Personal Agent已渡过早期产品验证，进入新一轮产品竞争阶段，Meta Muse、OpenAI Dots等纷纷把产品从功能演示推向长期稳定地替用户做事。不过，阿里千问事业部AI算法负责人蒋冠军对现状的评价是：今天的AI依旧不好用。他表示，从能调用工具完成任务，到真正理解用户、稳定完成任务，对产品可靠性的要求完全不同，AI仍存在很大差距。

蒋冠军认为，Personal Agent更广阔的市场最终可能在生活场景，因为生活里充满用户自己知道却没有明确表达的偏好。真正的Personal Agent需要在长期使用中逐渐掌握这些答案，并判断它们何时发生变化、什么值得提醒、什么时候必须停下来。千问最核心的差异来自对用户需求的理解：当前各家实现框架相近，基础模型能力差别不大，生态能力有强弱之分，因此关键在于怎样理解用户需求以及选择哪些重点方向。

蒋冠军用“理论能力上限”与“实际交付能力”的差距解释行业现状。他分享的数据显示，在不考虑人机交互成本和计算代价的前提下，Personal Agent解决一般工作、学习和生活问题的理论能力上限接近100%，而系统实际交付能力目前只有60%～70%。现有系统并非缺乏解决问题的能力，而是经常无法在第一次执行任务时找到正确路径，工具选择、信息获取或执行路径不当都可能导致失败。

为此，千问从真实用户需求出发反向拆解Agent所需能力，建立了一张覆盖30多个头部行业的需求透视图，将大量真实需求归纳为不同意图，进一步拆解成8000多项原子模型能力要求。与此同时，执行稳定性、个人Context建模，以及生态开放、权限边界和商业模式等问题，仍是千问需要面对的挑战。