01 触发事件

a16z 宣布投资 First Person Labs,后者的产品 Second 试图在用户设备上持续维护一份个人模型,并把这份 context 提供给用户选择的 agents。

这不是又一个“更了解你的聊天机器人”。更准确地说,它是一次基础设施下注:personal agent 要跨应用工作,必须有人负责沉淀、刷新、授权和分发“这个用户是谁”。

a16z 的核心表述是,Second 的 background engine 默认运行在 device 上,personal model 可 inspect、可 portable;用户还能选择驱动它的 intelligence,以及其他应用和 agents 能访问哪些信息。

创始团队也有对应履历:Ken Liu 曾在 Stanford 和 Google DeepMind 研究 AI 与 data privacy;Erik Chi 在 Michigan 研究 network security、privacy 和 censorship resistance。两人此前参与 Open Anonymity Project。

我没在内部跑过 Second,以下对产品能力和技术边界的判断主要来自这篇投资说明。

02 这事的真正含义

问题不在于“AI 能不能记住用户”,而在于记忆归谁。

今天的 context 大多被锁在 ChatGPT、Claude、Cursor 或某个 SaaS 的 session 里。每个产品都试图从自己的 interaction 中构建用户 profile,但用户得到的不是一个可迁移的 personal context,而是一组彼此隔离的数据 silo。

Agent 数量越多,这个断裂越严重。用户刚在 Claude Code 里说明代码规范,换到 Cursor 又要重复一遍;CRM 知道客户偏好,calendar 知道时间约束,browser agent 看不到其中任何一个。所谓“自主 Agent”,最后常常退化成各自为政的 automation scripts。

Second 押注的是 context aggregation layer:持续维护个人模型,再将经过授权的 context 注入不同 agents。这个位置如果成立,就会掌握 Agent 时代相当关键的一层 distribution——不是卖 token,也不是替用户完成任务,而是决定任务执行时能看见什么。

这里的 moat 可能来自三部分。

第一是长期积累。模型只有持续吸收用户的行为、关系、习惯和意图,才会从静态 profile 变成活的 personal state。

第二是 permission architecture。谁能读、读多少、何时读、能否撤销,比“模型是否足够聪明”更难复制,也更容易形成 switching cost。

第三是 trust。用户一旦发现某个 agent 因错误 context 做出高成本决定,授权会迅速收紧。personal context 不是普通 preference,它是高杠杆控制系统。

但 a16z 这次没有披露 ARR、retention、活跃用户数,也没有公布设备端模型的准确率、延迟或 memory update 机制。投资文章提供的是 thesis,不是 traction evidence。我不会据此判断 Second 已有产品市场匹配。

03 历史类比 / 结构对照

这更像 2007 年 iPhone 带来的 mobile identity aggregation,而不是一次普通的新产品发布。

iPhone 的意义不是触屏浏览器,而是把电话、邮件、地图、相机、calendar 和第三方 apps 收进同一套 OS 与账号体系。用户第一次拥有相对连续的 digital identity,第三方开发者则围绕 iTunes distribution 建立生态。

Agent 带来的结构变化相似:AI 从“用户主动打开的 app”变成“持续运行的 software actor”。一旦 Agent 能发消息、改代码、调日历、处理财务,它需要的 context 就不再由单个 interaction 提供,而要由跨设备、跨应用维护的个人状态提供。

历史上,浏览器把 navigation 聚合到 Google,但搜索和广告让 Google 最终赢走了 distribution。Agent 时代也可能出现类似分层:

  • model provider 提供 intelligence;
  • tool platform 提供 execution surface;
  • context layer 维护 personal state;
  • application 提供 workflow 与 outcome。

真正会被定价的,可能不是谁拥有最多 agents,而是谁成为个人状态与 agent execution 之间的默认接口。

这里还有一个反直觉点:context layer 未必属于模型公司。模型能力会逐步商品化,但用户授权、数据结构和跨应用 integration 更接近 identity 与 operating system 的结合部位。模型厂商当然可以向上整合,First Person Labs 押的则是模型厂商会把 core capability 开放出去,而非全部收进封闭产品。

