Agent熱度飆升，一場暫被高估的“效率游戲”

　　作者：呂倩 鄭栩彤

　　從天使輪押注DeepWisdom到目前新輪融資，遠(yuǎn)望資本創(chuàng)始合伙人程浩的投資回報頗豐。AI+創(chuàng)始人和投資人段雨嫣對記者表示，近期Agent概念因基座模型技術(shù)的成熟而熱度提升，美國硅谷幾乎每一家公司都在做Agent。

　　創(chuàng)業(yè)者群體中，Convergence AI 工程負(fù)責(zé)人鄭淺對記者表示，海外市場垂類Agent早有案例，相對來說，通用類Agent在OpenAI相關(guān)產(chǎn)品發(fā)布后熱點得到提升。在Pokee AI創(chuàng)始人、前Meta應(yīng)用強化學(xué)習(xí)負(fù)責(zé)人朱哲清的體感上，去年下半年，他所接觸的VC還沒有一家十分清晰地理解公司為什么做、怎么做Agent，而今年春節(jié)前后，包括投資人與潛在客戶，大批行業(yè)人士前來向他咨詢Agent相關(guān)的問題。

　　整個人工智能領(lǐng)域熱度的逐漸高漲，背后是不同時間點不同“爆款”AI產(chǎn)品的助推。包括DeepSeek在春節(jié)期間完成對大眾關(guān)于大語言模型的教育與普及，1月OpenAI Operator清晰演示了AI Agent的樣板；3月Manus的出圈啟動了對Agent市場的教育。

　　市場研究機構(gòu)Gartner 將 Agentic AI 列為 2025 年十大技術(shù)趨勢之一，并指出到 2028 年至少 15% 的日常工作決策將通過 Agentic AI 自主完成。記者調(diào)研觀察，目前海外市場中，Agent基于資本對技術(shù)長期投資、相對充裕的算力支撐、付費習(xí)慣較成熟、資本對技術(shù)創(chuàng)新與商業(yè)化進展的包容等原因，已有不少案例。但在國內(nèi)市場中，Agent暫處于大廠戰(zhàn)略布局范疇內(nèi)，尚未大范圍涌入普通用戶的生活中。

　　Agent革新與亂象并存

　　Agent可以翻譯為代理、智能體、助理等，概念最早萌芽于1959年，用于解釋更大系統(tǒng)的自主行為。2010年之后，基于大模型驅(qū)動，Agent逐漸具備跨任務(wù)知識遷移和快速學(xué)習(xí)能力，如微軟推出 Microsoft 365 Copilot，通過 Agent 自動化辦公流程；OpenAI旗下ChatGPT 插件生態(tài)賦能第三方工具集成；谷歌Project Astra 打造個人智能助手，整合搜索與多模態(tài)能力。

　　至于大語言模型(LLM)與Agent之間的關(guān)系，前者接收文字、圖片等內(nèi)容，輸出相應(yīng)文字或圖片，但沒有記憶，無法連接真實環(huán)境或操作外部工具。Agent以LLM為“大腦”，加上記憶與軀體，可以感知環(huán)境、記憶過程、執(zhí)行任務(wù)、規(guī)劃與行動。

　　近期海內(nèi)外熱點事件推動，伴隨模型技術(shù)提升，Agent熱度漸起。鄭淺對記者表示，2025年1月，OpenAI發(fā)布Operator之后，Agent行業(yè)啟動了新一輪的熱潮，Convergence AI初期也獲得1200萬美元Pre-seed投資。此前國外市場中，垂類Agent較為豐富，如聚焦醫(yī)療、金融、法律等具體場景。基于方便落地、痛點解決精準(zhǔn)而獲得客戶買單。而Operator“打樣”之后，通用型Agent行業(yè)開啟了新輪熱潮，創(chuàng)業(yè)者開啟項目推進，VC前來咨詢項目技術(shù)更新。

　　另一種分類方式在鄭淺看來，也可以分為已經(jīng)落地的通用型Agent、備受關(guān)注的開發(fā)中產(chǎn)品，以及為Agent AI提供服務(wù)的產(chǎn)品。通用型如OpenAI的Operator，系行業(yè)第一個真正落地的通用協(xié)議型Agent，目前僅限美國地區(qū)使用；Convergence AI Proxy在Operator亮相兩天后向公眾開放，專注于研發(fā)Agent；Anthropic的computer use是一個企業(yè)級API服務(wù)，嚴(yán)格來說不算產(chǎn)品。但它的推出為這方向的AI產(chǎn)品奠定了技術(shù)基礎(chǔ)，影響深遠(yuǎn)。

