•
AI Agent爆發前的黎明：Manus不夠好，但天快亮了
今年3月初，一款名為“Manus”的通用AI agent產品發佈之後爆火。到了3月底，Manus的母公司Butterfly Effec被爆正尋求新一輪融資，目標估值將超過5億美元。
由於Manus處於內測階段，僅以邀請碼形式開放使用，一度讓邀請碼在二手平台上被炒到數萬人民幣，無數開發者、投資人和從業人員排著隊等測評。
與此同時，業內對Manus的評價從最開始一邊倒的追捧，開始有了越來越多質疑和批評的聲音。
對Manus的爭議一方面來自於這個團隊並沒有非常強的技術能力，大模型用的Antrhopic的Claude、之後與阿里通義千問合作，被質疑是“套殼”產品，沒啥門檻。公司打出的行銷話術“世界上第一個通用AI agent”明顯不屬實，國際開發者社區早就有這樣的general AI agent產品，加上各種媒體和自媒體早期誇張的修飾用詞，反而引發了不少人對Manus激進行銷的反感。
但是在另一方面，一些投資人和從業者卻看到了非常積極的一面，認為Manus在產品互動上確實做得可圈可點。他們指出這個年頭做demo容易，做出一款好產品卻很難，創業公司做推廣的時候大膽一點沒什麼不好。
而更加讓人振奮的是，Manus雖然不夠好，但卻讓人看到了AI應用爆發前夕的黎明曙光。
這篇文章我們就來聊聊Manus引發的熱捧與爭議、AI agent的技術發展路線、目前面臨的技術瓶頸、什麼是一款好的AI agent產品，以及通用AI agent何時才能來臨。
01. 測評Manus
Chapter 1.1 開發者測評Manus
矽谷101也拿到了幾個邀請碼，團隊的小夥伴們都測試了一遍，但效果確實比期待中差了不少。
Jacob
矽谷101後期負責人：
我用Manus找一下稿件中的資訊來源，我覺得對於GPT是更加聰明了一點，但是很簡單多工它花了半個小時才跑完。
陳茜
矽谷101聯合創始人兼視訊主理人：
我讓它幫我整理分鏡稿，感覺它的審美像實習生，而且做文章的分鏡圖時卡了21個小時，現在還卡著。
泓君
矽谷101聯合創始人兼視訊主理人：
讓Manus整理微信文字稿時出現了幻覺問題。
王可倚
矽谷101特約研究員，《創客人生》主理人：
它最開始聽懂了我的需求，但是執行中途就跑偏了。
我們也邀請了AI agent開發者Nathan Wang來系統性地評測下Manus。Nathan在過去兩年有著豐富的AI agent及AI應用開發經驗，他希望能量化地表示模型的能力，所以建立了一個測評的機制，並且這個系統也可以去測評其他應用或是模型。以下為Nathan評測的部分內容：
我主要有三個衡量指標：“精準度”、“可用度”、“完成度”，同時以“研究”、“教育”、“生活”、“資料分析”、“創意性工作”這五項任務歸類。
我根據每個指標的表現從1到5打分，表現越好得分越高，表現越差得分越低，最後取三個維度的平均分。
先說它做得好的部分：研究方面為4分，教育方面為4.5分。這兩塊的能力是非常強的，正確性、完成度都很高。
但這兩個領域的結果其實是符合我們預期的，因為ChatGPT、 Claude還有Gemini都是有深度研究的功能，它其實就是在網際網路上幫你尋找各種各樣的資訊，根據需求讓大模型解釋，或者做出一些行動。
Manus AI構架背後用的是其他模型，據傳言說是Claude、DeepSeek-R1，Manus會利用這兩個模型，根據使用者需求生成一個任務列表，然後Manus可以通過程式設計、網際網路搜尋，像人一樣查閱瀏覽器上的內容，來抓取資訊。
總體來說，Manus更多是通過工具、函數、API來獲得資訊並總結，或者通過渲染的形式給使用者表現出來，比如做成一個表格、執行一些程序等。
但除了研究和教育外，Manus在生活、資料分析、趣味性方面的得分卻比較低，“生活”為3.5 分，“資料分析”為2.5分，“趣味性”2.5分。
