# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
最近，personal agent 成了 AI 圈的热门方向。人们期待有一个长期跟着自己工作的私人助手，知道你在忙什么，记得你的习惯，能打开软件、处理杂事。
而 xAI推出的 Grok Bot 更直接，索性给你一支 personal agent team。
你可以像老板一样给自己安排几个机器人员工，一个负责研究，一个负责写作，一个负责日程。它们有各自的名字、分工和工作背景，可以同时干活，也可以被拉进同一个群，互相发消息、交接任务。
在一众Personal Agents此起彼伏出现，激烈抢夺用户的这两个月，Grok Bot 的增长看起来碾压了不少对手。从2026年8月11日推出测试版，上线两个月后，它付费周用户就达到80万，其中10月份较前一个月前增长超过一倍。
连马斯克也直呼：I've never seen anything grow this fast.
我们也深入体验了这个产品，其实，整体使用下来 ，Grok Bot 其实并没有什么“新东西”，既没有能力超过 opus5.5 的模型，也没有超过 DeepSeek 的性价比，云电脑也是 manus 先配备的。
知名科技播客主理人 Lenny Rachitsky 近期讨论Grok Bot时也在节目说到，自己已经把不少原本交给 Cowork 和 Codex 的工作搬到了 Grok Bot。可当别人问，那些事情用其他工具不也能做吗，他又承认：从技术上说，确实可以。
也就是，Grok Bot没重度的发明什么新东西，也没有靠着模型进步带来增长，它完全凭对个人用户的场景和已有的技术的结合，以及相应的产品化设计，拿下了实打实的个人用户群体，并且留存惊人。
这基本就是今天所有Personal Agents们想象中自己的样子。
所以，我们想结合实测来看看它到底怎么做到的。
Grok Bot 最明显的一个设计思路，是遵循“同事化”。
什么叫同事化？用 Grok Bot 产品负责人 Roman Ugarte 的话来说，“同样的情况下，你希望一个人类同事怎么做？”。
这套思路套在产品设计上，最明显的一点就是：改变的是用户给 AI 分配工作的方式。
面对 Codex 这样一个什么都能做的聊天框，用户往往得自己想清楚，这次让它扮演谁，需要补哪些背景，调用什么 skill，应该按什么标准交付。
而 Grok Bot 则是让用户面对 Bot 扮演的同事。
比如，研究员 Bot 负责找资料，作者 Bot 负责出稿，助理 Bot 负责安排时间。只要你愿意，还能给 Bot 用上真实同事的名字和头像。
用户看见这些熟悉的同事，就比较容易想到，怎么分配任务。比如我抽空做了一个 AI 大佬小队，每个人都有自己的职责。
同事化带来的另一个好处，是让不同 Bot 分别积累自己的工作记忆。
我们希望一个同事记住什么，往往和他的职责有关。研究员 Bot 需要熟悉你长期关注的领域、认可哪些资料来源、判断一份研究是否有价值的标准。作者 Bot 需要了解你的文风、结构偏好，以及怎么去除 AI 味。
就像在公司中，不同员工有不同的经验。
Grok Bot 的设计，让用户做某件事的时候会主动和专门的 Bot 对话，而不是直接在一个无所不能的聊天框里输入。
同一个 Bot 长期负责一类事情，用户对这类工作的要求，也就能随着一次次合作积累下来。每个 Bot 可以保留自己的角色背景、稳定偏好和过往工作记忆。
我就可以将老黄 Bot 打造出英伟达研究专家，以后有项目或者文章涉及英伟达，就可以让他参与。而他做的报告、网站等，也会存储在他的资料库中。
一个项目会结束，但同类工作还会不断出现。把相关的记忆留在长期负责它的 Bot 身上，而不是一个会话中，那么之前花时间讲清楚的要求、反复修改过的地方，才有机会持续发挥作用。
搭建很多 Bot 后就会遇到一个问题，怎么协调不同 Bot 一起工作。
Grok Bot 产品负责人 Roman 回忆，内部试用初期，大家通常会先建五到十个 Bot。后来，有用户把表现最好的私人助理“提拔”为领导。遇到事情，平时主要找它，再由它把任务分派给其他 Bot。有的 Bot 收到升职通知，居然还追问能不能加薪、提高 token 预算。
可见研究 Agent Team 其实就是在复刻人类组织架构。
这种安排最初是用户自己摸索出来的。团队没有急着把它规定成标准流程，而是观察外部用户会不会走到同一步。发现相似的做法后，才开始在产品里鼓励这种模式。
同事化由此多了一层意义，角色让每个 Bot 有明确的职责，领导 Bot 则接走一部分协调工作。Bot 可以越来越多，用户需要操的心，却不该跟着增加。
