← 返回

2026.10.08 | AC | Agents | Muse Channel Check: Adoption & Economics

原标题：Muse调研_ 庞大分发带不来使用习惯, 内部对采用亮红黄灯; 预计2028年营运转正的兑现路径, 复杂任务可靠性追赶内部目标的时间表, 广告自我蚕食的底线测算

#agents #llm

AceCamp · 2026-10-08 · article 70567788

摘要

1、Muse 上线以来的采用漏斗与内部评级：试用、日活与重复委派之间的转化差距2、购物使用中调研与交易的构成、端到端购买完成率的三阶段提升路径，以及订阅分层与交易费、引流模式的单位经济性3、新增算力投产后的成本压力与 2028 年财务转折的兑现条件，OpenAI 与 Grok 的竞争门槛，广告自我蚕食的底线测算

\\*专家观点\\*

自上线以来，Muse当前的用户采用如何？

自上线以来，已有180万独立用户与Muse进行过至少一次有实际意义的会话。推算的月活跃用户基数为85万。近期去重后的App与网页端WhatsApp表面日活跃用户数为36万。委派过不止一项任务的用户数约为26万，而每周完成不止一项智能体任务的用户（更能衡量采用情况的指标）为21.5万。

####

Meta如何评估Muse当前在任务质量和用户规模方面的表现，内部对其采用发展轨迹有何看法？

Meta的评估将任务质量与用户采用区分开来：任务质量令人鼓舞，而用户采用尚未令人满意。虽然邮件总结（88%）、日历管理（86%）以及购物调研（84%）等边界明确的工作流完成率较高，并向用户展示了价值，但更关键的指标——全任务组合下的无辅助端到端完成率较低，对于复杂的多步骤任务，这一比率进一步下降。主要的担忧在于规模和使用习惯的养成。尽管吸引了180万试用用户，日活跃用户数仅为36万，重复委派任务的用户仅有26万。挑战不在于获客（Meta庞大的分发网络为此提供了便利），而在于将试用转化为习惯性的任务委派。内部评估在初始任务效用上评定为绿灯，在可靠性上为黄灯，在习惯性采用上则为红黄灯。

####

在购物场景中，Muse的主要用例是什么，有多少比例的用户通过该智能体完成了端到端购买？

目前，Muse在购物场景中的核心功能是发现与决策支持，而非完成购买。在尝试过购物的40万用户中，57%（约23万）将其用于商品发现、推荐和规格查询。另有27%（约11万）将其用于比价、评价和商家分析。仅有12%（约5万）进入到由Muse协助挑选商品和填写信息的购买工作流中。仅有5%到6%（约2.2万用户）允许Muse在极少人工干预的情况下完成端到端交易。这意味着Muse当前的购物行为有85%属于调研与决策辅助，15%具有交易属性。限制购买完成率进一步提升的主要障碍并非

模型智能，而更多在于实际落地问题，例如商家接入、身份验证、支付授权、反爬/反机器人系统、验证码以及用户信任（尤其是高价值商品）。

####

Meta 采取何种策略来提高 Muse 在购物场景中 5% 的端到端购买完成率？

Meta 计划通过围绕信任、商家集成和支付基础设施的多阶段路径来提高购买完成率。首先，该策略涉及从浏览器自动化转向直接商家 API 以及与 Amazon、Walmart、Shopify 和 Booking.com等平台的连接器。这将提供对库存、定价和结账的结构化访问，预计通过减少因登录、验证码和页面变动导致的失败，将完成率从 5% 提升至 8-10% 的区间。其次，实施持久化身份与授权机制将允许用户针对特定额度以下的购买授予长期权限（例如 50美元以下自主购买，50 至 500 美元需确认），从而在保持用户控制权的同时减少订单放弃。第三，使最终结账步骤更加安全和简便，提供包含所有细节的清晰确认屏幕，并通过 Face ID等方式实现一键批准。即使有人工财务授权，这仍被视为代理商业（agentic commerce）。第四，将 Muse 的能力扩展至包括物流跟踪、取消、退货和退款等售后职责，以建立用户信任。从数据来看，当前 5%的完成率预计在拥有可靠连接器和身份验证后达到 11%，在支持一键支付后达到 17%，一旦售后支持健全，在复购用户中可达 25%。预计该比例不会超过 50%，因为用户可能更倾向于手动处理昂贵或高决策门槛的购买。

