AI Agent離我們?cè)絹碓浇恕?/p>

4月28日，由「甲子光年」主辦、上海馬橋人工智能創(chuàng)新試驗(yàn)區(qū)聯(lián)合承辦的「AI共潮生——2025甲子引力X科技產(chǎn)業(yè)新風(fēng)向」大會(huì)在上海工業(yè)智能中心盛大啟幕。

在下午場(chǎng)的「AI Agent」圓桌對(duì)話中，維度AI創(chuàng)始人兼CEO楊宇梁擔(dān)任主持人，與易點(diǎn)天下技術(shù)中心副總經(jīng)理張奧迪、容聯(lián)云副總裁，諸葛智能創(chuàng)始人孔淼、e簽寶CPO李聰、未來式智能聯(lián)創(chuàng)&COO鄒陽、flowith CMO郭梓溢，圍繞AI Agent商業(yè)化落地的核心命題，通用與垂直的路徑選擇、技術(shù)瓶頸與行業(yè)實(shí)踐、商業(yè)化模式創(chuàng)新及生態(tài)博弈等議題展開深度探討。

易點(diǎn)天下張奧迪認(rèn)為，通用Agent需達(dá)到AGI級(jí)別才具普適性，當(dāng)前更應(yīng)深耕垂直場(chǎng)景（如營銷素材生成、自動(dòng)化投放），并通過原子化拆分企業(yè)能力實(shí)現(xiàn)提效；他強(qiáng)調(diào)調(diào)度準(zhǔn)確性、人備機(jī)制設(shè)計(jì)及MCP技術(shù)穩(wěn)定性仍是落地難點(diǎn)。

容聯(lián)云孔淼提出，Agent本質(zhì)是任務(wù)規(guī)劃與工具調(diào)用的組合，客服場(chǎng)景已從輔助型向自主執(zhí)行型過渡，大模型顯著提升質(zhì)檢與對(duì)話洞察效率，但需平衡工程化成本與客戶ROI訴求。

e簽寶李聰分享了智能合同實(shí)踐案例：系統(tǒng)可自動(dòng)識(shí)別條款風(fēng)險(xiǎn)并定向推送至交付主管，合同流轉(zhuǎn)效率與風(fēng)控水平成倍提升；其商業(yè)化策略從版本訂閱制轉(zhuǎn)向“坐席+調(diào)用量”混合計(jì)費(fèi)，以應(yīng)對(duì)Token指數(shù)級(jí)消耗壓力。

未來式智能鄒陽直言，當(dāng)前Agent技術(shù)尚未成熟，央企會(huì)議室預(yù)定項(xiàng)目因模型誤選API導(dǎo)致流程混亂，驗(yàn)證了工程化落地必要性；同時(shí)指出專家經(jīng)驗(yàn)書面化難度大，多數(shù)場(chǎng)景缺乏SOP基礎(chǔ)，規(guī)?；蕾嚦掷m(xù)投入。

flowith郭梓溢作為C端代表，介紹了作為全球最早涉足通用Agent領(lǐng)域的先行者的發(fā)現(xiàn)和思索，其Agent框架核心理念強(qiáng)調(diào)人機(jī)協(xié)同，使人不僅是旁觀者，而是可實(shí)時(shí)參與創(chuàng)造過程的主導(dǎo)者；團(tuán)隊(duì)即將發(fā)布新一代各項(xiàng)能力領(lǐng)先的新Agent，旨在讓用戶可以將agent使用場(chǎng)景聚焦在實(shí)際生產(chǎn)提效上。

以下是本場(chǎng)圓桌的對(duì)話實(shí)錄，「甲子光年」整理：

維度AI創(chuàng)始人兼CEO楊宇梁：今天很高興有這個(gè)機(jī)會(huì)能夠和各位企業(yè)代表一起探討AI Agent商業(yè)化的破壁之戰(zhàn)。我是維度AI的CEO和創(chuàng)始人。

公司主要致力于打造可靠、有據(jù)可依的研究型引擎和Agent，在解決人類知識(shí)誕生問題上持續(xù)探索迭代。我們堅(jiān)信AI是系統(tǒng)化的探索并且發(fā)現(xiàn)關(guān)鍵知識(shí)，深度理解知識(shí)，創(chuàng)造新智慧的根本途徑。接下來要發(fā)布的維度研究型引擎，也會(huì)大幅度幫助學(xué)生、研究者和專業(yè)人士的研究型需求。

維度AI創(chuàng)始人兼CEO楊宇梁

易點(diǎn)天下技術(shù)中心副總經(jīng)理張奧迪：我是張奧迪，是易點(diǎn)天下的技術(shù)中心負(fù)責(zé)人兼AI Lab的負(fù)責(zé)人。簡(jiǎn)單點(diǎn)說易點(diǎn)天下，我們是幫助客戶做出海全球化增長的。有兩個(gè)方面：一方面是客戶有流量增長需求，我們幫助他做流量增長，另外一方面是幫助客戶做變現(xiàn)增長。

我們?cè)贏I領(lǐng)域做營銷素材，之后又投入到BI也就是數(shù)據(jù)洞察和AI結(jié)合，在今年我們做智能投放。以前可能在整個(gè)鏈路過程中，需要投手大量地研究素材，把他的經(jīng)驗(yàn)放在投放優(yōu)化鏈路上達(dá)到高的ROI，但是今年我們通過Agent的方式把這套全部變成一鍵自動(dòng)化。包括企業(yè)內(nèi)部的信息化流程，像我們把整個(gè)企業(yè)的能力全部變成原子化，再通過不管是MCP還是其他的方式通過Agent進(jìn)行提效和商業(yè)化。

易點(diǎn)天下技術(shù)中心副總經(jīng)理張奧迪

容聯(lián)云副總裁、諸葛智能創(chuàng)始人孔淼：我叫孔淼，我們是容聯(lián)云是一家以“通訊+數(shù)據(jù)+智能”為核心能力的企業(yè)級(jí)產(chǎn)品和解決方案提供商。旗下包括容聯(lián)云全渠道智能聯(lián)絡(luò)中心、容聯(lián)七陌、諸葛智能，容犀大模型應(yīng)用等一系列產(chǎn)品，目前差不多有上萬家客戶，覆蓋數(shù)百家金融頭部機(jī)構(gòu)。

我們大概是從2023年開始發(fā)布大模型應(yīng)用“容犀Copilot & Agent”，覆蓋從對(duì)話洞察到坐席代理、坐席輔助、智能質(zhì)檢等。今年Agent很火，我們?cè)诋a(chǎn)品上也做了進(jìn)一步升級(jí)。

容聯(lián)云副總裁、諸葛智能創(chuàng)始人孔淼

e簽寶CPO李聰：我是來自于e簽寶的李聰。e簽寶有很多人都聽過，我們是一家專注為企業(yè)和個(gè)人提供電子簽名及合同管理服務(wù)的。我們是一家成立了20多年的公司，我們一直做電子簽名和合同管理，到目前累計(jì)了大概70多萬的付費(fèi)用戶，每天在我們的平臺(tái)上大概有2500萬份合同完成簽署。

