10 min read

Agent IM与Agent OS | AI时代的流量入口

Source: http://x.com/i/article/2048211232013103104

Agent IM的思考起源

从25年4月我就一直在思考一个以task来驱动的人与Agent进行通讯的IM形态

这个形态类似Telegram

https://x.com/yangyi/status/1971425795429351834

在这个Telegram中,人和人,人和Agent,Agent和Agent,都应该可以进行相互通讯

他们流通了相应的上下文,通过群聊来驱动一些任务达成目标

这个IM可以作为一种上下文信息通讯的基座,在Agent框架背后进行展开

当然,它也可能作为一种表现层附带GUI的产品形态出现

因为不论做什么,Agent只要出现了Swarm,就会出现协作,那么就非常会类比人类的协作方式,为了达成某种目标,而构建交流群

这个想法之所以出现,是因为那时候我在做一个MultiAgent产品,发现人,Agent,都需要进行上下文传输,但框架对此支持的并不够灵活

所以就在想,最终抽象出来的东西,究竟是什么呢?

那时候的答案就是一个属于人类与Agent的Telegram

Telegram有什么不同

当时为什么觉得是一个Telegram?

有几个原因:

  • Telegram中对Bot的支持是最开放最好的
  • Telegram中有灵活的小组件和小程序,方便Agent给人类展示与使用
  • Telegram开源,更方便构建出GUI+Agent框架

在开放的状态下,Agent能获得最大化的发挥,尤其是在工具和内容展示的表现上

近期的Agent IM

从SlockAI发布后,我发现这种共识达成的速率越来越快了

我在之前撰写的文章中有提及一些产品和思考,比如SlockAI,比如我设想的牛马AI的Agents

Image

https://yangyixxxx.substack.com/p/ai2026 然后我发现,4月开始,大家在此达成了共识,有越来越多的产品都进入了这种形态

比如超平在做的Bloome:

Image

Bloome最有特点的地方是基于群聊的widget控件,这就很像一个小APP,能帮助人们更便捷的使用一些工具

比如Sheet0团队做的Helio:

Image

也是携带了分组channel,直聊,与任务看板

再比如推特上看到的各类独立开发者做的产品

https://x.com/ZaynHao/status/2048006415625945182

你会发现,大家都在做类似的东西,都在这个时刻达成了某种共识,仿佛AgentIM要爆发了,就像3月份爆发龙虾客户端一样

为什么是现在

为什么之前没有出现,而是现在出现的?

这个想法,其实很早之前就早都被人想到了

23年有AI的时候,就已经有人做多AI的群聊了

24年也有GPTs的群聊

但都没有场景

从能力上讲,当时受限于模型能力,infra能力,与代码能力

  • 模型能力不足,大部分任务是无法驱动完成的 - 无法持续完成各类长程任务 - computer use和browser use,失败率极高 - 上下文窗口不够大
  • infra能力不够 - skill未出现,mcp封装不足 - Agent Swarm框架较少,上下文处理缺少优化策略
  • 代码能力较弱 - 3.7虽然出现了拐点,但那时候的基建仍然不够,Claude Code未出现,无法进行规模化生产 - 元能力不够,比如元工具(协助Agent构建工具的工具)

从信息上讲,近期的信息激发了人们在这方面的思考与探索

  • 在Openclaw之后,大家才意识到Agent的能力发生了质变
  • 场景的拓展带来了对复杂任务的期待,以前有复杂任务,但不认为能搞定,现在看到openclaw后,认为出现了Agent协同搞定复杂任务的机会
  • 龙虾客户端带来了一些体感上的变化,激发了这种场景需要

从成本上讲,编码能力显著提升,构建成本显著下降

  • 从前想做这类的产品,需要大量时间投入,关于IM在websocket长连接上的建设门槛很高

Agent IM的分级交互

Agent IM在对话交互上,从信息密度由低到高,有三级:

