【写在前面】办公智能体还正打得不可开交,Personal Agent(个人智能体)战火又起!毕竟事关消费级的 AI 入口,性命攸关,谁家都拿出 All in 的姿态。我去 Github 看了看 Muse 的第三方破解,基本上就是参照 OpenClaw 设计的。想必大家对 2026 年初的龙虾大战还有记忆,虽然🦞已经消失在无数“刚刚”、“突发”的 AI 炒作中。但OpenClaw 把"聊天入口 + 持久人格与记忆 + 主动心跳 + 能动手的(云)电脑 + 可扩展技能"组合成了一个被验证可行的模板,然后,整个行业就能按各自的业务场景开发用户能理解、易上手的形态。

过去的这大半年正是各个厂家实现工程化、可用性、安全层打磨需要的时间:Harness 正在变成标配,工程共识是把"执行者"和"把关者"拆开。这也是 LLM 基座的 Agentic 能力越过及格线的时间:各家也专门为智能体任务训练了模型,但全天候在线、人人可用的单位经济性还没被证明,定价模式也还没定型。对于这个领域的创业者来说,是不是又回到了移动互联网早期补贴大战抢入口的时代?是不是重新上演赢者通杀,大厂吃干抹尽的旧剧本?

我们团队在 8 月也上线了时尚智能体私人顾问的 Beta 版,使用企业微信 Bot 为入口,简单任务用 Chat 直接交付,复杂体验唤起小程序的传统 GUI 界面来增强。内测中最大的 Learning 是对于绝大多数用户来说,面对一个完全空白的对话框,如何指示一个 Agent 为自己搞穿搭这件事,依然存在很高的认知和习惯门槛,当然,大模型对于个人品味的理解依然需要大量开发工作。今天聊聊我对这场生死战的想法,给在其他垂直场景打造个人智能体的创业者一些参考。

图片预览

01

「代理人战争」的号角已吹响

北美这一轮个人 Agent 长得都很像:每人一台云端电脑,一个消息入口,任务在后台持续执行,关掉 App 也照跑。区别在于,各自从哪里切进来。

Instinct 是一家 14 人的公司,23 岁的创始人,没有独立 App,就是短信、电话、iMessage、邮件里的一个号码。2 月开始邀请制私测,8 月在硅谷突然走红,邀请名额一度被挂到 eBay 上卖。从 8 月初到 9 月底,它连融三轮,估值从 5 亿多美元涨到 100 亿美元。创始人自己说,年化交易额已接近 10 亿美元,一半以上来自旅行,而且没在营销上花过一分钱。这些数字是当事人自述,没有第三方核实,但至少能看出它的势头。

Muse 是另一种打法。Meta 在 9 月 8 日上线,13 天全网下载超过 250 万次(Sensor Tower 估算)。它的用户里 95% 本来就是 Facebook 用户,Meta 几乎没为获客额外花钱。Muse 的安全设计后来被反复引用:干活的 Agent 和独立的审批 Agent(Sentinel)分开,任何对外动作都要后者点头;支付走一次性虚拟卡;对话承诺不进入广告系统。上线不到两周,亚马逊就以“未经授权”为由开始阻止 Muse 下单。入口之争从一开始就牵涉平台规则,不只是技术。

OpenAI 在 9 月 29 日的 DevDay 上发布了 Dots,xAI 的 Grok Bot 8 月就开了早期测试。不过我更想让大家研究体量最小的 Town:它回答的是“怎么让用户敢把事交出去”。

国内跟得很快。9 月 22 日的云栖大会上,千问宣布加速打造 Personal Agent,依托 Qwen 3.8 系列模型的 Agentic 能力,面向 3 亿用户构建持续、个性化的服务,服务领域拓展到 20 多个。在此之前,千问已在 5 月与淘宝全面打通,在淘宝 App 里上线了 AI 购物助手。国庆前夕,有媒体援引知情人士的话报道,字节跳动正加紧推动个人智能体产品研发,项目代号「Spell」,自 4 月起开展内测,延续了豆包手机助手此前探索的 Personal Agent 方向,Muse 走红后明显提速。腾讯方面,腾讯云轻量云团队的 LightVela 其实早于 Muse 就已上线测试,定位为「云端个人助理」:为每个用户在云端托管一个开源 Agent,全天在线,可以通过微信、企业微信等扫码接入。Manus 则在 9 月 28 日推出了 Cue。