2014 年 AWS 的类比只部分成立。AWS 赢在标准化基础设施,用户无需直接理解底层容量管理;context aggregation layer 若成功,也应该让普通用户不必理解 permission graph 与 local inference。可是个人数据比 cloud compute 更敏感,迁移成本也更高。

04 对 AI builder 意味着什么

这周该调整的不是“要不要给 Agent 增加 memory”,而是 memory 归谁、怎样授权。

第一,产品设计应开始区分三类状态:产品级 preference、用户级 personal context、任务级 transient state。把它们全塞进某个 vendor 的 session,会让产品逐渐变成不可迁移的数据孤岛。

第二,优先建设 export 与 permission,而不是单纯追求“更聪明”的 memory。至少要让用户知道哪些事实被保存、来源是什么、哪些 agents 正在读取,并提供粒度控制和删除能力。我的初步判断是,审计能力很快会从企业功能变成消费级 Agent 的基础要求。

第三,API 层应预留 context addressing。模型调用不应只接受一串拼接后的 prompt,还要能标识某段 context 的来源、时效、scope 和 access policy。否则应用层每接一个新 agent,都会重新实现 retrieval、conflict resolution 与 consent。

第四,别把本地设备默认运行自动等同于隐私安全。它可能降低 centralized data exposure,却不解决 model inference、permission bypass、backup、sidecar 同步和 prompt injection。Second 的真正工程难点,应该在 local background engine 怎样安全更新个人模型,以及多个 agents 怎样在不共享全量 context 的情况下完成协作。

对独立 AI 产品创业者,这反而暴露了一个可利用的窗口:不要先造另一个 personal agent,先造 agent infrastructure。context sync、policy enforcement、identity、审计、model routing,以及跨 MCP / A2A 的授权层,都可能成为 API 与 SDK 之间的新基础设施层。

对 model API 消费者,则应监控 personal context 对 token economics 的影响。context 一旦持续注入,长 context 会直接推高每次推理成本。便宜的小模型加精准 retrieval,可能比昂贵模型加整包 profile 更经济;prompt caching 能否覆盖频繁变化的用户状态,也需要单独测算。

05 反方观点 / 风险

我可能高估了独立 context layer 的生存空间。

Google、OpenAI、Anthropic 和 Microsoft 都掌握大量用户 interaction,还拥有 apps、browser、OS 或 enterprise distribution。它们完全可以把 personal context 留在自己的生态里,再通过 MCP / A2A 暴露有限能力。First Person Labs 要对抗的,不只是创业公司,而是拥有默认入口和既有 switching cost 的平台巨头。

Second 也可能停留在“隐私好看的 memory app”。设备端运行能形成叙事优势,但真正决定留存的是 context 是否足够准确、是否能减少重复输入、是否能在关键时刻避免错误决策。a16z 披露的内容里,没有 usage data 支持这一点,我不能把架构选择当成产品验证。

更严重的是,个人模型越完整,攻击收益越高。Prompt injection 不再只是让 Agent 误读一条网页,而是可能诱导它泄露关系图谱、财务信息与行为习惯。local-first 可能保护数据不被集中出售,却不能自动保护数据不被本地 agent 滥用。

我的判断因此应当收窄:First Person Labs 押中的问题是对的,但赢家未必是独立 context vendor。若它最终成立,更可能通过开放协议、OEM 或 model-provider partnership 成为中间层,而不是要求用户把全部个人状态交给一家新公司。

眼下最值得验证的指标不是隐私功能数量,而是 context reuse rate、误记忆率、permission revocation 后的安全边界,以及用户是否愿意让两个以上不同 agents 共享同一份 personal model。若这些数字不成立,“个人模型主权”很容易变成另一种 SaaS lock-in。