在我們的測試中，Manus遇到的比較大的問題是，它將不同信源資訊整合在一起的能力不是特別強；模型本身的邏輯能力、資訊綜合能力還不夠，尚不足以在使用者的實際體驗中提供有效的幫助。
以上是Nathan評測的一部分節選，想看完整版的觀眾可以收看矽谷101視訊或Nathan的微信視訊號“矽谷AI領航”。
簡單總結下Manus的能力：在簡單一些的任務上，它給到了很絲滑的通用AI Agent的互動產品形態，雖然Nathan認為這個產品在矽谷開發者社區中很早就有公司有人在做了，但是對非開發者2C使用者來說，當看到Manus頁面上展示出它真的在加速看視訊、讀取文件、訪問不同的網站搜尋資訊時，確實讓使用者第一次感受到了“AI agent”在虛擬世界充當機器人、幫使用者完成一系列任務的潛力，還是非常驚豔的。
當然對於稍微有難度的任務它完成得不太好，甚至出現了卡殼幾十個小時的現象，說明它還處於非常早期的產品階段，之後還需要很多的迭代。
Chapter 1.2 2C產品的使用者閾值與“叫醒鈴”
也有嘉賓認為，我們應該對AI初代產品有所謂的“閾值”概念。在到達AGI之前，也許不會有精準度100%、完全精準不出錯的通用AI agent。大家需要給AI agent一些時間和耐心，不同人群的需求，會從簡單到複雜逐漸迭代地被實現。
周煒
創世夥伴資本（CCV）創始主管合夥人
前KPCB中國基金主管合夥人：
我認為Manus這個產品超過了使用者的閾值。使用者要把一個產品作為生產力工具，它必須要超過達到某個滿意度以上才可以完整的使用。
ToB端其實有很多AI產品已經有很好的收入了，但是C端來說，大家以前沒有感覺到有個產品改善了生活，我認為Manus做到了這點，它把使用者體驗做得很不錯。雖然目前它的能力比較普通，最終也不可能面面俱到，但至少從目前來看，它的一些功能都做得很完善，未來還有繼續提升空間。
我們看到一些爭議，說它只是AI操縱大師，指揮另外兩個AI底層模型來完成任務，這種討論說明了一個問題，那就是目前AI從業者群體裡面有一個很大的誤區：在技術上自嗨。
我印象很深的是，賈伯斯被踢出蘋果又回去後，在一個公開大會上有1000多個工程師，其中一個工程師站起來挑戰他說：你又不懂技術，憑什麼指導我們、做這個公司的領導者？賈伯斯的回答是：我知道如何滿足使用者需求、使用者需要什麼樣的產品、並且我可以把它賣出去。
我覺得這就很好地回答了現在對Manus的質疑，在指責它僅僅是一個AI指揮大師的時候，為什麼你不去做一個完美的使用者介面來實現使用者真正的需求？這才是現在AI從業者需要思考的問題，怎麼讓產品體驗超越使用者的閾值、能夠變成生產力工具，如果做到了這一點，市場認可度就會很高。
Deepseek對全球來說一個Wake-up call（叫醒鈴），它告訴大家：原來大模型還可以用這種路徑來實現，而不是通過暴力堆疊的路徑。而Manus我覺得也是一個叫醒鈴，它告訴所有的AI從業者，不要痴迷於技術底層，你要做的是提供一個完整度高的產品，讓大家都用起來，最終實現技術平權、技術普惠，如果連老爺爺、老奶奶都開始用它並且覺得好用，這才是目前ToC端產品的大成就。
Manus給了一個非常清晰的訊號：大模型底座已經準備就緒了，足夠做一個完成度高的產品。所以我覺得現在是非常好的發力時機。
TensorOpera AI聯合創始人何朝陽認為，要做好AI agent產品，有四個緯度：“模型”、“工具”、“資料”、“基礎設施”。產品或公司至少要在其中兩項佔絕對優勢，才能保持領先。他認為，Manus佔據了“工具”和“資料”這兩個優勢。
何朝陽
TensorOpera AI
ChainOpera AI聯合創始人：
Manus佔到了工具的優勢，因為他把多個工具縫合到了一起，他可能也有一些獨特方式，比如指揮多個agent相互合作。我覺得把各種工具縫合本身就是一個特點，它確實可能用的是其他的底層模型，但它可以收集使用者傳送的prompt（提示詞），對比那些提示詞輸出的結果更好，這樣就可以幫助它迭代升級。
