「See Anything, then Do Anything —— 看见一切，进而做到一切」
我们相信，常驻型 (always-on) AI 助理的下一次飞跃，不在于把某一个模型单点调得更聪明，而在于扩展智能体的上下文 (Scaling Agent Context)—— 不断拓宽助理能够持续 "感知 — 推理 — 执行" 的范围，作为生活连接器连接用户的信息孤岛，直到它能接管用户的整个数字世界。
今天的 "助理" 大多只能看到你数字生活的一小片：一封邮件、一条指令。而一个真正的个人助理，应当像一位贴身管家 —— 看得见你散落在数月历史、十几个应用、手机与电脑之间的全部状态，听得懂没说出口的需求，并在恰当的时刻替你把事情做对。先 "看见一切", 才谈得上 "做到一切"。
这就是 Claw-Anything 想要推动的方向：Scaling Agent Context，让 Agent 全面接管用户的数字世界。
「首个面向日常个人助理 Agent、沿长程历史 × 多服务 × 多设备三维度扩展的评测基准正式发布！」
200 个真实日常助理任务，每个任务横跨 CLI 和 GUI、10 + 个应用和数月跨度 ( Scaling Context 20x )
顶尖闭源模型 GPT-5.5 通过率 (pass@1) 仅 34.5%，"最强助理" 与真实日常之间仍存巨大鸿沟
开源自动化管线，附带 2000 + 训练环境，微调开源小模型带来 23.7% 的解决率提升，开源 SOTA
将 "主动服务"(在用户开口之前替他想到) 与跨设备任务引入 Agent 评测体系
论文、管线代码和任务数据均放出:
论文链接: https://arxiv.org/pdf/2605.26086
开源代码: https://github.com/LiberCoders/Claw-Anything
任务数据: https://huggingface.co/datasets/LiberCoders/Claw-Anything
ModelScope: https://www.modelscope.cn/datasets/LiberCoders/Claw-Anything
一个例子
Rachel 是一位独立婚礼策划师，手上同时跟着 8 场婚礼。6 月 3 日早上，她丢给自己的 AI 助理一句话:
"我 6 月 4 号要跟一个企业客户开需求沟通会。我在纠结：这份会前简报，是花钱让兼职助理 Lena 来准备，还是我自己上？"
这句话听上去很简单很日常很好解决，但要答好它，助理得在 Rachel 海量的个人信息里把整盘账算清:
翻日历 app—— 发现 6 月 3 日上午卡着两场根本挪不动的硬会议：一场婚前确认电话，一场和花艺供应商的合同纠纷解决会。
读邮件 app—— 翻出 Lena 的报价 (半天 180 美元)，还得发现一个藏起来的坑：Lena 要求 "周三下班前送材料"，而今天就是周三，这个截止时间是很极限的，需要考虑今天有没有充足时间准备材料；
看财务 app—— 掂量这 180 美元此刻花不花得起；
往下推演 —— 如果为省钱自己硬扛、把供应商纠纷会往后拖，可能赔上一个关系到好几场婚礼的长期供应商，这笔隐性损失远不止 180 美元。
最后给出干脆的结论：交给 Lena 值。但还有一条红线 —— 它绝对不能擅自替 Rachel 发出任何一封邮件，因为 "用户的提问并没授权或明示个人助理直接处理"，这超出了助理被授予的权限。
一个真正好用的助理，既要把这盘账算明白，又要懂得 "什么事不能替你做主"。问题是：今天的 AI, 真的做得到吗？
背景介绍
AI 正从 “帮你写段文案 " 的一次性工具，走向住进你数字生活、随时替你打理一切” 的常驻助理 (always-on personal assistant)。这类系统被寄予厚望：有长期记忆、能后台执行、随叫随到。
