2026 年 9 月以来，Personal Agent，也就是个人助理型 Agent，正在成为一类更容易理解的产品。OpenAI 发布了 Dots，Meta 推出了 Muse，Cognition 则为 Devin 加入了 Memory 和 Dreaming。它们的共同方向，是让 AI 在一次对话结束后，仍然能够记住要求、继续处理事情，并在需要时回来找用户。
这篇先聊聊 Personal 助理正在解决什么问题，再介绍我们正在做的 Sparse Agent。我们希望它能承担一份长期职责：围绕用户给出的目标和 KPI 推进工作，定期汇报，接受反馈，在需要配合的时候主动提出请求。
Personal 助理要接住怎样的工作
许多事情都能在一次对话里完成，例如查一个问题、改一段文字，或者整理一份文件。另一些工作会跨过许多天：客服还没回复，资料要等同事补齐，内容发布后需要观察反馈，一个问题解决后还有下一轮改进。用户需要有人记住当前进展，并继续安排后面的事情。
Personal 助理面对的，就是这些与个人持续相关的工作。它需要知道用户在做什么、希望得到什么结果，以及之前确认过哪些要求；还要有实际工作的工具和环境，能够操作浏览器、处理文件、调用应用。在等待期间，它应当保留进展，到了合适的时候再继续。
这种合作还需要明确的沟通方式。助理应该告诉用户已经完成什么、目前卡在哪里、下一步怎样安排。遇到登录、身份确认、付款或需要本人判断的事情，要主动提出请求。用户补充的新资料和反馈，也要能进入后续工作。
把这些环节接起来，AI 才更接近一个可以长期合作的助理。界面里能聊几句话只是开始，后面还有目标、记忆、工作环境和人与它怎样配合的问题。
Dots、Muse 与 Devin 的不同侧重
OpenAI 的 Dots 把持续协作放进现有工作流程。 根据 9 月 29 日的官方介绍，dot 有自己的云电脑，可以使用浏览器和已连接的应用，持续推进项目。用户可以通过 ChatGPT、Slack 或 Teams 联系它；它也可以主动汇报、提问或请求用户作出决定。面向组织的专家型 dot 则围绕专门职责配置身份、凭据和系统访问权限。这条路线侧重于把助理接进个人与团队已经使用的工作环境。OpenAI 官方介绍
Meta 的 Muse 从日常生活中的具体事项进入。 在 9 月 8 日的官方介绍中，Meta 举出的用途包括发送邮件、安排旅行、填写表单，以及根据一个较大的目标制定计划、协调时间和资源。Muse 在自己的云电脑中工作，用户可以通过应用或 WhatsApp 与它交流；应用关闭以后，它仍能继续处理任务，发生变化或需要批准时再来联系用户。这条路线更关注普通人怎样把生活中的事务交出去。Meta 官方介绍
Devin 的 Memory 和 Dreaming 关注合作经验怎样延续。 官方文档介绍，Memory 会把用户偏好、修正和项目经验保存为可跨会话使用的记录；Dreaming 会在后台整理这些记录，合并重复内容、移除过时信息，并补充有用的经验。对长期开发工作而言，记得上次怎样解决问题、用户希望怎样测试和汇报，可以减少重复解释。Devin 官方文档
这几个产品的入口和侧重不同，也都在探索怎样持续推进目标。评价一个 Personal 助理时，可以把注意力放到具体合作中：它是否能接住一项跨日的工作，是否知道下一步要做什么，能否使用已经确认的要求，以及需要用户参与时怎样沟通。
Sparse Agent：用目标、KPI 和约束定义员工
我们的 Sparse Agent 也从长期合作出发。你可以把运营一个账号、持续跟踪一个项目、改善一个网站这样的职责交给它，让它负责把事情一轮轮推进。目标周期可以设为几个月、一年，甚至更长，用户通过汇报和反馈掌握进展，不必每天重新布置同一件事。
我们用 Goal、KPI 和 Constraints 来定义这份职责。Goal 写清楚为谁工作、希望达成什么结果、持续多久；KPI 说明怎样衡量进展和结果；Constraints 则约定它可以自行完成哪些操作，哪些内容要先审核，以及什么时候需要请求协助。
定时任务和事件触发可以说明什么时候开始一轮工作。Sparse Agent 的后续安排，还要结合长期目标、当前进展和实际结果：这轮做完以后，下一步应该做什么，什么时候再检查，需要谁补充条件，哪些方法值得继续尝试。
一个数字员工还应该持续汇报。用户需要看到已经完成的工作、距离目标的差距、当前遇到的问题和下一步计划。用户给出反馈以后，Agent 要把这些要求接进后面的工作，继续对这份职责负责。
