对谈千问蒋冠军：从模型、记忆到生态，Personal Agent的技术架构如何搭建？

Personal Agent 正在撕开 AI 应用的口子。个人记忆、生态工具、需求透视等要点叠加，让 Personal Agent 的理念有了更明确的定义：Agent 依托模型的推理、规划与调用能力，但记忆是否准确、工具是否丰富，都决定着对用户需求的满足率。

千问事业部 AI 算法负责人蒋冠军介绍，千问建立了覆盖 30 多个行业的需求透视图，将需求归纳为不同意图，拆解出 8000 多个模型的原子能力需求，通过后训练和强化学习提升任务执行的稳定性和效果。在千问 Go！的案例中，Agent 帮助用户争取航班延误理赔时，考虑到用户要现金赔偿，拒绝了客服提出的优惠券方案，最终获赔 70 元现金。

蒋冠军提出构建 Personal Agent 技术框架的三个核心：模型、生态和记忆。他认为，AI 产品最终会走向个性化的 Personal Agent。行业集中进入这一方向，核心是模型能力和生态逐步具备落地条件：模型开始具备思考能力，能检查生成结果和工具调用是否合理，遇到问题重新规划；代码能力提升使其能串联多个步骤完成复杂任务；生态成熟让模型连接的不再只有搜索引擎，还有越来越多工具和现实服务。

模型和 Harness 不能分开看。模型负责推理和规划，Harness 组织个人记忆、任务信息、Skill 和工具，构成实际执行任务的环境。能用工具、Skill 和专家经验解决，就尽量少让模型自行推理，通常成本更低、完成率更高。协同训练就是让模型更好地适应真实任务，通过训推一体化对齐训练与线上执行环境。

相比 Coding Agent，Personal Agent 的难点是用户上下文和服务生态更分散。生活和学习场景没有代码库那样的天然完整上下文，用户往往有许多没说出口的默认要求。生态不通，不能靠模型变强自动解决，接入边界是通用 Personal Agent 必须面对的问题。

让用户惊艳靠能力上限，让用户长期使用靠稳定的能力下限。千问围绕 30 多个行业定义 8000 多项模型原子能力要求，通过后训练和强化学习提升稳定性和效果。成本方面，除模型路由、大小模型切换和推理优化外，Harness 也是关键。通过上下文压缩等优化，千问相关任务的上下文规模降低了约 40%。

长任务稳定交付的关键是目标不丢、步骤可靠、失败后能换路。执行能力越强，操作边界越要清晰，涉及订单、交易或个人数据修改等有实际影响的操作，该由用户确认的必须确认。

记忆设计的核心不是尽可能多存，而是判断“记什么、怎么用”。千问既定义事实和关系，也从用户需求反推哪些记忆有价值。召回记忆要判断与当前任务是否有关，信息过多会引入噪声，不足则用户感受不到记忆价值。记忆还必须能更新、能失效，用户情况和偏好变化后，Agent 不能始终用旧信息理解用户。