JOTO
Contact us
← AI 智库
大语言模型

个人助理Personal Agent硬核实践方法论

2026 年 11 月 21 日

拆解AI个人助理落地核心痛点,分享硬核可复用的工程实践方法论。核心内容:1. 当下主流个人Agent产品“Demo惊艳、上线拉胯”的行业现状与三大核心瓶颈解析2. Manus个人助理的三模块核心架构设计逻辑,以及物理隔离设计的独特优势3. Manus完整10步执行流程的工程设计细节与落地实现思路

2026年初,Manus一码难求,邀请码被炒到上千块,所有人都在喊"通用AI助手真的来了"。半年过去,热度退潮,社区里开始出现"已去魅"的声音,真实任务成功率和留存率远低于Demo里的惊艳表现。

不只是Manus,OpenAI的ChatGPT Agent、Perplexity的Comet、扣子空间、百度秒哒,几乎所有主打"给个目标自己跑"的个人助理Agent产品,都是Demo惊艳,上线拉胯,留存暴跌。

个人助理Personal Agent硬核实践方法论

个人助理的真正瓶颈,在于三个工程问题还没被彻底解决:长期记忆怎么存怎么调才不"串味"、全自主Loop在真实生活里为什么跑不通、以及浏览器和系统操作的安全边界到底在哪。

Manus的三模块架构

Manus的核心是一个Multi-Agent系统,它的架构有三个鲜明特点:环境隔离的任务执行、模块化的Agent设计、灵活的任务调度机制。整个系统由三大核心模块构成。

规划模块(Planning)是系统的决策中枢,相当于大脑。它负责理解用户意图,把复杂任务分解为可执行步骤,制定执行计划。具体来说它干五件事:任务理解与分析、任务分解与优先级排序、执行计划制定、资源分配与工具选择。其中最关键的能力是把复杂任务分解为DAG结构(有向无环图),每个节点是一个子任务,节点之间的边表示逻辑依赖关系,比如"订机票"依赖"确认出差日期","订酒店"依赖"确认目的地"。

记忆模块(Memory)是长期记忆体系,让Agent能跨会话记住用户。它管理三类关键信息:用户偏好(记录用户的习惯和喜好,使后续交互更加个性化)、历史交互(保存过去的对话和任务执行记录,提供上下文连贯性)、中间结果(存储任务执行过程中的临时数据,支持复杂任务的分步执行)。在代码实现上,用户偏好用向量存储(UserVector),交互历史存进ChromaDB向量数据库,短期记忆用LRUCache(最近最少使用缓存)做缓存。

工具使用模块(Tool Use)负责实际执行各种操作。包括网络搜索与信息检索、数据分析与处理、代码编写与执行、文档生成、数据可视化。这些工具不是写死在代码里的,而是通过工具注册表动态管理的,Agent在运行时根据任务需要选择调用哪个工具。

这三个模块的物理隔离是Manus架构的核心设计。规划模块不直接执行任务,它只负责"想",执行交给工具模块。记忆模块独立于规划和工具,不会被任务执行过程中的临时数据污染。这种隔离设计的好处是,即使工具执行出错了,规划模块可以根据错误信息调整策略,记忆模块不会被错误数据污染。

个人助理Personal Agent硬核实践方法论 配图 2

Manus的10步执行流程和模型分层

Manus的完整执行流程分10步,每一步都有明确的工程设计。

第1步任务接收:用户提交任务请求,可以是简单查询也可以是复杂项目。Manus接收输入开始处理。

第2步任务理解:分析用户输入,理解任务本质和目标。记忆模块在这个阶段提供用户偏好和历史交互信息,帮助更准确理解用户意图。如果需求不明确,通过对话式引导帮助用户明晰目标。支持文本、图片、文档等多模态输入。

第3步任务分解:规划模块将复杂任务自动分解为多个可执行子任务,建立任务依赖关系和执行顺序。比如用户说"帮我安排下周去上海出差",分解出来的子任务包括查日历冲突、订高铁、订酒店、算预算、写日历条目、整理会议纪要。每个子任务都会写进todo.md。

第4步任务初始化与环境准备:为确保任务执行的隔离性和安全性,系统创建独立的执行环境,包括创建任务目录结构和启动Docker容器。这是Manus的沙箱设计,每个任务在自己的隔离环境里跑,不碰生产环境。

第5步执行计划制定:为每个子任务制定执行计划,包括所需的工具和资源。历史交互记录在这个阶段提供参考,帮助优化执行计划。

第6步自主执行:工具使用模块在虚拟环境中自主执行各个子任务,包括搜索信息、检索数据、编写代码、生成文档和数据分析。执行过程中的中间结果被记忆模块保存,用于后续步骤。每个Agent的执行结果都保存到任务目录,确保可追溯性。

