中金研报：Personal Agent硬件成本测算及2030年市场规模预测

摘要

Personal Agent有望降低通用Agent的使用门槛，释放普通消费者的潜在自动化需求。我们认为Personal Agent核心能力包括长期记忆、主动服务、安全可控和可靠交付。随着主动需求发现、长期任务管理能力不断完善，消费者能够将更多事务交由Agent处理，推动AI使用人群、人均任务量及后台计算需求持续增长。

我们测算得到：在基准情形下，人均消耗约3.6亿Token/月，硬件成本约23美元/月。我们将Personal Agent带来的硬件需求分为云端沙箱需求（CPU、DRAM）、推理需求（GPU）和长期记忆需求（SSD）。我们认为，目前部分套餐订阅费或难以覆盖硬件成本，更大的收入空间或来自于抽佣及广告收入。

生态与模型共同构建Personal Agent差异化。1）生态：平台型助手具有流量入口、丰富商业资源和工具，在获客、服务执行等方面具优势；独立助手擅长跨生态整合。2）模型：自有模型厂商能够开展针对性训练，将真实任务反馈用于模型迭代；独立厂商可以灵活选择模型，通过框架与上下文设计改善产品能力。

2030年中国Personal Agent市场规模有望超过5,100亿元。我们认为有望形成以下三类商业模式：1）订阅收入：通过可量化的任务价值与持续可靠的日常服务，建立分层付费体系；2）广告收入：依托用户注意力与需求识别能力，在信息获取及决策过程中提供广告推荐，承接商家营销预算；3）交易佣金：Agent通过促成订单与完成交易，按一定比例收取佣金。基础情景下，我们测算2030年中国Personal Agent的订阅收入、交易抽佣收入和广告收入空间有望分别达到838、3,918和386亿元。

正文

什么是Personal Agent？

Muse的快速增长为Personal Agent打开消费级AI需求空间提供了早期观察窗口。Meta于2026年9月8日在美国推出Muse，据Sensor Tower，其上线22天内美国下载量超过500万，并围绕购物、出行、日程管理等场景展开产品探索。Muse呈现出Personal Agent的重要特征：将对用户的长期理解与任务的持续执行相结合，使用户能够将需要完成的事项交由AI处理，减少反复交代背景、协调操作及跟进进度的投入，体现出AI持续参与个人事务的应用潜力。对比海外各大Personal Agent的产品功能、生态、收费模式，我们认为，Personal Agent有望帮助普通消费者将模糊的生活目标转化为可执行的委托，推动AI使用人群及人均任务量进一步扩展。

Muse有哪些特质

Muse在持续执行、长期记忆、授权控制、服务场景上具有独特亮点。Meta于2026年9月8日在美国推出Muse，由Muse Spark模型驱动，用户可通过App、网页及WhatsApp交代任务。Muse提供了多种功能，以满足用户不同层级的需要：Chat用于持续沟通，Goals组织长期目标及执行计划，Library保存资料与成果；Ideas结合对话、日历和连接账户提出可委托的任务，Feed按用户设定的主题提供信息。Artifacts可以把结果呈现为行程、文档或持续更新的仪表盘。我们认为，持续执行、长期记忆、授权控制和服务场景是Muse区别于传统Agent产品的重要能力

图表1：Muse持续服务场景扩大

资料来源：Meta，中金公司研究部

Personal Agent vs 工作场景Agent

我们认为Personal Agent是能够长期了解用户、主动发现需求，并在授权范围内自主处理和持续跟进个人事务的通用智能体。Agent能够长期积累个人信息，结合用户偏好和历史行为理解需求，并主动提出建议或执行任务。对于需要长期跟进的事项，Agent可以保留任务状态，在预定时间或相关事件发生时重新开展推理和执行，无需用户持续发出指令。涉及支付、信息发送等关键操作时，用户则通过明确授权保留控制权。我们将其核心能力概括为：长期记忆、主动服务、安全可控和可靠交付。

图表2：海外Personal Agent情况概览

资料来源：各公司官网，中金公司研究部

Personal Agent降低通用Agent的使用门槛，未来有望向更广泛的消费人群渗透。购物、日程管理等需求普遍存在于消费者的日常生活，但相关操作往往分散于多个应用，需要用户自行搜集信息、协调安排并完成执行。用户只需提出希望达成的结果，Personal Agent即可自主规划并推进任务。便捷的交互方式有望吸引大量用户采用。

