AI智能体2026第一枪：阿里千问明确「双重协议」路线

文 | 周天财经

周天财经原创出品

2026，大概率是AI智能体的「大年」。

大模型经历了三年的技术发展演进，行业叙事从chatbot（聊天机器人）时代，迈入「用AI替人办事」的Agent时代。

就在最近，智能体全面接管我们日常生活的信号，就出现了。千问App上线了全新AI Agent能力「任务助理」，全面打通阿里生态，包括淘宝、闪购、飞猪、高德地图和支付宝。

通俗来说，你张张嘴就有个AI助理替你点单，替你找餐厅、订酒店。

在这个时间点，互联网平台都在暗暗准备各自的Agent方案和AI路线图。

阿里是全生态一起上，能打通的尽量打通。

某搜索中厂，他们的发力点之一是AI医疗，正在暗中大举招人，想把竞价排名的模式在AI医疗里复现，哪家医院付费意愿强，就把哪家作为答案直接给到用户。搜索大厂缺乏自己的生态、用户粘性和优质内容，只能回过头把过去最赚钱的项目重新捡起来，用AI重做一次。

豆包则是推出了自己的硬件豆包手机，以「蔚来-江淮模式」开发出一个让豆包拥有系统级权限的手机，主打通过「读屏+模拟用户点击」的方式来接替用户进行操作。

各家都在自己的能力禀赋和野心范围内，进行着AI时代的进攻和防守。

AI一键生成文字图片视频，chatbot和你聊天，不管聊成啥样，对我们普通人的影响还不算很大，最多是需要提防AI换脸骗术的可能性。

但Agent替你下单，替你聊天，涉及到钱和隐私的事儿，普通人的顾虑应该会高一个量级，不论是行业还是用户，都需要关注背后的运行机制。

因此，这次我就拿放大镜看看千问的运行逻辑，到底是怎么替你办事，替你把钱付出去的。

我从千问的用户说明里阅读到这么一段文字：

合作方调用与数据授权。AI Agent在部分功能下需要调用合作平台接口 (如淘宝、淘宝闪购)，为您提供自动购物、智能比价、外卖各类生活服务。

在您明确授权的前提下，我们会将您的必要个人信息共享给合作平台，用于实现您的千问账号与合作平台账号的绑定、数据互通及功能授权，具体共享的个人信息类型、使用目的见产品页面提示。未经您的许可，我们不会擅自共享您的敏感个人数据。

用行业术语来说，这就明晰了合作模式是agent to agent之间的能力调用：千问和其合作平台、应用签署了调用协议——这属于一种双重授权机制，不仅千问和用户之间签署协议，千问还和不同平台签署协议，获得调用许可。

整个大阿里生态的思路是一致的，就在这两天，蚂蚁支付宝还联合千问App、淘宝闪购、Rokid、大麦、阿里云百炼等，正式发布ACT协议 (智能体商业信任协议)。这是中国首个面向Agent商业需求设计的开放技术协议框架，为AI与电商、外卖等服务平台的协同打造一套「通用语言」，助力跨终端、跨系统、跨平台的AI任务执行。

那么，在2026年的年初，路线区别就显现出来了。

阿里千问所代表的「双重授权机制」，是一种基于开放协议的合作模式。在这种模式下，AI Agent通过标准化授权协议与第三方服务进行对接，所有的数据交换都在结构化的接口中完成，权限边界清晰可控，每一次操作都有完整的审计日志。这就像是外交渠道——走正门，递国书，在明面上进行。

也是在不久前，豆包手机问世，则代表了另一种技术路线：「读屏加模拟点击」。它通过屏幕OCR识别界面元素，然后模拟人类点击、勾选等触控操作来完成任务。这种方式绕过了应用的逻辑层，直接在表现层进行操作，绕开了第三方平台的配合或授权。形象地说，更像是翻窗入室——虽然也能进去办事。

读屏模拟路线最大优势在于部署速度快、覆盖范围广。由于不需要与任何平台进行商务谈判或技术对接，厂商可以单方面实现对几乎所有应用的接管能力，这种「即插即用」的特性使其在市场竞争中具有明显的先发优势。

但从用户侧来看，这种便利性还是会打一些折扣。读屏+模拟点击路线，需要模拟人类点击，需要跳转App，再一页一页去翻、去识别、去填写，而如果是两个Agent之间签有协议，瞬间就完成信息授权和互通。

业内人士认为，模拟点击的便利性是有代价的，存在安全隐患和责任真空。API授权路线虽然部署缓慢、覆盖范围受限于平台开放意愿，但它提供了精确的权限粒度控制和清晰的责任归属。

从资金安全和用户隐私角度考虑，让我们具体想象一个场景：用户对AI说「帮我把余额宝的钱转到银行卡」。在读屏模式下，为了完成这个任务，AI必须具备读取屏幕上所有信息的能力，这意味着它实际上能看到用户所有的账户余额、所有的交易记录、所有的联系人信息，并且可以模拟点击任何按钮——包括转账给任意账户。

还有一个敏感场景是好友之间的对话，特别是对方不知情的情况下，让Agent帮自己回复信息，是节省了打字的麻烦，但读屏读的是当前页面全部信息，很敏感的信息也会一览无余，这一点上读屏模式可能还是得拿出令人信服的风控方案。

责任归属的模糊性或许是最棘手的问题。假设AI误操作导致转错账或买错股票，或者把一张情侣之间的照片发给了恰好同名的第三方，在API模式下，有完整的调用日志、授权记录和明确的接口语义，可以清晰地追溯责任。但在读屏模式下，AI Agent说它看到的是这个按钮，App则说按钮当时不在那个位置，整个事件无法复现、无法审计、无法锁定责任。这种责任真空在金融场景中尤其不可忽视。

而从互联网生态健康度的角度看，读屏模式本质上是一种「寄生」关系，它鼓励的是对抗而非合作。平台一旦发现自己的应用被这种方式「入侵」，自然会采取技术反制措施，这将导致一场无休止的攻防战。相反，API模式创造的是「共生」关系——Agent厂商获得能力，平台获得流量和生态位，用户获得便利，各方都受益。

站在更加宏观视角，读屏模拟点击路线，很可能使得滴滴、携程、美团这类具有线下履约网络的平台，其线上的高利润环节被绕开，商业价值被削弱，这会对产业产生巨大震荡，Agent是帮用户节省了三秒钟，地球上就此消失了若干家世界五百强，这种路线，在当前经济社会状况下，应该是不会得到各方首推的。

我猜想一下趋势可能的走向，在未来一到两年的短期内，读屏模式会在非敏感场景快速普及，比如查天气、内容消费这类场合。而涉及到金融、支付和聊天场景，需要更加审慎。