2025年，DeepSeek意外刷屏。但熱鬧過后，技術圈里流傳更廣的卻是另一個信念：大模型的能力，需要Agent來落地。

當我們把注意力還停留在Prompt調教、模型精調時，國內外ToB大廠早已開始悄悄構建Agent平臺體系：國外的微軟、谷歌、OpenAI，國內的百度、阿里、騰訊、字節等巨頭等，都在爭相布局。

需要指出的是，除了科技巨頭，一些細分領域的技術型公司，也都在搭建自己的Agent平臺。這些項目也許沒有發布會，沒有炫技式的營銷，大多隱藏在企業智能化改造的內部工程中，但它們所指向的目標，卻是一致的：打造AI的“智能調度中樞”。

那么，目前AI Agent都是怎么做的，進展如何？為了搞清楚這個問題，數據猿采訪了愛數、袋鼠云、數勢科技等公司，試圖為這個問題找到一些答案。

Agent ≠ Prompt工程，

是“具備意識結構的系統原型”

在ChatGPT風靡全球之后，Prompt Engineering成了新顯學。但真正走向企業級場景時，Prompt已難獨撐大局。

企業需要的不是一次次交互和糾錯，而是一個“目標導向+狀態感知+工具調用”的系統性智能體，能夠自主理解指令、動態規劃路徑、調用外部接口，最終交付完整的業務結果。

這就是Agent的本質，也是與傳統Prompt交互的根本區別。

袋鼠云對這一趨勢看得很清楚。他們認為：“未來企業AI系統，一定會以‘智能體平臺’為基礎設施形態存在，而不是單點工具的堆砌組合。”

需要指出的是，Agent不僅是模型使用方式的演變，更是一種軟件邏輯范式的重寫。

傳統系統強調“人寫流程，系統執行”，而Agent強調“人設目標，系統規劃并執行”。在這一邏輯下，整個企業信息系統的控制層正從“流程圖”變成“調度器+工具鏈+Memory”。

另一個重要趨勢是，AI Agent正在逐步走出傳統的文本界面，邁向更復雜的“流程智能”。

隨著多模態模型的發展與RPA工具鏈的融合，企業開始構建具備“聽得懂指令、看得懂圖像、能操作界面”的感知—決策—執行一體化智能Agent。在制造業、客服、運維等場景中，“LLM+RPA”的組合正逐步補充并升級傳統自動化腳本系統，形成面向業務流程的“智慧工作流 Agent”。

這意味著，AI Agent正從實驗室中的對話助手，逐漸演化為企業數字化流程的“智能副駕駛”。

需要指出的是，盡管前景廣闊，目前整個Agent賽道仍處于早期階段，系統穩定性、任務魯棒性、工具協同等方面仍存在諸多挑戰。

POC很熱鬧，真落地卻困難重重

在行業熱議“智能體革命”的同時，一個冷峻的現實卻橫亙在企業落地的路上：很多AI Agent項目，可能止步于POC環節，難以進入正式生產系統。

一方面，場景熱，需求大；另一方面，項目復雜，失控風險高。

有廠商坦言：“我們構建了一個100個Agent協同的系統，結果一跑就崩了。”這個崩，不只是程序Bug，更是系統架構承載力與業務場景復雜性的全面失衡。

為什么企業的Agent項目這么容易“死在中途”？我們覺得有以下幾個原因：

1. 工程復雜度極高：狀態管理、調用鏈和安全是三大死穴

首先，是“狀態追蹤失效”問題。

Agent執行往往涉及多輪模型調用、多工具協調和上下文管理，但現有框架下的Memory體系常常“一斷即失憶”。這對于流程穩定性要求極高的企業場景來說，是致命的。

其次，是“Tool集成不穩定”。

愛數在實施過程中就發現，企業內部的業務系統普遍呈現“數據異構+多云架構+接口碎片”的狀態：結構化數據庫、PDF、圖像、文檔混雜不堪。更麻煩的是，不同系統調用API失敗率高，一次任務可能涉及十幾次接口交互，只要其中一環不穩，整體任務就會崩掉。

再者，是“權限與安全無法細控”。

在涉及私有數據、內部業務邏輯和敏感決策時，Agent的“自由發揮”成了風險源頭。愛數提出的“信息安全編織架構”（ISF）正是為了解決這一問題，提供從數據分級、訪問控制、審計記錄到文檔脫敏的一整套能力保障。