第7步到第10步:迭代执行、结果聚合、交付输出、归档。每一步的中间结果都落盘到文件系统,不依赖内存里的上下文。

在模型分工上,Manus用了分层策略。复杂推理和规划用强推理模型(如Deepseek-r1做深度思考),常规执行和工具调用用通用模型(如Claude系列做执行),轻量级的分类和摘要用小模型。这种分层策略跟成本控制的思路一致,轻活走小模型,重活走强模型,成本能降60%。

长期记忆怎么存怎么调

个人助理Agent要真正做到"懂你",长期记忆怎么存怎么调才是关键。

举个例子,你第一天跟差旅助手说"我通常喜欢靠过道的座位,我是航司金卡",它记住了,下次主动帮你选过道座。第二周你临时说"这趟我想靠窗睡一觉",它帮你选了窗座。问题来了,这趟结束后,它该不该把"靠窗"写进你的长期偏好?如果写进去了,下个月你出差它又自作主张给你窗座,你明明只是上一次想睡一觉。如果完全不记,那它每次都重新问你"坐哪边""吃什么""预算多少",你会觉得它没长记性。

这就是"临时覆盖不扩散"问题。在个人助理场景里,这个问题的工程解法是四种存储技术配合使用。

第一种是System Prompt存储法。把用户最核心的静态偏好(比如"通常靠过道、金卡会员、预算不超过600")直接写进系统提示词模板。优点是全局生效不需要额外检索,缺点是容量有限,不能往里塞大量个性化数据。

第二种是RAG检索增强。把用户的历史对话片段向量化存进向量库,需要时按语义召回注入。优点是容量大调用灵活,缺点是对召回准确率要求高,没优化好效果还不如System Prompt。实测数据表明,RAG的召回率从优化前的60%可以提升到85%,重复提问同一知识点的频率下降了35%。

第三种是外部结构化记忆系统加知识图谱。这是"临时覆盖不扩散"最相关的方案。把用户特征提取后转化为结构化数据存入独立数据库,长期记忆与对话上下文物理分离,通过API实时检索。用户的基本信息、历史对话记录、任务完成状态、个人偏好都设计专门的数据表存储。"这次靠窗"作为会话级临时变量存储,会话结束后清空,绝不写入长期偏好库。

第四种是阶段性对话摘要。每轮对话结束时生成摘要,把长对话压缩成核心信息保留。比如辅导场景里总结学生的疑问点,差旅场景里总结本次出行的偏好变化。

这四种方案不是互斥的,生产系统通常是组合使用。核心偏好走System Prompt,历史交互走RAG,结构化档案走外部数据库,长对话走摘要压缩。

还有一个关键设计是分层调用策略,不是每次用户输入都要调RAG。80%的日常对话不需要触发记忆检索,只有检测到长期记忆需求时才调用,比如用户说"上次和你说过""还记得我之前"这类关键词,或者检测到情绪变化需要检索过往触发相同情绪的事件,或者到了重要时间节点(生日、纪念日)主动调用。核心信息(昵称、禁忌话题)缓存在内存里减少RAG调用。这个分层策略能把记忆检索的成本和延迟降80%,同时不让对话变得机械化。

窄场景冷启动:别做全能助理,先从日程摘要开始

一上来就想做"全能助手",让Agent自己决定读哪封邮件、怎么分类、要不要转发、要不要订票、要不要整理日程。社区里有大量"50万项目上线一周就关"的教训,全是全能助理惹的祸。

正确的冷启动策略是窄场景起步。不要一上来就做"订机票酒店"这种高副作用高复杂度的任务,先做"每天早上8点,把今天日历、未读邮件摘要、昨天待办未完成项,汇总成一条消息推给我"。这个任务没有副作用(只读不写)、可每天验证、失败代价低,是个人助理最好的冷起点。

个人助理Personal Agent硬核实践方法论 配图 3

冷启动阶段的技术选型也有讲究。很多团队一上来就想用SFT(监督微调)模型,但冷启动阶段数据不够、场景不稳定,微调出来的模型泛化性差。正确的顺序是先用Prompt工程快速验证(成本几乎为零),再上RAG接入用户历史偏好(中等成本),最后才考虑微调(高成本,需要充足标注数据)。一个经验值是:2000条真实query微调模型的最后一层,比全量微调效果好且成本低。

