2025年被認為將是智能體(Agent)落地元年，客戶更看重智能體的效果，生態各方為此已在摩拳擦掌。

　　智能體采購，正在成為市場熱點。

　　“如果說2023年項目中標主要圍繞智算中心、模型中臺建設，那么從今年下半年起，眾多客戶的招標內容全都轉向應用，且越來越細分。” 眾數信科聯合創始人汪中告訴數智前線，智能體開始走上臺前。

　　智能體已成為客戶、大模型企業以及各類服務商關注的核心故事。甚至一家企業能把智能體做好，就能越過大廠，成功中標。

　　對于大模型企業而言，智能體技術及工具鏈的支撐能力已成為基本要求。若在這方面表現欠佳，大概率難以與其他模型競爭。單純靠刷榜體現的優勢，如今已很難得到客戶認可。

　　不過，業界對于智能體的定義、涵蓋的具體內容，尚未達成共識。有人認為OpenAI 推出的 GPTs 是智能體;也有人認為，只有能調用工具的才算是智能體。從形式上說，不管對話機器人還是各種形式的大模型應用，從廣義上都屬于智能體范疇。

　　但有一點是業界公認的，那就是智能體必須能切實解決業務問題，至少在降本增效方面要有 10 倍、20 倍的提升，才能獲得客戶認可。因為業界越發意識到，大模型模式更難實現商業閉環，單純的燒錢模式基本難以為繼。

　　而業界這種認知，不僅重構了軟件架構，甚至在促使大模型生態企業重塑了商業模式。正如王堅博士所說，AI 不應被視為工具的革命，而應被當作革命的工具。

　　01

　　“客戶要求10倍~20倍效果”

　　“你說電商直播數字人好，那你就幫我賣東西。一單二三十元，我分你兩元。”從事生成式AI虛擬人研發的中科深智CTO宋健告訴數智前線。在電商領域，今年客戶在購買工具時變得格外謹慎，他們更傾向于按照效果付費，采用分潤或CPS(按銷售付費)模式。宋健預測，到明年，他們的直播電商數字人客戶可能 100% 都會采用這種模式。

　　“國內外智能體存在很大差異。國外可能仍類似于傳統 SaaS 模式，只是利用智能體重構了以往的軟件架構。” 宋健表示，國內的情況則更為激進一些，在一些競爭激烈的行業，比如電商領域，不僅重構了軟件架構，還重塑了商業模式。

　　這是因為客戶關注的是智能體能否切實解決問題。“無論是降低成本還是提高效率，綜合起來至少要有 10 倍、20 倍的提升才行。” 宋健進一步解釋道。

　　“客戶現在對大模型技術已經祛魅了。”眾數信科汪中向數智前線坦言，這些客戶從之前單純的基礎性采購，轉變為以應用效果為導向，要求智能體在降本、提效或拓展新業務方面創造價值。

　　“客戶不關心你是怎么實現的，只要看效果。”汪中說。目前行業內的采購模式通常是，技術廠商先迅速為客戶進行一個 PoC(概念驗證)場景驗證，雖然語料范圍可能較小，交互形式也較為單一，但要證明能夠完成客戶場景中的業務邏輯，并運用客戶專屬的業務知識。之后，客戶才會啟動采購流程。當然，他們也愿意為這些創新投入一定成本。

　　眾數信科最近做的一個PoC是氣象部門的緊急預警方案助手。廈門每年都會遭受臺風侵襲，氣象部門預測后，需要向港務局、城管等多個部門發送應急通知。這些應急報告原來需要4個專家花費3個小時才能完成。PoC的演示效果顯示，借助助手，只需1位專家1小時就能完成，效率大約提升了12倍。