總之，沒有平臺化的“調度器+安全控+鏈路追蹤”能力，企業部署Agent就如同開著無剎車的自動駕駛車上高速。

2. 模型能力 VS 系統可控性：結構性失衡普遍存在

另一個難題，是“模型越來越強，系統卻越來越不可控”。企業部署Agent時面對的不是“生成能力不足”，而是“模型太會說，卻不知道能不能信”。

比如，RAG召回體系雖然能接入知識庫，但在大規模問答中易失真、召回波動大，尤其是在結構化數據和權限分層要求高的企業場景中，“幻覺”和“權限越界”成為雙重隱患。

數勢科技作為數據分析領域的垂直Agent，遇到的場景挑戰具有代表性：數據使用門檻高、大模型幻覺和海量數據的處理速度慢。在數據分析場景下疊加大模型能力，傳統的ChatBI類產品采用NL2SQL的技術路線，也就是根據自然語言提問自動生成SQL，模型容易出現字段誤用、語義誤解等“幻覺型錯誤”。因此，數勢科技SwiftAgent是采用大模型+業務語義層的方式解決該問題。具體來說，也就是通過“企業業務語義層”橋接自然語言和底層數據，讓大模型承擔意圖識別的能力，讓業務語義層解決大模型幻覺問題——通過指標平臺，將自然語言與底層數據邏輯解耦，提供一個高可靠性的語義接口層。這既降低了業務人員用數門檻，又提高了系統的可控性和準確率。

同時，像金融機構和大型企業，業務復雜且需處理海量數據，這對于企業級應用的相應速度也有較高要求。數勢科技SwiftAgent應用自研的Hyper Metrics Engine通過數據編織和虛擬化技術，能十倍加速大規模數據查詢場景下的響應性能，從而在實際業務場景中加速數據召回和數據分析，減少用戶等待。

3. 成本與ROI：企業缺的不是技術，而是“真實場景”

還有一個往往被忽視的問題：Agent部署成本高，而ROI卻模糊不清。

一輪任務調用，可能涉及十幾次大模型調用、多個外部工具API，每輪都計費，稍有失誤便成本飆升。

而即使Agent部署完成，若不能切中真實業務痛點、提升效率或轉化率，也無法形成商業閉環。

袋鼠云對此態度鮮明：“企業不缺技術，缺的是可復制的好場景。”他們在每一個Agent場景（如智能指標分析）中，都會配套客戶實施案例、ROI計算路徑與業務部門的共識建立，強調不是“想象力造場景”，而是“實證驅動產品定義”。

正因如此，Agent項目必須回到“系統化平臺+場景化部署”的基本盤上，才能跑得穩、跑得遠。

從工具框架到智能中臺，

Agent平臺正在成為新戰場

隨著企業智能化進程的深入，Agent的角色正從“交互式助手”變成“智能化執行中樞”。這也意味著，構建Agent的方式，正從“寫幾個Prompt+調一個API”演化為一場系統級平臺建設的競賽。

最先覺醒的，是那些把Agent看作“AI操作系統”的企業。

☆框架百花齊放，單鏈條執行已無法承載復雜任務流

目前，在 AI Agent的框架層，行業已進入“群雄逐鹿”階段：

LangChain提供了最早期的鏈式調用方案，支持Memory、Tool、Retriever等模塊，是社區廣泛使用的基礎框架。但其對復雜狀態感知、多任務并發處理等場景支持有限，仍需大量二次封裝。

Microsoft Semantic Kernel強調語義技能和插件機制，深度集成Copilot工程體系，適用于微軟生態下的Agent開發。

LangGraph、CrewAI、AutoGen等新興框架正引入狀態圖調度、角色分工、多Agent協同模型，逐步從“線性執行”邁向“并發智能團隊”。

Google Gemini / Project Astra也在多模態感知與實時交互方向探索Agent的下一階段形態，強調“看懂+聽懂+做出反應”的人機融合體驗。

但對于真實企業系統來說，僅有開發框架遠遠不夠。

袋鼠云認為，Agent平臺的本質不是一個代碼框架，而是一個“智能執行中臺”。在其構建的AIWorks平臺中，Agent是由多個模塊組成的系統能力單元，具備以下四個關鍵能力層：

任務調度器：支持任務拆解、流程追蹤、失敗重試等機制，確保復雜任務能夠穩定閉環執行；

工具治理層：統一封裝與管理調用的外部接口，控制調用頻率、權限范圍，實現可控可審；

Memory與上下文管理：保證多輪調用過程中的上下文一致性，支持Agent長期狀態跟蹤與推理連續性；

行為監控與審計：實現對Agent決策與執行行為的可觀測性和可回溯性，保障系統可靠運行。

通過打造一套能被嵌入各類業務系統的“AI原生能力底座”，為上層的智能應用提供Agent服務化支撐。

數勢科技在構建SwiftAgent時，同樣強調產品化能力的重要性。他們的產品架構分為三層結構（應用層、語義層、引擎層），其中語義層解決數據理解，應用層承載多Agent調度邏輯，而引擎層則優化了大數據處理性能和大小模型的智能協作能力。這樣的設計，讓Agent不僅“理解任務”，還“能執行好任務”，真正跨越了企業AI應用從“問”到“做”的鴻溝。

SwiftAgent并不只是一個自然語言分析工具，而是在逐步演化為“數據智能場景下的Agent平臺”。數勢科技也在持續完善任務調度能力與Agent組件化構建能力，通過Multi-Agent的架構將多個數據應用智能體協同聯動起來，如“問數Agent”“指標Agent”“報告Agent”等，支持企業用戶在不同的業務場景下智能調用一個或多個垂直智能體通過多步驟的任務規劃和執行，來滿足業務場景需求。

