從 App 到服務，騰訊 Marvis 為什麼認準「管家」

在海外社交媒體上有創業博主用“Agent Sprawl（智能體蔓延）”來描述一個現象：Agent 越多，其權限、數據和調用關係也越分散，企業組織也會遇到新問題：這些 AI，應該由誰來管理？類似的問題，在 C 端場景裡已經出現。AI 時代，用戶電腦裡的文件、應用、瀏覽器頁面和數據，正在變成個人的一種數字資產。IDC 預計，2026 年全球活躍 Agent 將達 7940 萬個，較上年增長近三倍。Agent 正全面滲透 PC端，但行業很少關注後續問題：它們執行完任務後留下的系統冗餘，該由誰來清理？

比如 AI 生成的文件擠佔硬盤，C 盤突然飄紅，後臺進程越跑越多，本來用戶引入 Agent 是為提效，結果卻花更多精力去清理環境。就像古早時期的電腦管家，彼時可以幫人解決殺毒安裝卸載軟件等問題，但 AI 時代反而出現了這一角色缺席。空缺本身，就是新品類的機會。這便是“AI 管家”要回答的問題，也是騰訊旗下操作系統層級個人 AI 管家 Marvis，在上線四個月後宣佈完成定位升級的原因。01 從“找 App”到“找服務”傳統軟件時期，通常是人的需求先出現，再去尋找對應的工具。比如寫文檔打開 Word，處理圖片打開 Photoshop，查資料打開瀏覽器。

但 AI 來臨後，輪到這些東西自己“幹活”了，當用戶說“幫我整理一份市場分析”，他未必需要知道應該打開哪個軟件、資料在哪裡、具體功能藏在哪個菜單裡。AI 理解目標後，可以自己尋找信息、調用工具、處理文件，再把結果交回來。用戶和電腦之間的交互方式，也因此發生變化：過去是找 App，現在越來越像是在找服務。今年 9 月初，Marvis 生態負責人在 Arm 大會上提出了“AI 服務直達”的概念。背後的邏輯並不複雜：當 Agent 真正進入工作流後，衡量一個 Agent 的標準，不再只是它調用了多少工具、具備多少能力，而是能不能把用戶交代的事情真正做成。

在這個邏輯下，應用本身退居後臺，成為可被調用的執行節點；開發者也轉為通過 MCP、SDK 等方式向 AI 供給服務。這也和騰訊副總裁林松濤在今年 WAIC 期間的觀點一致：AI 應用正迎來“從有問必答到使命必達”的轉折，“沒有交付結果就沒有辦法形成業務的閉環”。但AI越會幹活，另一個問題也隨之出現。一次任務結束後，電腦裡留下的：AI 生成的文件、圖片和代碼，瀏覽器信息、下載資料，新安裝的軟件、賬號，以及各種本地數據。本質上這些都是用戶的數字資產，它們需要經營：要整潔、要安全、要調用的時候找得到。但這恰好是按任務計費的 Agent 無法覆蓋的盲區。

這也自然劃定了兩類 AI 角色：Agent 是“幫手”，AI 管家是“管理者”。幫手負責“理解、執行、交付”，按單結算，幹完即走，對電腦的系統環境沒有記憶與維護義務。“管家”是另一種角色：長期理解你的電腦、文件、設備和數字資產，在需要的時候替你動手。正如 Marvis “管家”定位：Marvis 像是在為用戶的“數字之家”建立一種“家規”或者秩序。它的服務邊界不是完成單項工作，而是長期管好個人的數字資產。這是一個正在成型的明確分工：Agent 負責在前端幹活，管家負責在後端統管。前者已是紅海，而 AI 時代的“設備管家”這一位置，目前幾乎還是空白。