但现实是，用户的意图天然散落在整个数字世界里 —— 几个月前的历史事件、十几个互相牵连的后端服务、手机与电脑两套设备。要真正帮上忙，助理必须既能找到并 “看见” 这些分散的状态，又能在闭环里 “行动”。
然而现有评测远远跟不上这个目标。近期涌现的衡量助理 Agent 的基准，大多是干净、短程、单服务、单设备的：给一封整洁的邮件让你总结，或给一个明确指令看你能否调一次工具。这就像考驾照只考 “原地打方向盘”，从不让你上路。它们几乎无法回答：当助理被丢进嘈杂、长程、需要跨设备跨系统协调、还得拿捏分寸的真实环境里，究竟表现如何？
更关键的瓶颈在于：这样的环境极难规模化构造。它需要建模长达数月的时间线、众多互联服务、多台设备，同时保证真实与自洽 —— 长期高度依赖人工搭建，既贵又难扩展。
方案：把助理「扔进」一个万物互联的数字世界
Claw-Anything 沿三个维度，把 Agent 的可感知 / 可操作范围撑到接近真实:
长程事件流 —— 用程序模拟出一个人长达数月的连贯生活轨迹，把 “过去” 和 “现在” 打通；
互联的后端服务 —— 邮箱、日历、待办、联系人、Notion、Facebook、财务…… 牵一发而动全身，单任务平均要打通 10+ 个应用 (最多 18 个)；
多设备异构界面 —— 同时覆盖手机 GUI 与命令行 CLI 的交互。
在这个世界里，我们考两类能力。一类是「你能听懂并做对吗」：像上面 Rachel 那道题，需要跨邮件、日历、财务、人脉把碎片拼成清醒判断，还要守住权限边界。另一类是「你能未卜先知吗」：比如每天早上 7 点 Agent 自动触发轮询 “帮用户快速看一眼可能的待办事项，梳理成按优先级排好，并作出建议”—— 没有明确指令，助理得主动把当天最要紧、最易翻车的事拎出来。这种主动性，正是 “贴身助理” 和 “问答机器人” 的分水岭。
1. 读邮件 log：发现近日用户反复编辑过一封草稿箱内的邮件。
2. 读邮件 app：获取这封邮件的内容，发现是准备向某博导发送的申请博士邮件。
3. 读联系人 app：获取所有可联系博导的信息。
4. 读微信 app、邮件 app、日历 app 等：获取用户的学术偏好相关信息。
5. 写 TODO、邮件 app：说明可联系博导的主要研究方向，与本人是否匹配，给出建议，并措辞草拟申请邮件但不发送等用户抉择。
6. ...
为了真实，我们覆盖 30+ 种人物画像 —— 婚礼策划师、独立音乐人、安全工程师、博士生、咖啡馆老板、自由译者…… 每个人都有自己的脾气、权限边界和一摊子糟心事。而且环境里满是噪声：绝大多数信息与当前任务无关，有些甚至互相矛盾，专门等着把模型带偏。
Pipeline：让「出题的机器」模拟连续的日常生活，造出数字人生
Claw-Anything 不止是一个 benchmark，同时也是一套数据生产工厂。
我们把 “构造数字世界” 重新建模成一个可自动滚动的过程：只需给定一个人物的极简设定，一个以 LLM 为核心的模拟器就会像滚雪球一样，从种子事件池里反复采样、逐轮注入，一点点把这个人的数字生活 “养” 出来 —— 邮件越攒越多、人物画像越来越立体、世界状态越来越复杂，连带着以假乱真的无关与矛盾噪声。
当世界足够丰满，流水线就把 “下一个该发生的事件” 实例化成一道有人物背景、有标准答案、有可执行验证器的任务 —— 评测因此变成了 “在一段不断演进的数字人生里，替主人走好下一步”。整个过程无需人工参与，只消耗算力，因此既能产出供人工复核的高质量评测题，也能海量生成训练环境。
产出：规模化与高质量并存
基于这套管线，Claw-Anything 一边产出 200 个人工验证的评测任务，一边自动生成 2000 个训练环境。