因為Manus有先發優勢，可以早點拿到使用者資料，可能會發現那些agent更重要，然後更快速的迭代它，所以它其實已經在不斷升級資料和工具的路上了，這剛好是應用創業者要去做的。
至於模型和基礎設施，我覺得跟大廠合作就好了，就不要去四兩撥千斤了。
“技術已經Ready了”，這是我們和很多AI從業者和投資人交流的時候，他們透露出的訊號和見解。
02. AI Agent技術發展史
過去一段時間“agent”這個詞稍微有點被“太泛化”了，門檻有點過低，所以我們先明確下AI Agent的定義。
技術人員通常將AI Agent定義為：具有“邏輯推理能力和決策能力”（Reasoning）、“記憶能力和上下文理解”（Memory）、“工具使用能力”（Tools）這三種能力，甚至更進一步說，還需要具備學習使用不同新工具的能力。
Keith Zhai
Tiny Fish聯合創始人：
我們自己定義的agent，它應該在某種意義上像人一樣，可以使用各種網頁工具，也同時還可以學習怎麼使用不同的東西，但這點對Agent來說是非常難的挑戰。
我們來看看過去幾年，AI生態圈是怎麼發展推理（Reasoning）、記憶（Memory）和工具（Tools）這三種主要能力的。
Chapter 2.1 推理能力
Nathan Wang
矽谷101特邀研究員
AI Agent開發者：
AI Agent需要有很強的邏輯能力，因為它最終幫使用者執行任務的時候，需要理清楚這個任務該如何決策？用那些工具？得到資訊之後應該做那些動作？所以推理（Reasoning）是最重要的能力之一。
2022年10月，就在ChatGPT上線的一個多月前，ReAct框架被普林斯頓和Google Brain合作的團隊提出。
ReAct是一個將推理和行為與LLMs（大語言模型）相結合通用的範例，這讓大模型不僅能回答問題，還能推理並採取行動。簡單來說，就是讓AI在回答問題的同時，能夠執行一些動作，不只是“動動嘴皮子”。
Nathan Wang
矽谷101特邀研究員
AI Agent開發者：
ReAct所做的事情更加偏向於prompt engineering（提示詞工程），他其實是通過設定一些不同的提示詞，能讓大語言模型按照一定的格式去輸出。
比如說第一步是先理解使用者想要的是什麼，然後再思考下一步要去做什麼，同時也告訴模型，有那些工具可供選擇。當模型有邏輯能力之後，它會選擇一種工具，比如使用者要訂機票，那就要去搜尋機票相關的資訊，然後agent就會通過呼叫某個工具或API，也可以是模型自己寫的功能，來完成這一系列的動作。得到這些資訊後，agent還要思考，下一步是要幫使用者定這個機票，還是告訴使用者這個資訊，再讓使用者來決定。所以所有AI Agent的構架其實都是從這篇論文開始的。
但當時的最先進模型GPT-3.5的能力相對有限，使得AI Agent的邏輯推理能力並不出彩，錯誤率很高。
而後來發佈的GPT-4在理解能力、推理能力、回答質量都大幅提升。同時2023年3月23日，ChatGPT外掛功能Plugin發佈，允許大語言模型呼叫外部工具並開發APT，支援開發者將LLM與資料庫、工具和網際網路連接。這些都讓AI agent的開發者們興奮不已。
Nathan Wang
矽谷101特邀研究員
AI Agent開發者：
剛開始ChatGPT只能做一些對話、生成文字，但後來它就可以搜尋網際網路上的內容了，還可以讓它接入不同的資料庫去提取資訊，或者使用一些工具。
那時開發者社區沸騰了，因為整個模型有了推理能力，也可以接入各式各樣的工具來完成一系列複雜的操作。當時有個公司比較有意思，叫做Zapier，這個公司是2011年成立的，但它們主要做一些自動化工具。但大語言模型發佈後，他們就第一時間去幫大語言模型去做這系列工具，很多早期的開發者應該都用過Zapier，比如它可以讓大語言模型接入Google信箱，或許其他的應用，讓大語言模型可以完成更複雜的工作。
所以在2023年初，AI Agent技術三大要素的第一步已經搭建好了，邏輯推理能力提到了顯著提升，也可以接各種外部API、呼叫外部工具來完成任務。