　　在另一個案例中，原本無法實現的事情，現在成為了可能。在高校學生培養計劃中，存在大量評測維度。如果依靠現有的編程技術，針對上萬乃至數萬學生，只能進行一些通用評測，很難實現個性化定制。在這個案例中，針對課堂環節，多個智能體協同合作，實現了創新。例如，有的智能體負責轉錄授課語音，有的進行授課水平的分析對比;有的生成隨堂小測試卷，有的現場批改試卷;還有的針對每個學生的薄弱點，進一步推薦學習材料…… 因此，在學生評價系統中，新增了多個評測維度。

　　“每一步背后都有智能體的支撐。” 汪中總結道，隨著基礎模型能力的發展，智能體的能力和形態更為豐富，已經初步具備協同的基礎。汪中說，他們在實踐中認識到，每個智能體都要扮演一個人類的社會角色，進行社會化分工并有產出，進而有可能形成群體智慧。智能體不再是單一的工具，未來也不僅僅是單個超級智能體的出現。

　　為了達到這樣的狀態，智能體需要具備三個主要特征：能夠進行交流和理解;依據反饋和結果進行反思和自我規劃;與外部能力單元，如業務系統、其他智能體、工具級應用等進行互動和協同。

　　在智能體落地應用過程中，客戶從購買產品向購買服務的轉變趨勢愈發顯著。智能體與以往信息技術的不同之處在于，它需要持續優化和調整，而目前客戶完全依靠自身力量實現這一點，還存在難度。汪中發現，以規模在200萬元左右的項目為例，后續每年服務費的占比已從傳統信息化項目的 10%~15% 提升到 25%~30%。

　　而在競爭更為激烈的電商領域，變化更是翻天覆地。宋健注意到，電商直播數字人的迭代速度已經以天計。一旦從銷售工具轉變為提供服務，涉及的環節會變得極為繁雜。例如，需要密切關注平臺的各種規則及其調整變化;之前那種研發、產品和業務相互分離的模式已經行不通了，現在必須協同作戰，技術人員要深入一線，每天查看數據、分析運營情況，進行優化迭代;當優化措施不再奏效時，要果斷更換產品、調整客戶群體。“CPS 模式的優勢就在于，各方更容易達成共識。”

　　02

　　生態全都動起來了

　　在智能體的落地巨變中，雖然大廠仍是當下的主要推動者，但人們認為，由于智能體更看重對客戶需求的響應，未來行業智能體的產出來源主要將是兩類玩家：

　　一類是有AI原生能力的服務商。另一類則是行業傳統信息化服務商。智能體的落地并非易事，核心技能有業務場景遴選、知識萃取、智能體訓練和編排。如果不了解業務場景以及大模型的能力邊界，那么在技術響應、經驗和效率上就會非常低。這需要人工智能人士和業務人士的雙向奔赴。

　　而大廠在這一過程中，將扮演生態鏈普及角色。百度、阿里、字節、騰訊等大廠均推出了一站式智能體開發平臺。他們走的是標準路線，目的是降低智能體落地門檻、應用廣度和深度。比如，無論百度、智譜還是浪潮云，最近發布的新品，都在關注用智能體接管手機等設備的能力，實現一些擬人化操作。

　　“大家目前都在基于自身大模型，構建整體的智能體生態。”IDC中國高級分析師楊雯告訴數智前線，差異在于各家應用場景、數據積累不同，發力的優先場景和方向選擇也有所不同。業界觀察，這些企業在智能體支撐策略上差異也較大：

　　業界反饋，百度生態布局上覆蓋較全，有基礎模型，APP builder、Agent builder平臺，也有對應的硬件如一體機，可直接在客戶機房中部署。百度也支撐聯合方案開發，定制化產品適配。業界分析，這與李彥宏號召業界不卷模型、卷應用有關。

