幾乎都在掛羊頭賣狗肉，AI Agent的泡沫現在到底有多大？（下）

除了工程和模型層面的技術問題，在行業層面，還存在幾大問題，包括資本敘事泡沫、基模公司擠壓、國內 ToB SaaS 的痼疾等。

張森森表示，“ 目前 Agent 賽道處于資本和敘事先行的階段，VC 過于樂觀。但 Agent 實際可用性仍然較差，沒有看到正向 ROI 的落地，總體擁有成本（ TCO ）明顯大于收益。”

“ 投資熱和用戶體驗背離的原因在于，投資端和市場更追求故事性，喜歡 ‘ 通往 AGI 的必經之路 ’、‘ 下一代操作系統 ’ 這樣的愿景或字眼。”

“ 特別是早期投資人，更關注潛在市場規模和搶占入口的速度，而不是急于影響盈利，所以他們愿意把錢投在某類 Agent 上。”

“ 但資本存在一種盲目的信任。”

“ 很多投資人是從 APP 市場走過來的，相信有一天會出現一個 Agent 平臺，形成類似微信、iOS 級別的生態壟斷。因此他們不愿意錯過機會，而且存在 ‘ 你不投我就投 ’ 的競爭心理。”

“ 尤其是在當前市場環境下，資本方其實沒有其它方向可以投。Agent 類項目就成了幾乎唯一可以投資、還能擊鼓傳花的故事。”

“ 所以，有些產品即使不行也會被拿出來講故事。因此融資估值并不與實際產出效率掛鉤，而是與產品覆蓋面、DAU、MAU 等指標掛鉤。思路是先鋪量，后續再做深。在公司內部，大家討論的也是未來的提升，向老板講的也是未來的故事，所以只要能帶來可見的效率提升，大家都愿意試用。”

“ 在國內還有一個特點是，普通大眾和客戶對早期產品的 bug 和漏洞容忍度相對較高。”

“ 所以，投資端看到的是未來潛力，和當前體驗之間存在時間差，這是客觀存在的。但如果用戶端的體驗長期上不去，投資端很快會降溫。這是一個動態博弈的過程。”

基模公司擠壓則是 Agent 賽道乃至整個 AI 賽道過去、現在和未來都將一直面臨的不確定性壓力。

張森森表示，“ 大模型發展速度極快、日新月異，作為 Agent 供給側給應用層帶來的沖擊很大。很多廠商，特別是千問、豆包等，每次迭代都會能力下沉，抹平通用層的一些差異，壓縮了最初創造通用應用的生存空間。”
“ GPT-5 也有類似趨勢，比如他們希望做教育改革，用 AI 幫助用戶學韓語等，而這原本是多鄰國、Speaker 等平臺的垂直市場。”

王文廣表示，“ 通用 Agent 的通用能力其實來自于大模型本身，絕大多數非基礎模型公司做出來的 ToC 產品，其實都不具備壁壘，這導致 ToC 的產品最終有很大概率是被基礎模型公司收割的，OpenAI 最新的 AgentKit 就是一個現實的正在發生的例子。”

業內普遍認為，類似 Manus 這類公司，實際上處在模型層和垂直應用層之間非常薄弱的工具層，但模型廠商和垂直廠商都容易對工具層形成擠壓，所以它的競爭優勢會非常脆弱。

王顯表示，“ 不僅如此，雖然我是 Cursor 的長期付費會員，但也感覺到它的脆弱點很明顯。”

“ Cursor 的優點在于交互體驗確實比較好，比如內聯對話、上下文定位等，早期的 Cursor 可以借此獲得用戶和粘性。”

“ 但 Cursor 沒有生態綁定。而大廠比如微軟有自己的生態，可以通過 Visual Studio 等工具形成綁定，再加上品牌信任度，大廠的關注度只會越來越高。或者一旦 Cloud Code、CodeX 等在大廠工具的交互層做一些優化，Cursor 的針對性就會被稀釋。”

“ 所以，如果 Cursor 想維持優勢，就不能只停留在交互和優化層面，而是必須和上下游開發流程深度綁定，走向更完整的產品閉環。例如：針對特定編程語言、框架和行業開發場景，提供深度優化和高精度上下文處理；綁定開發流程的全鏈路，從規劃、生產到測試、部署都做集成；做成快速迭代、全流程協同的工具。”

王文廣補充道，“ 大模型本身就帶來了人機交互的變革，所以當前過多探索所謂的人機交互帶來的價值不大，更重要的還是用大模型來解決實際的問題。”

資本敘事泡沫、基模公司擠壓是全行業面臨的普遍問題，但國內實際上還面臨更多的限制。

要理解這一點，就要深入探討前面提到的國內外 Agent 泡沫差異，在大模型和 Agent 時代，這個泡沫衍生出許多新的表象，但背后藏著不少老問題。

郭煒表示，“ 在國內做垂直 Agent 與在國外相比，困難并不主要來自 Agent 技術本身，而是行業環境的老問題。這與做 SaaS 或軟件是同樣的邏輯。”

