收藏夹里存了许多东西，却很少再打开；运动设备记下每次练习，数据却没有变成下一次该练什么的建议；年轻时写过的博客还在网上，自己已经多年不读。Muse 的几个日常用例，都从这类被搁置的个人资料出发。

Muse 是 Meta 的个人 AI Agent：它能接入应用、浏览网页、执行多步任务，也能在后台持续工作并主动发来消息。在 How I AI 节目中，主持人 Claire Vo 与 Meta 设计总监、Muse 设计负责人 Alex Cornell，讨论了怎样把这些能力做成普通消费者愿意使用的产品。Lenny’s Newsletter 的补充文章提供了同一期访谈的人物介绍和章节索引。

这期分享贯穿的思路，是用熟悉的聊天入口承接复杂任务，再把已有数据变成适合这个人的目录、报告和播客。 它的产品设计和生活案例，正好说明这两件事怎样相互配合。

用熟悉的聊天入口，建立持续交流

打开传统 AI 应用，映入眼帘的往往是“对话历史列表”、“项目文件夹”、“知识库连接器”或“代码差异对比器”。这些概念本质上都是开发者熟悉的软件工程抽象。

而在 Muse 的设计哲学中，交互的原点不是“使用一款软件”，而是“你与一个独立实体之间的交流”（An exchange between you and an entity）。

1. 给助手一个自己的名字和形象

在 Muse 的主界面顶部，放着一个微型数字形象。默认形象是团队吉祥物 Jolly Bot（以 Alex 女儿的乳名命名），用户也可以随时将其自定义为各种充满个性的形态——例如 Alex 自己使用的绿色毛绒仙人掌 Marlo，或是访谈主持人 Claire 使用的粉色毛绒小恐龙 Slime。

这个角色并不是一个单纯的静态挂件，而是 Agent 当前工作状态的视觉提示。当它在后台查阅资料或执行计算时，这只仙人掌或小恐龙会在界面顶部同步抱着一台毛茸茸的小笔记本电脑啪嗒啪嗒打字。这种具象化设计不仅带来了情绪价值，也帮助用户形成一个直观预期：请求发出去后，这个角色还在替你处理事情。Alex 提到，他的母亲甚至会在发消息时向自己的 Muse 道歉并致谢，感谢它为自己辛苦工作——这段使用轶事说明这种入口对他母亲很亲切。

2. 主动发来的消息，要有清楚的边界

很多现代 AI 对话界面为了追求排版简洁，早已去掉了传统的即时通讯气泡，把文字平铺在白底上。但 Muse 反其道而行之，保留了气泡结构。

Alex 解释，原因在于 Agent 与传统聊天机器人存在根本差异：Muse 能在后台工作，并主动向用户发来消息（Proactive Messaging）。它可能在上午为你监控打折信息，下午为你抓取比赛成绩，傍晚主动给你发来一条提醒。在时间跨度拉长、交互异步发生的情境下，消息气泡能够清晰地标定每一段对话的消息边界、发生时间与归属，避免屏幕变成一团难以辨识上下文的时间线乱麻。

3. 平时沿用主聊天，独立任务再开分支

在信息架构上，许多 AI 聊天工具采用“全线程制”（All Threaded）——围绕多条独立讨论串来组织任务。不同事情分散在不同对话里，用户需要自行整理和查找。

Muse 选择了以一条主聊天（Main Chat）为核心的设计。用户可以像和微信好友或家人发消息一样，始终在这条长对话流里说话。Alex 希望在模型能处理相关上下文的前提下，让用户沿用一条主要沟通线，无需每次先决定新开哪条讨论串。

当然，这也带来了新的挑战：如果所有杂事都堆在主线里，界面难免会变得冗长混乱。因此 Muse 补充了“分支聊天”（Side Chats）作为分支出口，用于处理特定、封闭的独立任务（例如临时查阅一份文档）。但 Alex 也坦承，普通用户到底在什么时候该留在主线、什么时候该开启分支对话，在这个产品里仍需要更清楚的解释，这仍是团队正在持续探索的交互边界。

先回应再办事，让工作进展看得见

在 Agent 执行多步复杂任务时，设计师面临一个经典的两难困境：

• 如果完全隐藏后台过程，用户不知道程序究竟是卡死了、掉线了，还是在正常运行；
• 如果把完整的思考链（Chain of Thought）、搜索日志和调用代码全盘倾倒在聊天框里，普通用户可能难以看懂，页面也变得嘈杂不堪。Claire 认为，展示中间过程有时是在缓解响应慢带来的等待感。

