在 AI 技術迅猛發展的當下，AI agents（人工智慧代理）正從實驗室原型走向企業實戰，成為提升效率的“數字員工”。然而，如何讓這些“智能助手”既強大又可靠？世界經濟論壇（WEF）與Capgemini攜手發佈的《AI Agents in Action: Foundations for Evaluation and Governance 2025》(人工智慧代理在行動:2025年評估和治理基礎)白皮書，給出了實用答案。這份報告為決策者、技術領袖和從業者量身打造的“行動手冊”，幫助大家從實驗到部署，一步步建構安全、可信的 AI agents 生態。AI agents：從“聊天機器人”到“決策夥伴”的躍遷在呼叫中心，過去是指令碼化的聊天機器人，現在是能理解意圖、動態決策的AI agents；在企業流程中，它不再是靜態工具，而是像人類同事一樣規劃任務、呼叫資源。報告前言中，Capgemini Invent首席執行長Roshan Gya和WEF人工智慧卓越中心負責人Cathy Li 表示：AI agents 的興起將帶來效率飛躍、人機互動革新，甚至催生全新數字生態。但機遇伴隨挑戰——目標錯位、行為漂移、工具濫用等風險，正考驗著傳統軟體治理的極限。這份報告的核心洞見是：AI agents 不是簡單升級，而是範式轉變。它借鑑人類入職流程——定義角色、測試表現、逐步授權——強調“最小特權原則”，即只賦予必要權限。報告調研顯示，目前多數企業還停留在規劃或試點階段，這正是“從小處起步、迭代謹慎、防護適度”的最佳時機。如果貿然推進，未經驗證的用例可能釀成信任危機。報告建議：通過跨職能協作和漸進治理，讓AI agents放大人類智慧，推動創新，提升生活品質。技術基石：建構可靠的 AI agents 架構AI agents的軟體架構、通訊協議和安全模型，直接決定了它們如何融入組織、與世界互動。就像招聘新員工，企業需為AI agents搭建“工作站”——清晰角色、防護機制、監督體系。AI agents的架構分為三層：應用層、編排層和推理層。簡單說，應用層是“門面”，通過使用者介面或API接收輸入，確保輸出符合業務需求，可在雲端或邊緣裝置運行。編排層像“項目經理”，協調工具呼叫、子代理分工，支援模型切換（根據任務複雜度選大模型或小模型），並通過Model Context Protocol（MCP）連接企業資源，如資料庫或CRM系統。這層讓AI agents擺脫供應商鎖定，實現多雲多邊環境的無縫協作。最有趣的是推理層：它驅動AI agents的“思考”——從規則邏輯到生成式模型，處理預測、分類或規劃。報告用圖示說明：這些層協同工作，形成動態邊界，確保AI agents在安全圍欄內行動。舉例來說，在多代理系統中，A2A（代理間協議）和ACP（代理連接協議）讓它們像團隊一樣協作，處理複雜依賴。報告強調，建構AI agents不止工程，還需orchestration（編排）。它融合四種範式：經典軟體的確定邏輯、神經網路的模式識別、基礎模型的上下文適應，以及自主控制的規劃機制。這讓AI agents從“執行命令”進化到“自主決策”，但也引入新複雜性——需結構化腳手架，避免行為失控。通訊與安全：讓 AI agents “對話”無障礙協議是AI agents的“通用語言”。報告重點介紹2024年底Anthropic推出的MCP，它標準化了代理與資料來源、API的連接。過去，每個代理任務需定製整合；現在，MCP如共享介面，讓代理輕鬆查日曆、讀郵件、更新資料庫。報告圖示生動：代理A發郵件更新記錄，代理 B 確認資料庫變更，整個過程高效模組化。MCP已獲主流框架支援，被視為連接代理與企業基礎設施的核心。它加速部署，支援即插即用，尤其在雲、邊緣和感測器資料場景。另一協議A2A則專注代理間互動，形成multi-agent systems（MAS）的互操作層。報告展望：這些協議將讓AI agents在雲平台、企業網和邊緣裝置間自由流動，開啟即時感測器驅動的智能時代。