ARTICLE · 1089753
AI不想再做一个App了:阿里开始争夺电脑和手机的系统入口
AI不想再做一个App了：阿里开始争夺电脑和手机的系统入口
今天如果你要安排一次上海出差，大概需要做这些事：
先打开微信，确认客户时间。
再打开日历，看自己的档期。
打开携程或者飞猪，搜索航班。
打开地图，看看机场到客户公司的距离。
再找酒店、安排交通、设置提醒。
如果涉及报销，回来以后可能还要重新找订单、下载发票、填写报销单。
我们已经习惯了这种使用计算机和手机的方式：
想做一件事，先找到对应的软件；一件复杂的事，就在几个App之间来回切换。
但过去一年，越来越多科技公司正在试图把这个过程改掉。
未来，你可能只需要告诉手机：
下周三我要去上海见客户，帮我安排当天往返，避开早高峰到虹桥的航班，把行程加进日历。
接下来，AI自己理解目的、拆解任务、检查日历、搜索航班、调用地图、比较方案，再把结果交给你确认。
真正变化的，不只是AI越来越聪明。
而是：
用户和软件之间，正在多出一个新的中间层。
这个中间层不只是回答问题。
它开始理解用户意图、规划任务、选择工具、调用App、API、Skill，甚至其他Agent，最后真正执行。
过去，AI公司想把自己做成一个App。
现在，它们开始试图站到所有App前面。
而刚刚结束的2026云栖大会，又给这个趋势增加了一个非常典型的样本。
阿里这次真正值得看的，不是又做了一台AI电脑
2026云栖大会上，阿里发布了多项AI产品。
其中有两个产品，最好放在一起看：
Qwen Book和Qwen Intelligence。
Qwen Book被阿里定义为一台 Agentic Computer，智能体电脑。
它将Qwen模型、Qwen Desktop OS、应用和云端服务整合在一套体系中，并提出了一个值得注意的概念：
OS as Harness。
这里的“Harness”可以理解成Agent的运行和调度环境。
操作系统不再只是负责管理文件、进程和软件，而开始为Agent提供上下文、工具、软件控制和硬件控制能力。
这和我们过去理解的“AI PC”有一点区别。
传统AI PC更像：
电脑 + AI功能。
比如帮你总结文档、生成图片、修改文字。
而Qwen Book试图让AI更进一步：
从功能变成任务执行者。
比如用户正在制作PPT，可以直接告诉AI：
把这一页换成云端文件里的最新数据。
真正要完成这件事，AI不能只“生成一句答案”。
它需要知道用户正在做什么，找到对应文件，定位数据，调用工具，修改内容，再把结果交给用户确认。
以前是：
人找到软件 → 操作功能。
现在开始变成：
人表达需求 → Agent寻找工具 → 软件执行。
看起来只少了几个点击。
背后改变的却是用户和软件之间的控制关系。
相比Qwen Book，Qwen Intelligence可能更值得观察
Qwen Book毕竟还是一台阿里自己的设备。
Qwen Intelligence代表的是另一种路线。
因为阿里并不拥有像iOS、Android或HarmonyOS这样的主流手机操作系统。
它选择的不是先造一部手机，而是：
把Agent能力做成基础设施，提供给手机厂商。
Qwen Intelligence第一阶段包含三个Agent：
Mobile Planner Agent负责任务规划、拆解、工具编排和动态调整；
Mobile-Use Agent负责真正执行跨App操作；
Mobile Creative Agent负责移动端图像生成和编辑。
其中最值得注意的是Mobile-Use Agent的执行方式：
API-first，GUI-fallback。
也就是：
有结构化API和工具接口时，优先直接调用；
没有接口时，再像人一样通过图形界面操作App。
这实际上已经非常接近一种完整的“Agent调度层”。
假设用户说：
帮我安排周一去上海出差。
Planner负责理解：
需要订机票、酒店、规划交通、创建日历。
然后再让不同工具或执行Agent完成这些子任务。
所以阿里的路径和Apple、Google、华为并不完全一样。
Apple、Google、华为本身拥有操作系统，可以直接在OS内部构建Agent能力。
阿里的选择更像：
没有自己的主流手机OS，那就尝试成为其他终端背后的Agent基础设施。
过去模型公司争的是：
谁的模型更强？
现在，一个新的问题正在出现：
谁能真正进入终端系统，成为用户和软件之间的任务调度者？
如果只有阿里一家这样做，这可能只是一场产品实验
但问题是，阿里并不是孤例。
