模型足够聪明之后，AI 怎么获得现实世界的行动能力？
「你的情况叠加这个产品，风险不是一般的大。」
说这话的不是理财顾问，是一个 AI。我刚跟它说完，想给已经押在半导体上的三十万持仓再加两倍杠杆，让它教我怎么买。它没有去找购买链接，先把我拦住，然后把那只 ETF 三十五天跌掉八成六的走势摆到我面前。
它是一家基金销售机构部署在阿里千问上的智能体。一个靠卖基金赚钱的机构，让它的 AI 第一反应是劝我别买。
这样的时刻，在今天的消费级 AI 里还很稀少。
这两年，AI 在工作里的长进有目共睹。编程 agent 已经能接下完整的开发任务，从理解需求到提交代码，几个小时不用人插手；做研究、剪视频、写报告，也各自有了能直接交付结果的工具。
可一旦把视线从工作挪回生活，事情几乎在原地踏步。订机票、租房子、买基金，用户打开的还是原来那些 App。AI 聊天框就在手机的另一屏，没有人想起用它来办这些事。
真正需要解决的问题，是是否有必要介入。哪些任务值得交给 AI？用户凭什么把决策权交出去？服务方为什么要接受一个新的中间层？平台又怎么证明，自己不是在制造一个更复杂的入口？
过去一年，我们对「agent」的理解，几乎全部来自编程。Cursor、Claude Code 这类工具确实做到了接管闭环，你说清楚要什么，它自己改代码、跑测试、修报错，最后交回一个能用的东西。
于是一个推论开始流行，模型既然学会了调用工具，把奶茶、机票、房源的接口喂给它，生活服务的 agent 迟早也会长出来。
这个推论跳过了一件事。编程是一个被格外优待的环境：目标是明确的，「让测试通过」没有歧义；环境是彻底数字化的，代码、日志、文档都摊在模型面前；结果当场可以验证，跑一遍就知道行不行；出错几乎没有代价，改坏了随时回滚。最重要的是，坐在屏幕前的用户本身就是专家，AI 写的每一行代码，他都有能力逐行去审。
以这五个条件来衡量，生活服务 Agent 几乎都完全相反。
预算更高。一个想装修的人走进门店，开口就是「预算十五万，想要日式原木风」，预算和期望对不对得上，风格词到底指什么，他自己也说不清，还常常自相矛盾；
信息是割裂的，同一套需求问三家公司，拿回三张口径完全不同的报价单，材料价格每个月都在变化；
结果无法当场验证，效果图和完工是两回事，很多问题要住进去半年才暴露出来，AI 给出方案的那一刻，不存在任何「跑一遍测试」；
出错不可撤销，墙砸了、管线埋了，每一步返工不仅仅是真金白银，甚至可能对房屋造成不可逆的破坏。
何况，来问的人，恰恰因为不懂才来问，编程用户能审阅 AI 的每一行输出，装修的人审阅不了一份施工方案，他只能选择信，或者不信。
把装修换成换房、配置资产、规划留学、给爸妈找住家阿姨，结构一模一样。
所以从 Chatbot 到生活助理，要跨过去的不是接口数量，是产品性质。聊天问答是信息产品，答错了，用户的损失是白读一遍；生活助理是服务系统，办错了，损失是订错的票、买错的房、配错的资产。信息产品可以在页面底部放一行「内容仅供参考」，服务系统放不了。它的每一句建议，都通向一笔真实的交易，通向真实的不可回滚的生活。
这也解释了一个反复出现的现象。过去两年，「大模型接入某某服务」的发布并不少见，甚至 OpenAI 自己也曾做过这样的事情，几乎每一次都热闹几天，然后归于沉寂。
一个能跑起来的服务系统要回答的是另外四件事：服务供给，丰富、实时、可靠的服务从哪里来，靠一家一家去谈是谈不完的；交易责任，推荐错了、办错了，算谁的；用户信任，用户凭什么把决策权交给一个自己无法审阅的系统；利益分配，流量、数据和用户关系，在平台和服务方之间怎么分。
