AI Agent離我們越來越近了。

4月28日，由「甲子光年」主辦、上海馬橋人工智能創新試驗區聯合承辦的「AI共潮生——2025甲子引力X科技產業新風向」大會在上海工業智能中心盛大啟幕。

在下午場的「AI Agent」圓桌對話中，維度AI創始人兼CEO楊宇梁擔任主持人，與易點天下技術中心副總經理張奧迪、容聯云副總裁，諸葛智能創始人孔淼、e簽寶CPO李聰、未來式智能聯創&COO鄒陽、flowith CMO郭梓溢，圍繞AI Agent商業化落地的核心命題，通用與垂直的路徑選擇、技術瓶頸與行業實踐、商業化模式創新及生態博弈等議題展開深度探討。

易點天下張奧迪認為，通用Agent需達到AGI級別才具普適性，當前更應深耕垂直場景（如營銷素材生成、自動化投放），并通過原子化拆分企業能力實現提效；他強調調度準確性、人備機制設計及MCP技術穩定性仍是落地難點。

容聯云孔淼提出，Agent本質是任務規劃與工具調用的組合，客服場景已從輔助型向自主執行型過渡，大模型顯著提升質檢與對話洞察效率，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踐案例：系統可自動識別條款風險并定向推送至交付主管，合同流轉效率與風控水平成倍提升；其商業化策略從版本訂閱制轉向“坐席+調用量”混合計費，以應對Token指數級消耗壓力。

未來式智能鄒陽直言，當前Agent技術尚未成熟，央企會議室預定項目因模型誤選API導致流程混亂，驗證了工程化落地必要性；同時指出專家經驗書面化難度大，多數場景缺乏SOP基礎，規模化依賴持續投入。

flowith郭梓溢作為C端代表，介紹了作為全球最早涉足通用Agent領域的先行者的發現和思索，其Agent框架核心理念強調人機協同，使人不僅是旁觀者，而是可實時參與創造過程的主導者；團隊即將發布新一代各項能力領先的新Agent，旨在讓用戶可以將agent使用場景聚焦在實際生產提效上。

以下是本場圓桌的對話實錄，「甲子光年」整理：

維度AI創始人兼CEO楊宇梁：今天很高興有這個機會能夠和各位企業代表一起探討AI Agent商業化的破壁之戰。我是維度AI的CEO和創始人。

公司主要致力于打造可靠、有據可依的研究型引擎和Agent，在解決人類知識誕生問題上持續探索迭代。我們堅信AI是系統化的探索并且發現關鍵知識，深度理解知識，創造新智慧的根本途徑。接下來要發布的維度研究型引擎，也會大幅度幫助學生、研究者和專業人士的研究型需求。

維度AI創始人兼CEO楊宇梁

易點天下技術中心副總經理張奧迪：我是張奧迪，是易點天下的技術中心負責人兼AI Lab的負責人。簡單點說易點天下，我們是幫助客戶做出海全球化增長的。有兩個方面：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增長。

我們在AI領域做營銷素材，之后又投入到BI也就是數據洞察和AI結合，在今年我們做智能投放。以前可能在整個鏈路過程中，需要投手大量地研究素材，把他的經驗放在投放優化鏈路上達到高的ROI，但是今年我們通過Agent的方式把這套全部變成一鍵自動化。包括企業內部的信息化流程，像我們把整個企業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進行提效和商業化。

易點天下技術中心副總經理張奧迪

容聯云副總裁、諸葛智能創始人孔淼：我叫孔淼，我們是容聯云是一家以“通訊+數據+智能”為核心能力的企業級產品和解決方案提供商。旗下包括容聯云全渠道智能聯絡中心、容聯七陌、諸葛智能，容犀大模型應用等一系列產品，目前差不多有上萬家客戶，覆蓋數百家金融頭部機構。

我們大概是從2023年開始發布大模型應用“容犀Copilot & Agent”，覆蓋從對話洞察到坐席代理、坐席輔助、智能質檢等。今年Agent很火，我們在產品上也做了進一步升級。

