130: 手机Agent大幕拉开！从刚上线的AutoGLM 2.0聊起，大模型如何改造手机|Agent#4

摘要

• AutoGLM 2.0 的实质跃迁不是多会点几个 App，而是把执行从抢占本机屏幕，迁到可异步运行的云手机和云电脑。 产品覆盖 iOS、Android 和网页端，无需邀请码、现阶段免费；刘潇把核心体验概括成“不抢占你的屏幕”，让生活服务、Deep Research、PPT、网页制作和内容发布能在后台长时间执行。每天用手机的人几乎等于中国总人口，潜在入口价值也因此大于仅覆盖电脑用户的 Agent。
• 移动 Agent 最可能先被“吃什么”引爆，而不是替人发送几秒钟就能写完的微信。 刘潇看重找餐厅、换口味和跨平台筛选：Agent 可以先查小红书，再去美团下单；节目还举例讨论了让它比较京东、饿了么、美团的奶茶价格和优惠。用户吃黄焖鸡“并不是我真的喜欢吃黄焖鸡，而是懒得再找”。真正有价值的是手被占用、人在忙，或信息搜索和执行链条足够长的任务。
• GUI 是移动 Agent 当前最快的落地路径，API 则更像效率更高但基础设施尚未闭环的长期补充。 GUI 能直接复用现有 App 的账户、支付和风控体系，厂商不用维护成百上千个接口，但 Agent 看图、点屏幕更慢、更耗 token；API 虽快且准确，搜索后的账号绑定、下单和支付却大多仍是断链。刘潇的判断是两者长期共存，并逐渐进入 personal Agent 与垂直 Agent 通过 Agent to Agent 协商的网络。
• 支付不是末端小功能，而是决定手机 Agent 能否从演示变成交易入口的关键瓶颈。 当前 AutoGLM 会在登录、付款等敏感步骤把设备控制权交还用户，这更安全，却可能让点外卖还不如自己操作；设想中的改进包括支付通知、语音确认、30 元以下自动支付，以及带额度、次数和商品类型限制的 Agent 钱包。刘潇还提出 Agent 支付或许应更容易撤回和退款，但反复强调“具体什么机制不确定”。
• 智谱对能力跃迁的核心押注是端到端在线强化学习：给模型真实环境，只按最终结果奖励，而不是要求每一步模仿人类。 早期模型在 WebArena 上约 20 分，人类约 70—80 分；当前智谱模型在 OSWorld 上达到 48% 左右，刘潇称其“应该是单模型里最好的”，但人类约 70%，且该基准“还是相对 elementary”。他的浓缩判断是：“现在阻碍 AI 学会一件事情的，主要就是环境和 reward。”
• 单任务约 0.2 美元的成本已经允许大规模试用，却尚未证明商业闭环。 刘潇估计一次 Google 搜索约 0.02 美元，当然统计口径未必完全一致；他认为 Agent 创造的价值更高，但究竟由订阅、广告还是交易佣金买单仍不清楚。AutoGLM 2.0 暂无明确使用预算上限，需求过大时更现实的约束可能是服务器繁忙。规模效应、小模型和推理优化还会降本，但能降到哪里“需要市场运行之后才能观察”。
• 手机 Agent 的入口战会同时发生在大模型公司、超级 App、手机厂商和新硬件之间，但刘潇认为最终变量仍是谁的智能更强。 未来可能并存少数 personal Agent、各应用的服务 Agent 和设备 Agent；智谱一边向手机厂商输出稳定版本，一边用 To C 产品追逐更难、更长的任务并计划每 1—2 周迭代。刘潇给 AGI 下限的操作性定义是：一个能 24 小时稳定运行、以普通同事或助理水平处理生活与工作的 Agent——“AGI 已经来临，只是没有平均分布”。

