苹果Personal Agent新研究：能帮你干活儿，不等于真了解你

能预定餐厅，却猜不透你想吃什么

你让AI代理帮忙预订“平时常去的那家餐厅”，它翻遍历史记录，知道是哪家，却拿不准这次聚餐的时间和人数。大胆猜测可能跑偏，反复追问又显得笨拙——这正是移动端AI代理面临的真实尴尬。苹果团队发现，许多代理看起来“能干活”，但距离“真懂你”还差得很远。它们擅长执行明确指令，一旦遇到依赖用户偏好和情境的模糊请求，就常常做出不符合用户心意的决定。

iPrefBench：把“猜心思”和“该开口问”拆开考

为了精确衡量这种差距，苹果团队构建了一个名为iPrefBench的基准，专门考验代理在模糊任务中的“推断与询问”能力。它运行在可执行的iOS环境中，包含26个应用、130个未完全指定的任务，以及围绕同一用户构造的3051条活动记录。每个被省略的信息都被标注唯一来源：一类能从历史活动里恢复，比如用户常选的座位或出行方式；另一类只能由用户当场提供，比如这次聚餐的时间和人数。代理必须先判断哪些决策未确定，再决定该从历史里猜、还是直接开口问。这个设计填补了传统评测的空缺——以往要么指令完整无需推断，要么给历史却不允许交互，要么允许提问却缺乏历史来判断问题是否多余。

动作完成率91.6%，整件事办成率仅47.7%

研究团队用同一套移动端Agent Harness评估了7个前沿模型，结果触目惊心：表现最好的Claude Opus 5，动作完成率达到91.6%，但完整任务成功率只有47.7%。代理能把预订、购买、填表等操作行云流水地做出来，却未必做出符合用户真实意图的选择。它们在“能从历史推断的信息”上任务完成率为76.3%，而一旦遇到“必须向用户询问才能获得的信息”，完成率骤降到51.3%。换句话说，代理的行动能力很强，但“读懂人”的能力明显掉队——能干活，不等于干得对。

该问的不问，不该问的乱问

更值得玩味的是问询行为。每个任务平均包含0.89项必须向用户确认的信息，但各代理平均每个任务只发起0.08到0.35次询问——该问的时候，它们经常直接替用户拍板。对关键信息的询问召回率最高仅44.3%，意味着超过一半真正需要用户确认的细节被忽略。可询问次数少并不代表“懂事”：各模型的询问精确率只有60.4%到77.1%，也就是说，代理提的问题里仍有相当一部分纯属多余——答案明明白白写在历史记录里，或与当前任务毫无关联，甚至是重复询问。真正聪明的代理，得能精确划清“我该知道”和“我需要问”的界限。

当习惯突然变了，Agent就露馅了

如果用户长期习惯固定，代理或许还能蒙对几分。可一旦情况变化，问题就暴露了。研究团队设计了三类扰动任务：当前指令与长期习惯冲突、近期行为显示偏好已变、原本偏好的选项在当前环境不可用。结果显示，代理在冲突和偏好变化任务中的个性化得分低于整体水平，很容易机械照搬旧习惯。但有意思的是，当原本偏好的选项不可用时，代理反而明显变得更爱提问——平均提问次数达到原来的2.3倍，对必须询问的信息也处理得更好。这说明，代理并非完全不会求助，而是缺乏对“什么时候该依赖记忆、什么时候该重新确认”的敏锐判断力。

这些发现指向一个更本质的结论：Personal Agent的价值不在于“能执行多复杂任务”，而在于能否把用户的历史、情境和边界组织好，让AI不必每次都要人从头交代背景。真正的个人代理，应该像一位熟悉你的同事——知道你的习惯，察觉你的变化，在必要时才开口打扰，在你需要时主动补位。它不只是替你干活儿的工具，更是那个“懂你”的搭档。