####

Meta 计划如何将 Muse 执行的购物相关任务变现，特别是当大多数用户仍手动完成最终购买时？

考虑到大部分 GMV 最初将处于无法归因的发现环节，Muse 影响的购物变现主要围绕三种模式构建。第一种模式是直接代理交易，即 Muse 执行整个购买流程，Meta 最终的目标是向商家收取 1-3%的交易费。这目前仅适用于极少数用户。第二种模式是归因引流。在这种情况下，Muse 通过可追踪的深度链接将用户引导至商家网站。即使用户手动完成结账，Meta 也可以根据 CPA 或联盟营销机制赚取 1-5%的引流推荐费。在自主结账率仍然较低的情况下，该模式颇具吸引力。第三种模式是无归因发现，即用户使用 Muse 进行商品调研，随后自主从 Amazon 等商家处购买。这不会为 Meta 带来直接的商业收入。战略重点不仅在于提高 5%的自主购买率，还在于通过健全的引流与结账系统，使剩余 95% 受影响商业活动中更大的一部分实现商业化归因。

####

针对电子邮件和日历管理等高频、非交易型任务，其变现策略是什么？

对于不产生直接交易收入的行政管理类任务，变现模式基于带有用量额度的订阅制，而非按单次操作收费。这种方式旨在培养持久个人代理的使用习惯。该模式分为三个层级：

超出这些层级的重度使用将消耗额外额度。该模式在经济上是可行的，因为单个管理任务的成本很低；例如，一个电子邮件工作流成本为 0.005-0.03 美元，一次日历操作成本为 0.003-0.015 美元。每月执行 600 次操作的 20美元订阅用户可能仅产生 10 美元的月度推理成本，从而留出贡献边际（contribution margin）。该策略依赖于交叉补贴：高频、低成本的管理任务建立了用户习惯和留存率，使 Muse成为未来发生购物和差旅预订等高价值、可变现商业任务时的默认入口。

####

鉴于代理的可靠性是一个关键瓶颈，Meta 正在采取哪些具体的技术途径来提升可靠性？

Meta 正聚焦于五个关键领域来提升可靠性，将 Muse 视为一个受控的代理系统，而非单一的单体LLM。首先是规划器-执行器-验证器的分离。一个模型将复杂请求分解为明确的步骤，专用执行器执行这些步骤，验证器在输出达到预期状态之前对其进行核对

执行高风险操作前进行确认。预计这将把复杂任务的可靠性从目前的 55-65% 区间提升至 70-80%。第二是针对高频操作，优先使用 API 和连接器而非浏览器自动化。在处理 80-90% 的常见任务中，针对 Gmail、Calendar 和Shopify 等服务采用确定性的结构化工具，将减少与浏览器控制相关的错误。第三是实施系统化的状态验证。在执行某项操作后，Muse将查询系统以确认预期的状态变更确实发生；若执行失败，则触发重试、重新规划或呈报用户处理，而不是错误地报告成功。第四是直接基于智能体轨迹进行训练，并重点关注失败案例。通过分析数以百万计符合隐私规范的任务轨迹，模型的奖励函数正日益与经过验证的任务结果挂钩，而非仅仅看回答是否听起来合理。第五是通过显式约束增强记忆与个性化能力。Muse需要对用户偏好（例如常用机场、预算上限）具备稳定的认知，且此类记忆必须附带置信度评分和溯源信息，以防止使用过时或不正确的上下文。

####

为不同订阅层级的 Muse 用户提供服务时，采用了怎样的模型架构策略？成本考量是否会迫使其转向更小的模型？

为 Muse 用户提供服务的策略涉及模型路由架构而非单一的固定模型，从而确保每月 20 美元的订阅模式在经济上切实可行。系统会根据复杂程度将不同任务路由至不同规模的模型：

“活跃”这一表述是关键，因为 Meta 采用的是总参数量达 5000 亿至 1 万亿的大型 Mixture-of-Experts 模型，但每个 token 仅激活 500 亿至 1500亿参数，这使得总参数量在衡量服务成本方面的参考价值较低。随着时间的推移，前沿模型将日益扮演“教师”层的角色，而较小的蒸馏模型将承担大部分生产环境的调用量。

