据新浪科技独家报道，蚂蚁集团旗下 AI 产品灵光已于近日开启新版本的小范围内测，方向对标 Meta 于 9 月推出的个人智能体 Muse。知情人士透露，灵光新版本的核心变化是从能聊天、能生成应用的 AI 助手，转向拥有长期记忆、可主动推进任务的个人智能体，并计划本月全面开放。

这次升级的核心是产品定位的改变

灵光原有多模态 AI 助手的交互形态是代码驱动的输出方式，用户说一句话就能生成可交互的内容甚至可直接使用的应用。据接近项目人士透露，此次升级的核心，是让产品从「能聊天、能生成应用」转向「拥有长期记忆、可主动推进任务的 AI 原生个人智能体」。

灵光并非临时起意。报道称，相关方向约在半年前就已开始筹备，期间迭代多个版本。今年 4 月灵光推出过灵光圈产品，同期开始筹备个人智能体方向的升级。而 Meta 在今年 9 月推出个人智能体 Muse，可以推断这次节奏的确定与此不无关系。

腾讯与字节的同期动作

不只是蚂蚁。字节跳动在国庆假期前加快了个人智能体产品的开发进度，该项目源自今年 4 月启动的代号 Spell 的新项目，其个人智能体方向承接自 2025 年豆包手机助手团队的内测工作。腾讯则在 9 月末推出名为 LightVela 的个人智能体，定位为「云端个人助手」，可通过微信访问，设计目标是保持全天候在线以处理用户的日常任务。

三家公司在同一个月内推进同一条技术路线，说明这不是单点决策，而是行业共识。界面层面的变化也印证了这一点：灵光 App 界面新增独立的「我的生活」标签页，整个产品逻辑不再是一问一答的聊天框，而是分成「需要你关注」与「正在帮你管」两个模块。

· 这两个模块的划分透露了产品设计的核心：前者负责推送当下最需要用户关注的进展，后者负责用户长期托管给产品跟进的事项。这是一个从「被动应答」转向「主动触发」的结构变化，也是个人智能体与助手最本质的区别。

报道称，灵光新版本能通过调用 Skill 和 MCP 实现发钉钉消息、调用智能家居设备等功能，内测用例集中在长程、变量多、普通人自己盯不住的长程任务场景：比如帮上班族跟踪市场异动、帮家长管理钉钉打卡、旅行中遇航班延误或景区限流时重新安排路线等。

值得注意的是灵光 1.0 时期的产品路线：不仅生成图表、动画、3D 模型，用户说一句话就能生成可使用的「闪应用」。从闪应用到个人智能体，背后是同一套产品逻辑——让普通人无需编程就能拥有自己的工具，前者是把一次性任务变成可复用的工具，后者是把未完成的任务整体托管出去。

为什么中国厂商此时集体入局

中国 AI 应用生态的成熟度为个人智能体提供了落地条件。据 CNNIC《生成式 AI 应用发展报告（2026）》，截至 2026 年上半年中国生成式 AI 用户数超过 7 亿，渗透率超过 50%。同时，2026 年上半年国内 AI 相关投融资案例达 1255 起，涉及金额约 2501.4 亿元，达到 2025 年全年总额的 182%。

行业分析师刘丁丁向《环球时报》表示，竞争正从模型参数与问答能力，转向解决现实问题与改善用户体验。他指出，中国庞大的用户市场、多样的数字应用场景和完整的产业链，为技术的快速迭代与规模化部署提供了独特优势。

▍ 接近项目人士：灵光 2.0 内测用例集中在长程、变量多、普通人难盯住的场景，例如跟踪市场异动、管理钉钉打卡。

个人智能体的真正难点不在模型

把三家已披露的形态并排看，会发现技术选择的差异小于产品定位的差异。灵光走的是生活场景托管，LightVela 强调云端常驻在线，字节的 Spell 承接自豆包手机助手的技术积累。三者都指向同一个判断：个人智能体的竞争很快会从模型能力，转向场景接入的完整度与任务执行的可靠性。

· 这类产品的关键指标目前没有任何公开数据可以参照——任务完成率、失败后的可解释性、用户对长期托管的实际依赖程度，都还处在无法横向比较的阶段。这意味着外部观察者很难判断这一轮产品竞赛的进度，而这种不可观测性本身，也是各家厂商暂不披露详细指标的原因。

三点需要观察的地方

第一，内测到全面开放的时间窗口很短。产品人士称计划本月全面开放，但从「能聊天」到「可托管任务」的跨越，涉及执行可靠性、错误责任归属等尚未验证的问题。这类问题在演示场景里不容易暴露，而在真实的长期任务中会快速累积。

第二，与 Meta Muse 的对标需要谨慎看待。个人智能体面临的核心障碍在技术之外：长期记忆的准确性、跨应用的权限管理、任务执行失败时的可解释性，这些都需要生态配合，而生态配合的速度通常慢于模型能力的迭代速度。

第三，这条路线对底层模型的依赖度在下降。当产品差异化从「模型能力」转向「场景接入与任务编排」，竞争优势会更多来自服务集成与用户数据积累，而非单纯的模型性能。这意味着模型厂商在这条赛道上的议价空间可能会被压缩。

当产品差异化从「模型能力」转向「场景接入与任务编排」，个人智能体这条赛道的胜负手，很可能不在模型本身，而在谁的生态接入得更顺。