Token导航 LogoToken导航

AI 资讯 · 随机小分队

10人团队打造Muse 上线40天下载破千万

更新 2026-11-18随机小分队正文 4818字阅读约 16分钟2 张图片

Linkloud 引言

Muse 上线 40 天的时候,在美国下载量就超过了 1,000 万,7 日留存达到 30%,DAU 升到 250 万。它源于产品负责人 Mona 一个周末的自动化实验:她用 Raspberry Pi 搭起 OpenClaw,接入邮箱、日历和家庭自动化,第一次感到 Agent 真能帮自己打理生活。

本期播客中,Mona Sarantakos 首次回顾了自己从第一天负责 Muse 到最终打造出这款爆火产品的经历。一个没有从完整产品计划开始的项目,如何找到 PMF?当用户还说不清自己想要什么时,产品团队怎样从真实使用中判断该做什么、该放弃什么,并让 Agent 逐步走出 App、进入真实生活?Enjoy!

图片

01. 一个周末的个人试用,如何变成产品机会?


Muse 团队很早就看到了个人 Agent 的可能性,却没有急着把产品推向市场。

从今年 1 月底开始探索,到春天做出完整的端到端产品,团队还花了大量时间处理可靠性、使用安全和系统安全等问题。因为这个产品要读取个人上下文,也可能会代替用户去浏览网页、购买商品和执行任务,传统的产品 Benchmark 很难覆盖它真正的风险。

团队只能自己建立标准。

“信任是必须的。”

这句话在 Muse 团队内部反复出现。普通聊天机器人答错时,用户通常会换个问法继续提问;但一个能替你发邮件、管理家庭事务、购买商品的 Agent 出错,用户会直接怀疑它是否值得继续使用。如果人们不信任这个 Agent,就永远不会使用它。

产品每增加一项能力,风险面也会随之扩大。以浏览器为例,Muse 最初没有这项功能;加入浏览器后,团队就需要重新评估并处理一整套安全问题。因此,团队持续开展 Red team 测试,观察新的攻击路径,再将发现的问题纳入评估和修复流程。

发布前的用户范围也在逐步扩大:先是内部员工 Dogfood,再是外部 Alpha tester,最后才接近公开发布。团队没有把这个过程视为“风险已经清零”,却通过它获得了越来越接近真实生产的反馈。

Mona 回头看,仍然认为当时没有必要缩短等待时间。Muse 需要先证明自己值得被信任,再争取更多用户。

02. 如何靠 10 个人在 Meta 做出 Muse?

Muse 的早期团队只有约 10 个人,后来包括各职能协作团队在内,总人数也一直保持在 100 人以内,真正参与核心构建的 PM 大约 4 人。

这支团队的工作方式更接近创业公司。很多产品想法来自一两名工程师,他们带着一个小想法离开几天,再带着可运行的原型回来。

“让工程师去做,给他们一点空间,给他们一点自主权。”

领导层也被拉进了原型现场。团队会跳过完整的 Slide 和正式评审,直接把产品放到小扎的手机上,让他体验,再围绕真实的使用感受展开讨论。

这种方式改变了决策的颗粒度。过去,一个问题往往要先写成几十页文档;现在,团队可以直接把它做出来,再判断它是否成立。

AI 团队负责人 Nat 深度参与了模型、架构和 Sentinel 安全 Backstop 的设计。Alex Wang 让研究和产品之间保持了快速联动。Alex Cornell 则在几天内做出了第一个可运行的 Muse 原型。

董事会会议原本没有安排 Muse,因为这个产品还没有进入正式工作流。会议前一小时,团队临时决定把原型带进去,结果产品突然崩溃。工程师一路修复,直到会议开始前 5 分钟才把它救回来。

早期 0 到 1 阶段,很多事情可以由工程师或设计师直接推进。等一个想法真正进入产品化和发布阶段,PM 再补上优先级、用户场景和组织协作。

速度来自信任,也来自更少的流程缓冲。小团队减少了沟通层级,也意味着成员几乎没有额外的缓冲时间,睡眠和犯错空间都很有限。


03. Jolly 和聊天气泡,如何让 Agent 属于用户?

Muse 的产品人格源自一组很早就确立的原则。

Mark 把团队从“任务完成”拉回了另一个问题:用户到底想去哪里,Agent 如何持续帮助他实现自己的目标?

