过去两年，AI 助手的主流形态是"悬浮窗 + 聊天框"——你手动把问题粘贴进去，它把答案吐出来，然后你再手动把答案搬回工作环境。腾讯应用宝团队刚上线的 Marvis（马维斯）换了一个思路：它不浮在操作系统之上，而是沉到操作系统之内，把终端、文件、应用、算力和跨端连接统一收进一个 AI 中间层。整台电脑——甚至跨设备的电脑和手机——变成了你可以直接对话的对象。
Windows、Mac、Android 三端同步上线，无需邀请码，开箱即用。每位用户每天 1000 万免费 Token。这些参数背后，藏着一种和传统 AI 助手完全不同的交互范式。
"操作系统层级"到底意味着什么
普通 AI 助手是应用层工具：你打开一个 App，在它内部完成问答，App 之外的操作系统它看不见、摸不到。Marvis 的定位是 OS 层中间件——它直接读取系统状态、操控文件和应用、调度本地算力，再叠加大模型的推理能力。
具体来说，Marvis 把五类系统资源纳入同一层：
| 资源类别 | 传统助手能做什么 | Marvis 能做什么 |
|---|---|---|
| 终端系统 | 无感知 | 读取环境信息、执行命令 |
| 文件 | 需手动上传 | 直接索引本地文件并操作 |
| 应用 | 无法启动或切换 | 打开、切换、甚至跨应用串联 |
| 算力 | 仅用云端 | 调度本地 CPU/GPU 做推理或计算 |
| 跨端连接 | 各端独立 | 电脑和手机在同一对话中协作 |
这不是"更聪明的聊天机器人"，而是"能动手的操作系统代理"。你不再需要先想好要做什么、再去找对应工具——直接告诉 Marvis 你的意图，它从系统层选择执行路径。
跨端对话：同一句话，多设备协同
Marvis 同时覆盖 Windows、Mac 和 Android，跨端不是简单的"手机也能打开同一个 App"，而是同一会话可以跨设备流转。你在电脑上让 Marvis 整理一份报告，它可以在手机端继续推送结果；你在手机上圈选了一张图片，电脑端的 Marvis 已经把它放进编辑流程。
这种跨端能力依赖的是统一的 AI 中间层——每台设备上的 Marvis 共享同一个会话上下文和权限模型，而不是各自独立运行后再做数据同步。
实际上手：用 Marvis 操控本地系统
Marvis 目前以桌面客户端和移动端 App 形式提供，但它的系统层能力意味着你可以用自然语言直接驱动本地操作。下面给出几个可以直接尝试的交互示例，以及一个用 Python 调用 Marvis 概念 API 的脚本模板（注意：以下 API 路径为基于发布信息推断的合理假设，实际接口以官方文档为准）。
场景一：自然语言驱动文件整理
在 Marvis 客户端中直接输入：
把桌面上的所有 PDF 文件按日期重命名，移动到 Documents/2024_reports/ 目录下
Marvis 会：扫描桌面文件 → 筛选 PDF → 读取创建日期 → 执行重命名和移动。整个过程你不需要写脚本、不需要打开终端。
场景二：跨应用串联工作流
打开 Excel 里的销售数据表，把第三列的数值做成柱状图，保存为 PNG 放到桌面，然后通过微信发给张三
传统做法：打开 Excel → 手动做图 → 导出 → 打开微信 → 找人 → 发送。Marvis 从系统层串联这些应用动作。
场景三：用 Python 脚本批量调用 Marvis 能力
如果你想在自动化流程中接入 Marvis，可以参考下面的脚本。假设 Marvis 提供了本地 HTTP 服务（监听端口和路径为假设值，运行前需确认实际配置）：
"""
Marvis OS-Level AI Assistant — 批量任务调用示例
假设 Marvis 在本地提供 HTTP API，端口 9527
实际端口和接口路径请查阅官方文档或客户端设置页
"""
import requests
import json
MARVIS_API = "http://127.0.0.1:9527/v1/task"
def send_marvis_task(prompt: str, device: str = "desktop") -> dict:
"""向 Marvis 发送一条自然语言任务指令"""
payload = {
"prompt": prompt,
"device": device, # desktop / mobile
"execute": True, # 允许实际执行系统操作
"dry_run": False, # 设为 True 则只返回计划不执行
}
