幾乎都在掛羊頭賣狗肉，AI Agent的泡沫現(xiàn)在到底有多大？（上）

Agent、Agnet？Agent！說起今年的 AI 浪潮，除了年初 DeepSeek 引領(lǐng)的一波強(qiáng)化學(xué)習(xí)熱，行業(yè)內(nèi)最受關(guān)注的，莫過于各種各樣的 AI Agent 以及 “ 類 Agent ”。

不知從什么時(shí)候開始，Agnet 變成了一種萬能公式，什么都可以套進(jìn)去一下。但，Agent 真的有那么好嗎？真的有競爭力嗎？

“ Manus 前陣子剛推出的新功能Wide Research，我覺得非常不具備競爭力，對提高產(chǎn)品競爭力沒有什么用。” 某大型金融企業(yè) AI 技術(shù)專家王顯（ 化名 ）向知危表示。

從 “ 次日即舊 ” 的榜單到被基礎(chǔ)模型一輪升級清場的產(chǎn)品，2025 年的Agent 創(chuàng)業(yè)，熱鬧背后是可憐的留存率與漸趨同質(zhì)的體驗(yàn)。

幾乎所有 Agent 產(chǎn)品都在講 “ 更聰明、更全能、更自動(dòng)化 ”，但用戶只試用一次就離開的比例居高不下，Demo 能飛，落地常摔，這是否意味著通用型 Agent 的敘事正在透支？

本文，知危把鏡頭拉遠(yuǎn)，看看泡沫究竟來自資本驅(qū)動(dòng)、技術(shù)錯(cuò)配，還是場景誤判？

我們將邀請來自大型企業(yè)、創(chuàng)業(yè)公司的多位一線實(shí)踐者，以 Manus 近期的新產(chǎn)品 Wide Research 和公司跑路、撤資事件為引，追問國內(nèi)外 Agent 泡沫亂象現(xiàn)實(shí)、背后的原因，以及未來 Agent 賽道的生存規(guī)則。

在交流過程中，知危發(fā)現(xiàn)，通用與垂直的取舍和統(tǒng)合是決定去留的關(guān)鍵。

實(shí)際上，今年 Agent 大火， 主要是在 tool-use 上取得突破，《 知識(shí)圖譜：認(rèn)知智能理論與實(shí)戰(zhàn) 》、《 知識(shí)增強(qiáng)大模型 》與《 比 RAG 更強(qiáng)- 知識(shí)增強(qiáng) LLM 型應(yīng)用程式實(shí)戰(zhàn) 》作者、大模型技術(shù)專家王文廣向知危表示，“ 具體來看，從編程到browser-use，再到 computer-use，以及隨著 MCP 通用接口普及率的提升，Agent 的 tool use 能力得到增強(qiáng)，能夠更高效地從外部獲取信息，以及與外部系統(tǒng)進(jìn)行交互。”

平安保險(xiǎn)技術(shù)平臺(tái)組負(fù)責(zé)人張森森進(jìn)一步向知危解釋道，“ 技術(shù)層面上，協(xié)議逐漸成熟，能力外延擴(kuò)大，可以通過 MCP 協(xié)議等方式應(yīng)用到更多場景。應(yīng)用層面上，有些長尾場景得到了覆蓋，比如從瀏覽器信息助手到執(zhí)行動(dòng)作的轉(zhuǎn)變：過去只是提供答案，現(xiàn)在能幫助完成動(dòng)作。生態(tài)層面也降低了一些成本。”
“ 過去廠商比拼模型參數(shù)，現(xiàn)在還要比拼模型加生態(tài)工具的組合能力，市場競爭焦點(diǎn)已經(jīng)發(fā)生轉(zhuǎn)移。”

但這其中，以 Manus 為代表的通用 Agent 類產(chǎn)品一直飽受爭議。

一方面，資本甚是青睞，另一方面，用戶詬病不止。直到最近，Manus 先是跑路，把公司總部從國內(nèi)搬遷到新加坡，隨后推出了 Wide Research 產(chǎn)品，再之后又被曝出將可能因?yàn)榘踩珜彶閱栴}被強(qiáng)制撤銷融資。

在整個(gè)賽道中，炒作了大半年的 Agent 概念，也開始面臨越來越顯性的質(zhì)疑。

王顯向知危詳細(xì)解釋了為何 Wide Research 缺乏競爭力，“ 第一，Wide Research確實(shí)提高了并行處理的效率，但也非常消耗計(jì)算資源和調(diào)用額度，所以它的定價(jià)非常貴。”
“ 第二，沒有看到它與單體高性能的 Deep Research 在性能準(zhǔn)確度、成本效率上的公開對比或測試，所以不能確定它在使用大量并行任務(wù)后，效果是否真的得到提升。”

“ 最重要的一點(diǎn)是，它仍然沒有解決場景壁壘的問題。”
“ 它沒有專業(yè)數(shù)據(jù)、沒有專屬工具鏈、沒有行業(yè)認(rèn)證、沒有與業(yè)務(wù)深度綁定的集成，也沒有與高價(jià)值業(yè)務(wù)場景的綁定，也就是任何人都能做。所以，它更偏向工程能力的延伸，而不是在構(gòu)建場景護(hù)城河。”

“ 當(dāng)然，早期采用淺而寬的策略來獲客沒有問題，但長期來看，Manus無法抵御模型廠商的下沉和垂直廠商的滲透。”

“ 所以在我看來，Manus 自始至今，從產(chǎn)品角度而言，思路是完全失敗的。”

AI 技術(shù)專家和創(chuàng)業(yè)者陳為也基本持一致的觀點(diǎn)：“ Wide Research 的本質(zhì)是 ‘ 規(guī)模化通用任務(wù)執(zhí)行器 ’，效率高，但沒有解決 ‘ 決策 ’ 問題。”

