文｜ 適道 獅刀 Rika
編輯｜騰訊科技 鄭可君 郝博陽
2023年底，斯坦福大學發(fā)布了一款引發(fā)轟動的AI實驗項目——"小鎮(zhèn)模擬游戲"。在這個虛擬小鎮(zhèn)里，25個AI角色能夠自主交談、建立關(guān)系、制定計劃，展現(xiàn)出了令人驚嘆的社交能力。這個實驗讓人們第一次對AI Agent（智能體）產(chǎn)生了期待——具有自主意識和決策能力的AI助手指日可待。
一年過去了，AI Agent的概念在業(yè)界炙手可熱。微軟、Google等科技巨頭紛紛布局，初創(chuàng)公司們也爭相推出各類"Agent"產(chǎn)品。然而，當我們仔細觀察這些號稱是"Agent"的產(chǎn)品時，會發(fā)現(xiàn)一個尷尬的現(xiàn)實：它們與真正的Agent相去甚遠，更像是僅僅具備自然語言理解能力的對話機器人。
這種"形似神不似"的現(xiàn)象，在AI硬件領(lǐng)域也不斷上演。2024年10月，智能戒指品牌Oura推出了最新款Oura Ring 4，并"識時務(wù)"地加入了AI功能。很快，Oura估值超50億美金，成為了商業(yè)化最成功的"AI硬件"廠商之一。然而，一個共識是：Oura的成功與AI關(guān)系并不大，其核心價值仍在于健康追蹤這一基礎(chǔ)功能。相比之下，真正主打AI的硬件產(chǎn)品，如AI Pin、Rabbit R1卻遭遇了"上市即翻車"的命運。
什么稱得上AI Agent？隨手打開一個大模型APP，映入眼簾的Prompt Agent？還是編程領(lǐng)域的專業(yè) Agent Cursor？亦或是鋼鐵俠的全能助手Jarvis？
美國VC Madrona合伙人Jon Turow曾指出：當你聊過足夠多的從業(yè)者，你會發(fā)現(xiàn)有一系列不同概念的東西，它們都叫做Agent 。
如果將AI Agent形容為一場馬拉松，2025年的AI Agent行至何處？
2024年AI Agent觀察：一半是海水，一半是火焰
熱鬧的景象：各路玩家就位
2024上半年，大模型價格戰(zhàn)還在轟轟烈烈進行；下半年，AI Agent爭奪戰(zhàn)就已經(jīng)蓄勢待發(fā)。
海外市場，OpenAI、Anthropic、微軟、谷歌等科技巨頭紛紛公布相關(guān)進展，將自家Agent實力當作牌桌上的重要籌碼。
10月，Anthropic 推出了名為“Computer Use”的AI Agent系統(tǒng)，號稱能夠“像人一樣操作計算機”。這是一個特殊API，允許開發(fā)者指導 Claude完成各種計算機操作任務(wù)——觀察屏幕內(nèi)容、移動鼠標、點擊按鈕以及打字等等。開發(fā)者可以通過該 API 將書面指令轉(zhuǎn)換為具體的計算機指令，從而實現(xiàn)自動化任務(wù)。
微軟也是AI Agent的重要推動者。2024年10 月，微軟公布了一項重要計劃：面向 Dynamics 365業(yè)務(wù)應(yīng)用平臺，開發(fā)部署10款AI Agent——將主要服務(wù)于企業(yè)的銷售環(huán)節(jié)、會計業(yè)務(wù)以及客戶服務(wù)等關(guān)鍵領(lǐng)域。按照時間表，這些AI Agent將在年底開放公測，測試階段預計延續(xù)到 2025 年初期。
谷歌的反應(yīng)相對較慢，但在年底也趕上了進度。12月，谷歌發(fā)布了全新多模態(tài)大模型Gemini 2.0。在新模型的加持下，谷歌內(nèi)置了三款AI Agent——“通用大模型助手”Project Astra、“瀏覽器助手”Project Mariner 和“編程助手”Jules。
“編程助手”Jules能夠作為自主代理直接集成到GitHub的工作流程系統(tǒng)中，分析復雜的代碼庫，跨多個文件實施修復，并準備詳細的拉取請求，無需持續(xù)的人工監(jiān)督；而在游戲《部落沖突》演示中，谷歌AI Agent不僅能夠向玩家介紹兵種特性，給出組合建議，還可以在Reddit檢索信息，為玩家提供角色選擇建議。
