OpenClaw之后Muse再度爆火,这回有什么不一样?

Muse 成为第二个火出圈的个人 AI Agent

2026 年 9 月 8 日，Meta 面向美国市场正式发布个人 AI Agent 产品 Muse。根据第三方监测机构 Apptopia 的统计，上线 10 天内，Muse 在美区移动端的日活跃用户数达到 64.2 万，约为同期 ChatGPT 美区移动端日活跃用户数（23.1 万）的 2.8 倍。Sensor Tower 的监测数据显示，上线第 10 天，Muse 登上美国 App Store 免费总榜第一位，超过了 ChatGPT、Claude、Grok 等产品；在上线两周内，全网累计下载量超过 250 万次。

Sensor Tower 生产力榜单（iOS）。注：图中 177.1 万次为上线两周 App 端下载量口径，与正文「全网累计 250 万次」统计范围不同。资料来源：Sensor Tower

从新用户的来源分布来看，这波热度很大程度上得益于既有社交资产的转化。Apptopia 报告显示，Muse 上线前 12 天内，95% 的新用户本身就是 Facebook 用户，63% 同时使用 Instagram。Meta 将 Muse 直接置入 WhatsApp 聊天对话，数十亿用户无需专门下载独立软件，在日常发消息的对话框里即可直接调用智能代理。这一分发路径与此前 Threads 借助 Instagram 导流的增长逻辑非常接近。

Muse 的产品形态其实就是云端部署的龙虾，但底层设计有着自己的特点

在运行环境上，Meta 为每位用户在云端部署了一台独立的 Linux 虚拟机，命名为 Muse Secure VM。这台虚拟机配备了独立的浏览器、文件系统与运行内存，能够在云端持续运行。即使用户关闭手机或退出应用，Muse 仍然可以在后台继续执行长流程任务，并在出现阶段性进展或需要决策时主动给用户发送通知。

在任务管理上，产品形态从单次即时问答转向长期任务跟踪。Muse 设立了专门的「Goals」（目标）管理界面，将用户的日常委托拆解为具备时间跨度的行动计划；同时引入「Artifacts」（交付物）机制，将执行结果整理为可持续更新的日程表、结构化清单、数据看板或独立网页，脱离了聊天窗口内容易被刷走的文本段落。

在安全与权限管理上，系统实行了明确的分权与隔离。Meta 在虚拟机内部划分了相互隔离的区域。Muse 主体运行在隔离的 Runtime Cell 内，无法直接读取用户存储在系统深处的真实密码与敏感数据；所有对外的网络访问、第三方服务调用与权限发放，均由名为 Sentinel 的独立安全代理统一审批。涉及支付环节时，Muse 接入 Stripe Link 生成单次有效的虚拟银行卡号，限定单笔金额与指定商户；在执行发送邮件、付款结账等关键动作之前，系统会暂停并向用户弹出结构化卡片，必须经由用户手动点击批准后方可执行。

在信息分发逻辑上，产品开始探索从被动搜索向主动推荐的转变。除常规交互外，Muse 增加了「Ideas」与「Feed」两套主动信息流。Ideas 基于用户授权的日历日程、往来邮件及社交行为记录，主动向用户提供生活建议，例如根据出行机票信息提醒调整行李清单、推荐当地餐厅等；Feed 则按照用户预设的主题定期生成定制简报。

在实际使用测试中，各方机构展现了 Muse 的执行连贯性，但也记录下了面对非标准化复杂流程时的明显限制。The Verge 的实测表明，Muse 能够完整读取并清理 Gmail 邮箱中积压的数千封营销邮件，也可以在亚马逊上按照指定的身材尺码与颜色筛选运动服，并在核对购物车后向用户请求付款确认。WIRED 记者测试让 Muse 从旧金山一家面包店订购早餐，Muse 自行完成加购并调用 Stripe 支付；在二手交易市场寻找沙发时，代理在次日还主动跟进提醒。摩根士丹利分析师在筹备蜜月旅行的实测中发现，Muse 不仅每天早上定时推送目的地天气并更新行李清单，在受托购买遮阳帽时，代理还能结合航班起飞时间，主动提醒部分普通物流无法按时送达并给出加急配送选项。

仍有些问题需要继续打磨

尽管云端 agent 在单一服务、流程标准化的任务中已经具备实用价值，但在面对复杂的现实事务时，依然经常需要人工介入处理。比如在面对跨系统协同、多方验证或非标准页面时，Muse 的 Agent 执行链路容易发生断裂。Business Insider 记者的测试记录显示，当尝试让 Muse 汇总整理涉及学校通知系统、在线表格与即时通讯软件中的杂乱事务时，流程多次受阻；在续费 Girl Scouts 年度会员的测试中，支付环节因超时两次报错，代理最终建议由记者接管浏览器自行完成付款；在预约体检时，代理也无法顺利通过医疗保险信息的线上验证，最终只能建议记者致电诊所。