袋鼠云AIMetrics智能指標平臺同樣作為智能分析Agent的代表，以Headless BI與Chat BI為核心理念，重構了新一代體系能力——它將業務語義層、開放服務能力與智能問數深度融合，構建起面向組織協同與決策治理的新范式。這樣的設計致力于讓每個業務人員都能像數據分析專家一樣決策，通過簡單問答快速獲取數據和洞見，智能化分析并生成報告，提升業務決策效率。

☆為什么說“Agent平臺”是下一代AI中間件？

當前很多企業在部署Agent系統時，面臨的核心問題并不是“選哪個模型”，而是：“如何穩定調度？如何安全調用？如何控制成本？”

這恰恰是“中間件”的任務。

愛數對這一趨勢有清晰洞察。他們將自己的平臺定位為“決策智能操作系統”，而非簡單的工具或輔助系統。其中包含數據平臺：實現全域數據集成；業務知識網絡：實現系統智能；DataAgent：實現精準決策。

這些模塊是保證Agent系統“可控、可信、可交付”的底層基座。

從演進路徑看，Agent平臺正沿著“框架→工具集→企業PaaS”的邏輯邁進——就像十年前的云平臺從OpenStack走向Kubernetes，今天的Agent平臺也正在由“Prompt開發工具”升級為“企業級AI操作系統”。

袋鼠云就直言：“Agent平臺，是AI時代的K8s。”

☆安全、審計、治理，企業級Agent的生死線

在政務、金融、醫療等對合規性極為敏感的行業，Agent系統的“自由發揮”可能不是優勢，而是風險。

因此，企業級Agent平臺的核心，不只是智能力，而是可控性。

這三家公司均在這一層面做了深度設計：

愛數推出“信息安全編織架構”（ISF），覆蓋文檔脫敏、訪問控制、數據溯源、行為審計等功能，保障敏感業務數據流通的安全合規；

袋鼠云構建權限治理、任務記錄、調用審計等中間件能力，確保所有Agent操作“有日志、有權限、有責任歸屬”；

數勢科技則通過指標語義層，對企業數據實現行列級的權限管控，避免自然語言問數過程中造成越權或誤取數據。

未來企業使用Agent的邏輯，不再是“模型有多強”，而是“Agent是否可信”。

能被監管、能被追責、能被嵌入現有IT治理體系的Agent平臺，才是企業愿意買單的Agent平臺。

如果說過去AI中間件的核心是“數據接入”，那么Agent時代的中間件核心就是“智能體調度”。誰能搭建起企業Agent系統的中臺能力，誰就掌握了企業AI的入口主權。

今天我們看Agent，

就像十年前看微信小程序

2017年，當小程序剛剛問世時，沒人能想象它會成為移動互聯網生態中連接用戶與服務的關鍵接口。那時的它，不是App的對手，也不是搜索的挑戰者，但卻悄悄占領了“入口”。

今天，AI Agent亦是如此。

它不是替代大模型，而是承接模型能力的“調度層”；

它不是一款工具，而是“能思考、能行動”的執行體；

它不是顯眼的C端爆品，而是靜靜滲透進企業系統、流程與決策的幕后系統。

袋鼠云明確指出，Agent平臺將成為“AI行動的統籌調度平臺”，而這套平臺背后的競爭，本質是對“AI主調度權”的爭奪。誰掌握了平臺，誰就能掌握未來企業智能系統的“入口控制權”。

數勢科技則從數據價值的角度出發，強調未來Agent平臺將超越單一工具屬性，成為企業AI系統的“智能調度中樞”。在數據領域，一方面它將讓企業每一個人都能用自然語言取數用數，實現數據普惠化；另一方面，它也將構建起"數據-洞察-決策-行動"的全鏈路閉環體系，使企業級智能決策能力實現質的飛躍。

愛數則認為，Agent平臺是企業“數據→知識→邏輯→行動”的閉環系統，是決策智能的操作系統，是未來組織智能力的承載體。

這三家企業的選擇，映射出整個行業的共識：Agent平臺不是可選項，而是基礎設施。

未來，Agent平臺的形態可能多種多樣：對于大廠，它是自研的操作系統式調度平臺；對于中型企業，它可能是基于LangChain或LangGraph的私有化平臺化集成；對于中小企業，它也許是Agent-as-a-Service的API服務。

但無論技術路徑如何變化，它背后的邏輯不變——Agent不是玩具，而是AI系統的主入口，是企業數字化、智能化躍遷過程中的“調度中樞”。

這不是一句口號，而是正在發生的技術現實。

所以，當你看到各大企業“偷偷造Agent平臺”時，不要以為那只是技術團隊的另一個Side Project。那是一場沒有喧囂，卻注定激烈的入口戰爭。