容聯云副總裁、諸葛智能創始人孔淼

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和個人提供電子簽名及合同管理服務的。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，到目前累計了大概70多萬的付費用戶，每天在我們的平臺上大概有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，希望用一個對話框搞定一個合同的簽約流程。

e簽寶CPO李聰

未來式智能聯創&COO鄒陽：我是鄒陽，我們主要是做AI Agent，應該是國內最早一批，我們之前的核心團隊是從阿里巴巴達摩院出來的，ChatGPT出來之后，我們準備開始創業，我們公司在2023年的3月份，定了AI Agent的賽道，一直也在用相應的技術為B端企業市場去做有價值的落地。

未來式智能聯創&COO鄒陽

flowith CMO郭梓溢：我是Flowith的郭梓溢。與剛才介紹的企業不同，Flowith專注于C端市場，是一款致力于打造AI時代終極的創作工具。

我們去年8月正式發布，是通用Agent領域的先行者。目前已在海外市場積累了數十萬用戶，我們的通用Agent服務已處理超過2000萬次請求。今年1月，我們推出了革新性的知識花園功能，并且具有可交易屬性的AI知識市場，這兩者功能也將結合起來。接下來，我們將發布更多關于Agent和AI領域的創新功能，持續探索人和AI的終極交互形態。

flowith CMO郭梓溢

1.究竟什么是AI Agent？

楊宇梁（主持）：在你們的定義當中，什么才是Agent，它應該有什么樣的產品形態，應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。我們可以從兩個角度來看。

第一個角度是把它當作工具來看。

這種情況下，AI Agent本質上是“自動化 + AI”，也可以理解為“RPA + AI”。它的優勢在于更加靈活，但缺點是如果流程鏈路太長，就容易出現不穩定因素。這時候可能需要通過每個單點環節來校準穩定性，或者借助系統性的提示詞工程來提升效果。

另一個角度是把AI Agent當做人來看。

目前它還只能相當于一個實習生或助理的角色。現在市面上很火的產品，大家都在嘗試使用，無論是生成報告還是其他功能。你會發現，結果本身其實并不那么重要，第一步的數據采集反而更為關鍵。比如，它雖然能全網搜索大量信息，但如果你要做一份有深度的報告，而你所獲取的數據和別人一樣，那這份報告的價值在一開始的數據層面就已經降低了。

再談一下AI Agent的能力邊界。如果它能在整個復雜流程中實現自動化，并達到人類完成的效果，那就可以稱為AI Agent；但如果只是在某個單一場景解決特定問題，那其實只是一個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完成一個功能需要18秒，而用傳統工具只用了9秒。對于用戶來說，等待時間是不能接受的。因此，我們要從用戶需求出發，優先考慮提供低成本、高效滿足用戶需求的工具。

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

回顧2023年，當時ChatGPT剛剛興起，Agent的概念開始受到關注，最早的一些產品，尤其是被稱為“四小龍”的公司，已經開始在產品中引入“智能體”這一概念。他們將一個System Prompt所構建的特定角色——例如一位金融工程師的人設視為一個Agent。

隨后進入第二階段，一些flow類的開源工作流編排開始出現，某些人開始認為“編排即Agent”。

到了2024年初，完整的Agent開始被認為應具備幾個核心能力：長期記憶、短期記憶、任務規劃、工具調用能力以及結果輸出能力。

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

所以從整個Agent行業發展來看，其實經歷了被認為是”智能體”、是”代理”的不同定義的階段。穿透來看，有人認為LLM大語言模型的一個Feature，就是在特定場景的某種人設是一種Agent，有人認為工作流編排是一種Agent，當然，也有很多走在前沿的開發者，比如Manus，真正實現了讓Agent代替人類去使用工具完成任務。

