0
眼下，Agent正在成為AI應用最具爆發(fā)性的方向之一：資本大力押注、玩家競相入局，企業(yè)也爭先恐后落地Agent，唯怕掉隊。
根據(jù)IDC預測，中國企業(yè)級Agent應用市場規(guī)模在2028年保守估計將達到270億美元。
喧囂之下，Agent落地困境也逐漸顯現(xiàn)。一方面，Agent執(zhí)行任務的廣度、深度和效率仍受技術限制，比如用多Agent解決復雜問題，可能需要等半小時甚至更久。另一方面，模型怎么選、應用場景在哪、Agent如何部署等難題也成為企業(yè)的困惑。
機遇與挑戰(zhàn)并存，廠商玩家們時刻思考自身在Agent賽道上的角色：
有玩家自我定位為“全棧人工智能服務商”，憑借AI和云基礎設施優(yōu)勢向全局發(fā)力；有玩家選擇“強強聯(lián)合”，共同切下Agent應用市場的一塊蛋糕；有玩家則致力于成為小而精的“專業(yè)者”，試圖以垂直領域know-how在Agent賽道爭得一席之地。
百舸爭流中，一些先行者嘗試給出自己的階段性思考。（本文作者為雷峰網(wǎng)主筆，長期關注Agent領域，歡迎添加微信skylar_12_14交流。）
擁擠的Agent賽道，頭部玩家何以突圍？
從全球范圍看，在Agent賽道，AI巨頭和云大廠是兩大玩家。
在Agent商用元年，玩家們不約而同采取同樣的策略：先降低企業(yè)使用Agent的門檻，爭奪企業(yè)級市場。
依托底層大模型能力，AI巨頭在Agent賽道上具備先發(fā)優(yōu)勢。
比如頭號玩家OpenAI基于ChatGPT的模型能力推出ChatGPT Agent。但其野心不止于此，還開始進軍Agent開發(fā)平臺，推出企業(yè)級開發(fā)套件AgentKit。
與此同時，更為“全能型”的云大廠則憑借云與AI等基建設施、龐大客戶群和廣泛的平臺生態(tài)，成為Agent賽道里的主力玩家。
對于云廠商而言，布局Agent具有重要的戰(zhàn)略意義：Agent是未來的資源消耗大戶，其給云業(yè)務帶來的增長潛力不容小覷。
比如，Google基于Gemini系列模型的能力，推出Gemini Enterprise（Gemini企業(yè)版），為企業(yè)提供構建Agent的無代碼工具和Agent庫。AWS推出Amazon Bedrock AgentCore，為企業(yè)構建Agent提供從開發(fā)到上線的能力底座。
也有云大廠如阿里云等，憑借“全棧AI服務商”的定位展開了更全面的布局。
比如在模型層，通義大模型家族為Agent開發(fā)、應用提供“大腦”，覆蓋語言、語音、視覺、多模態(tài)等領域。在開發(fā)層，阿里云打造了“一站式”大模型服務和Agent應用開發(fā)的百煉平臺，并推出互補協(xié)作的無影AgentBay，提供安全、可信的任務執(zhí)行環(huán)境，幫助企業(yè)開發(fā)、部署符合自身業(yè)務邏輯的Agent。
而在應用層，阿里云也有企業(yè)級一站式平臺AgentOne，結(jié)合阿里在電商領域的行業(yè)know-how，推出了多款開箱即用的Agent。
在云與AI巨頭之外，近兩年涌現(xiàn)的明星初創(chuàng)企業(yè)也成為Agent賽道的潛力玩家。
這類玩家多聚焦垂直場景，以行業(yè)know-how形成競爭壁壘，比如Cursor專注于服務開發(fā)者的編程Agent，Harvey推出法律領域的垂直Agent。
不難看出，在Agent賽道，頭部玩家們目前呈現(xiàn)出兩種截然不同的競爭姿態(tài)：
一是全能型選手，即具備“全棧AI”能力的玩家。
“全棧AI”至少覆蓋三層能力：底層的芯片、算力基礎設施，中間層的云計算平臺，以及上層的模型算法。比如阿里云、谷歌云等。
二是具備某項特長的玩家，選擇與其他頭部廠商生態(tài)聯(lián)盟，實現(xiàn)強強聯(lián)手。
以模型算法見長的OpenAI便是典型代表。一方面，OpenAI與微軟Azure合作，將包括GPT系列在內(nèi)的多個模型托管在Azure AI Foundry上，由Azure提供各類云服務；同時還與數(shù)據(jù)平臺緊密合作，將GPT模型原生集成到Databricks數(shù)據(jù)平臺上，幫助企業(yè)在自身數(shù)據(jù)上快速構建Agent。