差不多也是從2023年開始，我們一直在使用大模型提升企業(yè)合同智能化，過去更多的是把AI能力嵌入到原有的功能中去，今年我們也在打造智能合同Agent，希望用一個(gè)對(duì)話框搞定一個(gè)合同的簽約流程。

e簽寶CPO李聰

未來式智能聯(lián)創(chuàng)&COO鄒陽：我是鄒陽，我們主要是做AI Agent，應(yīng)該是國內(nèi)最早一批，我們之前的核心團(tuán)隊(duì)是從阿里巴巴達(dá)摩院出來的，ChatGPT出來之后，我們準(zhǔn)備開始創(chuàng)業(yè)，我們公司在2023年的3月份，定了AI Agent的賽道，一直也在用相應(yīng)的技術(shù)為B端企業(yè)市場(chǎng)去做有價(jià)值的落地。

未來式智能聯(lián)創(chuàng)&COO鄒陽

flowith CMO郭梓溢：我是Flowith的郭梓溢。與剛才介紹的企業(yè)不同，F(xiàn)lowith專注于C端市場(chǎng)，是一款致力于打造AI時(shí)代終極的創(chuàng)作工具。

我們?nèi)ツ?月正式發(fā)布，是通用Agent領(lǐng)域的先行者。目前已在海外市場(chǎng)積累了數(shù)十萬用戶，我們的通用Agent服務(wù)已處理超過2000萬次請(qǐng)求。今年1月，我們推出了革新性的知識(shí)花園功能，并且具有可交易屬性的AI知識(shí)市場(chǎng)，這兩者功能也將結(jié)合起來。接下來，我們將發(fā)布更多關(guān)于Agent和AI領(lǐng)域的創(chuàng)新功能，持續(xù)探索人和AI的終極交互形態(tài)。

flowith CMO郭梓溢

1.究竟什么是AI Agent？

楊宇梁（主持）：在你們的定義當(dāng)中，什么才是Agent，它應(yīng)該有什么樣的產(chǎn)品形態(tài)，應(yīng)該具備什么樣的能力，才被稱之為AIAgent？

張奧迪：大家都在討論AI Agent，需要理性看待。我們可以從兩個(gè)角度來看。

第一個(gè)角度是把它當(dāng)作工具來看。

這種情況下，AI Agent本質(zhì)上是“自動(dòng)化 + AI”，也可以理解為“RPA + AI”。它的優(yōu)勢(shì)在于更加靈活，但缺點(diǎn)是如果流程鏈路太長，就容易出現(xiàn)不穩(wěn)定因素。這時(shí)候可能需要通過每個(gè)單點(diǎn)環(huán)節(jié)來校準(zhǔn)穩(wěn)定性，或者借助系統(tǒng)性的提示詞工程來提升效果。

另一個(gè)角度是把AI Agent當(dāng)做人來看。

目前它還只能相當(dāng)于一個(gè)實(shí)習(xí)生或助理的角色?，F(xiàn)在市面上很火的產(chǎn)品，大家都在嘗試使用，無論是生成報(bào)告還是其他功能。你會(huì)發(fā)現(xiàn)，結(jié)果本身其實(shí)并不那么重要，第一步的數(shù)據(jù)采集反而更為關(guān)鍵。比如，它雖然能全網(wǎng)搜索大量信息，但如果你要做一份有深度的報(bào)告，而你所獲取的數(shù)據(jù)和別人一樣，那這份報(bào)告的價(jià)值在一開始的數(shù)據(jù)層面就已經(jīng)降低了。

再談一下AI Agent的能力邊界。如果它能在整個(gè)復(fù)雜流程中實(shí)現(xiàn)自動(dòng)化，并達(dá)到人類完成的效果，那就可以稱為AI Agent；但如果只是在某個(gè)單一場(chǎng)景解決特定問題，那其實(shí)只是一個(gè)AI工具，甚至不需要用到AI。

我們之前也踩過這樣的坑：原本想用AI Agent完成一個(gè)功能需要18秒，而用傳統(tǒng)工具只用了9秒。對(duì)于用戶來說，等待時(shí)間是不能接受的。因此，我們要從用戶需求出發(fā)，優(yōu)先考慮提供低成本、高效滿足用戶需求的工具。

孔淼：從兩個(gè)維度來看，我們從2023年開始接觸并嘗試AI Agent這個(gè)概念。一方面是我們觀察行業(yè)是如何定義Agent的，另一方面是我們自己如何去理解和應(yīng)用它。

回顧2023年，當(dāng)時(shí)ChatGPT剛剛興起，Agent的概念開始受到關(guān)注，最早的一些產(chǎn)品，尤其是被稱為“四小龍”的公司，已經(jīng)開始在產(chǎn)品中引入“智能體”這一概念。他們將一個(gè)System Prompt所構(gòu)建的特定角色——例如一位金融工程師的人設(shè)視為一個(gè)Agent。

隨后進(jìn)入第二階段，一些flow類的開源工作流編排開始出現(xiàn)，某些人開始認(rèn)為“編排即Agent”。

到了2024年初，完整的Agent開始被認(rèn)為應(yīng)具備幾個(gè)核心能力：長期記憶、短期記憶、任務(wù)規(guī)劃、工具調(diào)用能力以及結(jié)果輸出能力。

再到Devin出來之后，這種代理自動(dòng)化編程能力。再到今年的Manus的browser use這種能力。

所以從整個(gè)Agent行業(yè)發(fā)展來看，其實(shí)經(jīng)歷了被認(rèn)為是”智能體”、是”代理”的不同定義的階段。穿透來看，有人認(rèn)為LLM大語言模型的一個(gè)Feature，就是在特定場(chǎng)景的某種人設(shè)是一種Agent，有人認(rèn)為工作流編排是一種Agent，當(dāng)然，也有很多走在前沿的開發(fā)者，比如Manus，真正實(shí)現(xiàn)了讓Agent代替人類去使用工具完成任務(wù)。

容聯(lián)云較早地開始了Agent的探索，過程中認(rèn)知也在不斷更新。在服務(wù)大模型客戶的應(yīng)用實(shí)踐中，我們總結(jié)出兩種主要應(yīng)用場(chǎng)景：

第一種是輔助坐席型應(yīng)用，比如在客服或銷售坐席的工作流里面，提供提示話術(shù)、流程引導(dǎo)或知識(shí)檢索支持。我們認(rèn)為這類更接近于Copilot，原因是在既有流程中起輔助作用。

第二種是自主執(zhí)行型應(yīng)用，如話術(shù)挖掘、話術(shù)洞察，甚至包括知識(shí)挖掘等任務(wù)。我們認(rèn)為這才是真正的Agent。原因是說，我們會(huì)為它定義目標(biāo)，定義數(shù)據(jù)API，通過LLM自動(dòng)理解歷史溝通記錄和會(huì)話記錄，并調(diào)用一些基礎(chǔ)工具——比如函數(shù)調(diào)用、代碼調(diào)用或業(yè)務(wù)API——來挖掘有效話術(shù)和服務(wù)中的關(guān)鍵信息與結(jié)果，實(shí)現(xiàn)端到端的自動(dòng)處理。