精读

1. AutoGLM 2.0 从本机遥控器变成了异步云端执行者

• 程曼祺先点出移动端的市场尺度：在中国，每天使用手机的人几乎等于总人口，电脑日活则小得多；因此手机 Agent 可能比 Deep Research、Devin 等网页和电脑 Agent 覆盖更广，也会成为模型公司、互联网平台和手机厂商的“兵家必争之地”。

• 去年十月底的 AutoGLM 主要在用户本机执行，Agent 工作时会争抢屏幕控制权，深度用户尤其痛苦。AutoGLM 2.0 改为双端协同：既能控制云手机，也能控制云电脑，让任务在后台异步、长时间运行。

• 发布方式也从小范围内测转向全面开放：iOS、Android 和网页端均可使用，不需要邀请码。刘潇说现阶段没有收费计划，希望先让用户免费感受“真正的自动驾驶的这样一种 AI 的能力”。

2. 一台云手机承接生活服务，一台云电脑承接知识生产

• 手机侧覆盖的是现有 App 能完成的操作：点外卖、找店、叫保洁或水电维修、查附近资讯，也可以去小红书等平台收集内容，再依据用户要求筛选和执行。

• 电脑侧则面向更长的生产任务：做 Deep Research、PPT、数据分析，以代码创建网页和设计卡片，还能生成播客、视频、图片，并把多媒体内容继续发布到社交平台。

• 这不是为每种服务单独重写工具，而是让模型阅读界面、模拟人的点击与输入。刘潇强调其通用性来自“代理人类意图来进行执行”，理论上设备中安装的应用都能被操作。

3. 安全架构先保留登录状态，再把敏感动作交还用户

• 刘潇把云端设备类比为一部新手机：用户需要亲自登录，系统通过云设备合作方保留登录状态，但智谱不会记录或获知用户的账号、密码。

• 登录、付款等关键步骤会完整交回设备控制权，用户也能随时选择“接管手机”，退出账号或检查状态。AutoGLM 并不试图在当前版本里无条件替用户跨过交易确认。

• Agent 只在任务自动执行阶段读取屏幕；用户接管后或任务结束后，不再读取。刘潇称数据入库前有严格脱敏，并做清洗、加密处理，具体实现以隐私协议为准。

4. 支付确认保护了用户，也暴露了当前产品的核心摩擦

• 程曼祺的实测反驳很具体：如果最终仍要自己进入页面付款，AutoGLM 点外卖未必比手动更快；任务放到后台后，用户还可能忘记确认，半小时后才发现外卖根本没有下单。

• 刘潇承认这是“接下来迭代的一个很重要的地方”。近期可做的是在关键步骤弹通知或气泡，让用户无需重新进入完整流程，只需语音说“帮我付了”便完成确认。

• 更进一步的设想是用户预设边界，例如“30 块钱以下的订单不要再询问我”，或给 Agent 单独钱包，限制额度、次数与商品类别。Agent 支付也可能配置更容易撤回、一键退款的机制，但方案仍未确定。

5. 主动任务尚未上线，微信则是能做但不必优先做

• 刘潇最想要、当前却还不能做的，是定时和主动式 Agent：如果早上 9 点还没醒，Agent 自动点好咖啡，让他 9 点半到公司楼下直接取，而不必每天重新发指令。

• 微信操作在技术上可实现，包括按明确指令查看朋友圈，但团队没有重点宣传。一是微信包含更多、更难脱敏的隐私信息；二是每条消息的意图和措辞不同，通常自己几秒钟打完更省事。

• 他给任务划了一条朴素边界：几秒或十秒能完成的动作，没有必要硬交给 Agent；开车、做家务、洗澡、跑步时手不方便，或订行程、查资料、安排全家周末旅行这类耗时任务，才是真正的高价值区。

6. “吃什么”可能成为移动 Agent 的第一个高频入口

• 刘潇判断，最容易让普通用户形成记忆的是每天都会遇到的吃饭问题，包括点外卖，更包括找餐厅、决定朋友聚餐去哪儿，以及从大量推荐中找到真正没吃过、又符合当下口味的选项。