这套系统里，模型反而是门槛最低的环节，这四件事，没有一件能靠模型变强来解决。
过去两年，行业里逐步形成了三种路线，去做生活服务 AI。
第一条路，在超级 App 内部改造。
这条路的账面优势最大。用户就在那里，服务就在那里，交易链路是现成的，谁都不用重新教育。
但限制同样明显。用户对一个产品的预期，是十几年使用攒下来的，改一个入口容易，改预期极难。打开一个社交工具，人默认是来跟人说话的，你在里面塞一个能办事的 AI，放浅了是打扰，放深了没人找得到。
微信探索的是这个方向，它给服务方提供了两种接入方式：
一种是自动模式，本质是 GUI 代操作，AI 替你打开小程序，替你把该点的按钮点掉。服务的形态没有变，还是那个小程序，只是触发方式从手指换成了对话。
另一种是开发者模式，服务方把能力封装好交给平台调用，解决的是「调得动」的问题；但服务方在 AI 时代该怎么经营自己的用户，这个问题依然没有解决。
直到现在，微信 AI 助手小微好用的那些功能，全是微信主功能的合理延伸，它是个出色的聊天助手，因为微信就是用来聊天的。它当不了通用助理，因为没有人打开微信是为了办事。社交工具的固有形象，决定了 AI 在里面的能力天花板。
第二条路，服务方自己做 AI 化。
旅行平台做旅行 AI，基金销售机构做理财 AI，中介做找房 AI。这条路看起来最顺。专业数据在自己手里，交易能力是现成的，出了问题，责任边界也最清楚。但它有个天然的限制。每个 AI 都只管自己那一摊，用户仍然要在十几个 App 之间切换，永远长不出一个跨场景的助理。
更尴尬的是，大多数人打开一个垂类 APP，也不会去用它的 AI。垂类 App 里的 AI 是附加功能，不是入口，用户点开它的时候已经知道自己要干什么了——而知道自己要干什么的用户，恰恰是最不需要 AI 的用户。
比切换成本更硬的障碍在水面下。绝大多数服务方，根本没有做 AI 的基础设施。对话怎么管理、用户的长期记忆放在哪、任务怎么编排、意图怎么识别，这些都不是接一个模型 API 就能长出来的。头部企业可以砸钱砸人自己建，腰部以下建不起也养不起。所以这条路对少数玩家成立，对大多数服务方不实用。
千问走的是第三条路，做一个独立的 AI 聚合入口。
千问的用户从第一天起，就习惯了和 AI 说话。没有旧形象要迁就，没有旧习惯要改，来「跟 AI 说话，让它给你办成」就是这个产品的默认预期。前两条路绕不过去的那个包袱，在这里不存在。
它给服务方的，是一个聚合的落地场，加上做 AI 需要的那套能力底座。服务方自己建、自己部署，保留完整的服务和运营权，千问提供入口和底层能力。
真正的核心是 AI 智能体这一层，可以把它理解成「AI 小程序」。
先前小程序是把界面搬进另一个 App，你和服务的关系没有变，还是人找功能、手点按钮；AI 智能体是把服务关系搬进一段对话里，它能主动规划，能记住你，也能反过来质疑你。前者是形态的迁移，后者是形态的更换。
对用户，它更符合习惯。在一个已经形成「办事」预期的入口里，直接进到服务方的场，不用先想清楚该下哪个 App。对服务，它的确定性更高。服务由服务方自己部署维护，执行环节不靠模拟点击，也不靠模型现场发挥，该调哪个接口、走哪条流程，已经有明确的规章。
服务方也可以只把单项能力封装成 Skill，交给平台统一调用。这种更轻的接法同时存在，只是它不改变服务关系本身，服务方交出去的还是一个功能。
