你的 AI 管家該長什麼樣？Dreamer 的 Sidekick 示範了 Agent 的下一步

本文整理自《Latent Space: The AI Engineer Podcast》2026 年 3 月播出的單集。

{{< youtube TvmxWWfiYWI >}}

{{< spotify "episode/1mYToOvlWpXWuSQ9YShJ0H" >}}

{{< apple-podcast "tw/podcast/dreamer-the-personal-agent-os-david-singleton/id1674008350?i=1000756395181" >}}

---

那個「會自己完成的待辦清單」

OpenAI 執行長阿特曼（Sam Altman）曾經公開說過，他最想要的 AI 應用，就是一個「會自己完成的待辦清單」。這個需求聽起來很簡單，實際上非常難做。一個待辦事項可能是「回覆某封 email」，可能是「幫我研究某個競品」，也可能是「把某個人介紹給另一個人」。每一項的「完成」意味著不同的動作、不同的工具、不同的判斷。你需要一個 AI 系統，不只能理解任務，還能存取你的各種工具和資料，並且在你不盯著它的時候自主運作。

在 Dreamer 平台上，這種待辦清單已經有人做出來了。Dreamer 共同創辦人暨執行長 David Singleton 在 Latent Space 的訪談中描述了一個真實案例：一位使用者在 Dreamer 上建了一個「魔法待辦清單」Agent，每當他加入一個新項目，Agent 就會啟動一個子任務去推進那件事。有時候 Agent 會直接完成（例如發一封 email），有時候會做完研究後幫他準備好下一步。更關鍵的是，這位使用者把會議記錄工具 Granola 接上去之後，發生了一件很魔幻的事：他在會議中口頭承諾要做的事情，會自動出現在待辦清單上，然後清單會自動嘗試完成它。他在一個會議裡說要幫某人介紹一位招募候選人，結果他的招募 Agent 自動接手，在他開完會之前就處理好了。

這個案例的意義超過「實現阿特曼的願望清單」。它展示了一種全新的 AI 互動模式：多個 Agent 在同一個平台上，透過一個「交通警察」角色的個人助手互相協作，在你不在場的時候就把複雜的跨工具任務搞定了。

25 分鐘建一個會議 App

Singleton 在節目上做了一個即時展示，讓觀眾看到 Dreamer 的實際運作。他選了一個很巧妙的例子：一個會議 App。所有去過大型科技會議的人都知道，會議 App 幾乎都做得很差，花了大把錢請代理商做，結果功能陽春、體驗糟糕，而且活動結束就沒用了。Singleton 說他在兩場會議之間，花了 25 分鐘就用 Dreamer 做了一個 AI Engineer Conference 的會議 App。

這個 App 可以搜尋講者、瀏覽議程、手動把有興趣的場次加到個人行程表。但最關鍵的功能是「幫我規劃」。點下去之後，Sidekick 會解析整個會議議程，問你對哪些主題有興趣（例如 Agent、程式碼生成、推理與強化學習），然後針對每一個時段，從你可以去的場次中挑出最適合你的那一場。Sidekick 不只看議程描述，還會參考它對你的記憶，知道你平常對什麼領域特別關注。整個排程過程大約 30 到 40 秒，完成後你就有一份完全客製化的會議行程，不會有時段衝突。

這個展示真正想傳達的訊息不是「做 App 很快」，而是 Dreamer 平台上的應用天生就帶有智慧。傳統的 App 是靜態的：資料進去、介面呈現出來、你手動操作。Dreamer 上的應用是動態的：它能理解你的需求、存取外部資料、在背景執行 LLM 推理，然後給你一個量身定做的結果。而且因為 Dreamer 託管了一切（資料庫、LLM 呼叫、身份驗證），你做完一個 App 就可以立刻分享給別人用，不需要去搞 API key、資料庫服務商、部署流程。

滑雪旅行 App：為「此刻」而生的軟體

Singleton 展示的第二個案例更日常：一個滑雪旅行 App。他跟朋友去 Big Sky 滑雪之前，在 Dreamer 上做了一個小應用，整合了即時的纜車狀態（透過社群開發者建的 SkiBum 工具）、天氣預報、住宿資訊、當地餐廳推薦（由一位熟悉 Big Sky 的朋友提供的資料），以及最實用的功能：分帳。整趟旅程中，每個人把自己花的錢記進去，旅程結束後一鍵結算，系統告訴你誰該付誰多少錢。