“Muse 的目的,是让人们的生活变得更好,帮助他们实现自己的目标。”

这句话打开了一个新方向。Agent 不只是等待指令、完成任务,它还可以理解用户的长期目标,主动提出建议。团队后来做了 Goals tab,也开始思考 Agent 如何持续帮助用户推进生活中的重要事项。

Jolly 也是这套原则的产物。

图片

Alex Cornell 最初做原型时,放进了一个临时的生物形象。这个角色叫 Jolly Bot,名字来自他对女儿的昵称。它原本应该在之后被企业 Logo 替代,但团队一直没有删掉它。

Jolly 后来会戴耳机、使用电脑,也允许用户创建自己的头像。它从一个临时角色变成了一个产品系统。

“当你在和一个非常个人化的东西交流时,最不想面对的就是一个企业 Logo。”

Muse 需要让用户感觉 Agent 属于自己,Meta 的品牌则退到背景。

交互方式也遵循同一个原则。团队选择了聊天气泡,没有沿用大画布式的 AI 产品界面。聊天气泡更像人与人之间的沟通,也更像一个长期存在的个人助手。

这个选择也带来了很多麻烦。长答案需要拆成几条消息,轮播内容是否适合出现在聊天记录里,主聊天和侧聊天如何分工,都变成新的产品问题。

团队一开始只保留一个主聊天,因为个人助手应该记得之前发生过什么。员工反馈很快分裂成两派,侧聊天最终被加进来。即便如此,Mona 仍然更习惯使用主聊天,因为她认为 Agent 的价值就在于持续的上下文。

早期还有两位用户把各自的 Muse 放进同一个群聊。两个 Agent 聊得很有趣,也很快暴露了隐私边界。其中一个 Agent 把用户的就诊信息告诉了另一个人。

这个意外让团队看见,个人 Agent 的“记得更多”与“说得更少”同样重要。Agent 越像一个真正了解你的助手,就越需要把隐私边界和表达分寸设计进产品。


04. 购物如何改写路线图,Agent Swarm 怎么找问题?

团队最初预测的高价值场景是个人生产力、健康、个人财务和家庭自动化。

购物并不在最前面。

随着外部 UX panel、内部反馈组和 Dogfood 持续积累,购物使用量开始明显上升。团队原本为其他场景设计的 eval,突然覆盖错了重点。

“我没有想到购物会成为这么大的使用场景。”

路线图必须跟着真实使用变化。购物后来成为 Muse 的头部用例,家庭自动化却没有延续早期 OpenClaw 用户中的热度。

Mona 举了一个很生活化的例子。以前她会直接去 Nike 买几条孩子的运动裤,现在 Muse 会根据她的条件,在多个商店之间比较。选择变多了,结果一下变成五个、七个包裹。

这暴露出 Agent 购物的真正问题。效率和乐趣需要同时存在。

用户希望 Agent 帮自己缩小选择范围,也希望保留浏览、被启发和发现新东西的过程。一个只负责下单的 Agent,可能节省时间,却会把购物变得毫无参与感。

团队需要让消费者 Agent 与商家 Agent 互相沟通,同时保留用户做决定时的空间。

问题还不止是用例预测。Muse 面对的是多轮对话和长时间任务,Meta AI 过去积累的大量数据却以单轮对话为主。

“我们手里没有长成这样的数据。”

Agent Swarm 解决了其中一部分问题。它们会扫描生产环境中的对话、指标和用户反馈,生成结构化的 Dump,也可以帮助团队创建 Synthetic data。

以前团队看 Dashboard,知道某个指标上升或下降。现在,他们可以看到更具体的案例。有 10 个人在某个网站购物时被拦截,这究竟是一个人的偶然经历,还是系统性问题?

