对话腾讯副总裁林松涛：意图正在代替入口，Agent 需要一颗「小脑」

AI 下半场：腾讯内部为何还要“再造”一个 Agent？

AI 下半场，Agent 产品已经不算稀缺，在腾讯内部更是如此。WorkBuddy 的月活跃用户已达到 2000 万量级，是今年增长最快的国产智能体产品之一。与此同时，应用宝团队也做了一个桌面 Agent，叫 Marvis，定位是“操作系统层级的个人 AI 助手”。5 月 20 日上线，两天后，DAU 就超过了 30 万，七日留存约 54%。

实测过 Marvis 的人会发现，它不太像一个等人提问的聊天框，更像一个常住在电脑里、知道里面有什么的助理。那么，问题来了——当市面上的 Agent 越来越像，腾讯内部已经有了 WorkBuddy，应用宝为什么还要再做 Marvis？它到底解决了什么新需求？

在 WAIC 2026 期间，腾讯副总裁林松涛和应用宝跨端业务及 Marvis 负责人蔡建涛，聊了聊这个问题。对于“是否在重复造轮子”，他们没有回避，答案要从应用商店讲起。

从分发软件，到直接交付服务

应用宝已经做了 14 年。被问到为什么要做 Marvis，蔡建涛没有先谈 Agent，而是从“商店”聊起。

“以前商店是分发，但分发走到终点，是服务。”

过去，用户想转换文件格式，得先去商店下载极光 PDF、WPS 这类软件，再借助软件完成任务。应用商店提供的是服务之前的一步：把工具送到用户手里。AI 改变了这条路径：很多时候，用户不再需要先找到一个软件、学习怎么使用，再用它来完成任务。诊断电脑、清理文件这些事，过去都要先下载工具，现在可以由 Agent 直接完成。

蔡建涛说：“今天的 Marvis，本质是过去分发的进阶：以前是‘商店→分发→用户自己获得服务’，现在可以直接从商店走到服务。”开发者在其中扮演的角色也变了。过去，开发者交付的是一个出现在前台的 App；现在，他们也可以成为后台的服务提供方，通过 CLI、MCP、SDK 等方式，把能力接入 Marvis。从应用宝到 Marvis，本质是同源的，都是解决“服务”，只是路径从两步变成了一步。

林松涛对这段变化的总结是，应用宝十几年都在做同一件事：把数字能力送到用户手里。PC 时代分发软件，移动时代分发 App；到了 AI 时代，只把能力送过去，已经不够。

“过去 20 年互联网是‘小助手’逻辑，我们辅助用户做决策。比如说你要买票，我推荐你携程，携程的票买得怎么样跟我应用商店没关系。但今天意图代替了入口。用户只负责表达意愿，我要买票、我要打车，我们除了送数字能力，还多了一件事：保障结果。”

因此，在林松涛看来，Marvis 不是应用宝为了追逐 Agent 热潮而做的产品，也不是别人发个龙虾，他们也跟着做一个。它是应用宝必须往前走的一步。团队过去在跨端、开发者生态，以及与微软、英特尔合作中积累的能力，被重新组织进了 Marvis。这也是 Marvis 与 WorkBuddy 的本质区别，WorkBuddy 更接近从办公结果交付切入；Marvis 的起点仍然是应用宝那条“分发—服务”的线。

Marvis 想接管的，是用户与设备之间的关系。

大模型是“大脑”，Marvis 想补上“小脑”

但一段来自应用宝的历史，还不足以证明 Marvis 的必要性。回到产品本身，它仍然要回答：在一批已经能操作电脑、处理文件的 Agent 里，自己的差异是什么？

蔡建涛把 Agent 的能力拆成四个部分：感知、思考、规划和行动。“今天市面上的 Agent，我说帮我找一张上周宝宝撑伞的照片，它有 thinking、planning、action，就是缺了‘感知’这一环。只有做到系统级，才能做到感知。”他所说的感知，是在用户授权之后，Marvis 通过本地模型，提前理解设备里有哪些文件、每个文件是什么、安装了哪些程序，以及发生过哪些行为。

“有了环境感知，你说‘上周那件事’，Agent 就能理解指的是哪个东西。而不是像现在，需求提给任何一个 Agent，它扫全盘试一下能不能找到，找不到就算了。这种就没有感知。”