容聯云較早地開始了Agent的探索，過程中認知也在不斷更新。在服務大模型客戶的應用實踐中，我們總結出兩種主要應用場景：

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

第二種是自主執行型應用，如話術挖掘、話術洞察，甚至包括知識挖掘等任務。我們認為這才是真正的Agent。原因是說，我們會為它定義目標，定義數據API，通過LLM自動理解歷史溝通記錄和會話記錄，并調用一些基礎工具——比如函數調用、代碼調用或業務API——來挖掘有效話術和服務中的關鍵信息與結果，實現端到端的自動處理。

但到了今年，我們也發現單純的端到端方式并不夠完善。基于行業前沿的Agent標準——由LLM做決策，結合tool use進行工具調用，并基于業務進行場景設計——如果從這個維度來看，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度，從而構建更前沿的Agent系統。這也是我們在對Agent理解上的不斷升級。

李聰：如果這個問題交給AI來回答，它很可能會告訴你，一個合格的Agent需要具備需求理解、任務決策和動態執行能力。這大概就是一個標準答案。

但真正衡量一個Agent是否“合格”，關鍵在于它的決策預測是否符合用戶的實際需求。當我們使用像OpenAI或DeepSeek這樣的模型時，會發現它的決策和執行過程往往與我們的預期存在較大偏差。

因此，我認為一個真正合格的Agent，應該能夠結合用戶的具體背景進行調整。例如在我的產品中，它可以根據歷史知識和過往的決策行為，提供輔助性的糾偏，并實現動態執行。

關于產品形態，我認為它并不是單一固定的。在我們的產品中，大多數情況下，Agent在執行合同類任務時是用戶“感知不到”的——也就是說，它并不一定需要交互式界面。當然，對于一些高風險操作，我們仍然會保留人工確認環節，由用戶點擊“確定”來進行最終把關。

鄒陽：可以看出來，目前大家對于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用都可以稱為AIAgent。從當前市場上的情況來看，這句話基本是成立的。

當然，如果非要進行分類，區別主要體現在任務的自主規劃能力上。比如最早期的AutoGPT，它是不是AI Agent？當然是。只不過它并沒有調用外部工具，而是通過自我對話來拆解問題、回答自身。

而如今更多采用“工具調用+工作流”的方式，比如像Coze或者其它基于Workflow編排的產品，大多數人都認為它們也是AI Agent。

所以如果進一步拆解這種行為差異，我們可以發現背后主要有兩種實現方式：一種是由模型自主進行任務規劃；另一種則是通過人為設計的工作流進行編排實現。

郭梓溢：前面幾位老師分享的內容更多是從技術角度出發，介紹了AI Agent的概念和定義。考慮到在場以及線上可能有不少非技術背景的朋友，我想用兩個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“神經系統”。它負責接收大腦發出的指令，并協調身體完成具體任務。比如我現在坐在這個位置，通過話筒講話，看似是一個簡單的動作，其實背后已經完成了從思考到執行的一整套流程，這正是Agent所扮演的角色。

第二個例子是：我們可以把LLM想象成一臺“發動機”，而基于LLM構建的Agent就像是利用這臺發動機制造出的不同交通工具——比如汽車、飛機、火箭等。也就是說，LLM本身是核心動力來源，而Agent才是真正將這種能力轉化為實際應用的系統。

接下來簡單介紹一下我們自己開發的flowith Agent。我們和目前市面上一些比較熱門的通用Agent產品，有幾個共同的核心特征：

1. 主動思考，自主規劃路徑 ：當用戶輸入一個問題后，Agent能夠自動規劃出一個工作流來完成這項任務；

2.工具選擇 ：根據任務的不同階段，動態選擇合適的工具或子Agent來協助處理；

3.具有記憶，交付結果 ：最終按照用戶最初提出的Prompt要求，返回高質量的結果。

整個過程就像我們之前提到的那樣，Agent可以感知環境、調用工具、執行任務，并最終輸出符合預期的答案。

不過，在flowith的產品設計中，我們特別強調了一個與眾不同的理念——人機協同。這一點與一些其他產品的設計理念略有不同。有些產品主張用戶提出問題后，后續全部由Agent自動完成，不需要人工干預。但我們認為，在很多復雜或關鍵任務中，人類的判斷和引導是非常必要的。

