今天，齐俊元再次站到中国 AI 创投的聚光灯下。
这位曾创办 Teambition、先后负责阿里与字节核心协作和 AI 产品的连续创业者，带着成立仅七个月的新项目 Today AI，披露了累计超 2 亿美元的巨额融资。投资方囊括 IDG 资本、五源资本、红杉中国，以及腾讯、蚂蚁集团、传音控股等产业巨头。
从今年 3 月立项到 9 月推出产品，再到斩获超 2 亿美元，用时七个月，Today AI 是今年融资规模最高的应用公司，仅次于业务模式已经成熟的 manus。Personal Agent 创业的入场筹码，被资本以不可思议的速度急速推高。
资本为何急于对一家商业化尚在襁褓中的公司押下重注？答案藏在过去一个多月全球技术生态的热点中。
9 月 8 日，Meta 推出个人智能体 Muse，12 天狂揽 280 万下载并登顶美区 App Store 免费榜，10 月日活已达 250 万。它让硅谷第一次看清了下一代超级入口的雏形。
国内大厂同样感受到了刺骨的近身肉搏感。但在冲刺的关口，最具进攻性的字节跳动反而按下了暂停键，内部代号为「小豆」的 Personal Agent 虽已测试多时，上线节点却被一再推迟。
这种迟疑，恰恰照出了 Personal Agent 与上一轮 AI 应用创业的本质分野。过去两年，AI 应用的黄金法则是轻骑兵打法：三五人的小团队，套一层前沿模型的 API，外加精巧的交互与增长策略，就能迅速跑出一款爆款。
但 Personal Agent 恰恰相反，它要在云端沙箱中长期维系运行状态，持久保存个性化记忆，并在后台不间断轮询、纠错与执行。用户越依赖它，委托的任务就越复杂长程，背后消耗的模型推理与虚拟机开销非但不会被规模摊薄，反而会呈几何级膨胀。
这场竞赛因此演变为创始人的三项硬核底牌的比拼：必须有极深的长周期融资能力，抵御前置且漫长的算力亏损；必须懂模型微调、动态路由与沙箱快照工程，以美分为单位抠掉冗余成本；还必须拥有极强的商业组网手腕，才能刺破封闭的商户与支付生态。
齐俊元的 2 亿美元，只是 Personal Agent 的入场券。
Muse 究竟为何成功？
先看 Muse 的成绩。
9 月 8 日，Meta 正式推出个人智能体 Muse。仅仅 40 天后，这款产品在美国的累计下载量便突破 1000 万次。根据 Sensor Tower 10 月 20 日披露的数据，Muse 的全球累计下载量达到 1090 万次，10 月 16 日的日活跃用户达到约 250 万，较前一周增长 15%。
更值得注意的是留存。Muse 的 7 日和 14 日留存率分别达到 30% 和 23%，均明显高于 Sensor Tower 统计的同类 AI 产品平均水平。这是消费级 Personal Agent 第一次如此迅速地触达百万级日活用户。
从回答问题到完成任务，看似只是产品形态的变化，背后却意味着完全不同的技术架构、成本结构与商业逻辑。
结合 Meta 的公开披露、第三方监测数据及行业访谈纪要，可以从六个方面理解 Muse 的快速增长。
第一，Muse 的定位是争夺下一代消费者入口。
Meta 并不需要在每一个模型 Benchmark 上全面超过 OpenAI 和 Anthropic。它更独特的优势，是 Facebook、Instagram 和 WhatsApp 积累的庞大用户网络，以及围绕广告、内容和商业交易建立的生态。
截至目前，Meta 旗下应用每天触达约 36 亿用户。这些产品构成了 Muse 潜在的分发渠道，也让 Meta 有机会将个人助理与社交关系、消费兴趣和商业服务连接起来。与 ChatGPT 主要依靠用户主动打开对话框不同，Muse 的长期目标是成为一个持续存在的个人代理。它既理解用户的需求，也能够在授权范围内调用工具，完成具体行动。
对 Meta 而言，真正重要的不是用户每天向 AI 提出多少问题，而是未来有多少消费决策会首先经过 Muse。