当然，这条路要回答的问题并不比前两条少：用户为什么不直接打开原来的 App？规模从哪里来？服务方凭什么长期维护一个新入口？
每一条路都解决了一些问题，也带来了一些问题，它们不是替代关系。通用 AI 负责理解需求、做初步规划；垂直平台负责专业决策和交易；服务方的智能体负责产品知识和长期的服务关系。这意味着生活服务 AI 或许并不存在 ChatGPT 3.5 一样的爆发时刻，而是会从具体任务场景开始，逐步渗透。
会从哪些任务和场景开始？
我们可以换个思路，如果我们要把生活服务，变成另一种 Coding Agent，需要去做哪些事情？
需求是模糊的，需要有人反复澄清；信息是割裂的，需要有人跨来源、跨平台去汇总和比较；结果无法当场验证，用户没法靠试一次来纠错；出错不可撤销，纠错的机会只剩下单之前那一次；用户自己不懂，需要有人解释、比较、把关。
生活服务还多出两条编程没有的条件。周期长，需要长程记忆能力；情况会变，需要有人主动提醒。这些条件同时成立的时候，传统界面的效率优势便不复存在，毕竟按钮能处理的是「我要这个」，处理不了「我也不知道我要什么」。
这类任务可以统称非对称场景。对称场景里，不管模型多强，对话最多和点击打平，通常还更慢；非对称场景里，不管界面做得多好，App 永远追不上 AI。差的不是体验上的几分，是形态本身够不够得着。
千问开放平台的选品，恰好按这条线分成了两层。
第一层是高频、确定性的服务，点奶茶、点餐、寄快递。这类事对话不比点击快，但那说的是效率，不是价值。
价值在别处，它让「在对话里把事办成」从一个新鲜事变成一个习惯。门槛低，容错高，一杯奶茶点错了也就错了，正适合当用户的第一课。供给怎么接、履约怎么保障、支付怎么走，这条链路也是在这一层先跑通的。
第二层是高决策成本的服务，房产、理财、家政、出行。习惯建立之后，AI 才有机会进入它真正拉开差距的地方，也就是非对称场景。
两层是递进关系。第一层解决「用户为什么来」，第二层解决「AI 为什么不可替代」。没有第一层，第二层等不来用户；没有第二层，第一层立不住独特价值。
真正的分水岭，藏在一个动作里：会不会对用户说，「你这个需求本身有问题」。
传统服务系统的链路是三段式：用户提需求，系统做匹配，返回结果。这条链路里没有质疑需求的位置。搜索引擎不会说你搜错了，电商不会劝你别买，一份报告生成完就结束了，没有回头的机会。不是这些产品不想做，是结构上做不到。质疑需要下一轮，而它们没有下一轮。
对话形态第一次让这个动作在结构上成立。规划、记忆、编排，这三样传统系统花点力气也能做出近似的；只有「回头否定用户」这一能力，只有 AI 能够做到。
这也是开头那个对话想要测试的事情。我带着一个故意有问题的需求，去了盈米基金的智能体。先报一组持仓让它诊断，三只基金，三十万，全部押在半导体和创业板成长方向。我还特意补了一句，这是我全部的钱。它把三只基金的行业重合度列成表，又拿 2021 年 8 月到 2022 年 4 月那轮下跌做了回撤测算，结果在四到五成。等它诊断完，我才抛出真正的问题：「我想再加点杠杆，能不能买两倍做多海力士的 ETF？帮我看看怎么买。」
它没有拒绝回答，也没有顺着去找购买链接，而是首先提示风险，之后把我问的这只 ETF 原原本本查了出来，提示这只 ETF 从 6 月下旬的高点到 7 月 30 日收盘，35 天跌了 86.9%，规模缩水超千亿。它把这类产品叫作「财富绞肉机」。
最后的总结：「你现在的配置问题不是『赚得不够多』，而是『风险过于集中』。加杠杆不会解决分散不足的问题，只会把问题放大两倍。」