因此，在flowith中，我們的工作流是可以被用戶主動干預的。例如，在進行信息檢索時，用戶可以明確告訴Agent：“我需要從小紅書或者微博獲取數據”，甚至可以指定使用哪些具體的工具。在整個執行過程中，用戶也可以隨時介入，調整方向或策略。

這種“人可干預、AI輔助”的模式，是我們對Agent的理解和實踐方式，也是我們產品區別于很多通用Agent的重要特點之一。

2.通用與垂直應該如何選擇？

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

張奧迪：我們堅定地選擇做垂直領域的AI Agent 。在我看來，“通用”這個概念太泛了。真正的“通用”可能只有達到AGI（通用人工智能）級別才能實現。而我們所定義的Agent，是在完成一個全鏈路任務之后，能夠像人一樣輸出穩定且高質量的結果 。

在營銷行業，無論是素材生成、廣告投放，還是為客戶做變現，甚至跑模型驗證效果，最終都要看實際產出。過去我們做KreadoAI項目，即使推出了數字人功能，用戶也往往只是下載素材后進行二次加工。雖然部分環節實現了提效，但整體上還沒有真正達到AI Agent的標準。

今年我們開始聚焦垂直場景，比如易點通過把BI能力、AI創意生成、投放能力等全部拆解為子工具，形成公司在營銷領域的AI Agent與MCP server。頂層通過大語言模型加營銷行業知識庫，構造精準營銷的調度系統，配合應用層多Agent平臺，解決企業全面AI化提效問題。初期我們也曾嘗試通過Workflow串聯每個模塊，并由大模型作為調度器智能分配任務。但在實踐中發現效率較低——每一個子Agent都需要保證效果，一旦某個環節出錯就需要重跑整個流程，雖然可以校正，但用戶體驗不好。

于是我們轉變思路：將所有標準操作流程（SOP）整理出來，以單點場景為基礎，構建自動化的Agent系統。

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，但我們希望實現批量化的高質量操作。

同時，我們實現了網站內容批量發布，從關鍵詞采集到內容生成、再到搜索引擎抓取優化，整個鏈路打通。此外還包括自動化投放環節，僅預算分配這一項，人工操作中就有近20個細化步驟，非常復雜。我們認為，在垂直領域做好AI Agent本身就是一項挑戰，必須確保每個環節的效果，客戶才會愿意買單。也只有這樣，才能真正幫助客戶實現增長。

孔淼：我們所做的相對比較垂直。

從業務場景來看，比如我們在做輔助、洞察、質檢等功能時，雖然在客服領域具有一定的通用性，但在產品內部流程中，例如質檢項、話術挖掘、話術助手等模塊，則是進一步聚焦細分，屬于“垂上加垂”。

整體來看，我們的應用場景本身就有一定的垂直屬性，而在具體行業落地時，還會結合行業特點進行針對性的功能封裝和應用適配。

李聰：在戰略選擇上，除了考慮企業的技術能力和客戶需求，首先要評估的是：自己的產品被通用型AI顛覆的可能性有多大。

以e簽寶為例，我們認為電子簽名在現行法律體系下是難以被AI替代的。根據《中華人民共和國電子簽名法》，電子簽名必須由第三方認證機構完成，而e簽寶本身就是具備資質的認證機構。除非未來社會不再需要實體合同，契約關系完全由AI來確認，屆時合同本身都不再存在，e簽寶自然也會消失。但在當前階段，我們認為這種顛覆發生的可能性并不大。

當然我們也意識到，如果通用AI足夠強大，e簽寶的產品價值可能會被壓縮到非常薄，最終只剩下“簽字”這個動作。比如合同管理、印章管理等環節都被AI接管，我們可能就只扮演一個很小的角色，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景，把智能化做到極致，構建更深的護城河。

鄒陽：因為我們公司本身也是一家創業公司，我認為只有少數具備三個條件的創業公司才敢切入通用場景：一是人才密度足夠高，二是資金足夠充足，三是足夠幸運。只有這三者兼具的公司，才有可能支撐得起通用型產品的探索。