定价方面，Muse 采用免费层与订阅制并行的策略。免费层每周提供最多 1 亿 Token 配额，但激活时需要绑定支付卡；付费订阅分为每月 20 美元的 Power 档，以及每月 100 美元的 Maximum 档。其中 20 美元档位与 ChatGPT Plus 持平，100 美元档位则已经接近部分企业级 SaaS 软件的定价水平。

为什么 OpenClaw 的热度没能延续，Muse 会重蹈覆辙？

2026 年初，由奥地利开发者 Peter Steinberger 开源的项目 OpenClaw（小龙虾）在技术圈内走红。其 GitHub 标星数量在两个月内突破 14.7 万，创下开源软件增长纪录。然而到了 2026 年年中，OpenClaw 的热度迅速下滑。Muse 跟 OpenClaw 的区别在哪？

Muse 的优势

门槛更低：在部署方式上，OpenClaw 采用的是本地优先与开源透明的极客路线，程序直接运行在用户的个人电脑上，利用本地命令行、本地文件目录与本地浏览器开展工作。这种架构给专业开发者提供了极高的自由度与掌控感，但对普通大众而言门槛过高。用户不仅需要懂得配置 Python 依赖环境和排查终端报错，还需要一台保持通电联网的物理主机（如 Mac mini）。一旦运行过程中脚本依赖损坏，非技术用户通常难以自行修复。Muse 则将整套运行环境打包托管在 Meta 的云端虚拟机中，用户在 WhatsApp 或移动端应用里像发消息一样使用，不需要感知虚拟机的配置与维护细节，消除了技术层面的使用门槛。

安全性更好：OpenClaw 快速普及的那几个月中曾暴露出严重的系统性隐患。安天科技 2026 年 3 月发布的报告显示，全球有超过 23 万台 OpenClaw 实例在缺乏身份验证的情况下直接暴露在公网；国家信息安全漏洞共享平台（CNNVD）收录相关漏洞 82 个，其中 12 个达到超危级别；ClawHub 技能社区中被检测出带有恶意逻辑的扩展包占比达到 34%。将具备高权限的系统脚本直接部署在个人主机上，极易受到提示词注入攻击，导致本地隐私泄露或系统文件损坏。Muse 则通过云端专属虚拟机构建物理沙箱，配合独立的安全代理 Sentinel 过滤所有进出流量，主模型接触不到用户的真实账号密码，支付环节也依靠虚拟卡号阻断真实卡号暴露。即便模型在浏览外部网页时受到恶意指令误导，影响也被限制在单次运行的沙箱容器内部。

可用性有所突破：在 X 等社交平台的讨论中，人们指出了 Muse 的两个关键门槛的突破：一是大模型对计算机操作（Computer Use）、网页元素识别与表单填写的成功率越过了基本可用阈值，体验显著好于 OpenClaw；二是云端后台代理的授权体系基本逐渐成熟，使得 Agent 能够在用户离线状态下真正安全稳定的处理长流程事务。

野蛮生长 vs Meta 基本盘导流：OpenClaw 依靠 GitHub、开发者社交媒体以及短视频热搜传播，具有一定局限性。腾讯新闻与增长黑盒的联合调研显示，听说过 OpenClaw 的人群中，有近五成从未真正下载使用；在实际安装过的用户中，有三分之一在一周内选择卸载，抖音平台上的相关话题播放量在 4 个月内从 10 亿次迅速回落。相比之下，Meta 拥有 36 亿日活跃用户的社交大盘，Muse 借助 WhatsApp 和 Instagram 原生入口直接转化现有用户，省去了从公域到新应用的获客损耗。

共性问题依旧没能解决

然而，Muse 也没有完全解决 OpenClaw 的很多现实性痛点。首先，在真实的任务情境中，由于绝大多数外部网站并未开放标准化接口，Muse 依然需要模拟人工点击网页、解析前端页面。一旦目标网站调整版面布局，或者触发严格的人机验证机制，自动化流程依然会发生中断。此外，将个人邮箱、通讯录、日历甚至财务信息全面委托给 Meta 云端管理，用户的隐私顾虑并未完全消除。尽管 Meta 设计了严格的凭据隔离机制，但从技术架构层面来看，安全性并不是牢不可破的，云端主机同样有被远程入侵的风险。

C 端 AI 应用的投资机会：个人 AI Agent 若全面普及会带来什么

从 OpenClaw 到 Muse 的发布，个人 AI Agent 应用已经逐步从概念走向实际应用。这对 AI 的硬件基础设施建设与应用生态发展都带来了长足的影响。

硬件：长程推理推升算力需求规模

在硬件层面，个人 AI Agent 对算力资源的消耗大幅高于传统文本对话模型。传统的问答交互属于单次触发的即时推理，用户输入一段文字，模型输出一段回复后即释放资源；而个人 AI Agent 需要进行多步任务分解、页面截屏多模态理解、代码沙箱执行以及长时间的后台轮询监控。