  • TUI(Text User Interface):Agent仅使用文本进行回复,适用于短小的命令确认,或任务进度状态同步
  • Component:基于IM的消息GUI样式,这种GUI消息卡片有效的优化了信息展示,将繁琐的非结构化文字信息,转化成结构化的富有信息层级的GUI样式。比如飞书卡片:
Image
  • Pages:当信息过载时,往往会进行如下压缩: - TUI解决最重要的不能错过的信息,符合金字塔原理 - Component解决次重要的结构化信息 - 深入的详细信息,折叠到Component Link到的Pages里,这里往往承载在一些SaaS 、 App、Widget中

分级交互其实和人类进行汇报是很类似的

  • 有时候回复确认,只需要飞书中回一条消息
  • 有时候汇报,需要简短的结构化描述,呈金字塔状
  • 有时候老板希望知道详细细节,需要文档和PPT,这就是Pages了

信息不断分层降级,以便保有人的注意力

Agent IM即将面临的问题

当大家都开始构建Agent IM产品时

人们总会意识到,IM只是其中一种解决策略,而不是终极基座

因为人类的信息输入带宽极其有限,以至于无法承载过量信息

如果你养过很多龙虾,你就会发现,信息是极度过载的

你可能会出现多个channels,多个私人聊天,一会儿就999+消息

信息如果无法分层,那么信息负载压力过大的时候,信息就会遗漏,导致人们无法再专注使用这个产品

最终你会发现,会出现一个管理器,来管理相关Agents的协同进程

也会发现,会出现一个「对接人」,它是一个大管家,用来做Router,帮你盯住各类任务,你只需要问它就好了

所以最终这个形态还是会和我之前演示的一样,是NewMax OS的形态

除了这个信息形态问题,上周和朋友聊天,意识到还有一个需要思考的问题是:

究竟是人驱动Agent,还是Agent驱动人?

Agent的权限范围比人大,还是人的权限范围比Agent大?

当权力结构不一样时,产品形态有可能也会出现某些差异。

Agent OS与未来办公

每个人都说Agent OS,但我定义的OS是:

  • 可以自定义Dashboard看板
  • 将Agent Stateless的进程,Stateful化,以便监听执行流程
  • 同步所有消息,在里程碑节点到达时,提示人类处理
  • 有灵活的AI自实现APP的机制,并可以固化,自我迭代

我认为未来人类和AI的交互,将有两种状态:

  • 本地化办公交互 - 人类至少有两块屏幕,一块屏幕用来专注,一块屏幕用来展示OS的相关信息 - 专注的屏幕办公时,人类是在一个又一个处理Agent已经完成的任务,这些任务交由到人类节点进行Review和审查 - 专注的屏幕休息时,人类可以看视频,可以浏览网页 OS要做的,是信息分层提示: - 重要任务Push/响铃/主动弹出 提示 - 一般任务 状态展示提示 - 不重要的任务 折叠展示 只需要定期发Report告知处理进度即可
  • 移动化办公交互 - Agent OS应该可以同步移动端,一起协同处理 - 移动端只对接大管家,大管家来自动操作本地化进程,分配任务 - 大管家其实就是任务指示器+分配专家 - 移动化设备将可以从本地云上提取,交互文件,方便进行管理

Agent OS与OS本地云

当Agent OS出现后,我们会发现,Agent时代的入口,应该是「掌握你上下文数据最多的」那个地方

而这个地方,我认为极大概率是本地化的

至少我认为,我很难将这些数据提供给各家云厂商

另外我认为,可能会出现本地化模型,拥有处理60%场景能力的那个本地化模型

接下来可能每个人都会购买一个NAS存储,在本地搭建属于自己的个人服务器

这些Infra可能也会普适化,出现相关的简单易用的硬件服务

最终联动自己的智能家居,智能汽车,智能机器人,智能设备……

将所有关于自己的上下文,通过RBAC权限系统来控制不同服务商进行读取,以便AI更了解自己

从前充当互联网入口的,是搜索。因为他聚合了大量的信息。他知道用户的意图,依靠search query。

未来充当入口的,是「拥有最多上下文」的地方。它将成为人类个体的代言人,去和各类Provider沟通。

我不知道谁能做出来这个Agent OS,但我知道它一定会出现。至少Claude已经开始了。

----------------

文章来自Yangyi实践手册👇🏻

https://yangyixxxx.substack.com/p/agent-imagent-os