隨著AI智能體在終端側的落地，PC領域正在分化出一條新的賽道。
近日，榮耀發(fā)布自研AI智能體系統YOYO Claw技術，并宣布將它作為系統能力預置在MagicBook系列輕薄本中，這也是國內廠商發(fā)布的首款“養(yǎng)蝦本”。
“通過嵌入自研AI智能體系統，PC出廠的時候就預置了‘養(yǎng)蝦’能力。”榮耀全場景產品軟件總經理席迎軍對第一財經記者表示，YOYO Claw技術可以實現核心數據100%留存本地，同時相比OpenClaw方案，綜合詞元消耗可節(jié)省50%。
過去一年，圍繞OpenClaw等框架，AI智能體在開發(fā)者與企業(yè)側快速普及，但在消費端卻難以普及。對普通用戶來說，AI Agent的部署要折騰環(huán)境、調用要算token成本、數據要經過云端。這些隱性摩擦，正在吞噬AI原本承諾的效率紅利，也成為當下AI智能體落地的最大挑戰(zhàn)。
端側“龍蝦”為何難落地
AI智能體的概念并不新，但落地路徑正在發(fā)生變化。
2025年以來，AI Agent逐漸從“對話工具”轉向“任務執(zhí)行系統”。在開源社區(qū)，圍繞OpenClaw等框架，開發(fā)者已經可以讓AI完成文件處理、網頁操作、代碼執(zhí)行等復雜流程。但在消費端，這類能力遲遲沒有規(guī)模化普及，原因集中在部署門檻和使用成本。
席迎軍對記者表示，當前主流Agent方案“更像開發(fā)者工具，而不是消費者產品”，用戶需要自行配置模型接口、管理上下文、控制調用成本，這些步驟本身就構成門檻。
而從海外科技廠商的布局來看，對上述問題的解決路徑各有不同。
微軟在2025年推出Copilot+ PC，將AI能力與Windows系統深度綁定，同時引入NPU算力標準，使部分任務可以在本地完成，例如文本總結、圖像處理等。谷歌則在Android和ChromeOS中推進Gemini的端側部署，通過輕量模型與云端模型配合，嘗試在設備上實現實時推理與隱私保護。
芯片廠商的動作更直接。包括英特爾和高通，均在新一代處理器中強化NPU能力，將“本地運行AI模型”作為核心，這一變化使得PC具備承載輕量級Agent的基礎條件。
但目前大多數方案仍停留在“增強助手”的層面，參與的是某個環(huán)節(jié)，并不是完整任務鏈。
席迎軍對記者表示，榮耀YOYO Claw技術希望把Agent直接作為系統能力進行預置，該系統將智能體能力拆分為多個預置“主蝦”，覆蓋辦公、教育、內容創(chuàng)作等場景。每個“主蝦”對應一組已封裝的技能調用鏈，例如文檔處理、數據整理、信息檢索等。
“用戶的交互方式仍是對話，但背后執(zhí)行的是一整套任務流程。”席迎軍表示，與傳統Agent相比，用戶不需要理解系統能做什么，而是由系統主動展示能力邊界，并在特定場景下進行推薦。例如在論文寫作場景中，系統會提示可調用的學術處理能力。
在成本方案解決上，一位現場參與測試的技術人員對記者表示，榮耀將“詞元”作為核心優(yōu)化對象。方案并未改變模型本身，而是改變了調用路徑。
“很多操作不再重新請求模型，而是通過上下文壓縮、記憶篩選與任務復用，減少無效調用，同時通過本地模型優(yōu)先處理簡單任務，將云端調用限制在復雜場景中。”上述技術人員說。
安全問題如何解決？
但在成本之外，數據問題是AI智能體進入消費端的另一關鍵變量。
此前的主流路徑中，Agent大多運行在云端，用戶數據需要上傳至服務器參與推理。這一模式在企業(yè)場景中可以通過私有化部署解決，但在消費市場，一直存在隱私爭議。
中國工程院院士吳世忠表示，自主性智能體帶來的最大風險，正是其過高的“系統代理權”。他提醒，用戶應時刻繃緊安全這根弦，建議用戶將“龍蝦”養(yǎng)在一個獨立的智能終端上，做好物理隔絕，并堅持最小授權原則，特別是對涉及刪改的操作，必須設置二次確認。
榮耀也提出了“核心數據100%本地留存”，但技術上也存在著難點，核心在于一方面如何盡可能將任務處理前移至端側，另一方面如何對必須上傳的數據進行最小化處理。
席迎軍對記者表示，在具體機制上，內部系統將用戶數據已經劃分為不同類型，包括長期記憶、短期任務信息以及技能數據。執(zhí)行任務時，僅調用與當前任務相關的部分，而不是完整上下文。這一設計既降低詞元消耗，也減少數據暴露。
“對于需要云端處理的復雜任務，系統通過路由算法判斷調用時機，并對上傳內容進行篩選。例如在涉及本地文件的任務中，僅提取必要片段參與推理，而非整體上傳。”在席迎軍看來，通過在系統中引入了獨立的安全模塊，可以對AI行為進行監(jiān)控，該模塊可以識別并攔截高風險操作，例如格式化硬盤或系統重裝，同時對涉及支付、攝像頭調用等行為進行二次確認。
不過，從行業(yè)視角看，端側AI仍面臨現實限制。
比如算力問題。盡管NPU性能持續(xù)提升，但在復雜推理任務中，本地模型仍難以替代云端大模型，這意味著端云協同將長期存在。還有生態(tài)問題。當前Agent能力高度依賴工具調用，而終端側的工具鏈尚未完全開放，不同廠商之間缺乏統一標準。
此外，在業(yè)內看來，數據本地化也帶來新的挑戰(zhàn)。數據不出端意味著模型難以通過集中數據持續(xù)優(yōu)化，如何在隱私保護與模型進化之間取得平衡，行業(yè)仍在探索中。
國家發(fā)展改革委黨組成員、國家數據局局長劉烈宏表示，所謂“好智能體”，不應僅僅是炫技式的“全能執(zhí)行者”，更應是坦誠的風險告知者與可靠的方案解決者——在展示“能做什么”的同時，清晰界定“有哪些風險”并提供“如何安全落地”的完整閉環(huán)。