OpenAI雖然是基礎(chǔ)模型的領(lǐng)先者，在Agent方面布局卻略顯遲緩。7月，OpenAI 更新AGI路線圖，并指出自己處于第一層，接近達到第二層；而第三層才是AI Agent。
OpenAI預計將于2025年1月推出全新AI Agent——Operator，該系統(tǒng)能夠自動執(zhí)行各種復雜操作，包括編寫代碼、預訂旅行、自動電商購物等。據(jù)悉，Operator可能會在Computer use的基礎(chǔ)上進行大幅度創(chuàng)新和應(yīng)用簡化，擴大AI Agent的使用范圍和應(yīng)用場景。
國內(nèi)市場，百度、阿里、騰訊、智譜等大廠也紛紛入局。
在B端，百度文心智能體平臺、騰訊元器、訊飛星火智能體創(chuàng)作中心、通義智能體、字節(jié)扣子等面向企業(yè)用戶提供了智能體創(chuàng)建平臺，并開始在其AI智能助手界面中添加AI Agent入口。
在C端，支付寶旗下AI App支小寶、智譜AutoGLM點燃了消費者用戶的激情。根據(jù)演示，智譜AutoGLM能夠瀏覽并理解屏幕信息，做出任務(wù)規(guī)劃，實現(xiàn)手機上常用操作的模擬執(zhí)行——只需接收簡單的文字/語音指令，它就可以模擬人類操作手機，在朋友圈點贊，在美團點外賣，在攜程訂酒店等等。
冷靜的現(xiàn)實：當我們在談?wù)揂I Agent時，到底是在談?wù)撌裁矗?/h4>
如果只看到上述的熱鬧景象，你大概會得出結(jié)論——2024年是AI Agent的當打之年。
但用戶能夠真正依賴的AI Agent，其實寥寥無幾。
只需花3秒鐘思考——你喜歡用哪幾款AI Agent？如果你是程序員，答案可能只是Cursor。如果我們換個問題——你喜歡用哪幾款AI大模型？答案會五花八門，比如ChatGPT、Gemini、Claude、Kimi等等。
至少從實感來說，目前大熱的AI Agent仍是“虛火”。
主因是“不靠譜”和“雞肋”。AI Agent依賴LLM“黑盒”，本身就存在不可預測性，而工作流程更是要將多個AI 步驟連接起來，會加劇這些問題，尤其是對于需要精確輸出的任務(wù)。用戶難以確保Agent能否始終提供準確、符合上下文的響應(yīng)。
LangChain發(fā)布的State of AI Agents可以作為重要參考。其調(diào)查涉及的1300多位受訪者指出，性能質(zhì)量（41%）是首要關(guān)注點，重要性遠超成本（18.4%）和安全（18.4%）等因素。甚至對于向來格外關(guān)注成本的小企業(yè)而言，其中45.8%將性能質(zhì)量列為主要關(guān)注點，成本因素僅為22.4%。同時，報告指出，生產(chǎn)中采用AI Agents的主要挑戰(zhàn)包括：開發(fā)人員很難向團隊和利益相關(guān)者解釋 AI Agent 的功能和行為。
此外，雖然AI Agent依賴的基座LLMs在Tool use方面表現(xiàn)不錯，但它們速度不快且成本高，特別是需要進行循環(huán)和自動重試時。WebArena 排行榜對 LLM智能體在現(xiàn)實任務(wù)中的表現(xiàn)進行了基準測試。結(jié)果顯示，即便是表現(xiàn)最好的模型SteP，成功率也只有35.8%，而GPT-4的成功率僅達到14.9%。
那么，市面上不能“完全自理”的AI Agent算得上Agent嗎？
如果我們按吳恩達的思路就很好理解了——AI Agent是可以分層級的。他提出了Agentic System（智能體系統(tǒng)），并認為形容詞“Agentic”比名詞“Agent”能更好地幫助我們理解這類智能體的本質(zhì)。如同自動駕駛汽車L1-L4，Agent的進化也是一個過程。