从 9 月 8 日 Muse 上线算起,一个月之内,全球主要玩家都已发布产品或公开表态入场。不过,各家入场程度不同。做 AI 产品的人可以看一个细节:Meta 的框架自称从零写起,腾讯则直接托管开源方案。两条路都走得通,说明框架软件本身已经不构成门槛。LLM 基座和 OpenClaw 定下的那套产品语法已经是公共品,通用 Agent 之间拼的是托管、安全和入口;垂直 Agent 如果还想在框架层找差异,基本就输了。

国内还有一层特殊情况。拿“在医院小程序挂号并付费”举例,替个人办事的 AI 要过三道关:

进门:支付、出行、外卖这些开放平台只对有企业资质的开发者开放,“替个人办事的 AI”这种身份在平台体系里不存在;

办事:走不了正门,只能模拟点击,而平台风控能识别非人类的操作轨迹,豆包手机一代就被微信、淘宝和银行类 App 集体拦过;

付钱:平台主动建设的 AI 支付通道,额度小、每笔需验证、留痕可查。

短期内,国内不会出现一个打通各家生态的中国版 Muse,更可能是几个生态各自的“大管家”。那问题就变成:在几个超级大厂地盘的缝隙里,垂直的个人 Agent 还有没有位置?

图片预览

02

在角斗场中站对位置

在时尚消费里,通用 Agent 一定会吃掉浅层。找货、比价、凑满减、下单、查物流、提醒退换,这些事就是“一句话托付、后台办完”,正是它擅长的事。购物又是它们最直接的变现路径:Instinct 9 月底接入了 Shopify 的商品搜索和结账,千问早已打通淘宝。这一段,它们不会让给别人。

穿搭本身,它们也已经摸到了。淘宝、京东都有 AI 试衣。Instinct 的创始人在播客里讲过一个用户案例:一群用户把衣柜里每件衣服、自己的脸和身材比例拍下来发给 Instinct,每周让它用现有衣橱搭出 7 天的穿着方案,生成上身图;再让它上网找出成千上万套可能合适的搭配,用户点喜欢,它直接下单送到家。前文回放:AI如何帮你完成时尚搭配 Get The Look

这个案例说明,多模态模型已经能在视觉搭配上为普通用户提供服务。大语言模型掌握了大量公共审美知识:哪些颜色放在一起好看,上班、约会、旅行各该怎么穿,再把身材、天气和这次的需求算进去。只要商品信息够完整,配一套看上去不错的衣服并不难。这条及格线,对很多做穿搭工具的团队来说,就是在大模型之上包的一层薄薄的壳,一戳即破。

再往下看,还有两个问题绕不过去。

第一个是物理幻觉。上身图是生成出来的,为了好看会抹平赘肉、虚构垂坠感、无视尺码。用户看着美图下单,收到实物不合身,对代理人的信任也就没了。前文回放:“退货克星”背后的AI技术暗战

第二个问题更根本:机器只能输出“平均的正确”。两个体型几乎一样的人,面对同一件硬挺廓形的外套,一个从利落的肩线里感到权力感,另一个只觉得咄咄逼人。这里头交织着个人偏好、身体记忆、职场身份,还有她今晚要去见谁。要懂一个人,需要的不是更多公共知识,而是关于她本人的证据。

我把时尚消费拆成三段来看:垂直的机会,就在后两段。

交易段:找、比、买、送、退。通用 Agent 会做得很好,不要和它抢。

判断段:适不适合她、合不合身、值不值得买、这次要不要买。通用 Agent 覆盖不好,因为这需要为一个品类专门设计的服务。

体验段:逛、搭、试、晒本身就是乐趣。通用 Agent 也覆盖不好,因为它的使命是帮你省时间,而有些时间,用户根本不想省。

图片预览

03

柠檬市场的可信中介

做女装的人大概见过这组数字。十多年前,女装网店的退货率行业平均不到 15%,好店铺在 8% 以下;到了 2025 年,普遍是 65%~80%,直播场景更高。平台说,大约六成退货源于尺码不合;而商家为了省成本,把尺码缩小、换成廉价面料;市场上甚至出现了 A4 大小的吊牌和拉链上的密码锁。七天无理由,慢慢变成了事实上的免费租赁。消费者抱怨买不到称心的衣服,商家低价高退货,循环到最后,似乎只有平台是赢家。前文回放:退货是女装「新常态」,一半Z世代消费者「包围式购物」,AI如何重塑电商信任

