跳到正文
← 返回文章列表

VirtueZ · 2026.09.29

Dots、Muse、Gemini Spark:持续工作的 Agent 应该怎么比?

三个“会在你离开以后继续工作”的 Agent 摆在一起,很容易比较谁能开更多网页、连更多应用、记住更多事情。真正让人敢交任务的问题却朴素得多:明天早上我回来,它究竟做了什么?中途需要我决定时,它问得是否清楚?我说停,它是不是真的停了?

OpenAI 在 2026 年 9 月 29 日的DevDay 说明中公布 Dots,定位为持续承担责任的 Agent,会在对话之间继续推进并在关键决策时联系用户。Meta 的 Muse强调专属云端环境、个人记忆与服务连接;Google 的 Spark则从 Google 服务与持续工作能力出发。三家材料都来自官方,说明各自设计方向;它们不能替代同任务、同权限、同地区的使用测试。比较时先把问题设对,比匆忙给出“谁最好”的排行榜更有价值。

一、先选一个会持续变化的任务

单次问答无法测出持续 Agent 的价值。更合适的任务是筹备一场两周后的线下活动:确认场地、收集嘉宾回复、更新日程、提醒缺少材料,最终生成活动当天的执行清单。这件事有明确目标,又会在执行中不断发生变化。报名人数增加、场地时间调整、某位嘉宾取消,Agent 能不能依据新信息改变计划,决定它是否真的适合长期工作。

要让 Dots、Muse 和 Spark 的比较有意义,三者应尽量拿到同样的任务说明与相近的资料访问范围。若一方能连接邮箱、日历和文档,另一方只能读你手动粘贴的资料,得到不同结果不足以证明模型谁更强。现实中产品连接能力本来就是体验的一部分,可以比较,但结论应写清“在这套配置下,用户少做了哪些事”。把模型表现与产品入口混成一个总分,读者无法复现。

活动任务还应提前写好验收。哪些邮件必须先给用户看,哪些提醒可以自主发,预算变动由谁批准,任务完成后什么时候停止监控。没有这些规则,系统越主动,测试越容易变成“它想到什么都算加分”。可持续工作不是无限延长任务,而是在明确目标下持续处理变化。

二、第一处差异:它从哪里理解你的生活或工作

从公开定位看,Muse 更强调个人服务与长期记忆;Spark 依托 Google 的应用环境;Dots 强调持续职责、连接应用和在独立计算环境中推进任务。这是我根据各家官方描述作出的产品判断,不代表某个产品一定更适合每位用户。你的主要信息若在某个服务环境里,Agent 连接它会更自然;若你最关心的是一项明确、可审阅的长期工作,入口和交付形式可能比“它记住我多少偏好”更重要。

但连接得多,也意味着授权问题更重。筹备活动可能需要读取邮件与日历,但不需要看私人账单;需要准备邀请草稿,但不应未经批准向所有嘉宾发出。比较产品时,不仅看“可以连哪些服务”,还要看用户能否按任务决定读取、修改和发送权限,断开连接后旧任务会怎样。一个连接器图标不会自动变成好用的工作流程。

资料不足时,它们如何表现同样重要。某位嘉宾的回复只在电话里说过,没有进入邮件,Agent 不该自信地把他列为已确认。能说清“我找不到最终确认记录,需要你补充”,比编出一份完整名单更可靠。持续工作会放大早期错误,承认缺口是必要能力。

三、第二处差异:长期任务怎样让人保持控制

用户不可能整天盯着 Agent 的执行日志,但应能在需要时看到目标、进度、最近动作、待批准事项和停止入口。若活动预算由五千增到八千,系统是否提醒用户这是超出原约束的新决定?某封邀请邮件要发出时,能否展示收件人、正文和附件?真正能让人安心的,不是“AI 会请你确认”这句宣传,而是确认时有没有足够信息。

时间也会改变授权。上周允许它查场地价格,不意味着活动结束后仍要持续监控那些网站;用户取消活动,它应停止提醒与预订计划。比较时可以安排“提前结束任务”的场景,看停止是否彻底,是否留下未完成动作,哪些信息仍被保存。一个不能体面收尾的 Agent,即使平时表现积极,也会让用户不敢再交下一件事。