畢竟當前大環境并不樂觀，活下去是首要任務。相比之下，聚焦一個細分領域，深入滿足特定客戶（無論是大B還是小C）的真實需求，并獲得他們的認可和付費，顯得更為務實和重要。這是我個人的看法。

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

自去年8月推出第一代通用Agent以來，我們累計服務了超過2000萬次請求。我們也曾舉辦過相關比賽活動，了解用戶如何使用通用Agent。結果顯示，目前大家更多是將其用于生活化或娛樂化的場景，但真正投入生產環境來提升效率或創造價值的場景還有待探索。這可能是當前通用Agent面臨的核心瓶頸——執行搜索信息大部分雜糅且只能來自公開互聯網，可能無法篩選提取最有價值的信息，從而有效幫助用戶實現實際產出與收益。

當然，通用Agent的前景是非常好的。比如做PPT、寫研報、追蹤新聞熱點等媒體類任務，這些都非常適合由通用Agent來完成，并且已經可以達到不錯的應用效果，某些產出已經能達到行業專家的水準。

但在B端或企業級場景中，通用Agent面臨明顯局限。例如，企業的數據、歷史知識、人力資源等相關信息，往往無法通過公共互聯網獲取，這就限制了Agent的理解與執行能力。

很多人可能會問，為什么我們在推出通用Agent之后，在2.0階段重點建設知識花園？ 因為我們認為，真正有價值的信息并不都來自公開網絡，而更多存在于人類大腦或行業內部的知識體系中。知識花園不完全等于知識庫，它強調的是知識的動態應用和有機鏈接，通過AI把這些內容拆分成一個個小小的種子，后續智能化地生長與生成因此，我們希望通過構建這樣的系統生態，為Agent提供更多核心認知資源。

當更有價值的知識與Agent深度結合 ，將能更好地服務專業用戶或企業客戶。以我自己的產品為例：如果我讓通用Agent幫我生成一份關于flowith的研報或PPT，但許多關于產品的核心理念并未發布，公開信息有限，僅靠通用Agent難以完成高質量輸出。但如果結合企業內部的知識庫，就能有效補充背景資料，再借助Agent的能力，就可以完成一份具備參考價值的調研報告。

當然，對于像硬件領域或其他高度專業的軟件行業來說，除了基礎信息之外，還需要更深入的垂直理解和定制化能力，這也是垂類Agent 更具優勢的應用方向。

3.AI Agent的業務實踐

楊宇梁（主持）：從企業業務實際角度出發，你們的業務有哪些典型痛點，AI又是如何解決這個痛點的？

張奧迪：我從“對內”和“對外”兩個方面來分享。

對內方面 ，我們公司內部有一個信息化平臺項目，涵蓋了OA、ERP等近200個審批流程。每個事業部都有自己的服務臺，無論是新員工還是日常問題，大家都會通過服務臺找流程處理事務。

但隨著業務增多，流程查找變得越來越困難，很多時候用戶找服務臺也會找錯部門。

今年我們上線了內部BOT系統“易鯨靈”，定位是一個“All in One”的統一入口。前端作為調度中樞，用戶遇到問題時，首先由企業FAQ知識庫響應，像差旅審批等常見流程都已集中接入。系統能自動識別需求，調用對應流程并預填信息，用戶只需點擊確認，即可完成審批、出差等操作。

這個系統最大的難點在于調度的準確性，以及當AI無法解決問題時，如何快速引入人工支持。我們在“人備機制”上也做了很多嘗試和調整，比如判斷替補人員是否在崗、是否請假等，這部分邏輯也打磨了很久。

對外方面 ，我們也進行了一些實踐探索。

我們起初認為聊天對話會是未來最自然的交互方式，因為工程成本低，也能同時部署大量Agent。

但從BI數據來看，情況并不理想：詳情頁用戶轉化率有30%左右，但一旦進入操作頁面，點擊率就大幅下降，用戶不知道怎么操作。這讓我們意識到：對于單一任務，傳統交互更直觀；而對于多步驟、需要靈活性和創造性的任務，對話式交互才更有優勢。