headers = {"Content-Type": "application/json"}
resp = requests.post(MARVIS_API, json=payload, headers=headers, timeout=30)
resp.raise_for_status()
return resp.json()
# —— 示例：批量整理本周项目文件 ——
tasks = [
"把 ~/Projects 下所有 .log 文件压缩成 logs_week.zip",
"统计 ~/Projects 下各子目录的文件数量，生成一份 Markdown 报告保存到桌面",
"把桌面上名为 draft.docx 的文件通过蓝牙推送到手机",
]
for i, task in enumerate(tasks, 1):
print(f"\n▶ 任务 {i}: {task}")
result = send_marvis_task(task)
print(f" 状态: {result.get('status')}")
print(f" 执行摘要: {result.get('summary')}")
if result.get("files_affected"):
print(f" 涉及文件: {json.dumps(result['files_affected'], indent=2)}")
运行前你需要确认的事：
- Marvis 客户端是否开启了本地 API 服务，以及实际监听端口——在客户端设置中查找"开发者接口"或"本地服务"选项。
execute: True意味着 Marvis 会真实操作你的文件和应用，首次测试建议先设dry_run: True，只看执行计划不实际执行。- 跨端任务（如蓝牙推送到手机）需要两端设备都已登录同一账号且 Marvis 正在运行。
1000 万 Token：够用，但有边界
每天 1000 万免费 Token，对个人用户的日常对话和系统操作来说相当充裕。粗略估算：一次中等复杂度的文件整理任务大约消耗 2000–5000 Token，一天做 50–100 次这类操作也不会触及上限。
但需要注意几个隐性边界：
- 长上下文任务消耗更快：如果 Marvis 需要读取大量文件内容再做推理，Token 消耗会随文件体积线性增长。处理一个 50 页 PDF 的摘要任务，可能一次就吃掉几十万 Token。
- 跨端协同有延迟成本：多设备之间的上下文同步和状态传输本身也计入 Token。
- 免费额度是日度重置：没有累计机制，今天没用完的 Token 明天不会叠加。
如果你计划用 Marvis 做批量自动化（比如每晚跑一轮日志归档），建议先测算单次任务的 Token 消耗，再决定调度频率。
落地建议与风险提醒
什么时候值得用
- 重复性系统操作多的人：每天都要整理文件、转换格式、跨应用搬运数据——这些正是 OS 层 AI 最擅长的。
- 多设备切换频繁的人：电脑和手机之间的信息流转，Marvis 的跨端能力比手动同步高效得多。
- 想用自然语言驱动本地算力的人：让 Marvis 调度本地 GPU跑一个轻量推理，比手动配环境快。
什么时候要谨慎
- 敏感文件操作：Marvis 能直接读写你的文件系统。首次使用时，建议在"只读模式"或
dry_run下观察它的操作计划，确认无误再放开执行权限。 - 生产环境服务器：Marvis 目前面向个人桌面和移动端，不要在承载业务的服务器上安装——它的系统层权限太宽，误操作代价太高。
- 企业合规场景：Marvis 会把本地文件内容送入大模型推理，涉及客户数据或受监管信息时，需要评估数据是否可以离开本地环境。
快速上手检查清单
- 在 Marvis 官方渠道 下载对应平台客户端（Windows / Mac / Android）。
- 登录同一腾讯账号，确认多端设备出现在"已连接设备"列表中。
- 在设置中检查"执行权限"——建议初始设为"需确认后执行"，避免误操作。
- 先用简单任务测试（如"列出桌面上的文件"），观察 Marvis 的系统感知范围是否正确。
- 逐步升级到文件操作、应用串联、跨端协同，每一步都先看执行计划再确认。
操作系统层级的 AI 助手，本质上是在重新定义"人机接口"——从"人操作机器"变成"人描述意图，机器自行编排操作"。Marvis 是这个方向上第一个开箱即用、三端同步的产品。它还不完美，权限模型需要用户自己把控边界，API 接口还在逐步开放，但方向已经足够清晰：AI 不该只是你屏幕上的一个浮窗，它应该能真正动手。