本文来自PRO会员通讯内容，文末关注「机器之心PRO会员」，查看更多专题解读。

随着 AI 技术进入新阶段，OpenAI 曾经引领的大语言模型风潮，正面临新的天花板：LLM 擅长对话生成，却在多任务执行、实时感知与系统联动方面力不从心。与之相对的是，市场和技术都在呼唤的下一代 AI Assistant 则正从「会聊天」迈向「能行动」，强调语音多模态交互、实时响应、工具链调度与跨系统执行能力。当 Jarvis 不再只是想象，真正的智能体之争，才刚刚开始。

01  通用 Agent 架构受限，任务智能还停留在「样板房」？

当前 AI Assistant 的发展核心挑战集中智能规划与调用、系统延迟与协同、交互记忆与拟人性，以及商业模式与落地路径四个维度。特别是在「智能层面」，不同技术路径正在交叉探索，即从押注基模的通用框架，到逐场景的小闭环系统、再到 Browser‑Use 和支持无代码 Agent 构建，每条路线都在解答「Jarvis 的大脑该长成什么样？」

表： AI Assistant 智能层面技术路径[2-1]-[2-11]

1、在任务执行智能方面，一条核心路线是构建长程、循环、可泛化的通用任务框架，实现从目标理解到任务完成的全过程，向下兼容场景任务。

① 这类框架试图将大语言模型作为核心决策体，核心机制包括任务拆解（Planning）、执行反馈（ReAct）、工具调度（Tool Use）等。[2-1]

2、以 Manus 为例，其采用「多步任务规划 + 工具链组合」架构，将 LLM 用作「控制中心」，再由 Planner 模块按需分解任务，执行时通过 ReAct 策略调用子模型与外部工具。[2-2][2-3]

① 例如在电商比价任务中，Manus 会逐步爬取多个站点数据、对比价格后给出结论。

② 但实际测试中，其对复杂网页结构的抓取覆盖不足，部分价格信息遗漏，说明其在数据质量、反馈利用与多模型协作上仍不稳定。[2-4]

3、通用架构的另一代表 MetaGPT 则强调此路线下 Agent 构建需叠加「代码执行、记忆管理与系统调用」等组件，需具备「跨工具+跨系统」的复合调度能力。

① 但其 MetaGPT 团队认为当前这类通用框架在实际部署中普遍存在延迟高、调用链复杂、成本不可控等问题。[2-5]

4、另一条技术路径则主张「逐场景做透」，围绕固定场景进行短程任务的运行闭环。

5、其典型代表如 Genspark 以 PPT 自动生成为核心场景，集成了 GPT-4.1 模型的多模态能力、工具使用与深度推理模块，实现从文本输入到图文内容输出的自动化。[2-6]

6、相比通用框架，「逐场景做透」的技术路线更强调低门槛部署与稳定性，适用于「弱通用、强完成」的应用需求

7、但该类方案在面对非结构化任务或领域迁移（如非 PPT 场景、非文本导图任务），系统表现明显下降，弱通用泛化能力不足。

① 例如 Genspark 目前在非标准化输入处理、动态主题生成等方面仍表现有限。

8、Browser-Use 类路径则探索更远期的提升方案，即让 Agent 像人一样使用浏览器完成任务。

9、以开源项目 Browser-Use 为代表，其支持 Agent 模拟浏览器登录、填写表单、抓取信息、提交交易等功能，可与 Claude Desktop 集成。[2-7]

10、另一代表 Open Computer Agent（Hugging Face）则具备模拟键鼠操作的能力，支持机票预订、网页注册等流程。[2-8]

11、该路径的优势在于操作真实 Web UI、无需额外 API 接入，但其稳定性、安全性与权限系统仍未成熟，且复杂任务流程下的异常处理能力仍受限。

12、而在面向中小企业或非技术用户时，无代码出工具（No‑Code Agent Builder）正成为下一代的 AI Assistant 的推荐解决方案。

13、已有不少机构和企业在探索该路径。如 Stanford 等机构去年发布了 AutoGen Studio，支持无代码方式搭建、调试和部署多 Agent 工作流，可视化拖拽并自动调用 LLM 和工具。[2-9]

14、Base44（今年 6 月被 Wix 以 8000 万美元收购）则以对话驱动，无代码自动生成前后端，以及权限、部署、数据库等全面功能。[2-10]

15、初创企业 StackAI 则提供无代码拖拽平台，支持与 Salesforce、Snowflake 等业务系统集成，实现自动化运营。于今年 5 月完成 1600 万美元融资。[2-11]

一句话唤醒万物，AI Assistant 要补齐的系统短板有哪些？

AI Assistant 最终要以语音为主要形态和用户进行交互。在系统优化层面，其语音交互低延迟、全双工语音、能力与硬件/系统行动绑定、和应用数据/工具调用等必定是主要面临的挑战。