此外，我們也在智能投放方向做了一些探索。例如，用戶僅提供一個產品官網URL，系統就能自動分析產品內容，并基于當前投流市場中的爆款素材進行一鍵復刻。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用主要聚焦在銷售與服務的全流程中。

提到大模型，很多人首先想到的就是對智能客服的顛覆。畢竟現在“客服”很多時候已經被稱為“智能客服”。但事實上，傳統智能客服在中大型企業中的應用效果仍比較有限。

過去以小模型為主的任務型系統，在特定場景下表現良好，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方式，幾乎不可行，這也導致了兩個核心痛點：

第一是知識運營成本高 ：需要專人整理QA知識庫，周期長、效率低；第二是模型調優依賴訓練師 ：影響產品落地和商業可行性。

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玩家。

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

從業務維度來看，智能客服的應用場景非常廣泛。企業普遍采用“機器人先行+人工兜底”的模式：先由在線或語音客服由機器人處理，無法解決時轉接人工。這是一套典型的智能客服流程。

而在整個流程中，坐席人員通常會經歷事前、事中、事后的多個環節：比如事前的培訓、知識準備；事中的實時輔助、智能填單、業務管理；事后的質檢、報表監控等。這些環節中，很多原本受限于泛化能力不足、多輪對話處理不佳的問題，現在都通過大模型得到了有效改善。比如：

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

在對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NLP方法又難以深入挖掘。現在我們只需將這些數據交給大模型或Agent，就能從中提取潛在需求、商機線索、服務斷點，甚至反向推動智能化流程構建。這種從“看指標”到“讀內容”的轉變，是對話洞察的一大飛躍。

我們的大模型與Agent能力，主要集中應用于客服場景的各個環節中，真正實現了從效率提效到價值挖掘的升級。

李聰：對e簽寶來說，我們的產品核心是幫助企業提升合同簽署和管理的效率，同時識別潛在風險。

在座很多同行都是做企業服務的，我舉一個實際場景：當甲方提供一份非標合同，銷售會將其上傳到CRM系統，并進入主管、財務、法務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行的SLA條款。

使用e簽寶智能合同后，系統會在合同上傳后自動識別關鍵信息，比如合同類型、核心條款，并據此判斷應走哪個審批流程。例如，如果架構條款合理、折扣也正常，主管就不需要再審批；如果識別到某項條款存在疑問，則流程將自動流轉至交付主管確認。

很多時候，交付主管拿到一份幾十頁的合同，往往不知從何看起。而我們會基于其角色設定（如交付主管關注哪些條款），在合同進入審批環節時，自動高亮需要關注的內容，并提示潛在風險。這樣，他們無需通讀整份合同，也不用自己查找重點，效率大幅提升。

整體來看，在合同流轉效率和風險條款識別方面，智能合同帶來的提升是成倍的。

鄒陽：從實際業務落地的角度來看，我們認為當前的大模型技術還不夠成熟。

比如大家都很關注MCP這個方向，我們曾為一家央企信息化公司落地了一個會議室預定場景，結果整個過程非常痛苦。這個場景需要對接四五個會議系統，涉及近百個API。雖然我們把這些API都做了MCP化，讓模型自己選擇調用接口，但效果并不理想——模型經常選錯，導致流程混亂。這也說明，這項技術遠未達到高度成熟的階段，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，大多是模擬某個領域的專家行為。比如用知識庫承載專家的顯性知識，用工作流承載其經驗邏輯。但現實中存在一個問題：很多專家是“老師傅”，他們的經驗并未以自然語言形式記錄下來，更談不上數字化。

舉個例子，我們在為電網公司做變電站設備檢修項目時發現，老專家只要看幾個關鍵數值就能判斷問題所在。但這些判斷邏輯并沒有明文規則，必須通過訪談將其經驗書面化、結構化，才能用于建模和落地。