但到了今年，我們也發(fā)現(xiàn)單純的端到端方式并不夠完善?；谛袠I(yè)前沿的Agent標(biāo)準(zhǔn)——由LLM做決策，結(jié)合tool use進(jìn)行工具調(diào)用，并基于業(yè)務(wù)進(jìn)行場(chǎng)景設(shè)計(jì)——如果從這個(gè)維度來看，我們需要升維思考。

過去我們的Agent更多是用新的軟件替代舊軟件，而現(xiàn)在我們開始融合新舊軟件體系，借助computer use或者browser use的能力，在基于大模型去做調(diào)度，從而構(gòu)建更前沿的Agent系統(tǒng)。這也是我們?cè)趯?duì)Agent理解上的不斷升級(jí)。

李聰：如果這個(gè)問題交給AI來回答，它很可能會(huì)告訴你，一個(gè)合格的Agent需要具備需求理解、任務(wù)決策和動(dòng)態(tài)執(zhí)行能力。這大概就是一個(gè)標(biāo)準(zhǔn)答案。

但真正衡量一個(gè)Agent是否“合格”，關(guān)鍵在于它的決策預(yù)測(cè)是否符合用戶的實(shí)際需求。當(dāng)我們使用像OpenAI或DeepSeek這樣的模型時(shí)，會(huì)發(fā)現(xiàn)它的決策和執(zhí)行過程往往與我們的預(yù)期存在較大偏差。

因此，我認(rèn)為一個(gè)真正合格的Agent，應(yīng)該能夠結(jié)合用戶的具體背景進(jìn)行調(diào)整。例如在我的產(chǎn)品中，它可以根據(jù)歷史知識(shí)和過往的決策行為，提供輔助性的糾偏，并實(shí)現(xiàn)動(dòng)態(tài)執(zhí)行。

關(guān)于產(chǎn)品形態(tài)，我認(rèn)為它并不是單一固定的。在我們的產(chǎn)品中，大多數(shù)情況下，Agent在執(zhí)行合同類任務(wù)時(shí)是用戶“感知不到”的——也就是說，它并不一定需要交互式界面。當(dāng)然，對(duì)于一些高風(fēng)險(xiǎn)操作，我們?nèi)匀粫?huì)保留人工確認(rèn)環(huán)節(jié)，由用戶點(diǎn)擊“確定”來進(jìn)行最終把關(guān)。

鄒陽：可以看出來，目前大家對(duì)于Agent的概念和定義仍然存在一定的差異。如果讓我用一句不容易被挑毛病的話來概括：所有大語言模型的應(yīng)用都可以稱為AIAgent。從當(dāng)前市場(chǎng)上的情況來看，這句話基本是成立的。

當(dāng)然，如果非要進(jìn)行分類，區(qū)別主要體現(xiàn)在任務(wù)的自主規(guī)劃能力上。比如最早期的AutoGPT，它是不是AI Agent？當(dāng)然是。只不過它并沒有調(diào)用外部工具，而是通過自我對(duì)話來拆解問題、回答自身。

而如今更多采用“工具調(diào)用+工作流”的方式，比如像Coze或者其它基于Workflow編排的產(chǎn)品，大多數(shù)人都認(rèn)為它們也是AI Agent。

所以如果進(jìn)一步拆解這種行為差異，我們可以發(fā)現(xiàn)背后主要有兩種實(shí)現(xiàn)方式：一種是由模型自主進(jìn)行任務(wù)規(guī)劃；另一種則是通過人為設(shè)計(jì)的工作流進(jìn)行編排實(shí)現(xiàn)。

郭梓溢：前面幾位老師分享的內(nèi)容更多是從技術(shù)角度出發(fā)，介紹了AI Agent的概念和定義?？紤]到在場(chǎng)以及線上可能有不少非技術(shù)背景的朋友，我想用兩個(gè)更貼近生活的例子來幫助大家更容易地理解Agent到底是什么。

第一個(gè)例子是：如果把大語言模型（LLM）比作人的“大腦”，那么AI Agent就像是整個(gè)“神經(jīng)系統(tǒng)”。它負(fù)責(zé)接收大腦發(fā)出的指令，并協(xié)調(diào)身體完成具體任務(wù)。比如我現(xiàn)在坐在這個(gè)位置，通過話筒講話，看似是一個(gè)簡(jiǎn)單的動(dòng)作，其實(shí)背后已經(jīng)完成了從思考到執(zhí)行的一整套流程，這正是Agent所扮演的角色。

第二個(gè)例子是：我們可以把LLM想象成一臺(tái)“發(fā)動(dòng)機(jī)”，而基于LLM構(gòu)建的Agent就像是利用這臺(tái)發(fā)動(dòng)機(jī)制造出的不同交通工具——比如汽車、飛機(jī)、火箭等。也就是說，LLM本身是核心動(dòng)力來源，而Agent才是真正將這種能力轉(zhuǎn)化為實(shí)際應(yīng)用的系統(tǒng)。

接下來簡(jiǎn)單介紹一下我們自己開發(fā)的flowith Agent。我們和目前市面上一些比較熱門的通用Agent產(chǎn)品，有幾個(gè)共同的核心特征：

1. 主動(dòng)思考，自主規(guī)劃路徑 ：當(dāng)用戶輸入一個(gè)問題后，Agent能夠自動(dòng)規(guī)劃出一個(gè)工作流來完成這項(xiàng)任務(wù)；

2.工具選擇 ：根據(jù)任務(wù)的不同階段，動(dòng)態(tài)選擇合適的工具或子Agent來協(xié)助處理；

3.具有記憶，交付結(jié)果 ：最終按照用戶最初提出的Prompt要求，返回高質(zhì)量的結(jié)果。

整個(gè)過程就像我們之前提到的那樣，Agent可以感知環(huán)境、調(diào)用工具、執(zhí)行任務(wù)，并最終輸出符合預(yù)期的答案。

不過，在flowith的產(chǎn)品設(shè)計(jì)中，我們特別強(qiáng)調(diào)了一個(gè)與眾不同的理念——人機(jī)協(xié)同。這一點(diǎn)與一些其他產(chǎn)品的設(shè)計(jì)理念略有不同。有些產(chǎn)品主張用戶提出問題后，后續(xù)全部由Agent自動(dòng)完成，不需要人工干預(yù)。但我們認(rèn)為，在很多復(fù)雜或關(guān)鍵任務(wù)中，人類的判斷和引導(dǎo)是非常必要的。

因此，在flowith中，我們的工作流是可以被用戶主動(dòng)干預(yù)的。例如，在進(jìn)行信息檢索時(shí)，用戶可以明確告訴Agent：“我需要從小紅書或者微博獲取數(shù)據(jù)”，甚至可以指定使用哪些具體的工具。在整個(gè)執(zhí)行過程中，用戶也可以隨時(shí)介入，調(diào)整方向或策略。