第二，Muse 的爆发，是产品能力、免费补贴和 Meta 分发资源共同推动的结果。
行业访谈纪要显示，Muse 早期提供了每周约 1 亿 Token 的免费额度。对于普通消费者，这意味着可以相对自由地尝试复杂任务，而不必担心每次调用模型都会产生费用。
与此同时，Muse 将 Computer Use、Tool Call 和独立云端运行环境结合起来，让用户能够直接委托现实任务。例如，为一次购物比较五六家不同商户的报价，反复查询库存和优惠，或者尝试联系商家处理售后问题。
但增长并不完全来自产品本身的传播。Sensor Tower 数据显示，Meta 在 10 月将其广告投放支出的约 39% 用于推广 Muse，高于 9 月的 23%。Muse 已经成为美国广告曝光量排名前列的品牌之一。换句话说，Meta 不仅在补贴用户的计算成本，也在利用庞大的营销预算加速获取用户。
这正是独立创业公司很难复制的增长方式：Meta 可以同时承担获客成本与服务成本，迅速验证一个新的产品入口。
第三，百万级日活背后，Muse 的订阅变现仍然处于早期阶段。
尽管 Muse 已经拥有约 250 万日活跃用户，但公开市场至今没有获得完整的 MAU、付费订阅人数和订阅收入数据。
行业访谈纪要曾估计，Muse 上线初期的付费用户仅有千人量级，原因之一是免费额度足够慷慨，普通用户缺乏立即升级的动力。但这一数字并未得到 Meta 官方确认，也不能用早期付费人数与最新 DAU 直接计算付费转化率。
这反映了 Personal Agent 一个重要的商业难题：用户愿意让 AI 帮自己做事，并不意味着愿意立即为每一次任务执行付费。Meta 显然不急于依赖订阅回收全部成本。相比短期收入，它更需要观察用户是否愿意持续把真实任务交给 Muse，以及哪些使用场景能够形成长期习惯。
第四，Muse 需要警惕用户增长背后的持续性计算开支。
传统移动互联网产品的主要成本通常来自服务器、带宽和存储，新增用户的边际成本相对有限。但 Muse 不同。一个 Agent 要完成复杂任务，往往需要连续调用模型、操作浏览器、检索信息、维护任务状态，并在失败时重新规划。用户使用越深入，系统消耗的计算资源就可能越多。
摩根士丹利互联网研究主管 Brian Nowak 团队的专题研报中，对 Muse 的 Unit Economics 进行了专门测算。根据不同 Token 使用强度，研究模型估计每位用户每月直接服务成本约为 3 至 130 美元。在使用每周 Token 配额 25% 的基准情景下，单用户月服务成本约为 37.12 美元，其中既包含 GPU 推理，也包含用于实际任务执行的 CPU Sandbox。
也就是说，Personal Agent 的用户规模即使只有数万，也可能形成可观的持续性服务费用。
对于拥有成熟广告业务和大规模数据中心的 Meta，这可以被视为长期战略投资。对于独立创业公司，却可能迅速成为现金流压力。
第五，Meta 不打算只靠订阅赚钱，而是希望让 Agent 重新连接广告与交易。
Muse 上线首日便集成了 Stripe 旗下的 Link 支付系统，可以调用用户已经保存的支付方式，在超过 100 万家 Link 商户完成交易。对于未接入 Link 的商家，系统还可以根据用户批准的订单生成一次性虚拟卡。随后，Meta 又陆续将 Shopify、PayPal 及多家大型零售商纳入合作网络。
这背后隐藏着比订阅更大的商业想象。
苹果推出 App Tracking Transparency（ATT）后，Meta 跨应用获取用户行为信息的能力受到限制，广告投放与最终成交之间的归因链条变得更加复杂。而 Muse 如果能够从用户最初提出购物需求开始，参与商品筛选、价格比较直到完成支付，Meta 就有机会更直接地理解消费意图和交易结果，建立订阅之外的收入来源。