面料、做工、版型、真实尺码,消费者下单前都看不到,信息不对称导致劣币驱逐良币。经济学把这种情况叫作“柠檬市场”,也是可信中介能创造价值的地方。女装市场需要一个站在买方这边、说话算数的人。

平台来做这个中介,有天然的利益冲突。它的收入来自 GMV 和商家投流,甚至自营的物流都有利可图。千问购物助手的功能组合是 AI 试穿、AI 算优惠、AI 低价帮抢,围绕的是价格和转化。我不觉得这是谁做错了什么,这是收入结构决定的。

如果六成退货是尺码问题,解决尺码就解决了最大的痛点。做着做着,我改掉了这个判断。原因有三个。

一是供应链端的版型数据本身不标准。尺码表缺失、不准、口径不一,供应链数字化并不完善。这不是 AI 能单方面解决的问题。前文回放:探索AI革命中的时尚新质生产力

二是大模型对物理世界的理解仍有幻觉。除非 3D 技术和“世界模型”对现实物理世界的还原达到商业化,否则看图判断合身和面料垂坠,还不能托付。前文回放:生成式AI无法解决虚拟试衣尺码精准,难道回归最初的3D起点吗?

三是即使尺码合适,用户依然会退。退的理由不是“不合身”,而是“镜子里的人不是我”。数据里的六成,也可能只是一个更委婉的托词。前文回放:越过AI生成视频的狂欢,动态虚拟试穿如何能「合身」又「合心」?

回头看,女装的信息不对称其实有两层。商品层:这件衣服本身好不好、尺码准不准,需要供应链数据,现阶段只能做初步排雷。个人层:这件衣服适不适合“我”,适不适合我这个场合、这个身份。后者不需要等供应链标准化,只需要关于用户本人的证据,而这些证据可以从她的每一次反应里积累。

第二层更深,但更可行。我把重点放在“品味”上:做无限供给和不满消费者之间那个可信的品味中介。尺码和品质没有放弃,而是降为硬约束:现阶段只做排雷,随着数据积累再往深里做。

几股力量,在今年下半年同时到了。

第一,用户习惯被养成了。 Muse、豆包助手会让大众开始习惯“把一件事交给一个 AI,让它在后台办完”。这件事的教育成本,大厂已经替所有人付了。

第二,能力基本够用了。 写在前面说过,Agentic 能力已经越过及格线。它还不完美,任务链条一深,失败率就明显上升;但对于“替你记住、替你筛一遍、替你办完一小件事”,已经够用。

第三,成本进入了可以计算的区间。 前沿模型之间的差距在缩小,开源模型紧紧咬住,价格被一路往下压;把不同环节交给不同的模型,规划和难点判断用贵的,常规执行用便宜的(比如只做判断、不生成文字的小模型),整体成本还能继续降。Agent 的成本第一次可以和获客成本放在同一张表上比较。补贴的形态也跟着变了,从现金红包变成有上限的算力配额,Muse 的免费档就是每周一笔固定额度。算力补贴买到的是真实使用,会沉淀成记忆和习惯,而不只是一次安装。

再加上前面讲过的两件事:多模态能力已经摸到了穿搭的及格线,女装市场的信任跌到了历史低点。这几股力量叠在一起,就是“现在”。

但“现在”对大厂和创业者的含义不一样。大厂的边际获客成本接近零,Muse 就是例子。对创业者来说,“现在”不意味着可以去拼补贴,而是意味着“懂一个人”这件事,第一次有可能算得过来。至于窗口有多长,取决于大厂什么时候决定在穿搭上配专门团队,后面讲护城河时再展开。

图片预览

04

从顾问的黑皮手账,到每个人的品味模型

“懂一个人的品味”这件事,奢侈品零售里早就有原型:叫 Clienteling,也就是顾问式专属服务——时尚代理人的初代原型。

顶级销售顾问记得的远不止尺码和消费金额:客人抗拒什么面料,什么场合能接受强调肩线的西装,那件看了三次始终没买的外套问题出在哪。这些记忆藏在顾问的黑皮手账(Little Black Book)、微信和脑子里。

