2026年3月，AI眼镜已经不只出现在发布会。新华财经3月18日报道，阿里千问首款AI硬件“千问AI眼镜”正式上线，中国联通发布新一代云智AI眼镜，华为、小米门店也出现了体验人群。
热度上来了，交互却没有自动变简单。澎湃新闻在2025年9月15日的梳理提到，AI眼镜的功能仍集中在拍摄、翻译、提词和简单对话。
设想一个更远的场景：用户看向路边的咖啡店，说“帮我点一杯上次在上海喝的那种冰美式”，再做一次确认，订单便在后台完成。它还不能被当作已经普及的日常功能，却很适合检验无屏Agent：系统得知道用户看的是哪家店，“上次那种”指什么，需要调用哪些服务，以及用户是否真的同意下单。
想让眼镜成为Agent的主要入口，难点不是去掉屏幕，而是补上屏幕原来承担的三件事：选中对象、展示状态、确认执行。
App退到后台后，意图必须能被拆开
手机操作看起来麻烦，是因为每个任务都有固定路径：唤醒设备、寻找图标、进入App，再从菜单里找到功能。用户想打车回家，也得先决定打开哪个软件。
Rokid公开的AIUI框架尝试换一种做法。用户只说“我要回家”，Agent再判断是否需要调用地图、打车和支付能力。App没有消失，只是退到了后台，变成可被调度的功能模块。
路径缩短之后，意图识别的压力反而更大。按钮的含义通常明确，自然语言却经常留白。用户说“帮我处理一下这件事”，而视野或历史上下文里同时有三封邮件和两个聊天会话，Agent不能挑一个最像的对象直接执行。
这类情况需要追问。它可以询问用户指的是哪封邮件，也可以先复述收件人、主题和准备采取的动作。站内此前在《模糊指令先别跑：2026年自主Agent怎么追问和重试》中讨论过这套机制。少点几次按钮，不等于少一次授权；无屏也不等于无确认。
眼神指对象，语音说动作，手势作确认
眼镜没有鼠标，多模态输入就要承担不同职责。
摄像头可以让Agent知道视野里有什么；如果设备具备注视估计能力，眼神还能进一步缩小候选对象。用户看向一件商品，说“这个，买它”，其中“这个”由视野和注视位置共同限定。眼神更像指针，负责告诉系统在谈什么，但它本身不该等同于购买授权。
语音适合表达动作和条件，却不适合包办整个流程。街头有噪声，办公室里也未必适合长时间对着眼镜说话。产品不应把长对话设为默认方式，“这个多少钱”“导航去这里”“把这段记下来”一类短指令更符合眼镜的使用场景。
手势可以充当确认键。捏合、轻敲或其他明确动作，把Agent的状态从“我理解你想做什么”推进到“现在可以执行”。不是每副眼镜都必须依赖手势识别，但确认通道最好与语音分开，避免一句被误听的话同时完成指令和授权。
比较稳妥的分工是：眼神限定对象，语音说明目标，手势确认执行。每种输入只承担一项主要任务，出错时也更容易判断错在哪一步。
无屏最怕的，是系统悄悄做错
手机屏幕会显示加载、跳转和结果。拿掉屏幕后，这些状态不能一起消失。用户至少要知道四件事：Agent有没有听见、是否正在处理、任务是否完成、失败后该怎么办。
反馈不必全靠语音播报。镜腿微震、简短的骨传导提示音，以及有显示能力时的轻量视觉提示，都可以承担状态提醒。重点不是制造存在感，而是让不同状态能够被区分。
执行规则也要按风险收紧：
- 查询天气等低风险任务，可以直接返回结果。
- 发送邮件等中风险任务，应先复述收件人和内容摘要，再等待确认。
- 转账、下单等高风险任务，需要多模态确认，并明确给出取消入口和执行结果。
场景信息可以帮助Agent排序，但不能替用户作主。在超市里，系统可以优先联想到购物和比价；在会议中，可以优先准备记录和提醒。它们只是候选答案，不是自动授权。场景感知可以帮系统少问一句，却不能让它在不确定时装懂。
37℃户外测试，给端云分工划了线
交互设计最终要服从镜腿里的电池和散热空间。站内《三款AI眼镜高温实测：不掏手机，2公里能走完吗》记录了一次测试：在37℃户外连续使用导航22分钟后，镜腿温度可达46.2℃，电量从90%降至30%。单次测试不能代表所有型号，但它把眼镜的算力预算摆到了台面上。
如果摄像头和麦克风持续采集信息，再把每次识别都交给云端，高频无线传输、网络等待和本地预处理都会消耗电量。回答再聪明，只要设备发热明显、续航快速下降，就很难成为全天佩戴的工具。
一种可行方案是模型分层：让3B规模的轻量模型驻留端侧，处理简单的意图路由、纠错和请求分类；遇到复杂任务，再调用云端模型。
站内《3B模型跑强化学习：为什么端侧慢思考比无脑堆参数更省电》讨论了用GRPO调优3B模型，并引入类似MCTS的“慢思考”。按该文给出的测试结果，在维持任务成功率的前提下，功耗降低近三分之二。这个数字需要放回具体测试条件中看，不能直接外推到所有眼镜，但产品方向很清楚：端侧模型先判断什么可以本地完成、什么必须上云，而不是把所有请求一股脑发出去。
“终极外设”不等于“唯一设备”
一篇讨论AI眼镜与Agent关系的文章把智能眼镜称为Agent的“终极外设”。这个说法抓住了眼镜的优势：它贴近用户的视野，适合接住移动中的即时任务。但“终极”不该被理解为取代所有屏幕。
编辑长文、核对复杂交易、查看大量信息时，屏幕仍然更合适。眼镜擅长的是另一类任务：用户正在走路、双手被占用、目标就在眼前，而且操作可以在几步内完成。即便光波导等显示技术继续发展，量产和出海专利仍是需要处理的问题，站内也曾在《AI眼镜刚热起来，光波导已撞上出海专利关》中分析过相关限制。
AI眼镜真正应该减少的是操作，不是必要信息。它可以把“打开App、寻找功能、填写参数”压缩成一句话和一次确认，但付款对象、消息接收人、执行结果不能因此变得含糊。
好的无屏交互，不是让用户完全感觉不到系统存在，而是该安静时不打扰，该确认时绝不装懂。