第六，Meta 的优势在于商业生态，但下一代入口的竞争远未结束。
Muse 的成功并不意味着 Meta 已经赢得 Personal Agent 市场。一方面，OpenAI、Anthropic 等前沿模型厂商仍在提升复杂推理、工具调用和长程任务执行能力。Meta 也持续推出新的 Muse 系列模型，希望缩小基础模型能力上的差距。
另一方面，苹果和谷歌掌握着移动操作系统、应用权限和硬件入口。如果未来个人 Agent 被直接整合进手机系统，它们就可能获得更加原生的上下文访问和操作能力。
而 Meta 主要依靠 App、云端计算环境及外部连接器，仍然需要处理跨应用授权、支付、数据访问和操作可靠性等问题。
因此，Muse 的下一阶段竞争，不只是模型能力，也将取决于谁能将个人数据、工具权限、商业服务和执行环境组织成足够稳定的产品体系。
Muse 的增长至少证明了一件事：消费者愿意尝试将真实任务交给 AI，Personal Agent 不再只是少数技术爱好者的实验。但它还没有证明另一件同样重要的事：当这些用户形成长期使用习惯之后，服务产生的收入能否覆盖推理、计算环境和任务执行成本。
这也引出了 Personal Agent 创业真正的第一道门槛：当用户增长意味着持续增加的服务成本，创始人究竟需要多强的融资能力，才能支撑公司走到 Unit Economics 成立的那一天？
解构 Personal Agent 的四层成本黑洞
在 Personal Agent 成为全行业焦点之前， AI2C 领域已经亮起过两记刺眼的警灯。
2024 年初，Inflection AI 倾力打造的陪伴式助理 Pi 已积累约 100 万 DAU、600 万 MAU，全网累计交互消息超过 40 亿条。然而，强烈的用户依恋与高频互动并没有兑现为自洽的商业模型。数月后，联合创始人 Mustafa Suleyman 率领核心团队转投微软，公司业务重心随即调头转向 B 端。
到了 2026 年 10 月，估值曾超 10 亿美元的明星独角兽 Character.AI 正式递交 Chapter 11 破产重组申请。法庭披露的财务文件揭开了一个惊悚的经营切面：截至 2026 年 8 月，公司单月总营收已达到 530 万美元，但同期单月运营开支高达 1330 万美元，前八个月累计付给云厂商的计算账单更突破 5610 万美元。
尽管法律纠纷与团队动荡同样重创了公司，但算力支出以失控之势吞噬营收，无疑是最致命的一根导火索。
而 Personal Agent 的出现，则把这笔账推向了更加超出想象的极限。
2026 年 9 月 30 日，摩根士丹利互联网首席分析师 Brian Nowak 团队发布了一份深度研报，将 Muse 的单用户服务成本，清晰地拆分为“GPU 推理”与“CPU 沙箱环境”两大物理支柱。
研报显示，当用户的每周免费 Token 配额使用率从 1% 递增至 100% 时，单用户每月产生的服务成本在 3 至 128 美元之间宽幅震荡。而在大摩设定的 25% 配额基准使用情景下，单个用户的月度直接服务成本约为 37.12 美元，年化开销高达 445.44 美元。
摩根士丹利 Exhibit 2：单用户 GPU 与 CPU 成本分解
在 25% 配额的基准使用强度下，一个活跃用户每月大约消耗 1.08 亿 Token，直接对应 37.12 美元的月度服务硬支出。以此为锚点，我们可以清晰地剥离出埋藏在 Agent 体系之下的四层成本黑洞：
第一层：Token 膨胀与 GPU 推理成本
摩根士丹利模型以 Meta 部署的下一代 GB300 GPU 为基础，假设单卡有效吞吐量为每秒 3500 Token 的有效吞吐量，在 75% 的全天平均利用率下，推导出每百万 Token 约 0.225 美元的内部自建推理成本。即便按此极致的成本估算，在每月 1.08 亿 Token 的基准负载下，光是 GPU 推理一项，每月就需要硬性烧掉 24.30 美元。
