← Capa | Mercado

De conversar a monitorar tarefas por conta própria: LingLight da Ant em testes para rivalizar com o Meta Muse, guerra aberta no campo dos agentes pessoais

2026-11-02 · Fonte:36氪快讯·中继

De conversar a monitorar tarefas por conta própria: LingLight da Ant em testes para rivalizar com o Meta Muse, guerra aberta no campo dos agentes pessoais

O teste fechado foca em cenários longos e de múltiplas variáveis, com envio de mensagens no DingTalk e controle de casa inteligente; abertura total está planejada para este mês.

O campo dos agentes pessoais de IA registrou uma comparação direta. Segundo informações do Sina Tech, o produto de IA 'LingLight' do Ant Group iniciou recentemente um teste fechado em pequena escala de uma nova versão, que tem como referência o agente pessoal Muse, lançado pela Meta em setembro deste ano — o último pode intervir na vida diária dos usuários e acompanhar continuamente as tarefas que estes lhe confiaram, que é exatamente a forma que o LingLight visa nesta rodada de atualização. Não se trata de uma atualização que apenas soma funcionalidades, mas de duas rotas que apostaram quase simultaneamente no mesmo formato de produto, acelerando ao mesmo tempo nos dois lados do oceano.

Quanto ao ritmo, fontes próximas ao projeto revelam que o LingLight começou a se preparar nessa direção há cerca de seis meses, iterou várias versões no período e planeja abrir totalmente este mês. Teste fechado em pequena escala primeiro, conversão para disponibilidade geral no mesmo mês: esse cronograma é bastante apertado. Num momento em que os produtos de IA geralmente adotam lançamentos graduais de longo prazo, uma janela tão comprimida transmite um sinal claro: o Ant Group não pretende dar tempo aos concorrentes para se distanciarem. Depois que a Meta lançou o Muse em setembro deste ano, a narrativa do agente pessoal como categoria independente começou a se consolidar, e a rápida resposta do LingLight mostra que a janela de oportunidade desse campo é considerada muito curta: quem primeiro estabelecer o hábito de 'ser confiável' na vida diária dos usuários, domina a porta de entrada.

O cerne desta atualização é uma mudança de posicionamento do produto: o LingLight passa de assistente de IA capaz de conversar e gerar aplicativos para um agente pessoal nativo de IA, com memória de longo prazo e capacidade de promover tarefas de forma proativa. O critério de avaliação muda em consequência — não é mais a conversa de turno único ou a geração única, mas a capacidade de lembrar o contexto do usuário e avançar autonomamente o que foi lhe confiado. Essa mudança de posicionamento tem um significado para o setor que não deve ser subestimado. Nos últimos dois anos, a retenção de usuários dos produtos assistentes sempre foi limitada pelo padrão de 'usar e sair': o usuário chega com uma dúvida, recebe a resposta e vai embora, e a plataforma dificilmente constrói uma relação contínua. Um agente com memória de longo prazo e capacidade de avanço proativo significa um vínculo temporal entre produto e usuário: quanto mais tarefas o usuário confia e maior seu alcance temporal, maior o custo de migração, e o fosso competitivo se aprofunda.

No plano da execução, a nova versão pode, via chamadas de Skill e MCP, enviar mensagens no DingTalk e acionar dispositivos de casa inteligente, estendendo os tentáculos do agente da caixa de diálogo para os cenários de trabalho colaborativo e doméstico. Há dois pontos que merecem destaque. Primeiro, o DingTalk é a infraestrutura de colaboração corporativa do ecossistema Alibaba, e a integração do LingLight ao DingTalk significa que o agente entra diretamente no fluxo de trabalho, e não apenas na camada de consulta de informações. Segundo, o MCP (Model Context Protocol), protocolo aberto que conecta modelos a ferramentas externas, está se tornando o padrão de fato de interface do ecossistema de agentes; o LingLight construir sua capacidade de execução sobre Skill e MCP mostra que os grandes players domésticos já aceitaram o paradigma de chamada de ferramentas protocolar, o que favorece a prosperidade de todo o ecossistema de ferramentas para agentes — quanto mais ferramentas, maior a utilidade do agente, o que por sua vez atrai mais desenvolvedores, formando um ciclo virtuoso.