####

Meta 如何看待个人智能体领域的竞争格局，特别是针对 OpenAI 和 Grok？

OpenAI 和 Grok 均被视为强劲的竞争对手，尽管它们带来的挑战各不相同。由于具备先进的智能体推理能力以及现有的 ChatGPT 用户群体，OpenAI 被视为更大的战略威胁。OpenAI 转向配备连接器和云端执行的工作空间智能体，与Muse 的愿景构成了直接竞争。若竞争对手的智能体在复杂任务上达到 75-85% 的可靠性，可能会削弱 Meta 的分发优势。Grok 的直接竞争性也日益增强，已推出连接器以及能够跨应用工作并实现跨会话保持的“Grokbot”。Grok 4.7 针对长时间运行的智能体工作进行了优化。对比分析显示：

Meta 的核心竞争优势在于其有望利用社交图谱来获取上下文和实现分发。

####

社交上下文在作为 Muse 的竞争优势中具体发挥什么作用？

社交上下文源自 Meta 各平台上的用户关系和对话（在获得相应授权的前提下），它使 Muse 能够转化

将表意不明确的用户请求转化为可执行任务。例如，对于“下周和哥们儿组织聚餐”这类请求，深度整合 Meta 生态的智能体可以通过从 WhatsApp识别相关群组、查询各成员空闲时间，并结合位置上下文推荐合适的餐厅来完成。该能力在四个核心领域创造价值：

  1. 意图解析：预计成熟的个人智能体任务中有 25% 将受益于人际关系和对话上下文。
  2. 主动协助：Muse 能够识别群聊中的协同任务并主动提供协助，例如在大家讨论时间和地点时主动寻找餐厅。
  3. 商业交易：社交上下文可为个性化推荐和集体购买决策提供参考依据。
  4. 个性化与信任：理解用户的社交圈层和沟通模式有助于加深个性化程度并建立信任。

####

Muse 的长期记忆目前处于怎样的成熟度水平？进一步提升还需要具备哪些条件？

Muse 的长期记忆成熟度目前评分为 4.5/10，相比早期的 3 分有所提升。该系统目前可以稳定留存并检索约 70% 的明确、持久的用户偏好，而早期这一比例为45%。然而，可靠的隐式记忆——例如从过往预订记录中推断用户对过道座位的偏好——目前的准确率接近 47%。其中一个重大挑战在于准确判断何时不应使用旧记忆。为了达到 8/10的目标成熟度，系统需要在四个维度表现出色：高召回率、高准确率、时间维度理解（了解记忆的时效性）以及溯源/置信度（理解记忆的来源和可靠性，以及其是否已被更新的信息所推翻）。

####

Muse 的财务前景如何？

2027 年上线的 4 吉瓦新增算力最初将导致 Muse 出现营运亏损，因为这套基础设施支持的是 Meta 的各项综合 AI 需求，而不仅是面向消费者的智能体。尽管 Muse 在 2027 年会产生收入，但其成本会更高。然而，到 2028年财务前景将显著改善。此外，随着商业交易归因能力的提升，交易费与分成费预计在 2029-2030 年将成长为数十亿美元规模的收入来源。

####

Meta 的企业级智能体能够执行哪些具体的业务工作流？这些服务如何定价？

Meta 的企业级智能体旨在跨多个业务系统执行工作流。主要应用场景包括：

其战略重点在于掌控 Meta 旗下各通信渠道中面向客户的智能体交互层，并将其打通连接至 Salesforce 和 Shopify 等企业系统。Meta Business Agent 的定价模式为打包进 Meta One Business的分档月度订阅：

上述价格包含订阅费及智能体响应额度，WhatsApp Business Platform 则另行按使用量收费。Muse API 与 Muse Code 企业平台的公开定价目前尚未公布。

####

为 Muse 引入交易费是否会因业务蚕食而导致 Meta 的广告收入下滑？

业务自相蚕食（cannibalization）的风险确实存在，但交易费预计不会以1比1的比例直接取代广告收入。其影响因广告类型而异，其中最贴近销售环节的效果类广告受影响最大。据估计，长期替代率方面：购物和目录广告为35%，漏斗底部转化广告为30%，重定向广告为27%，而品牌知名度广告则更具韧性。然而，整体财务前景预计依然积极。在未来智能体电商（agentic commerce）的情景下，Meta的广告收入可能被替代部分，但Muse可能通过交易、引流推荐、订阅和企业端收入创造数百亿美元，从而带来更高的总收入。战略上的当务之急是积极拥抱这一转变。若试图通过限制Muse的商业化能力来保护广告收入，将带来更大的风险，因为这可能促使用户转向来自OpenAI或Grok的更高效的竞品智能体，导致Meta彻底失去智能体交互入口本身。其战略目标是在外部竞争对手出手之前，主动让Muse分流并蚕食部分漏斗底部的广告收入。