Agent熱度飆升，一場暫被高估的“效率游戲”

　　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，遠望資本創始合伙人程浩的投資回報頗豐。AI+創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的成熟而熱度提升，美國硅谷幾乎每一家公司都在做Agent。

　　創業者群體中，Convergence AI 工程負責人鄭淺對記者表示，海外市場垂類Agent早有案例，相對來說，通用類Agent在OpenAI相關產品發布后熱點得到提升。在Pokee AI創始人、前Meta應用強化學習負責人朱哲清的體感上，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，而今年春節前后，包括投資人與潛在客戶，大批行業人士前來向他咨詢Agent相關的問題。

　　整個人工智能領域熱度的逐漸高漲，背后是不同時間點不同“爆款”AI產品的助推。包括DeepSeek在春節期間完成對大眾關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Gartner 將 Agentic AI 列為 2025 年十大技術趨勢之一，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。記者調研觀察，目前海外市場中，Agent基于資本對技術長期投資、相對充裕的算力支撐、付費習慣較成熟、資本對技術創新與商業化進展的包容等原因，已有不少案例。但在國內市場中，Agent暫處于大廠戰略布局范疇內，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，用于解釋更大系統的自主行為。2010年之后，基于大模型驅動，Agent逐漸具備跨任務知識遷移和快速學習能力，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，整合搜索與多模態能力。

　　至于大語言模型(LLM)與Agent之間的關系，前者接收文字、圖片等內容，輸出相應文字或圖片，但沒有記憶，無法連接真實環境或操作外部工具。Agent以LLM為“大腦”，加上記憶與軀體，可以感知環境、記憶過程、執行任務、規劃與行動。

　　近期海內外熱點事件推動，伴隨模型技術提升，Agent熱度漸起。鄭淺對記者表示，2025年1月，OpenAI發布Operator之后，Agent行業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，如聚焦醫療、金融、法律等具體場景。基于方便落地、痛點解決精準而獲得客戶買單。而Operator“打樣”之后，通用型Agent行業開啟了新輪熱潮，創業者開啟項目推進，VC前來咨詢項目技術更新。

　　另一種分類方式在鄭淺看來，也可以分為已經落地的通用型Agent、備受關注的開發中產品，以及為Agent AI提供服務的產品。通用型如OpenAI的Operator，系行業第一個真正落地的通用協議型Agent，目前僅限美國地區使用；Convergence AI Proxy在Operator亮相兩天后向公眾開放，專注于研發Agent；Anthropic的computer use是一個企業級API服務，嚴格來說不算產品。但它的推出為這方向的AI產品奠定了技術基礎，影響深遠。

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

　　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、課程設計、文娛創作等多個種類，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，反而側面證明通用型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存在“Agent Washing”(智能體清洗)的亂象。AW是指AI領域中，部分企業通過重新包裝現有技術或簡單自動化工具，宣稱其具備 AI Agent功能，但實際并未驗證或實現真正的自主決策、學習和適應能力的現象，利用市場對 AI Agent 的熱度進行營銷，導致市場混淆和誤導性投資。

　　具體如將傳統的聊天機器人、RPA(機器人流程自動化)工具或基于規則的系統重新命名為 “AI Agent”，但核心功能仍依賴預設指令或簡單邏輯，缺乏自主性。或者宣稱產品具備 “自主決策”“持續學習” 等能力，但實際無法處理復雜環境或未預見情況，如將簡單的郵件自動回復工具稱為 “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行業早期，泛濫的“Agent Washing”亂象可能導致企業因誤判技術價值投入資金，卻未能獲得預期的自動化或效率提升，導致資源浪費；用戶對AI Agent的實際能力產生懷疑，阻礙真正創新技術的落地；以及虛假宣傳掩蓋實時性差、可解釋性弱等真實技術瓶頸，導致市場過熱與后續回調風險。在具體判斷與界定上，用戶可以通過相關產品能否在無人工干預下完成任務、是否支持動態優化策略、能否應對未預設的場景、能否清晰展示決策過程、是否支持與其他系統或人類協同工作等方面進行區分。