安全不容忽視。AI agents架構獨特，能越過組織邊界呼叫外部工具，這帶來網路安全新憂。報告建議：視AI agents為“擴展員工”，用人類治理邏輯——權限漸增、行為測試、人機環路——管理風險。傳統存取控制已不足，需關注自治、權威和上下文，確保可靠邊界。分類與評估：從角色定義到風險把控報告第二部分轉向實用：如何分類、評估和治理 AI agents？它提出功能分類框架，按角色、自治度、權威、可預測性和營運上下文區分代理。這不是抽象標籤，而是指導評估與防護的藍圖——任務範圍小、環境可控的代理，防護可輕；高自治、高影響的，則需嚴謹審查。評估是關鍵。報告建議：用驗證案例測試行為，在人機環路中運行，逐步擴展自治。風險評估聚焦新威脅，如目標錯位或協調失效，借鑑OECD、NIST、ISO/IEC框架，擴展自治與系統風險原則。報告強調漸進治理：從小規模起步，迭代最佳化，連接評估與防護，確保信任、安全與問責。展望未來：多代理生態的曙光報告結尾展望多代理生態：代理間協作將催生複雜生態，如分佈式決策網路。但需警惕 emergent risks（湧現風險）。通過 AI 治理聯盟的協作，報告建議：從小做起，建好基礎，為更廣闊應用鋪路。 (AI資訊風向)

核心觀點：社交平台或成AI 代理落地先鋒摩根士丹利在2025 年 8 月 13 日的報告中指出，亞洲主流社交平台（如微信、KakaoTalk、LINE）有望成為 AI 代理技術的首批規模化應用場景。這些平台憑藉龐大的使用者基數、高頻的日常使用和多元的服務生態（購物、支付、出行等），能通過 AI 代理顯著提升使用者體驗，吸引更多第三方服務接入，甚至催生新商業模式。儘管執行難度較大，但當前股價尚未充分反映這一潛在價值。為何是社交平台？AI 代理落地的三大優勢1. 使用者生態成熟微信（中國）、KakaoTalk（韓國）、LINE（日本）均為本土絕對主導的社交平台，覆蓋 80%-95% 的人口，日均活躍使用者分別達 9.05 億、4400 萬、8620 萬，日均使用時長最長達 101.6 分鐘（微信），為 AI 代理提供了天然的應用場景。2. 服務閉環完善三大平台均已整合購物、支付、出行等功能，AI 代理可在單一平台內完成任務閉環（如訂外賣、叫車），避免跨平台操作的繁瑣。例如，Kakao 已推出 “AI 購物助手”，使用者可直接通過聊天介面獲取商品推薦並完成購買。3. 資料優勢顯著平台日均產生數百萬甚至數十億次互動資料，能持續最佳化AI 代理的任務執行精度。相比垂直領域（如旅遊、電商），社交平台的資料覆蓋更全面，更適合訓練通用型 AI。樂觀前景：從“超級應用” 到新商業模式1. 強化超級應用地位AI 代理若能順暢完成複雜任務（如規劃旅行、批次處理預約），將提升使用者粘性，推動流量和交易規模增長，進而帶動廣告和交易佣金收入。以微信為例，其生態已涵蓋社交、娛樂、支付、電商等，AI 代理可能使其成為更核心的服務入口。2. 第三方服務接入擴容缺乏AI 技術的中小服務商可能通過社交平台的 AI 代理觸達使用者，平台可借此拓寬服務範圍並收取技術使用費。例如，Kakao 計畫通過 AI 代理切入旅遊預訂領域，連結 OTA 服務商；LINE 的 AI 促銷功能已使部分品類銷售額提升 111%。3. 電商與訂閱制新機會儘管社交平台在主流電商領域滲透率較低，但AI 代理或簡化購物流程（如智能推薦、一鍵結算）。參考韓國（1600 億美元）、中國（2.9 兆美元）的電商市場規模，即使小幅份額提升也能帶來顯著收益。此外，平台可能推出分級訂閱制 AI 代理（如基礎功能免費、高級功能付費），按複雜度定價。技術支撐：巨頭背後的AI 力量微信：依託騰訊自研的混元大模型，已整合DeepSeek-R1 等技術，近期推出的 “元寶 AI 助手” 可接入微信生態內的小程序、公眾號等資料，支援內容創作、資訊檢索等功能。