• 他用自己的周末解释需求强度：“周六下午醒来躺在床上不知道晚上吃啥，床上搁那刷两个小时，最后也没有一个结论。”动作看似日常，认真完成却要跨平台搜索、比较和记忆。

• Agent 可以先在小红书查某类美食，再去美团下单；若用户明确授权，也可以查看朋友圈里朋友最近吃了什么。刘潇把机会归结为：现有推荐系统没有充分 cover 用户想法，用户选择黄焖鸡往往只是“懒得再找”，平台推荐不满意时也没有更好的办法。

7. 通用 Agent 会重新分配注意力，却未必减少平台访问

• 程曼祺提出平台方最直接的担忧：用户通过云手机调用美团或饿了么时，真正浏览信息的不再是人，App 可能失去吸引注意力、展示广告和经营流量的价值。

• 刘潇的回应是，Agent 甚至可能访问得更多；它仍从平台获取信息，也会如实搬运平台推荐或对话流中的广告。他把自己称为“信息的搬运工”，差别只是未来会结合用户昨天和今天的选择再做筛选。

• 程曼祺还举例设想让 AutoGLM 同时比较京东、饿了么、美团的奶茶价格与优惠券。刘潇回应说，比较需求原本就存在，即使没有 Agent，用户也可能自己打开三个平台比较；Agent 只是把这种行为自动化。

8. GUI 的最大优势是复用整个移动互联网，而不是单个接口

• GUI 路径让模型像人一样阅读和操作图形界面，获得的信息与普通用户浏览基本等价。应用向人提供什么服务，就自然能向代表人的 AI 提供什么服务，无需另做适配。

• 对平台方而言，这是一种低负担接入：不必建设、维护 API，也不必判断访问者到底是人还是 Agent。对 Agent 而言，GUI 尤其适合长尾、复杂、多样的任务。

• 成本被转移给 Agent 开发者：模型必须理解截图、识别准确位置、维护虚拟设备，还会因处理视觉信息消耗更多 token。刘潇没有回避速度问题——GUI 目前“肯定还是会有一点慢”。

9. API 更快更准，但账号、支付和风控仍是断裂的链条

• API 的优势很直接：信息由官方结构化提供，速度快、准确率高。智谱除 GUI 外，也在与第三方推进 API 和 MCP 层面的正式合作。

• 真正困难的是搜索之后：即便平台开放商品搜索 API，AI 账号如何绑定用户在购物软件里的账号，如何下单、支付，现阶段都没有自然闭环。“你需要重建用户系统，重建支付链路”，门槛不是一家应用轻易能跨过的。

• 平台还担心 API 被滥用：地图 POI、商家和菜品数据可能被批量抓取，而原有基于用户账号与 GUI 行为的风控无法直接复用。它们既想要 AI 带来的流量，又担心 API 的风控和支付无法解决。

• 维护成本同样不可忽视：产品属性或功能一变，接口就要更新；一个大型 App 最后可能累积成百上千个 API，还要持续标记哪些有效、哪些过期。刘潇判断，这未必比开发一套新 App 更简单。

10. GUI 与 API 不会二选一，而会长期互补

• 平台仍愿意谈 API，是因为它能更快把信息交给 AI，并把原本停留在咨询的问题转成服务机会：用户问马桶坏了怎么办，Agent 不只给教程，还可以推荐平台并直接呼叫上门维修。

• 大型 App 有更多人力建设接口，却也有更复杂的内部业务考虑，可能先做自家 Agent，而不是第一时间开放合作。

• 刘潇借自动驾驶作比：“自动驾驶不可能把所有人类司机给消灭掉”，GUI 与 API 也一样。GUI 还提供可解释的安全感——用户能看到 Agent 如何选择，而不是接口背后“啪了就下完单了”。