当这种成本结构撞上传统的包月订阅制，用户使用得越多，公司的毛利率反而越发恶化。知名科技分析机构 Macrostream 在大摩披露的 GPU 效率参数基础上进行了极限压力推演。在每月 20 美元的 Power 套餐中（包含每周 5 亿 Token 配额），如果一位重度用户全额用满配额，其单月产生的 GPU 推理成本将飙升至约 488 美元；而在每月 100 美元的 Maximum 高阶套餐中（包含每周 30 亿 Token 配额），完全用满配额对应的 GPU 账单将达到惊人的 2925 美元。
在统一定价下，越是重度依赖你的忠诚用户，在资产负债表上越是严重的流血负资产。
摩根士丹利 Exhibit 4：订阅套餐额度全部用满时的 GPU 成本
第二层：CPU 沙箱与计算环境
Agent 要脱离对话框替人类跑腿，就必须拥有隔离的操作系统环境。
模型为此假设每个用户配备一个 2 vCPU、8GB 内存的标准隔离沙箱，参照 AWS AMD 实例的公开按需报价（约每小时 0.1217 美元），并另计每月约 0.60 美元的存储维护费。在 25% 配额情景下，月度 37.12 美元总成本中扣除 24.30 美元的 GPU 费用后，余下的 12.82 美元便由沙箱运转、存储以及配套开销所占据。
工程的关键在于，用户真正需要长期驻留的是个性化记忆与任务状态，而不是一台 24 小时空转挂机的虚拟机。若采用最原始的 24/7 常驻模式，一台 2 vCPU、2 GiB 的基础沙箱每月仅闲置租金就达 95.90 美元。但若改用‘按需拉起 + 状态快照休眠’架构（将运行状态压缩存储在 S3 等对象存储中，任务到来时毫秒级唤醒，单日累计运行 1 小时），月成本便能骤降至 4 美元以内。
如何管理沙箱的休眠与弹性唤醒，成了决定 Agent 团队生死的核心工程分水岭。
第三层：网络通信与外部协议接入
跨平台的比价与预订，本质上是一场对抗现实世界软件阻力的消耗战。当 Agent 缺乏官方授权接口，被迫依赖 Computer Use 模拟人类点击时，各大电商与酒旅平台森严的反爬网关、频繁变动的动态 DOM 树以及层出不穷的图形验证码，都会导致任务耗时成倍拉长，甚至陷入死循环。
为了穿透反爬封锁，团队不得不采购昂贵的高匿住宅代理网络（每 GB 流量可达数美元），这进一步蚕食了本就微薄的利润空间。摩根士丹利在模型中虽未将代理与接口采购单列，但业内心知肚明，这构成了隐秘而刚性的摩擦税。
这也是为什么扎克伯格在 Muse 上线第一天，就竭力拉来 Stripe Link 整合免密支付，随后火速连通 Shopify 与大型零售商的核心原因：结构化商户协议与原生支付接口，能把脆弱、昂贵的视觉模拟点击，替换为确定、廉价的毫秒级 API 通信，这不仅大幅拉升了履约成功率，更是从源头上斩断算力浪费的唯一正道。
第四层：失败重试与人工干预溢价
对 Agent 而言，真正决定生死存亡的北极星指标，是“单次成功交付任务的总成本”（Cost per Successful Task）。设想一项订票任务的基础执行成本为 1.00 美元，若真实环境下的成功率仅为 70%（假设各次尝试独立同分布），为换取一个确定的成功交付，系统期望需要尝试 1.43 次，使得单次有效任务的真实成本上浮至 1.43 美元（即 43% 的重试溢价）。
将上述单用户模型放大至具备统计意义的群体规模，便能勾勒出一张现金流消耗表：
数据说明：表中圆整数据源于摩根士丹利公开 Exhibit 2。上述测算未计入获客推广、核心研发薪酬、渠道税与人工兜底成本
哪怕仅仅服务 1 万名达到 25% 基准负载的活跃用户，一家初创公司单月支付给云厂商的纯硬件账单就高达 37.12 万美元。若要支撑典型的 18 个月产品打磨与商业验证周期，在不买量、不计团队工资的真空状态下，光机房账单就需备足 668 万美元的真金白银。
