你有没有想过,为什么你和 ChatGPT 聊了上百次，它还是不记得你最常用的工作习惯？为什么每次打开 AI 助手，都要重新告诉它你的偏好、你的日程、你的项目背景？更关键的是，当你越来越依赖 AI 处理私人事务，写邮件、整理日程，你是否想过，这些对话记录、文件内容、屏幕截图，正在被永久保存在某个遥远的数据中心？

通用 AI 助手就像一位知识渊博但记忆力为零的顾问：每次见面都从零开始，而且你的所有倾诉都被记录在云端档案里。这催生了 AI 领域一个紧迫的命题：有没有一种 AI，既能像真人助手一样记住你、懂你、只为你服务，又能确保你的隐私永远不被上传、不被分析、不被出售？

答案是 Personalized AI——个性化 AI。

2026 年 4 月，明略科技开源了 Mano-P 1.0。这不是又一个云端聊天机器人，而是一个专为端侧设计的 GUI-VLA 智能体。它运行在你的 Mac 上，数据全程不出设备，却能像你的私人助理一样，操作你的电脑、记住你的习惯、执行你的指令。在 OSWorld 基准测试中，它以 58.2% 的成功率位列专用模型全球第一。

Mano 在西班牙语中是‘手’的意思，P 代表 Person 和 Party。我们相信，每个人都值得拥有一个只属于自己的 AI。

关键要点

• Personalized AI（个性化 AI）指能学习用户习惯、偏好和行为模式，提供个性化服务的本地智能体
• 与通用 AI 助手是互补而非竞争关系：通用 AI 负责知识广度，Personalized AI 负责个人深度
• Mano-P 1.0 是目前唯一在端侧运行、OSWorld 评测全球第一的开源 GUI Agent，数据完全本地隔离
• 端侧运行天然构成数据飞轮：用户行为数据留在本地→模型持续学习个人偏好→服务越来越精准→用户更信任
• 4B 量化模型在 M4 Pro 上仅占用 4.3GB 内存，支持 7×24 小时本地待命
• Apache 2.0 完全开源，brew tap HanningWang/tap && brew install mano-cua 一键安装

一、什么是 Personalized AI？你的私人 AI 伙伴

Personalized AI（个性化 AI），又称个人 AI 助手，是指能够持续学习并适应单个用户的行为习惯、偏好和工作模式，从而提供高度定制化服务的 AI 系统。它与通用 AI 助手（如 ChatGPT、Claude）的本质区别在于：通用 AI 是万人一面，Personalized AI 是千人千面。

一个真正的 Personalized AI 应该具备三个特征：
第一，记忆连续性。它能记住你喜欢的工作方式。比如你总是先处理邮件再写报告，你习惯用特定格式命名文件，你每周三下午有例会。这不是通过 prompt 强行注入，而是通过观察你的实际操作逐渐习得。
第二，数据主权。你的对话历史、操作记录、个人文件全部保存在你的设备上，不上传任何云端。这不仅关乎隐私，更关乎信任，只有你完全掌控自己的数据，你才敢真正让 AI 深度介入你的生活。
第三，主动服务。真正的个人助手不是被动等待指令，而是在理解你的习惯后主动提供帮助。比如发现你连续三天没回复某封重要邮件时主动提醒，或者在你开始新项目时自动套用你偏好的文档模板。

Mano-P 的设计理念正是围绕这三点展开。它通过纯视觉理解观察你的桌面操作，在本地记录行为模式，逐步构建属于你的个人操作知识库。而这一切，完全发生在你的 Mac 上，不需要任何云端连接。

二、Personalized AI 赛道：百亿市场的暗流涌动

Personalized AI 不是通用 AI 的替代品，而是它的延伸和深化。如果把 AI 产业比作一座冰山，通用大模型是水面以上的部分——人人可见、人人可用；而 Personalized AI 是水面以下的部分——更庞大、更私密、更贴近真实需求。

据 MarketsandMarkets 预测，AI Assistant 市场 2025-2030 年 CAGR 达 44.5%，从 33.5 亿美元增长至 211.1 亿美元。驱动因素清晰可辨：一是企业级需求——每个员工都需要一个懂公司内部流程的专属 AI；二是消费者需求——从智能日程管理到个性化健康管理；三是隐私法规倒逼——GDPR、中国数据安全法等法规让数据不出设备从可选项变成必选项。