　　一些人士建議，千帆平臺可以加強除文心之外的商業化模型納管，并支持更多常見互聯網服務的插件開發。

　　在智能體方面，今年11月，百度推出工具流Agent。“Agent去年一出來特別火，但很快一盆冷水潑下來，大家發現很難用起來。我們的客戶里，90%是RAG，10%是Agent。”千帆AppBuilder產品負責人朱廣翔告訴數智前線。因為要完成一個企業級任務，可能需要幾步甚至更多，如果每一步準確率是95%，多步驟下來，衰減將非�？�。它沒辦法支撐長思考和推理。采用工作流方式，專家把流程描述好，Agent就會穩定很多，會更加落地。

　　阿里的通義千問模型能力在國內較強、反饋好，其開源模型在業界應用較多。阿里更多通過云端形態支撐應用，私有化支撐較少。這可能與阿里云的“AI驅動、公共云優先”戰略有關。在智能體產品方面，阿里通義實驗室新推出了自適應規劃的多模態檢索智能體OmniSearch，能模擬人類，將復雜問題逐步拆解進行智能檢索規劃。

　　字節目前在大力推廣扣子私有化部署產品，即今年8月推出的HiAgent企業專屬AI應用創新平臺。與年初打響大模型價格戰異曲同工，這次仍通過價格戰，搶占市場。不過，它目前還不搭配模型，即字節豆包模型還沒有私有化;不做應用，沒有硬件，嘗試基于HiAgent平臺教會客戶去搭建Agent應用。它的打法和支撐條件還有待體系化，這與其剛剛啟動大模型私有化業務線不無關系。

　　而騰訊在智能體上的布局，也和其在大模型落地上優先賦能自身產品矩陣的“全家桶”策略類似，更加關注與自身擁有龐大流量的自家產品的結合。比如今年9月，騰訊元器上線的新功能，就支持公眾號運營者自主打造專屬智能體應用，在公眾號內提供陪伴、互動、答疑、知識交流等智能化功能，目的是提升用戶體驗和公私域運營效率。

　　除了大廠，“AI六小虎”的智譜AI最近不斷更新智能體技術。智譜的優勢在于科研能力較強，一些開發者反饋，其模型的某些性能，超過了通義千問。但目前生態方面的支持還有待加強。

　　在前不久召開的智譜Agent OpenDay上，智譜CEO張鵬表示，Agent可以看作是大模型通用操作系統的雛形，理論上，可以將其推廣到手機端、PC端、車端等各類智能設備上，實現基于大模型的互聯互通。

　　“將來的智能體，一定是跨系統操作的，這是0跟1的區別，而不是60分和70分的區別。”一位資深行業人士觀察，跨系統、跨App的能力，目前已成為兵家必爭之地。

　　中國電信在今年9月開始智能體平臺的開發，近期展出了星辰智能體應用平臺。中國電信相關人士告訴數智前線，目前針對政企的標桿項目正在打造之中。

　　雖然大廠動作不斷，但業界期望他們支撐智能體的速度要更快。“目前的速度無法跟上廣泛的客戶需求。更多業務邏輯沒有充分體現，也就是客戶專屬知識與大模型技術的結合問題，這也是業界在落地上非常關注的。這側面說明，大模型企業向客戶方向靠攏，尚需一個過程。

　　03

　　智能體，何時爆發?

　　智能體的大方向已成，但何時能夠真正爆發?

　　多位行業人士均向數智前線表示，這很大程度取決于模型能力的發展及市場教育進程。

　　“我們有一個簡單判斷，GPT5什么時候能出來，會是一個很直觀的對標時間點。”眾數信科聯合創始人汪中說。

　　智譜AutoGLM 技術負責人劉瀟也告訴數智前線，去年智能體還只能滿足用戶10%-20%的預期，用戶就不太愿意買賬，今年達到了50%-60%，一些用戶開始意識到這件事情有用，而當智能體能滿足用戶70%-80%的預期時，應用鋪開的速度將非�？臁Ｋ�判斷大模型能力達標大概還需半年。

