个人智能体的「全双工」考题
9 月 28 日的一篇 arXiv 论文（编号 2609.34930）从一个被忽视的角度考了个人智能体：不是单步调用对不对，而是「从定计划、到执行、再到按反馈改计划」这一整条生命周期里，它能不能把用户的偏好一贯地贯彻到底。这个叫 PDEU-Bench 的基准，覆盖 214 个长程交互任务、12 个日常领域、94 个工具，对每个阶段单独打「偏好遵循」和「计划质量」的分。
为什么这件事重要？因为眼下个人智能体正从演示走向日常——国内大厂集体入局、海外产品把「常驻办事」当卖点。但 PDEU-Bench 的结论给这股热潮泼了盆冷水：模型在单次调用里能很好地实例化用户偏好，却普遍建不出连贯的计划定义，也改不好已有计划。
把规划拆开看，三个阶段的难度并不对称。执行段考的是给你一步动作，你能不能按用户习惯来做，模型大多应付得来；定义段考的是先定目标与步骤，且这些步骤要体现用户偏好，模型常常含糊其辞；更新段考的是根据反馈修订已有计划，模型又容易推倒重来而非精准修补。PDEU-Bench 的巧思在于，它不是给一个总分，而是把偏好遵循和计划质量分别按阶段打分，让断点在哪个环节一目了然。
断层出在首尾两端
把规划切成定义、执行、更新三段看，问题集中在两头。执行中段相对稳：给定一步动作，模型大多能按用户习惯来。可一到「先定目标与步骤」，它就含糊；一到「根据反馈修订旧计划」，它又塌。作者还测了主流的个性化与记忆增强方法——结论是，这些方法能补某一段，却没法把偏好可靠地传遍全程，增益常常到下一步就断。
更细的错误分析显示，偏好的遗漏与冲突会贯穿整个规划生命周期，并不是偶发。也就是说，今天很多「记忆」方案解决的是「记得住某条偏好」，没解决「偏好如何约束一整条跨步计划」。
这层意思对当下正热的个人智能体尤其刺耳。很多产品演示时让模型帮你订餐厅、排日程、写邮件，看起来什么都懂；可一旦要求它把不吃香菜、九点后不接电话、周末不打扰这类偏好连贯地贯彻到一整周的计划里，演示里的聪明就塌了。PDEU-Bench 用数字证明，这种塌不是偶发，而是规划生命周期两端的结构性缺口。
这解释了「演示强、长程弱」
把 PDEU-Bench 放回产品视角，它其实解释了用户最常见的体感：个人智能体演示时样样精通，真用起来却常在长任务里跑偏——明明记得你不吃香菜，却在你连订三天餐的计划里把这条忘在第二步。根因不在模型不够聪明，而在「偏好」没有被参数化成贯穿规划的信号，而只是散落在单次调用里的提示。
给做个人智能体的团队
论文的启发很直接：想让个人智能体真正「懂你」，光堆记忆容量不够，得让偏好成为计划定义与更新的硬约束——用偏好感知的检索与记忆，把「用户要什么」写进每一步的决策前提，而不是等执行时临场想起来。对赛道来说，PDEU-Bench 把「个性化」从营销词拉回可度量：下一个竞争点，不是谁记得多，而是谁能在长程任务里把偏好一贯地贯彻到尾。
这同时也意味着，评测个人智能体不能再只看单轮对话的讨喜程度，而要看它跨多步、多日计划里是否始终如一。对个人用户来说，当你觉得某个智能体越来越懂你时，先别急着信，给它一个跨多天的复合任务试试——看它能不能在第三天还记着头一天的偏好。能把偏好贯彻到尾的，才是真懂你；只在头一天表现得像懂你的，多半只是记住了那一次对话。判断一个个人智能体够不够聪明，不妨把这当成最低标准：跨三步还记着你的偏好，才算及格。