Agent热度飙升，一场暂被高估的“效率游戏”
作者：吕倩 郑栩彤
从天使轮押注DeepWisdom到目前新轮融资，远望资本创始合伙人程浩的投资回报颇丰。AI+创始人和投资人段雨嫣对记者表示，近期Agent概念因基座模型技术的成熟而热度提升，美国硅谷几乎每一家公司都在做Agent。
创业者群体中，Convergence AI 工程负责人郑浅对记者表示，海外市场垂类Agent早有案例，相对来说，通用类Agent在OpenAI相关产品发布后热点得到提升。在Pokee AI创始人、前Meta应用强化学习负责人朱哲清的体感上，去年下半年，他所接触的VC还没有一家十分清晰地理解公司为什么做、怎么做Agent，而今年春节前后，包括投资人与潜在客户，大批行业人士前来向他咨询Agent相关的问题。
整个人工智能领域热度的逐渐高涨，背后是不同时间点不同“爆款”AI产品的助推。包括DeepSeek在春节期间完成对大众关于大语言模型的教育与普及，1月OpenAI Operator清晰演示了AI Agent的样板；3月Manus的出圈启动了对Agent市场的教育。
市场研究机构Gartner 将 Agentic AI 列为 2025 年十大技术趋势之一，并指出到 2028 年至少 15% 的日常工作决策将通过 Agentic AI 自主完成。记者调研观察，目前海外市场中，Agent基于资本对技术长期投资、相对充裕的算力支撑、付费习惯较成熟、资本对技术创新与商业化进展的包容等原因，已有不少案例。但在国内市场中，Agent暂处于大厂战略布局范畴内，尚未大范围涌入普通用户的生活中。
Agent革新与乱象并存
Agent可以翻译为代理、智能体、助理等，概念最早萌芽于1959年，用于解释更大系统的自主行为。2010年之后，基于大模型驱动，Agent逐渐具备跨任务知识迁移和快速学习能力，如微软推出 Microsoft 365 Copilot，通过 Agent 自动化办公流程；OpenAI旗下ChatGPT 插件生态赋能第三方工具集成；谷歌Project Astra 打造个人智能助手，整合搜索与多模态能力。
至于大语言模型(LLM)与Agent之间的关系，前者接收文字、图片等内容，输出相应文字或图片，但没有记忆，无法连接真实环境或操作外部工具。Agent以LLM为“大脑”，加上记忆与躯体，可以感知环境、记忆过程、执行任务、规划与行动。
近期海内外热点事件推动，伴随模型技术提升，Agent热度渐起。郑浅对记者表示，2025年1月，OpenAI发布Operator之后，Agent行业启动了新一轮的热潮，Convergence AI初期也获得1200万美元Pre-seed投资。此前国外市场中，垂类Agent较为丰富，如聚焦医疗、金融、法律等具体场景。基于方便落地、痛点解决精准而获得客户买单。而Operator“打样”之后，通用型Agent行业开启了新轮热潮，创业者开启项目推进，VC前来咨询项目技术更新。
另一种分类方式在郑浅看来，也可以分为已经落地的通用型Agent、备受关注的开发中产品，以及为Agent AI提供服务的产品。通用型如OpenAI的Operator，系行业第一个真正落地的通用协议型Agent，目前仅限美国地区使用；Convergence AI Proxy在Operator亮相两天后向公众开放，专注于研发Agent；Anthropic的computer use是一个企业级API服务，严格来说不算产品。但它的推出为这方向的AI产品奠定了技术基础，影响深远。
开发中的产品如谷歌的Project Magi，最初Demo在去年12月，核心方向偏向人机交互，目标将AI Agent整合到Chrome浏览器中，但目前官方未透露更多细节。服务型产品如BrowserBase和Browser Use，是为浏览器Agent提供虚拟浏览器服务的公司；Microsoft Azure正在紧锣密鼓研究为AI Agent提供虚拟机服务。
另外，目前Agent也可粗浅分为垂直型与通用型。Monica虽然官方宣称推出通用型AI Agent Manus，官方演示案例中涉及了简历筛选、股票分析、购房推荐、课程设计、文娱创作等多个种类，输出形式包括文档、图像、音频、Dashboard等不同类型的输出。但由于垂直功能不够精准，反而侧面证明通用型Agent目前难以完成垂直功能的“专精深”。