“ 用戶會(huì)發(fā)現(xiàn)，當(dāng)他們遇到真正復(fù)雜的問題時(shí)，這個(gè)通用 Agent 還是幫不上忙，最終不得不轉(zhuǎn)向?qū)I(yè)的垂直產(chǎn)品或人工服務(wù)，導(dǎo)致用戶留存率不高。”

如果擴(kuò)大到任意的通用 Agent，則它們都具備一個(gè)看似有吸引力但實(shí)則致命的特點(diǎn)：任務(wù)范圍模糊。

知言吉智 CEO 付瑞吉向知危表示，“ 任務(wù)范圍模糊一定會(huì)對產(chǎn)品帶來不利的影響。一方面，當(dāng)一個(gè) Agent 宣稱能做所有事情時(shí)，它往往在任何一個(gè)領(lǐng)域都做不到最好；另一方面，任務(wù)范圍模糊，意味著用戶對于這個(gè) Agent 到底能幫自己解決什么問題也會(huì)有困惑，那么這個(gè)產(chǎn)品的認(rèn)知成本就非常高。”

付瑞吉進(jìn)一步向知危解釋了近期 Agent 泡沫興起的創(chuàng)業(yè)者心態(tài)：“ 大模型的出現(xiàn)讓大家覺得開發(fā)門檻降低了，感覺 ‘ 人人都能做 Agent ’。許多開發(fā)者和創(chuàng)業(yè)公司認(rèn)為將其包裝成一個(gè)能解決各種問題的 ‘ 超級助手 ’，能迅速吸引大量 C 端用戶。通用型 Agent 的核心賣點(diǎn)就是 ‘ 解決所有問題 ’。但現(xiàn)實(shí)是，目前為止沒有任何一個(gè) Agent 能真正做到這一點(diǎn)。”

王顯更是認(rèn)為這場泡沫的興起是創(chuàng)業(yè)公司和資本共謀的產(chǎn)物，“ Manus 根本不是在做產(chǎn)品，而是在走資本路線，通過不斷推高市場知名度以獲得更高融資。至于創(chuàng)始人是拿到融資后真正深入場景做產(chǎn)品還是卷錢跑路，只有創(chuàng)始人自己才知道。產(chǎn)品非常失敗，但營銷可以說非常成功。”

付瑞吉補(bǔ)充道，“ 營銷只能負(fù)責(zé)將大眾的注意力吸引過來，但 Agent 不同于內(nèi)容類的產(chǎn)品（ 如短視頻 ）只要用戶的注意力就夠了，它還是要解決用戶的實(shí)際問題的，如果用戶發(fā)現(xiàn)產(chǎn)品 ‘ 華而不實(shí) ’，則很難留存。”

沐瞳科技大數(shù)據(jù)負(fù)責(zé)人薛趙明則認(rèn)為這種產(chǎn)品模式有一定合理性，但還是要區(qū)分 ToC 和 ToB 的邏輯，“ ToC 和 ToB 是兩種邏輯，ToC 需要具備多樣性，這個(gè)多樣性也代表了用戶選擇的多樣性，產(chǎn)品力不足的會(huì)很快在市場的浪潮中褪去，因?yàn)檫@是一個(gè)非常燒錢的賽道，沒有用戶的沉淀和付費(fèi)是很難長期堅(jiān)持的。ToB 又是另一個(gè)商業(yè)邏輯，必須強(qiáng)調(diào)可落地和可交付，否則便是無用的。”

王顯以 Wide Research 為例解釋了為何通用 Agent 產(chǎn)品現(xiàn)階段對于企業(yè)用戶無用，“ 對于企業(yè)而言，Wide Research 并沒有說明 Agent 是如何分工、如何合作、如何整合各自結(jié)果的，它們之間的協(xié)調(diào)協(xié)議和調(diào)度機(jī)制也不明確。那我最后怎么去做審計(jì)呢？作為企業(yè)，我必須審計(jì)這個(gè)過程是否合規(guī)，以及在執(zhí)行過程中到底發(fā)生了什么。所以我沒辦法信任它給出的最終結(jié)果。”

“ 尤其是在金融行業(yè)，我們可能花了很長時(shí)間跑出一個(gè)結(jié)果，如果它直接告訴我買哪只股票、投哪家公司，我不可能只憑這個(gè)結(jié)果就去執(zhí)行。”

Manus 雖然接受了中外多個(gè)基金的投資，但運(yùn)營主要面向海外市場，而且總部已經(jīng)搬遷到新加坡，其代表的只是 Agent 泡沫的一小部分組成。

但聚焦到國內(nèi)，情況也并不樂觀，甚至可以說有太多相似之處。

薛趙明表示，“ 實(shí)際上，當(dāng)前無論是創(chuàng)業(yè)公司，還是一線的云廠商的產(chǎn)品，大部分的產(chǎn)品都還是在一個(gè)特定場景下去演示，真正的規(guī)模化落地還是偏少。”

張森森表示，“ 國內(nèi)很多 Agent 產(chǎn)品功能繁多，但基本都是快速堆疊，痛點(diǎn)不聚焦。”

“ 比如有大量集成了寫文案、做 PPT、查資料、生成圖片等功能的產(chǎn)品，不乏大廠參與其中。它們都有通用 Agent 的特點(diǎn)，功能多但不精。寫代碼準(zhǔn)確率不高，數(shù)據(jù)分析缺少可解釋性，設(shè)計(jì)產(chǎn)出質(zhì)量參差不齊。初次使用可能覺得新鮮，但要長期依賴則難以實(shí)現(xiàn)。很少有明確與工作流、KPI 綁定的可交付結(jié)果。”