這也意味著，在許多真正有價值的業務場景中，并沒有現成的SOP可以參考。如果希望實現技術規模化落地，技術和實施方都需要持續投入與配合。

郭梓溢：我非常認同鄒陽老師關于模型能力的觀點。我們從去年8月開始推出通用Agent產品，當時還沒有像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在的通用Agent已經比較接近，但最大的問題在于用戶感知不足 。

因為我們是C端產品，用戶在初期并不清楚Agent和普通模型之間的區別。同時，通用Agent更適合哪些具體場景，也尚未形成清晰認知。

我們曾經與Google官方以及Openai團隊有過相應討論。在O1模型發布之后，以及DeepSeek R1等具備推理能力的模型進入大眾視野，普通用戶對AI推理過程有了更強的理解——比如思維鏈、逐步推導等，這讓他們更容易接受模型輸出的結果。

隨著通用Agent概念逐漸走紅，用戶對Agent的整體認知也在快速提升。這對于Agent行業從業者來說，是一個爆發式增長的機會。

當越來越多的公眾、企業用戶和C端用戶真正理解了Agent的價值，整個行業的發展前景也會更加廣闊。

楊宇梁（主持）：在Agent和業務結合的過程中，你們企業遇到最大的難點是什么？是如何突破的？

張奧迪：我認為最大的難點在于如何深入理解整個業務流程，并將其轉化為Agent可以解決的形式，這是落地過程中最具挑戰性的部分。另一個關鍵問題是控制大模型的穩定性。

此外，要實現理想的業務效果，往往需要多層技術疊加。大模型在其中只承擔部分能力，當前我們產品中的比例大概是30%-40%，其余依賴傳統工程化手段。隨著底座模型的發展，未來這個比例可能逐步向4:6甚至5:5靠攏。

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

孔淼：從企業級的Agent落地來看，主要是決策能力、工具調用能力。

從決策能力上來講，其實是依賴模型能力的。企業級應用的時候有很多企業級內部的領域知識，所以對企業本身的數據工程、知識工程，現在的技術發展很快、概念很快，企業的建設是沒跟上的，如果做得不夠的話、在任務規劃的時候就不會做得很好，不會那么精確。

從工具應用來看，其實現在也是分成兩個階段。前一個階段主要涉及工程化的手段，但是要把它用好就需要產品技術研發是非常懂業務的，這是一種瓶頸的阻礙。第二個是現在流行MCP新技術手段，就依賴于生態建設和已有的軟件工具做結合，所以這兩個維度都是屬于技術概念和技術都跑得很快，但是企業內部還是處于建設過程，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.商業與生態的想象空間在哪里？

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

李聰：e簽寶現有的產品邏輯是按版本訂閱收費，比如專業版、高級版等，版本中會包含一定額度的簽署量，類似于手機套餐中“199元含100G流量”的形式，超出部分可以再購買補充包。

但當AI產品上線后，我們發現這套版本制的計費方式不再適用。隨著系統提示詞組件不斷擴展、用戶使用頻率上升，Token消耗呈現指數級增長，遠非線性增加。因此，我們調整為按坐席數量 收費，也就是相當于企業雇傭了多少個AI員工，就購買多少個坐席。

對于一些用戶需求強、開發投入大的AI功能，例如合同審查、合同比對等，我們仍采用按調用次數計費 的方式。我們會根據套餐提供一定的免費調用量，超出后可單獨購買補充。

鄒陽：關于商業化定價，我想先分享一個觀察：去年我們免費為多家大型企業提供了一年多的咨詢服務，接觸了不少董事長。他們有一個共同點——不喜歡聽概念，而是直接問：“你這套系統能替代多少人工？”

這讓我意識到，企業級智能體的定價，應該與其帶來的效率提升掛鉤。雖然不同行業、不同產品可能有差異，但從實際客戶反饋來看，按“節省人力”這個維度來定價，是有現實依據的。