它适合承担的三类工作
有些工作需要长期经营，有些事项需要跨过多次等待，还有些项目需要围绕一组指标反复改进。下面三个场景，可以说明这种目标驱动的合作怎样展开。
持续一年的社交媒体运营
你可以给运营 Agent 定下一年的职责：围绕产品持续运营微博、知乎或 X，让关注这个领域的人更了解产品。把产品资料、已有内容和工作偏好交给它，再约定 KPI、发布范围和汇报节奏，它就有了持续推进工作的依据。
KPI 可以是月度可核验的公开触达量，也可以是与当前运营目标相关的账号数据。目标值、统计周期和计算方式都要说清楚。发了多少内容能够反映工作量，内容的触达和用户回应则帮助判断选题与表达是否产生了预期效果。
在约定的范围内，Agent 可以自行选择话题、尝试不同表达、调整发布节奏。产品增加了新能力，就把新资料用于后续内容；某类选题反响较弱，就继续检查读者、表达和发布时间。用户可以反馈哪些内容需要调整，Agent 再把要求用于下一轮工作。
我们此前的社交媒体运营案例，就采用月度可核验触达量作为 KPI，日报里会记录累计进展、剩余差距和后续安排。一年是可以设定的职责周期，结果要在持续运营中检查。达到某个月的 KPI 后，下一阶段的运营仍然需要继续。
跨两周的苹果开发者账号事项
另一类工作有清楚的终点，但过程里有许多等待和往返沟通。我之前交给 Agent 的一项任务，就是处理苹果开发者账号，并完成 PythonMiao 桌面软件的开发者签名。任务在 2026 年 7 月 16 日下达，同时约定进度日报，要写清楚当天进展、第二天的计划和预计还需要多久。
事情展开以后，里面有注册和续订、账号激活、填写工单、与苹果客服沟通、确认付款，以及后续的证书、签名和公证。账号没有激活，就继续查原因；客服还没回复，就保存进展并安排跟进；需要本人登录、确认身份或授权付款，就主动把缺少的条件告诉用户，提醒用户配合。
用户完成必要操作以后，Agent 再接着推进。它负责记住卡在哪一步、已经试过什么、现在等谁的回复。用户可以把日常协调和跟进交给它，收到明确的问题或请求时再参与。
按照项目中的案例记录，这项任务在 7 月 29 日完成，整个过程跨了约 13 天。最终检查覆盖开发者账号和会员资格可用，以及软件的 Developer ID 签名、Apple 公证和分发验证通过。中间许多时间用于等待，任务仍然需要持续跟踪，直到这些结果得到确认。达到约定的验收标准后，这项具体事项就可以结项。
连续三个月的网站性能优化
开发团队也可以把一项持续改进的职责交给 Agent。例如，接下来三个月集中改善一个网站的性能。开始之前，先选定关键页面或接口，再约定页面加载时间、接口响应时间、错误率等指标，同时确定当前基线、希望改善的目标和测量方法。
在这个周期里，Agent 可以持续检查运行状态，结合数据寻找优化点，复现问题，准备代码改动，再比较优化前后的结果。发布以后，还要继续观察实际表现，检查问题是否解决、其他功能是否受到影响，并安排下一轮工作。
这里可以写清一条约束：改动先交给人审核，确认没有问题后再发布。Agent 负责监测、分析、准备可审阅的改动和跟踪效果，人保留审核与发布决定。三个月是这个场景可以设定的工作周期，用户通过阶段汇报看到当前指标、已经完成的改动和后面的安排。
三类工作的结束方式各不相同：运营是一份按阶段检查的长期岗位，苹果账号事项在验收后结束，性能优化则在约定周期内持续改进。它们都需要有人保存进展、判断变化，并负责把下一步接下去。
每一轮工作结束后，安排下一轮
以账号运营为例，可以先给它这样的 Goal：
未来一年，持续运营我们的产品账号，让关注这个领域的人更好地了解产品。围绕真实的产品进展选题，定期复盘内容效果，根据反馈调整发布节奏；每周向我汇报进展。
接下来补上 KPI 的统计口径和目标，以及哪些内容可以直接发布、哪些要先给用户确认。目标越清楚，后续合作就越容易检查和调整。
Sparse Agent 的任务填写界面。图中的微博运营目标为填写示例，尚未创建 Agent。
在这个目标下，工作会逐渐展开：了解账号和已有内容，准备选题与素材，发布以后查看反馈，再调整下一轮。工作节奏也需要根据情况安排。上午已经做好准备、内容适合傍晚发布，中间又没有其他待办时，就可以先等待；出现新资料或用户补充要求时，再调整后续计划。
Sparse Agent 每一轮工作结束时，会保存当前进展，并安排下一次工作的时间和任务。继续工作时，再结合已有记录和最新情况判断下一步。长期职责仍在，工作就可以接着推进。