过去一年，把Google、Apple、Microsoft，以及国内华为、荣耀、vivo等公司的动作放在一起，会发现它们虽然产品名字、技术架构和商业模式不同，却都在解决类似的问题：
怎样让用户不用先决定“我要打开哪个App”，而是直接告诉设备“我要完成什么”？
然后由系统或者Agent判断：
需要什么信息；
调用哪些能力；
分几步执行；
最后交付什么结果。
这已经很难再理解成某一家公司的产品升级。
更像是整个计算机产业都在尝试增加一个新的软件层。
Google甚至直接说：Android正在从“操作系统”变成“智能系统”
Google对这个方向的表达非常直接。
2026年5月，Google在介绍Gemini Intelligence时写道：
Android正在从Operating System向Intelligence System转变。
过去Operating System主要解决的是：
软件和硬件怎么运行。
而所谓Intelligence System开始增加一个新的问题：
用户想完成什么，系统能不能主动帮助完成？
Google目前正在分阶段上线Gemini Intelligence的多步骤任务自动化。
早期Beta允许部分Pixel和Samsung设备上的用户，让Gemini完成叫车、点餐等任务。
Gemini会在一个受限制的虚拟窗口中运行需要的App，用户可以继续使用手机，并随时查看、接管或停止执行。
到了2026年夏季，这套任务自动化已经从最初少数App扩展到40多个常用应用，覆盖购物、餐厅预约、旅行体验、活动票务等场景。
当然，这并不意味着所有Android手机现在都已经进入“全自动Agent时代”。
这些功能仍然在分设备、分地区、分应用逐步开放。
但它暴露出的方向已经很清楚。
过去叫车的入口是：
Uber、Lyft或者其他叫车App。
如果Agent进一步成熟，未来入口可能变成：
“Gemini，帮我叫辆车回家。”
用户首先选择的不再一定是一个服务App。
而是一个代表自己寻找服务的Agent。
这就是入口关系开始变化的地方。
Apple走得更底层：不是让AI学会点App，而是让App主动变成AI可以调用的能力
Apple的路线又不完全一样。
它并不只依赖AI“看屏幕、点按钮”。
Apple一直在推进的一个关键框架叫：
App Intents。
过去一个App像一栋封闭的房子。
用户必须先进去，再找到里面的功能。
打开音乐App，才能播放音乐。
打开任务App，才能新建待办。
打开修图App，才能编辑照片。
App Intents试图做的是：
让App主动把自己的动作和内容描述给系统。
例如：
一个音乐App可以告诉系统：
“我能播放这首歌。”
一个任务App可以告诉系统：
“我能创建一个任务。”
一个内容App可以告诉系统：
“这些是我能够提供给Siri理解的数据和动作。”
Apple已经把App Intents称为Apple Intelligence中的一个重要基础。
而在WWDC 2026的开发者交流中，Apple进一步明确提到：
新的 system orchestrator——系统级编排能力，可以从多个不同App提供的App Intents中采取行动。
这里需要注意：
System Orchestrator目前更适合理解为Apple Intelligence和Siri体系里的系统级编排能力，而不是Apple单独推出了一个叫“System Orchestrator”的产品。
但它透露出的系统设计思路非常重要。
可以把过去的软件世界理解成：
每个App都是一家独立餐厅。
用户自己决定去哪家、点什么菜。
现在Apple正在让这些“餐厅”把自己的能力菜单交给系统。
未来，一个请求可能同时使用：
A应用里的内容，
B应用里的动作，
再加上系统自己的能力。
于是AI不需要每一次都重新学习：
“这个按钮在哪里？”
而是可以直接知道：
“这个App提供什么能力？”
也就是说：
App开始从“给人操作的界面”，同时变成“给Agent调用的能力”。
国内手机厂商，也已经开始改造操作系统底层
这场变化在中国尤其明显。
华为：从“人找服务”走向“意图即服务”
HarmonyOS 7已经明确提出：
Agent亲和系统架构
和
鸿蒙智能体框架2.0。
华为官方给出的定义是：
在用户意图，与应用、Skill、第三方智能体之间建立统一的接入和执行机制。
小艺在这个结构里也不再只是语音助手。
它可以结合系统上下文理解用户意图、规划任务，再调用应用、系统能力或者其他智能体执行。
目前华为披露，小艺可以调用2100多项系统能力，并连接500多个伙伴精选Skills和2000多个鸿蒙智能体。
