字節的 Agent 產品來了。

4 月 18 日晚間，字節跳動扣子空間開啟內測，定位通用 Agent。與其他類似產品如 manus 一樣，扣子空間采用了邀請碼制。

平臺上，用戶可以選擇精通各項技能的「通用實習生」，也可以選擇行業的「領域專家」，通過與 AI 的互動完成工作任務。

就在前一天，火山引擎剛剛面向企業市場推出 OS Agent 解決方案及 AI 云原生推理套件，要幫企業更快、更省地構建和部署 Agent 應用。

雖然采用了邀請碼制，但扣子顯然不是走饑餓營銷的路線。用戶激活獲得的邀請碼后，創建并完成一個新任務即可獲得 5 個邀請碼，邀請碼激活后，還可獲得更多邀請資格，多創建多獲得多邀請。

上線的第一時間，極客公園就上手實測了扣子空間的 Agent 功能。可以看到，在執行的三個任務中，制定旅游攻略和一周穿搭的任務順利完成，但另一個專家助手的任務，卻出現了 Python 腳本調用失敗、 API 權限異常等 Bug，一個晚上都沒能執行成功。

字節邁出了走向 Agent 時代的第一步，但距離完美好用，顯然也還有很長一段距離。

Founder Park 正在搭建開發者社群，邀請積極嘗試、測試新模型、新技術的開發者、創業者們加入，請掃碼詳細填寫你的產品/項目信息，通過審核后工作人員會拉你入群～

進群之后，你有機會得到：

• 高濃度的主流模型（如 DeepSeek 等）開發交流；

• 資源對接，與 API、云廠商、模型廠商直接交流反饋的機會；

• 好用、有趣的產品/案例，Founder Park 會主動做宣傳。

01

一手實測

三個任務失敗一個

扣子有探索和規劃兩種模式，如果想讓它一步到位輸出，可以選擇探索模式；如果想親自把控每個步驟，可以選擇規劃模式。

我試了一下用扣子的探索模式制定一份日本旅行攻略，跟 manus 用例展示里的提示詞類似，來看看扣子做出的旅行方案怎么樣：

做出這份旅行攻略的時間在 10 分鐘以上，可以看到扣子將推理過程的思維鏈與搜索深度結合，踐行「邊想邊搜」，在「已獲取到日本關西和熊本的小眾景點、海邊景點以及適合三十歲生日慶祝的特別地點信息」后，扣子保存了「景點信息」，開始「邊想邊做」，從景點中篩選出合適的景點并規劃出行程安排，在完成行程安排后，開始生成包含地圖、景點介紹、必備日語短語及旅行提示的 html 旅行手冊：

經過了 15 分鐘以上的運行后，扣子給出了上面視頻所示的一份旅行攻略，如上面所示，里面既有 5 天的行程安排，也給出了預算參考和旅行提示，還根據我的需求配備了個性化的策劃節目，看了一下基本按照這個方案已經可以直接出行。

扣子還支持添加 MCP 擴展，AI agent 得能力邊界被進一步擴展，接下來應該會有更多插件接入。

我接入了語音合成的工具，讓它給我把文字攻略轉成語音版本，agent 很快就輸出了語音版本：

https://lf-bot-studio-plugin-resource.coze.cn/obj/bot-studio-platform-plugin-tos/artist/image/4c1277951b564bb194bbcd11894a52ad.mp3

這個聲音聽著很像豆包 app 默認的女聲聲音，雖然把符號那些也連帶著一起讀了，但這個功能是方便好用的。

我繼續試了一個簡單任務，「查一下北京未來一周的天氣，根據天氣推薦一周穿搭，制作相關圖片」，不過第一次輸入沒有注明是穿搭圖片，所以輸出的只是天氣表格，在增加這個需求后，扣子輸出了兩張穿搭圖片，可能因為我沒有告知性別，它干脆輸出了一男一女的穿搭。

這個輸出的穿搭圖片里，人很真，穿搭也看著可借鑒。后續還可以繼續讓扣子接著補充完一周的圖片鏈接。

MCP 被認為是未來 AI 生態的「標準 USB 接口」，3 月底，國外，OpenAl、谷歌、微軟和亞馬遜陸續宣布支持或深度集成 MCP 協議，國內，阿里云、騰訊云也陸續支持 MCP 服務部署與調用。

此外，除了標準的通用 Agent，扣子空間里還內置了一些專家 Agent。目前在扣子空間的使用頁面上，有「用戶研究專家」和「華泰 A 股觀察助手」兩個專家 Agent，前者可以提供調研問卷交叉分析、訪談紀要整理以及用戶分析報告撰寫服務，同時可結合產品問題設計新的調研問卷和訪談提綱，后者則是由華泰與扣子團隊共同孵化的專家 Agent，每日跟蹤復盤自選股和大盤客觀情況，基于專業數據和框架提供觀察思考。