主动发现需求与持续推进长期目标有望释放普通消费者的潜在自动化需求，提高用户的使用深度。专业用户通常具有明确的工作目标，而普通消费者的生活事务更加分散，许多潜在需求需要结合个人信息与实际情境才能被识别。Meta在Muse早期测试中发现，用户面对Agent丰富的功能时往往不知道从何开始，因此专门设计了根据个人目标和历史信息主动提出建议的Ideas功能，帮助用户发现需求并转化为具体任务。同时，长期目标的持续推进也将产生新的自动化工作量。用户只需提出总体目标，Agent便可根据后续信息变化持续识别和执行新任务。我们认为，随着主动需求发现和长期任务管理能力不断完善，普通消费者能够将更多日常事务交由Agent处理，推动人均任务量及后台计算需求持续增长。

硬件需求：Personal Agent对硬件需求的定量测算

由于Personal Agent具备主动服务的功能，每位用户需要有一台云端的“虚拟电脑”，即基于CPU和DRAM资源的沙箱；而Personal Agent在持续推理过程中会产生GPU的推理需求。此外，Personal Agent需要储存用户的个人记忆及文件。因此我们将Personal Agent对于硬件的需求分为云端沙箱需求（主要是CPU、DRAM）、推理需求（主要是GPU）和长期记忆需求（SSD）。

持久性云端环境带来的云端沙箱需求

在Personal Agent场景下，每位用户的运行环境实际部署在云端容器中，需要占用云端的CPU、DRAM及SSD资源。如何测算沙箱部分的云资源需求量？

我们认为Agent服务方将以大批量租赁沙箱资源、再分配给用户的方式实现这部分硬件租赁，因此我们先测算1亿DAU场景下所需的硬件租赁成本，再分摊到单一用户（具体假设、测算过程及测算结果详见完整报告）：

图表3：单用户CPU沙箱成本的计算过程

注：价格来源截至2026年11月2日，部分价格来自第三方数据库Holori、Economize，规格实例参考AWS官网一致。

资料来源：AWS官网，Holori，Economize，Muse官网，中金公司研究部

沙箱运行也伴随着SSD的存储需求，用于存储用户的历史记忆文件及各类运行中产生的资料数据。我们假设中度使用的基准情形下，初始需要10GB SSD容量，每月增加2GB。其中冷存储比例约85%。考虑到SSD需求会随着用户使用时长增加而增长，我们在此仅对第一年所需的成本进行测算，实际上SSD成本会随着年份而不断增长。此外，考虑到重度用户数据规模更大，我们假设越是重度的用户，冷存储的比例会更高。

图表4：单用户SSD成本的计算过程

注：价格来源来自AWS官网，截至2026年11月2日。

资料来源：Amazon官网，中金公司研究部

持续推理带来的GPU需求

推理需求方面，我们将Personal Agent的Token消耗量分为前台任务和后台任务分别进行假设。中度使用的基准情形下，我们的测算结果是人均每月消耗3.6亿个Token，与Muse的免费额度接近。

图表5：Personal Agent Token消耗量测算

资料来源：中金公司研究部

如何从Token消耗测算推理成本？我们基于Muse使用的模型及API毛利率来估算推理成本。

图表6：GPU推理成本计算过程

资料来源：Manus官网，Muse官网，Meta官网，中金公司研究部

结果：中度用户每月消耗3.6亿Token，硬件成本约23美元

我们最终测算得到的结果是：中度使用的用户月Token消耗量与Muse目前的免费服务额度基本接近，约为Power套餐额度的18%，硬件成本约23美元/月。重度用户测算大约11.4亿Token/月，对应约71.5美元/月的硬件成本，高于Muse对Power套餐的20美元/月定价水平。我们认为Personal Agent的商业变现并非主要通过订阅费实现，更大的收入空间或来自于抽佣及广告收入。

图表7：测算结果与Muse实际套餐定价

注：免费额度来自第三方GetMuseHelp报道，非官方数据

资料来源：Muse官网，中金公司研究部

差异化：生态、模型构建差异化

生态：从流量入口到服务执行，平台型助手优势显著

平台型个人助手具备流量入口、服务落地、商业化基础和数据资源等优势。Personal Agent可以按资源基础分为平台型助手、独立型助手。Muse、Gemini Spark和Dots依托既有平台入口、模型或数字服务，争取用户持续委托；Instinct和Manus旗下Cue通过独立产品、执行框架与外部连接组织跨场景服务。我们认为平台型助手的生态优势体现在：1）背后成熟的平台网络，为助手提供天然的用户基础，并为用户提供了进行尝试的场景；2）积累的用户信息与丰富的应用生态体系，可以将助手能力转化为可执行、可交付的服务；3）复用现有分发渠道、付费体系和商户网络等资源，可以加快助手商业化变现速度；4）拥有丰富的工具调用数据，可用于模型训练，提高工具使用的准确度。