但它有三个局限:稀缺,只给品牌最有价值的那批客人;脆弱,顾问一离职,品牌只剩下交易记录,丢掉了记录背后的解释;并且,它站在卖方。

品味判断里,触感、微表情、人与人之间的信任,AI 替代不了;但她在什么场合接受什么、拒绝什么、边界大概在哪里,是可以被规则化的。AI 能做的,就是把这一部分从稀缺的人力里拆出来,让长期记忆和品味学习成为普通消费者也能拥有的服务,同时站在买方一边。

那“懂她”在产品里到底长什么样?这是我最近花时间最多的地方。我叫它品味模型(Taste Model)。前文回放:AI 能否走进试衣间?新时代的顾问式专属服务和品味模型

它不是风格标签。“极简通勤风”“法式优雅型”最省事,也丢掉最多信息:同一个人,上班、周末、度假可以是三种样子。标签还会造茧房:系统按标签推,她在筛过一遍的候选里挑,挑出来的又被当作“标签贴对了”的证据。平台推荐追求快速收敛,品味模型则相反:容忍人的矛盾,推迟下结论。

它记的是证据:她在什么场合接受了什么、拒绝了什么。尺码、过敏、绝不穿的东西是硬约束;从行为里看出的推测,必须标明来历,证据松动了就撤销。

这和“写在前面”里那条内测体会是同一个问题:让一个人用语言描述自己的品味,几乎不可能;但让她在两个选项里挑一个,她几乎不用想。所以难点不在模型,而在服务设计:每一次服务都要产生有信息量的反馈。比如两张只改了领口、其他都不变的试穿图;再记下她的原话,分清她不喜欢的是单品、搭配,还是整个造型。

把聊天记录搬进数据库,不会自己长出一个人的品味,日志还是日志。真正的价值在“字段之间”:什么场合、给她看过什么、她怎么说、反应针对的是什么。这份案卷属于她,不属于Agent:她看得到、改得动、删得掉,才会持续给系统真实的反馈。

05

不是所有 Agent 都要帮用户省时间

做 Agent 的人有一个默认假设:好的 Agent 会减少用户花在 App 里的时间(Save Time)。对办事来说,这是对的;对穿搭,只对了一半。

在时尚消费里,有些用户,甚至所有用户在某些时刻,都会把逛、看灵感、搭配、试穿、晒图当作休闲娱乐(Kill Time)。这是她们不愿意让渡的体验。找尺码、比价凑满减、查库存、退换货、整理衣橱,才是负担。

这条边界还是会动的。同一个人,周一早上只想要一句“今天穿这套”,周末却想自己慢慢玩;比价对多数人是苦差事,对羊毛党却是游戏本身。所以 Agent 要学的不只是她喜欢什么款,还有她喜欢亲自做哪一步、在什么状态下想做。暂且管这个叫“乐趣图谱”吧。这类数据,通用 Agent 很难攒下来。

于是在同一个产品里,Agent 有两种身份:

在办事环节,它是代理人:替你把关、替你办完,时间越少越好,结果越对越好。

在乐趣环节,它是搭档:给出可编辑的方案,而不是最终答案,把最后那句“就它了”留给你。推荐太准,反而会杀死逛的意外之喜,所以要有意识地留出探索空间,偶尔带她去一个自己不会主动找的方向。

这也解释了我们内测为什么选了“企业微信 Bot + 小程序”的混搭:简单任务在对话里直接交付,复杂的体验唤起传统的图形界面。聊天框适合办事,不适合逛。这不是技术上的妥协,而是两种环节本来就需要两种界面。

还有一点:乐趣环节不只是留存和变现的地方,它是品味证据最密集的来源。用户在逛和搭的时候,愿意做出大量具体的选择。两个环节都在为同一个由用户授权使用的品味模型提供反馈,只是乐趣环节喂得更多。

