳过用户的决定。
其实我们一开始也非常担心冷启动问题。用户真的会授权吗？但内测发现，授权比例还是相当高的。当然要说明的是，这批用户还是偏 Early Adopter 画像，不能直接代表所有大众用户的态度。
我们现在的用户画像分布其实还挺广的。Early Adopter 喜欢探索各种 Agent 能力；另一类用户不怎么探索，但在生活中稳定使用——记录、内容理解、个人管理。使用轨迹非常不一样。
用户的 Aha moment 一般发生在两个时间点：一些用户在第一天 Onboarding 环节就 get 到了，他们会觉得 " 这个 Agent 居然懂我这么多东西 "，有种碰见老朋友的感觉。
另一类用户是在第二天收到主动推送的时候——它居然知道我对什么感兴趣，直接把相关信息推到我面前。
无论在中国还是海外做 Agent，商业化难度都是类似的
我们不认同 Personal AI 只有在海外才能做成的说法。不同市场只是场景不同，并不是某个市场天然没有机会。
海外常见场景是邮箱、日历、购物比价，这些确实有成熟的 Connector 生态。国内邮箱场景不是主流，但大量的 Context 散落在飞书、健康、Calendar 等应用里。
很多人也会质疑 Personal AI 的一点是：没有微信数据就做不成，但我们对这点非常乐观。
用户真正想让 Agent 代劳的，大部分是非熟人网络的琐事，微信核心沉淀的是熟人社交网络，恰恰是大家最不希望 Agent 代劳的部分。只要能接入飞书、钉钉、企微等 Connector，一样能收集到足够的 Context。
国内确实存在数据孤岛问题，但我们接入其他 Connector 时暂时还没有遇到明显阻碍，Connector 市场也在逐渐开放。
至于 PMF，说实话还在验证。商业化也不是我们现阶段第一优先级，第一优先级是交付对用户真正有价值的场景。
从我们现在的用户来看，国内用户的整体数据并不差，但 Connector 生态不如美国成熟，还需要额外考虑隐私合规问题。
美区上线两周后，我们也上了国区。中国是一个相对共性、统一的大单一市场，这个市场早晚都要做，那还不如现在就做了。
美国和中国的商业化难度，其实某种意义上是相同的。Muse 现在免费，那其他公司在美国发产品，其实也很难收费——在这样的免费竞争态势下，Personal AI 的商业化哪怕在海外也不容易。
我们未来会探索订阅，但目前看来订阅可能不是最合适的商业模式；导购和广告又会伤害用户体验。现在有点像 Google 还没有发明出广告商业模式的那个阶段——Personal AI 如果能成功，它的商业模式可能跟今天设想的很不一样。
AI 应用公司就应该是模型公司
如果今天还在用 "AI 应用公司 " 这个词来形容自己的创业，这是让人担心的。
AI 天生就是由工程和模型共同驱动的。你的目的可以是在应用层解决用户的问题，但要解决得足够好，就一定要有自己的模型能力、足够好的工程和 infra 能力。
而在应用上，要有清晰的用户问题定义和解决方案，在 Harness 和 infra 层面要有自己的理解和建设决心——随时准备好能调整和修改模型。
Anthropic 为什么能在 OpenAI 这么强的对手面前做起来？是它先做了 Claude Code，收集了非常好的轨迹数据，利用自己的 Harness 做后训练，模型和应用的飞轮就转起来了。
Cursor 训自己的模型也是同样的逻辑：降低单位智能成本，提高毛利，提高智能水平。
但 Today 需要的模型和目前主流的模型方向不完全一样。我们更需要一个 " 交互模型 " ——交互感更好、更拟人、语气风格更自然的模型，同时还能真正执行任务。
模型公司向上做应用，应用公司向下做模型，双方的能力越来越接近。未来可能不存在单纯的应用公司或单纯的模型公司。
" 创业公司无论如何是有仗可打的 "
我们熟知的所有大厂基本都入场了，现在做产品、形成共识的速度都很快，竞争也很激烈。
很诚实地讲，创业公司不会有一个绝对的优势。但无论如何，都是有仗可打的。
创业公司的优势在于决策更集中、更敢冒险。比如，我们可能是最早尝试在 Agent 里做记忆的团队之一。
创业公司会有一小段时间的产品领先性，虽然未必会形成壁垒性的优势，但这段时间仍然重要。
我们的判断是，Personal AI 要处理的委托成本高的小事，并不都发生在熟人社交网络里。工作和生活的 Context 也分散在飞书、钉钉、企业微信等应用中。只要有 Connector，就有机会接入这些信息。
我们也观察到，Connector 生态正在逐渐成熟、开放，未来 MCP、面向 Agent 友好的服务商肯定是存在的，以及 Phone Use 等技术，都可能成为进一步打通生态的方式。
不过，国内每家公司的 Personal AI 最终能否各自建立起生态？这仍然是个问题。
图片来源｜"Interior in Strandgade, Sunlight on the Floor", Vilhelm Hammersh i
欢迎交流
本文来自微信公众号" 智能涌现 "，作者：邓咏仪，36 氪经授权发布。