对于账面趴着百亿级广告现金流的 Meta，这种失血是一笔抢夺下一代流量话语权的战略前置投资。但对于独立创业公司而言，融资规模直接决定了你在死生之地里能买到多长的时间窗口。
模型能力成为刚需
过去两年，AI 创投界曾流行过一种近乎理想的分工：OpenAI、Anthropic 负责把底层模型训得越来越聪明，应用层创业者负责寻找场景、打磨交互，中间只隔着一层明码标价的 API。
这套模式催生了大批小团队的神话——十几人的团队，凭借出色的审美与增长裂变，就能在几个月内推出一款风靡全球的爆款。但 Personal Agent 的到来，把这种轻巧的默契撕得粉碎。
原因很朴素：一个真正的全天候个人代理，每天接管的任务离散度太大了。
用户清晨可能随口问一句“今天出门要不要带伞”，午休时让它从收件箱里归集过去半年的报销发票，傍晚又丢来一个长程复杂指令——跨越五个电商平台监控同款降噪耳机的价格走势，并在降价时自动联系客服锁定优惠券。
在计算世界里，这些任务对底层模型的要求有着天壤之别。查天气不过是极简的实体抽取，归类邮件连初阶模型都能轻松胜任；但跨平台的自动化比价、页面解析与交易反思，却动辄牵扯到数十轮工具调用与自我纠错。
如果系统不分青红皂白，把所有请求一股脑儿抛给最昂贵的前沿旗舰模型，产品在早期或许能换来体面的准确率，但每多一个功能、每多一位深度依赖的重度用户，都会进一步推高公司的现金失血速度。
这场技术竞赛的重心，正在被迫发生转向：它不再单纯比拼谁调用的模型更聪明，而是比拼谁能用最低的计算底噪，把一件真实世界的任务稳定做完。
最早在工程上尝试破局的，是估值已冲上百亿美元的 Instinct。
今年 9 月，创始人诺亚·辛（Noah Shinn）在与投资人帕特里克·奥肖内西（Patrick O'Shaughnessy）的对谈中，道破了他敢于坚持“全免费个人助理”背后的工程算盘。
如果 Instinct 每天处理的海量购物、订票与日常琐事，全量依赖上游商业大模型的实时接口，商业模式在几个月内就会被算力账单击穿。Instinct 最终选择自建一套异构的混合推理与任务调度管线。
诺亚·辛抓住了 Personal Agent 与聊天机器人之间一个关键的时间差：个人助理绝大部分的后台代工，根本不需要像聊天界面那样，在 500 毫秒内把字吐在屏幕上。当用户委托 Agent 在未来数小时内比对机票价格、整理发票或追踪包裹动态时，只要最终能在约定节点交付结果，系统完全可以把这部分计算需求推迟到低谷时段，利用价格极低的点存算力进行大规模异步批处理。
诺亚·辛透露，在特定的后台工作负载中，这种脱离了“即时响应”枷锁的专门化推理架构，能让同一份算力资源的吞吐效率直接拔高 3 到 8 倍。
如果说 Instinct 是在推理调度层面寻找算力套利，那么拥有自有智算中心的 Meta，则试图将这套手术直接动在基础模型里。
9 月，扎克伯格在接受科技播客《Sources》采访时，首次系统披露了 Meta 内部代号为「Watermelon」的模型战略。在他看来，消费级 Agent 绝不能简单等同于“通用底座 + 一层外挂 Prompt + 几个工具插件”。他认为，“要让 AI 长期理解一个人、自主规划并在物理世界里稳定干活，这种代理能力必须在模型预训练的第一天就埋进去。”
通常的创业路径是先挑选市面上最强的通用模型，再靠外挂的 RAG、系统提示词、短期记忆库和函数调用强行拼装成助理。Meta 却把逻辑彻底倒置：先在业务层面定义清楚下一代个人助理需要哪些行为特征，再反哺到模型训练阶段定制专属的权重与结构。
10 月 12 日，Watermelon 以「Muse Wonder」之名面世，重点固化了两项过去必须依赖外部工程外挂的底层能力：
- 主动记忆（Active Memory）：模型不再被动依赖外部向量数据库把历史对话粗暴塞满上下文，而是能在交互中自主甄别关键事实并原生保留；