更重要的是，鸿蒙智能体框架已经支持通过 A2A（Agent to Agent）等方式连接不同智能体。
这意味着未来的终端里，可能不只是：
一个AI调用很多App。
还可能进一步演变成：
一个系统级个人Agent，调度多个专业Agent协同完成任务。
荣耀：YOYO正在成为系统里的任务执行者
荣耀MagicOS 10里的YOYO，同样在向这个方向推进。
荣耀已经明确提出：
“YOYO帮你做。”
并表示YOYO可以借助MCP组合不同工具，根据用户需求完成操作。
比如旅行规划、购物、生活服务，本质上都在试图从：
用户打开几个App分别操作
变成：
用户说一句需求，由YOYO组织后面的工具和服务。
荣耀的意义在于：
越来越多终端厂商正在把“Agent能力”放到系统级入口，而不是只做一个独立AI App。
vivo：把6000多个系统技能变成Agent的工具箱
vivo的例子则非常适合理解这套技术结构。
vivo推出的 BlueLM Harness，目标之一就是把手机系统里的大量原子能力转换成Agent可以调用的工具。
vivo公开的信息显示，这套体系可以把6000多项原子技能转化为Agent工具，并支持超过万种任务。
与此同时，vivo还推出了 蓝河AgentOS技术预览版，进一步把Agent执行环境推进到操作系统底层。
换句话说：
一部手机原来已经拥有大量能力：
相机、文件、地图、联系人、通知、系统设置、第三方服务……
过去这些主要都是：
给人操作的能力。
现在正在发生的变化是：
把这些能力重新包装成AI可以发现、理解和调用的工具。
于是系统结构逐渐变成：
模型理解需求
→ Agent规划任务
→ Harness寻找工具
→ OS和App执行。
这已经不是单纯给手机增加一个聊天机器人。
而是在尝试重新定义：
操作系统究竟应该为谁提供接口。
过去主要为人和App提供接口。
未来还要为Agent提供接口。
PC也在发生同样的事情：Microsoft开始给Agent准备独立的工作空间
这场变化并不只存在于手机。
Microsoft已经在Windows 11中实验 Agent Workspace和 Copilot Actions。
值得注意的是，这些目前仍然属于实验性、预览阶段的Agentic Features，并且默认关闭，需要用户主动开启。
但微软设计的架构非常值得看。
Agent可以拥有：
独立Agent Account；
独立Agent Workspace；
甚至拥有类似自己的桌面。
这样做的原因很现实。
一旦AI开始真正操作：
文件、软件、邮件和系统，
就必须重新定义：
它可以访问什么；
可以修改什么；
什么时候必须询问用户；
出错以后谁负责。
所以微软把Agent与真实用户账户隔离开来。
这说明Agent进入操作系统以后，新的问题已经不再只是：
“AI够不够聪明？”
而开始变成：
“我们应该给AI多大的执行权？”
实现这个“新中间层”，现在其实有两条主要技术路线
如果只看产品名字，很容易觉得大家只是在各自做AI助手。
但往技术底层再看一步，会发现目前大致存在两种实现思路。
第一种：把软件能力结构化地交给Agent
Apple的App Intents、华为的Skill、vivo的Harness，以及各种API、MCP工具，都属于这一方向。
它的逻辑是：
软件主动告诉Agent：我有什么能力，你应该怎么调用。
优势很明显：
执行速度快、结果更稳定、权限更容易控制。
如果Agent要“创建日历事件”，直接调用一个明确的接口，通常比让AI自己寻找“新建日程”按钮可靠得多。
第二种：让Agent像人一样使用电脑
另一条路线，是 Computer Use。
OpenAI早在Computer-Using Agent中，就让模型通过视觉理解图形界面，操作按钮、菜单和输入框，不依赖网站或操作系统提供专门API。
Anthropic的Computer Use也是类似思路：
Claude通过屏幕截图理解界面，再移动鼠标、点击和输入，像人一样使用软件。
这条路线最大的优势是：
不用等每一家软件公司都主动为Agent改造接口。
只要人能操作，理论上Agent就有机会操作。
但它的缺点也很明显：
更慢；
更耗算力；
界面一变就可能失效；
可靠性通常也比结构化接口更难保证。
所以未来更可能出现的，并不是二选一。
而是一种混合路线：
API / Intent / Skill优先，GUI操作兜底。
阿里Qwen Intelligence已经明确采用这种思路：
API-first，GUI-fallback。