Kakao與LINE：與 OpenAI 合作開發 AI 代理，Kakao 計畫 2025 年 11 月推出正式版本，LINE 則在 2025 年 4 月升級 AI 聊天機器人，支援文字和圖像互動。風險提示：三大潛在挑戰1. 使用者體驗不及預期若AI 代理存在理解偏差、執行錯誤（如支付故障），可能削弱使用者信任。支付場景尤為敏感，任何失誤都可能導致使用者流失。2. 競爭格局變化垂直領域巨頭（如字節跳動、Naver）可能推出自有 AI 代理；全球平台（如 OpenAI、Google）也可能通過技術優勢切入市場，分流使用者。3. 技術迭代風險AI 技術發展速度快，若平台未能持續迭代，可能被競爭對手超越。例如，字節跳動的 “豆包” AI 已在使用者增長和功能豐富度上對微信形成壓力。對股價的影響：三家公司的潛在機會Kakao（韓國）AI 代理被視為平台創新的核心催化劑，摩根士丹利將其目標價從 5.6 萬韓元上調至 7.5 萬韓元，維持 “增持” 評級，預計 2028 年 AI 訂閱服務可能帶來 1 兆韓元年收入。騰訊（中國）微信的AI 佈局將鞏固其在中國 AI 應用領域的領先地位，進一步擴大生態優勢。報告認為，AI 代理是被低估的增長動力，目標價為 700 港元，較當前有 16.2% 的上漲空間。LY Corp（LINE 母公司，日本）市場對LINE 的 AI 潛力預期較低，但提升使用者參與度的空間大，目標價 600 日元，潛在漲幅 19.3%。總結：AI 代理改寫社交平台競爭規則報告認為，AI 代理技術正處於爆發前夜，亞洲社交平台憑藉生態優勢有望搶佔先機。儘管存在技術和競爭風險，但長期來看，成功落地的平台將在使用者粘性、商業化能力上實現突破。對於投資者而言，Kakao、騰訊、LY Corp 的 AI 進展值得重點關注。 (資訊量有點大)

人工智慧（AI）不是什麼遙遠的夢話，它的快速發展正在改變我們對技術與生活的理解，正在把一切翻個底朝天。如果你還覺得AI Agents只是個炒作，或是只是矽谷的玩具，那你真是瞎了眼。這玩意兒不是科幻片裡的噱頭，它是實打實的生產力炸彈，正在把我們的工作、生活和腦子裡的想法炸得天翻地覆。這篇文章用很簡單的語言帶你搞清楚AI Agents到底是什麼、怎麼分門別類、在那兒用、有什麼坑，以及它會怎麼把未來帶到你面前。1. 什麼是AI AgentsAI Agents這個名字聽著挺唬人，其實已經偷偷鑽進你生活裡了。簡單說，它們就是能理解資訊、消化資訊、幹活兒的智慧系統。它就像一個數字大腦，不光聽懂你瞎嚷嚷什麼，還能幫你幹活兒──寫郵件、訂行程、做決策，啥都行。廣義範圍看，AI Agents包括所有智慧工具，從老掉牙的規則係統到複雜的機器學習模型，再到汽車自動駕駛。這些工具可能並不依賴語言，而是透過傳感器、圖像或其他數據形式來感知和互動。例如，自動駕駛汽車就是一個典型的廣義AI Agent。它透過相機或雷達感知周圍的道路狀況，分析資料後自主決定加速、剎車或轉向，最終將乘客安全地送達目的地。這種代理的核心在於感知、決策和執行，而不一定涉及語言互動。但今天我們要聚焦的是以大語言模型（LLM）為核心的狹義AI Agents。近年來，隨著ChatGPT、Gemini等LLM的突破性進展，狹義AI Agents成為了AI領域的熱點。它們以自然語言處理技術為基礎，能夠理解人類的複雜指令，產生自然流暢的回應，並在此基礎上執行多樣化的任務。想像一下，你對一個AI說：“幫我寫一篇關於AI Agents的報告”，它不僅能理解你的意圖，還能生成一份結構清晰、內容豐富的檔案——這就是狹義AI Agents的魅力所在，它們才是翻天覆地的主力。為何？因為它們靠語言驅動──你隨便說句話，它們就懂，還能照著幹，像是雇了個超聰明的小弟。它們盯著任務不放，專為搞定具體活兒而生，不管是寫程式碼、挖資料，還是想點子。它們還能拉工具幫忙，調搜尋引擎、API，突破自己的知識牆。更牛的是，它們有上下文記憶，能記住你前面說了啥，給你更可靠的答案。這些特質讓AI Agents變成了顛覆級玩家。別再懷疑了，這就是未來。