“增强用户喜欢的体验”和“制造用户本来没有的欲望”,只隔一层纸。监管已经把消费诱导列为重点。用来衡量的标准是结果:买得更对、穿得更多、退得更少,而不是停留时长。

图片预览

06

代理人可以说不

相比大厂通用个人 Agent 的差异性,是我最想讲的部分。

垂直 Agent 和平台 AI 导购最根本的区别,不在模型,而在收入结构。可以概括成一句话:交易端,我按留下的订单赚钱,平台按点击赚钱;顾问端则靠服务立场来订阅收费。

“中立”其实有两种。

一种是在商家之间中立:买 A 还是买 B。统一佣金率、不卖排序、让排序模型看不到佣金,这些工程上都能做到。服饰类的佣金比例差别很大,排序模型如果以收入为目标,会自己学会偏向高佣金商品,所以这道墙必须砌在系统里。

另一种是在买与不买之间中立:这次到底该不该买。这一点,佣金永远做不到。哪怕只对没退货的订单计佣,它奖励的依然是多成交。按留下的订单计佣,能解决“买错”,解决不了“多买”。

只有用户自己付的订阅费,才能为“这次不买”买单。这和理财顾问是一个道理:按服务收费的顾问可以劝你别买,按产品抽佣的经纪人很难做到。所以订阅可以不只是一个收入来源,它是“劝你别买”可信的前提。

麻烦在于,国内用户的订阅意愿很低,而我自己的测算也显示,交易分成带来的收入天然比订阅大得多。经济引力会一直把公司往“多卖货”的方向拉。靠团队自律守中立,是守不住的。

解法可以借鉴 Muse。Muse 把干活的 Agent 和审批的 Sentinel 分开,做的是安全隔离;如果把同样的思路用在利益隔离上,便拆出了两个 Agent:

体验 Agent,陪你逛的搭子。承载灵感、搭配、试穿和社区,可以有品牌赞助的内容,但必须明示。

顾问 Agent,替你把关的顾问。靠订阅收费,只对用户负责,控制“购买闸门”。

真正站在用户立场的,是把关的那一个。

第一条规则:无论需求从哪里来,包括体验 Agent 的种草,所有通向下单的路径,都要经过顾问 Agent 的衣柜核对:“你已经有两件类似的了,这件能和你的哪几件搭?”这是“不买”真正发生的地方。否则冲突只是从下游挪到了上游:前面种草制造需求,后面“中立”的办事 Agent 忠实执行。

第二条规则:她的衣橱和品味模型可以用来生成搭配,但不能默认用来挑广告。用户可以选择广告是否按个人画像定向。绝大多数用户不会去改设置,真正的伦理选择,体现在默认值上。

第三条规则:对用户是一个产品,对内是两套系统。两边的业务记忆、权限、优化目标、收入核算全部分开;只有经用户授权的品味反馈,才进入共同模型。两边团队的考核指标也分开。如果两边背同一个收入数字,收入压力迟早会穿透隔离。

还可以把“不买”做成功能:本月少买了几件、省下多少钱、现有衣服的复用率提高了多少。这组数字既是用户感受得到的价值,也是订阅最好的理由:帮你省下的冤枉钱,超过订阅费。

还有一件事,和“劝不买”同样重要:Agent 替你做事的权限从哪里来。这里我要推荐 Town。它的默认值是只起草、不发送:AI 写好的邮件只能留在发件箱,由你决定发不发。同一类操作得到大约十次同意后,它才会问你以后能不能不再问;如果这十次里你改了一半,或者干脆没发出去,它就认为信任还没建立,永远不会主动提议自动化。创始人的一句话让我印象很深:智能体最致命的失败不是不准确,而是让用户丢脸;信任要花几年建立,却能在一分钟内失去。

权限是挣来的,不是要来的。放到时尚里,下单、退换、挂二手,默认都应该只是“起草”,由她确认;被原样确认很多次之后,再提议自动化。

07

防守的护城河

每个投资人都会问护城河。我在一年前的判断方向大致没错,但坦白说,个别问题需要重新修正。前文回放:不可能的任务:时尚特勤局Fashion Agent的3T行动准则

先说已经失效的。技术会被反向工程(看看最新 REA 的能力有多可怕),AI 写代码普及之后,界面和交互流也没有门槛;穿搭知识、色彩理论这类静态知识库,会被前沿模型迅速内化;多智能体架构是可复制的工程模式,OpenClaw 之后,个人 Agent 的产品语法都成了公共品。数据量呢?平台的数据远比创业公司多,拼量必输。