接下來，開發者生態進入到了技術發展的第二章：記憶能力與上下文理解。
Chapter 2.2 記憶能力
Nathan Wang
矽谷101特邀研究員
AI Agent開發者：
剛開始GPT大概只有4096個token，其實是非常少的，大概只能輸入3000多個英文單詞，那時大家非常苦惱沒有辦法輸入更多資訊讓模型去執行地更好。
但到5月份的時候，OpenAI最大的競爭對手Anthropic，發佈Claude模型。這個模型一開始得到開發者的關注，主要原因就在於，跟ChatGPT相比，Anthropic可接受的token大概提升了100多倍，意味著它可以獲得更多的資訊去思考和決策。所以Anthropic的發佈也是技術史上非常關鍵的一筆。
2023年5月11日，Anthropic推出的Claude模型可以支援10萬token的上下文窗口，使得LLM能夠處理更大規模的資訊，並增強基於大量資訊的推理和決策能力。
不久之後的2023年6月13日，OpenAI也在這一方向做出了技術迭代，發佈函數呼叫（Function Calling），引入JSON模式和1.6萬token的上下文窗口。這讓AI可以更可靠地呼叫外部API，比如說查天氣、自動填表等等任務。
緊接著在2023年11月21日，Anthropic的Claude 2.1版本又進一步，把上下文窗口擴展到20萬個token，相當於AI一次性可以記住一整本教科書的內容，思考能力大大提升。也意味著能進一步擴大大模型的記憶能力，最佳化推理和決策過程。
再之後在2024年2月，Google發佈Gemini 1.5的時候，將上下文窗口的token數擴展到了百萬等級，至此，“記憶”這個AI Agent發展必備中的第二個技術壁壘也完全被打破，對於開發者們來說不再是大問題。
Chapter 2.3 工具使用
2023年底，前兩個技術壁壘的突破，讓大語言模型能充當虛擬世界的機器人這件事情變得更加可行，這時一些初創公司開始在矽谷生態圈活躍了起來。
Nathan Wang
矽谷101特邀研究員
AI Agent開發者：
我知道的第一個讓大語言模型去控制使用者電腦的AI Agent應用公司是Simular，它應該是2023年12月底的時候發佈了第一版Demo。大家看到AI agent的功能已經變得越來的強大了，從開始使用各種工具、接各種資料庫、呼叫不同的應用，已經發展成可以操控電腦了。這一點讓我覺得AI Agent的技術路線有了極大的飛躍。
2024年10月底，Claude發佈了“computer use”功能，讓AI Agent直接控制電腦的能力更進了一步，AI變得更像真正的、可以行動起來的智能助手。
Nathan Wang
矽谷101特邀研究員
AI Agent開發者：
你可以看到開發者社區或初創公司其實走的比大廠要早很多。
AI圈備受關注的Andrew Ng（吳恩達）教授在2024年底關於AI Agent的演講，徹底燃起了技術圈和非技術圈人們對於AI Agent的期待和熱情，“2025年將成為AI Agent應用元年”的預測開始出現在各大媒體頭版上。
雖然各種各樣的AI Agent應用demo在全球開發者社群中早就屢見不鮮了，但在Manus出現之前，大部分AI Agent創業公司主要聚焦於企業級（ToB）應用，而非直接面向消費者（ToC）。所以難點在那裡呢？
Keith Zhai
Tiny Fish聯合創始人：
其實自從有網際網路開始，網路上所有工具的設計方式，主要目標都是為了讓人類使用，在這樣的邏輯下，機器想完成精準、大面積的互動是很難的，這是在大語言模型出現前人類無法解決的問題。
在AI Agent之前行業沒有形成範式共識，所以現在距離AI Agent實現通用化還差一步，那就是整個產業的支援。
Chapter 2.4 一步之遙
我們前面提到的邏輯推理、上下文記憶、工具呼叫這些能力，在何朝陽看來，都屬於“single agent”（單獨智能體）的技術發展。