11. 通用 Agent 站在用户一边，垂直 Agent 站在服务一边

• AutoGLM 追求跨场景理解用户上下文，替用户管理整体生活与工作；美团、高德等垂直 Agent 则适合意图已确定的用户，例如“我就是要用你的应用来做这个事情”。

• 刘潇认为垂直 Agent 能激活应用内部难以使用的能力、提升现有流量质量，却未必带来新增流量，因为前提仍是用户先打开应用。通用 Agent 则可能在外部发现服务，再把需求送给平台。

• 他提出的交互模型是：personal Agent 像用户的私人助理，平台 Agent 像服务商前台；助理告诉前台“我的主人要干一个啥事”，前台完成任务并返回结果，通用 Agent 再统一交付给用户。

12. Agent to Agent 会形成一张隐藏在社交网络后的服务网络

• 刘潇设想，每个人和每个应用都有自己的助理，它们自动 negotiate、查资料、准备方案。人只需判断“这个好”，或者说“no，你帮我再找另一个方案”。

• 约播客也可以由两边 Agent 读取主人的日程，找出共同空档，再分别征求确认。大量准备工作因此从人与人的反复沟通，迁移为 Agent 之间的 service network。

• 程曼祺提到 Google 已提出 Agent to Agent 协议，移动端则还缺少类似 Web 端 MCP 的成熟生态；她还提到苹果据称在考虑 App Intents。但她同时提醒，GUI 本身已经是一种统一接口，另建协议需要成本，也取决于平台是否愿意迁移。

13. 真正稀缺的位置是离用户最近的那个 Agent

• 程曼祺认为所有参与者都想成为最靠近用户的入口，因为这个 Agent 能代表用户比较服务、分发需求，并掌握跨应用的长期上下文；这与单个 App 内部优化体验不是同一种权力。

• 刘潇坚持两类角色并行不悖：用户需要一个“永远为了你的个性化和你的价值去考虑”的 Agent，平台也需要自己的服务 Agent。它们之间如何协作，仍要靠真实使用逐步形成。

• 节目尾声把竞争扩展到硬件：Web 端可能容纳许多知识工作 Agent，手机端更集中，眼镜若从零构建 Agent 化操作系统，每台设备上直接与用户交互的入口可能更少，竞争也会更激烈。

14. 普通用户首先要学会的不是提示词，而是怎样当 Agent 的老板

• 刘潇发现，Agent 在 AI 圈发展半年至一年后，对圈外人仍很抽象。他通常解释为一个 24 小时工作的助理：“你来当老板，他来当你的员工。”对方最常见的反应则是：“那你拿出来给我用用啊。”

• 抽象的原因之一是多数人很少有指挥他人工作的经验。他甚至判断，“怎么使唤 Agent 帮自己干活”可能成为未来从小学就要学习的技能，学不会就很难充分使用 AI。

• Copilot 只是把某个小时的产出局部放大；能并行工作的 Agent 则可能把一天从 24 小时扩为 48 小时，多个 Agent 还会进一步形成乘数。前提不是 Agent 比本人做熟练动作更快，而是用户能有效拆分、委派和验收。

15. 智谱同时推进手机厂商 To B 与 AutoGLM To C

• 智谱与荣耀、三星等手机厂商合作时，主要输出底层能力，由厂商构建自己的智能助手；这些版本偏产品级稳定性，模型版本固定后不能频繁改动。

• 现有手机厂商方案通常由云端模型决策、在用户本机执行，因此仍会占用屏幕，只适合发消息、叫车、下单等时间较短的任务。形态更接近去年十月的 AutoGLM。

• To C 产品则通过云手机和云电脑承接更难、更长、更具挑战性的任务，版本可依据用户反馈快速迭代。刘潇坦言，这一路线也承担算法试验场角色：用户用更困难的任务“牵引”模型继续进步。

