现在，Personal Agent 这个词越来越常见。Meta 推出了 Muse，OpenAI 发布了 dots，年初还有一个火出圈的 OpenClaw。虽然这些产品的技术实现各不相同，但都在尝试让 AI 长期为一个人处理事情。
不过，Personal Agent 并不是今年才出现的新概念。早在 ChatGPT 刚刚火起来的 2023 年，就有公司尝试让 AI 记住个人信息、管理日程，甚至主动处理邮件和其他日常事务。
只不过，当时的 AI 产品还比较初级。当中的有些工具擅长聊天和记忆，有些则尝试让 AI 操作网页、完成任务。如今 Personal Agent 所强调的长期记忆 、主动执行 和跨应用协作，在这些早期产品中就能找到演变的痕迹。
下面，本文将带你了解从三年前的个人 AI 助手，到今天的 Personal Agent，这个 Personal Agent 究竟经历了哪些变化。
2023 年：让 AI 记住你和帮你办事
2023 年 3 月，一家名为 Lindy 的初创公司推出了自己的 AI 助手，希望让 AI 像私人秘书一样，帮用户处理日程、邮件和旅行安排。
例如，你告诉 Lindy，想和 Alice 约一个半小时的会议，它就会查看联系人、邮件和日历，确认 Alice 的身份，再寻找双方都有空的时间，协助安排会议。如果双方的日历出现冲突，它还会尝试判断哪场会议更重要，并提出调整建议。
这些功能放到今天可能没那么新鲜，但在 2023 年，ChatGPT 还只是用来做问答和内容生成工作，Lindy 就开始探索如何让 AI 访问个人应用，替用户处理日常事务。在最初的产品介绍中，Lindy 还提出了个性化、主动性和自主行动能力三个设计原则。
按照当时的设想，Lindy 可以通过用户明确提供的信息和日常交互了解个人偏好，在发现日程冲突或其他需求时主动提供建议，并根据操作风险决定是否请求用户确认。不过，受限于当时模型的工具调用、任务规划和复杂指令理解能力，这些功能并不能一直稳定运行。
同样还是在 2023 年，另一个名为 Personal AI 的产品选择了不同的方向，尝试让 AI 长期保存与用户有关的信息，并逐渐积累个人知识和记忆。
2023 年 4 月，Personal AI 发布了 MODEL-1（Personal AI 推出的个人化 AI 模型），随后在 7 月推出 MODEL-2 测试版，探索如何结合长期个人记忆与短期会话记忆。用户可以向系统提供自己的资料和经历，让 AI 保存这些信息，并在后续对话中使用。
例如，你曾向 AI 介绍过自己的工作经历，之后再讨论相关问题时，它就可以利用保存的信息回答，减少重复提供背景的需要。Personal AI 还提供了专门的训练空间，允许用户上传资料、设置 AI 身份，并管理相关内容。
虽然 Lindy 和 Personal AI 都在探索个人 AI 助手，但两者的侧重点有所不同。Lindy 更关注如何让 AI 替用户处理事务，Personal AI 则希望 AI 能够持续了解用户。一个关注行动，一个关注记忆，这两项能力也逐渐成为 Personal Agent 的重要组成部分。
2024 年：Agent 能操作应用
前面介绍的 Personal AI 主要关注如何让 AI 记住用户的信息，但如果想让 AI 真正帮忙办事，还要解决操作外部应用的问题。比如让 AI 按照平时的习惯点一杯咖啡，除了知道你喜欢什么口味，它还得能够打开外卖网站、找到商品并完成下单。
2024 年，MultiOn就在探索这类能力。它尝试让 AI Agent 通过浏览器操作网页，完成搜索、填写信息和跨网站执行任务等操作。
2024 年 3 月，MultiOn 在一份标题为「Your Personal AI Agent」的官方通讯中介绍了个性化功能，还举了一个点咖啡的例子：用户可以告诉 MultiOn 自己喜欢的咖啡，系统会询问并保存相关偏好，再尝试通过 DoorDash 完成订购。
这个过程需要 Agent 同时具备两项能力：一是了解用户的个人偏好，二是能够理解网页内容，并在不同页面之间完成操作。MultiOn 当时也在改进视觉模式，让 Agent 能够识别网页元素，同时尝试通过记忆机制减少长任务中的重复执行问题。