“ 具體到一些金融類工具型 APP（ 公司主體一般沒有正式的金融業(yè)務(wù)牌照 ），比如炒股平臺(tái)，會(huì)提供所謂的智能投顧功能。當(dāng)我打開某只股票時(shí)，它可能提示該股票出現(xiàn)‘紅三兵’，未來可能上漲，但這樣的判斷缺乏準(zhǔn)確性。”
“ 因?yàn)樗皇钦涍^去的一些市場信息，而二級市場的信息來源非常多，決策點(diǎn)也很多，這類產(chǎn)品完全無法體現(xiàn)這些復(fù)雜因素。看起來像是做了一個(gè)智能投顧，但實(shí)際上既沒有真正實(shí)現(xiàn)投資組合優(yōu)化、風(fēng)險(xiǎn)控制，也無法對接交易系統(tǒng)，無法支撐其宣傳的定位。”

“目前市面上沒有一家能真正把智能投顧功能做好。實(shí)際上，大部分經(jīng)紀(jì)公司都有相關(guān)部門去做這件事。問題在于，一方面他們覺得必須做，另一方面看到大模型似乎能解決問題，就開始投入開發(fā)，完成后立刻做宣傳，聲稱接入了大模型并具備某種能力。”

“但這里的問題在于，他們的宣傳能力與實(shí)際能力并不匹配，并非能力完全無用，而是存在明顯落差。”

王文廣表示，“ 成功演示的往往是任務(wù)中那 20% 的標(biāo)準(zhǔn)化部分，而真正構(gòu)成工作核心的，是那 80% 的、充滿‘長尾異常’的復(fù)雜現(xiàn)實(shí)。”

就連大家目前普遍主動(dòng)或被動(dòng)接觸過的AI搜索，其實(shí)也還很初級，Jina AI 前 CTO 王楠向知危表示，“ Agent 目前能夠多輪使用簡單工具或者單輪使用復(fù)雜工具，但是多輪使用復(fù)雜工具（ 例如搜索工具 ）的能力還沒有達(dá)到生產(chǎn)可用。從BrowseComp Benchmark 上看，搜索大模型在使用搜索工具方面還有很大的提升空間。這種差距的原因在于大模型在使用通用工具上的能力還沒有迎來ChatGPT時(shí)刻。”

白鯨開源 CEO 郭煒向知危總結(jié)道，“ 目前整體來看，各種 Agent 產(chǎn)品給人的驚喜度確實(shí)不夠。因?yàn)楝F(xiàn)在 Agent 技術(shù)本身還沒有進(jìn)入成熟或真正可用階段，技術(shù)生態(tài)不完善。甚至關(guān)于Agent 的理念，大家都還沒有想清楚。”

“ 國內(nèi)大多數(shù)所謂的 Agent 其實(shí)并不是真正的 Agent，只是為了吸引眼球而這么命名。在我理解中，能夠替代 ToB SaaS 和 ToC APP 的那種 Agent 產(chǎn)品還沒有出現(xiàn)。國內(nèi)品牌都是如此。”

“ 換句話說，現(xiàn)在的 Agent 大多是套了自然語言交互外殼的 RPA（ 軟件機(jī)器人流程自動(dòng)化 ），普遍缺乏深度。那為什么不直接用 RPA 呢？RPA 還沒有幻覺。”

這種 “ 名不副實(shí) ”的現(xiàn)象，王文廣指出，是所謂的“智能體洗白”（ Agent Washing ），在行業(yè)中已非常普遍。

“ 這是 ‘ 能力泡沫 ’ 的直接產(chǎn)物。公司利用市場對 ‘ Agent ’ 一詞的追捧來吸引投資和用戶。最直接的例子是，有權(quán)威報(bào)道指出，全球幾乎所有在 2022 年底 ChatGPT 之前就在所謂的 RPA 等賽道上有所成就的企業(yè)，都在掛智能體的羊頭賣 RPA 的狗肉。”

Gartner 今年 6 月的市場分析報(bào)道表明，其在測試的 ‘ 數(shù)千款 ’ 所謂的 Agent 產(chǎn)品中，只有約 130 款真正符合標(biāo)準(zhǔn)。

“ 所以，可以做個(gè)簡單的排除法，尋找智能體或大模型落地的供應(yīng)商，首先排除掉以往做過 RPA 的企業(yè)，這可以避免一半的坑。投資也是一樣。”

王文廣還總結(jié)了 C 端和 B 端 Agent 泡沫的一般特征，“ToC 泡沫主要由對 ‘ 通用個(gè)人助理 ’ 的夢想驅(qū)動(dòng)，ToB 泡沫更多是由企業(yè)的提高生產(chǎn)力、降低成本的焦慮所驅(qū)動(dòng)。”

“ ToC 的這種愿景極具吸引力，容易引發(fā)病毒式傳播和媒體的廣泛關(guān)注，從而在短期內(nèi)催生出極高的估值和用戶增長預(yù)期，但當(dāng)產(chǎn)品體驗(yàn)達(dá)不到預(yù)期，用戶會(huì)毫不猶豫地離開。”

“ ToB 領(lǐng)域則由于企業(yè)軟件的銷售周期長、決策鏈條復(fù)雜，并且一旦部署，即使效果不佳，替換成本也相對較高，從而顯得其泡沫更具欺騙性，也更慢地顯現(xiàn)。”