图表8：平台型助手和独立型助手的资源基础、优势与限制

资料来源：各公司官网，中金公司研究部

平台型助手在获客、服务执行、商业变现和数据资源上具有优势

平台型助手背后有完整闭环生态作支撑。我们认为，平台型助手的优势在于流量入口、服务落地、商业化基础和工具调用数据共享四个方面：

► 流量入口：平台型助手拥有已经成熟的流量入口。我们认为，平台型助手在流量入口上的优势在于，用户发现和接触产品的路径更短，产品无需完全依赖外部投放或口碑传播获取新增用户，有望降低获客成本并加快用户规模扩张。

► 服务落地：平台型助手可以将生态资源转化为更好的服务。1）平台积累的个人信息能够为助手提供理解需求的背景，使其从响应明确指令进一步走向结合用户情境提供服务。2）平台对自有工具和服务的整合能力，有助于将需求理解与任务执行连接起来，形成信息-工具-服务的完整闭环。我们认为，生态资源的价值不仅在于帮助助手触达用户，更在于让服务更贴合个人需求，并使跨环节任务的衔接更加顺畅。

图表9：Gemini可以调用谷歌生态内的工具帮助自己完成任务

资料来源：DataCamp，中金公司研究部

► 商业化基础：平台型助手拥有更广泛的商业化基础。依托既有用户入口、应用服务和商户网络，平台型Personal Agent能够复用已有的分发渠道与付费体系，并将商业化延伸至订阅升级、交易服务、企业应用及硬件销售等多个环节。在用户侧，Google将Gemini Spark纳入AI Pro、Ultra套餐，与办公工具、云存储等权益形成组合；OpenAI则将Dots纳入既有付费套餐，通过持续执行任务提升产品价值，为用户留存和付费升级提供支撑。在商户侧，Muse已接入零售商和支付网络，Meta也提出未来通过交易收费获得收入的方向；Muse for Small Business进一步连接Facebook、Instagram和广告账户，我们认为将助手能力延伸至商户内容制作、营销和经营分析，有望与原有广告业务形成协同。

图表10：各Personal Agent收费模式

资料来源：各公司官网，中金公司研究部

► 工具调用数据共享：平台型助手生态内拥有丰富的工具调用数据，有助于提高助手工具使用能力。我们认为，平台型助手可以根据生态内积累的工具调用数据，对模型进行针对性的训练，有助于提高个人助手判断工具选择与调用时机、工具的操作准确性、工具之间的协同等工具使用能力，将过往用户工具调用轨迹数据转化为更准确的服务。

图表11：平台型助手及相关工作产品

资料来源：各公司官网，中金公司研究部

独立个人助手仍有其独特优势

跨平台独立助手主要通过产品体验与任务交付建立用户关系。Instinct可以通过电话和消息办理账单、购物、预约及旅行[1]；Manus旗下Cue提供独立个人Agent应用，每个Agent拥有邮箱、电话、钱包和电脑，并支持多个Agent协作[2]。独立助手缺少具备足够流量的获客入口，需要通过明确成果建立用户的首次信任；同时其服务和工具调用受平台授权限制，外部模型、账户连接、电话与浏览器执行等也会产生持续的服务费用，抬升其服务成本。我们认为，独立助手应优先聚焦高频、价值明确的具体场景，通过提高任务完成率、减少用户操作和降低单次任务成本，促成用户持续使用，并逐步积累服务经验与信任。其长期竞争力取决于这些积累能否形成持续的交付优势：即使平台推出同类功能，独立助手仍能更可靠、更省心或以更低成本完成任务，从而留住用户并获得持续付费。

独立助手的优势在于跨生态整合和利益对齐。1）跨生态整合：用户的信息、工作与消费需求分散在不同平台，独立助手可以围绕用户目标，灵活组合不同厂商的模型、应用与服务，串联信息获取、方案比较和任务执行。比如，客户需求来自微信，资料放在Google Drive，分析在Excel中完成，最后通过邮件交付。独立助手有机会成为这些工具之间的协调者。它的价值取决于能否把整件事办完，而不必要求用户先统一软件体系。同时，平台型助手与其他平台可能存在利益上的冲突，进而导致其权限受限，例如，亚马逊在9月份封禁了Muse代用户在亚马逊网站购物的访问权限[3]。我们认为，独立型个人助手可以凭借其相对中立的身份，在不同生态间选择合适的产品与工具，为用户提供更好的服务。2）利益对齐：独立助手在利益上与用户有更好的一致性，没有偏向特定平台的倾向，可以以相对中立的立场比较服务、推荐方案，逐步建立用户信任，而平台型助手可能更倾向于在自己的生态内完成服务闭环。