星火燎原，Agent是否帶來了顛覆式變革？
廠商玩家們在Agent賽道激戰(zhàn)正酣，Agent在企業(yè)落地的熱度也絲毫不減。
阿里云百煉高級產(chǎn)品專家徐志遠介紹，目前Agent在企業(yè)的應用場景主要有三類：
第一類是技術維度方面，對視頻、音頻、文檔等多模態(tài)復雜內(nèi)容進行處理和二次加工，是目前重要的應用場景之一；
第二類是對話機器人、智能客服等交互類場景，比如具備情感陪伴、多模態(tài)且有復雜場景技能的學習機、AR玩具等終端；
第三類則是不為大眾所知但應用價值高、調(diào)用規(guī)模大的智能巡檢和風控場景。
據(jù)他觀察，率先完成Agent落地的是用戶交互高頻的消費電子行業(yè)，但與此同時，像畜牧等傳統(tǒng)行業(yè)也在逐步推進Agent。
雖然Agent以星火燎原之勢席卷各行各業(yè)，但業(yè)內(nèi)普遍都有一個共識：Agent帶來的顛覆式行業(yè)變革仍在醞釀之中。
一方面，Agent仍有諸多技術瓶頸亟待突破。
Agent的能力主要取決于大語言模型、記憶系統(tǒng)、任務規(guī)劃能力以及工具使用能力，但目前在模型幻覺、多模態(tài)整合、記憶管理、遷移泛化等方面仍存在技術難點。
同時，Agent從實驗室走向企業(yè)的“落地”過程中也面臨諸多技術挑戰(zhàn)。比如不同系統(tǒng)之間融合難、多Agent之間難以協(xié)同等問題。
眼下，企業(yè)使用的業(yè)務系統(tǒng)主要有購買現(xiàn)成的套裝軟件、自研的業(yè)務系統(tǒng)以及兩者相結(jié)合的模式。Agent與企業(yè)原有的ERP、CRM等系統(tǒng)的融合不能一概而論。
“企業(yè)對軟件的定制化能力受限于軟件本身。比如ERP軟件只能在其開放的接口上實現(xiàn)自動化，相對受限；而企業(yè)自研的業(yè)務系統(tǒng)改功能、改流程相對容易一些?！卑⒗镌乒苍剖聵I(yè)部首席解決方案架構師韓鴻源表示。
此外，面對復雜的業(yè)務場景，單一的通用Agent并不能滿足企業(yè)需求。業(yè)內(nèi)普遍認為，多Agent協(xié)同是Agent在企業(yè)落地應用的重要趨勢。
徐志遠提到，目前在業(yè)內(nèi)，多Agent模式面臨的一個難題是決策鏈路過長，當多個Agent協(xié)同處理時，思考時間和處理過程很長，甚至可能需要等待半小時以上；
另外一點則是通信難題，當多個Agent分別來自不同廠商時，在技術和業(yè)務層面上能否實現(xiàn)通信、解決鑒權和身份認證等問題。
另一方面，在企業(yè)側(cè)，Agent的落地還面臨不少非技術卡點。
比如AI落地企業(yè)中“特別有意思”的一個現(xiàn)象是：去年的難題是找不到落地場景，而今年的難點則是場景不收斂。
再比如，模型如何選用、選擇哪些業(yè)務場景、應用架構怎么落地也是企業(yè)面臨的主要困境。其中更多真實、瑣碎的卡點難點可添加作者微信skylar_12_14交流。
不僅如此，阿里云無影事業(yè)部AI產(chǎn)品負責人屈立威告訴雷峰網(wǎng)(公眾號：雷峰網(wǎng))，不同類型的企業(yè)對Agent的需求也不同。
中小企業(yè)最關心Agent如何落地部署的問題；而AI原生企業(yè)雖然對Agent了解更深，且擁有大量算法工程師，但運維工程師相對缺乏，所以希望廠商解決復雜的運維問題；
科技驅(qū)動的大企業(yè)則更希望訓練自己的大模型，針對業(yè)務場景做強化學習或后訓練，面臨的難題是Agent落地中的具體技術挑戰(zhàn)，比如如何把企業(yè)數(shù)據(jù)清洗成AI能讀懂的格式、怎么做API的封裝等；
此外，從數(shù)據(jù)到語料的轉(zhuǎn)化，也是大模型及Agent在企業(yè)落地需要克服的難題之一。阿里云政企事業(yè)部產(chǎn)品解決方案與服務管理總經(jīng)理霍嘉指出，有數(shù)據(jù)并不代表就有語料，“我們在指導或幫助客戶做query（向數(shù)據(jù)庫或搜索引擎等發(fā)起的查詢指令）項目時，50%-70%的時間都在處理從數(shù)據(jù)到語料的關系”。