如果將國內(nèi)外的 Agent 泡沫現(xiàn)象綜合起來，則又是另一番景象。

張森森解釋道，“ 國內(nèi)外的 Agent 泡沫表現(xiàn)并不相同。比如美國，其優(yōu)勢是在 B 端，但泡沫不在 B 端，而是在 C 端，一些通用型消費(fèi)級助手類 Agent 的投資方可能來自硅谷大基金。這些機(jī)構(gòu)在早期投資時(shí)，美國對數(shù)據(jù)安全還沒有嚴(yán)格限制。但隨著數(shù)據(jù)隱私法比如 GDPR、CCPA 等監(jiān)管措施落地，尤其是在跨境場景下，AI的安全審核要求變高，很多競爭者被迫增加合規(guī)與差異化投入，結(jié)果加快了行業(yè)洗牌速度，把不少做通用型 APP 的企業(yè)淘汰出局。”

“ 國內(nèi)的泡沫很特殊，雖然用戶集中在 C 端，但泡沫幾乎只存在于 B 端。原因是 B 端企業(yè)受補(bǔ)貼、國產(chǎn)化等政策影響，同時(shí)市場內(nèi)卷嚴(yán)重，用戶更注重實(shí)用性而非炒作。B 端用戶相對冷靜，因此很多 ToB 初創(chuàng)公司迅速倒閉，一些去年還在討論的公司今年已經(jīng)消失，泡沫破滅速度會(huì)很快。”

當(dāng)前的 Agent 產(chǎn)品普遍缺陷明顯，可以從產(chǎn)品、工程、場景等多方面理解。

產(chǎn)品層面主要是可靠性不足。對于為何大部分 ToC Agent 產(chǎn)品中，90% 的用戶用一次就離開，郭煒表示，“ 這很正常，因?yàn)樗€不如直接用 APP。真正的 Agent 應(yīng)該比 APP 更方便、更簡單。”

“ 而如果是 To B 產(chǎn)品，必須比現(xiàn)有軟件更簡單、準(zhǔn)確、方便。本來用戶點(diǎn)三下鼠標(biāo)就能完成的事，現(xiàn)在用 Agent 卻要用自然語言先說一句話，然后再跟它說十句話，才能替代原本三次點(diǎn)擊的工作。這樣的體驗(yàn)讓人寧愿直接點(diǎn)鼠標(biāo)。”

王文廣表示，“ 換句話說，最根本的原因是，對于大多數(shù)真實(shí)世界任務(wù)，用戶為驗(yàn)證和修正 AI Agent 輸出所付出的心智成本和時(shí)間成本，超過了 Agent 本身所節(jié)省的成本。”

“ ‘ 通用個(gè)人助理 ’ 承諾的是一個(gè)科幻級別的未來。其所要處理的任務(wù)，如預(yù)訂家庭旅行、管理個(gè)人財(cái)務(wù)、安排重要會(huì)議，都具有一個(gè)共同點(diǎn)：高信任要求。例如，用戶需要確信 Agent 不會(huì)訂錯(cuò)機(jī)票、不會(huì)泄露財(cái)務(wù)信息、不會(huì)搞砸會(huì)議時(shí)間。”

“ 然而，當(dāng)前大模型的 ‘ 幻覺 ’、知識(shí)陳舊等問題和 Agent 執(zhí)行的脆弱性，使得其可靠性極低。”

“ 這種 ‘ 高信任要求 ’ 與 ‘ 低可靠性 ’ 之間的巨大鴻溝，或未能穩(wěn)定地跨越從 ‘ 新奇玩具 ’ 跨越到 ‘ 可靠工具 ’，是 C 端通用 Agent 無法獲得用戶長期留存的根本原因。用戶可以容忍一個(gè)聊天機(jī)器人講錯(cuò)一個(gè)歷史知識(shí)，但絕不能容忍一個(gè) Agent 訂錯(cuò)一張機(jī)票。”

而且目前 Agent 產(chǎn)品有從訂閱制走向按結(jié)果付費(fèi)的趨勢，這其實(shí)也給通用 Agent 創(chuàng)業(yè)公司帶來了壓力。 “ 這種商業(yè)模式的演進(jìn)，本質(zhì)上是一次風(fēng)險(xiǎn)轉(zhuǎn)移，將產(chǎn)品無效的風(fēng)險(xiǎn)從客戶身上轉(zhuǎn)移到了服務(wù)提供商身上，而 ToC 的通用 Agent 的不可靠性使其極難承受這種風(fēng)險(xiǎn)。反倒是 ToB 領(lǐng)域，可以選擇合適的場景，通過效果所創(chuàng)造的價(jià)值進(jìn)行分成，是有利的。”

張森森從工程角度總結(jié)了許多 Agent 產(chǎn)品無法落地的原因：“ 第一，真實(shí)環(huán)境非常復(fù)雜，不可能像實(shí)驗(yàn)環(huán)境那樣數(shù)據(jù)干凈。現(xiàn)實(shí)中數(shù)據(jù)質(zhì)量往往較差，接口口徑不一致。”

“ 第二，很多接口需要跨系統(tǒng)權(quán)限訪問，要做 SSO（ 單點(diǎn)登錄 ），還涉及數(shù)據(jù)脫敏，這些環(huán)節(jié)很容易卡住，導(dǎo)致平臺(tái)間的對接受阻。工具本身存在脆弱性，比如瀏覽器系統(tǒng)自動(dòng)化可能對 DOM 版本極其敏感，API 的速率限制等問題也可能導(dǎo)致頻繁重試。”

“ 第三，存在狀態(tài)和記憶缺失的問題。就像長鏈路任務(wù)中缺乏持久狀態(tài)，上下文無法保存，狀態(tài)機(jī)失效，無法接著上次任務(wù)繼續(xù)，只能從頭開始。”

“ 第四，缺少驗(yàn)證和回滾機(jī)制，沒有二次校驗(yàn)或回滾策略。”