不过，当时的浏览器 Agent 还不够稳定。网页布局变化、按钮识别错误或登录状态失效，都可能导致任务中断。MultiOn 在官方更新中也提到过循环执行、元素识别错误和任务失败等问题。
虽然实际表现仍有局限，MultiOn 已经开始将个人偏好与网页操作结合起来，让用户能够通过自然语言交代任务，再由 Agent 尝试操作外部应用。
除了跨应用执行，长期记忆也是这一时期持续受到关注的技术方向。2023 年提出的 MemGPT就探索了分层记忆和自主记忆管理机制，让大模型能够管理超出上下文窗口的信息。该项目后来发展为 Letta，并逐步扩展了工具、数据源和持久化 Agent 等能力。
MemGPT 属于 Agent 记忆系统的技术研究，与 MultiOn 的产品定位有所不同。不过，两者分别涉及个人 Agent 长期运行所需要的能力：一边是跨应用执行任务 ，另一边是持续管理和利用历史信息。
到了 2024 年，个人 Agent 已经出现了几条不同的探索路线：有的侧重个人记忆，有的侧重日常事务自动化，还有的尝试让 AI 跨网站执行任务。这些能力也为后来持续运行的 Personal Agent 提供了技术和产品设计上的参考。
2025 年末：OpenClaw 火了
2025 年 11 月，开发者 Peter Steinberger 做了一个周末项目，最初叫 WhatsApp Relay。他希望通过 WhatsApp 与 AI 交流，让 AI 帮自己处理日常事务。
项目后来发展为 Clawd，先后使用过 Clawdbot、Moltbot 等名称，并于 2026 年 1 月 29 日正式定名为 OpenClaw。就在更名前后，这个项目在技术圈迅速走红，GitHub Star 数量超过 10 万。
OpenClaw 能够调用模型、操作文件、执行命令，也可以连接浏览器和其他外部工具。这些功能在此前的 Agent 产品中已有不少探索，而 OpenClaw 更强调让 AI 助手持续运行，并通过 WhatsApp、TG、Discord 等常用消息应用与用户保持联系。
为了实现这些功能，OpenClaw 设计了一个常驻的 Gateway，负责连接消息渠道、管理会话和协调 Agent 执行，同时结合定时任务、Heartbeat 和持久化记忆，让 Agent 能够在不同时间继续处理用户交代的事情。
其中，Heartbeat 是一种定期唤醒机制。系统按照设定的间隔触发 Agent，检查是否有需要处理的事项。例如，你可以让 OpenClaw 每天检查某个 GitHub 项目的更新情况，发现新版本后整理变更内容，再通过 TG 通知你。整个过程可以在后台完成，无须一直打开聊天窗口。
OpenClaw 还支持自托管。用户可以自行选择模型、运行环境和连接的工具，决定 Agent 能够访问哪些数据与服务，并将其部署在自己的设备或服务器上。这种方式提供了较高的可定制性，但也需要用户自行处理部署、维护和安全配置等工作。
如果与 2023 年的 Lindy 对比，会发现两者都在尝试让 AI 持续帮助用户处理事务，并在适当的时候主动行动。OpenClaw 则采用了更加开放、可配置的技术路线，也让更多开发者开始尝试搭建自己的常驻个人 Agent。
不过，长期运行也带来了新的安全问题。Agent 可能持续访问个人文件、执行命令或操作外部应用，一旦错误理解指令，或者受到恶意内容的诱导，就可能执行超出用户预期的操作。因此，权限管理、运行环境隔离和操作审查，也成为这类个人 Agent 需要考虑的问题。
2026 年：个人 Agent 开始拥有自己的计算环境
2026 年 9 月，Personal Agent 迎来了一轮新的产品发布。9 月 8 日，Meta 推出了 Muse，并将其定位为 Personal AI Agent，希望让 AI 能够长期协助用户处理邮件、旅行预订和其他日常事务。
Muse 可以围绕用户的长期目标制定计划，并分步骤推进任务。例如，你可以让它负责一项需要持续几天的工作，期间如果外部情况发生变化，或某项操作需要确认，Muse 就会重新联系你。
为了支持这类任务，Meta 为 Muse 设计了专门的运行环境 Muse Secure VM。它相当于一台运行在云端的虚拟计算机，拥有独立的浏览器，能够保存任务状态，并在用户关闭应用后继续执行。
