从年初的现象级产品引爆市场，到如今各类AI Agent产品不断涌现，这个领域在过去一年备受瞩目。然而热潮之中，关于其实际应用能力的讨论与争议也日益增多。许多从业者和用户反馈，尽管演示案例效果惊艳，但普通用户在实际使用中却常常遇到难以复现、效果不稳定或只能完成基础操作等问题。
一种普遍的感受是：过于简单的任务失去了使用Agent的价值，而逻辑稍复杂的任务Agent又容易出错。与此同时，部分早期明星产品的市场表现似乎也印证了这些争议，用户访问量回落、业务调整等消息引发行业思考。根据麦肯锡团队发布的报告，虽然超过六成的公司在尝试使用Agent，但能在任一业务职能中规模化应用的比例却很低。
问题的核心究竟在哪里？是技术不成熟，还是应用方向有误？
场景错配：能力与需求的不对等
业内专家指出，当前许多Agent产品面临的核心挑战并非纯粹的技术性能瓶颈，而更多是场景选择与Agent能力之间的错配。
北京枫清科技有限公司技术合伙人王传阳分析认为，Agent在标准化且需要复杂逻辑处理的通用场景中能发挥较大价值，例如跨平台会议统筹、多维度信息整合等。其自主规划与工具调用能力在这些场景下效率优于传统工具。然而，目前很多产品陷入了场景选择误区。
误区之一，是强行让通用Agent承接垂直领域的简单场景。这类场景步骤可能简洁，但背后涉及深厚的行业专业壁垒与隐含规则，例如化工生产中的原料配比涉及严格的安全规范。通用Agent因缺乏特定领域知识，极易在关键逻辑节点出现断裂。误区之二，则是聚焦于低价值的通用场景，如基础信息检索或日程提醒。这些需求传统工具已能很好满足，无法体现Agent的核心价值，自然也难以形成健康的商业闭环。
此外，实在智能董事长孙林君提到，当前用户中存在大量尝鲜者，他们更多是出于好奇而非真实需求。这与任何新技术早期的发展路径相似，真正的用户需求和有价值的场景会随时间沉淀下来。
通用与垂直路线的生存现状
面对落地难题，关于通用Agent与垂直Agent谁更有前景的讨论贯穿了整个赛道的发展。
通用Agent的困境与反思
通用Agent因其“万能”的定位而承载了过高期望，也因此在成本高、落地难等方面遭受更多质疑。王传阳认为，根源在于行业对其能力认知的错位。部分企业盲目将通用Agent应用于垂直核心业务，例如信贷审批，这不仅需要巨大的算力进行模型微调，还需人工实时干预，成本远超预期。其为覆盖广泛场景而设计的冗余架构，也进一步推高了单用户服务成本。
孙林君也指出，有时人们会尝试用Agent完成远超当前基础大模型（LLM）能力的复杂任务，导致效果不佳。他强调了企业级Agent落地的三个关键：可控性（遵循流程、结果一致）、高效性（减少接口依赖，可借助RPA快速搭建）以及稳定性。
“价值定位模糊加剧了落地困境。”王传阳补充道，当前通用Agent若仅聚焦低价值场景，则无法盈利；而高价值场景的挖掘与适配又不足，导致进退两难。不过，孙林君对成本问题持乐观态度，他认为随着芯片性能升级和模型优化技术进步，未来可以用更小体量的模型打造出效果优秀的Agent产品。
垂直Agent的挑战与壁垒
另一方面，垂直Agent虽然看似更贴近具体需求，但也面临严峻挑战。王传阳指出，其核心挑战在于对垂直领域深层、动态且容错率极低的业务逻辑把控能力不足。例如工业设备运维或金融风控，其中的隐性规则与复杂关联难以通过通用语料库学习。
“从技术迭代规律看，这一挑战短期内难以解决。”他解释道，垂直领域的高质量数据往往孤立且隐私性强，难以形成大规模训练集。同时，将通用模型与垂直知识进行适配，需要技术团队与行业专家漫长的协同调优，知识图谱构建等基础工作就可能耗时数月甚至数年。
孙林君同样提及了数据的重要性。他认为，未来公开数据将逐渐枯竭，而各垂直领域内部的专属数据会变得愈发珍贵和关键。这也使得基于行业数据微调的垂直大模型，在特定场景下能表现出优于通用基模的效果。
能力对比：谁更强大？
关于两类Agent谁的能力更强，业内观点不一。
RockFlow创始人赖蕴琦提供了一个产品视角：核心是“为用户解决什么问题”，能解决问题的产品就有价值。孙林君则认为，现阶段通用Agent能完成的任务深度，根本上取决于其基模能力。他以大模型解答高考数学题的能力快速进化为例，说明只要有可迭代的框架和数据输入，Agent的能力升级会非常迅速。