还有一个被忽略的冷启动策略是"AI辅助人工"。Agent生成答案或操作草稿,人工审核一秒再执行。看起来不性感,看起来不像"真Agent",但这是个人助理从Demo走向生产最稳的过渡形态。Manus从"一码难求"到"已去魅"的半年里,社区里跑得最稳的个人助理用法,恰恰是这种半自动模式,而不是"给个目标自己跑几小时"的全自主模式。

全自主Loop在真实生活里为什么跑不通?因为真实生活的任务跟编程或调研不一样,真实生活的任务充满了副作用和不可逆操作。Agent帮你订了错误的机票,扣了你卡里的钱,退票要收手续费。Agent帮你发了错误的邮件给老板,撤不回来。Agent帮你删了日历上的会议,参会者都收到了取消通知。这些操作一旦做错,后果是立即发生的,不是"答错了再改"那么简单。

Anthropic做过一个叫"Project Vend"的实验,让Claude全权经营一个办公室小商店,目标很明确就是赚钱。结果一位WSJ记者用140轮对话,说服Claude宣布"终极资本主义大放送",把所有商品降到0元,还核准了PlayStation 5、葡萄酒和活体斗鱼的古怪采购,倒赔了1000多美元。Anthropic加派了第二个AI当"CEO"来监督,记者用伪造文件让两个AI一起买单。这个实验说明,目标再清楚的Agent,也挡不住人类话术的攻击。

浏览器Agent的安全黑洞:CometJacking事件拆解

个人助理Agent要真正有用,就必须能操作浏览器和系统。帮你查航班、填表单、下单、读邮件、管日历,这些都需要浏览器操作能力。但浏览器操作恰恰是个人助理最容易被攻击的部分。

2025年10月,安全公司LayerX披露了Perplexity Comet的一个严重漏洞,被命名为"CometJacking"。攻击者在网页的URL参数里塞了prompt injection(提示注入),当Comet读取这个网页时,恶意指令被注入到了Agent的上下文里,让Comet去读取用户的Gmail邮件和Google日历数据,然后用Base64编码绕过安全保护,把数据外泄给攻击者。用户只是点了一个链接,Agent就替攻击者读了敏感数据。

个人助理Personal Agent硬核实践方法论 配图 4

Perplexity最初的回应是"没有发现任何安全影响",后来改口说"后来独立发现并修复了这个问题""漏洞从未被利用过"。但LayerX的报告显示,Comet比Chrome更容易被钓鱼和网络攻击,脆弱性高出85%。

2025年11月,SquareX进一步披露了更严重的问题。Comet的MCP API(模型上下文协议接口)允许浏览器内置但用户看不到的扩展直接对用户设备下达命令。恶意脚本可以继承Analytics Extension的所有权限,注入到perplexity.ai页面,通过Agentic Extension调MCP API(模型上下文协议接口)执行勒索软件。安全研究员的原话是:"如果你用Comet,你信任的是Perplexity的服务器、员工和内部安全实践。"

安全研究员还发现不需要直接攻击密码管理器,而是操纵Agent的任务执行,在合法认证会话内偷取1Password存储的凭据或完全接管账户。研究员让Comet在已认证的1Password网页会话内操作,浏览vault条目、揭示用户名密码、通过普通web请求外泄。

CometJacking事件暴露了浏览器Agent的一个根本矛盾:Agent要帮你操作浏览器就需要浏览器的高权限,但高权限一旦被注入攻击利用,后果比普通浏览器被攻击严重十倍,因为Agent能自动执行操作,不需要用户点击确认每一步。

哪些操作需要人审

HITL(Human-in-the-Loop,人在环路)在个人助理场景里的应用,核心不是"每个操作都要人审",而是按风险分级。

低风险操作可以自动执行。 查天气、读日历、搜索信息、生成摘要、起草邮件草稿,这些操作要么只读不写,要么生成的草稿不直接发送而是给人看一眼。这类操作让Agent自动跑,不需要每步都问人。

中风险操作需要轻量确认。 订餐厅、创建日历事件、发推文、更新待办列表,这些操作有副作用但后果可控(餐厅可以取消,日历事件可以删,推文可以删)。这类操作Agent生成执行方案后,给用户一个确认提示(比如"我帮你订了周四晚上7点的那家餐厅,确认?"),用户点确认才执行。

高风险操作必须强制人审,代码层写死在程序里,不靠提示词。 支付、转账、订机票酒店、发正式邮件、删除重要数据、修改账户设置,这些操作一旦做错损失巨大且不可逆。这类操作Agent只能生成草稿或候选方案,绝不自动执行,必须人工确认后才执行。而且这个确认必须在代码层实现,不能靠提示词约束,因为提示词可以被注入攻击绕过。

