蚂蚁灵光转向个人 AI Agent：开始记住你，也开始替你办事

蚂蚁集团旗下 AI 产品“灵光”近日开启新版小范围内测，产品方向从“能聊天、能生成应用”的 AI 助手，转向能够长期记住用户、主动推进任务的个人 AI Agent。

这是灵光一次相当明确的路线切换。此前，灵光更像一个面向普通用户的多模态 AI 工具：用户可以和它对话、让它识别图片，也可以通过自然语言生成一个可运行的“闪应用”。新版则试图把灵光从一次性响应工具，变成持续参与用户生活和工作的数字助手。

据接近项目人士透露，灵光相关方向约半年前已经开始筹备，期间经历了多个版本迭代，计划在 2026 年 10 月内全面开放。目前公开信息仍主要来自内测与项目相关人士，具体开放范围、收费方式、支持设备和完整功能清单，蚂蚁方面尚未公布。

灵光 2.0 的核心，不是回答更快，而是任务不再到此为止

**个人 AI Agent 是能够理解目标、拆解任务、调用工具并持续跟进结果的 AI 软件。**它与传统聊天机器人最大的区别，不在于回答是否更像人，而在于能否在用户离开对话窗口后继续推进事情。

传统 AI 助手的工作方式通常是“问一次、答一次”。用户问“下周去上海怎么安排”，模型可能生成一份行程；用户问“帮我关注某只股票”，模型可能给出分析。但当航班改签、酒店涨价、景区限流或者市场出现新消息时，传统助手不会自动回来更新计划。

Agent 的工作方式则更接近一个被授权的项目助理：先理解目标，再建立任务状态，持续检查外部变化，必要时调用工具，并在关键节点向用户确认。灵光新版内测强调的“长期记忆”和“主动推进任务”，本质上就是在补齐这条链路。

从参考信息看，灵光 2.0 的重点用例集中在三类场景：

• 市场异动跟踪：帮助上班族持续关注特定市场、行业或标的，在出现变化时整理信息并提醒用户。
• 家庭事务管理：例如协助家长管理孩子的钉钉打卡、提醒异常情况，并在必要时发送消息。
• 动态旅行规划：在航班延误、景区限流等突发变化出现后，重新安排交通、路线和时间。

这些场景有一个共同点：任务周期长、变量多、需要反复检查，靠用户一次性写一条 Prompt 很难完成。灵光如果真的能稳定处理这些任务，价值就不再是“帮我生成一个答案”，而是“帮我把一件容易忘、容易断、容易出错的事盯住”。

长期记忆：Agent 能不能用久，关键不只看模型参数

**长期记忆是让 AI 跨越多次会话保存用户事实、偏好、目标和任务状态的能力。**它解决的不是模型知识不足，而是 Agent 每次重新开始的问题。

目前多数聊天产品即使支持较长上下文，也不等于拥有真正的长期记忆。长上下文更像把最近几页聊天记录放在桌面上，而长期记忆则需要系统判断哪些信息值得保存、哪些信息已经过时，以及什么时候应该把旧信息调出来。

举例来说，用户第一次告诉灵光“我平时坐高铁，不喜欢红眼航班”，这是一条相对稳定的偏好；用户某次出差临时说“这次优先选择飞机”，则可能只是一次性条件。一个可用的记忆系统需要区分二者，否则 Agent 要么什么都记，造成隐私和噪声问题；要么什么都不记，最后仍然变回一次性问答工具。

对灵光而言，长期记忆至少需要处理四类信息：

1. 用户画像：职业、家庭关系、常用设备、语言风格和稳定偏好。
2. 任务状态：正在跟踪的事项、已经完成的步骤、等待用户确认的节点。
3. 历史决策：用户过去在类似情况下如何选择，例如更看重价格、时间还是舒适度。
4. 外部变化：航班状态、日程变化、通知结果和工具执行记录。

但“记得住”只是第一关，“取对信息”更重要。若用户让 Agent 重新规划旅行，系统必须调用与目的地、出行日期和交通偏好有关的记忆，而不是把所有历史聊天都塞进上下文。后者不仅浪费计算资源，也会增加模型误判的概率。

因此，灵光这次升级真正值得观察的，不是宣传中的“记忆”二字，而是它是否具备可管理的记忆机制：用户能不能查看、修改和删除记忆；系统能不能解释某个建议来自哪条历史信息；不同任务之间是否会发生记忆串线；涉及家庭和工作数据时，权限边界是否清晰。