“垂直Agent一定比通用Agent强大吗？不一定。”孙林君分析道，企业的良好运转依赖于多个岗位的协同。一个能够提供强大、灵活搭建能力，并沉淀了丰富行业模板的Agent平台，可以形成一个不局限于某个行业的生态。对企业而言，一个能支撑多种Agent协同工作的通用平台，比购买十套独立的垂直Agent平台更现实、更具价值。
因此，他判断，面向企业或个人的通用Agent平台是未来的核心趋势。垂直Agent目前在某些领域可能表现更深，但随着底层LLM能力持续增强，通用Agent的通用性不断提升，垂直Agent的发展空间可能会被逐步压缩。
王传阳则从技术架构上论证了通用Agent并非必然牺牲深度。他提出可以通过“通用基础层+领域知识层+场景适配层”的三级模块化架构来实现广度与深度的平衡。例如，在企业合同生成场景中，通用层保证框架规范，通过接入不同行业插件（RAG技术）匹配专属条款，再经场景微调适配企业个性化需求。
未来终局：协同而非替代
自路线分化以来，关于“谁才是未来”的争论不断。但多位受访者认为，最终的格局更可能是协同发展，而非一方取代另一方。
孙林君认为，行业将形成一种动态平衡。深度解决特定领域问题，垂直Agent有优势；覆盖80%的常规通用需求，通用Agent则游刃有余。两者存在互补性。王传阳也持类似观点，他认为通用Agent将承担跨场景协同和通用任务处理，而垂直Agent则深耕需要高精度、高合规性的领域深度决策。这种互补关系源于垂域知识壁垒的长期存在以及垂直场景对确定性的刚性需求。
“即便未来技术突破，通用Agent也无法颠覆垂直Agent市场。”王传阳强调，垂直Agent的核心竞争力还在于其深度绑定的行业资源与场景壁垒。不过，孙林君也指出，那些行业纵深足够深、拥有独特数据壁垒的垂直领域会存活得很好，而领域较浅、无数据支撑的垂直应用则可能被通用Agent蚕食。
基模崛起的“外患”与Agent的本质
除了内部路线之争，Agent赛道还面临着来自日渐强大的基础模型的“外部”挑战。随着“模型即Agent”等理念的提出，一个根本性问题浮现：模型越来越强，Agent会被取代吗？
孙林君用AIGC领域的例子来说明：许多基于早期大模型能力、专注于某个细分功能（如图片处理）的创业公司已经消失，因为通用大模型的迭代覆盖并超越了它们的能力。关键在于，如果垂直能力是建立在通用大模型缺乏数据深度的领域（如医疗），那么它就拥有稳固的护城河。反之，若只是单纯依托基模原生能力，则前景堪忧。
Flowith联合创始人拐子提供了用户视角的思考。他认为，未来模型在用户眼中可能就等同于Agent，但这并不重要。用户关心的始终是能否解决问题。Agent之所以被关注，是因为它比传统大语言模型更进一步，能够交付最终可用的结果，而不仅仅是输出文本或代码。
“Agent的市场规模非常庞大。”拐子指出，全球的知识工作者和普通用户都是潜在用户，他们需要通过工具来创造价值。因此，Agent并非伪命题。即便未来基础模型承担类似职能，其运作方式很可能也是Agentic（智能体化）的，因为单纯的模型训练架构难以实现工具调用、复杂记忆等Agent的核心能力。
行业现状：泡沫与机遇并存
尽管存在挑战与争议，但AI Agent领域无疑充满了活力与商业机会。CB Insights的报告显示，2024年Agent初创公司的融资额是2023年的近三倍。在收入最高的Agent初创公司榜单中，不乏成立仅两三年的企业，其中编程类Agent表现尤为突出，人均收入很高。
当然，泡沫与淘汰也同样存在。一些明星项目因融资失败或经营危机而折戟。正如麦肯锡高级合伙人Michael Chui所言，“Agent确实很火，但真正做好很难。”报告指出，目前Agent应用较成熟的领域集中在IT、知识管理、软件工程等，科技、媒体、电信、医疗保健则是发展前沿的行业。
展望未来，王传阳预测金融、电信、能源等数据基础好、需求明确的领域，Agent应用有望实现爆发式增长。
回顾这一年，Agent已经从前沿概念走上了产业应用的舞台，并证明了其商业价值。OpenAI前高管Andrej Karpathy提出了“Agent的十年”这一更审慎而长期的视角。或许，正如一些观察者所说，“有点泡沫并不是坏事”。在喧嚣与沉淀中，Agent技术正逐步找到与真实世界需求对接的路径，下一阶段增长的关键，在于如何在具体场景中构建起可信赖、可规模化、真正创造价值的解决方案。
发表于 4 天前
|
查看: 11|
回复: 0