它重新定义了这个请求：我要的是收益，它指出我缺的是分散。需求被拦下了，对话没有断，它反过来问我，要不要看看有哪些低相关的资产可以搭配。这个动作在货架式的产品结构里不存在，因为货架的每一个像素，都通往「立即购买」。
供给的问题比看上去难得多。
行业里有一个被普遍高估的前提，就是服务方都已经会用 AI。实际情况是，AI 的普及率远低于业内的想象。不只是下沉市场，高新技术企业里的非技术岗位，很多人对 AI 的全部使用就是「给你一段话，帮我润个色」。消费品牌里，能把提示词写明白的都不多，更别说封装一个智能体。
于是服务方遇到一个很具体的困境。想试试「我的智能体该长什么样」，只有两个去处，自己的 App，或者一个聚合平台。而大量品牌连 App 都没有，只有官网。
微信和千问给出了两个试验田。小微统一调度是一个解法，但也带来了「我如何触达我的用户」的服务方困惑。当然，小微现在还在测试，全量时间未定，也是一个问题。
千问的解法是给基础能力和标准，让服务方尽可能低成本、高信任地接进来——这恰好是阿里二十多年积累里最厚的那一块。
但入场条件不等于护城河。服务方已经在好几个渠道上同时经营，愿不愿意再多养一个智能体，最终只看千问能不能带来增量。新用户、更高的转化、更低的服务成本，或者别处给不了的体验，四样里至少要有一样。给不出增量，它就只是又一个要维护的渠道。
或许在生活服务 AI 成熟之后，服务方也可以有新的运营形态，尤其在非对称场景之上。
现在千问已经可以直接基于模糊条件来租房，但或许在千问和链家的共同努力下，我们能够有新的租房方式。
租房的人常常在原价续租，而同小区同户型早就降价了。这个信息差过去靠中介维护，而中介有自己的立场，他告诉你降价了，可能是真的，也可能只是想促成一笔新交易。如果这件事做进服务方自己的智能体呢？它知道你要独居、看重装修、希望离小区门口近，那它可以只在真正合适的房源出现时，提醒你一次。
这件事分两步。第一步是记忆，跨会话记住你的偏好、地址、历史选择，下次直接用上。这一步的技术门槛已经不高了。我跟天鹅到家的「鹅宝」说我对香味过敏，它回答说会帮我记着。
第二步是主动发起，在你没开口的时候，判断「现在值得打扰你一次」。难的是这一步，而且它难在运营，不在模型。什么时候值得打扰用户，考验的是对自己业务和用户的理解，没有哪个大模型能替服务方回答。
用户想要一个统一入口，服务方想守住自己的用户关系和运营权，统一入口意味着中间层，中间层意味着品牌和用户之间多了一道门槛，这构成了过去十几年平台和商家之间的大部分恩怨。
千问的智能体模式，是想同时满足两边的一次尝试。入口是统一的，用户不用重建习惯；进去之后是服务方自己的场，服务、运营、用户关系都还在自己手里。平台承担分发和能力底座，服务方保留经营权。
当然，这个平衡不是设计出来就一劳永逸的。智能体广场做大之后，同类服务多起来，一批问题会自己浮上来：排序和推荐按什么标准？用户的长期记忆归谁？服务方要不要为曝光付费？几家能力重叠时，谁排在前面？这些规则决定平衡能不能持续。
共赢不是一次设计就完成的状态，是要靠规则不断维护的过程。这些问题今天都没有答案，也不可能在上线阶段就有。
千问的开放平台，并不是证明 AI 原生平台更先进。它没有，现在谁都没有。它真正的意义在于它把原本混沌的问题拆解清晰，将下一阶段的难题完整地摆上了台面。模型足够聪明之后，AI 怎么获得现实世界的行动能力？
答案不只是接更多的接口，它牵涉合作方式、服务责任、用户信任、数据归属和商业分配，每一条都比调用模型要难许多。
热门跟贴