“ 第五，SLA（ 服務(wù)商與客戶之間對質(zhì)量標(biāo)準(zhǔn)、性能指標(biāo)等的約定 ）和成本存在約束。企業(yè)使用時(shí)必須考慮成本，服務(wù)需要有保障，確保 TCO（ 總擁有成本 ）大于業(yè)務(wù)收益。”

“ 第六，缺乏合規(guī)與審計(jì)能力。生產(chǎn)過程要可追溯、可解釋，并具備權(quán)限與操作流程控制。但在各個(gè)平臺(tái)的演示中幾乎看不到這一點(diǎn)，而這恰恰是企業(yè)最重要的需求。”

在場景層面，郭煒認(rèn)為，這個(gè)原因可以非常簡單，“ 沒有真正深入到用戶場景中去做。”

“ 大部分 Agent 仍是由處在特別早期階段的創(chuàng)業(yè)者在推動(dòng)。但真正有價(jià)值的 Agent，需要在某個(gè)業(yè)務(wù)領(lǐng)域有深厚積累的人或公司來做。”

張森森持相似觀點(diǎn)，“ 實(shí)際上，國內(nèi)外當(dāng)前都太把技術(shù)當(dāng)回事了，太關(guān)注技術(shù)使得大家在做大模型和Agent都是圍繞技術(shù)來構(gòu)建的。通俗來說就是，技術(shù)有什么東西，我做什么東西。”

王文廣補(bǔ)充道，“ 當(dāng)前，AI 公司往往不了解業(yè)務(wù)，業(yè)務(wù)公司則沒有準(zhǔn)確理解AI智能體技術(shù)。對 AI 方或業(yè)務(wù)方來說，都應(yīng)該了解技術(shù)邊界，知道智能體能做什么不能做什么，同時(shí)結(jié)合業(yè)務(wù)，才會(huì)做好這事。”

但 Agent 不只是獨(dú)立地去攻克一個(gè)個(gè)場景就可以了，其帶來的變革是生態(tài)級別的。

郭煒表示，“ Agent 本身是一個(gè)大的生態(tài)，就像軟件或 SaaS 生態(tài)一樣。未來它會(huì)形成一個(gè)完整的生態(tài)體系，只有這個(gè)生態(tài)真正建立起來，才能形成所謂的 Agentic Stack，在 Agent 時(shí)代承接并轉(zhuǎn)化原有生態(tài)。”

“ 這個(gè)生態(tài)規(guī)模很大。以 ToC 的手機(jī)端為例，目前手機(jī)端還沒有出現(xiàn)通用型APP，需要在垂直領(lǐng)域中出現(xiàn)對應(yīng)的 Agent，例如類似國內(nèi)的攜程、小紅書等級別并且更方便的Agent，才能支撐起生態(tài)的第一層。”
“ 生態(tài)的第二層才是通用型 Agent，通用 Agent 的核心在于入口，例如 Apple Intelligence 就是一個(gè)入口。”

“ 而入口之爭本質(zhì)是流量之爭，而不是技術(shù)或產(chǎn)品本身。誰能夠搶占新一代 Agent 的流量，誰就能在通用 Agent 領(lǐng)域占據(jù)優(yōu)勢。”

從這個(gè)角度看，似乎 Manus 的流量打法也有一定的合理性？但王顯并不這么認(rèn)為，他指出應(yīng)用層的創(chuàng)業(yè)公司沒有機(jī)會(huì)去搶占這個(gè)流量入口。

也就是說，創(chuàng)業(yè)公司無法繞過生態(tài)的第一層，直接跳到第二層，成為流量入口。“ 創(chuàng)業(yè)公司現(xiàn)有的 Agent 產(chǎn)品要結(jié)合到生態(tài)鏈中去，比如蘋果或者微信的生態(tài)，再把AI能力融合進(jìn)去，相當(dāng)于通過 AI 對已有生態(tài)鏈做增強(qiáng)。要實(shí)現(xiàn)這一點(diǎn)，要么擁有場景，要么擁有數(shù)據(jù)。”

如果想直接跳躍到第二層生態(tài)，就會(huì)面臨 Manus 當(dāng)前的困境，“ 從用戶視角來看，Manus 這類產(chǎn)品已經(jīng)出現(xiàn)用戶數(shù)量下滑、使用意愿不足的情況。無論是創(chuàng)業(yè)公司還是老牌公司，首先要解決的就是生存問題。產(chǎn)品必須有正向 ROI，要能價(jià)值兌現(xiàn)，且使用成本不能太高。但 Manus 的產(chǎn)品正好存在價(jià)值兌現(xiàn)不足的問題，而且時(shí)間、學(xué)習(xí)和金錢成本都過高。”

王顯還認(rèn)為，流量入口也不是 OpenAI 這類公司的發(fā)展方向。“ OpenAI 是創(chuàng)業(yè)公司，但也是大模型廠商，肯定不會(huì)去做流量入口。相比 Anthropic、Google，OpenAI 更面向大眾，比如 ChatGPT、Sora 這樣的產(chǎn)品，特征是注重體驗(yàn)、規(guī)模化和生態(tài)擴(kuò)展。他們的目標(biāo)是底層基礎(chǔ)設(shè)施供應(yīng)，同時(shí)在 C 端和長尾 B 端場景做推廣。”

郭煒表示，“ 像蘋果這樣的公司，天然具備優(yōu)勢去打造移動(dòng)端的完全通用型 Agent。理想狀態(tài)下，用戶只需說一句 ‘ 幫我訂一張去上海的機(jī)票 ’，通用助手Agent 就能自動(dòng)調(diào)用多個(gè) APP 或 Agent 服務(wù)協(xié)同完成整個(gè)流程。”