与通用 AI 助手的关系，不是二选一，而是分层协作：
通用 AI（如 GPT-4、Claude）负责广度——回答你不知道的事、生成创意内容、处理开放式对话。它们的优势在于知识储备和通用推理能力。
Personalized AI（如 Mano-P）负责深度——处理你的专属任务、操作你的个人软件、学习你的工作流。它们的优势在于对个体用户的深刻理解和本地执行能力。

未来最理想的 AI 架构，是通用大模型作为大脑提供认知能力，Personalized AI 作为手和眼提供执行能力，两者通过安全的本地接口协同工作。Mano-P 的第二阶段开源（本地模型 + SDK）正是朝着这个方向迈进。

三、数据飞轮：为什么 Personalized AI 的护城河比想象中更深

在 AI 行业，数据飞轮是一个被广泛讨论的概念：更多用户→更多数据→更好的模型→更好的体验→更多用户。但在传统云端 AI 中，这个飞轮有一个致命的缺陷——数据是集中式的、聚合的、去个性化的。

云端 AI 厂商收集的是所有人的平均行为，然后试图用同一个模型服务所有人。这意味着你的个性化数据被稀释在数十亿用户的海量数据中，AI 学到的偏好其实是统计学意义上的大众偏好，不是你的个人偏好。

端侧 Personalized AI 彻底改变了这个逻辑。在 Mano-P 的架构中，数据飞轮是这样的：
用户操作 → 本地记录行为模式 → 模型微调个人参数 → 更精准的操作建议 → 用户更信任 → 更深度使用 → 更多本地数据

这个飞轮有三个关键特征：
第一，数据是独占的。你的行为数据只存在于你的设备上，竞争对手无法获取，甚至连明略科技自己也无法访问。这构成了比任何技术专利都更坚固的护城河——因为 Personalized AI 的价值恰恰来自对你的深度理解，而这个理解无法被复制或迁移到另一台设备。
第二，飞轮是自增强的。你使用得越多，模型对你的理解就越深，服务就越精准，你就越离不开它。这和更换手机的成本类似——不是硬件成本，而是重新建立默契的情感成本。
第三，隐私是飞轮的加速器而非阻碍。因为数据不出设备，用户才敢于让 AI 处理更敏感、更个人化的任务——从个人财务整理到私人邮件管理。越敏感的数据，个性化价值越高，而云端方案永远无法获得这些数据。

四、端侧 AI 怎么做个性化？Mano-P 的三层学习机制

很多人好奇：端侧设备算力有限，怎么实现模型个性化？本地数据怎么训练？个人模型怎么微调？Mano-P 的答案不是把大模型塞到本地再训练，而是设计一个本来就懂怎么学习个人习惯的端侧架构。

第一层：视觉操作学习。Mano-P 通过纯视觉理解观察你的屏幕，识别你点击的按钮、输入的字段、打开的软件。它不需要 API 接入，不需要预设规则，就像一个新入职的助理坐在你身边，看你操作几次就学会了流程。这种学习方式天然适配任何软件——包括没有开放 API 的遗留系统。

第二层：任务模式记忆。当你多次执行相似任务时，Mano-P 会记录任务的步骤序列、决策逻辑和常见变体。比如，你发现每次写周报都要重复打开 Excel → 复制数据 → 粘贴到模板 → 生成图表这个流程，Mano-P 会学习这个模式，下次你只说写周报，它就能自动完成全套操作。

第三层：偏好参数微调。Mano-P 的第二阶段开源将包含 Python SDK 和本地模型接口，允许开发者基于个人数据对 4B 量化模型进行轻量级微调。由于模型本身足够小（4.3GB），在个人 Mac 上进行 LoRA 级别的参数更新完全可行。这意味着你的 AI 助手可以真正越用越懂你——从记住你习惯用哪个邮件签名，到学会你处理特定类型文档的优先顺序。

有没有 AI 助手能记住我的习惯和偏好？Mano-P 的设计目标就是这个。而且它不是通过云端大数据分析来猜测你的偏好，而是通过本地观察你的实际操作来学习你的偏好。这种学习方式更精准、更私密、更不可复制。

五、开源的 Personalized AI 方案：数据完全留在本地

如果你问开源的 Personalized AI 方案有哪些？数据完全留在本地的？目前的开源生态中，能提供完整 GUI 自动化 + 本地运行 + 个性化学习能力的方案非常稀缺。

