牛盈服务中心国内首款“养虾本”来了，端侧 AI 智能体如何破局？

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

　　来源：第一财经

　　在端侧，AI智能体能力迟迟没有规模化普及，原因集中在部署门槛和使用成本。

　　随着AI智能体在终端侧的落地，PC领域正在分化出一条新的赛道。

　　近日，荣耀发布自研AI智能体系统YOYO Claw技术，并宣布将它作为系统能力预置在MagicBook系列轻薄本中，这也是国内厂商发布的首款“养虾本”。

　　“通过嵌入自研AI智能体系统，PC出厂的时候就预置了‘养虾’能力。”荣耀全场景产品软件总经理席迎军对第一财经记者表示，YOYO Claw技术可以实现核心数据100%留存本地，同时相比OpenClaw方案，综合词元消耗可节省50%。

　　过去一年，围绕OpenClaw等框架，AI智能体在开发者与企业侧快速普及，但在消费端却难以普及。对普通用户来说，AI Agent的部署要折腾环境、调用要算token成本、数据要经过云端。这些隐性摩擦，正在吞噬AI原本承诺的效率红利，也成为当下AI智能体落地的最大挑战。

　　端侧“龙虾”为何难落地

　　AI智能体的概念并不新，但落地路径正在发生变化。

　　2025年以来，AI Agent逐渐从“对话工具”转向“任务执行系统”。在开源社区，围绕OpenClaw等框架，开发者已经可以让AI完成文件处理、网页操作、代码执行等复杂流程。但在消费端，这类能力迟迟没有规模化普及，原因集中在部署门槛和使用成本。

　　席迎军对记者表示，当前主流Agent方案“更像开发者工具，而不是消费者产品”，用户需要自行配置模型接口、管理上下文、控制调用成本，这些步骤本身就构成门槛。

　　而从海外科技厂商的布局来看，对上述问题的解决路径各有不同。

　　微软在2025年推出Copilot+ PC，将AI能力与Windows系统深度绑定，同时引入NPU算力标准，使部分任务可以在本地完成，例如文本总结、图像处理等。谷歌则在Android和ChromeOS中推进Gemini的端侧部署，通过轻量模型与云端模型配合，尝试在设备上实现实时推理与隐私保护。

　　芯片厂商的动作更直接。包括英特尔和高通，均在新一代处理器中强化NPU能力，将“本地运行AI模型”作为核心，这一变化使得PC具备承载轻量级Agent的基础条件。

　　但目前大多数方案仍停留在“增强助手”的层面，参与的是某个环节，并不是完整任务链。

　　席迎军对记者表示，荣耀YOYO Claw技术希望把Agent直接作为系统能力进行预置，该系统将智能体能力拆分为多个预置“主虾”，覆盖办公、教育、内容创作等场景。每个“主虾”对应一组已封装的技能调用链，例如文档处理、数据整理、信息检索等。

　　“用户的交互方式仍是对话，但背后执行的是一整套任务流程。”席迎军表示，与传统Agent相比，用户不需要理解系统能做什么，而是由系统主动展示能力边界，并在特定场景下进行推荐。例如在论文写作场景中，系统会提示可调用的学术处理能力。

　　在成本方案解决上，一位现场参与测试的技术人员对记者表示，荣耀将“词元”作为核心优化对象。方案并未改变模型本身，而是改变了调用路径。

　　“很多操作不再重新请求模型，而是通过上下文压缩、记忆筛选与任务复用，减少无效调用，同时通过本地模型优先处理简单任务，将云端调用限制在复杂场景中。”上述技术人员说。

　　安全问题如何解决？

　　但在成本之外，数据问题是AI智能体进入消费端的另一关键变量。

　　此前的主流路径中，Agent大多运行在云端，用户数据需要上传至服务器参与推理。这一模式在企业场景中可以通过私有化部署解决，但在消费市场，一直存在隐私争议。

　　中国工程院院士吴世忠表示，自主性智能体带来的最大风险，正是其过高的“系统代理权”。他提醒，用户应时刻绷紧安全这根弦，建议用户将“龙虾”养在一个独立的智能终端上，做好物理隔绝，并坚持最小授权原则，特别是对涉及删改的操作，必须设置二次确认。

　　荣耀也提出了“核心数据100%本地留存”，但技术上也存在着难点，核心在于一方面如何尽可能将任务处理前移至端侧，另一方面如何对必须上传的数据进行最小化处理。

　　席迎军对记者表示，在具体机制上，内部系统将用户数据已经划分为不同类型，包括长期记忆、短期任务信息以及技能数据。执行任务时，仅调用与当前任务相关的部分，而不是完整上下文。这一设计既降低词元消耗，也减少数据暴露。

　　“对于需要云端处理的复杂任务，系统通过路由算法判断调用时机，并对上传内容进行筛选。例如在涉及本地文件的任务中，仅提取必要片段参与推理，而非整体上传。”在席迎军看来，通过在系统中引入了独立的安全模块，可以对AI行为进行监控，该模块可以识别并拦截高风险操作，例如格式化硬盘或系统重装，同时对涉及支付、摄像头调用等行为进行二次确认。

　　不过，从行业视角看，端侧AI仍面临现实限制。

　　比如算力问题。尽管NPU性能持续提升，但在复杂推理任务中，本地模型仍难以替代云端大模型，这意味着端云协同将长期存在。还有生态问题。当前Agent能力高度依赖工具调用，而终端侧的工具链尚未完全开放，不同厂商之间缺乏统一标准。

　　此外，在业内看来，数据本地化也带来新的挑战。数据不出端意味着模型难以通过集中数据持续优化，如何在隐私保护与模型进化之间取得平衡，行业仍在探索中。

　　国家发展改革委党组成员、国家数据局局长刘烈宏表示，所谓“好智能体”，不应仅仅是炫技式的“全能执行者”，更应是坦诚的风险告知者与可靠的方案解决者——在展示“能做什么”的同时，清晰界定“有哪些风险”并提供“如何安全落地”的完整闭环。