按需工作也有助于控制模型消耗。等待期间不需要持续让模型生成内容，需要判断和执行时再调用模型。实际 Token 用量仍取决于所选模型、任务复杂度和工作量。
一台位于你自己账号下的云电脑
Agent 要真正处理工作，还需要可以使用浏览器、终端和文件的环境。我们为 Sparse Agent 配置的是采用 Omarchy 的 Linux 云电脑。Omarchy 由 DHH 发起，提供完整的桌面和工具环境，Agent 可以在其中查资料、处理文件、运行工具，也可以根据任务需要扩展软件。
这台电脑开在用户自己的 DigitalOcean 账号下。用户可以查看和管理主机，通过 SSH 进入工作环境，检查工作文件，也可以决定继续保留还是删除。交给数字员工处理的数据和成果，有明确的存放位置和管理入口。
当前新建云环境默认不限时，也可以在创建时设置 1–168 小时的自动删除期限。长期职责需要安排好模型、云主机和账号授权，让后续工作有条件继续。云环境费用按用户自己的云平台账号结算；结束使用时，需要保存成果并确认环境已删除。关机本身并不等于停止云平台计费。模型与云环境设置说明
Memory 让后续工作用上已有经验
长期合作中，用户会不断补充资料和修正要求。例如，希望产品介绍先讲实际用途，再讲功能列表；某种说法需要更正；某个问题已经找到处理方法，后面可以继续参考。这些有用的信息，需要在下一次工作时还能找到。
我们把 Sparse Agent Memory 做成独立的云端服务，用来保存工作偏好、项目约定、已经确认的决定和可复用的做法。用户可以让 Agent 记下一条要求，之后查询并应用；约定改变时，也可以更新相关记忆，说明新的适用条件。
在经过授权的记忆项目中，不同 Agent 可以复用共同的资料和经验。比如，运营工作中确认过的产品表达，之后承担写作职责的 Agent 也可以继续参考。共享需要有明确的范围；当前 Sparse 工作台为各个 Agent 保留自己的记忆，连接同一个服务并不代表自动互相读取私有内容。
Sparse Agent 的“设置 → 云端记忆”界面。当前连接已就绪，连接账号已遮挡。
我们所说的“越用越聪明”，来自合作经验的积累：有用的做法保存下来，过时的要求及时更新，下一次工作结合当前情况使用。用户也可以在 Memory 网页中查询、检查和导出自己的记忆。重要的交付文件仍要单独保存，记忆服务保存的是可以继续使用的信息。云端记忆使用说明
直接发消息，持续沟通与汇报
开始合作时，不需要先把所有第三方应用都接好。完成模型和云环境的基础设置、定义目标以后，就可以在工作台里给 Agent 发消息，补充素材、查看进展，或者安排眼前的一项任务。
具体工作需要哪个账号，再完成相应的登录和授权。运营微博或 X，需要在 Agent 使用的浏览器里登录自己的账号，并约定发布范围；需要通过邮箱或 Telegram 接收汇报，也可以让 Agent 协助配置，完成登录与测试以后，再约定通知内容和时间。
临时资料和当前任务可以直接发消息。需要改变长期职责时，可以在工作台编辑 Goal、KPI 和 Constraints。用户可以暂停工作、补充新的判断，再让它继续推进。
把必要的协助接进工作，也是数字员工职责的一部分。登录、身份确认、付款授权和代码发布需要人参与时，Agent 要说明缺什么、为什么需要，以及完成之后怎样继续。用户不用自己追着每个环节走，Agent 应当主动跟进，并在需要时提醒用户配合。
从一件需要长期跟进的事开始
第一次使用，可以选一件范围明确、结果容易检查的工作。说清楚它要负责什么、怎样检查进展、哪些操作可以自行完成，再约定汇报和需要协助时的沟通方式。先从具体任务里判断这份合作是否有效，再逐步扩大职责。
Sparse Agent 当前采用邀请制。感兴趣的朋友，可以私信我，或者在公众号后台留言“助手”，告诉我希望它持续推进哪件事，我会提供邀请码和使用入口。也可以发邮件到 allwefantasy@gmail.com 申请。
官网：sparse-agent.com。首次加入按页面提示使用邀请码，再用自己的 Auto-Coder Chat 账号登录。模型和云服务使用自己的服务商账号，云端 Memory 建议按需要连接。
使用手册：Goal、KPI 与工作约束。延伸阅读：Sparse Agent 的三类适用工作。
我们希望做出的数字员工，能够记住自己承担的职责，把事情持续推进，在适合等待的时候保留进展，在需要用户参与的时候主动来找人。目标、KPI、工作环境和记忆，最终都要落实到这份持续负责的合作中。