这种长程交互模式对科技巨头的资本开支形成了持续支撑。Meta 在 2025 年的资本开支为 722 亿美元，2026 年资本开支指引进一步提高至 1300 亿至 1450 亿美元，重点建设 Prometheus、Hyperion 等吉瓦级数据中心。虽然 Meta 推出的 Muse Spark 1.3 模型相比上一代减少了 20% 的工具调用次数与 25% 的 Token 消耗，但根据风险投资机构 a16z 的测算，每维持 10 万名长期活跃用户在后台持续运行任务，年化推理成本仍然高达约 2500 万美元。

可以看出，算力基础设施的增长动能正在从单一的模型预训练阶段，逐步扩散至高并发、高上下文长度的长程推理阶段，能够提供高能效比推理算力的云服务厂商和定制化芯片供应商将获得持续的业务增量。与此同时，由于单用户常态化后台运行的算力成本高昂，缺乏成熟变现业务提供现金流补贴的独立初创企业将面临极大的资金周转压力，产业格局将进一步向拥有雄厚资产负债表与充沛基础设施的平台型大厂集中。

应用生态：传统互联网商业模式正在被打破

在应用生态层面，智能代理对交易环节的直接介入，正在打破原有的互联网流量分发与商业利益分配格局。

在商业模式上，行业的变现路径正由单一的软件订阅费向代办交易佣金扩展。目前 Muse 确立了「免费层获客、分层订阅提供基础收入、交易代办探索增量」的综合模式。摩根士丹利（Morgan Stanley）在内部讨论实录中指出，随着智能代理开始替用户执行搜索、比价与下单操作，电商与在线旅游（OTA）平台的市场格局将发生结构性分化。

在电商领域，拥有非标准化库存的平台（如 eBay）以及商品发现存在困难的手工艺品平台（如 Etsy），有望借助智能代理的高效检索能力盘活沉寂的库存，获取生意；而销售标准化同质商品、依赖站内付费买量和品牌溢价的零售商（如 Chewy），其原有渠道溢价将受到压缩。

商业平台与 AI 产品之间的利益博弈也已经展开。亚马逊在 Muse 登顶 App Store 当周便迅速封禁了 Muse 对其商城的直接访问，核心原因在于防范智能代理绕过站内搜索列表，直接冲击其每年超过 680 亿美元的站内展示广告收入；而 Shopify 则选择与 Meta 展开 Shop Pay 深度结账合作，反映出不同类型平台在应对外部代理流量截流时的应对差异。在在线旅游（OTA）领域，大摩分析师认为 Booking 相比 Expedia 具备更强的抗风险能力，主要得益于 Booking 旗下拥有更加分散、难以被单一接口垄断的独立酒店资源，且不依赖微利的航空客票业务。

中美应用生态出现路径分化

中美两地的应用环境决定了两国智能代理呈现不同的演进路径。海外互联网生态较为分散，各类消费与生活服务大量依托独立网页存在，因此 Muse 必须依靠「虚拟机内运行浏览器模拟操作结合长尾 API」的方式跨越平台壁垒，维护成本高昂且执行稳定性易受外部网页变动影响。与之相对，中国移动互联网呈现高度集中的「超级 App」形态，用户身份、日常沟通、服务提供与支付结算高度集成在大型平台内部。

在这一生态背景下，腾讯旗下的微信小微展现出了极具稀缺性的竞争壁垒。

微信拥有超过 13 亿月活跃用户，小微能够直接在聊天对话中自然唤起，用户无需单独下载安装新应用，获客门槛极低。更重要的是其背后完备的小程序服务生态，微信体系内沉淀了覆盖政务办事、交通出行、生活缴费、餐饮外卖与零售电商的小程序服务网络，小微可以直接通过平台内部的原生协议安全调用小程序组件来完成各项事务，其执行成功率与系统稳定性显著高于海外依赖网页视觉模拟点击的方案。

与此同时，微信沉淀了中国用户最深厚的人际关系链与长时交互记录，能够为智能代理提供极高精度的个人意图理解基础；微信支付天然集成在平台内部，免密授权、商家认证与结算分账机制成熟完备，无需通过第三方虚拟卡层层转接。

在模型底层，腾讯采用双线推进策略，通过通用大模型提升综合推理上限，同时依托专有 WeLM 模型保障微信生态内的合规与数据安全，目前正在研发的新一代 WeLM-617B（23B 激活）MoE 模型将进一步提升复杂推理能力，为万亿规模的个人代理潜在市场空间提供技术支撑。

总结

从 OpenClaw 到 Muse，个人 AI Agent 的发展迎来三个关键的节点：在产品形态上，从配置流程复杂的本地 Agent 转向托管在云端安全虚拟机的 24 小时在线 Agent，消除了普通大众用不来、不敢用的门槛；在商业模式上，从普通问答工具延伸至涉及真实世界场景任务，打破了传统互联网平台流量变现的传统商业模式；在上游层面，随着未来个人 AI Agent 的渗透率达到一定量级，高昂的长程推理成本将进一步提高 AI 算力需求。

过去短短几年，AI 演进的速度超出了几乎所有人的预料。从傻乎乎只能对话的聊天助手，到真正能帮人类干活、处理复杂任务，进化的速度快到很多人都没来得及适应。或许用不了多久，一个人人都拥有自己专属 Jarvis 管家的时代就要来了。