每个人都应该有自己的Agent

有了自己的Agent，职场人沉淀自己的专业，做副业提高效率，创业者低成本的建立了团队。

我就在做这件事，建立了自己的AI Native公司，也在帮很多个体落地，对这个趋势感触很深。

这是机会，有很大发展空间。

大部分人用AI，还停留在聊天层面，只是个临时任务。你发出一个指令，AI反馈一个结果给你，这个交流基本上就结束了。

只是把AI当成更好用的搜索，没有感受到AI的真正价值。

个人Agent不一样，AI服务的对象是你这个人，事无巨细，无所不能，而且会越来越了解你。

这也不是我自己瞎编的，查了一下资料：

1994年，MIT的Pattie Maes已经在研究会学习用户兴趣、习惯和偏好的界面Agent。

后来，PAL和CALO继续探索能学习、能组织的私人助理。到了大模型阶段，研究开始把用户模型、记忆、规划和工具调用放到一起。

行业没有统一定义，但方向非常清楚：

AI正在从完成一次任务，变成围绕一个人长期工作。

这和我研究的领域完全一致，帮助个人建立AI商业系统，把自己的专业做成Agent。

这篇文章分享几个核心观点：

01 个人Agent以人为中心构建Context

办公Agent和个人Agent，最大区别不在能力，而是服务对象不一样。

办公Agent围绕任务组织信息，个人Agent围绕一个人组织Context。

前者关心这件事怎么做完，后者还得知道做完以后，什么应该留下，下一件事怎么接着用。

对这个区别，我是折腾自己的AI系统后，才真正想明白的。

当时我的思路，听起来太自洽太有逻辑了。

现实公司靠岗位协作，AI系统也可以照着搭。

于是，我把经营、内容、产品、财务等职责分开，还安排了固定的协作流程和握手机制。

架构看起来越来越完整，我一度觉得，这下总该跑起来了吧。

真运行起来，问题特别多，和想象的完全不一样。

某个环节刚确认过的规则，下次执行继续犯错。上游改完，后面的环节还抱着旧版本继续做。

问题永远修不完，补了东墙西墙又倒了，很崩溃。

每个岗位都很无辜，因为都在完成自己的任务，可整体就是一团糟。

如此混乱的组织能力，让我梦回前司。

后来我意识到，AI不需要像人一样的分工，它什么都能做。

只不过AI容易发散，记性也不好，也非常依赖于context。

于是我把岗位式组织撤掉，改成：

工作流→Agent→skill→执行标准

这样的执行流程，把要求写死，问题基本就解决了。

这个项目搞定之后，我就更加确认我们每个人都需要自己的Agent。

不是用来替代某个岗位，而是一种新的思考问题的方式，也代表一种新的组织形式。

这种组织形式未必需要更多的人。

纯粹的办公软件，更多还是解决每个战壕里的需求，让他们更好地提升工作效率。

但我的思路，要围绕个人构建完整的商业系统，这是两者的差异。

02 Context要判断什么信息在此刻有效

这篇文章是用AI写的，也是一个现成案例。

我用了公众号工作流，给了多轮的反馈，才到了这篇文章的状态。

比如，开头直接点题、讲痛点，给大家阅读这篇文章的理由。论点要有辨识度，论据要能支撑论点，穿插自己的观点和案例。

要用短句，不要用双引号等正常写公众号不会用的符号，要模拟我的口语，每句之间、每段之间的连接要紧，快速地向前推进，不要有铺垫和反复介绍…

以上这些不是提示词，是我对文章的要求，写给你们看的。

这些要求很多是我个人的喜好，对于工作流来说，就是有价值的context。

你可以试想一下，在各种的Agent里，长期积累了很多这样的上下文，我的I系统肯定会越来越好用。

当然。Agent如果只是把它们全部记下来，是不够的。必须知道适用范围、优先级和有效期。

这就是Context最难的地方，也是常见的误区。

语料肯定不是越多越好，是有价值的信息越多越好，否则AI不知道你的重心在哪里。