但要讓AI Agent真正發展起來，做到主流化、規模化，那還需要實現multi-agent（多個智能體）之間的通訊和互聯，不同的Agent需要在不同裝置、不同機房之間去做計算和聯動，才能推動上億等級使用者機會的應用。這其中的難點在於通用的、標準化的協議適配範式。
何朝陽
TensorOpera AI
ChainOpera AI聯合創始人：
用大模型來驅動邏輯推理、上下文記憶、工具呼叫這些能力，所產生的AI agent，被大家定義為單獨智能體，這是第一個發展階段。
第二階段的標誌，就在於agent之間能實現互相通訊。
第三階段是讓agent在不同的裝置、不同的機房之間計算、聯動，我覺得它是未來支援億等級使用者必須要有的架構，這是一個單點是無法做到的。
目前，我們仍然處於第三階段的競爭和嘗試中，這個階段要解決的問題是，很多網站或者工具不支援AI agent的呼叫。
比如說很多網站和服務都會有“反機器人/anti-bot”的設定，我們也看到Manus執行任務時也經常因為訪問不了一些資料而導致任務失敗，所以在這個階段中，我們需要打造一個通用協議來解決這個問題，才能支援不同AI agent之間的聯動。
包括Anthropic等在內的很多公司正在做協議適配上的嘗試。2024年11月初，Anthropic推出“模型上下文協議”（Model Context Protocol，簡稱MCP），引進了“應用如何為LLM提供上下文”的規範。
Anthropic將MCP協議稱為“AI應用的USB-C連接埠”，支援將大模型直接連接到資料來源。此前，企業和開發者要把不同的資料接入AI系統，都得單獨開發對接方案，而MCP做的，就是提供一個 “通用” 協議來解決這個問題。
然而，MCP解決了第三代技術的問題，還有最後一代問題，是目前AI Agent應用大規模爆發的壁壘，那就是：真正統一的Agent-Agent之間Protocol通訊標準與分散式運算，就像如今的Android與iOS一樣，我們也需要一個全球承認且通用的AI OS。
何朝陽
TensorOpera AI
ChainOpera AI聯合創始人：
舉個例子，現在有兩個獨立的agent，如果要讓這兩個agent之間互相協作，就需要造第三個agent，這個agent來負責和前兩個agent之間互相通訊。
但agent之間的互動沒有標準，可能一個協議是A，另一個協議是B，所以第三個agent就要把各自的協議給改一下，讓兩者之間能互相通訊。
就好比10年、20 年前，有兩種電腦，一個是IBM造的，另一個是Intel造的，它們之間底層的鏈路沒有打通，就會導致軟兩個軟體之間沒有辦法溝通，那時還沒有TCP/IP的時候就比較麻煩。但到移動網際網路的時候，比如說基站的通訊標準TTL、 TEL等等，如果所有裝置軟體都符合這個標準，大家是可以互相交流的。
所以今天單獨智能體內部呼叫工具的問題，MCP已經一定程度地解決了，但兩個agent之間如何通訊，是更高維的通訊協議。我對未來AI的想像就是，有一個非常複雜的分佈式網路，有大量的服務，使用者的訴求分發到整個網路裡面，然後得到一個反饋。
我已經看到Android的創始人（之一）出來親自做AI OS 這件事情，我覺得Android一定要被重構，可能這個系統你打開之後就是一個框，你可以問的一切問題，所有的資訊或動作都會呈現在這個框的裡。這個是我認為協議的核心。
2024年11月底，一個由Android系統前高管們創業的公司，/dev/agents吸引了外界和媒體的注意，他們宣佈獲得了5600萬美元的種子輪資金，聯合創始人兼首席執行官David Singleton表示：“我們需要一個類似於Android系統的人工智慧時刻”。
他們想要打造的就和何朝陽的公司一樣，希望開發一個通用作業系統，為AI Agent提供一個統一的平台。如果做到了，最後一個AI Agent的技術壁壘也就打通了，AI Agent就達到了第四階段。