A escolha dos casos de uso do teste fechado também merece atenção. Sabe-se que os testes se concentram em cenários longos, com muitas variáveis, difíceis de acompanhar por pessoas comuns: ajudar trabalhadores a monitorar movimentos de mercado, ajudar pais a gerenciar o check-in no DingTalk, e reorganizar rotas durante viagens em caso de atrasos de voos ou limitação de visitantes em atrações. Essas tarefas têm grande amplitude temporal e muitas variáveis de interferência, sendo justamente o teste de estresse mais direto para memória de longo prazo e capacidade proativa. Escolher esses cenários em vez de simples lembretes de agenda reflete o julgamento da equipe: só as tarefas que 'as pessoas não conseguem monitorar e a IA monitora por você' permitem que os usuários percebam de fato a diferença geracional entre um agente e um chatbot. Para os compradores de capacidade de computação de IA, essa tendência também merece atenção — tarefas de longo prazo implicam leitura e escrita contínuas de memória de contexto e inferência de alta frequência para chamadas de ferramentas, com uma estrutura de consumo de computação por sessão muito diferente dos diálogos curtos; cargas de recuperação de memória de longo prazo e consulta proativa podem se tornar um novo incremento da capacidade de inferência, e a demanda por clusters de inferência voltados a serviços gerenciados de agentes pode subir em consequência. O LingLight e o Muse apostaram quase simultaneamente no mesmo formato de produto, e a competição direta por agentes pessoais já começou. De conversar a monitorar tarefas por conta própria, os produtos de IA estão atravessando uma verdadeira linha divisória.

【Dados de mercado obrigatórios】Este modelo não possui dados de preços à venda atualmente. Até a publicação deste relatório, as capacidades envolvidas neste teste fechado ainda não têm interface comercial aberta, nem instâncias de computação correspondentes com preços listados; investidores e compradores não precisam ajustar seus planos de compra com base nisso por ora.

Na perspectiva de compra, se o seu negócio planeja acompanhar o formato de agente pessoal — por exemplo, hospedagem de tarefas de longo prazo para o consumidor final ou serviços de assistentes proativos para empresas — recomenda-se focar em três tipos de recursos: instâncias de inferência de alta memória com suporte a contexto longo e recuperação de memória vetorial, capacidade de chamadas intermediárias com gateways de protocolos como o MCP, e modelos de cobrança por uso com escalabilidade elástica. Como o produto em teste fechado só deve abrir totalmente este mês, não há dados públicos sobre o volume real de chamadas nem a curva de consumo de computação; neste estágio, não é recomendável travar contratos grandes e de longo prazo, podendo-se primeiro validar com um POC em recursos elásticos de pequena escala e decidir o ritmo de expansão após a abertura total, conforme a carga real.

P: Quais são o ritmo de abertura e as mudanças centrais do teste fechado da nova versão do LingLight do Ant?

R: Segundo o Sina Tech, o LingLight começou a se preparar há cerca de seis meses, iterou várias versões no período e já iniciou um teste fechado em pequena escala, com abertura total planejada para este mês. A mudança central é passar de um assistente de IA capaz de conversar e gerar aplicativos para um agente pessoal nativo de IA, com memória de longo prazo e capacidade de promover tarefas de forma proativa, podendo via chamadas de Skill e MCP enviar mensagens no DingTalk e acionar dispositivos de casa inteligente.

P: Quando o Meta Muse, referência do LingLight, foi lançado? Quais cenários o teste fechado foca?

R: A Meta lançou o agente pessoal Muse em setembro deste ano, que pode intervir na vida diária dos usuários e acompanhar continuamente as tarefas que estes lhe confiaram. O teste fechado do LingLight foca em cenários longos, com muitas variáveis, difíceis de acompanhar por pessoas comuns, incluindo ajudar trabalhadores a monitorar movimentos de mercado, ajudar pais a gerenciar o check-in no DingTalk e reorganizar rotas durante viagens em caso de atrasos de voos ou limitação de visitantes em atrações.

P: Quais são o ritmo de abertura e as mudanças centrais do teste fechado da nova versão do LingLight do Ant?

R: Segundo o Sina Tech, o LingLight começou a se preparar há cerca de seis meses, iterou várias versões no período e já iniciou um teste fechado em pequena escala, com abertura total planejada para este mês. A mudança central é passar de um assistente de IA capaz de conversar e gerar aplicativos para um agente pessoal nativo de IA, com memória de longo prazo e capacidade de promover tarefas de forma proativa, podendo via chamadas de Skill e MCP enviar mensagens no DingTalk e acionar dispositivos de casa inteligente.

P: Quando o Meta Muse, referência do LingLight, foi lançado? Quais cenários o teste fechado foca?

R: A Meta lançou o agente pessoal Muse em setembro deste ano, que pode intervir na vida diária dos usuários e acompanhar continuamente as tarefas que estes lhe confiaram. O teste fechado do LingLight foca em cenários longos, com muitas variáveis, difíceis de acompanhar por pessoas comuns, incluindo ajudar trabalhadores a monitorar movimentos de mercado, ajudar pais a gerenciar o check-in no DingTalk e reorganizar rotas durante viagens em caso de atrasos de voos ou limitação de visitantes em atrações.

Tags: Ant Group · Lingguang · Meta Muse · AI Agent · MCP


Leituras relacionadas


萬安算交所 AIXX · AIXX · Exchange verificado · Ir ao mercado