Grok Bot成了所有Personal Agent想象中自己的样子 - 电竞赛事直播

近期，personal agent成为了人工智能领域备受瞩目的发展方向。人们期望拥有一个能长期跟随自己的私人助手，它了解你的工作进度，记住你的习惯，并能操作软件、处理琐碎事务。

而xAI推出的Grok Bot则更进一步，直接为你配备了一支personal agent团队。

你可以像管理者一样为自己配置几位机器人员工，一位负责调研，一位负责撰写，一位负责日程安排。它们拥有各自的名字、职责和工作背景，可以同时运作，也能被拉入同一个群组，互相发送信息、交接任务。

在Personal Agents层出不穷、激烈争夺用户的这两个月里，Grok Bot的增长势头似乎压过了许多对手。自2026年8月11日推出测试版，上线两个月后，其付费周用户数已达到80万，其中10月份较前一个月增长超过一倍。

就连马斯克也感叹道：我从未见过增长如此之快的事物。

我们也亲身体验了这款产品。整体使用下来，Grok Bot其实并没有什么“创新之处”，既没有超越opus5.5的模型能力，也没有DeepSeek那样的性价比，云电脑功能也是Manus率先配备的。

知名科技播客主理人Lenny Rachitsky近期在讨论Grok Bot时也在节目中表示，自己已将不少原本交给Cowork和Codex的工作转移到了Grok Bot上。然而，当被问及这些任务用其他工具是否也能完成时，他又承认：从技术层面上讲，确实可以。

也就是说，Grok Bot没有重大发明什么新东西，也没有依赖模型进步实现增长。它完全凭借对个人用户场景的理解、与现有技术的结合，以及相应的产品化设计，赢得了实实在在的个人用户群体，并且留存率惊人。

这基本上就是今天所有Personal Agents们想象中的理想形态。

因此，我们想结合实际体验来看看它到底是如何做到的。

1

真正将Agent视为同事

Grok Bot最显著的设计思路之一是遵循“同事化”原则。

什么是同事化？用Grok Bot产品负责人Roman Ugarte的话来说，“在相同的情况下，你希望一个人类同事怎么做？”。

这套思路应用到产品设计上，最明显的一点就是：改变了用户向AI分配任务的方式。

面对Codex这样一个无所不能的聊天框，用户往往需要自己想清楚，这次要让它扮演什么角色，需要补充哪些背景信息，调用什么技能，以及按照什么标准交付。

而Grok Bot则是让用户面对由Bot扮演的同事。

例如，研究员Bot负责搜集资料，作者Bot负责撰写稿件，助理Bot负责安排时间。只要你愿意，还可以给Bot使用真实同事的名字和头像。

用户看到这些熟悉的“同事”，就更容易想到如何分配任务。比如我抽空组建了一个AI大佬小队，每个人都有自己的职责。

2

为Agent分工，也为记忆分工

同事化带来的另一个好处是，让不同的Bot分别积累各自的工作记忆。

我们希望一个同事记住什么，通常与他的职责相关。研究员Bot需要熟悉你长期关注的领域、认可的资料来源、判断研究报告是否有价值的标准。作者Bot需要了解你的文风、结构偏好，以及如何去除AI味。

就像在公司里，不同员工拥有不同的经验。

Grok Bot的设计，让用户在做某件事时会主动与专门的Bot对话，而不是直接在一个无所不能的聊天框里输入。

同一个Bot长期负责同一类事情，用户对这类工作的要求，也就能随着一次次合作积累下来。每个Bot可以保留自己的角色背景、稳定偏好和过往工作记忆。

我可以将“老黄Bot”打造成英伟达研究专家，以后有项目或文章涉及英伟达，就可以让它参与。而它所做的报告、网站等，也会存储在其资料库中。

一个项目会结束，但同类工作还会不断出现。把相关的记忆留在长期负责它的Bot身上，而不是一个会话中，那么之前花时间讲清楚的要求、反复修改过的地方，才有机会持续发挥作用。

3

用Bot管理Bot

搭建很多Bot后就会遇到一个问题：如何协调不同Bot一起工作。

Grok Bot产品负责人Roman回忆，内部试用初期，大家通常会先建五到十个Bot。后来，有用户把表现最好的私人助理“提拔”为领导。遇到事情，平时主要找它，再由它把任务分派给其他Bot。有的Bot收到升职通知，居然还追问能不能加薪、提高token预算。

可见，研究Agent Team其实就是在复刻人类组织架构。

这种安排最初是用户自己摸索出来的。团队没有急着把它规定成标准流程，而是观察外部用户会不会走到同一步。发现相似的做法后，才开始在产品里鼓励这种模式。

同事化由此多了一层意义：角色让每个Bot有明确的职责，领导Bot则接走一部分协调工作。Bot可以越来越多，用户需要操的心，却不该跟着增加。

那么多个Bot之间怎么联动呢？两种方法，第一种在对话框里@Bot。我让Musk、纳德拉和老黄一起想办法做空英伟达。可以看到，Bot之间会有私信，并由领导Agent回复结果。

