文章目录
-
- 1. 为什么这事值得写 —— AI 助手终于从"聊天"走进了"操作系统"
- 2. Marvis 到底是什么？
- 3. 核心架构：1 个主 Agent + 5 个副 Agent 怎么分工？
- 4. 安装与上手
- 5. 实测环节
- 6. 它跟别的 AI 工具到底差在哪？
- 7. 当前的不足
- 8. 总结：它适合谁？你要不要用？
实测环境：Windows 11 x64｜版本号：v1.60.12.12｜测试时间：2026-06-04｜模式：效率模式
1. 为什么这事值得写 —— AI 助手终于从"聊天"走进了"操作系统"
过去我们用的大多数 AI 是 ChatBot：你把问题说清楚，它把答案“说”回来；最多再给你一段代码让你自己去跑。
Marvis 的不同在于它被官方定义为 操作系统层级的个人 AI 助手（OS-level assistant）：它不止“回答”，而是尝试把系统/文件/应用/跨端纳入同一个对话入口，让你用自然语言驱动执行。
一个好用的类比（但不一定严谨）：
- ChatGPT/元宝等：像“很聪明的顾问”
- Marvis 想做的是：“顾问 + 有权限的行政助理”，能去看文件、改设置、操作应用，并在关键步骤把控制权还给你确认
2. Marvis 到底是什么？
-
效率模式：端云协同，“又快又准”的体验向
-
隐私模式：端侧模型思路，强调“文件 0 上传”“最大程度保护隐私”，并可谈“断网也能用”
3. 核心架构：1 个主 Agent + 5 个副 Agent 怎么分工？
公开报道反复出现的叙事是：主 Agent 负责理解需求 → 拆解 → 调度，并由一组专项 Agent（File / Computer / App / Browser / Search 等口径）去“各司其职”，并用执行日志/产出区把过程摊开给你看
| 主 Agent（PM/调度） | 工头 / 项目经理 | 意图理解 → 拆子任务 → 选谁上 → 汇总结果 → 向你确认敏感操作 |
| File Agent（文件管家） | 本地知识库 + 文件执行层 | 本地文件/图片内容搜索、图片内文字（OCR维度）、按内容归类、文档理解/转换/生成报告、AI 图库/文档库这类“个人知识库”体验 |
| Computer Agent（系统运维） | 半个小运维 | 查硬件配置/系统信息、网络相关诊断、功耗/电池相关报告、系统设置调整、清理类操作（产品演示里会拿“关广告/优化体验”当典型案例） |
| App Agent（应用操控） | 桌面/应用自动化入口 | 打开/切应用、触发操作（偏“感知界面+执行”的路线），并与应用宝生态的“PC 上操控移动 App”思路打通（这是它差异化的底座之一） |
| Browser Agent（网页专员） | 网页世界执行器 | 网页交互/数据抓取/表单填写（你能下的指令越明确，成功率越高；复杂动态站点要降低预期） |
| Search Agent（搜索专家） | 信息检索 + 聚合 | 本地索引 + 联网检索的双通道搜索、摘要与溯源（官网也强调“信息检索与调研”这类场景） |
4. 安装与上手
4.1 下载（唯一建议入口） 官网：https://marvis.qq.com
4.2 系统要求（官网所述）
CPU：≥ 6 核 内存：≥ 16GB 硬盘：固态硬盘 系统：Win10 及以上，x64 （Mac/Android 也有对应入口）
4.3 第一次跑起来的关键步骤（建议）
- 文件读写
- 系统设置/设备管理类权限
- 应用操控/辅助功能
- 屏幕录制/截图类权限
5. 实测环节
光说不练假把式。下面我用一个真实、高复杂度的任务，来验证这套 Agent 架构是不是“真干活”。
场景 ：学生/职场人的“信息录入地狱”——35张手写/板书截图秒变结构化 Word
测试目的： 市面上大多数 AI 只能处理纯文本，面对图片（尤其是 PPT 截图、手写笔记）往往无能为力，或者需要人工先转成文字。我想测试 Marvis 的多模态识别能力，以及它能否在不拆解指令的情况下，一次性搞定“识别 + 分类 + 排版 + 格式转换”的全链路闭环。