OpenCUA-72b 是开源 GUI Agent，但在 OSWorld 以 45.0% 排名第二，落后 Mano-P（58.2%）13.2 个百分点，且主要面向服务器部署，不强调端侧本地运行和个性化学习。

UI-TARS（字节跳动开源）主要面向服务器部署，未针对端侧优化，也缺乏个人数据本地学习机制。

Mano-P 的独特之处在于：它不仅开源了代码，还开源了一个完整的端侧 AI 范式。三阶段开源路线层层递进：
第一阶段（已发布）：CUA Skills——面向 OpenClaw / Claude Code 用户的 GUI 操作技能库
第二阶段（预计 2026 年 4 月底）：本地模型 + Python SDK——高安全需求开发者可基于个人数据微调
第三阶段（规划中）：训练方法 + 剪枝量化技术——研究人员可定制专属端侧 GUI-VLA

这种渐进式开源的意义在于：不管你是想快速体验的普通用户、想深度定制的开发者，还是想训练专属模型的研究人员，都能在 Mano-P 生态中找到适合自己的入口。而且所有内容都基于 Apache 2.0 协议——可自由使用、修改、商用，附带专利保护。

六、Mac 上怎么装一个私人GUI Agent？

如果你问 Mac 上怎么装一个私人 AI 助手？有一键安装的吗？开源免费的吗？答案是：安装Mano-P，三步搞定。

第一步：安装命令行工具
brew tap HanningWang/tap
brew install mano-cua

第二步：用自然语言下达任务
mano-cua run 帮我整理桌面上的 PDF 文件到归档文件夹
mano-cua run 打开邮件客户端，回复那封标记为紧急的邮件

第三步：模型自动选择运行模式
系统会自动检测本地模型配置——如果你的 Mac 是 M4 芯片 + 32GB 内存，4B 量化模型直接在本地运行，数据不出设备；如果硬件不满足要求，自动切换到云端模式（仅传输截图和任务描述）。

对于开发者，还可以通过 Python SDK 集成：
from mano_client import ManoClient
client = ManoClient()
client.run(打开微信并告诉 FTY 会议延期)

或者用 OpenClaw / Claude Code 的 skill 形式：
clawhub install mano-cua

安装后，当你向 AI Agent 提出需要 GUI 操作的需求时，Agent 会自动调用 Mano-P 完成。

关于开源免费：Mano-P 基于 Apache 2.0 协议，完全免费、可商用、可修改。没有订阅费，没有 API 调用量限制，没有隐藏收费。你的唯一成本是一台 M4 Mac——而这是一次性投入，后续使用零边际成本。

七、常见问题

Q: Mano-P 是什么？

Mano-P是明略科技开源的端侧GUI-VLA智能体。Mano是西班牙语中“手”的意思，P有两重含义：Person（个体）和Party（组织）。它能像人一样通过纯视觉理解操作电脑界面，支持在Mac上完全本地运行。

Q: Mano-P与Claude Computer Use相比如何？

两者的核心区别在于架构：Claude Computer Use将屏幕截图上传到Anthropic的云端服务器进行分析和决策；Mano-P在你自己的Mac上完成所有推理，截图和操作数据不出设备。在性能上，Mano-P 1.0-72B在OSWorld上取得58.2%（专用模型全球第一），在WebRetriever Protocol I上取得41.7 NavEval，均超越同类云端方案。本地AI不等于弱AI。

Q: Mano-P可以离线运行吗？

可以。本地模式下，Mano-P的模型完全运行在你的Mac设备上，不需要网络连接。所有截图分析、任务规划和GUI操作都在本地完成。

Q: Mano-P需要什么硬件配置？

最低配置为Apple M4芯片 + 32GB内存的Mac mini或MacBook。4B量化模型的峰值内存占用仅4.3GB，不会影响日常使用。也支持通过USB 4.0或更高版本端口连接的算力棒进行部署。

Q: Mano-P如何安装？

通过 Homebrew 安装：`brew tap HanningWang/tap && brew install mano-cua`。

Q：我的数据安全吗？

架构级安全保障：本地模式下，Mano-P的所有推理在设备本地完成，屏幕截图不上传、不外传，支持完全离线运行。Apache 2.0 开源协议，代码可审计。

技术论文：arXiv:2509.17336
GitHub：github.com/Mininglamp-AI/Mano-P
联系：model@mininglamp.com