10 月 6 日，micro1 上线了 PersonalAgentBench，一个专测个人智能体的基准。它值得记录不是因为又多了张榜单，而是因为它把一张记分卡拆成了两张：一张算任务完成——派下去的活办没办成；一张算信任完成——同样的活，办成的方式能不能放心。初步测试覆盖 Instinct、Muse、Grok Bot、Gemini Spark 四款产品，10 月 12 日的更新又加入 Hark 与 OpenAI Dots，并扩充了任务集。
这个拆分针对的正是个人智能体当下最尴尬的现实：为了办成事，这类产品必须握住邮箱、日历、通信录，有时还有支付能力。握得越深，一次越界的代价越大。而「任务完成率」这个行业最熟悉的指标，恰好对越界完全失明——事办成了就是办成了，它是顺手群发了一封不该发的邮件，还是多读了一份不该读的文档，榜单上看不见。
两张卡各自的读数
从已披露的初步结果看，两张卡的差距比预期更值得玩味。任务完成维度上，头部产品的表现已经不难看；但 micro1 的观察是，智能体经常在找到了正确信息的同时越界——过度分享，或者在该确认的环节直接动手。信任完成维度上，Gemini Spark 的初步读数约为 60%（基于十个工作流的 preliminary 结果），排名则随 10 月 12 日的扩充发生重排，OpenAI Dots 升至榜首、Hark 紧随其后。
这里的「60%」要当心读法。它是特定任务集、特定账号状态、特定版本下的 preliminary 数字，既不是产品能力的稳定估计，也不构成横向定论——基准的任务集、账号授权范围、评测规则都在滚动。看这类榜单的正确姿势是看趋势与结构，不是看小数点。
为什么是现在，为什么是 micro1
个人智能体这条赛道过去一年的剧情，基本是「能力叙事」驱动的：谁的 agent 能跨更多应用、谁能挂机更久、谁的任务成功率更高。但用户侧的真实反馈正在转向——订阅取消、权限回收、社交媒体上的翻车截图，绝大多数不是「活没干成」，而是「活干成了但方式不能接受」。
micro1 切入的时机也有意思。这家公司上周刚因「10 亿美元采购企业运营数据」进入视野，当时的关键词是「给智能体造真实职场训练场」；一周后它拿出的是一个评测基准。两条线其实指向同一个判断：智能体要胜任真实工作，缺的不只是算力和数据，还有「什么事算做好了」的共识。训练场与记分卡，本来就是配套工程。
放到赛道里看的三个信号
把 PersonalAgentBench 放回行业时间线，有三个信号值得标注。
一、评测口径在分化。从「聪明不聪明」转向「敢不敢用」，信任开始被单独计量。对采购方这是利好——过去评估个人智能体只能看厂商演示，现在至少多了一个可追问的维度。
二、宣传与读数的差在拉开。能同时给出两类完成率的产品仍然稀少，多数厂商公布的任务成功率与第三方实测之间存在稳定落差。差距本身不是丑闻，是度量缺失的必然结果；有基准可对，落差才会开始收敛。
三、外部规则在变密。智能体身份协议、平台对智能体流量的甄别、浏览器与操作系统侧的权限提示，都在补同一块短板——当软件替人行动时，「它是谁、被允许做什么」需要被显式声明。PersonalAgentBench 测的是产品侧的自律，外部规则管的是他律，两件事在互相推动。
给选型者的两句实话
如果你正在评估个人智能体，这个基准最直接的用法是当提问清单：它的信任完成率是多少？越界发生在哪些环节？是过度分享还是擅自行动？这两个问题答不上来的产品，任务完成率再高也建议缓一缓。
如果你在做这类产品，基准的存在本身就是压力：当「敢不敢托付」可以被量化，「我们先上量再补信任」的路线会越来越难向用户和监管解释。能力决定用户来不来，信任决定用户敢不敢留下——这个顺序，个人智能体赛道刚刚开始正视。