输入指令（极高难度）： “这是我刚才上课截屏的笔记帮我整理出来。这个是六级写译部分的，照片黄色高亮的你就用红色高亮，做成 Word 文件形式的笔记，便于我复习。” (注：我在此处一口气上传了 35 张课堂板书截图)
第一轮：意图对齐 
Marvis 没有直接开始干活，而是先进行了一波“反向提问”。它识别出图片数量庞大（35张），于是给出了三个方案：
- A. 按照片顺序逐页整理
- B. 按知识点分类整理（如写作技巧、翻译技巧）
- C. 两者结合
💡 我的评价 这点非常像经验丰富的项目经理。它没有盲目执行，而是先确认交付标准，避免了返工。
第二轮：内部调度与降本增效 
当我选择了“C风格（分类+保序）”后，Marvis 展示了它作为 OS-Agent 的杀手锏——内部 Task Dispatching（任务分发）。
- 主 Agent 的思考：“用户需求是批量 OCR 和生成 Word，这属于文件处理范畴。如果我用通用的图片分析接口（analyze_image），35张图要调用 4 次，成本高且慢。”
- 决策：它决定“派发给 File Agent 来处理”。
💡 我的评价 这是这篇文章的核心卖点！很多 AI 工具遇到这种活会直接崩掉或者让用户分批传。Marvis 展现了“系统内聚性”，主脑知道谁擅长干这个，直接把任务外包给了专门管文件的 Agent，还附带了“拍了拍”这种拟人化的进度催促。
第三轮：容错与重试
在执行过程中，File Agent 似乎遇到了一点网络或资源的小卡顿。主 Agent 立即接管，发现“未完成产出”，随即重新派发（Re-dispatch），直到任务彻底跑通。
最终交付物：
最终生成的 六级写译笔记.docx不仅是一个简单的文本堆砌，而是一个结构化的知识库：
- 智能分类：自动将散落在 35 张图中的内容归纳为“被动语态”、“非谓语动词”、“复合句”等六大知识点。
- 格式还原：完美兑现了“黄色高亮变红色”的承诺。
- 极速交付：全程无需人工干预，自动调用 python-docx 等底层工具生成了 .docx文件。
💡 实测结论：
如果你经常需要把微信聊天记录里的图片、扫描版 PDF 或者 PPT 截图整理成电子笔记，Marvis 的“File Agent + 多模态”组合是目前为止我见过最省心的方案。它把原本需要 1 小时的“Ctrl+C / Ctrl+V”苦力活，压缩到了 5 分钟，且准确率极高。
6. 它跟别的 AI 工具到底差在哪？
| 定位 | 操作系统层级个人 AI 助手（面向终端/文件/应用/跨端） | 对话 & 内容生成（更多是“告诉你怎么做”） | 框架 + 你定义技能/工具 |
| 开箱即用 | ✅ 装完就有 Agent 叙事与执行框架（是否合你口味另说） | ✅ 对话能力极强❌ 一般不直接碰你系统 | ❌ 需要配环境/写工具描述 |
| 隐私控制 | ✅ 提供“隐私模式/本地路线”的产品开关（官网首页直接写“文件 0 上传”） | ❌ 多为云端对话（企业版可以按合规方案走） | ✅ 可完全本地化⚠️ 但运维成本在你 |
| 跨端 PC↔手机 | ✅ 强调手机远程查看/接管 PC（应用宝生态加成） | ❌ 通常不做这块 | ❌ 得自己搞远控 |
一句话结论：Marvis 的核心不在“模型更强”，而在它试图把 权限 + 索引 + 调度 + 可视化 做成一套“装完就能指使人干活”的壳。
7. 当前的不足
8. 总结：它适合谁？你要不要用？
- 更适合：文件重度堆积者、经常做“找文档→摘要点→整理”的人、想少点记设置路径的普通用户、对“数据不出设备”有刚需的场景（切隐私模式再试）。
- 不适合：期待它像电影里贾维斯一样“全自主、零确认、零出错”的人——目前任何 OS-level Agent 夸大成这样都不诚实。
- 我的判断：它最大的价值是把“AI 能理解本地”这件事做成产品化入口；你能不能留下，取决于你愿不愿意让它索引你的目录 + 你机器性能撑不撑得住日常开着的代价。