BabyAGI創(chuàng)始人Yohei Nakajima對于AI Agent的分類，同樣值得參考。
1、手工制作Agent：由 Prompt和API 調(diào)用組成的鏈條，具有一定自主性，但約束較多。
特征：流水線機器人，按照固定步驟完成任務(wù)。
舉例：它就像一個專門訂票的助手——當你告訴航班需求時，它能夠直接調(diào)用API搜索并完成預訂；然而一旦涉及復雜行程規(guī)劃，手工制作Agent就會“卡住”（歡迎大家代入產(chǎn)品）。
2、專業(yè)Agent：在一組任務(wù)類型和工具內(nèi)動態(tài)決定要做什么，比手工制作Agent約束少。
特征：嫻熟工匠，能夠在特定領(lǐng)域（比如木工）熟練地使用工具，不僅能按照要求制作家具，還能根據(jù)實際需求調(diào)整設(shè)計，調(diào)用材料。
舉例：AutoGPT通過CoT技術(shù)分解復雜問題，動態(tài)選擇最優(yōu)解決路徑。面對一個市場研究任務(wù)，AutoGPT能自動分解任務(wù)為“搜索趨勢”“整理數(shù)據(jù)”“生成報告”等子任務(wù)并完成。
3、通用Agent：Agent的AGI——目前還處于理論概念階段，尚未實現(xiàn)。
特征：全能助手，就像鋼鐵俠的Jarvis。你可以詢問它任何問題，它不僅能理解你的需求，還能結(jié)合知識和環(huán)境動態(tài)適應(yīng)，提供創(chuàng)新解決方案。
舉例：還沒有真正能實現(xiàn)的產(chǎn)品，相關(guān)研究包括更強的多模態(tài)交互和長期記憶優(yōu)化。
處于當前的歷史節(jié)點，Prompt Agent數(shù)量最多，表現(xiàn)為大模型APP里的遍地Agent；垂直領(lǐng)域的專業(yè)Agent正處于爆點，并因其實用性備受資本青睞；人類所期待的真正Agent——全能助手Jarvis，有待關(guān)鍵技術(shù)突破。這也意味著未來一段時間內(nèi)，我們能看到更多“L1-L4”之間的技術(shù)進化。
這一年AI Agent“皮下”技術(shù)進化到哪兒了？
根據(jù)Lilian Weng列舉的公式：Agent = LLM+Memory+Planning skills+Tool use
假設(shè)你是黑暗料理界的“五虎星”。LLM代表你的知識儲備，包含所有菜系菜譜；Memory類似于你的廚師筆記，記錄著不同食客的口味需求，輸給“小當家”的歷史教訓；Planning好比你的做菜規(guī)劃，面對不同要求，是先炸再烤，還是先煮再炸；Tools則是你的魔法廚具，包括如何調(diào)用不同刀具（軟件），幫助執(zhí)行復雜的任務(wù)。
AI Agent的突破取決于各項技術(shù)的進步。
首先是LLM。在GPT5這樣的強悍“大腦”出現(xiàn)之前，OpenAI就發(fā)現(xiàn)了推理引擎的能力。
2024年10月，OpenAI高級研究科學家、德?lián)銩I之父Noam Brown提出：讓AI模型思考20秒所帶來的性能提升，相當于將模型擴大100,000倍并訓練100,000倍的時間。
Brown所指的技術(shù)便是System 1/2 thinking，正是OpenAI o1長出“推理能力”的秘訣。
System 1，即“快思考”，你看到一只蘋果，不需要思考，就知道這是水果；System 2，即“慢思考”，你要做一道17*24的數(shù)學題，則需拆解步驟來思考，答案才更準確。
近期，谷歌DeepMind研究人員也將這項技術(shù)集成到AI Agent中，并開發(fā)了Talker-Reasoner框架。System 1是默認運行的“快速模式”，而System 2作為“備用引擎”隨時待命。當System 1感到困惑時，會將任務(wù)交給System 2處理。“雙引擎”共同運行，對于解決復雜、冗長的任務(wù)幫助巨大，突破了傳統(tǒng)AI Agent執(zhí)行業(yè)務(wù)流程的方法，極大提升了效率。