　　中科深智CTO宋健則表達了不一樣的觀點。他認為，Agent要真正爆發，必須真的滲透到行業里頭，但To b鏈條的爆發，“明年應該還到不了特別大的規模”。

　　IDC中國高級分析師楊雯也告訴數智前線，于B端來說，若無法徹底解決大模型的幻覺問題，達到100%的精準度，大規模應用仍然難以實現。智能體爆發，預計可能要1至1.5年時間。

　　“目前而言，智能體仍處于市場混戰階段，距離成為終極入口標準還有一定的路程。”楊雯說。

　　但不可否認的是，面向這一確定的方向，處在智能體爆發前夕的玩家們，無一例外，都在通過各種工程化的能力和一系列技術，彌補模型能力不足，提前搶占先機。

　　“我們測試過大量基礎模型，它們的Function Call能力在10個工具里去選，還是比較準的，一旦超過10個，準確度就大幅衰減，但在實際的應用場景中，執行步驟大概率都超過了10個，為了更好的實現業務可控性，我們首創了基于狀態機的智能體workflow(工作流)，在保證智能體自規劃、自治性能力不受影響的前提下，實現業務的精準可控。”汪中說。

　　智譜劉瀟也透露，他們正通過更好的強化學習策略，讓智能體能夠執行更長的步驟操作。

　　業界目前也都在研究工作流。“正因為有了工作流，我們發現雖然只增加了一層，但是Agent的落地增長就非�？欤�能看到很快到兩成。”百度朱廣翔說，預測明后兩年，Agent會逐漸超過RAG應用，因為RAG場景較少，只是問答;但Agent可以實現客服、營銷、企業調度、一站式平臺，天花板更高。

　　有行業人士認為，智能體的應用可以至少分為從低到高三個應用層級，目前市場上已經出現不少初級應用和中級應用，高級應用則還需進一步實現。

　　比如豆包、kimi、文小言等，被認為可以看作是最為初級的智能體。它們具備簡單的語言交互和任務理解能力，聽得懂人話，能夠根據指令，去執行一些簡單的操作。“目前絕大多數的智能體是單智能體的初級應用，包括很多GPTs，能夠簡單的做問答等任務執行。”IDC楊雯說。

　　中級應用還要更深一層，展現形式已經脫離單純的Chatbot形態，不再僅僅是對話框模式，規劃能力和復雜度也進一步提升，使用的工具不再是聯網搜索、天氣查詢等簡單插件，而是需要有對應場景內的專業插件和能力，能完成更復雜的場景任務。

　　“比如智能客服，就是非常典型的一個Agent應用，比以前可能會有10倍甚至20倍的一個變化，現在我們接到的很多電話，其實都是新的Agent打出來的，你跟它聊半天，可能還以為它是個真人。”宋健說，而且，與傳統客服相比，軟件設計也變得更加簡便。

　　“第三個級別，也是我們現在在努力去實現的。它除了更豐富的交互形態，能夠完成復雜任務，還會額外再增加兩個標簽。”汪中告訴數智前線。

　　其一是能夠了解場景背后的業務邏輯和知識脈絡。“它可能不再那么通用，但它的專業性更強。而如果沒有，它還會主動去尋求這些行業知識的支撐。”

　　其二，從插件和工具的使用能力上來說，它能夠讀懂現有的業務系統，將現有的業務系統作為其能力插件來源的一部分，而不再只能使用為它定制的插件。

　　汪中舉例說，他們正在與船舶貨運公司進行港務調度助手的研發試點，在他看來就是一種高級應用。

　　一艘船靠岸后，往往需要進行卸貨、轉運、洗艙、船員登記、物資補給等大量工作，原來這些工作主要靠人工去安排和調度，再登記進入車輛管理系統、補給管理系統等對應的若干個系統里，給到對應的執行單位執行。而現在，客戶提出，希望用AI智能體來幫助現場員工，在繁雜的信息流和工作流中，由智能體進行初步的信息收集、分析、業務建議，成為現場員工的“數字同事”。

　　當然，更高級的應用，仍然有賴于模型能力和工程化能力的提升。