2. AI Agents的分類AI Agents不是千篇一律的貨色。依自主程度和能耐，分三檔：指令型、半自主型、全自主型。每種類型都有其獨特的優勢和適用場景。別怕，我用大白話給你講透。指令型代理是最基礎的，像個自動販賣機——你按個鍵，它吐個東西。你說“寫首詩”，ChatGPT就甩一首給你；寫個代碼註釋，GitHub Copilot就幫你補全代碼。簡單粗暴，但別指望它們自己動腦子或搞複雜活兒。它們就是被動執行，廣泛應用於回答問題、產生內容或基礎對話。快是快，但步驟一多或需要靈感的活兒就抓瞎了。半自主代理稍微有點腦子。它們能在一定範圍內自己幹活兒，例如拆任務、調工具，但你得定目標提供初始指導，在關鍵節點你偶爾還得拉一把，進行確認。 LangChain Agent或AutoGPT就是這路子。你說“給我查市場趨勢”，它們會自己搜尋、整理、寫報告。但任務太亂或工具崩了，它們就歇菜，得你救場。這類適合調研、分析資料，但離全自動還差一截。全自主代理是終極夢想。它們能從頭到尾自己搞定複雜活兒，不用你插手。 OpenAI的o1或Replit Agent就是例子。你說“搞個網站”，它們自己分析、寫代碼、測試、上線，全程一條龍。聽著像科幻？但這就是現實。這玩意兒能幹網站開發、投資管理、策略規劃這種硬活兒。當然，技術難度和資源消耗也高得嚇人，還在初級階段。3. AI Agents的架構與關鍵元件AI Agents這麼能幹，靠的是硬派架構。不同類型各有門道，但核心是大語言模型（LLM），再搭上其他零件，幹特定活兒。指令型代理最簡單：LLM負責聽懂和輸出，對話管理器記著聊了啥，輸出生成器給你打包結果。流程就是你問它答，快得像閃電，但也就這樣了。半自主代理複雜點：LLM負責任務理解和初步決策；有任務分解器把大活兒拆成小塊；工具集調外部資源；反饋循環根據幹活兒的情況調整。流程大致上是這樣的：你給目標，它們拆解、執行、重複優化，最後交貨。這種架構能夠處理更複雜的任務，但工具不穩定或任務分解出錯就很麻煩了。全自主代理的架構是藝術：除了LLM，還有高級規劃器規劃制定長遠行動計劃；環境感知模組即時監控任務進度；自適應學習模組從歷史和經驗中學習升級。流程是：你給目標，它們規劃、執行、監控、學習，優化，最後給你完美結果。這種架構給予了AI Agents高度靈活性，能應付複雜動態環境，但開發難度和資源需求高得要命。4. AI Agents的應用場景AI Agents的應用多到數不清，從日常生活到專業工作，它們正在以各種方式改變我們的世界。以下是幾個典型的應用場景。客戶服務：智慧客服早不稀奇了。回答問題、處理訂單、修故障，24/7線上，成本低到你想哭。比傳統客服更快、更穩，還能提供個人化服務。程式設計與開發：AI Agents正在加速開發流程並減少人為錯誤。 GitHub Copilot可以根據自然語言描述產生代碼片段，Replit Agent甚至能自動修復bug或完成整個項目。你只要提供需求描述，它們就能產生可運行的代碼，速度快得飛起，連外行人都能上手。商業與金融：AI Agents是資料決策的大殺器。它們可以分析市場、給投資建議、算風險，金融機構用它們挖海量資料，產生詳細的投資策略和風險報告，幫助管理者在復雜環境中做出決策。教育與培訓：AI Agents帶來了個性化和高效的學習體驗。它們可以根據學生的進度和風格調整課程，提供智慧輔導和即時回饋。想像一個AI老師，為每個學生設定專門的學習計畫──這已經不是夢。5. AI Agents的挑戰與限制儘管AI Agents的前景令人振奮，但也別以為它就是神，它們也有不少毛病，技術上、實踐上都得啃硬骨頭。指令型代理太死板。如果問題超出知識範圍就懵圈，長期對話還容易忘事兒，前後答得亂七八糟。最煩人的是它們被動，不會主動幫你優化。半自主代理卡在任務分解和工具呼叫上。語言模型規劃能力有限，容易搞砸。另一個是工具呼叫不穩，API一崩任務就黃。最後自動化不夠，還需要你經常盯著，增加了使用負擔。全自主代理更麻煩。高級規劃太難，開發和資源都很燒錢。