- 主动聚焦与容错（Active Focus）：当遇到失效链接或反爬阻碍时，模型不再机械式地弹窗报错，而是原生具备在多条分支路径中自主回溯、尝试替代方案的反思本能。
这两项突破表面上看是在打磨用户体验，深层逻辑全是账本考量。更精准的记忆调用，意味着无需在提示词里长年累月地拖着膨胀的上下文；更稳健的自主纠错，意味着大幅削减了任务失败导致的连环重试开销。
但更大、更强的模型，往往也意味着更沉重的推理能耗。扎克伯格为此建立起了一套梯次分明的模型舰队。这背后藏着一笔能够直接改写公司毛利率的经典算账模型：
设想一家拥有百万级活跃用户的 Agent 平台，每月需要执行 100 万次代表性代工任务。依照真实分布，其中 80% 属于天气查询、邮件归类、日程确认等机械性低阶事务，仅有 20% 属于跨平台比价、长程反思与复杂研究。
若不加节制，全量调用单次均价 0.20 美元的高性能前沿模型，单月仅推理账单就高达 20 万美元；
但如果搭建起灵敏的路由中枢，将那 80% 的日常杂务无缝下沉给单次调用仅需 0.01 美元的专用轻量模型，仅在攻坚阶段唤醒旗舰大模型，全月的推理账单会瞬间被砸到 4.8 万美元，直接在财务报表上减少 76% 的计算成本。
在百万 DAU 的放大镜下，哪怕单次任务仅节省区区几美分，放到年化维度上，就是数百万甚至上千万美元的生死之差。而对于身处中国战场的齐俊元和 Today AI 而言，技术取舍还要面临更独特的本土现实。
这是两代 AI 应用创业者的分水岭。在上一代移动互联网甚至通用大模型初期，创始人的首要职责是“懂用户、懂增长”；底层技术的演进是一种外生变量，可以完全打包交给供应商。但在 Personal Agent 时代，只懂产品经理哲学的创始人，大概率会被自己失控的算力账单吞噬。
OTA 的中国式困局
在真实世界里，Personal Agent 最重要、最高频、也最容易让用户掏出钱包的场景，极其明确地集中在三件事上：订票、购物与跨平台比价。
扎克伯格在推出 Muse 时比谁都清楚这一点。他在上线第一天，就火速把西方主流商业网络做成了 Muse 的出厂设置：
- 首发绑定 Stripe Link 钱包：直接打通超 100 万家商户的免密支付，并在对话框内一键授权扣款；面对长尾商家，则直接调用接口签发单次虚拟信用卡，在限额内完成结算，降低信息泄露和未经授权交易的风险。。
- 极速结盟电商与零售巨头：紧随其后，Shopify 的数十万独立站商品目录与 Shop Pay、PayPal 账户体系，以及沃尔玛（Walmart）、Best Buy、Sephora 等主流零售接口被全线接入。
这直接在物理层面上改写了成本与确定性。当订票、购物与比价能够调用 API 而非模拟点击时，任务交互变成了毫秒级的确定性纯文本请求，Token 消耗直接暴跌一个数量级，显著降低交互开销并提升任务成功率。
但在中国，这套逻辑会立刻撞上高墙。
资料来源：Skift，Bloomberg，新浪科技，中金公司研究部
国内的订票、购物与本地生活，早已被携程、飞猪、淘宝、京东、美团分为封闭的超级 App 孤岛。当你的 Agent 烧掉昂贵算力、跨平台替用户比对了十几个酒店套餐后，最终依然必须把用户踢回携程或美团的 App 内部结账。没有底层归因协议，垄断平台只会将这判定为自发访问，渠道佣金分文不给。独立 Agent 跑断了腿，最终不过是自掏电费为大厂免费打长工。
更值得创业者冷水浇头的是佣金模式背后脆弱的 Unit Economics。即便抛开平台封锁不谈，单纯从算力成本与抽佣收入的数学天平来看，这笔账依然极难算平：
交易抽佣型 Agent 的单月单位经济（UE）压力推演模型