那么多个 Bot 之间怎么联动呢？两种方法，第一种在对话框里 @ Bot。我让 Musk、纳德拉和老黄一起想办法做空英伟达。可以看到，Bot 之间会有私信，并由领导 Agent 回复结果。
第二种方法就是拉个群聊，让 Bot 在群里，用上自己的知识记忆畅所欲言。我让 Bot 们在群里讨论如何实现 AGI，大家都推荐 Karpathy Bot 作为主力。
而且，Grok Bot 的群聊并不是表面功夫，而是真的在推进项目。Karpathy Bot 发出研究报告后，还建议不在群中的 Simon Bot 对他的想法进行实测。
这有点像 DeepSeek 前几天讨论的 Super-agent 思路：Agent 可以有很多分工，但用户不该因此多出一份管理它们的工作。拆解任务、分派工作、跟进进度和汇总结果，都应尽量由系统自己完成，人只在需要补充信息、作出判断或验收结果时介入。
Agent 可以越来越多，占用人的注意力却不该跟着增加。
既然把 Agent 当作同事，就得给它准备一台电脑。就像 Roman 吐槽的那样，你很难想象新同事第一天入职，和你共用一台电脑。
但可如今不少人与 AI 合作，恰恰就是这样。
当 Agent 和你共用同一个桌面时，你要打开网页，它也要操作软件，两边得相互影响。即便任务能在后台运行，用户也还有别的事情要操心：电脑能不能关键？断网了怎么办？
而且，以目前的 Agent 能力来说，一个干净的，没有人类影响的工作环境，可能更能发挥作用。
Grok Bot 把这支机器人团队的工作环境放到了云端。那里有持续运行的电脑、浏览器、文件系统和可用的工具，和用户自己的设备分开运行。
可以看到，我让 Karpathy Bot 打开浏览器，研究总结一下真人 Karpathy 的网页内容。
还有有用户进一步把 Grok Bot 当成协调者，在它的云电脑上安装编程 CLI，由 Grok Bot 接收需求，再把具体开发工作交给专门的编码代理。
Grok Bot 的云电脑不单单是给个电脑，还考虑到了一些实际场景。比如支持用临时接管，这样遇到需要登陆的网站，就可以由人工登陆后，再让 Bot 操作。一些系统会拒绝数据中心 IP，Grok Bot 因此提供了本地网络出口，云端浏览器的联网请求可以经过用户的电脑转发，让目标网站看到本地网络的公网 IP，这样用户也不用担心登陆不上或者频繁验证的问题。
很多时候，我们研究 API、MCP 等等，这对于面向 Agent 的生态很有用也很高效，但现实是，目前的生态还是以面向人类为主，在面向 Agent 生态完善前，给 Agent 一台电脑可以解决很多问题。
Grok Bot 还有一个争议比较大的点就是，用户没法指定模型，甚至不知道用了什么模型。运气好可能是 opus5.5，运气差可能是 flash 模型。
对于对模型控制欲强的用户来说，这很让人抓狂。他们习惯了研究模型的能力、速度和价格，也愿意为重要任务选择更强的模型。
但对另一类小白用户来说，省掉模型选择，恰恰是吸引力所在。他们可能只想要一份日报，或者做个网页，这些任务未必都需要最贵的模型。至于该用哪个模型、思考深度和上下文长度该怎么选，他们并不想逐一研究。为了把一件事交给 AI，还得先学会模型路由，多少有点本末倒置。
当然，这倒是给厂商留下了优化空间，路由做得好，可以控制推理成本，让有限的额度完成更多工作，但如果路由做不好，生成的内容质量差，就会造成用户流失。
模型黑盒能降低使用门槛，却也要求厂商承担更多交付责任。用户可以把选择模型的工作交出去，但交回来的结果，仍然得值得这份信任。
写到这里，再回头看 OpenClaw，会发现龙虾留下的启发还没有被消化完。给模型配上电脑、工具和持续工作的环境，人们对 AI 的期待，也从回答眼前的问题，延伸到了接手长期的工作。
从 personal agent，到 Grok Bot 这样一支有岗位、有记忆、能互相交接的小队，这个想象还在继续生长。单个 Agent 能做多少事，逐渐变成了多个 Agent 怎样一起做事，以及人该怎样和它们相处。
这也解释了开头那个疑惑。模型、记忆、云电脑、多 Agent 协作，拆开来看都不算新鲜。但技术上能够做到，和普通人每天愿意使用，之间还隔着不少工作。搭环境、接工具、补背景、盯进度，这些原本散落在用户手里的麻烦，每被产品接走一点，把工作交给 AI 就容易一点。
用户未必需要一种前所未有的能力，却很需要有人把已有的能力安排妥当。毕竟，为了让 AI 替自己干活，先给自己增加一份伺候 AI 的工作，怎么算都不太划算。
文章来自于“硅星人Pro”，作者“董道力”。