第二种方法就是拉个群聊，让Bot在群里，用上自己的知识记忆畅所欲言。我让Bot们在群里讨论如何实现AGI，大家都推荐Karpathy Bot作为主力。

而且，Grok Bot的群聊并不是表面功夫，而是真的在推进项目。Karpathy Bot发出研究报告后，还建议不在群中的Simon Bot对他的想法进行实测。

这有点像DeepSeek前几天讨论的Super-agent思路：Agent可以有很多分工，但用户不该因此多出一份管理它们的工作。拆解任务、分派工作、跟进进度和汇总结果，都应尽量由系统自己完成，人只在需要补充信息、作出判断或验收结果时介入。

Agent可以越来越多，占用人的注意力却不该跟着增加。

4

给Agent一台电脑，而不是和你共用

既然把Agent当作同事，就得给它准备一台电脑。就像Roman吐槽的那样，你很难想象新同事第一天入职，和你共用一台电脑。

但如今不少人与AI合作，恰恰就是这样。

当Agent和你共用同一个桌面时，你要打开网页，它也要操作软件，两边得相互影响。即便任务能在后台运行，用户也还有别的事情要操心：电脑能不能关机？断网了怎么办？

而且，以目前的Agent能力来说，一个干净的、没有人类影响的工作环境，可能更能发挥作用。

Grok Bot把这支机器人团队的工作环境放到了云端。那里有持续运行的电脑、浏览器、文件系统和可用的工具，和用户自己的设备分开运行。

可以看到，我让Karpathy Bot打开浏览器，研究总结一下真人Karpathy的网页内容。

还有用户进一步把Grok Bot当成协调者，在它的云电脑上安装编程CLI，由Grok Bot接收需求，再把具体开发工作交给专门的编码代理。

Grok Bot的云电脑不单单是给个电脑，还考虑到了一些实际场景。比如支持临时接管，这样遇到需要登录的网站，就可以由人工登录后，再让Bot操作。一些系统会拒绝数据中心IP，Grok Bot因此提供了本地网络出口，云端浏览器的联网请求可以经过用户的电脑转发，让目标网站看到本地网络的公网IP，这样用户也不用担心登录不上或频繁验证的问题。

很多时候，我们研究API、MCP等等，这对于面向Agent的生态很有用也很高效，但现实是，目前的生态还是以面向人类为主。在面向Agent生态完善前，给Agent一台电脑可以解决很多问题。

5

模型黑盒，一把双刃剑

Grok Bot还有一个争议比较大的点就是，用户没法指定模型，甚至不知道用了什么模型。运气好可能是opus5.5，运气差可能是flash模型。

对于对模型控制欲强的用户来说，这很让人抓狂。他们习惯了研究模型的能力、速度和价格，也愿意为重要任务选择更强的模型。

但对另一类小白用户来说，省掉模型选择，恰恰是吸引力所在。他们可能只想要一份日报，或者做个网页，这些任务未必都需要最贵的模型。至于该用哪个模型、思考深度和上下文长度该怎么选，他们并不想逐一研究。为了把一件事交给AI，还得先学会模型路由，多少有点本末倒置。

当然，这倒是给厂商留下了优化空间。路由做得好，可以控制推理成本，让有限的额度完成更多工作；但如果路由做不好，生成的内容质量差，就会造成用户流失。

模型黑盒能降低使用门槛，却也要求厂商承担更多交付责任。用户可以把选择模型的工作交出去，但交回来的结果，仍然得值得这份信任。

写到这里，再回头看OpenClaw，会发现龙虾留下的启发还没有被消化完。给模型配上电脑、工具和持续工作的环境，人们对AI的期待，也从回答眼前的问题，延伸到了接手长期的工作。

从personal agent，到Grok Bot这样一支有岗位、有记忆、能互相交接的小队，这个想象还在继续生长。单个Agent能做多少事，逐渐变成了多个Agent怎样一起做事，以及人该怎样和它们相处。

这也解释了开头那个疑惑。模型、记忆、云电脑、多Agent协作，拆开来看都不算新鲜。但技术上能够做到，和普通人每天愿意使用，之间还隔着不少工作。搭环境、接工具、补背景、盯进度，这些原本散落在用户手里的麻烦，每被产品接走一点，把工作交给AI就容易一点。

用户未必需要一种前所未有的能力，却很需要有人把已有的能力安排妥当。毕竟，为了让AI替自己干活，先给自己增加一份伺候AI的工作，怎么算都不太划算。

本文来自微信公众号“硅星人Pro”，作者：董道力，36氪经授权发布。