　　開發(fā)中的產(chǎn)品如谷歌的Project Magi，最初Demo在去年12月，核心方向偏向人機交互，目標(biāo)將AI Agent整合到Chrome瀏覽器中，但目前官方未透露更多細(xì)節(jié)。服務(wù)型產(chǎn)品如BrowserBase和Browser Use，是為瀏覽器Agent提供虛擬瀏覽器服務(wù)的公司；Microsoft Azure正在緊鑼密鼓研究為AI Agent提供虛擬機服務(wù)。

　　另外，目前Agent也可粗淺分為垂直型與通用型。Monica雖然官方宣稱推出通用型AI Agent Manus，官方演示案例中涉及了簡歷篩選、股票分析、購房推薦、課程設(shè)計、文娛創(chuàng)作等多個種類，輸出形式包括文檔、圖像、音頻、Dashboard等不同類型的輸出。但由于垂直功能不夠精準(zhǔn)，反而側(cè)面證明通用型Agent目前難以完成垂直功能的“專精深”。

　　需注意的是，Agent熱度的暴漲也使得目前行業(yè)存在“Agent Washing”(智能體清洗)的亂象。AW是指AI領(lǐng)域中，部分企業(yè)通過重新包裝現(xiàn)有技術(shù)或簡單自動化工具，宣稱其具備 AI Agent功能，但實際并未驗證或?qū)崿F(xiàn)真正的自主決策、學(xué)習(xí)和適應(yīng)能力的現(xiàn)象，利用市場對 AI Agent 的熱度進行營銷，導(dǎo)致市場混淆和誤導(dǎo)性投資。

　　具體如將傳統(tǒng)的聊天機器人、RPA(機器人流程自動化)工具或基于規(guī)則的系統(tǒng)重新命名為 “AI Agent”，但核心功能仍依賴預(yù)設(shè)指令或簡單邏輯，缺乏自主性。或者宣稱產(chǎn)品具備 “自主決策”“持續(xù)學(xué)習(xí)” 等能力，但實際無法處理復(fù)雜環(huán)境或未預(yù)見情況，如將簡單的郵件自動回復(fù)工具稱為 “銷售智能體”，將固定流程的客服腳本包裝為 “智能服務(wù)代理”。還有一種是模糊 “AI 助手”“工具” 與 “AI Agent” 的邊界，如將僅提供信息檢索的工具宣傳為具備獨立行動能力的智能體。

　　AI Agent行業(yè)早期，泛濫的“Agent Washing”亂象可能導(dǎo)致企業(yè)因誤判技術(shù)價值投入資金，卻未能獲得預(yù)期的自動化或效率提升，導(dǎo)致資源浪費；用戶對AI Agent的實際能力產(chǎn)生懷疑，阻礙真正創(chuàng)新技術(shù)的落地；以及虛假宣傳掩蓋實時性差、可解釋性弱等真實技術(shù)瓶頸，導(dǎo)致市場過熱與后續(xù)回調(diào)風(fēng)險。在具體判斷與界定上，用戶可以通過相關(guān)產(chǎn)品能否在無人工干預(yù)下完成任務(wù)、是否支持動態(tài)優(yōu)化策略、能否應(yīng)對未預(yù)設(shè)的場景、能否清晰展示決策過程、是否支持與其他系統(tǒng)或人類協(xié)同工作等方面進行區(qū)分。

　　垂類與通用Agent將并存

　　那么，Agent具體是何如運作的？

　　在工作模式上，吳恩達此前提及，在應(yīng)用中構(gòu)建具有Agentic推理或Agentic工作流的方法有四種主要設(shè)計模式：反思型設(shè)計模式、tool use(API calls功能調(diào)用)、規(guī)劃或推理、多智能體協(xié)作(Multi-agent Collaboration多智能體協(xié)作)等。

　　在這樣的工作方式分類邏輯下，Manus以明顯的tool use形式破圈傳播。但在用戶使用端，多位行業(yè)人士對記者表達了“早期階段”的判斷。一位AI領(lǐng)域從業(yè)者對記者表示，Manus在長期任務(wù)中表現(xiàn)較差，多個步驟的任務(wù)會因為每一步的細(xì)微誤差被放大，導(dǎo)致最終失敗。核心問題是工具能力較差，雖做了規(guī)劃和計劃，但實際執(zhí)行出來的效果不及預(yù)期，所以導(dǎo)致整個任務(wù)失敗。這方面的原因不在規(guī)劃能力，而是規(guī)劃了卻沒有足夠的tools去執(zhí)行，或者tools太簡單，導(dǎo)致復(fù)雜問題無法處理，而tools豐富生態(tài)的搭建需要足夠資金實力支撐才能破解。