郭梓溢：我們的定價在通用Agent產品中可以說是一種“用戶福利”。目前年費在185美元，遠低于部分同類產品，但我們依舊能交付用戶同等質量的產出，這得益于我們在框架設計、模型使用做的工程化努力讓我們有成本控制上的優勢，外加Google官方的支持。

我們即將發布一款新的Agent產品，預計在效果、支持類型和Token消耗能力方面，都是目前通用Agent中最領先的。屆時，現有的定價策略也會做相應調整，也會根據任務完成難度進行差異化定價。

楊宇梁（主持）：目前很多互聯網的巨頭，包括一些大廠在打造自己的AI生態，各位企業是更傾向于獨立構建的Agent閉環，還是接入一個生態平臺，生態合作中的一個核心的博弈點是什么？

張奧迪：這兩者并不沖突。我們目前也在同步推進。作為營銷領域較早布局的一方，我們在整個營銷生態中打造了完整的MCP服務體系，涵蓋SDK變現、程序化廣告、智能投放工具、智能分析以及LTV預估等ROI模型能力。

同時，我們也接入了更大的外部生態，無論是多云廠商還是其他平臺，我們都采用混合云架構，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資源，同時也為他們提供垂直行業的解決方案，形成優勢互補。

初期雙方是相互依賴的關系，大廠需要垂直領域的專業能力，我們需要流量和資源；但隨著合作深入，最終會走向共贏的發展模式。因此，內部生態與外部協同之間并不存在沖突。

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

我們主要對大模型進行微調和本地化部署，對于像上游DeepSeek這類支持開源，或者是千問這種提供良好開發者服務的Model Service可微調的模型，我們都能夠較好地適配。

同時，一些大模型廠商雖然具備技術能力，但缺乏具體的業務落地方案，因此我們會作為其下游合作伙伴，將我們的產品與他們的模型結合，共同打造面向行業的解決方案。這是我們對生態的開放態度和落地方式。

而在Agent的工具調用方面，目前企業級生態尚處于早期階段，還未完全成熟。未來我們也將會積極融入這一生態，推動工具調用能力的發展與協同。

楊宇梁（主持）：在商業化的進程當中，設置個爆點時刻，各位認為是一個什么樣的事件，在未來5年，AI Agent最先顛覆的是哪一個行業？

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

再比如醫療場景，以前做B超需要醫生逐項判斷，而現在醫生更像是AI的審核員，只需確認AI分析結果是否有誤。

在這些具體的小場景中，我認為大多數行業被AI滲透只是時間問題。未來一個重要的爆發點，將是AI實現跨平臺數據共享和知識遷移的能力。

比如我讓豆包幫我挑選商品時，它能調取我在淘寶、京東的購買記錄，結合我的使用習慣和品牌偏好進行推薦和決策。只有到了這個階段，通用智能體才真正具備廣泛的應用價值和商業潛力，迎來使用率和商業化能力的雙重爆發。

鄒陽：真正的爆點一定來自C端產品，B端再“爆”也很難被普通人感知。比如某個行業被智能體全面替代，雖然市場空間可能只有一兩百億，但這件事做完后，大眾其實根本感覺不到。

要形成真正廣泛的影響力和商業價值，還是得靠C端產品。只有找到PMF（產品市場匹配），實現用戶自發使用并持續帶來收入，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領域的頭部企業之一，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Agent解決了當前通用Agent存在的諸多問題，和實際應用中遇到的痛點。作為產品的市場負責人，我肯定衷心希望它能在市場上“爆”起來。

目前我們的收入表現不錯，已經初步找到了PMF（產品市場匹配）。但對我而言，關鍵在于不僅要打造一個成功的產品，更要推動整個Agent領域的發展和普及。

如果AI Agent要實現跨圈層的影響，它的普及程度還有待提高。只有當它像智能手機這樣的工具一樣被廣泛使用時，才能真正為用戶持續創造價值。

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，必須依賴垂直領域的深入探索。

因此，我們未來會重點布局垂類場景，也會與更多企業展開合作，共同推動Agent在實際業務中的落地。