其次是記憶機制。當生成式AI開始“胡言亂語”，或許不是性能問題，而是記憶力不佳。這時候就需要RAG（檢索增強型生成）來幫忙。它是LLM“外掛”般的存在，能夠利用外部知識庫為LLM提供相關(guān)上下文，防止LLM不懂裝懂。
然而，傳統(tǒng)RAG流程只考慮一個外部知識源，不能調(diào)用外部工具；僅生成一次性解決方案，上下文只檢索一次，不能進行推理或驗證。
在此情況下，融合Agent能力的RAG應(yīng)運而生。雖然Agentic RAG在整體流程上與傳統(tǒng)RAG一脈相承：檢索-合成上下文-生成，但其融入了Agent自主規(guī)劃能力，能夠適應(yīng)更加復雜的RAG查詢?nèi)蝿?wù)——決定是否需要檢索；自主決策使用哪個檢索引擎自主規(guī)劃使用檢索引擎的步驟；評估檢索到的上下文，并決定是否重新檢索；自行規(guī)劃是否需要借助外部工具。
如果說，原始RAG是坐在圖書館查看特定問題；那么，Agentic RAG就像拿著iPhone，調(diào)用Google瀏覽器、電子郵件等等搜索問題。
此外，2024年YC孵化的開源Mem0項目，也有望成為RAG助手，并為AI Agent插上個性化記憶的翅膀。
Mem0像是大腦的“海馬體”，為LLM提供了一個智能、自我優(yōu)化的記憶層。它能進行信息分層存儲——將短時信息轉(zhuǎn)化為長期記憶。類似于，你會整理“新學知識”，而后存入腦海；它還能建立語義鏈接——通過語義分析為存儲的知識創(chuàng)建關(guān)聯(lián)網(wǎng)絡(luò)。類似于，你告訴 AI自己喜歡看偵探電影，它不僅能記住，還會推測你可能喜歡的犯罪紀錄片。
基于此，Mem0能夠顯著提升AI Agent個性化記憶——動態(tài)記錄用戶偏好、行為和需求，創(chuàng)建“私人記事本”。例如，當你告訴AI Agent下周是媽媽生日，它不僅會及時提醒你送上祝福，還會根據(jù)“記憶中”你和媽媽的喜好，給出送禮建議，甚至能夠跨平臺“貨比三家”，奉上購物鏈接。
在RAG方面的突破不止于此，俄亥俄州立大學和斯坦福大學的科學家團隊提出了一個有趣的思路：讓AI擁有一個類似人類海馬體的“記憶大腦”。他們從神經(jīng)科學的角度出發(fā)，模仿人腦海馬體在長期記憶中的作用，設(shè)計出一個名為HippoRAG的模型，像人腦一樣高效地整合和搜索知識。實驗表明，“記憶大腦”能夠在多跳問答等需要知識整合的任務(wù)上取得大幅提升。或許探索出讓大模型具備“類人”記憶的一個全新方向。
Tool use的進步更是肉眼看見。例如，Claude的Computer Use，通過構(gòu)建API，將自然語言提示轉(zhuǎn)化為各種電腦操作指令，由開發(fā)者自動化重復性的任務(wù)、進行測試和質(zhì)量保證，以及開放式研究。從此，AI不需要一個個專門的API“鑰匙”也能“一次性”調(diào)用各種軟件完成各種操作：用Word寫文檔，用Excel處理表格，用瀏覽器搜索信息。雖然如此，目前Computer Use能力還不完善：不能在內(nèi)部數(shù)據(jù)上訓練該功能；受限于上下文窗口等等。Anthropic團隊也表示，現(xiàn)在Claude的計算機使用水平只處于類似“GPT-3 時代”的早期階段，未來還有很大提升空間。
值得注意的是，AI Agent的視覺能力也取得了進步。例如，智譜發(fā)布的 GLM-PC 將其通用的視覺-操作模型 CogAgent 應(yīng)用到了計算機上。其能夠模擬人類的視覺感知來從環(huán)境中獲取信息輸入，以進行進一步的推理和決策。
規(guī)劃能力方面。Planning包含任務(wù)分解——將大任務(wù)劃分成小任務(wù)；反思和提煉——基于已有動作進行自我反思，從錯誤中學習優(yōu)化接下來的動作。