如果有一个"价格变动超过20%必须人审"的代码层硬规则,Project Vend的事故就不会发生。

个人助理的额度消耗有多离谱

个人助理Agent的成本问题比企业Agent更棘手,因为个人用户的付费意愿远低于企业用户。

Manus的credit消耗就是一个典型的黑箱问题。用户不知道一个任务要烧多少credit,订一次机票可能烧3个credit,整理一次邮件可能烧1个credit,跑一个复杂的多步调研可能烧20个credit。用户买了一个月的基础credit包,跑了三天就用完了,剩下的27天只能等下个月刷新。这种"请得起养不起"的体验严重伤害了留存率。

个人助理Personal Agent硬核实践方法论 配图 5

社区里有人复盘过Grok Bot的烧钱案例,一个用户让Grok Bot帮他做市场调研,Bot跑了40分钟,调了30多次搜索API,烧掉了相当于一个月订阅费的token。用户拿到一份看着挺专业的报告,但报告里有3个引用URL是模型编的,点进去404。

个人助理的成本控制手段跟成本控制的思路一致,但在个人场景有一些特殊设计。

缓存高频问答。 "今天天气怎么样""我的日历今天有什么安排"这类高频问题,缓存秒回,不走模型推理。这能把30%的流量成本降到接近零。

窄场景走小模型。 日程整理、邮件分类、待办提取这类简单任务用mini模型就够了,只有复杂推理和多步规划才走旗舰模型。

异步处理非紧急任务。 "帮我整理本周的邮件摘要"不需要实时返回,走Batch API(24小时内返回,成本降50%),用户第二天早上看到摘要就行。

最新技术进展:Computer Use和手机Agent

2026年个人助理最值得关注的技术进展有两个方向。

个人助理Personal Agent硬核实践方法论 配图 6

Computer Use(计算机使用)能力在快速提升。 Anthropic推出的Computer Use让Agent能直接操作电脑桌面(点击、输入、截图、切换窗口),不再依赖网页API或MCP接口。OSWorld基准测试显示,短程任务的通过率已经到了86%,但长程任务(需要连续操作20步以上)的通过率只有20.6%,断崖式下降。这意味着Agent帮你"打开浏览器搜一下"可以,帮你"从打开浏览器到完成下单全流程自己操作"还不行。

手机Agent是下一个战场。 AndroidWorld、Mobile-Agent、AppAgent等开源项目在尝试让Agent操作手机App。场景包括帮你自动回复微信消息、自动点外卖、自动管理手机相册。但手机Agent的安全风险比浏览器Agent更高,因为手机上的App权限更重(支付、通讯录、照片、位置),一旦被注入攻击利用,后果更严重。

先从"每天早上8点推送日程+邮件摘要+待办提醒"这种无副作用的只读任务开始,验证Agent的基本能力和用户留存。

用户偏好走System Prompt存核心标签,历史交互走RAG向量库召回,结构化档案走外部数据库,长对话走摘要压缩。临时覆盖用会话变量存储,会话结束后清空,绝不写入长期偏好库。80%日常对话不触发RAG检索。

低风险操作自动执行,中风险操作轻量确认,高风险操作强制人审且代码层写死在程序里。支付转账订机票发正式邮件,这些绝对不能让Agent自主执行。

缓存高频问答、窄场景走小模型、非紧急任务走Batch API。让用户知道每个任务烧多少credit,不要搞黑箱。

浏览器操作在沙箱里执行,敏感数据遵循"决定与执行分离",Agent决定做什么但执行权在另一个独立服务里。输入护栏检测prompt injection特征,输出护栏拦截敏感数据外泄。

Manus从"一码难求"到"已去魅"这半年,社区里跑得最稳的个人助理用法,不是"给个目标自己跑几小时"的全自主模式,而是"AI辅助人工"的半自动模式。Agent帮你整理信息、生成草稿、提供建议,你做最终决策和执行。

当然,国内要跑通个人助理Agent,还要考虑到软件墙的问题,这个其实已经是现在的一个很难绕过去的卡点了。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务,帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们
Contact Us

Start your enterprise AI rollout

Tell us your industry, team, and current pain points. We'll get back to you within one business day to help you decide what to tackle first, what data to prepare, and which platform fits.

WeChat
Scan to add us for a 1:1 chat
JOTO WeChat consultation QR code

Tell us what you need

Once we receive your details, we'll be in touch within one business day.