這也讓接下來的行業命題變得極其具體：這個管家，到底管什麼，怎麼管？02 管家怎麼管：經驗做底，分寸為界有時候遇到電腦開機變慢，要麼忍，要麼跟著教程手動去系統設置裡逐個排查。現在只需拋出一句：“開機太慢，幫我處理下。”幾分鐘內，啟動項優化和高能耗應用排查自動完成。更重要的是操作的分寸感：涉及系統底層權限的修改，系統會強制彈出窗口要求用戶自己輸入密碼確認，絕不繞過安全機制。完成這些的，是騰訊旗下個人 AI 管家 Marvis。新版本解決了一個行業通病：用戶往往不知道該對 AI 聊什麼。Marvis 直接將能力具象化，在側邊欄推出了“管家團隊”。

電腦管家管性能故障，文件管家管知識庫，軟件管家管應用，瀏覽器管家負責網頁自動化任務（後續還將上線遊戲與生活管家）。先看和用戶關係最密切的電腦管家。修電腦的難點從來不在“執行”，而在“歸因”：比如用戶報修時不會說“DLL 依賴損壞”，他說的是“騰訊會議提示我缺失 dll 文件，幫我搞搞”；不會說“顯示器刷新率掉了”，他說“拖動窗口不順暢”。如何把口語化翻譯成專業術語，是個技術活。Marvis 的翻譯層一部分來自騰訊企業 IT 部——內部代號“8000”，一個十幾年間服務了數萬名騰訊員工、處理過海量軟硬件疑難雜症的專業維修團隊。

雙方合作的核心，絕非簡單的一句“接入了經驗”，而是把 IT 專家腦子裡的“維修手感”，工程化地沉澱為了 Agent 可調用的“真實案例庫”與“診斷路徑”。打開 Marvis 與 8000 團隊共建的 Skill 清單，你能清晰地看到這種“判斷力差異”。這份清單覆蓋了操作系統、硬件、軟件和網絡 4 大類、27 個真實運維場景。

它應對的不是標準化的系統命令，而是高度模糊的用戶口語：比如，當用戶抱怨“打開高動態範圍（HDR）後顏色變淡了”、“電腦風扇很響還很燙，但我只開了幾個普通程序”，通用模型會給出一段來自搜索引擎的排障百科，讓用戶自己試；而 Marvis 則按照 IT 團隊的真實維修樹——查詢電池與高能耗進程的交叉數據、排查顯卡驅動與色彩配置的衝突、定位開發工具的底層環境變量。其中，硬件及外設（如雙屏顯示器無信號、花屏色差、藍牙鍵盤連不上）是這份清單覆蓋最厚的部分。遇到這些問題，Marvis 會一步步調取系統日誌、比對歷史真實案例的故障特徵，最終鎖定癥結並給出修復方案。

這就是經驗沉澱的價值：通用模型只知道“怎麼做（How）”，但帶有診斷路徑的 AI 管家知道“為什麼（Why）”和“動哪裡最為妥當”。來自一位真實用戶的自來水“好評”更典型：開機啟動項多出陌生程序，Marvis 查安裝日誌還原出現場——是另一個軟件裝的時候把它作為依賴默認帶上的。文件管家說明的是另一個問題：當家和幹活，本就不該分開。市面上的知識庫要用戶自己歸類上傳，Marvis 反過來，改為“文件留在原地，系統自動聚類”。本地路徑不變、用戶習慣不改，當有大量新文件（如成批簡歷）進入時，系統會提示一鍵併入。

它不僅打通了騰訊文檔（後續將接入企業微信），支持多人在雲端共建與問答，還計劃通過後續上線的“項目”能力，將多次任務和產物收攏在同一個上下文中。這印證了一個核心邏輯：資料管理不該是幹完活之後“掃地僧”，而是過程中的一環。軟件管家則是從“管理應用”走向“管理服務”。遊戲側，Marvis 與微軟、英特爾、高通在系統層和硬件層做了調優合作，演示裡的 Steam AI 教學，打完一輪出戰鬥分析，教學模式實時提示按鍵。遊戲管家作為獨立角色將在後續上線。