　　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，在應用中構建具有Agentic推理或Agentic工作流的方法有四種主要設計模式：反思型設計模式、tool use(API calls功能調用)、規劃或推理、多智能體協作(Multi-agent Collaboration多智能體協作)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，多位行業人士對記者表達了“早期階段”的判斷。一位AI領域從業者對記者表示，Manus在長期任務中表現較差，多個步驟的任務會因為每一步的細微誤差被放大，導致最終失敗。核心問題是工具能力較差，雖做了規劃和計劃，但實際執行出來的效果不及預期，所以導致整個任務失敗。這方面的原因不在規劃能力，而是規劃了卻沒有足夠的tools去執行，或者tools太簡單，導致復雜問題無法處理，而tools豐富生態的搭建需要足夠資金實力支撐才能破解。

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

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

　　中金公司研究部認為，相比于上述海外廠商在Agent底層技術上的創新，Manus更多是一種模式上的創新：Manus證明了多代理模式可以相對容易地實現通用AI Agent的落地，這也與海外廠商推出構建模塊、統一API協議的目的比較類似；“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產物的信任度，并催化AI Agent實現大規模落地。

　　中金公司引用LangChain(專注于AI應用開發的開源框架提供商)調查報告顯示：人們在長耗時任務中對AI Agent有較大需求，但同時，用戶對AI Agent普遍存在“完成質量”或“可靠性”方面的擔憂，AI Agent在復雜場景中并不一定能夠持續保持響應和問題解決路徑的準確性，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已經為行業“打了樣”，另一方面，通用型可以通過簡單化任務、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領域重要影響因素。

　　更重要的是，鄭淺認為，通用型Agent可以同時自主完成不同任務，具備規劃和重新規劃能力，而實現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系統中，LLM負責單個Agent內部語言處理和決策，Agent orchestrator負責決定哪個 Agent來處理特定的任務，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。但整個行業內，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方面的欠缺。

　　大廠蓄勢，行業尚早

　　任何一個新興領域，創業者都免不了面臨“大廠來了”怎么辦的問題。程浩稱：PC互聯網時代，VC對創業者最常見的問題是“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。

　　據記者了解，字節跳動Dev Infra團隊已開發出一款功能類似Manus的智能體產品，名為Dev Agent，主要通過集成內網知識庫與多種內部工具實現調研、開發、數據分析等任務。記者獲悉，Dev Agent是一款實驗性質的內部工具，僅面向開發部門內測使用。

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

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

　　目前在整個阿里集團戰略布局中，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用的早期形式，未接入增加更多算力耗費與技術復雜性的中間調優與反饋。

　　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，各行業有各自專攻領域。OpenAI、Anthropic及Deepmind在模型研發方面確實強大，但他們在產品開發方面表現不佳。如過去兩年OpenAI推出了GPTs或Prompt Store等多款產品，但大多是失敗的。

　　另外，Agent公司的創業核心競爭力在于其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。如何構建有效的AgentOrchestrator的能力在未來一兩年內都將是Agent創業公司重要的核心競爭力。

　　目前在Agent生態構建呈現大廠定制規則、創業公司沖刺創新的局面，大廠相繼推出構建模塊、構建平臺等Agent開發工具，打造專有生態。

　　2025年3月11日OpenAI發布了其第一組構建模塊，通過Response API，用戶通過幾行代碼調用OpenAI的內置工具來構建符合自身需求的Agent，而無需再專門編寫調用外部工具的復雜代碼，大大簡化了Agent開發的流程。區別于建立一站式構建平臺，Anthropic推出MCP開放標準，同樣致力于提升Agent開發能力和效率。

　　但目前行業對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，協議統一對于某個Agent體系的構建非常重要，但目前來看，協議在短期內不會有共識，原因在于還沒有哪家Agent公司已經做到最好。要等出現一家公司將Agent商業化應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可以幫助工具標準化，但大多數情況下工具都不是標準化的。Claude集成的MCP Agent也更多處于開發者測試和體驗的狀態，還沒有到商用的程度。