个人记忆也不是永久壁垒。通用 Agent 都有持久记忆;《个人信息保护法》第四十五条规定了可携带权,原则上,用户可以授权对手把她的衣橱和体型数据一键搬走。我们也应该承诺案卷属于用户。所以原始数据守不住,也不该守。

那还剩什么?我最后归结为三件事。

一是大厂不能做的:中立。收入不依赖广告和 GMV,可以劝用户不买。这条在国内比在美国更稳,因为国内大厂的个人 Agent 都绑在各自的电商和广告生态上。即使大船想掉头,也还有一个时间窗口。

二是大厂不愿做的:难以标准化复制的重运营。为一个品类专门设计的品味服务流程和证据结构,品牌直连、二手、改衣,以及和设计师、买手、造型师的独特关系。大厂不是做不到,而是不值得为一个品类这么干。海外的垂直造型 App 也给了我一个提醒:Alta 累计生成了上亿套搭配,但行业媒体观察到,多数用户仍把 AI 造型当尝鲜,时尚消费最终还是跟着商品走。如果只有搭配、没有供应链一侧的履约,很难从“好玩”走到“离不开”。

三是时间窗口:专注带来的产品形态和改进速度。这一条最短,大厂哪天决定在穿搭上配专门团队,窗口就开始关。所以我的判断是:大众女装是平台必争之地,窗口在中高端、设计师品牌和特定风格圈层。这些市场对创业公司足够大,对大厂又太零碎。

这里我想多说一句“品味权威”。很多人觉得,垂直产品可以做一个“有品味的 AI 人设”,比如一位先锋造型师。但人设只是镜子:用户自己挑的人设,服务的还是她已有的偏好。品味权威的价值在于,用户愿意听从一个不是按需定制出来的判断,而权威来自可检验的履历,人设没有。时尚又是一种社会信号,需要共同的参照,一个只属于你的人设,给不了圈层认同。

而权威来自人和社区,大厂也可以去买。Instinct 的 Selections 就是请厨师、设计师、本地向导来人工策展。所以要区分两种品味:作为权威的品味,谁的判断值得听,可以买;关于她本人的品味,她在什么场合接受什么、拒绝什么,只能从她自己的反应里慢慢积累。后者才是我认为的核心。

数据可以迁移,但有三样东西不会随一次搬迁自动复制:

基于证据训练出来、带着来历和不确定性的判断。它的价值不只在数据本身,也不与数量直接成正比,而在字段之间的关系;

一段被验证过的判断记录:过去推荐的十件中,她真的常穿八件;她纠正过系统几次,纠正之后有没有变好;

产生好证据的能力:知道下一次该试探什么,在舒适和越界之间留多少距离。这是服务设计,不在数据里,搬不走。

怎么证明这些不是自我安慰?就得定一条检验标准:按使用时长画改善曲线。同一批用户在第 1、第 3、第 6 个月,推荐被接受的比例、第一件真正合适的候选出现得多早、买回来的衣服退了多少、穿了几次。和“通用 Agent 加平台导购”相比,如果差距随时间扩大,说明反馈正在带来改善;如果被追平,说明你领先的只是时间。

08

留存才是真实的分发

很多朋友问,既然入口战这么激烈,是不是得先融一大笔钱去补贴?

我算了算账,结论很直接:付费投流对垂直 Agent 不成立。一个时尚助理用户能贡献的终身价值,远低于大厂春节补贴战里折算出来的获客成本。何况补贴也买不来留存:元宝春节期间日活一度号称超过 5 000 万,到 3 月底已经不足 1 000 万。

大厂之间的补贴战,形式会从现金红包变成“算力配额 + 生态捆绑”,大概率躲不掉。但那是它们的战争。对垂直 Agent 来说,增长只能靠网络效应带来的自然增长。

要变成网络效应,首先要让经授权的聚合数据跨用户流动:一套搭配被穿了、存了、晒了还是退了;在某类场合,哪些维度的调整最常被接受或拒绝;评论里挖出来的尺码偏差;身材相近的人穿什么效果好。用户越多,这些判断越准,新用户一来就受益。最直接的受益是冷启动:别人的试探模式会告诉系统,面对一个新用户,第一轮该先试探什么。