16. 云端手机能力可以把眼镜、冰箱和其他终端接回移动互联网

• 刘潇设想，冰箱发现没有可乐后自行补货；AI 眼镜看到一件好看的衣服，用户一句话便让它去淘宝找同款并下单。这些终端不必各自塞入一整部手机的算力和系统。

• AutoGLM 的开发者计划与后续商业合作，希望让各种穿戴设备、智能家居和新终端调用云端移动能力，使 Agent 不再停留在必须打开电脑网页才能使用的对话框，而是“无处不在”。

• 程曼祺追问为什么大模型创业公司可能做成这件事，而不是华为、小米等已有硬件生态的公司。刘潇没有声称智谱独占机会，只说智谱更关心算法和 AGI；真正可连接一切的系统需要既有广度、又理解用户偏好的“更聪明的大脑”。

• 智谱内部畅想过自研硬件，但目前不是重点。公司更现实的位置仍是算法、云端能力和合作接口。

17. 手机 Agent 的竞争首先是一场漫长的市场教育

• 刘潇用 iPhone 解释为何愿意公开一个仍有大量打磨空间的产品：从 iPhone 1 到 iPhone 4 被广泛接受，中间也经历约三年迭代；技术不会等到完全准备好后，市场便瞬间接纳。

• 他的粗略判断是，Chatbot 可能已有 10%—20% 的人接触过，真正上手 Agent 的人也许不到 1%，甚至只有千分之一。对“相当多、甚至 99% 的人”来说，Agent 仍是没有实感的抽象概念。

• 因此市场不可能由智谱、OpenAI 或 Anthropic 单独教育，需要硬件、软件、算法、模型厂商共同把蛋糕做大。刘潇欢迎竞争，理由不是姿态，而是行业必须先从 demo 走向可持续使用。

• 对具体对手，他只肯定 OpenAI 会做类似事情，并判断电脑端还会继续激烈竞争；手机端则不了解各家进度。程曼祺判断字节等公司不会缺席，刘潇则说这个未来“必然”，但如何拿到奖励仍是痛苦的探索。

18. GPT-4 让刘潇第一次确信语言模型终将跳出对话框

• 2023 年 3 月，GPT-4 与 ChatGLM 前后脚发布。此前负责预训练、后训练和对齐训练的刘潇发现，GPT-4 在几乎无人讨论 Agent 时，已经能去 Reddit 搜帖子、在 Amazon 筛选特定商品，成功率虽约“一半一半”，方向却足够清晰。

• 对他而言，关键不是给语言模型加了搜索，而是 single step 变成多步交互：网页内容和 UI 会动态变化，模型仍能依据新观察决定下一步，完成四五步、五六步的连续任务。

• 这与传统 RPA 的差异在于，RPA 依赖固定位置；模型能在浏览器尺寸变化、元素增减后，“在混乱当中找到那个确定性”，点错还可能返回。早期实现同时利用 Playwright 抓取 HTML 和截图，再让模型定位元素。

19. AgentBench 把直觉变成了第一个可比较的能力差距

• 刘潇认为 GPT-4 的能力主要是模型从互联网数据中泛化出来的：WikiHow 等步骤性知识占比不高，但参数与知识积累让模型 somehow 学会了搜索和操作。

• 2023 年 4—8 月，他带团队构建 AgentBench，并称其为全球第一个全面评估大模型 Agent 的基准；其中设计了八个动态环境，用来量化模型完成任务的准确率。

• 结果显示，训练较好的模型只靠 prompting 已能达到约 30%—40%，当时最佳仍是 GPT-4。许多开源模型宣称性能接近 ChatGPT，但在 AgentBench 上，最好的开源模型甚至打不过 Google 当时表现最差的 Text Bison 模型；具体版本号刘潇已记不清。

