# 普通人需要 AI，但未必需要一个通用 Agent

普通用户当然需要 AI。

他们需要有人帮忙解释一段看不懂的材料，改一封语气别扭的邮件，把孩子学校发来的通知整理成待办，或者把旅行计划从一堆网页里拎出来。这些需求每天都在发生，频率很高，也足够具体。

但大多数普通用户不想维护一个工作流。

这句话看起来很扫兴，却是很多通用 Agent 产品最容易低估的地方。Chatbot 给人的负担很轻：打开，提问，追问，不满意就换个说法。Agent 往前多走了一步，它开始替用户行动，接入工具，读取上下文，保存记忆，甚至跨应用完成任务。演示时很漂亮，日常使用时麻烦也跟着来了。

普通人不是不会用复杂工具。只是很多生活任务不值得他们承担这套复杂性。

## Chatbot 已经够很多人用了

Chatbot 的价值常常被低估，因为它看起来不够激进。

它不自动替你订票，不在后台替你追邮件，也不承诺管理你的全部数字生活。它只是坐在对话框里，接住一个局部问题。某段合同看不懂，问它；一个概念讲不清，问它；PPT 的开头太硬，让它帮你改几版。

这种形态有一个很大的好处：失败成本低。

模型答错了，你能追问。回答不合适，你能删掉。它没有拿到太多权限，也不会在你没看见的地方继续执行。对普通用户来说，这种可打断、可反悔、可忽略的交互，比一个“什么都能做”的数字员工更安全。

我们在第一篇里讲过，AI 让人更容易生成东西，也更容易让人误以为自己解决了问题。Chatbot 至少把这个误会留在了对话里。Agent 一旦开始行动，误会就可能进入邮件、日历、文件和支付流程。

## 演示能跑，日常未必值得

Agent 的演示通常很有冲击力。

你给它一句话，它打开浏览器，查资料，写总结，整理成文档，顺手发到某个应用里。第一次看到这种流程，很难不觉得未来已经来了。

真正的麻烦从第二次、第三次开始。

任务目标稍微含糊，Agent 就可能跑偏。数据来源一变，结果就要重新验证。权限给小了，它到处卡住；权限给大了，用户又开始担心它会不会乱动。成本也不是小事。一个多步骤任务要规划、调用工具、读上下文、失败重试，算力账单不会因为产品界面友好就消失。

普通用户最烦的不是“设置一次”。很多人愿意折腾新玩具。麻烦在于维护会持续出现。

今天修 prompt，明天清记忆，后天发现某个工具授权过期。过一段时间，用户已经忘了当初为什么要让它这么跑，只记得它这次又没有按预期完成。一个个人 Agent 如果需要用户长期像管理员一样照看，它就很难成为大众入口。

## Coding Agent 的经验不能平移过来

很多人会用 Codex、Claude Code 这类 coding agent 的成功来证明通用 Agent 的未来。这个类比有用，但很容易走过头。

软件工程是一个非常适合 Agent 进入的环境。代码能不能跑，测试会告诉你一部分；类型检查能挡住一部分错误；diff 能让人看到它改了什么；Git 能回滚；CI 和 review 能把风险继续往后拦。

更重要的是，程序员本来就在这个环境里工作。

他知道日志该怎么看，知道失败后怎么缩小范围，知道一个改动可能影响哪些模块。Agent 在这里不是单独创造了可靠性，它借用了软件工程几十年沉淀出来的验证工具。

离开代码世界，支撑物少了很多。

一份股票分析写得像模像样，不代表它承担了风险。一份市场报告排版很好，不代表口径正确。一个行程规划看起来完整，不代表每个时间点都真的可行。普通生活任务往往没有测试，没有日志，没有 review，也没有一键回滚。

所以 coding agent 的成功更像一个提醒：Agent 要工作得好，需要环境配合。代码仓库是很好的环境。普通人的生活和办公桌面，通常没有这么整齐。

## 程序员的工作被重新拆开了

如果程序员只是会写代码的人，那么 AI 会写代码以后，很多软件公司都该消失。

现实没有这么走。用户并没有因为能让 AI 写代码，就开始给自己做 CRM、记账软件、差旅系统和数据看板。历史上低代码、建站工具、办公自动化都经历过类似想象，后来留下来的往往是更好的封装。

分工没有失效。

程序员和类程序员真正承担的工作，是把一次性的能力变成稳定的产品。状态要保存，权限要收住，异常要被发现，成本要能解释，升级不能把旧流程弄坏。这些活不漂亮，但决定一个工具能不能被普通人长期使用。

AI 会让更多人跨过编码门槛。产品经理能写脚本，运营能搭小工具，销售能让模型整理客户摘要。这是好事。但一旦这些东西要被团队反复使用，问题马上会从“代码怎么写”变成“这套东西谁维护”。

这也是通用 Agent 大众化的核心麻烦：它经常把工程责任交给用户。

## OpenClaw 和 Hermes 更适合当观察样本

原稿里提到的 OpenClaw 和 Hermes Agent，可以当作两类路径的观察样本。

OpenClaw 代表的是很有吸引力的个人 Agent 想象：连接服务、接受指令、保留记忆，最好还能从日常通讯工具里被叫起来。它把“每个人都有一个个人助手”的画面做得很具体。

这个画面越具体，权限、隐私、成本和维护问题就越难绕开。用户最开始看的是“它能做什么”，留下来以后面对的是“它为什么又跑偏了”“这个授权该不该给”“这次花了多少 token”。

Hermes Agent 这类更偏工程化和云端运行的形态，反而把边界说得清楚一些。它默认用户愿意理解任务拆分、部署、权限和工作流沉淀。这样的产品未必更大众，但它更诚实：有价值的自动化需要运行环境，也需要有人为边界负责。

把这两类产品放在一起看，用户画像会自然收缩。最早被演示吸引的人很多，愿意留下来的，往往是那些愿意把 Agent 当工程系统管理的人。

## 大众入口会更像被包装好的能力

普通用户当然会使用 Agent 能力，只是他们未必会拥有一个裸露的通用 Agent。

账单整理会藏在财务应用里。会议纪要会留在办公软件里。客户跟进会发生在 CRM 里。行程调整会由旅行产品处理。用户看到的是一个明确的功能：它能不能帮我把这件事办好，错了能不能改，关键动作会不会让我确认。

这条路没有“每个人一个数字员工”那么性感，但更接近大众市场。

复杂性不会消失，只是被产品开发者吸收了。开发者要决定数据从哪里来，权限给到哪里，哪些动作必须确认，失败以后怎么恢复。普通用户不关心背后是不是 Agent，也不该被迫关心。

ChatGPT 和 Codex 的分工在这一点上反而很克制。ChatGPT 继续做大众入口，适合低门槛、高频、可反悔的交互；Codex 面向软件工程和类工程任务，需要仓库、命令、测试和审查。一个偏对话，一个偏执行。两个入口承认了用户负担不同。

我不认为通用 Agent 会以“每个人自己维护一个 OpenClaw 或 Codex”的方式进入大众市场。更可能的路径是：Chatbot 继续接住大量轻任务，专业 Agent 服务创造者和工程化用户，大众自动化需求由具体应用包装后提供。

这不是悲观。它只是把问题从“AI 能不能做更多事”改成了“谁来承担复杂性”。答案很朴素：普通用户不该承担太多，团队和产品必须有人承担。到了组织里，这个问题会变得更尖锐。