作者｜董道力
微信｜ddl941110
最近，personal agent 成了 AI 圈的热门方向。人们期待有一个长期跟着自己工作的私人助手，知道你在忙什么，记得你的习惯，能打开软件、处理杂事。
而 xAI推出的 Grok Bot 更直接，索性给你一支 personal agent team。
你可以像老板一样给自己安排几个机器人员工，一个负责研究，一个负责写作，一个负责日程。它们有各自的名字、分工和工作背景，可以同时干活，也可以被拉进同一个群，互相发消息、交接任务。
在一众Personal Agents此起彼伏出现，激烈抢夺用户的这两个月，Grok Bot 的增长看起来碾压了不少对手。从2026年8月11日推出测试版，上线两个月后，它付费周用户就达到80万，其中10月份较前一个月前增长超过一倍。
连马斯克也直呼：I've never seen anything grow this fast.
我们也深入体验了这个产品，其实，整体使用下来 ，Grok Bot 其实并没有什么“新东西”，既没有能力超过 opus5.5 的模型，也没有超过 DeepSeek 的性价比，云电脑也是 manus 先配备的。
知名科技播客主理人 Lenny Rachitsky 近期讨论Grok Bot时也在节目说到，自己已经把不少原本交给 Cowork 和 Codex 的工作搬到了 Grok Bot。可当别人问，那些事情用其他工具不也能做吗，他又承认：从技术上说，确实可以。
也就是，Grok Bot没重度的发明什么新东西，也没有靠着模型进步带来增长，它完全凭对个人用户的场景和已有的技术的结合，以及相应的产品化设计，拿下了实打实的个人用户群体，并且留存惊人。
这基本就是今天所有Personal Agents们想象中自己的样子。
所以，我们想结合实测来看看它到底怎么做到的。
1
真正的把 Agent 当作同事
Grok Bot 最明显的一个设计思路，是遵循“同事化”。
什么叫同事化？用 Grok Bot 产品负责人 Roman Ugarte 的话来说，“同样的情况下，你希望一个人类同事怎么做？”。
这套思路套在产品设计上，最明显的一点就是：改变的是用户给 AI 分配工作的方式。
面对 Codex 这样一个什么都能做的聊天框，用户往往得自己想清楚，这次让它扮演谁，需要补哪些背景，调用什么 skill，应该按什么标准交付。
而 Grok Bot 则是让用户面对 Bot 扮演的同事。
比如，研究员 Bot 负责找资料，作者 Bot 负责出稿，助理 Bot 负责安排时间。只要你愿意，还能给 Bot 用上真实同事的名字和头像。
用户看见这些熟悉的同事，就比较容易想到，怎么分配任务。比如我抽空做了一个 AI 大佬小队，每个人都有自己的职责。
1
给 Agent 分工，也给记忆分工
同事化带来的另一个好处，是让不同 Bot 分别积累自己的工作记忆。
我们希望一个同事记住什么，往往和他的职责有关。研究员 Bot 需要熟悉你长期关注的领域、认可哪些资料来源、判断一份研究是否有价值的标准。作者 Bot 需要了解你的文风、结构偏好，以及怎么去除 AI 味。
就像在公司中，不同员工有不同的经验。
Grok Bot 的设计，让用户做某件事的时候会主动和专门的 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。
我就可以将老黄 Bot 打造出英伟达研究专家，以后有项目或者文章涉及英伟达，就可以让他参与。而他做的报告、网站等，也会存储在他的资料库中。
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。
1
用 Bot 管理 Bot
搭建很多 Bot 后就会遇到一个问题，怎么协调不同 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。
1
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。
但可如今不少人与 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：电脑能不能关键？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。比如支持用临时接管，这样遇到需要登陆的网站，就可以由人工登陆后，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陆不上或者频繁验证的问题。
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。
1
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。