　　另外，行業(yè)人士對記者表示，Manus目前屬于“堆tools”的形式，而這種形式無法進行持續(xù)進化。朱哲清也認(rèn)為，做Agent需要考慮的幾個板塊包括通用性、算力部署要求、工具調(diào)用能力、執(zhí)行力。其中，工具調(diào)用是比較復(fù)雜的問題。

　　AI工程師、Pleias聯(lián)合創(chuàng)始人 亞歷山大·多里亞(Alexander Doria )此前發(fā)文表示，未來 AI 智能體的發(fā)展方向會是模型本身，而不是工作流(Work Flow)。而Manus 基于預(yù)先編排好的提示詞與工具路徑構(gòu)成的工作流智能體，短期或許表現(xiàn)不錯，但長期必然遇到瓶頸，核心原因就是提示驅(qū)動的方式無法擴展，也無法真正處理那些需要長期規(guī)劃、多步驟推理的復(fù)雜任務(wù)。

　　中金公司研究部認(rèn)為，相比于上述海外廠商在Agent底層技術(shù)上的創(chuàng)新，Manus更多是一種模式上的創(chuàng)新：Manus證明了多代理模式可以相對容易地實現(xiàn)通用AI Agent的落地，這也與海外廠商推出構(gòu)建模塊、統(tǒng)一API協(xié)議的目的比較類似；“展示過程”的形式有助于降低大眾的理解門檻，提高用戶對AI產(chǎn)物的信任度，并催化AI Agent實現(xiàn)大規(guī)模落地。

　　中金公司引用LangChain(專注于AI應(yīng)用開發(fā)的開源框架提供商)調(diào)查報告顯示：人們在長耗時任務(wù)中對AI Agent有較大需求，但同時，用戶對AI Agent普遍存在“完成質(zhì)量”或“可靠性”方面的擔(dān)憂，AI Agent在復(fù)雜場景中并不一定能夠持續(xù)保持響應(yīng)和問題解決路徑的準(zhǔn)確性，因此有一半以上的受訪者在實際使用中會為AI Agent補充跟蹤和觀察的控件。

　　拋開通用Agent早期尚存的不足，鄭淺更看好通用型Agent的前景。一方面，OpenAI的Operator已經(jīng)為行業(yè)“打了樣”，另一方面，通用型可以通過簡單化任務(wù)、小體量模型完成，在海外算力較為充足的背景下，通用型Agent比拼的主要是小模型與工程能力。模型不是越大越好，而是適合才好，工程也是Agent領(lǐng)域重要影響因素。

　　更重要的是，鄭淺認(rèn)為，通用型Agent可以同時自主完成不同任務(wù)，具備規(guī)劃和重新規(guī)劃能力，而實現(xiàn)這一功能的核心就是Agent另一個“大腦”——Agent Orchestrator。上文所提LLM是Agent進行思考和決策的核心組件，在多Agent系統(tǒng)中，LLM負(fù)責(zé)單個Agent內(nèi)部語言處理和決策，Agent orchestrator負(fù)責(zé)決定哪個 Agent來處理特定的任務(wù)，以及如何在多個 Agent 之間傳遞信息，讓Agent各司其職，最大化效率。

　　基于這樣的邏輯，鄭淺判斷通用型Agent中，并行Agent將是未來趨勢。但整個行業(yè)內(nèi)，垂類Agent將與通用Agent長期并存甚至達成“合作”，例如垂類工具接入通用Agent平臺，補足后者在具體行業(yè)方面的欠缺。

　　大廠蓄勢，行業(yè)尚早

　　任何一個新興領(lǐng)域，創(chuàng)業(yè)者都免不了面臨“大廠來了”怎么辦的問題。程浩稱：PC互聯(lián)網(wǎng)時代，VC對創(chuàng)業(yè)者最常見的問題是“你這個項目如果騰訊做了怎么辦？”進入AI時代，VC仍然會問此類問題，只是騰訊變成了字節(jié)。

　　據(jù)記者了解，字節(jié)跳動Dev Infra團隊已開發(fā)出一款功能類似Manus的智能體產(chǎn)品，名為Dev Agent，主要通過集成內(nèi)網(wǎng)知識庫與多種內(nèi)部工具實現(xiàn)調(diào)研、開發(fā)、數(shù)據(jù)分析等任務(wù)。記者獲悉，Dev Agent是一款實驗性質(zhì)的內(nèi)部工具，僅面向開發(fā)部門內(nèi)測使用。

