简介：本文以个人智能体为评测对象，给出一套可复用的评测框架。文章从应用连接、任务执行、长期记忆、主动服务和交互体验五个维度拆解指标，说明测试样本设计、基线对照、记录方法与结果解读方式，并列出适用场景与风险边界。读者可据此设计自己的测试，避免只凭演示效果做选型判断。
个人智能体是一类能够持续了解用户偏好、连接应用与系统服务、并代替用户推进多步任务的软件。它和通用对话助手的主要区别在于，它需要在用户授权范围内执行操作，而不只是给出文字回复。
随着这类产品增多，选型者面临的核心问题是：产品实际能做什么，做到什么程度，哪些能力可以放心依赖。本文不对某个具体产品下结论，而是给出评测思路、指标定义和测试流程，供读者自行验证。
本次评测围绕四个问题展开。
适合阅读本文的人群包括：评估个人效率工具的开发者，为团队选型自动化助手的技术负责人，负责权限与数据合规的安全人员，以及关注智能体落地效果的产品经理和运维人员。
评测的目标不是判断产品”好不好”，而是回答”在什么条件下、对什么人、值不值得用”。同一款产品在文档整理场景中可能表现稳定，在生活服务场景中却可能受限于接入权限，两个结论可以同时成立。
个人智能体通常由五个能力层组成。
| 能力层 | 作用 | 典型表现 |
|---|---|---|
| 意图理解层 | 把自然语言转成可执行任务 | 识别时间、对象、动作等要素 |
| 连接层 | 通过授权访问应用与系统服务 | 日历、通讯录、邮箱、文件、消息等 |
| 执行层 | 按步骤调用能力并处理异常 | 多步操作、失败重试、结果回写 |
| 记忆层 | 保存用户偏好与历史上下文 | 常用联系人、习惯、固定格式要求 |
| 主动层 | 基于规则或时间触发服务 | 日程提醒、待办汇总、定时检查 |
五层之间有依赖关系。连接层决定智能体能访问哪些数据，执行层决定它能完成哪些操作，记忆层和主动层决定它能否持续服务用户。任何一层薄弱，都会限制整体效果。因此评测时需要逐层定位问题，而不能只看最终是否完成任务。
评测维度按能力层拆分，并补充安全隐私与稳定性两个横向维度。每个维度都要回答三个问题：为什么重要，如何验证，结果如何解读。
连接能力是个人智能体区别于对话工具的基础。评测时需要区分两个概念。一是”入口覆盖率”，即产品列出了多少可接入的应用与服务；二是”可用覆盖率”，即在真实账号下，这些入口能否完成授权并正常读写数据。
验证方法是：列出待测应用清单，逐一记录授权是否可直接完成、是否需要额外认证或服务开通、授权后能否读取与写入。若入口存在但需要多步开通，应单独记为可用性缺口。
任务执行评测关注智能体能否把一条指令完整落地。建议按任务复杂度分级：单步查询、单应用操作、跨应用组合、含条件判断的多步任务。
判断标准包括结果是否正确、步骤是否合理、中途是否需要用户补充信息。补充信息的次数越多，产品的自动化程度越低。需要注意的是，”能完成”和”能无误地完成”不同。一个任务若需要用户反复纠正，即使最终结果正确，也应记为执行质量较低。
长期记忆的价值在于减少重复沟通。评测时应设计跨日、跨周的测试：第一次告知偏好，间隔一段时间后再发起相关任务，观察产品是否正确应用。
需要同时检查记忆的准确性和可控性。准确性指记忆内容与用户原意一致；可控性指用户能否查看、修改、删除已保存的记忆。记忆错误会被后续任务反复放大，因此错误记忆的修正路径与记忆准确性同等重要。
主动服务指产品在用户没有明确发起请求时，依据时间或规则提供帮助。评测时应分别检查触发是否准时、内容是否相关、打扰程度是否合理。
一个常见问题是提醒过多，导致用户关闭通知，从而使主动功能失效。因此评测中应记录每日主动消息数量，并判断其是否在用户可接受的范围内。
交互体验包括指令理解的容错能力、反馈清晰度、确认机制和修改成本。评测时可使用同一组表述不同但意图相同的指令，观察产品理解的一致性；也可故意给出模糊指令，观察产品是否主动追问，而不是直接猜测执行。
对于会产生外部影响的操作，例如发送消息、修改日程、删除文件，产品应在执行前给出明确确认步骤。缺少确认环节本身就是需要记录的风险点。
个人智能体需要的权限通常较宽，因此安全评测的优先级很高。主要检查项包括：授权范围是否可以按应用或按服务单独设置；能否随时撤销授权；操作日志能否查看；敏感信息是否在界面中被不必要地展示。
同时应阅读产品的隐私说明，确认授权数据是否会被上传到服务端、保存多久、用于何种目的。评测人员无法从外部完全验证这些承诺，因此结论应限定为”按公开说明与界面表现判断”。
稳定性评测关注网络波动、服务暂时不可用、多次连续调用时的表现。可通过在弱网条件下重复执行相同任务，观察失败率与恢复方式。
成本评测包括时间成本、学习成本、授权与配置成本，以及因误操作带来的纠错成本。个人使用时，时间成本往往比金钱成本更直观。
评测前应明确以下条件，否则结果无法比较。