AI 代理时代正在开启。谁来掌控？

你离开一周后回到一个项目。截止日期已更改，供应商已更改报价，并且有人已经拒绝了显而易见的解决方案。在AI助手提供帮助之前，你必须重构故事。

这种重复的简报是个人代理承诺要减少的问题。Meta Muse 和 ChatGPT 点将记忆、应用程序访问和持续工作带入更持久的关系。但连续性改变了错误的成本：一个错误的假设可以在创建它的对话中幸存下来。代理时代带来了比助手能否完成任务更难的问题：您能否理解并纠正持续为您工作的系统？

1. 对话继续时会发生什么变化

一个持续运行的代理可以帮助创始人重新审视启动计划，而无需重新构建每个约束，或者帮助知识工作者准备反映上周决策的每周简报。这些都是有用的抱负，因为很多工作都包括返回、检查和调整。

产品方向可见于 Meta 推出 Muse 和 OpenAI的dots概述。他们的发展表明了对这个问题的关注；仅发布并不能确定有多少人想要一个始终可用的代理，或者它处理他们的工作有多可靠。

六种能力有助于理解这种转变。 个性化 根据您的情况调整回复。 内存 将有用的信息向前传递。 应用程序访问 引入来源和工具。 执行 执行授权步骤并检查结果。 可移植性 在系统之间移动有用的信息。 模型选择 决定哪个 LLM 对其进行推理。

它们可以相互支持，但不能互换。记住你喜欢上午会议并不意味着允许你移动会议。阅读日历并不意味着监控它。导出并不能保证另一个系统会正确解释其内容。

2. Meta Muse：与行动相关的记忆

Muse 是 Meta 的个人代理产品；Muse Spark 是模型系列，而不是代理的另一个名称。Meta 将 Muse 描述为在专用云计算机中工作，使用浏览器和连接服务，并在用户关闭应用程序后继续执行更长的任务。其发布示例包括旅行安排和持续的个人目标。这些是公司描述的功能，并非我们自己测试的结果。 Meta 的产品发布

业务范围也很广。Meta 的 小企业公告 描述了研究、活动草稿、财务审查以及跨连接业务工具的工作。对于一个小团队来说，吸引力在于理解问题和产生可用成果（计划、文档或提议的行动）之间的连续性。

图片来源： Meta 的 Muse Spark 1.3 发布。该模型和 Muse 代理是不同的产品；此演示不应被解读为 Muse 中所有可用功能的证据。

2.1 您可以检查和纠正的记忆

Meta 记录了一个基于文件的内存系统，该系统由对话、观察到的偏好和连接的服务提供信息。用户可以检查和编辑 Muse 记住的内容。它还接受另一个助手的对话历史记录的 ZIP 导出。 Muse 个性和记忆

这为用户提供了纠正代理对其看法的途径。从一次性截止日期推断出的偏好不应悄悄地成为永久规则。导入的历史记录有助于建立上下文，但也可能带有旧的假设。相关的测试是代理是否使用正确的信息来做出今天的决定。

2.2 权限和隐私是独立的问题

Muse 批准可以涵盖一个操作、一个完整任务、一个网站或通过连接器进行的未来操作。因此，说每个操作总是需要重新确认是不准确的。审查取决于授予的权限设置和范围。 指导和批准

断开连接器会停止未来的交换；已使用的信息可能保留在内存或对话历史中。Meta 单独记录下载聊天、文件和其他代理信息。断开连接或导出本身都不能证明完全擦除或无缝迁移。 连接器, 管理Muse数据

截至 9 月 30 日核查，Meta 表示 Muse 对话和 VM 数据不会与其广告系统共享。其帮助页面还表示，模型改进同意最初是启用的，可以关闭。机密 VM 仍被描述为未来的选项；这些额外的保护不应被视为今天可用。这些是 Meta 的书面声明，而非独立的安全性评估。 隐私和安全

3. ChatGPT点：持续的责任

OpenAI将dots描述为具有自己的云计算机和浏览器的持久代理。它们可以使用连接的应用程序，并在获得授权后协调个人计算机上的工作。当您的设备关闭时，云工作可以继续；使用该设备的步骤需要该设备可用。 计算机和应用程序

这可以使授权更实用。您可以赋予代理研究职责，继续讨论优先级，然后稍后审查结果文档。一个有用的任务会指定所需的结果、相关来源以及需要决策的情况。“继续协助发布”比明确的职责留下了更多的解释空间。

图片来源： OpenAI 的 Meet dots 页面.

