Muse这一波agent 国产大模型跟不了

寂静回声

发布短短二十天内，Muse已经积累了大约400万总用户、60-80万DAU；要知道，它目前还只在美国、加拿大等少量市场提供下载。Meta的股价在此期间上涨约20%，从“AI行业的失败者”摇身一变成为了“AI行业新的领导者”。还记得两个月前，Meta二季报电话会议上，分析师反复追问扎克伯格：“为什么Meta还要花大价钱开发Muse Spark模型？为什么不干脆依靠第三方或开源模型算了？”现在，扎克伯格终于可以扬眉吐气地对华尔街说：“这就是为什么！”


Muse是一个功能很强大、使用很方便、面向一般消费者的AI Agent. 它与OpenClaw, 以及Meta一度想收购的Manus有什么区别？
从市场定位看，Muse的战略很清晰，就是面向一般人、解决消费端的问题，而当前绝大部分流行的Agent都定位于生产力和办公。
OpenClaw是一个运行在用户自己电脑上的Agent运行环境(Runtime)，所有数据均存储在本地，用户有绝对的控制权，可以选择任何模型完成任务。
Muse是一个运行着Agent的虚拟机，这个虚拟机由Meta包装好、负责安全问题，数据存储在虚拟机上，只能使用Meta自家的Muse Spark模型。
Meta所谓的“每个Muse用户都有一台专属电脑”的说法，当然不是指每人分配一台物理PC，而是指在云端给每个人分配了一台预先配置好的虚拟机。因为是预先配置的，所以用户不用进行繁琐的安装调试流程；因为安全方案由Meta打包负责，所以可以执行很复杂的、涉及金钱的操作；因为不依赖本地算力，所以在手机上也能运行。
OpenAI, Anthropic乃至谷歌等竞争对手，迄今还没有推出过类似的产品。国内的WorkBuddy、豆包、千问办公等，走的也是OpenClaw的路数。Muse傻瓜级操作，字面意义上的“有手就能用”，把AI Agent的门槛基本降低到了零。



WorkBuddy这样的本地Agent运行环境，Loop跑在用户本地，大部分数据也存储在用户本地，只是在烧Token的时候还要用外部算力。具体而言：
Agent编排(orchestration)，也就是任务分配、协同、保持上下文等操作，是由用户CPU执行的，相关数据也跑在用户的内存里；
在这个过程中产生的需要长期存储的数据，基本存储在用户的硬盘，或者用户指定的远程存储场所（由用户付费）；
调用外部大模型，Token所需算力由第三方模型商或云厂商负责，用户只是付费接收结果；但是，如果用户在本地部署了模型，就连这个环节的算力，也是由用户负责的。

Muse则完全反过来了：Agent编排由Muse虚拟机负责，数据存在虚拟机里，大模型则只能用Muse Spark。所有算力和存储均由Meta负责，用户的设备只是一台弱客户机(thin client)，就算把设备彻底断电断网、去睡大觉，Agent仍然在虚拟机里不停地运行，只是关键节点需要获得用户认可罢了。

全国至少有5000万台电脑安装过OpenClaw, WorkBuddy或其竞品，如果大厂要跟风Muse模式，就意味着代替用户把这5000万台电脑的CPU算力和存储空间全部接过来。匪夷所思，想想就觉得可怕。
如果上述愿景发生在一年前，国内大厂会毫不犹豫跟进，因为当时资本市场喜欢看大厂烧钱砸算力、砸存储，阿里宣布提高资本开支目标时，投资者是弹冠相庆的。可是现在风向已经变了，当腾讯、阿里先后宣布创纪录的季度资本开支时，市场的反应是冷淡的，乃至怀疑的。

任何大厂，不管是中国的还是美国的，倘若下定决心复制Muse模式，肯定要狠狠再砸一笔钱，而且很难通过对原有资本开支计划的调整来完成。因为Muse需要大量的CPU算力以及长期存储空间，与大厂既定的数据中心硬件结构并不相似。当然，这对于英特尔、AMD等CPU厂商而言是特大喜讯，AMD因此突破了1万亿美元大关。对于互联网大厂来说，则是早已不堪重负的荷包，又要打开一道新的缺口……

何况中国的用户数量还远远大于北美。Muse在北美红透半边天，到现在DAU还没超过百万。如果是在中国，做到千万DAU应该不是难事，那就意味着十倍的算力和存储要求……事实证明，中国用户，无论其工作与AI是否相关，在AI Agent方面的FOMO (Fear of Missing Out)情绪都是全球最强的。我的一位AI创业者朋友就感叹，老头老太太上街找人安装龙虾，这种事情只有在中国才会发生，放到硅谷都不敢想象。假设真弄出一个中国版Muse，啧啧，那画面太美，你想象一下？