“ 在 ToB 領(lǐng)域也是類似的邏輯，每個(gè)垂直方向的 SaaS 都會(huì)出現(xiàn)對應(yīng)的 Agent，需要是真正意義上屬于 Agent 時(shí)代的軟件，之后才會(huì)出現(xiàn)入口級通用 Agent。否則，入口級通用 Agent 即使想做，也無法與底層垂直領(lǐng)域的 Agent 有效銜接。即便使用 MCP 的 Server 來連接，中間也會(huì)損失大量信息，導(dǎo)致結(jié)果不準(zhǔn)確，無法滿足客戶需求。”

“ 現(xiàn)階段應(yīng)優(yōu)先在垂直領(lǐng)域啟動(dòng) Agent 落地，無論是 To B 還是 To C，都應(yīng)在原有賽道中先行深耕，逐步培育生態(tài)。”

以上，我們描述了 Agent 泡沫的總體情況，可以看到，造成這一現(xiàn)象的根本，還是在技術(shù)受限、行業(yè)規(guī)律甚至一些痼疾的背景下，創(chuàng)業(yè)公司和大廠對 Agent 產(chǎn)品在生態(tài)中的定位有著錯(cuò)誤的認(rèn)識(shí)。

接下來，知危將對這些背景進(jìn)行更加細(xì)致的闡述。

其中，技術(shù)受限包括 MCP 協(xié)議限制、AI 幻覺限制、多智能體擴(kuò)展限制、上下文長度限制、大模型智能限制等。

行業(yè)規(guī)律、痼疾則指向資本炒作、大模型行業(yè)競爭的殘酷規(guī)律以及國內(nèi)特有的老問題。

郭煒表示，“ 關(guān)于使用 MCP Server 會(huì)導(dǎo)致信息損失，這一點(diǎn)非常重要。最終，Agent 應(yīng)該采用 A2A（ Agent to Agent ）的協(xié)議，服務(wù)于垂直Agent之間的通信，才能完整完成任務(wù)。”

“ 而 MCP 是通用 Agent 與外部數(shù)據(jù)源之間的通信協(xié)議。當(dāng)調(diào)用 MCP 時(shí)，不可避免地會(huì)將自然語言信息轉(zhuǎn)換成結(jié)構(gòu)化的 query 或結(jié)構(gòu)化的 ADB 請求來執(zhí)行操作，這一轉(zhuǎn)換的準(zhǔn)確率需要由調(diào)用方來保證。但通用 Agent 要在專業(yè)領(lǐng)域內(nèi)準(zhǔn)確地將專業(yè)詞匯翻譯成精確指令，再交由原有程序執(zhí)行，在現(xiàn)實(shí)中非常困難。”
“ 以我們正在做的 Data Agent 為例，這項(xiàng)工作需要較長時(shí)間推進(jìn)，因?yàn)楸仨氉缘紫蛏贤瓿山ㄔO(shè)。過去的數(shù)據(jù)底層通常是裸數(shù)據(jù)，例如 CSV 文件，里面是各種原始數(shù)據(jù)。未來需要將這些數(shù)據(jù)轉(zhuǎn)化為帶有語義的 Contextual Data Unit（ CDU ），才能被上層 Agent 有效消費(fèi)。因此必須了解企業(yè)所有表的字段含義及數(shù)據(jù)意義，需要非常專業(yè)的數(shù)據(jù)獲取廠商來完成。”

“ 例如，‘ 消費(fèi)金額 ’ 必須明確對應(yīng)哪個(gè)系統(tǒng)、什么業(yè)務(wù)的消費(fèi)金額，Agent 才能理解。否則，如果上層 Agent 僅接到 ‘ 獲取消費(fèi)金額 ’ 的指令，它必須再去解析并定位到 Salesforce 系統(tǒng)中的特定交易表及其規(guī)則。比如讓 MCP Server 將請求翻譯成 SQL 再下發(fā)到 Salesforce 查詢數(shù)據(jù)，但它并不知道 ‘ 消費(fèi)金額 ’ 在當(dāng)前語境下的具體含義，是來自 Salesforce、SAP，還是其他系統(tǒng)。它甚至不了解 Salesforce、SAP 分別是什么。”

“ 這不僅是當(dāng)前 Agent 技術(shù)無法實(shí)現(xiàn)的，甚至人類在缺乏上下文的情況下也很難完成。”

“ 因此，通用 ToB Agent 并不是 ‘ 在 MCP 上套一層通用 Agent ’ 就能實(shí)現(xiàn)的，而必須由基于 A2A 的多個(gè)專業(yè)領(lǐng)域的 Agent 相互協(xié)作（ Agent + Agent ）實(shí)現(xiàn)。”

“ 相比之下，提示詞專業(yè)性、token 成本爆炸等都是更加次要的，會(huì)隨著時(shí)間自然解決。”

Agent 還有一個(gè)永遠(yuǎn)無法解決的問題，那就是底層大模型的幻覺。已有研究證明，大模型無法從理論上完全消除幻覺。
“ 在現(xiàn)有大模型技術(shù)下，有許多場景嘗試進(jìn)行完全 Agent 化，但效果并不理想。”

“ 以自動(dòng)編碼為例，各種號稱能夠代替人類編碼的工具，無論是帶 Agent 的 Claude Code、Cursor，還是Augment Code等，都無法真正替代程序員的工作。無論是初級、中級還是高級崗位，都仍需配備人類程序員進(jìn)行檢驗(yàn)和監(jiān)督。否則一旦幻覺出現(xiàn)且缺乏有效控制，風(fēng)險(xiǎn)極高。例如，近期某公司在使用自動(dòng)化工具 Replit 時(shí)出現(xiàn)誤操作，導(dǎo)致數(shù)據(jù)庫被刪除。”