3.1 上下文、记忆和笔记

点区分当前对话上下文、相关的 ChatGPT 记忆和点自己的持久笔记。这些笔记可以保留偏好、决策和责任；它们不是完整的记录。新的委派任务接收选定的上下文，而不是自动继承每次对话。 任务和内存

在纠正错误时，这种区别很重要。更新一个内存设置不一定与更改已保留在其他地方的笔记相同。也不应假定断开应用程序会擦除已包含在对话或笔记中的信息。访问和保留需要单独关注。

3.2 正在进行的工作需要明确的范围

点可以委派后台工作并管理重复性任务。固定的重复性工作需要保存的日程表；连接应用程序本身并不会创建监控任务。OpenAI 将主动研究描述为只读，而单独授权的任务可以采取行动。 任务类型和调度

自动审查根据指令、权限和安全要求检查操作。根据操作，它可以继续、请求批准或将步骤交给用户。暂停主任务不会自动停止委托工作或取消未来的计划。 点控制

本地访问也需要仔细的措辞。OpenAI 记录了云协调，即使工具在授权的个人计算机上运行。对本地文件的访问并不意味着仅进行本地处理。 云端和本地访问

4. 警告差异之处

来源： Muse 记忆, 批准, 导出, 隐私; 点任务, 控制, 计算机访问.

可移植性值得仔细研究。ChatGPT 桌面应用程序支持从 Claude Code、Claude Cowork 和 Cursor 导入某些设置和工作，并自动更新支持的导入工作。这是一种生态系统能力，而不是通过点实现通用共享内存的证明。同样，Muse 的导入和导出功能并未建立与另一个助手的持续同步。 OpenAI的导入文档

5. 演示后重要的注意事项

更大的问题是这些功能如何随着时间的推移而相互作用。一个系统可以准确地记住，但仍然根据已过期信息行事。它可以遵循批准规则，但仍然误解该规则所涵盖的任务。以下是文档化设计提出的评估问题，而不是来自比较产品测试的发现。

内存需要一种过时的方式。 回忆过去偏好的代理也应该识别何时有更新的指令取代了它。如果临时截止日期变成了永久性备注，您能看到它来自哪里，纠正它并确定哪个版本现在管理着工作吗？个性化的质量取决于这种维护，而不仅仅是代理保留了多少。

权限需要一个可理解的边界。 当任务是一封电子邮件时，批准任务很容易理解。当代理委托工作、明天再回顾或使用多个连接服务时，这变得更加困难。实际问题是您是否能分辨出哪些仍然获得授权，哪些仍在运行以及如何停止所有这些。Muse 的范围审批和 dots 的独立计划使这些区别变得重要。

隐私不止一个开关。 访问、保留、模型改进和处理发生地是独立的决策。断开服务回答的是访问问题；它不一定能解决已经记住的内容。本地工具回答的是关于该工具的位置问题，而不是系统处理的每个步骤。清晰的控制应该帮助用户理解这些差异，而无需自己重建架构。

有用的历史记录尚未成为可移植的理解。 文件可能成功导出，而偏好、优先级和更正则在下一个系统中失去意义。更强的测试是另一个模型是否能适当地使用相同的上下文——以及您是否能识别出遗留了什么。这很重要，因为随着代理积累了更多决策背后的工作知识，切换成本会增加。

完成情况应可检查。 一个令人信服的状态消息与已更改的文档或正确安排的任务不同。代理应该留下足够的证据来检查结果并显示未解决的步骤。验证和纠正其工作所花费的时间应计入对其节省时间的任何评估中。

6. Zortex 旨在实现哪些不同

Zortex 的既定目标是将个人上下文和指导与 LLM 的选择分开。这针对了这些代理提出的一个问题：改变推理模型是否意味着重建它对你的理解？Zortex 旨在解构代理如何接收上下文和指令，以便不同的模型可以利用该层，而不是将其作为另一场功能竞赛。

预期的改进是模型选择之间的连续性。为了证实这一点，Zortex需要证明修正能够持续，上下文保持可检查，并且连接的模型能够适当地使用它。这些是抱负和评估标准，而不是相对于Muse或dots的已证明优势；此处未建立与任何一个产品的集成。

7. 在依赖代理之前要评估什么

从五个问题开始。它能识别当前信息吗？你能检查和纠正它保留的内容吗？行动的界限是否清晰？它是否能产生有用、经过检查的工作？如果你更换系统，你实际能带走哪些上下文？

针对真实但有限的责任尝试这些问题。检查更改的截止日期、更正的偏好以及超出原始范围的请求。检查还剩下多少监督，以及停止工作是否也需要取消日程。

AI 代理时代正在开启。其最有用的系统将需要使持续帮助更容易检查、纠正和退出——而不仅仅是更容易开始。