实测中我们也遇到过类似场景。让 Marvis 找一张只记得画面内容、不记得文件名的《黑神话：悟空》截图时，它的搜索范围不仅包括文件名，还包括文档内容、图片里的场景和截图中的文字。即使描述模糊，它也能找到对应文件。这已经不是 Windows 自带搜索所能覆盖的范围。

我们当场追问：用 Codex、WorkBuddy 整理本地发片、处理零散文档，准确率也可以很高。系统级能力的本质差异究竟在哪里？

蔡建涛说，整理发片谁都能整理，关键 Agent 怎么把它“找出来”。一张发片图片里有大量字符。普通 Agent 如果事先不了解这台电脑，只能扫描全盘，再把图片逐张交给云端模型识别。这不仅会带来近乎没有上限的 Token 消耗，也难以解决隐私问题。

Marvis 跑在端侧，可以利用系统权限，提前识别哪张图片是发片，其中包含什么行程、什么抬头。蔡建涛说：“问问题的时候，我已经有一个‘端侧 AI’知道你的全局了。目前一些 Agent 更多是什么都不知道，全盘盲扫，扫到就扫到。这是很大的区别。”

对此，林松涛给出了一个更形象的比喻：“大家去拼编程、拼更长程的推理，是在拼大模型的‘大脑’。我们做的很多端侧模型，是‘小脑’和‘反射神经’，用于保证速度和执行效率与稳定，在这个前提下，再做端云结合才会事半功倍。”

这些任务未必需要很强的算力，也未必非要一个顶级的模型。在本地完成，反而可能更快、更准，也更节省成本。实测中，我们让 Marvis 关闭锁屏广告，它直接完成了操作。但这项设置在 Windows 里的名称其实是“关闭 Windows 聚焦”，大多数用户并不知道它与锁屏广告的关系。这类功能背后有一条明确的选择标准：大模型一升级就会替代的能力不做；只做那些即使模型继续变强，也绕不开端侧的事，再把时间、效率和成本做到极致。

当被问及 Marvis 的竞品是不是 Codex 这类产品，林松涛说：“肯定不是。”蔡建涛补充道，Codex 是 Coding Agent，更聚焦通用的编程能力；Marvis 想做的是一个真正懂用户、也懂设备的助理。“生成一个很牛的 PPT 我们也会做，但那不是最核心的定义。”因此，他们不按职业划分用户，而按需求划分。程序员同样要查找照片、管理电脑；编程任务交给 Codex 更合适，而设备与应用场景的需求，并不专属于某一类人。

Marvis 上线后的数据也符合这套判断：44% 的用户在使用本地文件能力，28% 在管理电脑硬件，18% 在执行浏览器任务，16% 在使用应用能力；把 Marvis 当作搜索工具使用的用户只有 6%。蔡建涛说，这个 6% 说明，基本没有用户把 Marvis 当作豆包或元宝的替代品。用户对它的定位，反而比想象中更清楚。

最重要的指标，不是 DAU

“感知”是 Marvis 选择的产品切口。真正让它与大多数 Agent 较劲的，则是一个不那么典型的互联网指标。

林松涛说，团队内部最看重的不是日活，也不是会话数，而是用户真实任务的实际完成数。这个“完成”不是 Marvis 自己宣告任务结束，而是用户认为事情确实办成了。

“以前做分发的人不关心这个，成功下载 App 就跟我没关系了。今天不是这样。”

当我们追问目前的任务完成率，两人都没有给出数字。蔡建涛说，团队还很难准确标定这个口径：“完成是完成了，比如生成一个 PPT，是完成了，但几分满意，现在不是特别好标。”一个把完成率放在首位的团队，仍然承认自己还无法准确衡量满意度。这比直接给出一个漂亮的数字，更接近 Agent 今天所处的真实阶段。

这也解释了 Marvis 那套“电子牛马”界面。六个 Agent 各有工位：没有任务时打盹、喝咖啡，接到任务后便开始工作。

蔡建涛说，这套设计不只是为了可爱。Agent 执行任务的时间很长，用户看不见过程，就容易产生失控感。因此，Marvis 需要把过程摊开，让用户知道它在做什么。

“最终 Agent 的竞争，拼的是用户对你的信任，而信任是从‘看得见’开始的。”