“ 目前也沒有特別好的方式來自動(dòng)定位和追溯幻覺。在校驗(yàn)中，雖然無法校驗(yàn)所有環(huán)節(jié)，但可以抽檢一兩個(gè)關(guān)鍵點(diǎn)，并用傳統(tǒng)方法或知識(shí)庫進(jìn)行糾錯(cuò)和約束。”

“ 幻覺在前期溝通階段有一定優(yōu)勢，因?yàn)樗赡軒硪恍﹦?chuàng)新性想法。但在企業(yè)落地執(zhí)行階段，應(yīng)盡量控制甚至避免使用大模型。在 Agent 執(zhí)行任務(wù)時(shí)，為緩解幻覺，只有借助 workflow 才能保證足夠的確定性。”

“ 總之，大模型和 Agent 在目前更多是作為效率工具，顯著提升了開發(fā)能力。例如，我自己現(xiàn)在幾乎沒有時(shí)間寫代碼，對一些新發(fā)布的 Python 函數(shù)也不了解，但大模型能夠知曉并直接為我生成代碼，還能解釋邏輯。這樣我只需驗(yàn)證邏輯是否正確并運(yùn)行，就能快速完成任務(wù)。這種方式不僅比我親自編寫代碼更快，有時(shí)生成的算法思路甚至比我原本設(shè)想的更好。”

王文廣指出，思維鏈的幻覺其實(shí)在 Agent 產(chǎn)品中也非常常見，“ 這通常被稱為過程幻覺，即 AI 編造了一個(gè)它并未執(zhí)行或執(zhí)行失敗的操作過程。”

“ 它輸出的不是真實(shí)的操作日志，而是它生成的一個(gè) ‘ 看起來像是成功了的 ’ 操作日志。例如，它聲稱 ‘ 我已經(jīng)成功運(yùn)行了測試，所有測試都通過了 ’，但實(shí)際上它可能根本沒有能力或權(quán)限去運(yùn)行測試，或者實(shí)際測試運(yùn)行失敗了。”

“ 從這點(diǎn)也可以看出，在許多情況下， 單純依靠大模型，存在非常多無法解決的問題。如果把所有問題當(dāng)做一個(gè)平面，大模型能夠解決的問題是平面上的布，無法解決的問題是孔，那么可以看到，這個(gè)平面是千瘡百孔的。”

在 Agent 框架設(shè)計(jì)方面，目前領(lǐng)域內(nèi)有一個(gè)被過分炒作的概念，那就是多智能體。

當(dāng)前實(shí)際應(yīng)用中，智能體之間的交互主要限于兩個(gè)智能體。編程體驗(yàn)后來居上的 Claude Code 也沒有使用多智能體協(xié)作機(jī)制。

張森森表示，“ 單智能體或雙智能體已經(jīng)能覆蓋 80% 的企業(yè)業(yè)務(wù)場景，此外，限于雙智能體也是出于成本考量。”

“ 具體來說，多智能體會(huì)顯著增加復(fù)雜度，容錯(cuò)設(shè)計(jì)難度提升，開發(fā)、維護(hù)、算力成本更高，收益和成本不匹配。引入更多智能體未必能提升效果，同時(shí)也難以抵消延遲，并會(huì)使得系統(tǒng)更加不穩(wěn)定。用戶體驗(yàn)最終取決于響應(yīng)速度，穩(wěn)定性方面，智能體越多越容易跑偏，可能出現(xiàn)循環(huán)對話、信息丟失等問題，還需要額外監(jiān)督和約束，復(fù)雜度會(huì)越來越高。”

“ 多智能體的案例也有，比如一些游戲公司在做 AI 團(tuán)隊(duì)游戲，在沙盒環(huán)境里嘗試多智能體交互。但對大部分企業(yè)而言，并不需要這種復(fù)雜度。”

王文廣補(bǔ)充道，“雖然在一些對協(xié)調(diào)和優(yōu)化要求極高的特定領(lǐng)域，已經(jīng)出現(xiàn)了更復(fù)雜的、已實(shí)際落地的多智能體系統(tǒng)案例，但絕大多數(shù)情況下， 應(yīng)該優(yōu)先解決簡單的問題。”

基礎(chǔ)模型能力方面，當(dāng)前非常核心的一個(gè)限制還是上下文長度。雖然 OpenAI、Anthropic、谷歌等 AI 公司一直宣稱模型上下文達(dá)到數(shù)十萬、上百萬 token，但Reddit 社區(qū)反饋其中水分很大，有時(shí)幾萬 token 輸入下，模型準(zhǔn)確率就大幅下降。

張森森表示，“ 實(shí)際體驗(yàn)來看，大部分廠商宣稱的上下文長度確實(shí)水分很大，別說兩三千行代碼，甚至一千多行時(shí)就開始丟失信息了。”

“上下文長度代表了基礎(chǔ)模型能力的天花板，特別在 Coding Agent 場景中，基本就是硬天花板的程度。”

“ 在企業(yè)內(nèi)部優(yōu)化這個(gè)問題不僅很難，而且也不是靠企業(yè)自己能完全解決的。可選的方案有：代碼檢索以及更加智能的代碼檢索；動(dòng)態(tài)上下文管理，只加載與本次修改相關(guān)的依賴文件。但這些都治標(biāo)不治本。”

“ 對資深程序員來說影響不大，他們能很快發(fā)現(xiàn)邏輯缺口。”

“ 但對初學(xué)者來說，一旦項(xiàng)目規(guī)模大，IDE 頻繁加載就會(huì)崩潰。項(xiàng)目規(guī)模一大，就會(huì)涉及很多模塊和依賴，甚至是跨模態(tài)的復(fù)雜系統(tǒng)。模型不得不頻繁丟失上下文、重新加載信息，導(dǎo)致迭代過程完全斷裂，忘記之前的決策，甚至可能出現(xiàn)重復(fù)造輪子的情況。”