這種“人可干預(yù)、AI輔助”的模式，是我們對(duì)Agent的理解和實(shí)踐方式，也是我們產(chǎn)品區(qū)別于很多通用Agent的重要特點(diǎn)之一。

2.通用與垂直應(yīng)該如何選擇？

楊宇梁（主持）：各位嘉賓自己企業(yè)中提供的產(chǎn)品或者服務(wù)，是選擇打造通用型的Agent？還是更深耕于垂直市場(chǎng)的產(chǎn)業(yè)Agent？

張奧迪：我們堅(jiān)定地選擇做垂直領(lǐng)域的AI Agent 。在我看來，“通用”這個(gè)概念太泛了。真正的“通用”可能只有達(dá)到AGI（通用人工智能）級(jí)別才能實(shí)現(xiàn)。而我們所定義的Agent，是在完成一個(gè)全鏈路任務(wù)之后，能夠像人一樣輸出穩(wěn)定且高質(zhì)量的結(jié)果 。

在營銷行業(yè)，無論是素材生成、廣告投放，還是為客戶做變現(xiàn)，甚至跑模型驗(yàn)證效果，最終都要看實(shí)際產(chǎn)出。過去我們做KreadoAI項(xiàng)目，即使推出了數(shù)字人功能，用戶也往往只是下載素材后進(jìn)行二次加工。雖然部分環(huán)節(jié)實(shí)現(xiàn)了提效，但整體上還沒有真正達(dá)到AI Agent的標(biāo)準(zhǔn)。

今年我們開始聚焦垂直場(chǎng)景，比如易點(diǎn)通過把BI能力、AI創(chuàng)意生成、投放能力等全部拆解為子工具，形成公司在營銷領(lǐng)域的AI Agent與MCP server。頂層通過大語言模型加營銷行業(yè)知識(shí)庫，構(gòu)造精準(zhǔn)營銷的調(diào)度系統(tǒng)，配合應(yīng)用層多Agent平臺(tái)，解決企業(yè)全面AI化提效問題。初期我們也曾嘗試通過Workflow串聯(lián)每個(gè)模塊，并由大模型作為調(diào)度器智能分配任務(wù)。但在實(shí)踐中發(fā)現(xiàn)效率較低——每一個(gè)子Agent都需要保證效果，一旦某個(gè)環(huán)節(jié)出錯(cuò)就需要重跑整個(gè)流程，雖然可以校正，但用戶體驗(yàn)不好。

于是我們轉(zhuǎn)變思路：將所有標(biāo)準(zhǔn)操作流程（SOP）整理出來，以單點(diǎn)場(chǎng)景為基礎(chǔ)，構(gòu)建自動(dòng)化的Agent系統(tǒng)。

以垂直營銷為例，客戶想通過社交方式獲客。雖然方法論已有積累，但我們希望實(shí)現(xiàn)批量化的高質(zhì)量操作。

同時(shí)，我們實(shí)現(xiàn)了網(wǎng)站內(nèi)容批量發(fā)布，從關(guān)鍵詞采集到內(nèi)容生成、再到搜索引擎抓取優(yōu)化，整個(gè)鏈路打通。此外還包括自動(dòng)化投放環(huán)節(jié)，僅預(yù)算分配這一項(xiàng)，人工操作中就有近20個(gè)細(xì)化步驟，非常復(fù)雜。我們認(rèn)為，在垂直領(lǐng)域做好AI Agent本身就是一項(xiàng)挑戰(zhàn)，必須確保每個(gè)環(huán)節(jié)的效果，客戶才會(huì)愿意買單。也只有這樣，才能真正幫助客戶實(shí)現(xiàn)增長。

孔淼：我們所做的相對(duì)比較垂直。

從業(yè)務(wù)場(chǎng)景來看，比如我們?cè)谧鲚o助、洞察、質(zhì)檢等功能時(shí)，雖然在客服領(lǐng)域具有一定的通用性，但在產(chǎn)品內(nèi)部流程中，例如質(zhì)檢項(xiàng)、話術(shù)挖掘、話術(shù)助手等模塊，則是進(jìn)一步聚焦細(xì)分，屬于“垂上加垂”。

整體來看，我們的應(yīng)用場(chǎng)景本身就有一定的垂直屬性，而在具體行業(yè)落地時(shí)，還會(huì)結(jié)合行業(yè)特點(diǎn)進(jìn)行針對(duì)性的功能封裝和應(yīng)用適配。

李聰：在戰(zhàn)略選擇上，除了考慮企業(yè)的技術(shù)能力和客戶需求，首先要評(píng)估的是：自己的產(chǎn)品被通用型AI顛覆的可能性有多大。

以e簽寶為例，我們認(rèn)為電子簽名在現(xiàn)行法律體系下是難以被AI替代的。根據(jù)《中華人民共和國電子簽名法》，電子簽名必須由第三方認(rèn)證機(jī)構(gòu)完成，而e簽寶本身就是具備資質(zhì)的認(rèn)證機(jī)構(gòu)。除非未來社會(huì)不再需要實(shí)體合同，契約關(guān)系完全由AI來確認(rèn)，屆時(shí)合同本身都不再存在，e簽寶自然也會(huì)消失。但在當(dāng)前階段，我們認(rèn)為這種顛覆發(fā)生的可能性并不大。

當(dāng)然我們也意識(shí)到，如果通用AI足夠強(qiáng)大，e簽寶的產(chǎn)品價(jià)值可能會(huì)被壓縮到非常薄，最終只剩下“簽字”這個(gè)動(dòng)作。比如合同管理、印章管理等環(huán)節(jié)都被AI接管，我們可能就只扮演一個(gè)很小的角色，這是我們目前最大的焦慮所在。

因此，我們的核心方向仍然是深耕垂直場(chǎng)景，把智能化做到極致，構(gòu)建更深的護(hù)城河。

鄒陽：因?yàn)槲覀児颈旧硪彩且患覄?chuàng)業(yè)公司，我認(rèn)為只有少數(shù)具備三個(gè)條件的創(chuàng)業(yè)公司才敢切入通用場(chǎng)景：一是人才密度足夠高，二是資金足夠充足，三是足夠幸運(yùn)。只有這三者兼具的公司，才有可能支撐得起通用型產(chǎn)品的探索。

畢竟當(dāng)前大環(huán)境并不樂觀，活下去是首要任務(wù)。相比之下，聚焦一個(gè)細(xì)分領(lǐng)域，深入滿足特定客戶（無論是大B還是小C）的真實(shí)需求，并獲得他們的認(rèn)可和付費(fèi)，顯得更為務(wù)實(shí)和重要。這是我個(gè)人的看法。