如此浩大的、近乎无底洞的成本，国内大厂如果要跟，必须先确定一件事情：国内用户能迅速培养起付费习惯，或者立即通过广告、交叉导流等方式产生足够的收入。总而言之一句话：羊毛出在羊身上。这谁敢确定啊？万一你收费了，竞品不收费，你咋办？豆包、Kimi等聊天应用都有付费选项，迄今的效果谈不上特别理想，个人Agent付费的命运难道就能好很多吗？

还有一个问题是Muse Agent 是一款以持久化浏览器为核心操作界面的 AI Agent，而中国手机上网比例 99.7%，微信月活 14.81 亿且小程序渗透 90%，APP 化程度远高于美国。

Browser Agent（Muse、Browser Use、Computer Use 这一路）能跑起来，不是因为模型多聪明，而是因为 Web 天生给 Agent 留了 "操作接口"：
美国大量核心服务（Amazon、银行、政府、SaaS）功能完整的网页版仍然是一等公民，Agent 拿到 DOM 就能干活。
中国的网页版是什么状态？淘宝网页版强制引导下载 APP，微信网页版只能聊天不能看公众号，抖音网页版几乎不能刷，12306 网页版功能阉割。
信息不是 "在网页上但不好找"，而是根本不在网页上。


APP 能锁定推送权限、支付通道、用户时长、行为数据。网页版意味着用户可以用 AdBlock、可以多标签比价、可以被搜索引擎截流。对大厂来说，维护一个功能完整的网页版等于给自己挖护城河的墙角。微信小程序更是把 "网页" 也关进了微信沙箱。你以为在用 H5，其实在一个没有标准 DOM、没有开放 URL、不能被外部搜索引擎索引的封闭运行时里。
美国网站靠 Google 搜索获客，必须做好网页。中国的流量入口是微信（占总流量约 34%[待核・chinawebfoundry・2026-05]）和抖音的推荐算法，SEO 被百度竞价 + 微信封闭生态联合摧毁。企业没有动力做网页，因为做了也没人来。
实名制要求手机号注册，APP 天然绑定设备；内容审核在 APP 内可以做到实时拦截；网页需要 ICP 备案但跨地域监管难度大。监管偏好 APP 形态，因为可控。


国内 Agent 厂商宣传 "一句话帮你操作手机" 时，回避了一个工程现实：操作 APP 的技术路线每一条都有硬伤。
路线 A：UI 自动化（Appium / 无障碍服务 / 视觉点击），模拟人点击，靠截图 + 坐标或控件 ID 定位。
APP 每次发版都可能改控件 ID；混淆后的资源 ID 无意义；视觉模型识别按钮的准确率在复杂页面上断崖式下跌；微信、支付宝、抖音都有专门的反自动化检测，检测到无障碍服务异常调用直接封号。

路线 B：协议逆向（抓包模拟 API），绕过 UI，直接调用后端接口。
主流 APP 全链路加密（SSL Pinning + 自定义签名 + 参数加密），逆向成本极高且持续对抗；法律风险明确（《数据安全法》《反不正当竞争法》下，模拟登录调用他人接口可能构成非法获取计算机信息系统数据）

路线 C：云手机 + 视觉 Agent，在云端真机上跑 Agent，用视觉模型操作。
一台云手机月租几十到上百元，并发成本是浏览器 Agent 的 10-100 倍；操作延迟以秒计；APP 检测到云手机设备指纹直接限流。

路线 D：大厂开放平台 API，等大厂施舍数据接口。
硬伤：开放的都是边角料数据（商品标题、价格），核心交互（下单、支付、私信、订单管理）不开放；接口随时可能收紧或收费。
不是 Agent 在操作 APP，是 APP 在决定 Agent 能做什么。



国内 Agent 圈现在的叙事是 "模型能力追上 GPT 后 Agent 就能落地"。这是因果倒置。
美国 Agent 能跑通真实任务，很大程度上是在吃 Web 开放协议 30 年的老本，HTML 标准、DOM 可访问性、URL 体系、搜索引擎索引，这些不是为 AI 设计的，但客观上给 Agent 提供了标准化的操作界面。Muse 的浏览器操作能力，本质是把 "人用浏览器" 的过程自动化，而浏览器本身就是一个为可操作性设计的通用前端。
中国没有这个基础设施，我们有的是 12.76 亿月活、人均月用 186.2 小时的 APP 海洋，但这片海洋对 Agent 来说是信息黑洞，数据存在，但不可寻址、不可查询、不可操作。
国内 Agent 的真正瓶颈不是大模型，是 "最后 3 厘米" 的操作界面标准化。 这个问题靠模型迭代解决不了，要么等监管强制数据可携带 / API 开放，要么走端侧系统级 Agent，直接拿操作系统权限，类似 Apple Intelligence 的路线，但在中国需要厂商间利益协调，要么接受一个残酷现实：国内通用 Agent 的落地天花板，天然比美国低一个数量级。