这可能才是未来系统级Agent最现实的技术结构。
把这些产品放在一起，会发现大家正在增加同一个软件层
把品牌词全部拿掉，会发现它们最终都在尝试形成类似的结构：
用户
↓
表达意图
↓
Agent理解需求
↓
任务规划
↓
选择和编排工具
↓
App / API / Skill / Agent
↓
系统执行
↓
结果
我们暂且可以把这一层叫作：
“意图—执行层”
或者更容易理解：
Agent任务调度层。
它的位置就在：
用户和传统软件之间。
这可能才是过去一年AI产品变化中最值得长期追踪的一条线。
真正变化的，是我们使用计算机的基本逻辑
过去三十多年，无论PC还是智能手机，大部分软件交互其实遵循同一种逻辑：
用户
↓
找到软件
↓
打开软件
↓
找到功能
↓
操作功能
↓
得到结果
也就是说：
人必须知道“怎么做”。
想订酒店，就要知道打开哪个旅行App。
想报销，就要知道发票在哪里、公司的报销系统在哪里。
想整理会议，就要知道文档、邮箱、日历分别怎么操作。
Agent真正想改变的是：
用户
↓
告诉AI“我要什么”
↓
AI决定“怎么做”
↓
调用不同软件和服务
↓
得到结果
用户只需要越来越清楚：
我要什么。
而不需要理解每个数字工具：
具体怎么操作。
这听起来像一次交互方式升级。
但如果它真的大规模成立，最终改变的会是互联网里非常重要的一样东西：
入口权。
App不会消失，但“App作为入口”的价值可能下降
现在当然远远不能说：
App时代结束了。
很多场景天然仍然需要用户直接进入App。
游戏、内容消费、社交、创作，以及大量具有强交互体验的产品，都不会突然退到后台。
更准确的变化是：
部分App可能逐渐从纯粹的用户入口，转变成同时面向用户和Agent提供能力的服务节点。
过去一个App同时拥有两种身份：
服务提供者 + 用户入口。
以后，它可能增加第三种角色：
Agent工具。
比如过去用户订酒店：
打开携程。
未来可能直接告诉个人Agent：
下周去杭州，帮我找一家西湖附近、四星以上、1000元以内、有健身房的酒店。
Agent再去查询不同平台、地图和支付服务。
这时候真正发生变化的，不是携程、飞猪突然不存在了。
而是：
过去由用户直接做出的“我先打开谁”，开始有一部分交给Agent参与决定。
过去是：
用户选择App。
未来越来越可能出现：
Agent参与选择服务。
这就是新的分发权。
企业未来不仅要让“人”看懂，还要让Agent能够发现和调用
一旦越来越多任务通过Agent进行，一个新的商业问题马上出现：
为什么Agent要选择你的产品和服务？
例如，一个AI替用户寻找酒店，它可能考虑：
价格；
距离；
评分；
退款政策；
用户历史偏好；
服务可信度；
接口稳定性；
是否可以直接完成交易。
过去一家酒店最关心的可能是：
我怎么在携程或者搜索引擎上排得更靠前？
以后可能还需要考虑：
我怎么让Agent更容易发现、理解、比较并调用我的服务？
如果这种分发方式继续扩大，市场很可能出现一类类似SEO的新工作。
暂且可以把它叫作：
Agent Optimization。
它目前并不是一个已经形成统一定义和成熟标准的行业。
但背后的需求已经很容易理解：
过去企业要把网页做得对搜索引擎友好。
未来还可能需要把自己的：
商品、库存、价格、服务、接口、评价、交易规则
组织成机器能够稳定理解和调用的结构。
企业不仅需要：
human-readable。
也开始需要：
agent-readable、agent-callable。
这会是AI与商业系统真正连接以后非常值得观察的一层基础设施。
一场“默认Agent”入口战正在形成
为什么科技巨头都想做这一层？
因为如果Agent真的成为用户与软件之间的中间层，它会拥有三种极其重要的能力。
第一是：
理解用户意图。
过去Google知道你搜索什么。
淘宝知道你购买什么。
微信知道你和谁交流。
而个人Agent可能进一步知道：
你接下来想做什么。
“上海天气怎么样？”
和
“我下周要去上海见客户，把出差全部安排好。”
完全不是一个信息维度。
后者包含的是：
意图。
第二是：
服务分发。
如果用户先问Agent：
去哪吃饭、住什么酒店、买什么商品、使用什么软件，
Agent实际上就拥有了类似搜索引擎、App Store和超级App曾经拥有的一部分分发权。
以前是：
搜索引擎决定搜索结果如何排序。
未来可能增加一种情况：
Agent决定先调用哪个服务。
第三是：
交易执行。
如果Agent进一步能够直接完成：
搜索
→ 比较
→ 选择
→ 预订
→ 支付