環境感知能力尚不完善，難以適應動態環境變化，容易翻車。最頭痛的是倫理和安全──失控或決策出錯，後果誰來承擔？6. AI Agents的未來趨勢AI Agents的未來？一句話：更自主、更強協作、更安全。增強自主性：未來將從半自主到全自主進化，人類插手越來越少。在高風險、複雜場景——例如自主醫療診斷、無人駕駛物流——它們能夠獨立應對更多挑戰，大殺四方。多代理系統：AI Agent單打獨鬥的日子結束了，未來會是多個AI Agents的「智慧團隊」。例如，一個市場分析任務可能由資料收集Agent、分析Agent、和報告生成Agent一起上，效率和穩定性爆棚。倫理與安全框架：隨著AI Agents自主性越來越高，確保其行為可控變的直覺重要。未來的發展會加入倫理限制和安全機制，例如限制決策範圍、增加透明度，讓你用得放心。開源與標準化：未來的AI Aigents開發會更加開放，開源模型和統一框架拉低技術門檻，促進全球創新加速。更多人會跳進去推這場革命。結語AI Agents不僅是技術進步的產物，更是人類智慧的延伸。它們正在重塑我們的工作方式、決策過程、生活體驗。從簡單的指令型到複雜的全自主型，AI Agent在以驚人的速度進化沖向未來。坑？有的是──技術瓶頸、倫理麻煩、安全隱患，個個都是硬派。但那次科技大跳躍沒點陣痛？網路有駭客，社群媒體有隱私坑，AI Agents也會有自己的爛攤子。未來已來，你準備好迎接這場變革了嗎？ （林禿頭）

AI Agents（智能體）也有自己的“摩爾定律”了？！就在最近，Nature報導了一項來自非營利研究機構METR的最新發現：AI在完成長期任務方面的進步速度驚人，其時間跨度大約每七個月翻一番。為了衡量Agent自動完成任務的能力變化，研究人員提出了“50%-任務完成時間跨度（50%-task-completion time horizon）”這一指標。他們以50%任務成功率為基準，假設2019年AI達到這一目標所需時間對應人類需要的時間為10分鐘，那麼7個月後，其對應的人類完成任務時間則變成了20分鐘。換句話說，AI能夠勝任越來越多人工耗時久的任務，能力逐漸更強。2024年這一增長速度變得更快了，一些最新模型大約每三個月翻一番。按照預測，大約五年後，AI就能自動完成很多人類現在要花一個月才能完成的任務。網友們紛紛表示，這下終於對AI進步神速有實感了！提出“50%-任務完成時間跨度”指標在METR的介紹中，他們將這一發現命名為“Moore’s Law for AI agents”，也就是“智能體摩爾定律”。下面我們詳細展開其研究方法。整體而言，他們主要是讓AI和一些專業人員在相似條件下嘗試完成任務，然後測量人類所需要的時間，最終來比較AI成功率如何隨著人類完成時間的長短而變化。這第一步，研究團隊選擇了三個不同的任務套件來評估AI模型的能力：97個HCAST任務，涵蓋軟體工程、機器學習、網路安全和一般推理挑戰的多樣化任務集合，難度從幾分鐘到30小時；7個RE-Bench任務，由七個開放式的機器學習研究工程環境組成，每個需人類專家約8小時完成；66個SWAA任務，代表軟體開發過程中的單個步驟操作，時長1秒到30秒。接下來，為了量化評估AI模型的表現，團隊招募了800多名軟體工程、機器學習和網路安全領域的專業人員執行任務，並記錄他們完成任務所需的時間。據METR介紹，在這些任務中，人類完成時間從1秒到16小時不等。這些時間被當作衡量任務難度的標準。然後他們又評估了從2019年到2025年發佈的13個前沿AI模型，包括GPT系列和o1、Sonnet 3.7等，通過在建構的任務套件上運行這些模型，並記錄它們完成任務的成功率。關鍵來了，隨後他們引入了一個新的指標——50%任務完成時間跨度（50%-task-completion time horizon），即AI模型在50%的成功率下能夠完成的任務的平均時間長度。之所以選擇50%這一成功率，主要是它對於資料分佈的微小變化最為穩健。