目前，有論文提出更為新穎的分類法：任務(wù)分解、多計劃選擇、外部模塊輔助規(guī)劃、反思與細化、記憶增強規(guī)劃。其中，多計劃選擇，即給AI Agent一個“選擇輪”，生成多個計劃，挑一個最好的來執(zhí)行；外部模塊輔助規(guī)劃，即借助外部規(guī)劃器，類似強化學習的判官。記憶增強規(guī)劃，就像 一個記憶面包，記住過去經(jīng)驗，為將來規(guī)劃提供幫助。這些方法并不孤立，而是相互交織，共同提升AI Agent的規(guī)劃能力。
一年以來，Agent“皮下”各項能力均取得了進步，其中Tool use能力已經(jīng)初步落地；記憶機制的進步非常值得期待；LLMs的進步則取決于巨頭的能力邊界等等。但對于Agent而言，其能力的最大化并非各項技術(shù)簡單的加成，任何一項技術(shù)的突破均有望使其迎來質(zhì)變。
未來，AI Agent進化的重要挑戰(zhàn)包括但不限于：如何實現(xiàn)低延遲、帶視覺理解的實時反饋；如何構(gòu)建個性化的記憶系統(tǒng)；如何在虛擬與物理環(huán)境都具備魯棒的執(zhí)行能力等等。只有當AI Agent從“工具”到“工具使用者”時，真正的Killer Agent就會出現(xiàn)。
資本的選擇——大模型遇冷，AI Agent當立
有人說，現(xiàn)在大模型卷不動了，要卷就卷AI Agent。
2024年，曾經(jīng)爭做“做中國OpenAI”的大模型公司不得已食言，以“六小虎”智譜AI、零一萬物、百川智能、MiniMax、月之暗面和階躍星辰為例，多數(shù)公司已經(jīng)開始進行業(yè)務(wù)調(diào)整，甚至人員縮減。大廠憑借其雄厚的家底，還能繼續(xù)卷研發(fā)；更多初創(chuàng)企業(yè)被迫直面現(xiàn)實，轉(zhuǎn)向大模型應(yīng)用層面，尋求更低的成本和更快的回報。
同時，敏銳的資本也將目光投向了AI應(yīng)用層。
桔子IT數(shù)據(jù)顯示，2024年前9個月，國內(nèi)AI領(lǐng)域發(fā)生了317起融資案例，月均融資金額42億元，不到去年的兩成。其中，融資最多的5家公司拿走了超212億，相當于今年國內(nèi)AI融資總額的63%。
值得注意的是，大模型和AI Agent項目受投資人的關(guān)注度最高——大模型發(fā)生19起融資案，AI Agent發(fā)生了18起。其次是AI視頻生成（10%），剩下50%投資案例的方向較為分散，被19個方向瓜分。
由此，在大模型“贏家通吃”的局勢下，AI Agent既是AI初創(chuàng)公司的最佳方向，也是海內(nèi)外資本的篤定之選。
YC合伙人、資深投資人Jared指出，垂直領(lǐng)域 AI Agent 作為一種新興B2B 軟件，有望成為比SaaS大10倍的新興市場。憑借替代人工操作、提升效率的顯著優(yōu)勢，這一領(lǐng)域可能催生出市值超過3000億美元的科技巨頭。
投資人所看中的AI Agent都長什么樣？
最出圈的當屬AI編程神器Cursor。原因不外于代碼是LLMs最容易掌握的能力，其生成的訓練數(shù)據(jù)主要來自GitHub上的開源代碼，大部分都是“有效數(shù)據(jù)”。此前，Cursor是根據(jù)用戶需求，提供建議代碼。如今，Cursor可以直接以實現(xiàn)需求為目的，一口氣幫助你創(chuàng)造代碼文件，準備好運行環(huán)境。你只需點擊啟動按鈕，就可以運行代碼。
除此之外，即便2024年尚未產(chǎn)生真正的Killer Agent，但實際上在細分領(lǐng)域，Agent已經(jīng)有遍地開花之勢了。
根據(jù)YC團隊的最新分享。目前已經(jīng)獲得投資的Agent項目大多在toB領(lǐng)域。