• 这个副优先级研究随后变成他的主要方向。团队从几个人开荒逐渐扩到几十人；demo、榜单里程碑、市场反馈和商业化确定性依次换来更多算法、工程和产品资源。

20. Agent 能力必须从预训练开始准备，而不能只靠产品层拼装

• AgentBench 让智谱意识到，通往 AGI 需要预训练、post-training、算法和应用一起推进，刘潇形容为用“重工业的方式来做大模型”，才能得到可泛化、即插即用的系统。

• 到 GLM-4.5，Agent 已成为公司共识：从预训练阶段就开始考虑如何让模型擅长 Agent 任务，而不是等到后训练阶段临时补能力。刘潇把其表现归因于 pre-training、post-training 与 application 多团队协同。

• 数据上的路径是 model as agent：先用工程化 Agent 产生轨迹，筛出完成得好的部分，再把经验迁移回模型训练。互联网中的 Agent 数据太少，所以系统与模型形成“鸡生蛋、蛋生鸡”的合成数据飞轮。

21. AutoWebGLM 的冷启动靠人类示范填平 planning 与 execution 的鸿沟

• 2023 年 8 月至 2024 年初，团队先从 browser use 切入 AutoWebGLM。早期 GPT-4 也只有三四成正确率，模型无法可靠自产数据，只能先模仿人类专家浏览网页的动作。

• WikiHow 一类材料“不太有用”，因为它只说搜索、进入分类等 high-level planning，却不告诉模型搜索框在哪里、哪个按钮能展开分类。人类凭常识补齐的 execution 细节，AI 当时无法自动补齐。

• 屏幕定位要求非常精细：点击稍微偏出目标区域，任务就会失败；数据还必须足够多样。团队采用半自动与自动化结合，让 AI 生成候选点、人类做选择，并由算法人员亲自搭建最早的标注系统。

22. 离线强化学习改善了模仿质量，却没有教会模型为结果负责

• AutoWebGLM 当时尝试了包括 DPO 在内的较简单、偏离线的强化学习策略，并在 Mind2Web、MiniWoB 等公开基准及内部测试上，几乎超过了当时所有网页浏览任务中的 GPT-4 prompting 表现。

• 刘潇解释，普通 SFT 给每一步相同权重，但滚动页面与关键决策的重要性显然不同；offline RL 通过估计每步 advantage，动态调整学习权重，更好地拟合人类轨迹。他以行为克隆作为典型的离线方法举例。

• 局限也由此产生：数据是静态的，模型只是在模仿人类，正确行为和错误行为都可能学进去。它与人类操作轨迹相似，不等于独立执行后能取得相同结果。

23. WebArena 证明“像人一样操作”不等于把事情做成

• WebArena 把购物等网站做成可离线部署的镜像，不比较中间动作，而检查最终状态：例如任务要求购买红鞋，系统只看已支付订单里是否真的出现一双红鞋。

• 在以结果为导向的评测中，当时模型大约只有 20 分，人类约 70—80 分；其他静态基准看似漂亮，是因为它们主要比较 AI 预测与人类轨迹有多接近。

• 程曼祺总结得很尖锐：每一步都只差一点，最后就会差很多。刘潇则强调同一任务可能通过搜索或分类完成，用户不关心路线，只关心交付——这种评估才真正接近产品直觉。

24. 在线强化学习训练的是犯错后的恢复，而不是永不犯错

• 刘潇用苹果官网的故障指引作例子：专业说明也可能写得很差，人必须反复尝试。真实世界里，人类并非每一步都正确，而是能发现错误、回退、换方案，直到找到可行路径。

• 只给正确轨迹，模型会高度 confident，误以为自己的每一步都对；简单加入固定反例，又可能让它混淆。在线环境则允许模型真实犯错，并从后续反馈中学习何时回退、何时重试。

• 他的哲学化概括是，人类本身也是在复杂地球环境中演化出的智能体，先辈为“强化学习失败”付出过生命代价。Agent 若不经历 practicing，也很难获得应对复杂世界的能力。

