Personal Agent 这个赛道，至今仍存在巨大的非共识，热度与质疑并存。
上一篇文章里，ZF 曾讨论过，Personal Agent 可能是个伪命题。一方面是算力成本，另一方面是用户需求：普通人究竟有多少复杂任务，值得每天交给 Agent 去完成？
当下，几乎所有入场的玩家都在沿着相似的思路做 Personal Agent：比拼算力资源、比拼 Connector 连接数量、比拼任务执行能力。但这条路上，有三个问题始终绕不开：复杂任务本身不够高频、手动输入指令的交互门槛太高，以及云电脑方案带来的高昂成本。
最近，ZF 注意到一款切入方式不太一样的产品——Orilo。
它选择从 Voice-native 的角度重新做 Personal Agent，真正使得用户在离开屏幕时，双手被占住的生活场景里，可以通过语音听到专属自己的 Morning Brief，也能在对话中随时交代任务，让 AI 直接去办。
硅谷判断：Voice 不是新功能，而是下一代 Agent 的起点
事实上，硅谷对 Voice 的判断，可能比今天大部分 Personal Agent 产品的形态更为激进。
a16z 合伙人：Voice Agent 正在进化为真正的 Personal Agent
今年9月，在 a16z 最新一期播客《We Tested the New Wave of Personal AI Agents》中，合伙人对谈投资人 David Pawlan 时，他们分享了Voice交互的案例，在骑车通勤的 30 分钟里，通过自然语音对话，完成了邮件分类、标签整理、邮件回复以及日历邀请发送等多项任务。当他抵达办公室时，原本需要坐在电脑前处理的收件箱事务已经基本完成。这一案例表明，Voice Agent 的价值不只是让用户能够“用嘴操作 AI”，而是将通勤等原本难以处理数字任务的碎片化时间，转化为可以持续执行工作的生产力场景。
YC 总裁与 Zynga 创始人看好Voice AI：下一代消费级 Agent 或将诞生于持续、自然的人机对话
在 Y Combinator 2026 年的一期播客中，YC 总裁 Garry Tan 与 Zynga 创始人 Mark Pincus 共同探讨了 AI Agent 在消费级市场的潜力，并对以自然语音交互为核心的个人 AI 助手表达了高度期待。
Mark Pincus 分享称，自己如今最主要的 AI 使用方式，就是在日常走动时持续与 AI 进行语音对话。他期待未来的 AI 不再只是被动响应指令的工具，而是能够实时参与日常交流、理解上下文，并像一位真正的对话伙伴一样，在需要时主动提供建议。
Garry Tan 对这一方向同样表示看好。他认为，这种能够持续感知语境、自然参与对话的消费级 AI 产品，有望催生一家价值百亿甚至千亿美元的公司，而这样的产品目前尚未真正出现。
红杉认为Voice是下一代AI的主要交互界面
2025 年，红杉资本在投资语音 AI 公司 Sesame 时，将 Voice 与键盘、鼠标、触摸屏相提并论，认为语音正在成为 AI 的下一代主要交互界面。a16z 也提出了同样的观点：“对消费者而言，语音将成为人们与AI交互的第一种、甚至可能是最主要的方式。”
一个有意思的反差是：行业正在集体看好 Voice，却仍然习惯于围绕屏幕来设计 Personal Agent，在Muse、GPT Dot、Grok bot里，他们只把语音当做輸入法，亦或当做打电话的模式。但我们试想一下，如果不再把 Voice 当作一个 Feature，而是从第一天就以 Voice 为原点设计整个 Agent，会发生什么？
生活中的高频场景：Voice 是最自然的交互形式
这一轮 Personal Agent 的竞争，正在出现一种微妙的错位。
几乎所有产品都宣称要进入人们的日常生活，但它们的产品形态却越来越像 Work Agent：用户打开聊天框，交代一项任务，Agent 在云端调用工具、操作浏览器、管理多个 Session，最后把执行结果送回屏幕。从 Coding Agent 继承而来的这套逻辑，正在成为 Personal Agent 的主流范式。
工作和生活，真的需要同一种 Agent 吗？
