未來入口的兩個支柱。

作者 | 李威（北京）

這是《窄播Weekly》的第52期，本期我們關注的商業動態是：當大廠的AI競爭策略開始傾斜向應用場景，多模態能力和代理執行成為兩個焦點。

大模型落地C端場景的核心，就是讓大模型的能力越來越接近人。沿著這個主旋律，可以劃分出兩個進化方向：一個是持續降低用戶與大模型進行有效溝通的難度；另一個則是讓大模型具備執行更復雜任務的能力。前者的實現，需要給到大模型多模態能力；后者則需要依托于Agent產品生態的不斷成熟。

多模態方面，字節、百度、谷歌、OpenAI都在近期推出了多模態能力更強的基礎大模型產品，為相應的應用創新帶來了可能。阿里旗下的AI to C產品夸克，就在本周上線了基于「通義推理及多模態大模型+后訓練」實現的「拍照問夸克」功能。

代理執行層面，在Manus指出方向之后，類似的通用Agent產品也在近期紛紛上線。其中就包括了字節旗下的扣子空間、百度的心響App、360的納米AI、前百度高管的Genspark等。這些產品都主打一站式完成用戶通過自然語言布置的復雜任務，并且都具有編寫代碼和連接第三方數據、工具的能力。

相比國內，海外巨頭會更傾向于打造服務于單一場景的Agent。Notion推出了AI驅動的電子郵件服務Notion Mail，幫助用戶組織電子郵件、起草回復、搜索消息等。OpenAI此前推出的Operator和Deep Research也分別聚焦在操作瀏覽器和研究領域。X AI則增加了Grok Studio，用來協助用戶生成文檔、代碼、報告和小游戲。

從目前能夠體驗到的產品來看，多模態能力和代理執行能力的提升，確實為用戶帶來了更低門檻、更高效率的AI使用體驗。套用微軟CEO納德拉夸贊自家Copilot體驗的話，具備執行能力的通用Agent就是在為用戶搭建一個腳手架，并在上面放好趁手的工具，助力用戶完成日常工作、學習、生活相關的任務。

當這個產品成熟時，人們會發覺自己的工作、學習、生活的體驗可能已經被其改變。但改變不是一個短期過程。這些還處于早期探索階段的產品，在細節上差強人意，需要一段時間去打磨，從用戶意圖理解、第三方工具調用和相應內容的生成等方面，全方位提升產品體驗。

從現階段看，模型能力的強弱依然非常重要。大模型能力的提升和成本的降低，確實刺激了AI應用的爆發，也再次讓人們看到了百度創始人李彥宏口中「應用統治未來世界」的可能。

但是，大模型技術還在持續突破，目前我們看到的Agent的不足之處，很多需要依靠模型能力的提升來完善。甚至未來有可能會實現「模型即應用」，畫圖有畫圖的模型，分析圖表有分析圖表的模型。現在看，OpenAI有向這個方向前進的傾向。

Agent的終局到底是什么，現在看來尚無定論。

多模態正在滲透進現實場景

從近期的大模型發布來看，多模態是重要的能力培養方向。字節旗下火山引擎發布的豆包1.5深度思考模型，能夠結合視覺理解能力完成看圖分析地貌、生成項目流程圖等工作。李彥宏在介紹文心4.5 Turbo時，通過識別馬拉多納「上帝之手」的照片和水槽實驗視頻中的不同顏色物體，展示了圖像和視頻的理解能力。

此外，OpenAI最新發布的o3和o4-mini也都具備看圖表和自己畫圖的多模態理解能力。OpenAI稱其首次實現了「用圖像思考」。谷歌發布的首個混合推理模型Gemini 2.5 Flash能夠比較精準地分析股票走勢圖，并能根據給到的素材圖生成游戲場景設計圖。

不斷提升多模態推理能力的同時，各個廠商都在為這種能力尋找第一塊試驗田。夸克在推出AI超級框概念之后，最新上線了拍照問夸克功能，就是在將大模型的多模態能力注入到AI超級框中，讓用戶不但能夠通過文字完成與AI超級框的交互，還能實現圖文并茂的溝通。

在實際的使用過程中，我們發現拍照問夸克功能基本可以滿足「拍照搜索」的體驗，比如拍攝一個梅瓶的陳列，夸克可以回答出梅瓶的由來，以及它在宋朝會被用來盛酒。用戶還可以拍攝照片，讓夸克根據照片生成文案，或者識別食物的卡路里、辨別景點并給到游玩攻略。

通過加入圖像，夸克可以讓用戶給AI下達更加精準的任務，然后調用夸克積累的Agent和原子功能，更好地完成任務。

這其實是在讓攝像頭成為用戶賦予AI的眼睛，未來可能不止依靠拍照，還會有直接通過攝像頭進行的實時交互。這也是谷歌試圖實現的多模態交互體驗。

在谷歌多模態搜索產品負責人Rajan Patel的暢想中，多模態能力的融入，會讓搜索變得毫不費力。用戶在谷歌可以打字、可以說話、可以拍照，可以對著攝像頭說自己需要什么，而谷歌將利用大模型、產品能力，幫助用戶快速連接到相關且正確的信息。