何朝陽
TensorOpera AI
ChainOpera AI聯合創始人：
我們想做一個真正的distributed multi-agent framework（分佈式多代理框架），並且是hybrid as cloud（混合雲）的架構，這樣的話就需要agent之間的通訊，並且不是一個單系統，它是公司之間的協作。
目前Router這種技術（如何確定分發意圖、打通不同的agent的協議），我們現在是一個一個地去找合作夥伴適配，我們正慢慢地嘗試去推廣這種通用的協議。
但根據10年前的教訓，這件事最終應該是幾個大廠、或者然後國家隊聯合起來一起推廣，有點像通訊領域的 5G、6G標準。
總結一下何朝陽從整個AI Agent生態角度來看待的四代技術：
第一階段是planner規劃（也就是邏輯推理）、記憶memory、工具tools，讓單個智能體在技術上的成熟。
第二階段是通過planner的發展，在單機上實現多個智能體之間的通訊。
第三極端是AI Agent在不同裝置和機房之間能聯動，這將推動上億等級的使用者承載量。
第四階段是Agent-Agent之間的通訊標準與分散式運算，也就是一個全新的AI OS。這也是我們現在正在突破的階段。
何朝陽與很多AI從業者們都說，在黑夜中探索了這麼久，現在天快亮了。
何朝陽
TensorOpera AI
ChainOpera AI聯合創始人：
如果是一個產品經理的視角，我覺得現在的階段應該說是天亮了。
如今，隨著AI Agent基建的進一步完善，包括底座大模型在內的各項技術進一步提升，以及科技巨頭、初創企業、開發者生態中對協議和標準的進一步探索以及統一，我們似乎能感受到，AI Agent的爆發只有一步之遙。
Manus和類似的通用AI Agent公司只是給我們打了個樣，之後的路還有很漫長。但這一步的距離其實還有挺多沒有解決的問題。
Nathan Wang
矽谷101特邀研究員
AI Agent開發者：
推理、記憶、工具呼叫這三個能力，只能讓開發者做一個成熟的demo出來，但是如果想變成一個真正可用的產品，其實還需要解決兩個技術瓶頸。
一個是可靠性，比如說至少有90～95%以上的情況能給使用者正確且相關的資訊。
二個是這個魯棒性，怎麼樣讓大模型或AI agent 能夠具有魯棒性，在各種邊緣情況下都能夠滿足使用者需求，是非常有挑戰性的。
Keith Zhai
Tiny Fish聯合創始人：
對企業來說有很多問題需要考慮，比如第一步出錯的機率是1%，第二步是2%，第三步可能是1%，但最糟糕的情況是，它會有一個疊加的錯誤效果，等它完成到第十步的時候，錯誤率就非常高了，很多企業辦公流程達到了十幾二十步，最後可能錯誤率會非常高。
Keith表示他們公司Tiny Fish扒了一下網上的資料，全美國有1.5萬家接受了融資的初創企業在做AI agent方向的創業，這顯示出AI agent這個大賽道的生態火熱。
03. 矽谷AI Agent公司版圖
接下來由矽谷101的特約評論員王可倚來歸類下，AI Agent公司的版圖和大家在嘗試的方向。
目前的AI Agent產品主要分為以下三類：
1. 以Manus為代表、直面使用者的通用型agent；
2. Agent基礎設施與框架層，也就是幫助搭建agent應用的地基和工具；
3. 面向特定行業的垂直化agent，比如程式設計、客服、銷售、科研、商業分析與調研、甚至供應鏈管理等領域。
通用型agent前面已經討論很多了，接下來重點講講後面兩類。
Chapter 3.1 Agent基礎設施與框架層
說到架構，不少開發者小夥伴一定會首先想到LangChain。這個誕生幾個月內就獲得了超5.5萬GitHub星標、和3千萬美元融資的開源工具，迄今是agent開發者用來讓大語言模型呼叫外部工具與資料庫、擁有長程記憶、及完成多步驟工作流的首選工具包之一。