最直观的一个差异：工作场景，用户大多坐在办公桌前，也习惯通过键盘、鼠标与软件交互。而生活场景则完全不同。从早晨洗漱、吃饭、开车通勤，到健身、做家务、接送孩子，人们一天中大量的时间并不在屏幕前。并不是这些场景没有 AI 需求，而是人们正在做别的事情，没有多余的手和注意力去操作手机。
这恰恰是 Voice 的机会。它不是要取代屏幕，而是让 AI 进入那些原本不方便使用屏幕的生活场景。
低调内测的产品 Orilo，在这个问题上给出了他们的答案：Orilo 将自己定义为 Personal Voice Agent。打开 Orilo，首先进入的不是聊天框或任务界面，而是自然的语音对话。它甚至没有急于展示几十种彼此独立的功能，而是选择从每天早晨这个高频生活场景切入，尝试让 Agent 自然地融入用户一天的开始。
这个产品的出现，可能指向一个尚未被充分定义的新品类：Personal Voice Agent。
Orilo 选择的切入点是早晨。从起床后了解昨晚的睡眠、查看天气和日程，到听早间资讯、讨论感兴趣的话题，处理邮件，伴随的是洗漱、吃早餐、健身、通勤这些不方便屏幕的场景。这些原本分散在多个 App 中的需求，被组织进一段以语音为核心的连续体验。用户不需要专门停下正在做的事情，也不需要一直盯着手机。
更重要的是，生活中的 AI 需求的频率和颗粒度也与工作任务截然不同。
订机票、规划一次复杂的旅行，当然能展示 Agent 的能力，但普通人并不需要每天订机票。相比之下，查天气、确认日程、追踪一条新闻、记下突然想到的待办，这些需求可能一天发生十几次，却很少有人愿意为此反复打开 AI 应用、输入 Prompt、等待回应。
PA 的低频问题，未必是因为用户没有足够多的需求，也可能是现有的高摩擦交互方式，让太多细小的需求根本没有机会发生。
全双工语音的优势，恰恰在这些碎片化的交互中被放大。 Orilo 的实际体验中，用户不需要等待 Agent 说完，也不需要反复点击麦克风、提交指令，随时可以插话追问，Agent 便自然地转入讨论；顺口说一句“帮我持续关注”，后台就可以接手跟踪；中途突然想起下午有个会议，直接让它设置提醒。不需要切换 App、寻找功能入口，不需要刻意区分哪句话是在聊天、哪句话是在交办任务。整个过程自然丝滑，都在一段流动的对话中完成。
任务颗粒度的变化，也可能改变 PA 的成本结构。Work Agent 往往需要长时间运行复杂任务，以高算力消耗换取高价值产出；生活中的大量高频请求则相对轻量，并不需要每次都启动一套昂贵的长程执行流程。高频打低频，这是被消费市场不断验证的底层逻辑。
这可能意味着，Personal Agent 的发展不必完全沿着 Work Agent 的路径，当 Personal Agent 真正从办公室走向日常生活，Voice 可能不再只是一个可选的交互功能，而会成为整个产品体验的起点。
个人 Context 积累：Voice 比打字更能发挥优势
相比交互效率，Voice 对 Personal Agent 更深远的影响在于 Context。
这一轮 PA 的竞争，正在从谁能调用更多工具，转向谁能更深入地理解用户。模型能力可以共享，工具接口可以复制，但用户的个人背景、兴趣偏好、生活习惯，以及日积月累的交互记忆，很难在不同 Agent 之间轻易迁移。
语音在这方面有天然优势。
斯坦福大学的一项研究曾发现，手机上的语音输入速度约为文字输入的 3 倍。当输入成本足够低，人们更愿意把一件事情的前因后果完整地表达出来。让 AI 推荐一个周末去处，文字输入可能只有一句“附近有什么好玩的”；但在语音对话里，用户可能顺口提到最近工作很累、孩子喜欢户外、上周刚去过海边。这些随口说出的细节，恰恰构成了 Agent 理解用户的 Context。
Orilo 希望利用这种自然交流积累长期记忆。用户反复追问的话题、持续关注的公司、对某类内容的反馈，都可能逐渐沉淀为 Agent 对用户的理解，并影响下一次的内容推荐与任务执行。
PA 竞争的终局，很可能不只是比谁更聪明，还要比谁更懂用户。
此外，Voice 还可以打破 AI 对屏幕硬件上的依赖。AI 眼镜、各种智能耳机以及车载 AI，正在提供另一种可能：复杂的计算和任务执行留在云端，用户只需要通过声音与 Agent 交流。这意味着 Personal Agent 的入口，不必再被限制在手机和电脑里。耳机、眼镜、汽车，甚至尚未出现的新型可穿戴设备，都有机会承载同一个 Agent。