需注意的是，Agent热度的暴涨也使得目前行业存在“Agent Washing”(智能体清洗)的乱象。AW是指AI领域中，部分企业通过重新包装现有技术或简单自动化工具，宣称其具备 AI Agent功能，但实际并未验证或实现真正的自主决策、学习和适应能力的现象，利用市场对 AI Agent 的热度进行营销，导致市场混淆和误导性投资。
具体如将传统的聊天机器人、RPA(机器人流程自动化)工具或基于规则的系统重新命名为 “AI Agent”，但核心功能仍依赖预设指令或简单逻辑，缺乏自主性。或者宣称产品具备 “自主决策”“持续学习” 等能力，但实际无法处理复杂环境或未预见情况，如将简单的邮件自动回复工具称为 “销售智能体”，将固定流程的客服脚本包装为 “智能服务代理”。还有一种是模糊 “AI 助手”“工具” 与 “AI Agent” 的边界，如将仅提供信息检索的工具宣传为具备独立行动能力的智能体。
AI Agent行业早期，泛滥的“Agent Washing”乱象可能导致企业因误判技术价值投入资金，却未能获得预期的自动化或效率提升，导致资源浪费；用户对AI Agent的实际能力产生怀疑，阻碍真正创新技术的落地；以及虚假宣传掩盖实时性差、可解释性弱等真实技术瓶颈，导致市场过热与后续回调风险。在具体判断与界定上，用户可以通过相关产品能否在无人工干预下完成任务、是否支持动态优化策略、能否应对未预设的场景、能否清晰展示决策过程、是否支持与其他系统或人类协同工作等方面进行区分。
垂类与通用Agent将并存
那么，Agent具体是何如运作的？
在工作模式上，吴恩达此前提及，在应用中构建具有Agentic推理或Agentic工作流的方法有四种主要设计模式：反思型设计模式、tool use(API calls功能调用)、规划或推理、多智能体协作(Multi-agent Collaboration多智能体协作)等。
在这样的工作方式分类逻辑下，Manus以明显的tool use形式破圈传播。但在用户使用端，多位行业人士对记者表达了“早期阶段”的判断。一位AI领域从业者对记者表示，Manus在长期任务中表现较差，多个步骤的任务会因为每一步的细微误差被放大，导致最终失败。核心问题是工具能力较差，虽做了规划和计划，但实际执行出来的效果不及预期，所以导致整个任务失败。这方面的原因不在规划能力，而是规划了却没有足够的tools去执行，或者tools太简单，导致复杂问题无法处理，而tools丰富生态的搭建需要足够资金实力支撑才能破解。
另外，行业人士对记者表示，Manus目前属于“堆tools”的形式，而这种形式无法进行持续进化。朱哲清也认为，做Agent需要考虑的几个板块包括通用性、算力部署要求、工具调用能力、执行力。其中，工具调用是比较复杂的问题。
AI工程师、Pleias联合创始人 亚历山大·多里亚(Alexander Doria )此前发文表示，未来 AI 智能体的发展方向会是模型本身，而不是工作流(Work Flow)。而Manus 基于预先编排好的提示词与工具路径构成的工作流智能体，短期或许表现不错，但长期必然遇到瓶颈，核心原因就是提示驱动的方式无法扩展，也无法真正处理那些需要长期规划、多步骤推理的复杂任务。
中金公司研究部认为，相比于上述海外厂商在Agent底层技术上的创新，Manus更多是一种模式上的创新：Manus证明了多代理模式可以相对容易地实现通用AI Agent的落地，这也与海外厂商推出构建模块、统一API协议的目的比较类似；“展示过程”的形式有助于降低大众的理解门槛，提高用户对AI产物的信任度，并催化AI Agent实现大规模落地。
中金公司引用LangChain(专注于AI应用开发的开源框架提供商)调查报告显示：人们在长耗时任务中对AI Agent有较大需求，但同时，用户对AI Agent普遍存在“完成质量”或“可靠性”方面的担忧，AI Agent在复杂场景中并不一定能够持续保持响应和问题解决路径的准确性，因此有一半以上的受访者在实际使用中会为AI Agent补充跟踪和观察的控件。
抛开通用Agent早期尚存的不足，郑浅更看好通用型Agent的前景。一方面，OpenAI的Operator已经为行业“打了样”，另一方面，通用型可以通过简单化任务、小体量模型完成，在海外算力较为充足的背景下，通用型Agent比拼的主要是小模型与工程能力。模型不是越大越好，而是适合才好，工程也是Agent领域重要影响因素。