還有一些其他熱門工具，比如Pinecone這類幫助agent高效檢索外部知識的向量資料庫，或讓agent能更好處理私域資料的LlamaIndex等等，雖然並非僅針對agent，但也都是目前agent應用開發必不可少的“左膀右臂”。
同時各大雲服務商也都爭先恐後地推出了agent工具包，例如微軟的Semantic Kernel、AWS的Bedrock Agents等，用來組合多種AI技能，主打對agent開發者體貼入微。
就像前面提到的，隨著AI Agent基建和框架層的進一步探索和完善，這一塊也是這兩年VC風投資本們非常熱門的投資方向，使得開發者們能用的工具和支援生態越來越成熟。
我們在過去幾個月看到不同行業和場景中，不少創業公司們的Agent應用嘗試。接下來我們聊聊具體的垂直賽道的明星公司們。
Chapter 3.2 AI程式設計Agent
如今，AI agent應用被認為最早落地的是程式設計類的agent：它們不僅能自動補全程式碼，還能協助程式設計師們編寫、偵錯，甚至自主部署軟體。
GitHub Copilot在2025年2月推出的agent模式，想必碼農小夥伴們都很熟悉。由初創公司推出的程式設計agent不僅多到讓人眼花，還可以稱得上AI屆“造星工廠”。
號稱首位“AI軟體工程師”的Devin，背後是“生下來就在羅馬”的新貴初創公司Cognition AI，成立不到半年，估值就躍升到20億美金。Devin宣稱能替代初級碼農獨立閱讀技術文件、編寫。
Devin的野心很宏大，每月高達500美金的訂閱費也很美麗，但我身邊的程式設計師朋友卻吐槽： Devin寫程式碼一般般，做調研倒還不錯。所以現實情況是，定位於企業級使用者的Devin在龐大冗雜的程式碼庫、欠缺的技術文件和模糊不清的背景資訊（context）這三座大山前，有點力不從心。
Cursor是另一個風頭正勁的AI程式設計助手，誕生於四位MIT本科生於2022年創立的公司Anysphere。Cursor由於好用、速度快，對使用者程式碼庫理解能力出色，且成本遠低於Devin，迅速成為了很多碼農的首選，包括OpenAI、Shopify、Instacart的團隊都有使用。
據業內消息，不到三歲的Anysphere已實現1.5億美金年化收入，且正在洽談估值可能高達百億美金的新一輪融資。
其他還有很多程式設計類agent，比如擁有2000萬開發者使用者的Replit，旗下的AI Agent可以根據自然語言指令生成完整的網頁端應用。還有正在以近30億美金估值融資的Codeium，旗下的Windsurf已拿下包括戴爾在內的超一千家企業級使用者；以及字節跳動針對中文開發者推出的程式設計助手Trae等等。
看來AI程式設計領域的agent賽馬越來越精彩，不知各位碼農朋友是欣喜還是擔憂呢？
Chapter 3.3 客服與銷售Agent
客服與銷售是兩個勞動密集型崗位，但如今AI agent在這兩個領域中凸顯了效率優勢，受到大量企業採納的領域。
客服助理中表現突出的是Decagon。這家炙手可熱的AI初創公司已融資超1億美元，客戶包括大家熟悉的Duolingo、Notion和Eventbrite等。
Decagon的AI客服能自動處理高達70%的客服工單，為企業節省每年數百萬美元的人力開支。企業客戶之一Bilt曾說：使用Decagon就像一夜之間多招聘了65名全職客服人員。
與此同時，銷售領域則有快速崛起的AI獨角獸Clay，它利用AI agent自動抓取和擴充目標客戶資料，批次與潛在客戶進行量身定製地互動，並幫銷售人員處理大量工作中的髒活，從而成倍放大銷售團隊的生產力，目前已積累了十萬名使用者。
Chapter 3.4 其他新興應用場景
除了上面說到的幾個領域之外，AI agent還在以下許多領域擴大影響。
1. 商業調研：作為商業資料分析領域的頭部AI agent，Hebbia服務於全球資管規模前50名基金中的近1/3，以及多家大型律所、諮詢公司、甚至美國空軍。