但它有边界。跨用户的模式只能用来安排试探,不能替个人下结论,否则就又退回了人群标签。它的强度也偏弱,规模到一定程度后改进会放缓;数据量拼不过平台,只能拼证据质量,而且前提是结果必须在自己的产品里完成验证。所以它更像护城河的一部分,让产品随规模变好,而不是拉新的引擎。

能直接把新用户拉进来的,是社交网络效应。时尚里我看到三种。

闺蜜小群。线上也能模拟线下购物的闲聊乐趣。再比如伴娘服、旅行拍照、闺蜜照,要求风格协调、不撞衫。各自的 Agent 在后台匹配尺码和衣橱,协调搭配,但不暴露关键隐私。单个圈子很小,黏性却很强,最大的价值是邀请裂变:我的 Agent 约你的 Agent,你也就需要一个。

转赠交换、共享与借穿。频率低,需要信任和物流,更像一个功能而不是支柱。但它和“劝你别买”的立场天然契合:“你闺蜜有一条类似的裙子,可以借来穿。”

按身材和品味匹配的陌生人社区。小红书已经证明陌生人交流穿搭有需求;但这不等于再做一个泛穿搭社区。小红书只能靠标签粗略归类,因为它不知道你的身材数据和品味证据。“和你身材相近、衣橱相似、品味相通的人怎么穿”,这种匹配的价值随用户数增长,才是真正的网络效应。

网络效应在稀疏的时候不起作用,所以要密度优先,而不是覆盖面:从一种身材类型或一个风格圈层起步,做到足够密集,再往外扩。圈子里的买手、造型师和活跃用户,本身就是入口。这些人靠的是选品品味和解读积累起来的信任,而不是流量势能,也不是压低价格。

所以入口不能是“有品味的 AI”,那是可复制的人设;而应该是“被 AI 放大的真人品味”。人负责权威和圈层,AI 负责把他们的判断规模化到每一个用户的衣柜里。

最后说一句 DAU。对办事型 Agent,DAU 是错的指标,好的 Agent 应该减少用户在 App 里的时间。在乐趣环节,时长重新有意义,但要区分她自愿花的时间和被流程拖住的时间。Agent 的留存看上去是结构性的,记忆、账户、托付的任务越积越多;但它也很脆弱,一次错误下单、一次隐私事故,信任就断了。留存的本质,是可靠。

图片预览

09

Key Takeaways

写给时尚行业的朋友。

这一轮个人 Agent 浪潮,对被低价货淹没的好品牌,可能给它们一个机会。一个懂用户品味的 Agent,能把好品牌推到适合它的人面前。你可以直接算一笔账:假设一个渠道带来的订单退货率是两成,另一个是八成,中间的差额就是利润差额。而降低退货的路径,不只是尺码更准,更是推荐更对人。

另外,请重视你们顾问手里的那本“黑皮手账”。它很珍贵,也最容易随人员流动流失。从今天开始,把“为什么”结构化地记下来,而不只是记“卖了什么”。

写给 AI 行业的同行者。

如果你也在某个垂直场景里做个人 Agent,我现在会反复问自己这几个问题:

在你的场景里,通用 Agent 会吃掉哪一段?别和它抢这一段。

判断段在哪里?谁在为“判断对不对”承担后果?

体验段在哪里?用户愿意自己花时间做的是哪一步?别把它自动化掉。

谁付钱?这个付钱的人,允不允许你站在用户这边?

你的每一次服务,有没有产生信息量足够的反馈?日志不是资产,被验证的判断才是。

你的权限,是要来的,还是挣来的?

回到开头那个问题:这是不是又一次补贴抢入口、赢家通吃的旧剧本?在通用入口上,大概率是。但在入口之下,还有些事大厂做不了,也不愿意投入,暂时更顾不上。

我们还在路上,这些判断也一定会被继续修正。欢迎你来跟我们聊聊。

我的新书推荐

都读到这里了,还不点赞关注?❤️您的支持是我坚持书写的不竭动力。 分享给您的同事和朋友,时尚的数字化之路,道阻且长,携手前行,行则将至。

下一本《时尚与科技简史》还没写完,Stay Tuned!