生活服務側，瑞幸聯名參與人數超 20 萬、全網曝光超 1000 萬，50 多家服務商正在接入——在 Marvis 裡點外賣、喝奶茶，買電影票……都在逐漸成為日常的AI能力。在實際演示中可以清楚地看到，無論是優化多餘的開機啟動項，還是涉及註冊表層面的驅動修復，只要觸及系統核心權限，Marvis 絕不繞過安全機制，而是強制彈出確認框，要求用戶知情並輸入密碼。這種“分寸拿捏剛剛好”的診斷，正是一個優秀 AI 管家的素質。03 從一臺電腦到所有設備，Marvis 背後的佈局Marvis 團隊分享過一個有意思的日常：三臺電腦、一個 Pad、兩部手機，還有相機的存儲卡。但他平時更多時候只會對著手機說話。

現實裡這樣的問題很常見：用戶通常只通過手機表達需求，但真正的文件和算力可能在另一臺設備上。所以，跨端並不只是“多端登錄”。手機可以負責發起需求，PC、NAS 負責本地執行，雲端在需要時補充算力，關鍵是讓一個任務能夠在不同設備之間接著完成。再往前一步，Marvis 需要解決的就不只是跨設備，而是如何進入更多設備的系統層。更重要的是，Agent 要真正完成任務，首先得知道“眼前有什麼”。Marvis 將本地文件、應用和系統狀態納入端側索引，讓 Agent 在接到任務時已經擁有一部分設備上下文，而不是每次從雲端重新搜索。對於涉及大量本地數據的任務，這種系統級能力很難單純靠更換一個基座模型獲得。

這也是 Marvis 需要“牽手”硬件生態的原因。對於 PC、NAS 等廠商來說，自建一套完整的 Agent 能力，需要長期投入模型、工程和產品團隊；如果直接接入成熟的 Agent 引擎，則可以在現有硬件和系統之上增加新的AI能力。對於 Marvis 而言，進入 OEM 和信創設備，則意味著它不再只是一個需要用戶主動下載的 C 端應用，而可以成為設備本身的一部分。模型可以更新，Agent 也可以重新開發，但一套已經進入設備系統、連接本地數據和硬件能力的合作網絡，需要長期的產品適配和生態積累。Marvis 與微軟、英特爾等廠商已有的合作，以及正在推進的 OEM、信創合作，本質上都在擴大這張網絡。

結尾從這個角度看，騰訊應用寶想做的確實不只是一個 AI 助手。應用寶過去做的是軟件和 App 的分發：PC 時代分發軟件，移動互聯網時代分發 App。到了 Agent 時代，入口的形態發生了變化——用戶不再只是尋找一個應用，而是直接提出一個意圖。對於 Marvis 來說，下一步要做的，是進一步“替用戶把事情完成”。這也是為什麼 Marvis 團隊更看重用戶真實任務的完成情況。如果這條路徑繼續延伸，Marvis 最終連接的也不會只有 PC。一臺 PC、一個 NAS、一個 AI Box，甚至汽車、眼鏡等設備，都可能成為 Agent 執行任務的節點。

Marvis 真正想觸達的，是模型能力與真實設備之間的那一層。但設備接入得越深，權限、信任和成本也就越重要。Marvis 目前在權限和關鍵操作上都在強化這道邊界：成本和隱私，靠端側模型解決：通過低比特量化，Marvis 已將 35B 級模型從約 30GB 壓縮到 10GB 以下，在本地設備上即可運行——數據不出本地、處理不過雲端，既省下雲端的調用成本，也讓隱私留在用戶手裡。權限和信任，則靠另一套系統機制兜底：涉及刪除、修改、支付等關鍵操作時，Marvis 先解釋、再確認；外部服務接入遵循“默認不同意”原則，並採用開發者授權與用戶授權的雙重確認。

對於一個長期存在於設備裡的 AI 來說，能力決定它能做多少事，但權限決定用戶敢不敢讓它做。這或許也是一位管本地、懂本人、守本份的“AI 管家”和其他 Agent 分工不同的地方。（）