2. 科研：學術界明星科研助手Elicit擅長自動生成論文部分內容並處理海量資料，目前全球已有超過200萬科研人員使用；它極大提升了機器學習、製藥與生物科技等領域的研究效率。
3. 供應鏈最佳化：被譽為美國最神秘的巨量資料公司Palantir近期在其人工智慧平台（AIP）推出了agent功能，用於自動化管理物流與庫存，已在60余家大型企業投入使用。
4. 醫療健康：美國最大的醫療資訊公司Epic利用AI agent，將大量繁瑣重複的行政工作自動化，比如患者預約與分流、基本溝通、手續查驗與項目批准等，有效減輕了醫護人員的負擔。
Chapter 3.5 AI Agent應用小結
隨著AI agent技術的發展，為什麼一些應用場景會更快地落地應用呢？我們發現目前取得成功的agent大多具備以下幾個特徵：
1. 任務定義明確且高度重複，比如客服、銷售等場景，AI能顯著提效且風險相對較低。
2. 工作流模組化且相對獨立，比如經過良好切割的軟體開發任務，agent可以不需要大量背景知識，在封閉、可控環境中運行。
3. 注重資訊檢索、分析與推理，大量自然語言互動，且不需借助複雜外部工具的場景。比如各種形式的調研，利於AI揚長避短。
4. 聚焦於協助而非完全取代人類，讓企業能夠逐步、穩妥地將AI整合到現有工作流中。
總得來說，業界普遍認為大模型和agentic AI的底層技術，已發展到了足以支撐大量2B領域商業化的階段，而2C領域MVP（最小可行產品）的雛形也已經顯現。
當然，想讓AI agent承擔更複雜的角色，在長期記憶、多模態、API整合、以及多agent協作等方面，還有很長的路要走。此外，企業也要做好內部流程、資料和文件標準化的工作，才能讓AI agent更有用武之地，這或許會像10年前的企業上雲，並非朝夕之功。
04. AI Agent的未來
在Manus引發的熱潮和爭議不久，OpenAI發佈了新的Agent功能，推出專用於簡化agent開發的API和工具，包括Responses API、內建工具和Agent SDK，幫助開發人員和企業建構有用且可靠的AI Agent。
所以Manus可能只是一道前菜，而精彩的部分才剛剛開始，Agentic這個詞也註定會成為2025年AI賽道的關鍵詞。
周煒
創世夥伴資本（CCV）創始主管合夥人
前KPCB中國基金主管合夥人：
ToB端其實去年就有一些產品收入很高了，ToC端的話，我認為今年會是AI應用的元年。
我覺得一個通用的 AI agent想覆蓋所有的應用場景是不可能的，所有在AGI達到之前，日常生活中應該需要多種AI agent互相配合，比如有買機票的agent，買保險的agent，買房的agent等等。
其實不用把agent想得太神秘，它就是相當於日常生活中，某個垂直領域的顧問或者是從業人員在幫你做這個事兒。所有在AI agent它應該也有很多個，針對不同的方向幫你解決不同的問題。
當然，我相信未來所有的agent會是大一統的狀態，但道路還很漫長，所以我覺得沒必要觀點太終極。我覺得現在創業公司得先專注在垂直領域把它做到非常精細。
Perplexity這個產品就給了大家一個非常明確的方向，你看它從一開始就是專心在“研究”這一塊做得非常的專業，我覺得就走這條路，足夠成就一家很好的公司。
當然，一個新技術和新範式的產生少不了失敗，這個失敗在於對創業路徑的失敗，也在於對時機判斷的失敗，還有對於燒錢速度的失敗等等。
在AI Agent這條道路上，我們已經看到一個初創明星公司的倒下：這就是Adept。
Adept總融資額增至4.15億美金、公司B輪估值超過10億美金晉陞獨角獸之後，卻因為技術研發受阻而自己又研發基礎模型所以燒錢太狠，不得不最終在2024年年中“賣身”給亞馬遜。當時，這給所有想要從事AI Agent賽道的初創公司都槍響了警鐘。
如果Adept能撐過黑夜、撐到如今的黎明時刻，說不定能比Manus拿出更好的產品、公司的結局會不會不一樣呢？
無論如何，如今天快亮了，但新的一天才剛剛開始。長路慢慢，還早著呢。 ( 矽谷101 )