与以往同类基准相比，这些任务的 “真实密度” 高出一个数量级：平均每个任务横跨 10.1 个互联服务 (最多 18 个)、上下文长达 191.7k 字，并且是业界第一个同时覆盖 CLI 与 GUI、且把主动服务纳入评分的基准。模型不再能靠 "猜一个干净答案" 蒙混过关，而必须真正读懂分散在数月历史与十几个应用里的状态，才能完成任务。
实战效果：一面照出差距、也指明出路的镜子
我们把市面上最强的模型挨个拉来考，结果发人深省:
即便是 GPT-5.5, 通过率也只有 34.5%。大量在以往 "干净考场" 里高分的模型，一旦进入真实嘈杂、需要长程推理和分寸感的环境，三分之二的任务都栽了 —— 它们会漏看那条 “截止时间已过” 的关键邮件，算不清拖延一场会议的隐性代价，甚至越权替用户把邮件发出去。
但我们没有止步于 “出了一张难卷子”。用自动生成的训练环境去微调开源模型 Qwen3.5-27B，效果立竿见影：
任务成功率提升 23.7%！
这意味着 Claw-Anything 不只是一把量出问题的尺子，更是一台能源源不断造燃料、把模型推向更可靠的发动机 —— 发现问题和解决问题，在同一套系统里闭环了。
消融实验：Claw-Anything 究竟揭示了什么问题
为了搞清楚到底是什么让任务变难，我们把环境拆开做了一系列消融实验，结果有些反直觉，却特别说明问题。
1. 给模型看得越多，它反而做得越差。
这听起来不合常理，但数据很诚实 —— 我们让 Agent 能翻的历史越长、要打通的 App 越多、环境里掺的无关噪声越重、人物画像越立体、信息之间的矛盾越多…… 每加一分 "真实", 成功率就掉一截，而且是稳定地、单调地往下掉。一方面，这证明我们造的世界确实在逼近真实生活的复杂度；另一方面，也戳破了一个幻觉：今天的模型并不是 "上下文越大就越聪明", 面对一整个数字人生，它们还远没学会从海量信息里精准捞出那几条真正要紧的线索。
2. 能看到一切，但不一定能 “看” 到一切。
在 CLI 任务上，GPT-5.5 和 Claude Opus 4.7 是绝对王者，双双冲到 40 分档，把一众开源模型甩在身后。
但剧情在 "上手机" 那一刻反转了，在评测 GUI+CLI 任务的时候，Claude 系列断崖式崩塌：Opus 4.7 从 CLI 上的 40 分跌到 GUI+CLI 的 7.3 分，Sonnet 4.5 更是只剩 6 分，几乎不会 “看” 手机。
3. "看见一切" 不是锦上添花，是生死线。
我们试着把三个维度逐一 "拔掉": 一旦不让助理读历史事件流，大量任务直接做不出来；一旦屏蔽掉跨 App 协作的能力，成功率几乎归零；一旦只给电脑、不给手机，那些需要手机操作的任务也基本全军覆没。换句话说，只要少看了用户世界的一个角落，一整类任务就彻底无解 —— 这正是我们反复强调 "See Anything" 的原因：先看得全，才谈得上做得对。
4. "主动" 比 "被动" 难得多。
让助理回答你明确提出的问题是一回事；让它在你还没开口时，主动发现 "这件事你今天该处理了", 完全是另一个难度。实验里，主动类任务的成绩明显低于被动响应类 —— 这也指明了下一代助理最该补的一课：从 "有问必答" 走向 "未问先知"。
结语
我们正站在一个转折点：AI 越来越像一个住进你数字生活、随时替你打理一切的助理。越是贴身，越马虎不得 —— 它得看得够全、想得够远、还守得住分寸。Rachel 那道关于 "180 美元值不值" 的小题，背后是每个普通人都会遇到的真实困境；人可以通过回忆与权衡来做出符合当下的选择，而 AI 能不能答好，决定了我们到底敢不敢把生活交给它。
Claw-Anything 想做的，就是诚实地丈量这段距离，并亲手为跨越它铺下第一段路 —— 它既是一个足够难的基准，也是一套可持续的数据基础设施。这条路才刚刚开始，而我们已经在上面了。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