問卷調(diào)查和分析：Outset將 AI Agent應(yīng)用于問卷調(diào)查和分析領(lǐng)域，可以替代傳統(tǒng)的人工調(diào)查和分析工作，例如 Qualtrics等公司提供的服務(wù)。
軟件質(zhì)量測試：Mtic利用 AI Agent進行軟件質(zhì)量測試，可以完全取代傳統(tǒng)的 QA 測試團隊。與之前的 QA 軟件即服務(wù)公司（如 Rainforest QA）不同，Mtic不僅提高了QA 團隊的效率，還能完全取代人工測試。
政府合同競標：Sweet Spot利用 AI Agent自動搜索、填寫政府合同的標書，可以替代人工完成這些繁瑣的任務(wù)。
客戶支持：Powerhelp利用 AI Agent，自動完成人工接聽電話、回復郵件和解決問題，并且能夠根據(jù)用戶提問和歷史記錄提供個性化的解決方案，提升其滿意度。
人才招聘：Priora和Nico，利用 AI Agent進行技術(shù)篩選和初步招聘，可以替代人工完成這些任務(wù)。
用吳恩達的發(fā)言做總結(jié)：通往 AGI 的道路感覺更像是一段旅程，而不是一個目的地。但我認為Agent式工作流，可以幫助我們在這個非常漫長的旅程中向前邁進一小步。換句話說，即便我們暫時無法擁有“全能Agent”，但多個垂直領(lǐng)域的專業(yè)Agent逐漸出現(xiàn)，將讓我們不斷獲得近似擁有Jarvis的體驗。
2025年：有望成為AI Agent商用爆發(fā)元年
近日，前OpenAI聯(lián)創(chuàng)、SSI創(chuàng)始人 Ilya Sutskever直接宣布：預訓練從此將徹底終結(jié)——我們只有一個互聯(lián)網(wǎng)，訓練模型需要的海量數(shù)據(jù)即將枯竭，唯有從現(xiàn)有數(shù)據(jù)中尋找新的突破，AI才會繼續(xù)發(fā)展。
Sutskever用人類大腦發(fā)展進行類比：正如人類大腦體積停止生長后，人類智慧仍在進步。AI未來發(fā)展將轉(zhuǎn)向在現(xiàn)有LLM上構(gòu)建 AI Agent和工具。他預測，以后的突破點，就在于智能體（Agentic）、合成數(shù)據(jù)和推理時計算。其中，能夠自主完成任務(wù)的AI Agent，是未來的發(fā)展方向。
值得注意的是，與吳恩達一樣，Sutskever同樣使用“形容詞”Agentic描述智能體。
根據(jù)線性資本Bolt觀點：我們可以用少量的、適量的、高度的Agentic“能力”描述Agent應(yīng)用的能力。例如，Router（路由）類系統(tǒng)使用LLM將輸入路由到特定的下游工作流中，具有少量的Agentic能力；State Machine（狀態(tài)機）類系統(tǒng)使用多個LLMs來執(zhí)行多個路由步驟并且有能力確定每個步驟是繼續(xù)還是完成，具有相當?shù)腁gentic能力；而Autonomous（自主體）類系統(tǒng)更進一步，能夠使用工具甚至創(chuàng)造合適的工具去推進系統(tǒng)的進一步?jīng)Q策，具備完全的Agentic能力。
基于此，廠商在強調(diào)產(chǎn)品的Agent屬性前，不妨先回答“How agentic my system is？”
當前不少領(lǐng)域的專業(yè)AI Agent依然不夠成熟。相關(guān)調(diào)查顯示，輸出不精確、性能差強人意、用戶不信任等問題困擾其落地。但如果我們換個思路：短期內(nèi)商業(yè)化最成功的AI Agent，不一定是看起來“Agentic化”最高的產(chǎn)品；而是能夠平衡性能、可靠性，以及用戶信任的產(chǎn)品。
順著這條思路，專業(yè)AI Agent最有前途的發(fā)展道路可能是：先重點應(yīng)放在利用AI增強現(xiàn)有工具，而不是提供廣泛的全自主獨立服務(wù)。