更重要的是，郑浅认为，通用型Agent可以同时自主完成不同任务，具备规划和重新规划能力，而实现这一功能的核心就是Agent另一个“大脑”——Agent Orchestrator。上文所提LLM是Agent进行思考和决策的核心组件，在多Agent系统中，LLM负责单个Agent内部语言处理和决策，Agent orchestrator负责决定哪个 Agent来处理特定的任务，以及如何在多个 Agent 之间传递信息，让Agent各司其职，最大化效率。
基于这样的逻辑，郑浅判断通用型Agent中，并行Agent将是未来趋势。但整个行业内，垂类Agent将与通用Agent长期并存甚至达成“合作”，例如垂类工具接入通用Agent平台，补足后者在具体行业方面的欠缺。
大厂蓄势，行业尚早
任何一个新兴领域，创业者都免不了面临“大厂来了”怎么办的问题。程浩称：PC互联网时代，VC对创业者最常见的问题是“你这个项目如果腾讯做了怎么办？”进入AI时代，VC仍然会问此类问题，只是腾讯变成了字节。
据记者了解，字节跳动Dev Infra团队已开发出一款功能类似Manus的智能体产品，名为Dev Agent，主要通过集成内网知识库与多种内部工具实现调研、开发、数据分析等任务。记者获悉，Dev Agent是一款实验性质的内部工具，仅面向开发部门内测使用。
在技术方面，字节此前提出基于强化学习(RL)的 LLM Agent 框架 AGILE，会主动向人类专家咨询，增强了快速适应新任务的泛化能力。产品方面，“Coze 扣子” 作为 AI bot 开发平台，堪称字节版GPTs，提供丰富的Agent工具。目前豆包电脑版APP已呈现浏览器模式，将已有AI工具汇总调用，输入“撰写一段贪吃蛇的代码并运行”，豆包可调用工具、演示过程、最终运行。
阿里主推的AI时代代表应用夸克近期推出“超级框”概念，阿里巴巴智能信息事业群总裁的吴嘉表示，“超级框”不是ChatBot或搜索，而是直接交付结果的“超级Agent”——用户在“框”中表达意图，AI会调用工具与方法来帮你写一份工作报告、旅游计划，或是一份就医指南。
目前在整个阿里集团战略布局中，夸克被寄望于搭建AI时代“超级入口”，但同时，作为试水探路者，目前夸克方面暂未尝试重投入，因此在Agent模式上，暂时处于阿里自有工具调用的早期形式，未接入增加更多算力耗费与技术复杂性的中间调优与反馈。
除上述大厂案例，记者观察到的主流Agent代表案例暂时集中于海外市场。谈及海外大厂的竞争，郑浅对记者表示，各行业有各自专攻领域。OpenAI、Anthropic及Deepmind在模型研发方面确实强大，但他们在产品开发方面表现不佳。如过去两年OpenAI推出了GPTs或Prompt Store等多款产品，但大多是失败的。
另外，Agent公司的创业核心竞争力在于其Agentorchestrator。目前虽有开源模型，但没有人开源真正的Agentorchestrator，各家公司都有独特做法。如何构建有效的AgentOrchestrator的能力在未来一两年内都将是Agent创业公司重要的核心竞争力。
目前在Agent生态构建呈现大厂定制规则、创业公司冲刺创新的局面，大厂相继推出构建模块、构建平台等Agent开发工具，打造专有生态。
2025年3月11日OpenAI发布了其第一组构建模块，通过Response API，用户通过几行代码调用OpenAI的内置工具来构建符合自身需求的Agent，而无需再专门编写调用外部工具的复杂代码，大大简化了Agent开发的流程。区别于建立一站式构建平台，Anthropic推出MCP开放标准，同样致力于提升Agent开发能力和效率。
但目前行业对MCP持有不同观点，郑浅对记者表示，MCP 更像是一个 API，虽然使用起来方便，但其可扩展性和适用性都有一定局限。如果要构建真正的通用型 Agent，仅依靠 MCP 的接口会受到限制，因为支持的软件有限。
朱哲清告诉记者，长期来看，协议统一对于某个Agent体系的构建非常重要，但目前来看，协议在短期内不会有共识，原因在于还没有哪家Agent公司已经做到最好。要等出现一家公司将Agent商业化应用做到很好的情况下，才会吸引很多人用它的工具，才有可能统一市场。而目前，即便是较早面世的MCP，所带来的价值也有限，MCP可以帮助工具标准化，但大多数情况下工具都不是标准化的。Claude集成的MCP Agent也更多处于开发者测试和体验的状态，还没有到商用的程度。