我们在建立知识库的时候，不能只是什么都往里边扔，你要懂里边的逻辑规则。

知识库只是储存信息的地方，而context是和你当下问题有关的信息。

你可以理解为，如果更容易地从知识库里找到对应的 context，他给你的反馈就会更接近于你的要求，消耗的时间和算力也都会更少。

如果你没有规则，也不给AI偏好，临时要求被当成长期需求，单次选择被系统写进永久记忆。

举个例子。

你上一次出差住了便宜酒店，可能因为行程短，也可能因为预算临时收紧。

可下一次要带家人出行，位置、房型和便利程度可能更重要。但AI以为你喜欢便宜的，就会给出有很大偏差的结论。

所以我一直强调：行为只是偏好的证据，不是偏好本身。

这也是为什么我不太相信，接入更多数据就会自然形成好产品。

连接器会越来越普遍，模型能力也会越来越接近。更难复制的，是靠近用户这一端的Context处理。

03 把我们不想做但不得不做的事，交给Agent

我看过不少Agent演示，最常见的一种，是让AI一句话帮你点奶茶。

说实话，这类演示我一直有点无感。

买杯奶茶本来就没几步，自己挑一挑还有点乐趣。我要先解释口味、甜度、门店、配送和优惠券，那我到底省了啥？

我用AI的场景很明确：

自己愿意做、有成就感或让我开心的事，不给Agent。没啥含金量，不得不反复做的事，才给Agent。

比如一次行程变化，会同时影响车票、酒店、日历和相关通知。

任何一步都不复杂，可它们有先后，有状态，还可能隔几个小时继续处理。哪个环节出错都会带来很多麻烦，这种事适合交给AI。

《为什么10倍增长比2倍更容易》这本书里写到，可以把时间划分为三类：自由日、专注日、缓冲日。

自由日，是用来休息、恢复以及做探索性思考的；

专注日，用来完成最重要、最能创造价值、需要进入心流的工作；

缓冲日要处理含金量没那么高，但必须要做的事。

我想讲的是，在实际工作中，我们会花很多时间在缓冲日上。

这部分工作就最适合交给AI，因为目的、流程、要求都很明确，只是需要有人把它执行出来，有了Agent，有了工作流，这事情就非常简单了。

04 真正属于你的Agent，会主动把事情往下做

最近两年，我一直在搭自己的个人商业系统。

我写了很多文档，梳理了很多流程和标准，做得挺细，自认为挺专业。

但后来发现，我自己在执行的时候都会忘，更别提员工了，这要花费非常多沟通和管理成本，后来干脆放弃了。

感叹呀，脑子里有这堆经验，落不了地，就没啥用。

今年AI发展到这个阶段，真的给了我兴奋剂，上面说的这些问题都能解决。

我可以把自己的经验，做成几个Agent。

AI会坚决地去执行和落地，没有任何沟通、协作、管理的成本，也不需要和自己的懒惰和时间管理能力做对抗。

Agent触发后，知道该装配哪些Context，按照什么规则行动，做到哪里需要验收，出了什么情况必须停下来问人。

完成以后，还要把我的接受、修改和拒绝写回系统，影响下一次判断。

这让我这个老登的专业经验和社会阅历能落地了，Agent还会主动推进。

一说自动化任务，有的人就说，哎呀，有安全问题。

你仔细想想，说这些话的人都是不懂AI的人，也没有实际用过。

AI发展到今天，这种问题已经有很多种方法避免，出现的概率已经非常低了。比起它能给你带来的收益，这种风险可以忽略。

想这些没用的，不如好好多看几个油管视频，学习学习。

文章要结尾了。

个人Agent有这个趋势，背后原因是：对专业个体的商业需求，在持续提升。

心理咨询、家庭教育、职场导师、律师、室内设计…等等，大家愿意付费找他们购买服务。

这些专业人士，不仅提供服务，还可以交付Agent产品，让客户享受后续长期的便利，这也提升了体验。

但要把自己的Agent搭起来，要跑通这个技能，没有AI博主说的那么容易，需要不急不躁的学习和持续的打磨。

毕竟，这是另外一种思考问题的方式。