当 Agent 需要理解用户、积累记忆、持续交流，并在不同设备间自然延续，Voice 就成了盘活这些要素的关键一环。
Personal Agent 混战：胜负手未分，各家寻找不同的占位
当下的 Personal Agent 市场，有点像早期的电商。格局远未定型，各家都在从自己擅长的场景切入，试图先占住一块地盘。Meta 的 Muse 走大而全的路线，覆盖购物、出行、日程等生活场景；OpenAI 的 dot 强调长期记忆和持续执行，试图成为一个始终在线的个人助手；Grok Bot 更像 AI 同事，主要帮用户处理工作任务。Instinct 则直接进入 iMessage 等聊天窗口，让用户像给朋友发消息一样使唤 Agent；Town 从中小企业的邮件、日历等办公场景切入。
而 Orilo 押注的是 Voice。它想做的，不是一个增加了语音功能的 Agent，而是让语音成为人与 AI 交互的主要方式。
Orilo 有一个比较特别的地方：它不是先做 Agent，再往产品里加入语音能力，而是从语音产品一路走过来的。背后的 Echotime 由前百川智能联合创始人焦可创立。2025 年，团队先推出了 AI 电台“来福”，让 AI 围绕用户兴趣实时生成节目。用户不仅可以听，还能随时打断、参与讨论。据第三方报道，来福推出后，次日留存一度达到 40%～50%，并在早间通勤场景中初步验证了产品需求。到了 Orilo，团队开始面向海外市场，探索更大的商业化空间。此前在内容生成、实时语音和长期记忆上的积累，也被进一步延伸到了任务执行。其中最有代表性的，就是 Orilo 最拿手的 Morning Brief。它把个性化资讯、日程和待办融入一段自然的早间对话。用户一边听着为自己实时生成的内容，一边就能把事情交代给 AI 去办。从听内容到办事情，两件事被放进了同一段对话里。
值得一提的是，这并不是焦可看到 Personal Agent 热潮后才做出的临时转向。早在今年 2 月，他就在《智能涌现》的采访中提出，AI 时代真正值得创造的产品形态，不是工具，也不是平台，而是“人”。他当时举的例子，就是电影《Her》里的 Samantha。一个好的 AI 伴侣，不只是能陪你聊天，还能主动帮你处理邮件、解决问题。真正的陪伴，不是无休止地对话，而是一起完成事情。
现在回头看，从来福到 Orilo，虽然产品形态变了，但始终押注 Voice AI 这个方向，并且随着模型能力的进步，进一步升级新的产品形态。从最初陪用户听内容、聊内容，到如今开始帮用户处理真实任务。
当然，Personal Agent 的竞争才刚刚开始。通用助手、工作 Agent、聊天入口、垂直场景，每条路线都有自己的逻辑，但谁也还没跑出确定的答案。
结语
Personal Agent 注定是一场群雄逐鹿的竞争。
无论模型能力、算力，还是用户入口和生态资源，创业公司都很难与大厂正面抗衡。但这不意味着创业公司没有机会。大厂需要照顾更多用户和场景，创业公司反而可以更专注地做好一件事。对 Town, Instinct, Orilo 这类创业玩家来说，接下来真正值得观察的，不是它还能增加多少 Agent 能力，而是他们核心主打的特色能否让用户养成习惯。毕竟，偶尔和用一次 Personal Agent 做出一个 showcase 并不难。难的是每天使用它，并且放心地把事情交给它。
一个很有意思的问题是：用户究竟会先爱上一个能干活的 Agent，还是先习惯一个每天陪自己说话、顺便帮自己办事的 Agent？Orilo 赌的是后者。我们也会持续关注 Voice AI 这条赛道，看看这个差异化的切入口，会如何掀起这波 AI 交互的革命。
参考资料
[1] Sequoia Capital: Partnering with Sesame: A New Era for Voice, David Cahn、Roelof Botha, Oct 21 2025
[2] Y combinator: Zynga Founder: Consumer Is Not Investible Right Now - Thats Why You Shoul