25. O1 与 DeepSeek 强化了“结果监督优先”的路线

• 刘潇认为，早期行业过于迷信过程监督，希望模型像教科书证明一样简练、优雅、每一步正确，不愿接受几十万 Token 的涂改、尝试和回退。

• O1、DeepSeek 等工作让行业迅速理解：“需要用结果来 supervise 这个模型，而不是通过过程来 supervise 这个模型。”数学和代码等封闭域任务先显示了这条路的可行性。

• Agent 的难度更高：定理和编译器规则相对固定，真实网站却持续变化；模型必须实际打开页面，才知道按钮是否正确。工程环境、多步决策和稀疏奖励的挑战，都远高于单步推理。

26. 环境的工业化规模决定 Agent 能获得多少练习

• 刘潇把在线强化学习压缩为两个条件：environment 与 reward。只要能构建真实环境和合适激励，很多任务都能被 RL “解决到一定程度”，但两者都没有标准化 SOP。

• 训练不能只靠一台电脑：一个任务若运行 10 分钟，一次采样 5,000 条轨迹便需 50,000 分钟。要把迭代压缩到可接受范围，就要让约 1,000 台虚拟电脑并行探索。

• 这要求容器化仿真、虚拟设备、调度系统和算法共同工作，不可能真的搬来上千台物理电脑。团队既有内部算法与 infra 人员，也依赖外部云伙伴；电脑端与阿里云无影合作，利用其多年云电脑能力。

• 刘潇据此修正“模型进步即可推动 AGI”的简单叙事：模型仍是内核，但当 Agent 要连接生活和社会服务时，工程、产品、云基础设施会越来越 matter。

27. Reward 的难点是把专业判断变成可验证信号

• 在淘宝等真实平台训练时，智谱拿不到后台数据库，只能根据屏幕轨迹判断任务是否成功。Deep Research、行业研究和 PPT 更难：信息是否关键、研究是否密集、版式是否好看，都需要专业 expertise。

• 一种构造方法是先找到确定答案，再反向生成复杂问题。例如从网页或知识图谱找到某球队在特定日期、地点、比赛中的比分，再让 Agent 穿过 JavaScript 交互和数据库页面找回答案；直接搜索很难命中。

• 人类在 reward 中仍不可替代，因为“虽然有的时候我们不知道怎么做，但是你做得好不好我们还是看得出来”。不会做菜的人能判断味道，但古文等专业内容仍需研究古代中文的专业人士识别“古色古香”背后的错误。

• 刘潇用一个幽默类比描述模型水平：它可能是“乒乓球里面最会拉小提琴”的选手——在专家自己的领域未必胜过专家，在专家不熟悉的领域却足以轻松超过普通人。因此标注任务正变得更专业，而非更机械。

28. AutoGLM 2.0 把十个月的在线训练变成了可见的自我纠错

• 2024 年十月底的内测版已使用初步在线算法，但并发环境只有个位数、更新慢，只能完成短链路和单应用任务。跨应用、复杂意图、多轮发起在模型层面仍缺乏稳定方法。

• 此后团队一边把并发训练和模拟环境扩大，一边完成云手机、云电脑上的异步工程链路。产品不再占用本机屏幕，也能全天候承接更长任务。

• 最明显的模型变化不是理想路径上的成功，而是异常中的恢复：误点到错误入口后会返回，页面因网络问题未加载时会再试一次。去年版本则可能“一直不停地点错下去”。

• 刘潇不因 Manus 在今年 3 月率先出圈而焦虑，反而认为对方改善了产品表达与市场教育。智谱此前讲过 Agent，却没有清楚告诉用户“这东西能用了”，行业共同出圈反而降低了解释成本。

29. 能力、基础设施和生态规范仍隔着一道入口级门槛

• 刘潇称智谱当前在 OSWorld 电脑操作基准上约 48%，应该是单模型里最好的；人类则约 70%。更重要的是，OSWorld 仍“相对 elementary”，攻克后还会出现更难的新基准。