Skill 与 MCP：灵光开始接触真实世界

**Skill 是面向 Agent 的可复用能力模块，通常将提示词、工具调用规则和执行流程组合在一起。**它的作用是把“模型会推理”变成“模型知道怎样完成某类任务”。

**MCP，即 Model Context Protocol，是连接模型与外部数据、工具和服务的开放协议。**它可以被理解为 AI 世界的一套标准化插槽：模型不需要为每个系统重新设计一套接入方式，而是通过统一机制发现工具、读取上下文并执行操作。

灵光新版据称可以通过调用 Skill 和 MCP，实现钉钉发信息、调用智能家居设备等功能。这意味着它不再局限于生成文字或应用界面，而是开始获得现实世界中的执行入口。

以“管理孩子钉钉打卡”为例，这个任务至少包含以下步骤：

• 读取日历或学校安排，判断当天是否为需要打卡的日期；
• 获取钉钉中的打卡状态；
• 判断未打卡是因为漏打、网络异常还是当天无需打卡；
• 在合适时间提醒家长或孩子；
• 若用户授权，向指定联系人发送消息；
• 记录处理结果，避免重复提醒。

这已经不是单轮对话，而是一条带有条件判断、外部调用和状态保存的工作流。模型只负责其中的理解和决策，真正能否落地，取决于工具权限、错误处理、任务调度和执行反馈。

灵光接入智能家居也类似。用户说“晚上回家前把客厅空调打开”，Agent 需要知道用户的回家时间、家中设备状态、空调是否在线，以及是否真的拥有开启设备的权限。若设备离线，它还需要告诉用户失败原因，而不是生成一句看似完成、实际上没有发生的确认消息。

这也是 Skill/MCP 让 Agent 变得更有用、同时更危险的原因：它们把 AI 从“建议者”推向“执行者”。一旦工具调用涉及消息发送、设备控制、文件修改或交易行为，系统就必须引入权限分级、二次确认、操作日志和异常回滚。

与 Meta Muse 对标，灵光的优势和短板都很明显

据公开报道，Meta 在 2026 年 9 月推出个人智能体 Muse，定位是介入用户日常生活，并持续跟进用户交代的事项。灵光此次新版内测被认为是在对标 Muse，竞争焦点也从单纯的模型问答转向“谁能成为用户的长期个人助手”。

| 对比维度 | 蚂蚁灵光新版 | Meta Muse | 当前判断 | |---|---|---|---| | 产品定位 | 面向个人生活与工作的 AI Agent | 面向日常生活的个人智能体 | 二者都强调持续跟进任务 | | 长期记忆 | 内测重点能力，具体机制尚未公开 | 强调持续理解用户与事项 | 灵光仍需观察记忆准确性与可控性 | | 主动执行 | 支持主动推进长程任务 | 强调介入日常事务 | Agent 价值从回答转向执行 | | 工具连接 | 通过 Skill 和 MCP 调用钉钉、智能家居等 | 具体开放能力需以官方信息为准 | 灵光更突出本地生活与办公连接 | | 典型场景 | 市场跟踪、打卡管理、旅行重排 | 日常事项跟进 | 灵光场景更贴近国内用户习惯 | | 开放状态 | 2026 年 10 月小范围内测，计划本月全面开放 | 公开信息显示已于 9 月推出 | 灵光处于产品快速迭代阶段 | | 价格 | 截至 10 月 11 日暂无公开定价 | 公开信息未形成完整价格对照 | 商业模式仍待观察 |

灵光最现实的优势，是它更容易接入国内用户已经在使用的工作和生活工具。钉钉、智能家居以及本地化服务，能够让 Agent 的执行结果直接落到用户熟悉的场景里。一个能在钉钉里完成通知、在家庭设备上执行动作的助手，通常比只会生成一段漂亮文字的模型更有感知价值。

但这也可能成为它的约束。个人 Agent 不是接入工具越多越好，而是要在复杂权限环境下稳定工作。不同平台的账号体系、授权方式、接口稳定性和数据边界都会影响体验。灵光如果只是在演示中完成几次调用，却无法处理失败、撤销和异常情况，最终仍然只是一个功能集合，而不是可靠的 Agent。

灵光此前的“闪应用”，是这次升级的重要基础

灵光并非从聊天机器人直接跳到个人 Agent。此前，它已经通过“闪应用”探索让用户用自然语言生成可运行的个人应用，降低从想法到工具的门槛。

这条路线与 Agent 有天然联系：闪应用解决的是“为我快速造一个工具”，个人 Agent 解决的是“让这个工具持续替我工作”。例如，用户可以先生成一个待办清单、家庭打卡面板或旅行规划器，随后再让 Agent 持续填充数据、触发提醒和调整内容。

