千问蒋冠军：Personal Agent技术框架，需要模型、记忆与生态协同推进

Q: 蒋冠军提出的Personal Agent核心能力依赖哪三大要素协同推进？

模型、记忆与生态三大要素的共同推进。

一句话结论

千问确立模型、记忆与生态协同的Personal Agent技术框架，并开启无代码应用搭建邀测。

关键要点

阿里巴巴千问事业部将AI应用演进划分为对话、代理、助理三个阶段，当前正加速迈向助理阶段。
千问梳理覆盖30多个头部行业的用户需求，提取出8000多项原子模型能力要求。
过去三个月，千问平台复杂任务平均Token消耗量增长1.6倍，主动服务需求显著上升。
千问推出的个人专属AI助理「千问 Go!」上线“我的应用”功能，用户无需编程即可搭建场景应用。
千问构建以模型为中心的开放服务体系，整合专业知识、工具、行业Skill及第三方Agent。

背景与事实

2026年10月22日，在2026中国计算机大会上，阿里巴巴千问事业部AI算法负责人蒋冠军发表了关于Personal Agent技术实践的主题分享。他提出，真正的Personal Agent阶段应当带来增量价值的创造和个性化的主动服务。为了实现这一目标，Personal Agent的核心能力构建依赖于模型、记忆与生态三大要素的共同推进。蒋冠军指出，当前AI应用正从简单的对话交互向代理执行，进而迈向助理阶段演进。在助理阶段，AI不仅要在交付具体任务的基础上运行，还需结合专业经验和个人上下文，围绕用户目标进行自主规划与执行，甚至主动发现用户尚未注意到或有所疏忽的需求。

在技术路径上，蒋冠军认为Personal Agent解决日常工作、学习、生活问题的理论上限接近100%。释放这一潜力的关键，在于让系统能力与问题解决路径更好地匹配，通过三要素的高效协同，为不同问题找到最优解决路径。在模型层面，千问特别重视任务执行的稳定性。为此，千问团队建立了一张覆盖30多个头部行业的用户需求透视图，梳理出8000多项原子模型能力要求。同时，千问引入行业专家参与模型评估与优化，持续提升模型理解真实用户需求、完成复杂任务的能力。

在记忆层面，蒋冠军强调Personal Agent需要长期理解用户，识别历史信息与当前需求的关联，避免简单积累对话带来的噪声和推理成本。千问通过分析事件关联关系设计记忆体系，并按关联强弱进行分层存储和调用，以提升记忆使用的精准性。蒋冠军举例说明，AI可以结合老人历史对话中提及的养老金情况，为其孩子的就业问题提供更贴合家庭处境的建议。

在生态层面，蒋冠军认为，随着模型能力和Harness技术的持续发展，生态的连接与协作能力将成为Personal Agent发展的关键。千问正构建以模型为中心的开放服务体系，整合专业知识、工具、行业Skill及第三方Agent，连接电商、本地生活等服务，以及医疗、教育等领域的专业能力，以提升复杂现实任务的执行效果。三要素的协同最终指向主动服务：记忆提供个人背景，模型结合专业知识识别潜在需求、规划行动，生态支撑执行。

此外，最新数据显示，千问用户对复杂任务和主动服务的需求持续增长，过去三个月复杂任务平均Token消耗量增长1.6倍。千问推出的个人专属AI助理「千问 Go!」上线新功能“我的应用”。该功能允许用户无需编程，只需说出需求，就能轻松搭建用于生活、工作和学习等场景的应用。目前，相关功能已开启邀测。

影响分析

对于中文开发者而言，千问明确的三要素协同框架为Personal Agent的技术落地提供了清晰的架构指引。过去，开发者往往侧重于模型能力的提升，而忽视了记忆与生态的协同效应。千问提出的“按关联强弱分层存储和调用”的记忆体系，以及“以模型为中心的开放服务体系”，为开发者设计高性能Agent提供了具体的工程参考。对于从业者而言，行业专家的引入和8000多项原子能力的梳理，意味着AI应用的评估标准正从通用问答转向垂直行业的任务执行。

适用边界

上述技术框架与邀测功能的结论主要基于千问当前平台的技术实践与数据，不适用于所有AI应用。对于非Personal Agent的通用对话场景，或尚未接入千问开放服务体系的第三方平台，该三要素协同机制的优先级和实现路径可能存在差异。此外，由于“我的应用”功能目前处于邀测阶段，其功能边界和稳定性在全面公开前仍可能存在限制。