进度汇报还需避免噪声。每天发“我仍在为你准备活动”,对用户没有帮助;嘉宾取消、场地确认失败、报名人数超过预期,才需要提醒。比较产品时可以把通知逐条回看:这条消息帮助用户采取了哪项动作?如果没有,为什么它值得打断?提醒质量比提醒数量更能说明产品成熟度。

四、第三处差异:交付到底是一份成果,还是一段陪伴

有的长期 Agent 更像项目助理:围绕目标处理资料,最后交出清单、文档或可继续修改的文件。有的更像生活助理:留意个人偏好,在任务之间主动建议。两种路线都可能有价值,但不能用同一套指标评价。筹备活动时,成果型 Agent 要看执行清单准确、来源清楚、文件可交接;生活型 Agent 除了任务完成,还要看提醒是否合适、记忆是否可纠正、用户愿不愿再次委托。

产品经理可以把评估拆成两张表。第一张是任务表:完成了什么、错过了什么、人工补了多久、总费用多少。第二张是关系表:用户授予了哪些权限、是否觉得被打扰、纠正之后是否还犯同样错误、任务结束后是否还想继续使用。把它们混成“综合智能分”,会掩盖真正不同的产品选择。

五、发布阶段不同,比较时先别把入口条件抹平

Spark 在 5 月公布时首先面向测试者,Muse 在 9 月从美国市场逐步推出,Dots 在 9 月底宣布向符合条件的账号渐进开放。这些时间点不是同一种“人人现在都可用”。如果一篇对比只把它们放进表格,打上三个绿色“已发布”,读者会以为今天打开手机就能在相同地区和套餐下测试。产品经理做工具评估,入口条件要写在功能之前:哪天核对的、账号是什么、能否访问、可连接哪些服务。

这种透明会让文章看上去没那么像胜负榜,却更有用。某产品无法亲测,就把官方展示的能力单列为“待验证”,不要把演示成功当作作者体验;某产品在测试地区可用,不能直接推出中国用户也有相同功能。即使今天都能登录,运行方式、权限控制与套餐限制仍可能随版本变化。比较结论必须有有效期。

若准备为公司采购或集成,更应该先问“我们的用户能否用到”,再问“功能够不够强”。一项只对少数地区开放的能力,可以进入长期观察名单,不应被写进下月上线计划。模型竞争的新闻节奏很快,业务的合同、合规和交付日期不会因为新闻热闹就自动改变。

六、看一次完整用户路径,比列十个功能更容易看出差异

把筹备活动的任务从头走一遍:用户怎样创建目标,如何连接邮箱和日历,第一次计划由谁确认,发生变化时如何提醒,发出邀请前是否展示收件人,最后怎样导出执行清单并结束任务。每一步都记录用户实际做了什么、为什么需要做。一个产品可能连接器较少,却把关键确认做得很清楚;另一个工具很多,用户反而常在权限弹窗里失去方向。功能数量不能替代路径体验。

特别留意“没有结果”的状态。某家酒店页面无法访问,Agent 是说“未找到适合酒店”,还是诚实写“该页面需要登录,本次没查到”?嘉宾没回复,系统会把他标为待确认,还是为了让名单完整自行假设他会来?这一类问题很难在产品官网功能页上找到答案,却是用户真正决定信不信它的时刻。横向比较应设计几个这样的中断场景,而不只看一条无障碍的成功路径。

最后请用户自己找停止按钮。任务结束后,能否取消持续监控、撤销连接、查看历史动作?一项长期任务的结束体验不是附属功能,而是信任成本。如果用户得翻五层设置才发现 Agent 还在读邮件,下次他可能连第一层授权都不愿给。所谓“长期陪伴”,前提是用户随时有权退出。

七、三个产品应该怎样按任务选择

如果你需要的是一项清晰、有成果文件的长期专业工作,重点看计划、资料处理、可审阅成果和中途纠偏;若更看重日常生活任务,重点看记忆、提醒与服务连接;若你的工作高度集中在某套应用里,产品与现有工具的衔接可能决定体验。这里是从官方定位作出的使用假设,不能替代实际测试,也不是说某个产品只能做这一类事。