那么今天互联网里原本很长的交易漏斗，会被明显压缩。
也正因为如此，拥有不同资源的公司，都在争夺“默认Agent”的位置。
OS厂商有设备和权限。
手机厂商有硬件和用户入口。
模型公司有推理和Agent能力。
超级互联网平台则拥有大量真实服务。
这也是为什么阿里值得被放在这篇文章的开头。
它手里同时拥有：
Qwen + 阿里云 + 淘宝天猫 + 支付宝 + 高德 + 飞猪。
也就是说：
阿里不只有一个负责思考的“大脑”。
还拥有大量这个大脑未来可能调用的现实服务。
但系统级Agent现在还有三道真正难跨过去的门
趋势已经出现。
但距离“以后所有手机都交给AI操作”，显然还有很长一段距离。
第一，Agent凭什么替我做决定？
如果AI推荐三个酒店：
为什么是这三个？
因为真的最适合我？
还是因为平台佣金更高？
还是因为Agent背后的公司拥有自己的商业利益？
这会成为一个非常重要的问题：
Agent中立性。
如果Agent成为新的流量分配者，那么推荐规则、商业排序和广告机制迟早都会成为问题。
今天搜索引擎经历过的很多争议，未来很可能会在Agent时代以新的形式重新出现。
第二，Agent能力越强，需要的权限越大
真正有用的个人Agent可能需要访问：
邮件、日历、文件、联系人、位置、购物记录、支付信息。
所以：
Agent入口战争，同时也是权限入口战争。
这也是Google和Microsoft现在强调隔离环境、用户控制、执行透明度的重要原因。
用户未来真正选择一个长期个人Agent时，选择的可能不仅是：
谁更聪明？
还有：
我愿意把多少数字生活交给谁？
第三，会回答错和会执行错，是两个完全不同的风险等级
聊天机器人说错一句话：
最多让用户觉得不好用。
但Agent如果：
订错机票；
给客户发错文件；
删除错数据；
下错订单；
支付错误；
带来的就是现实损失。
所以Agent时代真正值得看的技术指标，不应该只有模型Benchmark。
还包括：
Task Success Rate——任务成功率。
以及：
Error Cost——错误成本。
一个聊天模型95%的成功率，和一个每天替你执行20项真实任务的Agent达到95%成功率，完全不是一个概念。
后者意味着：
平均一天就可能出现一次错误。
显然还远远不够。
真正变化的，不是AI越来越像人，而是计算机的控制关系开始改变
过去几十年，人一直在学习如何适应计算机。
我们学会：
什么叫桌面；
什么叫文件夹；
什么叫App；
什么叫浏览器；
什么叫菜单；
什么叫复制粘贴；
什么叫快捷键。
很多所谓的“数字技能”，本质上都是：
人在学习机器设计好的交互规则。
而Agent带来的另一种可能是：
让机器开始学习人真正想做什么。
过去：
人学习怎么操作计算机。
未来越来越可能变成：
计算机学习怎么替人操作计算机。
所以，如果孤立地看Qwen Book，它只是一台新的AI电脑。
Qwen Intelligence未来能够进入多少手机，也仍然需要市场验证。
Google的Gemini Intelligence还在逐步开放。
Microsoft的Agent Workspace仍然处于实验阶段。
Apple、华为、vivo和荣耀的Agent能力也都处在持续建设生态和扩大服务覆盖的过程中。
但把这些动作同时放在一张图里，趋势就比任何单一产品更清楚：
AI正在从“软件里的一个功能”，向“软件之前的一层调度者”移动。
它最终争夺的可能不是桌面上的另一个App图标。
而是成为那个：
理解需求、规划任务、寻找工具、调用服务并把结果交付给用户的角色。
过去互联网入口最重要的问题是：
用户打开谁？
Agent时代正在增加一个更重要的问题：
用户先告诉谁？
谁拿到用户的“第一句话”，谁就有机会成为下一代计算平台最重要的入口之一。
写在最后：
从PC到移动互联网，软件入口经历了：
桌面程序 → 浏览器 → App → 超级App。
现在，一种新的入口正在形成。
它未必拥有一个固定图标。
甚至未必要求用户主动“打开”。
它更像一个长期存在于设备和云端之间的任务总管：
理解人的意图，调用不同的软件、数据、Skill、Agent和现实服务，最后把结果交给用户。
因此，接下来真正值得持续观察的，已经不只是哪个大模型参数更大。
而是三个更加具体的问题：
谁最终会成为默认Agent？
哪些App和服务，会成为Agent最容易发现和调用的能力？
当Agent获得部分服务分发权以后，今天互联网里的流量、广告、交易和平台关系，会如何重新排列？
如果这个新的“意图—执行层”真正建立起来，那么AI产业改变的就不仅是：
软件里多了一个AI功能。
而是：