• 除模型能力，带宽、运营商基础设施、云虚拟设备鲁棒性都要提升。平台也需要新的规范：设备可以主动声明“这是一个 Agent”，让 App 管控不希望出现的行为，同时放行能带来订单和流量的正常操作。

• API 侧的账号、支付需要 Agent 公司、应用和支付机构共同设计。刘潇说各方都感兴趣，却“还没有头绪”，因为尚无样板工程证明用户希望如何授权、又会在哪些场景真正使用。

30. 每任务 0.2 美元已能开放试验，但商业模式仍未定型

• AutoGLM 当前完成单个任务的成本约 0.2 美元。刘潇估计一次 Google 搜索约 0.02 美元，但也提醒统计口径不一定完全一致；他认为 Agent 的单次价值显然更高，但不确定由订阅、广告还是其他方式完成闭环。

• 他不认为 Agent 必须降到搜索同价，规模扩大却有望继续摊薄成本。模型尺寸缩小、工程优化和推理团队都已发挥作用；谈到 GLM-4.5 输入价格时，他只记得每百万 Token 约 2 美元还是 4 美元，“我不记得了”。

• 免费开放暂时没有明确预算上限，但资源量会形成自然限制，用户过多时可能出现服务器繁忙。究竟成本能降到哪里，他拒绝给预测：“需要市场运行之后才能观察。”

• 发布前最担心的是工程稳定性，因为完整跑通这条链路的公司“可能就一只手数得过来”；最期待的则是用户用出团队没预想到的场景，以及 AI 眼镜等新硬件尽快接入。

31. 智谱把发布后的用户反馈直接纳入 AGI 路线图

• 新版本降低了此前最大的使用门槛：旧版既要邀请码，又要求用户在不同 Android 设备上开启复杂权限，“90% 或者 99% 的用户”可能根本不会设置；现在所有主要终端都能直接进入云端任务。

• 团队计划每 1—2 周持续加入新 feature，同时寻找开发者、应用、硬件厂商和支付伙伴。刘潇最想知道的不是用户是否喜欢预设 demo，而是大家究竟会怎样用它改造自己的生活和工作。

• 他的产品观是，用户在产品出现之前往往不知道自己想要什么，因此必须把“事实上也确实存在很多缺陷”的版本放出来，让真实需求反过来塑造算法和工程。

32. 最终市场可能有很多 Agent，但用户只会直接管理少数几个

• 刘潇预计三类 Agent 并存：站在用户一边的 personal Agent、代表应用和服务商的垂直 Agent，以及嵌入眼镜、家居等设备的 Agent。个人甚至可以拥有三四个助理，分别管理不同事务。

• 程曼祺借管理学提出约束：一个老板直接管理的人通常不应超过八个，常用 App 数量也有限，因此用户真正高频交互的 Agent 可能很少。这使入口之争仍会非常激烈。

• 刘潇把这些商业格局称为“AGI 的副产品”。如果各家系统都足够聪明，最终决定性变量可能就是谁的 AGI 更强，因为用户会选择“更聪明、更厉害、更有智慧”的那个。

33. 一个全天候普通助理，就是刘潇定义的 AGI 下限

• 刘潇不把 AGI 看成一个瞬间跨越的点，而看成一段范围：先有少数人感到 AGI，再到所有人都确信它已经发生，其间模型能力和社会采用会持续扩散。

• 他的下限标准很具体：一个 Agent 能 24 小时自主、稳定运行，以普通同事或普通助理的水平，处理用户生活与工作中的问题，“我认为它已经触到了 AGI 的下限”。

• AutoGLM 的黑暗界面中有橙黄色光线逐渐蔓延，程曼祺把它比作曙光照到越来越多人。刘潇接住这个意象：“AGI 已经来临，只是没有平均分布。”智谱要做的是让更多人先看见、使用，再共同把能力推向上限。