从上表可以看出，哪怕平台每月促成了 10 万笔真实交易、产生 50 万美元佣金，也仅仅能够覆盖八成左右的基础算力成本，直接毛利依然净亏 10 万美元。在交易闭环尚未跑通之前，空有庞大的任务调用量，不仅无法形成规模效应，反而是加速现金流枯竭。
因此，中金前瞻性地提出，消费级 Agent 最终的商业归宿大概率将演变为‘免费基础服务 ＋ 交易导向的效果广告’（CPS 模式）。从过去搜索时代的‘按点击计费（CPC）’，顺理成章地迈向 Agent 时代的‘按成交与销售额提成（CPS）’。
然而，这一终极形态的实现门槛极高，它不仅需要强大的模型执行力，更需要一整套成熟的广告竞价算法、千万级商家协作网络、全链路订单归因技术，以及金融级结算基础设施——而这恰恰是阿里、腾讯、字节、美团等存量互联网巨头深耕了十数年的看家本领。
注：原中金研报图表 13，海内外个人 Agent 的对比
这就把中国的独立 AI 初创团队推向了一条进退维谷的窄门：
若选择向用户收取订阅费（如海外主流的 20 美元/月模式），面对国内豆包、千问、元宝等依托大厂雄厚现金流提供大量免费功能的产品，独立产品几乎没有任何胜算。若选择向商家收取交易佣金，又无力打破垄断巨头的围墙花园，无法独立获取稳定的供给、归因与结算通道。
因此，对于当下的中国 Agent 创业者而言，真正的解题之道绝非盲目追逐大而全，而是必须在极少数高客单价、供应链离散、巨头统治力相对薄弱的高价值垂直纵深中，先咬牙把第一张闭环账本做实：到底由谁提供不可替代的供给、由谁负责履约担保、由谁确认订单归因、由谁按期结算佣金，以及任务一旦遭遇幻觉或失败，昂贵的赔付责任究竟由谁承担。
结语
Personal Agent 是这一轮 AI 浪潮中，极少数在 Day 1 就形成高度共识的赛道。从 Meta Muse、Instinct 到齐俊元的 Today AI，科技巨头和创业者都在押注：一个拥有长期记忆、能在云端自主执行任务的个人中枢，就是下一代互联网的超级入口。
但共识来得太早，往往意味着门票从第一分钟起就被哄抬到了天价。
不妨算一笔账：
假设 Today AI 做出一款真正被大众接受的爆款，日活触达 100 万，使用强度与当前的 Muse 相当。按照摩根士丹利对 Muse 建立的基准模型，100 万日活，对应的单月服务器账单是 3712 万美元，年化约 4.45 亿美元——超过 31 亿人民币。这还是一张被高度简化的账单，未计入顶尖团队薪酬、商务拓展与昂贵的获客投放。
立在独立创业者对面的，是 Meta、字节、腾讯与阿里。这些科技巨擘账面上趴着百亿级现金流与海量自建算力。大厂在用生态防御的零花钱打仗，独立创业公司却在押上全部身家。
这不再是“以小博大”的游戏，而是一场从诞生起就必须与失血速度赛跑的极限马拉松。
参考资料
[1] Morgan Stanley Research. 23 Days of Musing... Top Investor Questions and Our Answers. September 30, 2026.
[2] Macrostream. Morgan Stanley's Muse Unit Economics Analysis. October 2026.
[3] TechCrunch. Meta's Muse Hits 10M US Downloads in 40 Days. October 20, 2026.
[4] 投资界.《Today 累计完成超 2 亿美元融资》. 2026 年 10 月 21 日.
[5] 中金公司.《中金 | AI应用参考（3）：600条数据实测Muse如何重塑旅游预订链路》. 2026 年 10月 16 日.
[6] Invest Like the Best. “Noah Shinn — Building Instinct.” 2026.
[7] Stripe. Stripe Helps Meta Muse Shop with Link. September 2026.