這個例子點出了 Dreamer 想解決的一類問題：「為此刻而生」的軟體。這種軟體只在特定的時間段有用，過了就不需要了。傳統的軟體開發模式很難處理這種需求，因為開發成本跟軟體的使用壽命不成正比。但如果建一個功能完整的小應用只需要跟 AI 對話幾十分鐘，那麼為一趟三天的滑雪旅行做一個專屬 App 就完全合理了。Singleton 透過 iMessage 把連結分享給朋友，他們甚至不需要是 Dreamer 的會員，就能在手機上使用這個 App。

這種「短命軟體」的概念，其實正好接上了 vibe coding（氣氛式寫程式）的趨勢：不追求完美和永續，而是追求快速解決當下的具體問題。差別在於，Dreamer 提供了一個完整的執行環境，讓這些 vibe coded 的小應用不只停留在本地的原型階段，而是能真正被分享和使用。

記憶：AI Agent 最難的課題

如果說 Agent 的執行能力（做事）已經有了不錯的解決方案，那「記住你是誰」這件事仍然是整個產業的痛點。Singleton 在訪談中非常坦誠地分享了 Dreamer 在記憶系統上的演進過程。

最早期，他們用了業界最常見的做法：把大量事實放進向量資料庫，用 embedding 做 RAG（檢索增強生成）。這個方案能用，但帶來了超出必要的複雜度。他們也嘗試過知識圖譜（knowledge graph），結果同樣不理想。Singleton 沒有詳細透露現在用的是什麼系統，只說「跟你在其他產品上看到的類似」，但他們有不只一個人專門負責記憶功能的研發，而且這是他們持續投入最多的領域之一。

記憶的價值在具體場景中特別明顯。Singleton 舉了一個自己的例子：他在 Dreamer 上用了一個「週末活動規劃」Agent，某天早上它推薦他帶小孩去舊金山市中心看聖乃德里克節（St. Patrick's Day）遊行。為什麼？因為 Sidekick 的記憶裡知道他是愛爾蘭人。這個資訊不是他特別告訴「週末活動規劃」Agent 的，而是 Sidekick 在日常互動中學到的，然後在適當的時機分享給了這個 Agent。這種跨 Agent 的個人化體驗，只有在平台層級有統一的記憶系統時才做得到。

我的觀察：LLM 缺乏 taste，人類的角色是什麼

訪談最後，Singleton 被問到一個開放性問題：你最希望 LLM 能做到但目前還做不到的事情是什麼？他的回答不是什麼技術指標，而是一個更抽象但也更根本的概念：taste（品味）。

他觀察到一個很具體的問題：如果你用不同的 AI 模型各做一個待辦清單 App，他光看介面就能猜出是哪個模型做的。每個模型都有自己的「風格」，但這些風格都缺乏真正的個性和審美判斷。他用「AI generic slop」（AI 生成的通用垃圾）這個詞來描述這種現象。Dreamer 團隊花了大量功夫在模板、prompt 和執行框架上注入自己的品味，才讓平台上產出的應用不會看起來千篇一律。但這靠的是人類的審美判斷，不是模型本身的能力。

前 Instagram 共同創辦人 Mike Krieger 最近也說了類似的話：AI 時代最稀缺的資源不是算力，而是 taste。當所有人都能用 AI 建出一個功能完整的 App 時，決定誰的 App 會被使用者喜歡的，是設計的品味、對使用者需求的深度理解、對細節的執著。

這對 AI 產業的從業者來說是個該注意的訊號。我們投入了大量精力去討論模型的推理能力、context window 的大小、benchmark 分數的高低，但 Singleton 提醒我們，在「讓 AI 做出人類真正想要的東西」這件事上，最後一哩路不是技術問題，而是人文問題。你必須理解人、理解他們的動機、理解什麼是「令人愉悅的」。這種能力目前還無法從訓練資料中學到，量化它更是困難重重。但對於任何想在 AI Agent 時代做出差異化產品的團隊來說，培養 taste 可能比追逐最新的模型版本更重要。