从 App 到服务,腾讯 Marvis 为什么认准「管家」

“AI 越会干活，留下的摊子越需要有人「收拾」。”             

作者丨成妍菁

编辑丨胡敏

在海外社交媒体上有创业博主用“Agent Sprawl（智能体蔓延）”来描述一个现象：

Agent 越多，其权限、数据和调用关系也越分散，企业组织也会遇到新问题：这些 AI，应该由谁来管理？

类似的问题，在 C 端场景里已经出现。

AI 时代，用户电脑里的文件、应用、浏览器页面和数据，正在变成个人的一种数字资产。

IDC 预计，2026 年全球活跃 Agent 将达 7940 万个，较上年增长近三倍。

Agent 正全面渗透 PC端，但行业很少关注后续问题：它们执行完任务后留下的系统冗余，该由谁来清理？

比如 AI 生成的文件挤占硬盘，C 盘突然飘红，后台进程越跑越多，本来用户引入 Agent 是为提效，结果却花更多精力去清理环境。

就像古早时期的电脑管家，彼时可以帮人解决杀毒安装卸载软件等问题，但 AI 时代反而出现了这一角色缺席。

空缺本身，就是新品类的机会。这便是“AI 管家”要回答的问题，也是腾讯旗下操作系统层级个人 AI 管家 Marvis，在上线四个月后宣布完成定位升级的原因。

传统软件时期，通常是人的需求先出现，再去寻找对应的工具。

比如写文档打开 Word，处理图片打开 Photoshop，查资料打开浏览器。

但 AI 来临后，轮到这些东西自己“干活”了，

当用户说“帮我整理一份市场分析”，他未必需要知道应该打开哪个软件、资料在哪里、具体功能藏在哪个菜单里。

AI 理解目标后，可以自己寻找信息、调用工具、处理文件，再把结果交回来。

用户和电脑之间的交互方式，也因此发生变化：过去是找 App，现在越来越像是在找服务。

今年 9 月初，Marvis 生态负责人在 Arm 大会上提出了“AI 服务直达”的概念。背后的逻辑并不复杂：当 Agent 真正进入工作流后，衡量一个 Agent 的标准，不再只是它调用了多少工具、具备多少能力，而是能不能把用户交代的事情真正做成。

在这个逻辑下，应用本身退居后台，成为可被调用的执行节点；开发者也转为通过 MCP、SDK 等方式向 AI 供给服务。

这也和腾讯副总裁林松涛在今年 WAIC 期间的观点一致：AI 应用正迎来“从有问必答到使命必达”的转折，“没有交付结果就没有办法形成业务的闭环”。

但AI越会干活，另一个问题也随之出现。

一次任务结束后，电脑里留下的：AI 生成的文件、图片和代码，浏览器信息、下载资料，新安装的软件、账号，以及各种本地数据。

本质上这些都是用户的数字资产，它们需要经营：要整洁、要安全、要调用的时候找得到。但这恰好是按任务计费的 Agent 无法覆盖的盲区。

这也自然划定了两类 AI 角色：Agent 是“帮手”，AI 管家是“管理者”。

帮手负责“理解、执行、交付”，按单结算，干完即走，对电脑的系统环境没有记忆与维护义务。

“管家”是另一种角色：长期理解你的电脑、文件、设备和数字资产，在需要的时候替你动手。

正如 Marvis “管家”定位：Marvis 像是在为用户的“数字之家”建立一种“家规”或者秩序。它的服务边界不是完成单项工作，而是长期管好个人的数字资产。

这是一个正在成型的明确分工：Agent 负责在前端干活，管家负责在后端统管。

前者已是红海，而 AI 时代的“设备管家”这一位置，目前几乎还是空白。这也让接下来的行业命题变得极其具体：这个管家，到底管什么，怎么管？

有时候遇到电脑开机变慢，要么忍，要么跟着教程手动去系统设置里逐个排查。

现在只需抛出一句：“开机太慢，帮我处理下。”

几分钟内，启动项优化和高能耗应用排查自动完成。更重要的是操作的分寸感：涉及系统底层权限的修改，系统会强制弹出窗口要求用户自己输入密码确认，绝不绕过安全机制。

完成这些的，是腾讯旗下个人 AI 管家 Marvis。

新版本解决了一个行业通病：用户往往不知道该对 AI 聊什么。Marvis 直接将能力具象化，在侧边栏推出了“管家团队”。电脑管家管性能故障，文件管家管知识库，软件管家管应用，浏览器管家负责网页自动化任务（后续还将上线游戏与生活管家）。

先看和用户关系最密切的电脑管家。

修电脑的难点从来不在“执行”，而在“归因”：比如用户报修时不会说“DLL 依赖损坏”，他说的是“腾讯会议提示我缺失 dll 文件，帮我搞搞”；不会说“显示器刷新率掉了”，他说“拖动窗口不顺畅”。

如何把口语化翻译成专业术语，是个技术活。

Marvis 的翻译层一部分来自腾讯企业 IT 部——内部代号“8000”，一个十几年间服务了数万名腾讯员工、处理过海量软硬件疑难杂症的专业维修团队。

双方合作的核心，绝非简单的一句“接入了经验”，而是把 IT 专家脑子里的“维修手感”，工程化地沉淀为了 Agent 可调用的“真实案例库”与“诊断路径”。

打开 Marvis 与 8000 团队共建的 Skill 清单，你能清晰地看到这种“判断力差异”。

这份清单覆盖了操作系统、硬件、软件和网络 4 大类、27 个真实运维场景。它应对的不是标准化的系统命令，而是高度模糊的用户口语：

比如，当用户抱怨“打开高动态范围（HDR）后颜色变淡了”、“电脑风扇很响还很烫，但我只开了几个普通程序”，通用模型会给出一段来自搜索引擎的排障百科，让用户自己试；而 Marvis 则按照 IT 团队的真实维修树——查询电池与高能耗进程的交叉数据、排查显卡驱动与色彩配置的冲突、定位开发工具的底层环境变量。