郭梓溢：我們是面向C端的產(chǎn)品，初期主攻方向是想服務(wù)所有用戶的通用Agent。在通用Agent的發(fā)展過程中，我們確實(shí)遇到了一些問題，其中最大的挑戰(zhàn)或許不是模型能力，而是用戶不清楚它能解決什么實(shí)際問題 。

自去年8月推出第一代通用Agent以來，我們累計(jì)服務(wù)了超過2000萬次請(qǐng)求。我們也曾舉辦過相關(guān)比賽活動(dòng)，了解用戶如何使用通用Agent。結(jié)果顯示，目前大家更多是將其用于生活化或娛樂化的場(chǎng)景，但真正投入生產(chǎn)環(huán)境來提升效率或創(chuàng)造價(jià)值的場(chǎng)景還有待探索。這可能是當(dāng)前通用Agent面臨的核心瓶頸——執(zhí)行搜索信息大部分雜糅且只能來自公開互聯(lián)網(wǎng)，可能無法篩選提取最有價(jià)值的信息，從而有效幫助用戶實(shí)現(xiàn)實(shí)際產(chǎn)出與收益。

當(dāng)然，通用Agent的前景是非常好的。比如做PPT、寫研報(bào)、追蹤新聞熱點(diǎn)等媒體類任務(wù)，這些都非常適合由通用Agent來完成，并且已經(jīng)可以達(dá)到不錯(cuò)的應(yīng)用效果，某些產(chǎn)出已經(jīng)能達(dá)到行業(yè)專家的水準(zhǔn)。

但在B端或企業(yè)級(jí)場(chǎng)景中，通用Agent面臨明顯局限。例如，企業(yè)的數(shù)據(jù)、歷史知識(shí)、人力資源等相關(guān)信息，往往無法通過公共互聯(lián)網(wǎng)獲取，這就限制了Agent的理解與執(zhí)行能力。

很多人可能會(huì)問，為什么我們?cè)谕瞥鐾ㄓ肁gent之后，在2.0階段重點(diǎn)建設(shè)知識(shí)花園？ 因?yàn)槲覀冋J(rèn)為，真正有價(jià)值的信息并不都來自公開網(wǎng)絡(luò)，而更多存在于人類大腦或行業(yè)內(nèi)部的知識(shí)體系中。知識(shí)花園不完全等于知識(shí)庫，它強(qiáng)調(diào)的是知識(shí)的動(dòng)態(tài)應(yīng)用和有機(jī)鏈接，通過AI把這些內(nèi)容拆分成一個(gè)個(gè)小小的種子，后續(xù)智能化地生長與生成因此，我們希望通過構(gòu)建這樣的系統(tǒng)生態(tài)，為Agent提供更多核心認(rèn)知資源。

當(dāng)更有價(jià)值的知識(shí)與Agent深度結(jié)合 ，將能更好地服務(wù)專業(yè)用戶或企業(yè)客戶。以我自己的產(chǎn)品為例：如果我讓通用Agent幫我生成一份關(guān)于flowith的研報(bào)或PPT，但許多關(guān)于產(chǎn)品的核心理念并未發(fā)布，公開信息有限，僅靠通用Agent難以完成高質(zhì)量輸出。但如果結(jié)合企業(yè)內(nèi)部的知識(shí)庫，就能有效補(bǔ)充背景資料，再借助Agent的能力，就可以完成一份具備參考價(jià)值的調(diào)研報(bào)告。

當(dāng)然，對(duì)于像硬件領(lǐng)域或其他高度專業(yè)的軟件行業(yè)來說，除了基礎(chǔ)信息之外，還需要更深入的垂直理解和定制化能力，這也是垂類Agent 更具優(yōu)勢(shì)的應(yīng)用方向。

3.AI Agent的業(yè)務(wù)實(shí)踐

楊宇梁（主持）：從企業(yè)業(yè)務(wù)實(shí)際角度出發(fā)，你們的業(yè)務(wù)有哪些典型痛點(diǎn)，AI又是如何解決這個(gè)痛點(diǎn)的？

張奧迪：我從“對(duì)內(nèi)”和“對(duì)外”兩個(gè)方面來分享。

對(duì)內(nèi)方面 ，我們公司內(nèi)部有一個(gè)信息化平臺(tái)項(xiàng)目，涵蓋了OA、ERP等近200個(gè)審批流程。每個(gè)事業(yè)部都有自己的服務(wù)臺(tái)，無論是新員工還是日常問題，大家都會(huì)通過服務(wù)臺(tái)找流程處理事務(wù)。

但隨著業(yè)務(wù)增多，流程查找變得越來越困難，很多時(shí)候用戶找服務(wù)臺(tái)也會(huì)找錯(cuò)部門。

今年我們上線了內(nèi)部BOT系統(tǒng)“易鯨靈”，定位是一個(gè)“All in One”的統(tǒng)一入口。前端作為調(diào)度中樞，用戶遇到問題時(shí)，首先由企業(yè)FAQ知識(shí)庫響應(yīng)，像差旅審批等常見流程都已集中接入。系統(tǒng)能自動(dòng)識(shí)別需求，調(diào)用對(duì)應(yīng)流程并預(yù)填信息，用戶只需點(diǎn)擊確認(rèn)，即可完成審批、出差等操作。

這個(gè)系統(tǒng)最大的難點(diǎn)在于調(diào)度的準(zhǔn)確性，以及當(dāng)AI無法解決問題時(shí)，如何快速引入人工支持。我們?cè)凇叭藗錂C(jī)制”上也做了很多嘗試和調(diào)整，比如判斷替補(bǔ)人員是否在崗、是否請(qǐng)假等，這部分邏輯也打磨了很久。

對(duì)外方面 ，我們也進(jìn)行了一些實(shí)踐探索。

我們起初認(rèn)為聊天對(duì)話會(huì)是未來最自然的交互方式，因?yàn)楣こ坛杀镜?，也能同時(shí)部署大量Agent。

但從BI數(shù)據(jù)來看，情況并不理想：詳情頁用戶轉(zhuǎn)化率有30%左右，但一旦進(jìn)入操作頁面，點(diǎn)擊率就大幅下降，用戶不知道怎么操作。這讓我們意識(shí)到：對(duì)于單一任務(wù)，傳統(tǒng)交互更直觀；而對(duì)于多步驟、需要靈活性和創(chuàng)造性的任務(wù)，對(duì)話式交互才更有優(yōu)勢(shì)。

此外，我們也在智能投放方向做了一些探索。例如，用戶僅提供一個(gè)產(chǎn)品官網(wǎng)URL，系統(tǒng)就能自動(dòng)分析產(chǎn)品內(nèi)容，并基于當(dāng)前投流市場(chǎng)中的爆款素材進(jìn)行一鍵復(fù)刻。這樣既提升了效率，也更好地保障了投放效果。

孔淼：我們目前的大模型應(yīng)用主要聚焦在銷售與服務(wù)的全流程中。

提到大模型，很多人首先想到的就是對(duì)智能客服的顛覆。畢竟現(xiàn)在“客服”很多時(shí)候已經(jīng)被稱為“智能客服”。但事實(shí)上，傳統(tǒng)智能客服在中大型企業(yè)中的應(yīng)用效果仍比較有限。