Muse 的解法是按需展开的信息层级，让用户根据需要选择查看到哪一步。

先知道它在工作、正在做什么

对于绝大多数日常场景，用户只需要知道“它是不是在动”。在 Muse 的主界面顶栏，界面会先给出简明状态：例如 Jolly Bot is working...，并配上极其具象的小表情和简短说明（如 🎃 researching pumpkin patches，正在调研南瓜农场）。用户不必同时阅读全部操作细节。

想看进展时，再展开操作清单

如果用户想进一步了解“它到底干了哪些事”，只需轻点顶栏状态，即可展开一张清晰的任务列表（Task List / Today）。这里会以结构化清单的形式呈现：Agent 已经做过哪些事情。这让普通用户在无需看懂代码的前提下，就能评估 Agent 是否偏离了自己的预期。

需要审查时，继续查看执行代码

如果用户本身是开发者，或者某项操作执行失败需要排查根因，点击具体任务项后，可以一层层下钻到具体的执行记录，例如 curl 命令和代码。

Claire 强调，面向普通消费者，实际响应速度很重要。她的体验是 Muse 的模型很快，Alex 也提到有时快到让人怀疑它到底有没有真正去执行。

实际响应速度、先确认收到请求、以及在界面上展示工作进展，其实是三个不同的问题：模型速度影响响应耗时；而在处理复杂长任务时，Muse 会先用一个表情或简短消息即时应答，解决的是“它有没有收到请求”，让用户知道系统没有冷落自己或卡死；随后顶栏展示的工作状态与更深层的操作清单，回答的则是“它正在做什么、有没有走偏”。不能把界面的及时确认与状态提示，直接等同于任务已经完成。

根据个人兴趣，提示还能做什么

只用一条主聊天，Agent 其实就能处理大量任务，用户完全可以像对待私人助理一样在对话框里交代各种事情。然而，Agent 的能力虽然广泛，对大多数普通用户来说却往往不够直观，大家很难凭空想到它究竟还能帮自己做什么。

为了解决这个问题，Muse 在主聊天之外补充了两个辅助入口：

• 点子区（Ideas）：如果只是提供通用的功能说明或静态推荐，用户往往直接略过。Ideas 会结合用户近期的对话与个人兴趣动态生成具体的任务建议——例如如果你整天都在和它聊高尔夫，这里就会出现许多针对高尔夫的分析点子。这种结合个人兴趣的具体提示，能帮用户发现那些自己原本想不到的具体用法。
• 信息流（Feed）：给用户提供了一个可以主动实验的探索界面。用户可以用任意自然语言 Prompt 设定想看的主题，并随时调整和混合搭配内容订阅——例如工作日订阅行业新闻，到了周末切换为育儿或与孩子相关的信息。

接入已有资料，做出日常用得上的结果

下面几组用例，都从 Alex 已有的资料或持续关注的需求出发，改变的是整理方式、交付形态和更新节奏。

把 Instagram 收藏变成自己愿意翻的购物目录

Alex 长期使用 Instagram 的收藏功能，却很少回去翻看。先前存下的物品和灵感，就这样逐渐被新内容埋住。

• 输入的数据源：通过 Muse 提供的应用连接器（Connector），授权读取 Instagram 历史收藏夹中的非结构化图片、视频与说明。
• Agent 做的事：Muse 首先将这些零散的收藏条目进行逻辑聚类，分门别类归入不同文件夹；随后，结合礼品推荐逻辑筛选出有价值的商品。为了打破枯燥的信息列表，Alex 让 Muse 模仿上世纪 90 年代美国著名的航空机上购物杂志《SkyMall》与《Sharper Image》的版式风格，将这些商品重新编排成一份专属杂志页面。
• 产物形态与使用：页面上呈现出激光测距仪、复古钟表、便携咖啡器与数码收纳包，配以极具年代感的夸张宣传文案与排版。Alex 记得这份目录会每天更新。

Alex 已经用 Marlo 买过表带等物品，不过这份生成目录当时还没有接入“点中商品就购买”的流程，主要是他喜欢浏览的个人作品。

除了将购物灵感做成杂志，这种利用视觉记录的方式还能延伸到更广泛的个人创意与知识整理中。Claire 提到，她会把 Instagram 或 Pinterest 上的视觉收藏开放给 Agent，让它根据画面总结出自己偏好的具体设计风格与描述词，进而生成新的概念创意；Alex 也提到自己曾随手收藏过几百条高尔夫挥杆技巧帖子，但存下后从未回头翻看过，直到让 Muse 将这些零散内容通读并汇总成一份专属于自己的练习手册，这些资料才真正派上用场。甚至连过去随手发布的快拍动态，也能被重新抽取并组织成一条可以重新回看的个人信息流。这些用例的核心在于实现从“存下”到“能复用”的转变——让原本被平台信息流冲淡、散落在网络各处的非结构化记录，重新转化为个人生活里用得上的工具或灵感。