考虑到 Agent 需要访问个人应用，Meta 还设计了独立的 Sentinel Agent，用于审查 Muse 向外部发出的操作。涉及发送邮件、购买商品等敏感行为时，系统也会请求用户确认，以控制长期运行带来的安全风险。
同年 9 月 29 日，OpenAI 发布了 dots。用户可以创建自己的 dot，让它了解相关工作背景、连接常用应用，并持续处理交代给它的任务。
例如，你可以让 dot 跟踪一个长期项目。它能够通过连接的应用获取信息，了解项目进展，在发现需要处理的事项时继续推进工作，并在必要时向你确认。用户也可以通过 ChatGPT、Slack、Teams 等入口与 dot 交流，调整任务要求。
在技术实现上，dots 为每个 dot 提供独立的云端计算环境，并通过插件连接外部应用。它还能够利用长期积累的上下文和用户反馈，逐步调整工作方式，让 Agent 在多次交互之间保持任务连续性。
结合前面介绍的 OpenClaw，可以发现三款产品都在尝试解决 Personal Agent 长期运行时遇到的问题，包括任务状态保存、个人上下文管理、跨应用执行和权限控制。
不过，它们选择了不同的技术路线。OpenClaw 支持用户自行部署和配置运行环境；Muse 采用专门设计的安全虚拟机，并引入独立的操作审查机制；dots 则通过云端计算环境和插件生态，将 Agent 接入用户已有的工作流程。
这些不同的架构设计，也反映出 Personal Agent 在运行环境、数据管理和安全机制方面仍有多种探索方向。
Personal Agent 到底是什么？
回顾前面介绍的产品，Lindy、Personal AI、MultiOn 和 OpenClaw 的能力差别很大，为什么都能归入 Personal Agent 的发展历史？
目前，Personal Agent 还没有一套行业公认的严格定义。不过，从这些产品的设计来看，可以归纳出三个共同特点。
长期服务同一个用户。 Agent 能够跨越多次对话和任务，持续利用与用户有关的信息。今天安排的事情，几天后可能还需要继续处理。
利用个人上下文。 Agent 可以结合用户提供的资料、历史交互和授权应用中的数据理解需求。随着使用时间增加，系统需要管理的个人信息也会不断积累。
具备一定的主动执行能力。 除了响应用户指令，Agent 还可以根据日程、外部事件或任务进展主动提醒用户，并在授权范围内采取行动。
例如，你让任务型 Agent 准备一场会议的材料，它可以收集资料、整理文档并交付结果。而对于 Personal Agent，你可能还希望它记住这场会议，关注日程变化、提前准备文件，并在会后跟进待办事项。
这些工作可能跨越不同时间、涉及多个应用，需要 Agent 保存任务状态、了解用户背景，并判断何时继续执行。
当然，任务型 Agent 也可以具备记忆、定时任务和后台执行能力，两者在技术上存在不少交叉。Personal Agent 更强调围绕特定用户，将这些能力整合成能够长期提供服务的系统。
从早期探索到今天
从 2023 年的 Lindy、Personal AI，到 2024 年的 MultiOn，再到 OpenClaw、Muse 和 dots，Personal Agent 的几项重要能力已经经历了多年的探索。
Lindy 尝试让 AI 处理个人事务，Personal AI 关注如何让 AI 长期了解用户，MultiOn 则探索通过浏览器操作应用。后来，OpenClaw 将消息渠道、工具、记忆和后台运行机制结合起来，让开发者能够搭建自己的常驻助手。到了 2026 年，Muse 和 dots 进一步探索云端执行环境，尝试降低普通用户的使用门槛。
这些产品之间没有严格的继承关系，各个团队关注的问题和采用的技术路线也有所不同。但直到今天，Personal Agent 仍有不少问题需要解决。
例如，Agent 连续运行几天，该如何保存和管理任务状态？外部服务暂时不可用时，怎样恢复执行？用户的偏好发生变化后，长期记忆又该如何更新？这些问题涉及任务调度、状态持久化、记忆管理和执行环境设计，都会影响 Personal Agent 长期运行的可靠性。
接下来的 Personal Agent 系列，我们就先从持续运行入手，看看 Agent 需要怎样的系统架构，才能在几天甚至几周后，继续处理之前交代的事情。