图表12：独立型助手产品概览

资料来源：Instinct，Manus，中金公司研究部

模型：模型能力构成竞争基础，自有模型优化空间更大

自有模型的厂商可以针对产品的应用场景和关键特点对模型进行训练。区别于传统大模型的工作场景（根据用户指令交付答案、文章或代码），Personal Agent需要根据用户目标进行长期的计划推进与修正，并调用外部工具进行任务执行。因此，Personal Agent往往需要拥有较强的长期记忆能力、长流程任务执行能力、工具调用能力等，而自有模型厂商可以针对这些能力进行强化训练。我们认为，未来Personal Agent模型与通用大语言模型会出现一定的分工，自有模型厂商可以通过对模型进行针对性训练，在模型能力上拥有一定竞争优势。

图表13：Muse Wonder Full在个人智能指数和主动记忆能力上超越了其他顶尖模型

资料来源：Meta官网，中金公司研究部

自有模型厂商可以将真实反馈转化为模型改进。我们认为，Personal Agent持续参与用户的实际生活和工作，能够积累通用训练数据难以覆盖的需求、约束和失败案例；同时掌握产品入口与模型训练能力的厂商，有机会将这些经验持续转化为更可靠的执行行为，逐步形成产品与模型相互促进的迭代优势。

图表14：厂商可将真实用户反馈转化为模型优化信号，并在产品端验证效果

资料来源：Reinforcement Learning from User Feedback，中金公司研究部

在规模化使用的情况下，自有模型厂商拥有一定的成本优势。由于Personal Agent需要持续理解用户需求，在记忆检索、任务规划与工具调用等环节多次调用模型，并根据现实情况变化和用户反馈进行修正，其运行时间和模型调用次数要远超一般Agent。例如，即使没有收到新消息或新指令，个人智能体也可能需要检查航班、跟进预约、整理记忆、判断日程冲突，持续消耗计算资源。我们认为，自有模型厂商的成本优势不仅体现在无需承担API调用的溢价，还在于它可以将高频任务能力训练进专用模型，减少冗长推理和工具调用，以及根据业务特点调整推理、缓存和部署方式，从而降低最终推理成本。

独立厂商可以灵活选用模型，降低对单一模型进展的依赖，并控制成本。独立厂商一方面可以接入前沿模型服务，不必受制于自主模型研发的进展；另一方面可以通过模型路由实现质量与成本之间的优化。不同模型在能力、价格、速度和上下文长度上各有所长，应用厂商可以按任务灵活地选择模型，对于复杂的任务使用顶尖商用模型API，对于简单的任务可以使用参数较小、速度较快的模型，既让不同模型发挥其独特的长处，又降低了调用模型的成本。

图表15：独立厂商可以通过模型路由，将不同任务分配给合适的模型

资料来源：Ponddata，中金公司研究部

独立厂商能通过模型进步之外的多种方式提高产品能力。尽管独立厂商难以直接修改底层模型的权重，但仍然能通过优化运行框架和上下文持续提升产品，并把用户反馈转化为更好的信息检索、工具设计、任务流程和结果检查，提高最终交付的可靠度。我们认为，用户往往要求Personal Agent处理邮件收发、日程安排、出行/餐饮票务预订等日常事务，对底层模型的要求低于长代码编写、科研论文写作等复杂任务，独立厂商可以通过良好的框架与上下文设计提升产品能力。

图表16：各Personal Agent使用模型

资料来源：各公司官网，中金公司研究部

商业化：持续服务与交易增量支撑商业化

商业空间：Personal Agent拓展AI ToC商业空间

Personal Agent商业化有望形成订阅费、广告费与交易佣金三类收入模式。1）订阅收入主要面向消费者，依托Agent对个人需求的理解与主动服务，通过日程管理、事务协调及任务执行等能力解决用户问题、提升用户黏性，推动付费转化。2）广告收入主要面向商家，依托Agent对用户消费意图的识别，通过广告展示和精准推荐引导变现。3）交易佣金则伴随Agent从推荐向交易延伸，通过促成订单向商家收取一定比例的佣金，其经济基础在于为商家创造可验证、可溯源的交易。

我们测算，基础情景下，2030年中国Personal Agent市场规模有望达到5,142亿元。其中，归属于Agent的订阅收入、交易抽佣收入和广告收入分别为838亿元、3,918亿元和386亿元，占比分别为16.3%、76.2%和7.5%，交易抽佣收入为最主要的组成部分。具体假设、测算过程及测算结果详见完整报告。

图表17：中国Personal Agent市场规模测算

注：相关假设及计算过程详见后文。

资料来源：中金公司研究部

订阅：持续使用价值支撑Personal Agent订阅付费