過去以小模型為主的任務(wù)型系統(tǒng)，在特定場(chǎng)景下表現(xiàn)良好，但由于溝通本身就是信息長尾型且多樣化的，不同用戶表達(dá)同一問題的方式可能差異很大。如果僅靠小模型窮舉各種表達(dá)方式，幾乎不可行，這也導(dǎo)致了兩個(gè)核心痛點(diǎn)：

第一是知識(shí)運(yùn)營成本高 ：需要專人整理QA知識(shí)庫，周期長、效率低；第二是模型調(diào)優(yōu)依賴訓(xùn)練師 ：影響產(chǎn)品落地和商業(yè)可行性。

因此，過去基于小模型的智能客服，始終沒有真正跑出大的行業(yè)玩家。

而大模型的出現(xiàn) ，很好地解決了語言泛化的問題。作為Foundation Model（基礎(chǔ)模型），它為理解多樣化的語言提供了強(qiáng)有力的支撐。在此基礎(chǔ)上，再通過輕量級(jí)小模型完成意圖識(shí)別等具體任務(wù)，就構(gòu)成了我們當(dāng)前做智能客服的核心邏輯。

從業(yè)務(wù)維度來看，智能客服的應(yīng)用場(chǎng)景非常廣泛。企業(yè)普遍采用“機(jī)器人先行+人工兜底”的模式：先由在線或語音客服由機(jī)器人處理，無法解決時(shí)轉(zhuǎn)接人工。這是一套典型的智能客服流程。

而在整個(gè)流程中，坐席人員通常會(huì)經(jīng)歷事前、事中、事后的多個(gè)環(huán)節(jié)：比如事前的培訓(xùn)、知識(shí)準(zhǔn)備；事中的實(shí)時(shí)輔助、智能填單、業(yè)務(wù)管理；事后的質(zhì)檢、報(bào)表監(jiān)控等。這些環(huán)節(jié)中，很多原本受限于泛化能力不足、多輪對(duì)話處理不佳的問題，現(xiàn)在都通過大模型得到了有效改善。比如：

在通話過程中，機(jī)器人能更好地理解打斷、上下文切換；在線客服也能更準(zhǔn)確地把握用戶意圖，不再“答非所問”。在質(zhì)檢方面，傳統(tǒng)上依靠正則或小模型配置規(guī)則，不僅繁瑣，而且效果有限。現(xiàn)在我們只需用自然語言定義“問題項(xiàng)”，大模型就能自動(dòng)挖掘異常行為，極大提升了準(zhǔn)確率與召回率。

在對(duì)話洞察方面也是如此。以往客戶溝通記錄海量繁雜，靠人工聽錄音效率極低，而傳統(tǒng)NLP方法又難以深入挖掘?，F(xiàn)在我們只需將這些數(shù)據(jù)交給大模型或Agent，就能從中提取潛在需求、商機(jī)線索、服務(wù)斷點(diǎn)，甚至反向推動(dòng)智能化流程構(gòu)建。這種從“看指標(biāo)”到“讀內(nèi)容”的轉(zhuǎn)變，是對(duì)話洞察的一大飛躍。

我們的大模型與Agent能力，主要集中應(yīng)用于客服場(chǎng)景的各個(gè)環(huán)節(jié)中，真正實(shí)現(xiàn)了從效率提效到價(jià)值挖掘的升級(jí)。

李聰：對(duì)e簽寶來說，我們的產(chǎn)品核心是幫助企業(yè)提升合同簽署和管理的效率，同時(shí)識(shí)別潛在風(fēng)險(xiǎn)。

在座很多同行都是做企業(yè)服務(wù)的，我舉一個(gè)實(shí)際場(chǎng)景：當(dāng)甲方提供一份非標(biāo)合同，銷售會(huì)將其上傳到CRM系統(tǒng)，并進(jìn)入主管、財(cái)務(wù)、法務(wù)甚至交付主管的審批流程。過程中可能就包含一些不合理或難以執(zhí)行的SLA條款。

使用e簽寶智能合同后，系統(tǒng)會(huì)在合同上傳后自動(dòng)識(shí)別關(guān)鍵信息，比如合同類型、核心條款，并據(jù)此判斷應(yīng)走哪個(gè)審批流程。例如，如果架構(gòu)條款合理、折扣也正常，主管就不需要再審批；如果識(shí)別到某項(xiàng)條款存在疑問，則流程將自動(dòng)流轉(zhuǎn)至交付主管確認(rèn)。

很多時(shí)候，交付主管拿到一份幾十頁的合同，往往不知從何看起。而我們會(huì)基于其角色設(shè)定（如交付主管關(guān)注哪些條款），在合同進(jìn)入審批環(huán)節(jié)時(shí)，自動(dòng)高亮需要關(guān)注的內(nèi)容，并提示潛在風(fēng)險(xiǎn)。這樣，他們無需通讀整份合同，也不用自己查找重點(diǎn)，效率大幅提升。

整體來看，在合同流轉(zhuǎn)效率和風(fēng)險(xiǎn)條款識(shí)別方面，智能合同帶來的提升是成倍的。

鄒陽：從實(shí)際業(yè)務(wù)落地的角度來看，我們認(rèn)為當(dāng)前的大模型技術(shù)還不夠成熟。

比如大家都很關(guān)注MCP這個(gè)方向，我們?cè)鵀橐患已肫笮畔⒒韭涞亓艘粋€(gè)會(huì)議室預(yù)定場(chǎng)景，結(jié)果整個(gè)過程非常痛苦。這個(gè)場(chǎng)景需要對(duì)接四五個(gè)會(huì)議系統(tǒng)，涉及近百個(gè)API。雖然我們把這些API都做了MCP化，讓模型自己選擇調(diào)用接口，但效果并不理想——模型經(jīng)常選錯(cuò)，導(dǎo)致流程混亂。這也說明，這項(xiàng)技術(shù)遠(yuǎn)未達(dá)到高度成熟的階段，還需要大量工程化工作來打通“最后一公里”。

其次，目前智能體的落地形態(tài)，大多是模擬某個(gè)領(lǐng)域的專家行為。比如用知識(shí)庫承載專家的顯性知識(shí)，用工作流承載其經(jīng)驗(yàn)邏輯。但現(xiàn)實(shí)中存在一個(gè)問題：很多專家是“老師傅”，他們的經(jīng)驗(yàn)并未以自然語言形式記錄下來，更談不上數(shù)字化。

舉個(gè)例子，我們?cè)跒殡娋W(wǎng)公司做變電站設(shè)備檢修項(xiàng)目時(shí)發(fā)現(xiàn)，老專家只要看幾個(gè)關(guān)鍵數(shù)值就能判斷問題所在。但這些判斷邏輯并沒有明文規(guī)則，必須通過訪談將其經(jīng)驗(yàn)書面化、結(jié)構(gòu)化，才能用于建模和落地。