也因此，多模態能力的提升，會影響到AI眼鏡的進展。一位AI硬件創業者告訴《窄播》，現在之所以沒有選擇AI眼鏡的方向，是因為多模態大模型還不成熟，他無法根據使用場景去進行產品定義。但是面向未來，類似用戶與拍照問夸克的交互可能會從手機遷移到眼鏡。

代理執行需要三個能力

多模態提升的是交流效率，Agent的重心則在于執行。

在2024年下半年，具備任務執行能力和系統操控能力的Agent就已經成為一門顯學。但當時有兩個問題尚待解決：一個是Agent產品的形態應該是什么樣？另一個則是Agent與第三方數據、工具之間應該如何實現連接？

Manus的出現為大家指出了前進方向——通過對話框+工作區的方式，呈現Agent的工作場景，然后基于大模型能力理解、拆分用戶任務意圖，調用不同工具模塊，協同完成任務。雖然會被人稱作「縫合怪」，但是Manus確實讓面向C端用戶的通用Agent產品的雛形顯現出來了。

近期發布的扣子空間、心響App、納米AI的Agent能力以及Genspark基本都遵循了這個雛形模版。扣子空間分為三個部分，左邊部分是任務目錄，中間部分是任務交互區，右邊可以展開一個Agent的工作空間。同時，扣子空間還會支持添加擴展，以及選擇探索和規劃兩種思考深度不同的模式。

從使用上看，扣子空間更擅長完成文字梳理工作。但在將梳理出的文字轉化為網頁時，扣子空間的效果會打折扣。我們嘗試讓扣子空間生成了一份騰沖旅游攻略、一個展示秦滅六國過程的網頁和一次AI新聞匯總。文字版的騰沖旅游攻略要更詳細，轉化為網頁后，信息量會被稀釋，美食的配圖也會出現問題。后兩個任務也不太令人滿意。

百度的心響App的特殊之處是選擇了在移動端上線，相對可以完成的任務就會更輕量化和生活化，其推薦任務中不僅有旅游攻略、數據分析等通用Agent產品常見的任務，還會有數學解題、AI相親、例行任務等類似聊天機器人的功能。整體感覺，心響App是文小言的Agent進化版。

我們認為，目前想要優化具體的任務體驗，通用Agent們需要持續培養三個關鍵能力。

第一個是，能否連接足夠數量的第三方數據和工具。MCP（Model Context Protocol，支持大模型與外部數據、工具集成的開源協議）和A2A（Agent2Agent，智能體協作協議）的推出，不但讓第三方數據、工具有了順暢接入通用Agent的統一接口，還賦予了Agent與Agent之間的交互、協作能力。

目前，國內廠商基本都接受了這種連接解決方案，接下來需要解決的是，如何擴充有效的工具箱。

納米AI主打的賣點是「MCP萬能工具箱」，號稱接入了近百個優質第三方工具。扣子空間的擴展相對要少很多，而且有些只具備簡單功能。以騰沖攻略為例，我可以用扣子空間里的墨跡天氣擴展將天氣預報添加進攻略中，但沒有成功利用高德地圖擴展生成每天的景點路線圖，大部分嘗試中，都只顯示了騰沖在地圖上的位置。

編碼則是通用Agent需要培養的第二項能力。AI編程為Agent解決復雜任務提供了一個通用的有效工具，無論是ppt、網頁、圖表的生成，還是小游戲的創作，都需要依賴編碼能力來執行。有消息顯示，OpenAI正在討論用30億美元收購AI編程初創公司Windsurf，借此來提升AI的編碼能力。

第三個也是最底層的，是大模型的任務理解能力。只有具備更強的任務理解能力，通用Agent才能讓更多人依賴其去完成任務，并保證任務的完成水準。這也是大廠在多模態能力之外，著力在提升的另外一項大模型能力。OpenAI在推出o3和o4-mini時，就強調這是一個知道去上網查資料、執行Python代碼的「大腦」。

從目前的布局來看，OpenAI期待這個「大腦」在未來能夠精準調度Operator和Deep Research等職業身份不同的Agent，前者是操控瀏覽器的司機，后者則是負責做研究的學者。未來可能還會有擅長編程的程序員，擅長講故事的作家等Agent。

字節的扣子空間、百度的邏輯是像開發API一樣開發Agent，需要有扣子、秒搭等Agent或工作流的搭建平臺提供支持。而OpenAI的路徑是按照職業去培養Agent。這是API邏輯之外的另一種更加擬人化的Agent生態培養模式。兩個模式都是為了調用Agent生態，去完成不同的任務。

在OpenAI給到投資者的預期中，AI Agent及其他新產品合計銷售額將在2025年末超越ChatGPT，達到30億美元，到2029年Agent業務將為其貢獻290億美元的收入。這是一個非常樂觀的預期。國內的通用Agent們也有可能從Agent體驗升級中，奠定面向C端用戶的收費模式。

實現這一預期的前提是，通用Agent們能夠將多模態能力與Agent的執行能力結合起來，成為未來的底層入口。