簡單說，當資料的分佈（即資料的特徵、比例或趨勢等）發生一些小的變化時，這個指標不會受到太大的影響，仍然能夠保持相對穩定的表現。論文作者之一Lawrence Chan表示：如果你選擇非常低或非常高的閾值，那麼分別移除或增加一個成功或失敗的任務，就會對你的估計值產生很大的影響。利用這一指標，團隊通過對AI模型在各個任務上的成功與失敗資料進行邏輯回歸分析，計算出每個模型的時間跨度，也就是模型完成任務成功率達到50%之時，對應的人類完成任務的時間。（每個模型在每個任務上運行8次，記錄成功率）有了這些資料，團隊最終繪製了模型自主性隨時間呈指數變化的圖表。發現“AI智能體摩爾定律”如上圖所示，研究的主要發現是：自2019年以來，AI模型的時間跨度呈現出指數級增長，每七個月左右翻一番。為了驗證研究結果的外部有效性，他們又進行了以下四個實驗：1、用2023-2025年資料回溯預測，驗證趨勢一致性；2、對HCAST和RE-Bench任務基於16個 “混亂” 因素評級，分析任務混亂程度對模型性能的影響；3、在其他SWE-bench Verified資料集上應用相同方法，對比結果；4、在內部Pull Requests（PR）任務上測試模型性能，與人類基線對比。最終，這一趨勢得到了以上外部驗證。比如在第2個實驗中，所謂的16個 “混亂（messy）” 因素是指現實任務比研究任務更難的方面，包括任務是否受到有限資源的限制、是否涉及即時協調或是否源自現實世界的環境。每個任務都根據這些因素得到了一個 “混亂度（messiness score）” 分數。研究人員發現，儘管AI模型在更加混亂的任務上（比如缺乏明確提示和反饋、需要AI主動去獲取資訊、任務條件和要求比較模糊等情況）的絕對性能較低，但另一方面其性能在穩步提升。更有意思的是，不管任務的“混亂”程度如何，AI都是以相似的速度在提升。再比如在SWE-bench Verified基準上的驗證，他們也觀察到了一個類似的指數級增長趨勢。不過由於標註時間的問題，該基準測試的時間跨度翻倍時間更短。總之，按照“智能體摩爾定律”進行預測，AI可能在2028年11月達到一個月的任務時間跨度；而在較為保守的估計下，這一目標可能在2031年2月實現。METR團隊認為，雖然研究還存在任務套件具有侷限性、評估指標不完美、未來AI發展具有不確定性等需要完善的地方，但很確信這一指標每年有1~4倍的增長趨勢。而結合現實中Manus智能體的走紅，我們已經能夠預見到智能體將迎來爆發。 (量子位)

你以為AI只是個聊天工具？那你就大錯特錯了！ 😱 OpenAI剛發佈的一系列新工具，正在悄悄改變AI與人類工作的邊界，這很可能顛覆你的職業生涯！ 想像一下，一個AI不僅能回答你的問題，還能自主搜尋網頁、查閱公司檔案、完成複雜任務，甚至操控你的電腦完成工作流程... ...這不是科幻電影，而是OpenAI剛剛宣佈的現實！ OpenAI的野心：讓AI代理真正"工作" 2025年3月12日，OpenAI發佈了一整套專為建構AI代理（agents）設計的工具。這些AI代理不同於普通的AI助手，它們能夠獨立執行各種任務，就像一位不知疲倦的虛擬員工。

OpenAI 發佈了一系列專為建構 AI Agents 設計的新工具和 API，幫助開發者更容易建立能自動完成任務的 AI Agents（智能體）。 OpenAI 認為雖然過去一年推出的高級推理、多模態互動等模型能力為 Agent 奠定了基礎，但開發者在建構生產級 Agent 時，還是會遇到不少難題。 為此，他們今天特地發佈了全新的 Responses API、三種內建工具以及以及一個開放原始碼的 Agents SDK。 省流版如下：

Google： 2025年是AI Agents元年； Sam Altman： 2025年我們能建構出達到AGI L3的Agent。 最新Google發佈了一份關於Agents的白皮書，寫的特別精彩，50多頁的pdf。 Agent：AI 的新邊界，從模型到智能體