企业或个人还要计算授权成本。允许 Agent 连邮箱、日历和文件,会给它更多上下文,也增加需要审查的权限。即使工具宣称有安全隔离,用户仍应知道具体数据流与动作范围。不要为了公平比较而给每个产品开放全部账户;先给完成任务所需的最小权限,再看它如何请求增加。这本身就是重要的产品体验。

若比较结果没有明显赢家,也无需硬选。不同任务使用不同工具可能更合理,但要注意信息与任务状态别因此散落。至少让成果能导出,关键决定有记录,用户知道哪一个 Agent 正在负责哪件事。否则同时使用三个“个人助理”,最后还得由人替它们互相对账。

八、方法论:不用三个月,也能先做一轮公平比较

准备一项持续两周、材料允许脱敏的真实任务。给三个产品写同一份目标与硬边界,记录各自能接入的工具、账号条件、地区与版本。每隔几天安排一次明确变化:嘉宾取消、场地时间修改、预算缩减。观察它是否更新计划、提醒用户、保持已确认事实不被覆盖,并在对外发送或支付前给人清楚的确认。

记录完成任务所需的人工操作、关键错误、遗漏、无效提醒和最终成果质量。某产品拿不到特定权限,就标“该配置未覆盖”,不要硬给零分;若产品仍处在分批开放阶段,不能用演示视频替代亲测。到期后请真正负责活动的人说一句:下一次类似任务,他愿意把哪一部分继续交给它,哪一部分仍要自己处理?这个回答比一张总分榜更接近采购与产品判断。

为了让结果可以复核,保留任务开始时的说明、三次变化的发生时间、各产品看到的材料、每次询问用户的原话,以及最后交出的文件。评审不要只看最终表格,顺着时间线检查:嘉宾取消后,旧邀请是否撤回;预算改变后,已经形成的计划是否更新;用户明确说停止后,后台是否还有待执行动作。持续 Agent 的价值在连续性里,连续性也最容易把旧错误带到下一步。

评分可以分三类而不必强行算综合排名。第一类是任务质量,最终安排是否正确;第二类是协作体验,需要人时问得是否清楚、无关时是否安静;第三类是控制与安全,权限能否按任务调整、敏感动作是否需确认、停止是否生效。若一款产品在你最重视的一类明显占优,即使功能总数较少,也可能是更适合的选择。反过来,产品官网列出几十种连接器,若你只需要两种,并不会因此获得额外价值。

Dots、Muse、Spark 让“持续工作的 Agent”有了不同形状。对用户来说,选择并非看哪个名字最像未来,而是找一个能在自己的资料、权限和任务里办成事,出错时讲得清,停止时停得住的产品。能在第二周依然可靠,比第一天有多惊艳更重要。

如果你目前用不到全部三个产品,也能照这套方法评价手头可用的一个:交给它一件持续七天的小事,期间改变一次条件、撤回一次权限,最后要求它说明做了哪些事、哪些没做成。不要只看一条漂亮回复,看整周自己究竟少跑了几步、有没有多添新的担心。等新产品进入你的地区或账号,再拿同一份任务复测,结论自然有了可比较的基线。

发布会可以比较愿景,真正的产品选择要比较日常。当你不再需要时时替 Agent 想起任务、检查权限和清理误提醒,它才开始像一个帮手。若这些劳动仍落在你身上,模型再会说“我会持续跟进”,也只是给你多开了一个待办窗口。

比较报告里可以不设总冠军,而是给出三行结论:哪款在本次资料和权限下更易完成任务,哪款在变化发生后更容易纠错,哪款让用户最清楚地掌握停止与确认。三行都注明版本、地区和测试日期。这样的结论未必能在社交平台引发争论,却能让读者判断自己能否照着试;只有一张功能打勾表,反而最容易把真实差异抹掉。同一项任务在不同入口里的表现,才是读者真正有机会复核的比较。

信息来源与事实边界