　　在技術(shù)方面，字節(jié)此前提出基于強化學(xué)習(xí)(RL)的 LLM Agent 框架 AGILE，會主動向人類專家咨詢，增強了快速適應(yīng)新任務(wù)的泛化能力。產(chǎn)品方面，“Coze 扣子” 作為 AI bot 開發(fā)平臺，堪稱字節(jié)版GPTs，提供豐富的Agent工具。目前豆包電腦版APP已呈現(xiàn)瀏覽器模式，將已有AI工具匯總調(diào)用，輸入“撰寫一段貪吃蛇的代碼并運行”，豆包可調(diào)用工具、演示過程、最終運行。

　　阿里主推的AI時代代表應(yīng)用夸克近期推出“超級框”概念，阿里巴巴智能信息事業(yè)群總裁的吳嘉表示，“超級框”不是ChatBot或搜索，而是直接交付結(jié)果的“超級Agent”——用戶在“框”中表達意圖，AI會調(diào)用工具與方法來幫你寫一份工作報告、旅游計劃，或是一份就醫(yī)指南。

　　目前在整個阿里集團戰(zhàn)略布局中，夸克被寄望于搭建AI時代“超級入口”，但同時，作為試水探路者，目前夸克方面暫未嘗試重投入，因此在Agent模式上，暫時處于阿里自有工具調(diào)用的早期形式，未接入增加更多算力耗費與技術(shù)復(fù)雜性的中間調(diào)優(yōu)與反饋。

　　除上述大廠案例，記者觀察到的主流Agent代表案例暫時集中于海外市場。談及海外大廠的競爭，鄭淺對記者表示，各行業(yè)有各自專攻領(lǐng)域。OpenAI、Anthropic及Deepmind在模型研發(fā)方面確實強大，但他們在產(chǎn)品開發(fā)方面表現(xiàn)不佳。如過去兩年OpenAI推出了GPTs或Prompt Store等多款產(chǎn)品，但大多是失敗的。

　　另外，Agent公司的創(chuàng)業(yè)核心競爭力在于其Agentorchestrator。目前雖有開源模型，但沒有人開源真正的Agentorchestrator，各家公司都有獨特做法。如何構(gòu)建有效的AgentOrchestrator的能力在未來一兩年內(nèi)都將是Agent創(chuàng)業(yè)公司重要的核心競爭力。

　　目前在Agent生態(tài)構(gòu)建呈現(xiàn)大廠定制規(guī)則、創(chuàng)業(yè)公司沖刺創(chuàng)新的局面，大廠相繼推出構(gòu)建模塊、構(gòu)建平臺等Agent開發(fā)工具，打造專有生態(tài)。

　　2025年3月11日OpenAI發(fā)布了其第一組構(gòu)建模塊，通過Response API，用戶通過幾行代碼調(diào)用OpenAI的內(nèi)置工具來構(gòu)建符合自身需求的Agent，而無需再專門編寫調(diào)用外部工具的復(fù)雜代碼，大大簡化了Agent開發(fā)的流程。區(qū)別于建立一站式構(gòu)建平臺，Anthropic推出MCP開放標(biāo)準(zhǔn)，同樣致力于提升Agent開發(fā)能力和效率。

　　但目前行業(yè)對MCP持有不同觀點，鄭淺對記者表示，MCP 更像是一個 API，雖然使用起來方便，但其可擴展性和適用性都有一定局限。如果要構(gòu)建真正的通用型 Agent，僅依靠 MCP 的接口會受到限制，因為支持的軟件有限。

　　朱哲清告訴記者，長期來看，協(xié)議統(tǒng)一對于某個Agent體系的構(gòu)建非常重要，但目前來看，協(xié)議在短期內(nèi)不會有共識，原因在于還沒有哪家Agent公司已經(jīng)做到最好。要等出現(xiàn)一家公司將Agent商業(yè)化應(yīng)用做到很好的情況下，才會吸引很多人用它的工具，才有可能統(tǒng)一市場。而目前，即便是較早面世的MCP，所帶來的價值也有限，MCP可以幫助工具標(biāo)準(zhǔn)化，但大多數(shù)情況下工具都不是標(biāo)準(zhǔn)化的。Claude集成的MCP Agent也更多處于開發(fā)者測試和體驗的狀態(tài)，還沒有到商用的程度。