每周替你查折扣，有变化再提醒

除了静态重构历史数据，Agent 的另一个典型价值在于把用户过去需要反复手动执行的单次查询，转变为后台的定期检查。

Alex 将其称为自己的“监控超能力”（Monitoring Superpower）：例如持续跟进某个音乐人是否发布了新专辑、是否会来旧金山巡演，或是特定高尔夫品牌是否推出了联名商品；访谈中还有每周检查一次心愿单上商品是否降价的用法。在传统方式下，挑选儿童安全座椅或监控演出门票往往需要多次手动在搜索引擎、视频网站和电商之间来回比价翻找；用 Muse 做座椅调研时，Claire 会先描述需求，再继续往下研究；持续关注新专辑或商品折扣，则是另外交代的后台任务。需要区分的是，浏览一份个性化商品画报，与后台监控价格折扣是不同的两类任务；访谈中的这些跟进主要负责筛查信息与到时提醒，提醒之后仍需决定是否购买。

高尔夫：从记下成绩到知道该练什么

作为高尔夫球爱好者，Alex 的长期目标是达到“个位数差点”（Single-digit handicap，是衡量球手水平的差点指标，不是整轮只打个位数杆）。Alex 解释，这样一个长期目标既有挑战又可实现，关键在于能让 Agent 理解所有零散追踪的数据最终都要向这个目标汇聚，使每一次下场复盘与练习建议都指向同一个提升方向。但他平日工作繁重，极少有机会真正下场练习。

• 输入的数据源：手表记录的每一杆击球轨迹与球场逐洞成绩，以及练习场设备采集的击球数据。
• Agent 做的事：单看记分卡，用户要自己找出丢杆主要集中在哪里，而 Muse 能将数据转化为生动的故事化复盘（Storytelling）。在单轮复盘报告中，Alex 提到，图表让他很快看到前九洞差、后九洞好的变化；有些复盘会比较同一球场某一洞以往和当日表现，回到该球场时可参考。下图展示的是同份报告中逐洞丢杆的归因，并为那场打了 84 杆（高于标准杆 12 杆）的球局生成了“转换阶梯”（The Conversion Ladder）推演模型。

• 练习场报告与样本质量：在另一份针对挥杆练习的 TrackMan 报告中，Muse 能够解析击球参数：例如指出开球一号木（Driver）目前攻角向下（-2.4°）且杆面微开（+2.6°），建议先修正击球角再微调杆面，报告估计可能多出 15–20 码距离，还要用设备重新测量验证。更关键的是，在 54° 挖起杆的数据模块旁，系统醒目打上了红色警示标语：UNRELIABLE SAMPLE — DO NOT USE（样本不可靠，请勿参考）。

这里的 84 → 80 → 79 是单轮改善假设：把 4 次双柏忌（比标准杆多两杆）控制为柏忌（多一杆），合计省 4 杆；再省一杆就到 79。它帮助 Alex 找到优先减少哪些失误，并不表示他之后已经打出了这个成绩。训练报告也沿用了用户对坏样本的标记，提示先重新采集数据再分析。

此外，这类周期性任务的节奏往往需要跟随真实生活的动态灵活调整。Alex 原本设定让 Muse 每周日检查一次球局数据并生成复盘，但因为平时工作繁忙很少真正下场，固定的周度检查经常扑空。Alex 自己提到，完全可以把这类检查的频次调低（例如改成隔一段时间再查）。这也说明后台任务的触发节奏应当贴合生活资料产生的真实频率，而不必死板维持固定周期。

旧博客：找回文章，每天早晨听一篇

Alex 的旧博客曾在 Blogger、Tumblr 等平台间迁移；二十年后，他已经很少再去读那些文章。

• 输入的数据源：利用互联网档案馆（Wayback Machine）的历史抓取镜像，以及散落在不同内容平台的旧链接。
• Agent 做的事：Alex 让 Muse 穿梭于各处历史快照之间，找回自己二十年前的博客文章，将其整理合并为一份完整的 PDF 文档。随后，Muse 将其重排为一个类似博客的网页产物。但更具巧思的是，Alex 更喜欢用播客来重新接触这些旧文章，他让 Muse 将这些文章转化为每日早晨随机选文朗读的音频播客。
• 产物形态与使用：每天早晨，Muse 会发来一篇旧文的朗读节目。例如在演示中，播客正在幽默朗读 年轻时 Alex 写下的一个问题：“难道只有我觉得奇怪吗？为什么世界上 90% 的人都穿同一种颜色的裤子？”这种跨越时光的音频重构，让原本很少重读的旧文变成了日常能听到的回忆。