团队还希望，“电子牛马”的情绪能随任务变化：失败时会懊恼，连续完成很多任务会高兴，而不是每次都冷冰冰地留下一句“已完成”。

如果不追求用户量，商业化又该怎么解决？尤其是，Marvis 目前每天还在向用户赠送免费 Token。林松涛说，现阶段还不是谋求收费的时候。在国内，Token 是一个大头的成本，用户为这类能力大量付费的生态还没有形成。一定的免费额度不是为了购买用户，而是先让用户完成一次真正的尝试。他也提到几条之后可能展开的路径：免费额度会根据产品发展做调整；团队会推进 B 端合作；也会与微软、英特尔共同探索出海。海外用户为能力付费的基础与国内不同，这是他更看重的方向。

支撑这套产品的是一个端侧模型群：包括翻译小模型、多模态视觉模型等，Marvis 会根据不同设备的算力调用不同模型。

“这是应用宝与腾讯混元合作的方向：混元训练的中尺寸模型扮演‘小脑’，更小的模型则像‘反射神经’。”

林松涛还透露了一个尚未对外公布的数据：中尺寸模型已经可以在配备 8G 显存的 Windows 电脑，以及 32G 内存的 Mac 上运行。与行业同类方案相比，这是一个较低的配置门槛。这也关系到我们实测时遇到的问题。Marvis 的本地模式可以让数据全程留在本地，断网也能使用，但目前要求设备至少具备 16 核 CPU 和 32G 内存。

至于许多人关心的手机端，蔡建涛的思路是把手机作为控制端。用户需要的未必是另一套手机 Agent，而是一个可以接收任务、持续运行的计算容器；手机只负责发出指令、接收结果。这也是我们体验过的场景：人在外面，通过手机让家里的电脑安装游戏，或者校对一份采访稿，任务完成后，再由手机接收结果。这个容器可以是 PC，也可以是已经上线、但仍处于早期阶段的云端 Marvis。后者相当于一台私有化的腾讯云轻量服务器，数据专属，只归用户自己。

“再小的需求，也值得一个应用”

Marvis 值得一提的，还有它的 Skill“广场”。为什么要做成广场？蔡建涛提到一个几乎所有 Agent 都存在的问题：“你们看过 Skill 的名字没有？基本全是英文，很多很难的单词，不是普适、用户友好的东西。”

因此，广场把 Skill、MCP、CLI 这些技术概念藏在后面，只把“需求”留给用户：用户描述自己想做什么，Marvis 再去寻找对应的解决方案。目前，广场的渗透率约为 37%，仍处于早期。

林松涛说，Marvis 要做一个底座，由第三方开发者把能力封装成 Skill，再形成生态。这个生态未来不排除商业化的可能。团队还计划推出一个“人才市场”：电脑管家、电商专家等虚拟角色由开发者提供，用户可以像雇佣人才一样选择它们，平台负责连接双方。

同一条“分发—服务”的逻辑向供给侧延伸，又长出了“吐司”——一个可以通过自然语言对话生成 App 的产品。如果说 Marvis 在需求侧管理存量能力，吐司就在供给侧创造增量。林松涛说：“以前做 App 常说‘这个需求太小了，不值当开发’。但在 vibe coding 时代，再小的需求，也值得一个应用。”他也没有回避一个更长期的问题：AI 出现之后，人们是否还需要那么多 App，目前仍然要打一个问号。而吐司与 Marvis，在未来某个时间点、某个维度上，也存在整合的可能。

今天的桌面 Agent 正在迅速变得相似：都可以操作电脑、处理文件、安装 Skill，甚至界面也开始彼此接近。随着基础能力不断被大模型拉平，差异可能不再取决于多接了几个工具，而是两个更具体的问题：一个 Agent 到底有多了解用户所在的环境；以及，当它说任务完成时，事情是否真的完成了。

Marvis 把赌注放在“感知”和任务的真实完成率上。这条路并不轻松。它需要继续深入操作系统，降低端侧运行的成本，也要花很长时间打磨可靠性。与用户数和会话数相比，这些进展也更难在短期内变成漂亮的增长曲线。但如果 Agent 最终要替人把事情办成，而不只是陪人聊天，那么这些不太显眼的部分，恰好是这类产品迟早要解决的问题。