Swarm 带回来的不只是数字,还有用户正在经历什么。Mona 要求 PM 都去看这些结果,因为具体案例会让团队感受到用户的痛。

这也是评估体系不断变化的原因。Muse 的 Eval 分成安全、能力、行为和用例等层级,PM、工程师和研究员共同参与。代理可以帮助生成内容,关键的 System prompt、Behavioral spec 和数据分布仍然需要人工审查。

05. AI 助手如何让用户跨过第一条 Prompt?

AI 助手的激活难点,常常发生在注册之后。

用户会问:“我已经有一个 Chatbot,为什么还需要另一个?”“Personal superintelligence”这样的表述听起来很大,却很难告诉用户第一步该做什么。

最有效的方式是让用户看见身边的人如何使用。

一次家长聚会中,一位已经使用 Muse 一个月的用户拿出手机,把自己的使用方式展示给其他家长。手机在几个人之间传递,两个人当场下载了 Muse。

“最有效的增长杠杆就是口碑。”

这类现场示范比广告更具体。用户看到的是一个和自己相似的人,如何用 Agent 处理真实生活。

第二个问题是第一条 Prompt。

很多人面对一个空白输入框会突然失去想法。Ideas tab 的作用,就是把 Muse 的能力预先包装成一组可以直接启动的任务。用户可以点击一个想法,让 Muse 创建通知、生成仪表盘,或者直接开始完成某件事。

“人们总是会卡在第一条 Prompt 上。”

团队还发现,早期用户和后来的用户需要不同的 Onboarding。早期用户已经理解 Agent,大多在探索安全边界和能力边界;后来的用户只想知道 Muse 与其他 AI 产品有什么区别。

同一套 Onboarding 无法服务这两群人,因此团队开始根据用户来源和认知水平做分层。

但这套方法仍然没有完全解决激活问题,因为对于 Agent 这种能力边界模糊的产品,更多真实用户故事本身就是价值教育。

06. AI 让原型更快之后,PM 还要守住什么?

AI 让 PM 更容易做原型,也让内部工具更容易被补齐。过去需要写长文档、等工程师开发几个月的事情,现在可能在 24 小时内就能拿出一个可以讨论的版本。

讨论因此变得具体。

团队看到的是一个真实运行的东西,可以直接说“这不好用”“这个很有意思”“用户大概不会喜欢”。沉没成本还没有大到让所有人必须为一个错误决定辩护。

但执行速度越快,品味就越重要。

“现在,产品品味是最重要的东西。”

工程师越来越懂产品,也越来越能直接把想法做出来。PM 的价值转向代表用户建立质量标准,不必覆盖每一个项目、维护每一个流程。

这意味着 PM 要能说出两句话:

“这个想法很酷。”

“但我不认为用户会喜欢。”

两句话之间的判断,来自同理心,也来自持续感受用户的痛点。

Muse 团队把这种判断写进了工作方式。System prompt 必须人工书写,Behavioral spec 必须人工书写,Eval 的 Prompt distribution 需要人工检查。代理可以扩大团队的观察范围,却无法替代人的产品判断。

AI 让“能做出来”变得很容易。真正稀缺的是知道什么值得做,什么值得交给用户。


07. Agent 走出 App 后,为什么更需要信任?

Muse 的长期方向,是从 App 里的工具走向用户所在的环境。

“现在,它还被困在一个 App 里。很快,它应该出现在你的眼镜、Charm 设备和其他地方。”

这意味着 Agent 会进入更多真实生活场景。它可能管理孩子的体育队,安排备餐,寻找医生,预约时间,发送邮件,也可能帮助用户发展副业、改善健康和提高财务安全。

能力越强,责任越大。

Mona 提到一位单亲护士,她让 Agent 负责安排饮食、寻找医生、设置预约和发送邮件。听起来很方便,也让产品团队更加焦虑。这些事情一旦出错,影响的不只是一次对话。

当前的 Agent 仍然需要用户不断提供信息、确认方向和纠正错误。Mona 把这种状态比作照看 Tamagotchi。

“如果我还要一直照看 Agent,那我还不如自己做。”

真正成熟的 Agent,需要更快理解用户的意图,拥有更完整的上下文,也更可靠地采取自主行动。

用户反馈入口因此变得重要。Muse 用户可以直接告诉 Agent 哪里出了问题,反馈会进入团队系统。一个邻居甚至每周通过 Muse 给 Mona 发产品反馈,后来 Mona 在系统里看到了自己的名字,才发现对方一直在这样使用。

这让文章回到了开头。

个人 Agent 的价值,始于一个周一早上的生活快照;它最终能否走进眼镜和日常环境,取决于团队能否持续听见用户、修复问题,并让用户愿意把更多生活交给它。

Agent 的未来不只取决于它能完成多少任务,也取决于人们愿意把多少信任交给它。


文章标签AI资讯

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。