兩位「專家」都已經明碼標價——限時免費，這個標注方式或許為之后收費埋下伏筆？

「用戶研究專家」核心包含四大能力，單任務平均耗時只需 4 分鐘：問卷數據分析；訪談紀要總結；調研問卷生成；訪談提綱生成。

「華泰 A 股觀察助手」的單任務平均耗時要長一些，23 分鐘。該助手稱可以每天為用戶發送專屬的股票早報，也可以與用戶 1 對 1 探討股票觀察：

1. 更高質量的數據源：華泰 A 股觀察助手專家 Agent 在獲取公開搜索信息的基礎上，直接查詢股票數據，綜合完成分析，從而盡可能地減少因低質量數據源帶來的幻覺。

2. 更準確的數據計算：對于復雜的數據分析和技術指標分析，華泰 A 股觀察助手專家 Agent 會使用 Python 來完成數據計算，盡可能地減少因心算帶來的幻覺。

3. 更復雜的研究任務：由于可以獲取更大范圍的連續數據并自主規劃分析方法，華泰 A 股觀察助手專家 Agent 能夠像更專業地工作，先定量后定性，先定性后定量，定量定性相結合，讓復雜深入的分析成為可能。

4. 更靈活的交付方式：華泰 A 股觀察助手專家 Agent 不僅可以對早報或回答文檔進行追問，還能幫你生成 PPT、網頁等各種形態的文件。

最近股市動蕩頗多，來看看華泰與扣子團隊共同孵化的專家 Agent 能力如何。

這個專家執行任務中間有節點，可以看到它在進行了分析、總結、生成報告之后，在等待我確認是要開始任務還是修改任務。

雖然頁面上顯示 10 分鐘未開始任務，任務會自動確認并開始，但這個執行并不穩定。在之后再次出現類似節點時，我沒有在 10 分鐘之內反應，10 分鐘后任務并沒有自動開始，而是就停留在節點，導致該任務時長拖到了幾十分鐘還沒有結束。

我是 18 日晚上 21:59 左右開始的這個任務，但是直到第二天早上，這個任務也沒有完成。回頭翻看任務執行過程，有一些數據未能獲取，還有 Python 腳本 fetch_kline_data.py 調用失敗，「可能是由于 API 調用權限或數據源問題」。

看來即使是 AI，股市專家也不好做。

02

Agent 賽道加速

2025 年之前就被稱為會是 agent 之年。

manus 在 3 月的火熱，加速了大廠在這一領域的推進。而 manus 能在今年「橫空出世」，也是基于 Claude 3.7 Sonnet 等新一代模型在工具調用和編程能力上有重大突破，為 Agent 發展奠定基礎。

字節在 agent 賽道了再次展現了速度與執行力。17 日，豆包·深度思考模型正式發布，同步升級文生圖模型 3.0、視覺理解模型，并推出 OS Agent 解決方案及 AI 云原生推理套件，為企業構建與部署 Agent 應用提供了強力支持。18 日，通用 agent 平臺扣子空間即開啟內測，定位于提供「通用實習生」和「領域專家」Agent，展現了字節從技術突破到產品落地的迅速節奏。

在 17 日的發布會上，火山引擎總裁譚待強調要做好 agent，技術上需要做好三個準備，包括更強的、支持多模態的模型，更好的架構和工具能夠支持大模型操作數字和物理世界，以及通過 AI 云原生降低模型推理的成本和延遲。

扣子空間的內測開啟，或說明字節已經基本做好了這三項準備。

豆包 1.5·深度思考模型采用 200B 參數、20B 激活參數的 MoE 架構，支持視覺推理和「邊想邊搜」，能在數學推理（AIME 2024）、編程競賽（Codeforces）和科學推理（GPQA）等任務中媲美 OpenAI o3-mini，達到全球第一梯隊。其 20 毫秒的極低延遲和多模態能力，使其能處理復雜任務，如基于照片推測地理位置或解讀企業項目流程圖。

OS Agent 方案通過 AI 云原生組件（如 Sandbox）為企業提供了模塊化的開發支持，顯著降低了 Agent 應用的開發門檻。火山引擎還支持 MCP 協議，譚待認為，類似互聯網早期 HTML 和 HTTP 的統一協議將加速 Agent 生態發展，降低開發者適配成本，推動行業標準化。

火山引擎正在通過垂直類 Agent（如 Data Agent）、通用 Agent 開發工具（如 OS Agent）及 AI 云原生布局，全面推進 Agent 生態建設。

譚待提到，Agent 是 AI 為各行各業帶來變革的必經之路，需具備深度思考模型支持的反思和規劃能力，才能完成專業度高、耗時長的復雜任務。

不過，當前市場對 Agent 的定義較為混亂，部分廠商宣稱開發的「數千個 Agent」可能僅為初級（L1）水平，僅能處理簡單任務。未來，Agent 或將像自動駕駛分級（L1 至 L4）一樣明確標準，真正落地的 Agent 需達到 L2++及以上級別。接下來，Agent 的定義和應用場景將更加清晰。

可以看到，字節的 Agent 戰略以技術突破、生態協同和成本優勢為核心，展現了「大廠碾壓」的實力。

轉載原創文章請添加微信：founderparke