用人機協(xié)同的方法，讓人類參與監(jiān)督和處理邊緣案例。根據(jù)當前的能力和局限，設(shè)定不脫離現(xiàn)實的期望。通過結(jié)合嚴格約束的LLMs、良好的評估數(shù)據(jù)、人機協(xié)同監(jiān)督和傳統(tǒng)工程方法，在自動化等復雜任務(wù)方面實現(xiàn)可靠且良好的效果。
例如，紅杉投資組合中的Rocks公司，其Agent是將人類員工融入其中。最初，Rocks開發(fā)了一項自動撰寫、自動發(fā)送電子郵件的技術(shù)。但他們發(fā)現(xiàn)將人類銷售納入流程時，表現(xiàn)提升了333倍。于是，Rocks移除了自動發(fā)送的功能。
根據(jù)具體業(yè)務(wù)場景，有些公司可以開發(fā)Agent完成任務(wù)的技術(shù)，比如網(wǎng)絡(luò)安全領(lǐng)域的Expo；而有些公司則盡量選擇用Agent“增強”人類員工，比如Rocks。
那么，2025年會發(fā)生什么？
首先，不止是編程，更多垂直領(lǐng)域?qū)⑴艹觥胺N子選手”。紅杉合伙人 Konstantine Buhler預測：醫(yī)療和教育等“高服務(wù)成本”領(lǐng)域?qū)⒊蔀?AI 技術(shù)的下一個重要戰(zhàn)場。
同時，根據(jù)LangChain報告顯示：人們希望將耗時任務(wù)交給AI Agent——充當“知識過濾器”：快速提煉關(guān)鍵信息，用戶無需自己手動篩選海量數(shù)據(jù)；“生產(chǎn)力加速器”：協(xié)助用戶安排日程、管理任務(wù)，讓人類專注于更重要的工作；“客服神助攻”：幫助企業(yè)更快地處理客戶咨詢、解決問題，大幅提升團隊的響應(yīng)速度。
換句話說，所有耗時、耗力、耗成本的工作有望率先被垂直領(lǐng)域?qū)I(yè)AI Agent替代。
其次，AI Agent部署將由“單”變“多”。一方面，AI Agent將從單一智能體發(fā)展到“群體協(xié)作”模式。2025年會出現(xiàn)更多Multi-agent模式，多個Agent 扮演不同角色合作完成任務(wù)。例如，清華面壁智能的開源項目ChatDev。每個 Agent 被賦予了不同的身份，有的是 CEO，有的是產(chǎn)品經(jīng)理，有的是程序員，它們能夠彼此互相合作，共同完成任務(wù)。
另一方面，隨著?模型對圖像和視頻信息的處理能?快速提升，2025年將開始出現(xiàn)更為綜合性的多模態(tài)交互，AI能夠通過物聯(lián)?、特定信息等多種感知通道進?協(xié)同。多模態(tài)輸?和輸出使AI交互性更強、交互頻次更?，適?場景也更加豐富，AI產(chǎn)品整體?平顯著提升。
其中，Agent作為融合感知、分析、決策和執(zhí)?能?的智能體，其交互的主動性和?動化遠超現(xiàn)有工具。
根據(jù)量子位智庫觀察：從技術(shù)和配套設(shè)施兩??發(fā)展來看，從2025年開始，AI Agent即將?泛投?使?。AI Agent有望帶來獨屬于AI 2.0時代的交互?式、產(chǎn)品形態(tài)和商業(yè)模式。
結(jié)語
在電影《2001：太空漫游》的開頭，一群草食人猿掙扎在饑餓和死亡的邊緣，人猿首領(lǐng)偶然揮舞了一下手里的棒骨，“發(fā)現(xiàn)”它居然是一件趁手的工具。從此，他們開始狩獵小動物，成為食肉動物，逐步站上了食物鏈頂端。
如果未來的人類俯瞰2025年，可能會發(fā)現(xiàn)，這又是一個人類進化的關(guān)鍵時刻，而AI Agent正是那根趁手的“棒骨”。
正如Andrej Karpathy所言，AI Agent代表著一個瘋狂的未來。
有趣的是，Agent一詞源于拉丁語的Agere，意思是“to do”。
如何抓住這個瘋狂的未來？你可能只需要“Agent”。