這也意味著，在許多真正有價(jià)值的業(yè)務(wù)場(chǎng)景中，并沒有現(xiàn)成的SOP可以參考。如果希望實(shí)現(xiàn)技術(shù)規(guī)模化落地，技術(shù)和實(shí)施方都需要持續(xù)投入與配合。

郭梓溢：我非常認(rèn)同鄒陽老師關(guān)于模型能力的觀點(diǎn)。我們從去年8月開始推出通用Agent產(chǎn)品，當(dāng)時(shí)還沒有像ChatGPT O1、DeepSeek R1等新一代推理模型。在具備初步框架后，我們的交付效果雖然與現(xiàn)在的通用Agent已經(jīng)比較接近，但最大的問題在于用戶感知不足 。

因?yàn)槲覀兪荂端產(chǎn)品，用戶在初期并不清楚Agent和普通模型之間的區(qū)別。同時(shí)，通用Agent更適合哪些具體場(chǎng)景，也尚未形成清晰認(rèn)知。

我們?cè)?jīng)與Google官方以及Openai團(tuán)隊(duì)有過相應(yīng)討論。在O1模型發(fā)布之后，以及DeepSeek R1等具備推理能力的模型進(jìn)入大眾視野，普通用戶對(duì)AI推理過程有了更強(qiáng)的理解——比如思維鏈、逐步推導(dǎo)等，這讓他們更容易接受模型輸出的結(jié)果。

隨著通用Agent概念逐漸走紅，用戶對(duì)Agent的整體認(rèn)知也在快速提升。這對(duì)于Agent行業(yè)從業(yè)者來說，是一個(gè)爆發(fā)式增長的機(jī)會(huì)。

當(dāng)越來越多的公眾、企業(yè)用戶和C端用戶真正理解了Agent的價(jià)值，整個(gè)行業(yè)的發(fā)展前景也會(huì)更加廣闊。

楊宇梁（主持）：在Agent和業(yè)務(wù)結(jié)合的過程中，你們企業(yè)遇到最大的難點(diǎn)是什么？是如何突破的？

張奧迪：我認(rèn)為最大的難點(diǎn)在于如何深入理解整個(gè)業(yè)務(wù)流程，并將其轉(zhuǎn)化為Agent可以解決的形式，這是落地過程中最具挑戰(zhàn)性的部分。另一個(gè)關(guān)鍵問題是控制大模型的穩(wěn)定性。

此外，要實(shí)現(xiàn)理想的業(yè)務(wù)效果，往往需要多層技術(shù)疊加。大模型在其中只承擔(dān)部分能力，當(dāng)前我們產(chǎn)品中的比例大概是30%-40%，其余依賴傳統(tǒng)工程化手段。隨著底座模型的發(fā)展，未來這個(gè)比例可能逐步向4:6甚至5:5靠攏。

但要注意的是，傳統(tǒng)的工程化方法在可預(yù)見的未來仍不可替代。最終的核心難題依然是：如何準(zhǔn)確理解用戶需求，并通過合適的產(chǎn)品形態(tài)有效交付。

孔淼：從企業(yè)級(jí)的Agent落地來看，主要是決策能力、工具調(diào)用能力。

從決策能力上來講，其實(shí)是依賴模型能力的。企業(yè)級(jí)應(yīng)用的時(shí)候有很多企業(yè)級(jí)內(nèi)部的領(lǐng)域知識(shí)，所以對(duì)企業(yè)本身的數(shù)據(jù)工程、知識(shí)工程，現(xiàn)在的技術(shù)發(fā)展很快、概念很快，企業(yè)的建設(shè)是沒跟上的，如果做得不夠的話、在任務(wù)規(guī)劃的時(shí)候就不會(huì)做得很好，不會(huì)那么精確。

從工具應(yīng)用來看，其實(shí)現(xiàn)在也是分成兩個(gè)階段。前一個(gè)階段主要涉及工程化的手段，但是要把它用好就需要產(chǎn)品技術(shù)研發(fā)是非常懂業(yè)務(wù)的，這是一種瓶頸的阻礙。第二個(gè)是現(xiàn)在流行MCP新技術(shù)手段，就依賴于生態(tài)建設(shè)和已有的軟件工具做結(jié)合，所以這兩個(gè)維度都是屬于技術(shù)概念和技術(shù)都跑得很快，但是企業(yè)內(nèi)部還是處于建設(shè)過程，所以最后給人感覺好像什么都可以做、但是做起來效果不是那么好。

4.商業(yè)與生態(tài)的想象空間在哪里？

楊宇梁（主持）：今天的圓桌也是商業(yè)化的破壁之戰(zhàn)，下一步考慮無論是Agent還是AgentSystem的商業(yè)化方式，是按調(diào)用量來收費(fèi)還是借鑒以往SaaS的訂閱制收費(fèi)，還是按結(jié)果收費(fèi)甚至是不收費(fèi)？

李聰：e簽寶現(xiàn)有的產(chǎn)品邏輯是按版本訂閱收費(fèi)，比如專業(yè)版、高級(jí)版等，版本中會(huì)包含一定額度的簽署量，類似于手機(jī)套餐中“199元含100G流量”的形式，超出部分可以再購買補(bǔ)充包。

但當(dāng)AI產(chǎn)品上線后，我們發(fā)現(xiàn)這套版本制的計(jì)費(fèi)方式不再適用。隨著系統(tǒng)提示詞組件不斷擴(kuò)展、用戶使用頻率上升，Token消耗呈現(xiàn)指數(shù)級(jí)增長，遠(yuǎn)非線性增加。因此，我們調(diào)整為按坐席數(shù)量 收費(fèi)，也就是相當(dāng)于企業(yè)雇傭了多少個(gè)AI員工，就購買多少個(gè)坐席。

對(duì)于一些用戶需求強(qiáng)、開發(fā)投入大的AI功能，例如合同審查、合同比對(duì)等，我們?nèi)圆捎冒凑{(diào)用次數(shù)計(jì)費(fèi) 的方式。我們會(huì)根據(jù)套餐提供一定的免費(fèi)調(diào)用量，超出后可單獨(dú)購買補(bǔ)充。

鄒陽：關(guān)于商業(yè)化定價(jià)，我想先分享一個(gè)觀察：去年我們免費(fèi)為多家大型企業(yè)提供了一年多的咨詢服務(wù)，接觸了不少董事長。他們有一個(gè)共同點(diǎn)——不喜歡聽概念，而是直接問：“你這套系統(tǒng)能替代多少人工？”

這讓我意識(shí)到，企業(yè)級(jí)智能體的定價(jià)，應(yīng)該與其帶來的效率提升掛鉤。雖然不同行業(yè)、不同產(chǎn)品可能有差異，但從實(shí)際客戶反饋來看，按“節(jié)省人力”這個(gè)維度來定價(jià)，是有現(xiàn)實(shí)依據(jù)的。