郭煒補(bǔ)充道，“ 當(dāng)前的限制不僅來自模型本身，還與底層芯片架構(gòu)有關(guān)，包括顯存、外部存儲(chǔ)等都需要進(jìn)一步提升。”

王顯認(rèn)為，在硬件基礎(chǔ)設(shè)施的限制下，上下文長度瓶頸對于國內(nèi)而言將是更嚴(yán)峻的問題。

“ 國外芯片比如英偉達(dá) H100、A100 這樣的高端 GPU，能夠更高效地進(jìn)行分片計(jì)算，處理幾十萬、上百萬 token 上下文。同時(shí)它們也有軟件層面的優(yōu)化，比如 FlashAttention 工具、針對張量計(jì)算的優(yōu)化配置等，這些都是通過軟硬件結(jié)合來提升性能的。”

“ 相比之下，國內(nèi)主要通過算法優(yōu)化和軟件工程做一些 ‘ 曲線救國 ’ 的工作。類似的，DeepSeek、Kimi 等團(tuán)隊(duì)也在發(fā)布各種上下文剪裁、分層記憶、稀疏 Attention 等方法，其實(shí)都是一些面向低成本的方案。”

“ 一些國內(nèi)廠商號稱自己的高端 GPU 在浮點(diǎn)性能、顯存、寬帶等各方面和 H100 很相近，但其實(shí)還是有很大差距的。國外的頂配集群，比如 H100 加 NVLink Switch，能輕松地應(yīng)對百萬級 token 推理。”

王文廣表示，“ 實(shí)際上就是 AI 芯片的存儲(chǔ)容量和帶寬限制了推理的極限，不管是國內(nèi)外都是這樣的。”

“ HBM 是通用 GPGPU 最好的選擇，但專用的推理芯片有很多不同的路線，比如使用 3D 堆疊的專門的 AI 芯片。

“ 國內(nèi)有一些如 CiMicro.AI 這樣非常前沿的AI芯片公司，和寒武紀(jì)、華為、海光等走了不同的路線，將 3D DRAM 用于 AI 推理芯片上，如果成功流片，帶寬能夠得到極大的提升，比英偉達(dá)用的 HBM 還高一個(gè)量級，從而大模型的推理速度將得到極大的提升，長上下文和深度思考則會(huì)對 Agent 有極大的促進(jìn)。”

除了上下文長度之外，更大的限制，自然來自基礎(chǔ)模型的智能極限了，特別是近期被詬病平庸的 GPT-5 發(fā)布后。

客觀來看，GPT-5 的更新點(diǎn)是在產(chǎn)品層面，把幻覺降得特別低，這在消費(fèi)級用戶看來不太友好，但對編程來說非常有用，可靠性很高。對于專業(yè)用戶而言，有時(shí)甚至比 Claude 4 還好用一些，因?yàn)?GPT-5 在 Agentic Coding 中傾向 “ 精準(zhǔn)定位問題 ” 和 “ 最小侵入修改 ”，而 Claude 4 自主性更強(qiáng)，寫的代碼更復(fù)雜，需要特別提醒才會(huì)選用最簡方案。

那么，從這個(gè)角度看，一直以消費(fèi)級用戶為主體的 OpenAI 未來是否想更多向 B 端推進(jìn)？

張森森表示，“ 如果是，那也是不得已而為之。現(xiàn)在 GPT-5 是通過多模型路由來提高上限，基本意味著大模型的 Scaling Law 幾乎已經(jīng)失效，單模型上很難再高效提升。其實(shí) GPT-5 的發(fā)布本身就有點(diǎn) ‘ 難產(chǎn) ’ 的意味，更像是一種形式，而不是自然的過程。未來基礎(chǔ)模型能否進(jìn)一步進(jìn)化，還需要觀察。”
“ 這也是為什么大家都在強(qiáng)化 Agent 能力。相比基礎(chǔ)模型，Agent 的可解釋性相對更好一些，能更好結(jié)合具體業(yè)務(wù)場景去提升實(shí)際能力。但基礎(chǔ)模型往往也決定了 Agent 的上限。”
“ 后面大模型的走向可能更多會(huì)朝垂直方向發(fā)展，參數(shù)量未必再無限增大，而是聚焦在更細(xì)分的場景。”

大模型廠商經(jīng)常在營銷中刻意忽視模型當(dāng)前的智能上限，而過分強(qiáng)調(diào)可以放心地依賴大模型全權(quán)執(zhí)行工作，比如 Claude 甚至介紹了一種簡單粗暴的使用經(jīng)驗(yàn)，他們內(nèi)部用 Claude Code 寫代碼的時(shí)候，有一個(gè)原則就是 “ 不行就重來 ”。

王文廣表示，“ ‘ 不行就重來 ’ 的策略，跟金錢和時(shí)間等無關(guān)，跟解決問題的復(fù)雜程度有關(guān)。簡單來說，在原型探索階段或者簡單的應(yīng)用中，是一種有效的捷徑，但在嚴(yán)肅的、可維護(hù)的較為復(fù)雜的生產(chǎn)環(huán)境中，這是一種不可持續(xù)且極具破壞性的工作模式。”

對于基礎(chǔ)模型本身，王文廣則認(rèn)為還會(huì)繼續(xù)進(jìn)步，“ 整個(gè) Agent 生態(tài)系統(tǒng)，也都在等待基礎(chǔ)模型的下一次重大突破。一旦新的、更強(qiáng)大的基礎(chǔ)模型出現(xiàn)，它將立刻抬高整個(gè) Agent 生態(tài)系統(tǒng)的能力天花板，催生出新的應(yīng)用。”