国际象棋：把趋势与逐局复盘放在一起

Alex 希望把自己的对局分析和长期变化放在一起，方便判断最近表现怎么样。

• 输入的数据源：使用 Chess.com 的个人历史对局数据（覆盖万余局历史对局与近期几十场走势）。
• Agent 做的事：通过主对话框直接用自然语言描述需求，Muse 便搭建起一个完整的个人国际象棋看板（Chess Dashboard）。看板呈现了 Blitz 对局在过去数十局窗口内的积分起伏走势（在 1500 至 1590 分之间波动，近期峰值 1579，而历史最佳为 1777），列出最常用的开局及出现次数（如意大利开局、苏格兰开局），并针对最近一场对局生成带有微讽刺风格的单局复盘；带吐槽的语气是这次产物自行形成的，Alex 并没有事先要求。
• 产物价值：把原本单向度的数据变成了一个带有个人语气、方便回看的复盘工具。

看板中的 1579 是近期 42 局窗口的峰值，1777 才是个人历史最高分。Alex 自己也说最近像是在退步。这一案例的价值是把走势和单局分析放在一起，方便找问题；它没有证明 Muse 已经提高他的棋力。

保持稳定框架，给个性化结果留下空间

在访谈后半段，Alex 分享了从传统图形界面设计跨入 AI Agent 设计时，需要重新适应的工作方式。

框架保持一致，生成产物因人而变

传统软件通常有较明确的界面与行为预期；例如某个圆形出现在错误位置，就可以按既定设计排查修复。

但在 Agent 时代，生成结果具有非确定性（Non-deterministic）。（同样输入也不保证得到完全相同的输出）每一个用户的 Muse 形象不同、接入的第三方应用不同、说出的自然语言不同，Agent 所生成的看板、文字和排版形态千差万别。

很多人将“生成式 UI（Generative UI）”想象成极端的科幻体验：每次打开应用，整个页面的布局、按钮形状和色彩系统都被 AI 重新手绘一遍。但 Muse 目前的实际做法是守住稳定的系统框架（The Rails），在原生容器内承接个性化生成。主聊天的对话流、顶栏状态条、点子区与信息流等核心入口依然固定，信息流里的卡片单元同样由团队原生设计，而不是整个页面全部由 AI 生成。但在这些稳定容器内部，内容和状态是动态生成的——例如当用户把化身换成一颗番茄，系统会自动生成番茄在笔记本电脑前敲键盘的各种工作状态微动图；前面展示的复古购物画报、旧博客播客和象棋对局看板，也是在稳定框架中生成的内容。

面对这种非确定性输出，Alex 坦言最初作为资深设计师会感到别扭，甚至需要强迫自己“关掉挑剔的大脑”。设计的重心必须从预先定死每一张最终画面，转向搭好能包容多样产物的底层框架（Scaffolding）；对于生成的个性化结果，先看它是否真正有用，再决定要不要花精力把颜色或排版调到自己的要求。

除了视觉排版，日常交互同样存在这种非确定性。在访谈收尾时 Alex 承认，Muse 有时也会“不听话”（obstinate）、给出不合预期的结果。他坦承自己并没有一套成体系的高级提示词策略，遇到卡壳或偏离时，通常依然像对真人说话一样保持礼貌沟通。他分享的是沟通习惯，没有给出哪种语气能稳定提高效果的结论；生成产物需要用户在后续对话中继续沟通、逐步调整。

后台执行要配合明确的权限设置

一个易接近的角色可以帮助用户开始使用；当它实际读取应用、发消息或购物时，用户还需要能检查它做过什么、管理它能做什么。Meta 官方功能页补充了这部分运行和权限说明。

根据 Meta 官方功能页的说明：

• 独立的持久虚拟机（Secure VM）：Muse 提供一台用户和 Agent 共用的隔离 Linux 虚拟机，可以理解为一台单独的电脑，拥有完整的浏览器、存储与计算资源；用户关闭应用后，交代的任务仍可在后台继续。
• 关键动作人工核准（Approve Critical Actions）：发送消息、购物或向已连接应用分享信息等动作，需要按用户设置处理授权，用户可以选择“仅允许一次”、“始终允许”或“直接拒绝”。用户也可以查看已完成与计划中的操作记录。
• 免费与用量机制：Muse 提供包含免费限额的体验机制，达到用量上限后，可选择付费订阅，或等待免费用量刷新。

从已有资料和真实目标出发，让 Agent 持续派上用场

这些案例有一个共同点：输入资料本来就在生活里，Muse 改变了它们的组织方式和使用方式。收藏成为愿意翻的目录，记分卡成为下一次练习的线索，旧文章成为愿意听的播客。

对产品设计而言，主聊天、状态与权限提供了稳定入口；个性化点子帮助用户发现能做什么；适合个人兴趣的产物，则让这个任务有继续使用的理由。选择用例时，可以先想自己已有哪份资料、希望它变成什么，以及多久更新一次才有价值。