作为一名软件记者,我曾参加过无数次会议,见证了许多科技大佬——大多是男性——展示他们的新AI助手如何彻底改变我的日常生活,自动化处理繁琐事务。但问题是,这些所谓的“助手”几乎都无法正常工作。

时至今日,全天候AI助手正迎来爆发期,主要厂商竞相推出自家版本,吸引早期用户。它们之所以能走出硅谷极客圈,进入大众视野,关键在于它们确实能用。虽然仍会出错,但在执行任务和浏览器控制方面已有显著提升,这些小助手们终于迎来了“华丽变身”。

面对众多AI助手,如何选择最适合自己自动化需求的产品?为此,我花了一天时间测试了六款主流全天候AI助手,分别是Meta的Muse、OpenAI的Dots、Instinct、Anthropic的Claude Duet、谷歌的Gemini Spark和xAI的Grok Bot。

这些助手在价格和功能上略有差异。Muse免费使用,自9月发布以来一直占据手机应用下载榜首。Instinct也免费,但需用户邀请码,通过短信操作而非独立应用。OpenAI的Dots内置于ChatGPT中,月费100美元,是我测试中最贵的。谷歌的Gemini Spark处于测试版,月费20美元。xAI的Grok Bot独立应用,月费30美元。Anthropic的Claude Duet是最新发布的研究预览版,月费20美元。

OpenClaw未列入测试名单,尽管它曾引领今年早期的AI助手创新,但对普通用户来说设置过于复杂。未来可能会加入更多小型玩家,如Nous Research的Hermes和Poke。

什么是AI助手? 如果你没用过AI助手——我对此毫无偏见——它就像是一个数字助理,通过短信帮你完成任务:扫描邮件寻找重要信息,追踪机票优惠,协助日常购物决策。

与传统聊天机器人基于轮次的对话不同,这些助手更主动,会在发现机会时先行提醒。所有消息通常集中在一个对话线程中,类似群聊。它们通过控制虚拟浏览器完成许多任务,相当于拥有自己的网络访问电脑。

测试标准 作为非技术背景的软件测试者,我设计了五项基本测试,连续24小时内对每款助手进行考察,评估它们的主动性、指令执行力和浏览能力。我为每项任务打分(1到5分),最终统计总分评选出最佳助手,同时评出最令人烦躁的助手。

需要说明的是,这并非对任何AI助手的推荐。软件仍处于初期阶段,隐私和安全问题依然存在。助手们在连接个人数据(如邮件和日历)时表现最佳,但这也需要用户给予较高信任度。例如,有用户曾将AI助手连接到银行账户和工作Slack,结果助手将账户余额公开给同事,令人尴尬。

此外,这些测试仅覆盖助手功能的一小部分。随着用户分享更多个人数据和偏好,助手们会不断进步。我只共享了个人Google日历和Gmail,未完全暴露所有信息。

早间简报 周四早上,WIRED的Gear编辑部开会讨论报道计划,有时会提出下周的选题。我让每个助手准备一份科技新闻简报,并生成吸引人的标题。许多公司宣传这些工具擅长汇总早间资讯,帮助用户掌握重要新闻。

我给每个助手发送了详细提示,说明我的报道领域和简报用途。尽管我要求助手花30分钟深入研究,只有Meta的Muse和OpenAI的Dots真正持续搜索了大部分时间。其他助手要么立刻给出答案,要么几分钟后返回标题。虽然不是大错,但说明Muse和Dots在遵循指令方面表现更佳。

六个助手生成的简报内容差异明显,编辑会议上反响平平。Gemini Spark给出了最佳角度,报道沃尔玛如何开放购物平台给第三方助手,而亚马逊则封杀了Meta的Muse。其他同事对被助手抢先报道并不担心。

  • Gemini Spark:5分。标题生动,抓住了线上零售巨头的冲突。
  • Claude Duet:4分。另一个有趣且及时的选题。
  • Muse:3分。表现中规中矩。
  • Dots:2分。内容较为常规,缺乏新闻感。
  • Grok Bot:1分。内容陈旧。
  • Instinct:1分。实验性质强,难以评估。

午餐订餐 接着,我测试了助手们在日常小额消费中的表现,决定听从表现最好的助手点餐。我还加入了我的老板,他是素食者,想吃越南菜;我则想吃肉类并喝咖啡。地点需靠近WIRED办公室,方便我取餐后继续工作。

大多数助手推荐了DragonEats或Freshroll两家越南餐厅,合理且附近。DragonEats口味更佳且价格实惠,我们最终选择了它。Instinct和Claude Duet的购物车价格偏高。唯一失败的是Gemini Spark,只给老板点了一个5美元的春卷,远远不够。

  • Dots:5分。准确下单,选了DragonEats官网。
  • Muse:4分。类似订单,通过DoorDash下单。
  • Grok Bot:4分。选Freshroll,通过DoorDash。
  • Claude Duet:3分。选Freshroll,询问配送平台,最终用Uber Eats。
  • Instinct:2分。类似Claude Duet,但贵4美元。
  • Gemini Spark:1分。只点了一个春卷,远远不够。

日程冲突 这些助手的另一大卖点是主动提醒。测试前,我在Google日历中创建了下午2点的重要会议,并发邮件给自己,假设妈妈当天出院,我需要在2点打电话给她表达关心。

只有两款助手成功识别了日程冲突并提前提醒我:

  • Dots:5分。几乎立刻发现冲突,并建议合理替代时间。
  • Claude Duet:4分。提前数小时提醒,但未提供替代方案。

其他助手未能发现冲突,或仅给出未来避免建议。

度假行程规划 我不常度假,但喜欢花大量时间做功课。虽然不想完全自动化规划,但愿意让助手帮忙做些基础安排。

我让助手们设计一个两周中国游行程,包含航班、酒店、夜生活和美食推荐,要求不超过四个酒店,行程融合历史与都市体验。

所有助手都选了相似路线,显示出“孤独星球效应”,即旅行者被引导访问相同景点和餐厅。

  • Muse:5分。行程清晰,配有表格和实用建议。
  • Dots:4分。内容详尽,24页长。
  • Grok Bot:4分。易读且实用。
  • Gemini Spark:3分。行程一般,缺乏细节。
  • Instinct:3分。布局一般。
  • Claude Duet:3分。无图片,内容扎实。

失眠时刻 测试结束后,我因喝了越南咖啡难以入睡,想看看助手们如何应对开放式任务。

  • Grok Bot:5分。建议合理,愿意采纳。
  • Dots:4分。表达支持,建议列出三件心事。
  • Instinct:4分。建议从床上审阅中国行程草案。
  • Muse:4分。主动检查日程和邮件提醒,避免遗漏。
  • Gemini Spark:2分。建议合理但缺乏同理心。
  • Claude Duet:2分。建议处理无关紧要的事项,显得不合时宜。

综合评选

  • 最佳助手:OpenAI Dots。尽管价格昂贵,表现最优,未来若能降价或免费,值得尝试。
  • 最易上手:Meta Muse。免费且设置简单,表现紧随其后。
  • 最佳界面:Anthropic Claude Duet。用户体验友好,适合追求高效的用户。
  • 最令人烦躁:Instinct。虽然设计简洁,但仅限短信操作,且表情反应令人不悦。