其中，硬件及外设（如双屏显示器无信号、花屏色差、蓝牙键盘连不上）是这份清单覆盖最厚的部分。遇到这些问题，Marvis 会一步步调取系统日志、比对历史真实案例的故障特征，最终锁定症结并给出修复方案。

这就是经验沉淀的价值：通用模型只知道“怎么做（How）”，但带有诊断路径的 AI 管家知道“为什么（Why）”和“动哪里最为妥当”。

来自一位真实用户的自来水“好评”更典型：开机启动项多出陌生程序，Marvis 查安装日志还原出现场——是另一个软件装的时候把它作为依赖默认带上的。

文件管家说明的是另一个问题：当家和干活，本就不该分开。

市面上的知识库要用户自己归类上传，Marvis 反过来，改为“文件留在原地，系统自动聚类”。本地路径不变、用户习惯不改，当有大量新文件（如成批简历）进入时，系统会提示一键并入。

它不仅打通了腾讯文档（后续将接入企业微信），支持多人在云端共建与问答，还计划通过后续上线的“项目”能力，将多次任务和产物收拢在同一个上下文中。

这印证了一个核心逻辑：资料管理不该是干完活之后“扫地僧”，而是过程中的一环。

软件管家则是从“管理应用”走向“管理服务”。游戏侧，Marvis 与微软、英特尔、高通在系统层和硬件层做了调优合作，演示里的 Steam AI 教学，打完一轮出战斗分析，教学模式实时提示按键。

游戏管家作为独立角色将在后续上线。生活服务侧，瑞幸联名参与人数超 20 万、全网曝光超 1000 万，50 多家服务商正在接入——在 Marvis 里点外卖、喝奶茶，买电影票……都在逐渐成为日常的AI能力。

在实际演示中可以清楚地看到，无论是优化多余的开机启动项，还是涉及注册表层面的驱动修复，只要触及系统核心权限，Marvis 绝不绕过安全机制，而是强制弹出确认框，要求用户知情并输入密码。

这种“分寸拿捏刚刚好”的诊断，正是一个优秀 AI 管家的素质。

Marvis 团队分享过一个有意思的日常：三台电脑、一个 Pad、两部手机，还有相机的存储卡。

但他平时更多时候只会对着手机说话。

现实里这样的问题很常见：用户通常只通过手机表达需求，但真正的文件和算力可能在另一台设备上。

所以，跨端并不只是“多端登录”。手机可以负责发起需求，PC、NAS 负责本地执行，云端在需要时补充算力，关键是让一个任务能够在不同设备之间接着完成。

再往前一步，Marvis 需要解决的就不只是跨设备，而是如何进入更多设备的系统层。

更重要的是，Agent 要真正完成任务，首先得知道“眼前有什么”。

Marvis 将本地文件、应用和系统状态纳入端侧索引，让 Agent 在接到任务时已经拥有一部分设备上下文，而不是每次从云端重新搜索。对于涉及大量本地数据的任务，这种系统级能力很难单纯靠更换一个基座模型获得。

这也是 Marvis 需要“牵手”硬件生态的原因。

对于 PC、NAS 等厂商来说，自建一套完整的 Agent 能力，需要长期投入模型、工程和产品团队；如果直接接入成熟的 Agent 引擎，则可以在现有硬件和系统之上增加新的AI能力。

对于 Marvis 而言，进入 OEM 和信创设备，则意味着它不再只是一个需要用户主动下载的 C 端应用，而可以成为设备本身的一部分。

模型可以更新，Agent 也可以重新开发，但一套已经进入设备系统、连接本地数据和硬件能力的合作网络，需要长期的产品适配和生态积累。

Marvis 与微软、英特尔等厂商已有的合作，以及正在推进的 OEM、信创合作，本质上都在扩大这张网络。

从这个角度看，腾讯应用宝想做的确实不只是一个 AI 助手。

应用宝过去做的是软件和 App 的分发：PC 时代分发软件，移动互联网时代分发 App。到了 Agent 时代，入口的形态发生了变化——用户不再只是寻找一个应用，而是直接提出一个意图。

对于 Marvis 来说，下一步要做的，是进一步“替用户把事情完成”。

这也是为什么 Marvis 团队更看重用户真实任务的完成情况。

如果这条路径继续延伸，Marvis 最终连接的也不会只有 PC。一台 PC、一个 NAS、一个 AI Box，甚至汽车、眼镜等设备，都可能成为 Agent 执行任务的节点。

Marvis 真正想触达的，是模型能力与真实设备之间的那一层。

但设备接入得越深，权限、信任和成本也就越重要。

Marvis 目前在权限和关键操作上都在强化这道边界：

成本和隐私，靠端侧模型解决：通过低比特量化，Marvis 已将 35B 级模型从约 30GB 压缩到 10GB 以下，在本地设备上即可运行——数据不出本地、处理不过云端，既省下云端的调用成本，也让隐私留在用户手里。

权限和信任，则靠另一套系统机制兜底：涉及删除、修改、支付等关键操作时，Marvis 先解释、再确认；外部服务接入遵循“默认不同意”原则，并采用开发者授权与用户授权的双重确认。

对于一个长期存在于设备里的 AI 来说，能力决定它能做多少事，但权限决定用户敢不敢让它做。

这或许也是一位管本地、懂本人、守本份的“AI 管家”和其他 Agent 分工不同的地方。