郭梓溢：我們的定價(jià)在通用Agent產(chǎn)品中可以說是一種“用戶福利”。目前年費(fèi)在185美元，遠(yuǎn)低于部分同類產(chǎn)品，但我們依舊能交付用戶同等質(zhì)量的產(chǎn)出，這得益于我們?cè)诳蚣茉O(shè)計(jì)、模型使用做的工程化努力讓我們有成本控制上的優(yōu)勢(shì)，外加Google官方的支持。

我們即將發(fā)布一款新的Agent產(chǎn)品，預(yù)計(jì)在效果、支持類型和Token消耗能力方面，都是目前通用Agent中最領(lǐng)先的。屆時(shí)，現(xiàn)有的定價(jià)策略也會(huì)做相應(yīng)調(diào)整，也會(huì)根據(jù)任務(wù)完成難度進(jìn)行差異化定價(jià)。

楊宇梁（主持）：目前很多互聯(lián)網(wǎng)的巨頭，包括一些大廠在打造自己的AI生態(tài)，各位企業(yè)是更傾向于獨(dú)立構(gòu)建的Agent閉環(huán)，還是接入一個(gè)生態(tài)平臺(tái)，生態(tài)合作中的一個(gè)核心的博弈點(diǎn)是什么？

張奧迪：這兩者并不沖突。我們目前也在同步推進(jìn)。作為營銷領(lǐng)域較早布局的一方，我們?cè)谡麄€(gè)營銷生態(tài)中打造了完整的MCP服務(wù)體系，涵蓋SDK變現(xiàn)、程序化廣告、智能投放工具、智能分析以及LTV預(yù)估等ROI模型能力。

同時(shí)，我們也接入了更大的外部生態(tài)，無論是多云廠商還是其他平臺(tái)，我們都采用混合云架構(gòu)，合作的云廠商超過十家，并有自研的混合云方案。在與大廠的合作中，我們借助他們的生態(tài)資源，同時(shí)也為他們提供垂直行業(yè)的解決方案，形成優(yōu)勢(shì)互補(bǔ)。

初期雙方是相互依賴的關(guān)系，大廠需要垂直領(lǐng)域的專業(yè)能力，我們需要流量和資源；但隨著合作深入，最終會(huì)走向共贏的發(fā)展模式。因此，內(nèi)部生態(tài)與外部協(xié)同之間并不存在沖突。

孔淼：當(dāng)前云廠商和大模型廠商處于上游生態(tài)的位置，但從我們的合作角度來看有所不同。

我們主要對(duì)大模型進(jìn)行微調(diào)和本地化部署，對(duì)于像上游DeepSeek這類支持開源，或者是千問這種提供良好開發(fā)者服務(wù)的Model Service可微調(diào)的模型，我們都能夠較好地適配。

同時(shí)，一些大模型廠商雖然具備技術(shù)能力，但缺乏具體的業(yè)務(wù)落地方案，因此我們會(huì)作為其下游合作伙伴，將我們的產(chǎn)品與他們的模型結(jié)合，共同打造面向行業(yè)的解決方案。這是我們對(duì)生態(tài)的開放態(tài)度和落地方式。

而在Agent的工具調(diào)用方面，目前企業(yè)級(jí)生態(tài)尚處于早期階段，還未完全成熟。未來我們也將會(huì)積極融入這一生態(tài)，推動(dòng)工具調(diào)用能力的發(fā)展與協(xié)同。

楊宇梁（主持）：在商業(yè)化的進(jìn)程當(dāng)中，設(shè)置個(gè)爆點(diǎn)時(shí)刻，各位認(rèn)為是一個(gè)什么樣的事件，在未來5年，AI Agent最先顛覆的是哪一個(gè)行業(yè)？

李聰：現(xiàn)在很多行業(yè)已經(jīng)被AI所改變。比如日常生活中，給孩子檢查作業(yè)這件事，過去需要一頁頁查看，非常繁瑣；現(xiàn)在只要用AI拍兩張照片上傳，就能快速完成。

再比如醫(yī)療場(chǎng)景，以前做B超需要醫(yī)生逐項(xiàng)判斷，而現(xiàn)在醫(yī)生更像是AI的審核員，只需確認(rèn)AI分析結(jié)果是否有誤。

在這些具體的小場(chǎng)景中，我認(rèn)為大多數(shù)行業(yè)被AI滲透只是時(shí)間問題。未來一個(gè)重要的爆發(fā)點(diǎn)，將是AI實(shí)現(xiàn)跨平臺(tái)數(shù)據(jù)共享和知識(shí)遷移的能力。

比如我讓豆包幫我挑選商品時(shí)，它能調(diào)取我在淘寶、京東的購買記錄，結(jié)合我的使用習(xí)慣和品牌偏好進(jìn)行推薦和決策。只有到了這個(gè)階段，通用智能體才真正具備廣泛的應(yīng)用價(jià)值和商業(yè)潛力，迎來使用率和商業(yè)化能力的雙重爆發(fā)。

鄒陽：真正的爆點(diǎn)一定來自C端產(chǎn)品，B端再“爆”也很難被普通人感知。比如某個(gè)行業(yè)被智能體全面替代，雖然市場(chǎng)空間可能只有一兩百億，但這件事做完后，大眾其實(shí)根本感覺不到。

要形成真正廣泛的影響力和商業(yè)價(jià)值，還是得靠C端產(chǎn)品。只有找到PMF（產(chǎn)品市場(chǎng)匹配），實(shí)現(xiàn)用戶自發(fā)使用并持續(xù)帶來收入，才算真正“爆”起來。

郭梓溢：今年毫無疑問是AI Agent的元年。我們公司作為C端Agent領(lǐng)域的頭部企業(yè)之一，也一直在積極探索。正如我之前提到，在5月中旬，即將推出新一代的Agent。

這款A(yù)gent解決了當(dāng)前通用Agent存在的諸多問題，和實(shí)際應(yīng)用中遇到的痛點(diǎn)。作為產(chǎn)品的市場(chǎng)負(fù)責(zé)人，我肯定衷心希望它能在市場(chǎng)上“爆”起來。

目前我們的收入表現(xiàn)不錯(cuò)，已經(jīng)初步找到了PMF（產(chǎn)品市場(chǎng)匹配）。但對(duì)我而言，關(guān)鍵在于不僅要打造一個(gè)成功的產(chǎn)品，更要推動(dòng)整個(gè)Agent領(lǐng)域的發(fā)展和普及。

如果AI Agent要實(shí)現(xiàn)跨圈層的影響，它的普及程度還有待提高。只有當(dāng)它像智能手機(jī)這樣的工具一樣被廣泛使用時(shí)，才能真正為用戶持續(xù)創(chuàng)造價(jià)值。

換句話說，我們要讓用戶通過使用Agent，賺到比單純使用AI模型更多的收益。而這，必須依賴垂直領(lǐng)域的深入探索。

因此，我們未來會(huì)重點(diǎn)布局垂類場(chǎng)景，也會(huì)與更多企業(yè)展開合作，共同推動(dòng)Agent在實(shí)際業(yè)務(wù)中的落地。