千问、Muse的C端叙事才刚刚开始

使用价值≠商业价值

年初,我觉得千问这类chatbot(无论你叫他chatbot还是个人agent),确实很多人在用,不否认有使用价值,但都是用完即走,没有粘性,切换成本几乎为零。在诸多chatbot都免费的情况下,任何一款chatbot都不敢轻易收费,没有收入就不谈商业价值。

这一切的根源就是”缺乏用户粘性“。

昨天云栖大会,我仔细看了嗣寿(千问产品负责人)的演示,个人agent有记忆功能了,越用,用户的上下文积累越多,粘性会越大。

学习类需求应该是最大的场景(嗣寿说千问上80%的用户提出过学习类需求)。比如用agent改小孩作业,agent能自动记下来小孩经常错的地方,然后自动生成针对这个小孩薄弱点的练习题集。这不是我自己yy的,是昨天嗣寿举的千问实例。那中途换agent,就相当于中途换家庭老师,agent需要重头了解一遍小孩的学习情况,这就是迁移成本,迁移成本产生用户粘性。

再比如说AI问诊,这更需要上下文。你直接跟agent说,我膝盖酸痛怎么办。如果agent没有你的上下文,就需要多轮对话来了解你的运动、健康、饮食历史,才能给出建议。如果你长期跟agent交流,比如跟agent探讨如何纠正打网球动作,踢足球如何踢出落叶球,长期把硬件上的运动、睡眠、饮食数据上传给agent,agent能更快做出全面判断,是轻微扭伤,还是长期劳损带来的半月板积水,是否需要进一步拍片检查。Muse甚至有可能在你出现膝盖酸痛之前,就提醒你最近运动过量了,今天的网球局别去了。

北美分析师们也知道Muse现在打车、购物都没有很丝滑,甚至Muse前天还被亚马逊禁了,但依然对Muse叙事有期待,核心讨论点在于Muse的上下文能力,也就是理解用户习惯,做用户画像。

早期chatbot没有长期记忆功能,记忆只在当前会话有效,新建对话就失忆,需要重新写prompt。我研究了一下千问的长期记忆逻辑:模型会从每次对话中提取事实,比如你的职业、背景、个人偏好等等,生成结构化记忆片段(用户画像)存入云端;下一次提问时,向量检索先召回相关记忆,拼进新的prompt一起传给模型。整个过程没有修改模型权重。

而且你还可以让agent主动记忆,比如说“记住我是一名网球运动员“,立刻生成一条记忆。这属于“显式记忆”。Agent自动提炼对话事实,属于“隐式自动记忆”。

千问、Muse这类个人agent有记忆功能之后,就能理解并记住用户上下文,我不怀疑某一天,我的agent比我更了解自己。用户粘性和迁移成本就来了。所以之前个人agent没有商业逻辑不是没有用,而且没有迁移成本。为什么老板的助理、富豪的管家做很基础的工作,但薪资很高,因为有了东家的上下文,换新人会很麻烦。换个阿姨都麻烦,更别说换助理了。

卓哥公式:个人agent商业价值=用户数量*使用场景价值*迁移成本

个人agent缺乏网络效应,但存在用户粘性,所以我判断个人agent并不会是赢家通吃的竞争格局。现在千问、Muse的竞争核心策略应该是扩大用户数量,挖掘更多和更深的使用场景,以及深入了解用户上下文做好用户画像,增强粘性。有粘性和迁移成本了,商业化只是时间问题。

另外,今天早上GPT-6 Luna直接把价格下调了50%,缓存未命中价格比DeepSeek V4.1 Flash闲时价格还低,主要源于缓存和推理成本的改进。AI使用成本的下降速度,快于历史上任何一项新技术,每当AI成本下降,下游应用场景会进一步增加,更加利好个人agent。前天The Information报道,OpenAI在讨论推出个人agent应对Muse。个人agent的大航海时代可能要来了。

内容来源:微信公众号“卓哥投研笔记”

THE END