面對“落地難”，解法在哪？
破局Agent落地困境，既需要廠商的技術攻關，也需要企業(yè)認真思考Agent如何“為我所用”。
首先，要繼續(xù)保持技術革新。
Agent的智能程度高度依賴底層大模型的能力。對于廠商來說，在模型快速迭代的當下，既要不斷提升模型本身的創(chuàng)新，也要提升背后的系統(tǒng)性工程能力。
此外，Agent在業(yè)務場景中執(zhí)行任務的廣度和深度需求，也倒逼著開發(fā)范式的革新。
過去主流的預定義編排式、單次決策智能式兩種范式，正朝著更高級的技術范式演進。阿里云、Google等國內(nèi)外主流廠商正在探索如何讓Agent具備更強的自主規(guī)劃、多輪反思與循環(huán)執(zhí)行能力，包括如何應對Agent在復雜業(yè)務場景中的系統(tǒng)融合、多體協(xié)同等問題。
相關的探索正在持續(xù)落地。比如在破除Agent與原有業(yè)務系統(tǒng)的融合壁壘上，業(yè)界廣泛應用由Anthropic提出的MCP協(xié)議（模型上下文協(xié)議），打破API通信的“最后一堵墻”，解決Agent在執(zhí)行任務中調(diào)取業(yè)務系統(tǒng)數(shù)據(jù)的問題；
作為MCP協(xié)議的補充，由Google提出的A2A協(xié)議（Agent互通協(xié)議）也正被業(yè)界所驗證，不同廠商、不同場景Agent的通信和協(xié)作壁壘正在被打破。
比如阿里云百煉平臺依托A2A協(xié)議實現(xiàn)了跨Agent的調(diào)用：平臺上的Agent能夠靈活調(diào)度其他符合A2A標準的Agent；平臺上的Agent發(fā)布為A2A協(xié)議后，也能被外部Agent無縫調(diào)用。
而在阿里生態(tài)內(nèi)部，高德、淘寶、釘釘、閑魚等業(yè)務也正在逐步轉(zhuǎn)化為Agent形態(tài)，通過百煉實現(xiàn)跨場景的智能協(xié)作，從而構建更加繁榮開放的Agent Store生態(tài)。
其次，除技術攻關之外，行業(yè)know-how也尤為重要。
多Agent協(xié)同不只涉及鑒權和身份認證等技術上的通信問題，還涉及到業(yè)務問題，如費用如何統(tǒng)一、成本如何判斷，以及面臨標準統(tǒng)一、范式統(tǒng)一、最佳實踐普及的困境。
徐志遠認為，這更多不是技術問題，而是需要企業(yè)思考自身業(yè)務與多Agent技術形態(tài)的融合方式，以及結(jié)合成本和效果綜合考量Agent的組合關系。
此外，霍嘉還提到，Agent程序開發(fā)最難的部分是處理復雜的corner case（邊緣案例，即不常見、極端或特殊的場景），期待后續(xù)深入企業(yè)一線的開發(fā)者們可以多分享實際處理這類案例的經(jīng)驗，集全行業(yè)之力共同把Agent開發(fā)好。
徐志遠也透露，阿里云正在推行百煉創(chuàng)客計劃，招募企業(yè)開發(fā)者分享經(jīng)驗，并開展AI實訓營，希望將企業(yè)實踐轉(zhuǎn)化為內(nèi)部分享、對外課程或聯(lián)合運營活動，把Agent編排等業(yè)務經(jīng)驗分享給更多企業(yè)，幫助企業(yè)將業(yè)務遷移到AI時代的Agent上。
毫無疑問，Agent的落地需要廠商、企業(yè)以及全行業(yè)共同破局，而作為“基建者”的云廠商發(fā)揮著越來越重要的作用。
正如十多年前，很多企業(yè)客戶不知道怎么“用云”，云廠商職責就是與企業(yè)一道，幫助他們“上云、用云、治云”，而十幾年后的今天，云廠商與企業(yè)再次聯(lián)手，一起撥開AI的迷霧。
作者持續(xù)關注Agent領域熱點話題，歡迎添加作者微信skylar_12_14交流。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
