[Paper] AI 代理的采用与使用：来自 Perplexity 的早期证据

Source: arXiv - 2512.07828v1

概览

本文首次在大规模、真实世界环境中研究人们如何在网页浏览器中采用和使用通用 AI 代理。通过分析数亿条匿名的 Comet（Perplexity 的 AI 驱动浏览器）及其内置 “Comet Assistant” 的交互日志，作者揭示了使用这些代理的用户群体、使用强度以及所执行的任务类型。研究结果为开发者、产品团队和政策制定者提供了关于 AI 代理消费新兴模式的早期洞察。

主要贡献

• 实证现场研究：在网络规模上（数亿次查询）考察 AI 代理的采纳情况。
• 用户细分分析：将采纳强度与人口统计特征（人均 GDP、教育水平）及职业领域（技术、学术、金融、营销、创业）关联。
• 层级分类法（主题 → 子主题 → 任务），系统地对 90 种不同的代理任务进行归类，揭示少数任务主导了使用量。
• 时间动态：展示早期使用案例的“黏性”，以及随时间逐渐转向更高认知需求的主题。
• 开放世界使用洞察：区分个人、职业和教育场景（55 % 个人，30 % 职业，16 % 教育）。

方法论

1. 数据收集 – 作者获取了 Comet 后端的匿名日志，覆盖 数亿 次用户‑代理交互，时间跨度为数月。
2. 用户细分 – 根据地理区域、人均 GDP、教育水平以及行业（从推断的职业信号中得出）对用户进行分组。
3. 查询解析与标注 – 将每次交互解析为自然语言意图，并使用规则启发式与微调语言模型的组合，自动映射到三层分类法（主题 → 子主题 → 任务）。
4. 统计分析 – 测量采纳率、使用强度（每用户查询数）和任务分布，并检视纵向趋势以捕捉行为演变。
5. 验证 – 对 5 % 的标注查询进行人工审查，确保分类法精度（> 90 % 一致性）。

该流水线专为拥有大规模交互日志的团队设计，可复现，无需深厚计量经济学或高级 NLP 专业知识。

结果与发现

实践意义

• 产品路线图 – 开发 AI 助手功能的团队应优先考虑 与生产力相关的工作流（任务自动化、摘要、代码生成）和 学习工具（课程辅助、研究支持），因为它们在真实使用中占据主导。
• 用户引导 – 早期采纳者的人口特征表明，有针对性的引导（如在科技中心、大学、金融公司）可加速扩散。针对高价值职业使用案例的演示能提升长期留存率。
• 变现策略 – 由于少数任务占据大多数交互，分层定价（基础查询免费，高级推理或批处理付费）可在不疏远普通用户的前提下捕获价值。
• API 设计 – 将 层级分类法（主题 → 子主题 → 任务）作为 API 的一部分公开，便于开发者构建上下文感知的扩展（如特定行业的插件）。
• 隐私与合规 – 本研究依赖匿名日志，强调在大规模测量代理使用时需要 隐私保护的遥测。
• 教育与培训 – 教育机构可利用 AI 代理实现 自助学习 与 研究辅助，但必须设计课程以教授对 AI 生成内容的批判性评估。

局限性与未来工作

• 平台特异性 – 所有数据均来自单一 AI 驱动浏览器（Comet），在移动端或原生应用代理上的使用模式可能不同。
• 自选偏差 – 安装 AI 助手的用户本身更具技术倾向，可能导致相较于整体人群的采纳率被高估。
• 分类粒度 – 虽然三层分类法覆盖了 90 项任务，但新兴能力（如多模态推理）可能需要新增类别。
• 长期行为 – 本研究时间窗口相对较短，未来工作应追踪 多年采纳曲线 以及 代理能力升级 的影响。
• 因果影响 – 已建立用户人口特征与采纳之间的相关性，但因果机制（如定价、营销）仍待进一步探讨。

作者呼吁开展更广泛的跨平台研究、深入的因果分析，并与政策制定者合作，以塑造日益强大的 AI 代理的负责任扩散。

作者

• Jeremy Yang
• Noah Yonack
• Kate Zyskowski
• Denis Yarats
• Johnny Ho
• Jerry Ma

论文信息

• arXiv ID: 2512.07828v1
• 分类: cs.LG, econ.GN
• 发表时间: 2025 年 12 月 8 日
• PDF: Download PDF