此前公开内容提到，灵光曾提出“Wish Coding”理念，即用户无需编写代码，只要描述需求，就能生成个人应用。补充资料称，相关闪应用累计创建量已超过 3000 万个，单个应用最快可在约 30 秒内生成。需要注意的是，这些数据来自此前公开传播内容，本文无法独立核验其统计口径，不能简单等同于活跃用户数或稳定运行的应用数。

无论具体规模如何，闪应用的产品意义是明确的：它让灵光拥有了“按需生成工具”的入口。下一步，如果 Agent 能够根据长期任务自动创建或调整小工具，灵光就可能形成“理解需求—生成应用—持续执行”的闭环。

这比单纯增加几个聊天按钮更有想象空间，但也更考验产品设计。普通用户并不关心 Skill、MCP 或 Agent 编排这些术语，他们只会关心三件事：事情有没有完成、出错时能不能解释、我能不能随时收回控制权。

最大难题：主动性不能变成打扰，记忆不能变成监控

个人 Agent 的第一道产品难题，是如何控制主动性。用户希望它主动提醒，但不希望它一天发几十条通知；希望它跟进任务，但不希望它擅自替自己做决定。

因此，灵光需要把任务分成不同风险等级：

• 低风险动作：整理信息、生成摘要、提醒用户查看结果，可以自动执行。
• 中风险动作：发送工作消息、修改日历、调整行程，应当支持授权范围和执行前确认。
• 高风险动作：涉及支付、合同、账号权限或对外承诺，必须明确确认，并保留完整日志。

主动执行还需要“打断策略”。市场异动是否达到提醒阈值，航班变化是否足以触发重排，家电控制是否处在合适时间，都不能只靠模型自由判断。真正成熟的 Agent，需要把用户偏好、业务规则和模型推理结合起来，而不是让模型自行决定什么值得打扰用户。

第二道难题是隐私。长期记忆天然包含家庭关系、工作安排、位置轨迹和消费偏好。越有用的 Agent，掌握的信息往往越敏感。用户必须清楚知道系统记住了什么、哪些数据被用于什么任务、哪些工具拥有执行权限。

第三道难题是可靠性。长程任务最容易出现“中间某一步悄悄失败”的问题。比如 Agent 成功读取了航班延误信息，却没有完成改签建议；或者已经生成了钉钉消息，但发送动作失败。产品必须提供任务状态、执行记录和失败原因，否则用户无法判断 Agent 到底做了什么。

判断：灵光这次升级，方向对了，但还不到宣布胜负的时候

从产品方向看，灵光转向个人 AI Agent 是一次必要升级。聊天、图像识别和应用生成正在成为 AI 产品的基础能力，真正拉开差距的将是长期记忆、工具连接、任务执行和用户信任。

灵光的机会在于，它并不需要从零教育用户“什么是 Agent”。如果它能把钉钉、家庭设备、日历和本地生活服务连接起来，用户会在具体任务中感受到价值。对国内用户而言，“帮我盯住一件事，并在需要时替我做下一步”比“回答得更像专家”更容易形成高频使用。

但目前还不能仅凭内测功能就判断灵光已经具备成熟的个人 Agent 能力。长期记忆是否准确、任务能否跨天稳定运行、工具调用失败后如何恢复、权限是否足够细、用户能否方便地审计和撤销，才是决定产品成败的关键指标。

我的判断是：灵光 2.0 更像蚂蚁正式进入个人 Agent 赛道的信号，而不是终局产品。它已经从“生成一个答案”迈向“负责一件事情”，但要从演示级 Agent 走向真正可靠的个人助理，还需要解决执行稳定性、隐私边界和长期留存三个问题。

如果 10 月全面开放后，灵光能够让普通用户持续运行几个跨天任务，并且在出错时给出清晰解释，它才有机会在国内个人 AI Agent 竞争中建立差异化。否则，Skill、MCP 和长期记忆很可能只是产品介绍里的能力名词，无法转化为用户愿意每天依赖的工作流。

参考来源

1. IT之家：蚂蚁“灵光”开启小范围内测，新版对标“Meta Muse” —— 关于灵光新版内测、长期记忆、主动推进任务及 Skill/MCP 能力的主要信息来源。
2. 知乎：年末 AI 回顾——从模型到应用，从技术到商战 —— 关于个人 Agent、Skill、MCP 与应用型 Agent 发展趋势的行业讨论。
3. GitHub —— 用于了解开源 Agent 工具链、记忆系统和协议生态的公开项目信息入口。