“ 國內本身缺乏大型軟件公司，SaaS 發展也并不成熟，這使得軟件的整體價值感尚未充分體現。由于人力成本相對較低，軟件在提高效率方面的價值不夠凸顯，繼而 Agent 的價值也就難以被充分認可。”

付瑞吉表示，“ 國內各行業 SaaS 普及率低、軟件生態割裂，導致不同企業情況各不相同，使得 Agent 的開發也不得不做大量定制，開發成本高。”

郭煒補充道，“ 畢竟 Agent 并不是憑空出現的一種全新事物，而是原有軟件形態的延續，無論是 APP、SaaS，還是其他類型的軟件。

張森森表示，“ 國外 SaaS 的理念和邏輯與中國不太一樣，更強調結果（ result ）和集成（ integration ），注重整體集成度。特別是在北美、歐洲等地區的企業，更傾向于使用成熟的 SaaS 產品，很少自行研發，因此他們的接口基本都是通用的。”
“ 在這種情況下，國外在做 Agent 案例時更多考慮如何使用成熟的 API 協議，比如將 MCP、A2A 協議與現有的 ERP、CRM 進行集成，這對于他們而言成本相對較低。”

“國內軟件生態更多是企業自研，而且企業與企業之間的協議差異很大，甚至同一企業內部的協議都可能不統一，數據打通難度極高。在這種復雜環境下，很難做出標準化、可復制的企業 Agent。即使在 A 企業驗證成功，遷移到 B 企業時也很難快速部署。所以可復制性和大規模擴展性在國內 ToB Agent 的發展中被嚴重抑制，這是目前的關鍵制約因素。”

“ 這種情況下，企業很多時候不得不重復造輪子。”

“ 目前來看，只有方法論層面的東西是可復制的，比如流程設計思路、Agent 架構方法論等。但真正落地到企業使用層面，差距依然很大。”

既然各家企業都需要大量做自研，自然大概率會走向全棧型或通用型方向，很難推出在垂直場景中做出有突出競爭優勢的產品。“ 所以，相比之下，國內更強調速度和覆蓋率，因為市場很內卷，企業更傾向于快速占領用戶心智，并盡可能覆蓋更多場景。”

“ 或許未來隨著類似 MCP 等協議的發展，情況會逐步改善，但至少在短時間內，我個人的判斷是消極的。”

擴展到 ToB、ToC 和出海市場，則呈現普遍沉重的生存壓力。B 端 SaaS 基礎不足，限制了 Agent 的發展，創業公司無法接入生態，只能轉戰 C 端，C 端雖具傳播性和資本敘事優勢，卻競爭激烈、留存差，因而最終企業紛紛選擇出海，通過海外市場借力算力、合規與融資以謀求突圍。

張森森表示，“ 國內 B 端用戶情緒冷靜，原因在于 B 端和 C 端用戶訴求完全不同。企業采購強調 ROI 要明確，流程必須可控，功能要能管控。而通用 Agent 的案例往往任務定義模糊、場景識別度低、價值難以量化，所以很難支撐持續付費。”

“ 現在 B 端的通用型 Agent 多半是銷售包裝出來的。你會看到很多號稱‘企業端 UI’、‘企業教育智能體’等，但真正拿到企業流程里用時，問題就暴露出來：性能穩定性不足、合規性不過關、可追溯性差。”

“ 真正能活下來的，一定是垂直+深度集成 的方案。既要利用 Agent 的靈活性，又要在某個行業里做到合規，同時結合企業的需求與機制，這樣才能真正落地。”

王顯表示，“ 但相比國外，國內做垂直Agent是很困難的。垂直Agent要深耕某個領域做大做強，在國內很難搞，因為要穿越各種壁壘去獲取數據，但國內金融、醫療、政務等行業的數據壁壘很高，合規審核很嚴格和復雜，即便企業愿意開放數據也要經過多次審批和脫敏。”

付瑞吉表示，“在國內獲取高質量的垂直數據面臨諸多障礙，比如高質量醫療數據分散于醫院而無法共享。” 這一點知危較有體會，在與多位行業內醫療 AI 專家溝通時，經常提到的最大痛點就是數據隔離。

王顯繼續說道，“ 所以，國內大模型的訓練速度就比國外要慢。”

“ 相比之下，國外很快就開始構建垂直 Agent。垂直領域的初創公司就可以直接使用 OpenAI 這種公共 API，但國內只能私有部署大模型，速度就進一步慢下來。”

“ 甚至可以說，國內模型廠商現在都主推的開源和輕量化大模型的策略，其實剛好是適應了國內的特有情況。”

“ 更令人擔憂的是，大模型發展后期，國內大模型的發展會面臨更加嚴峻的挑戰，因為整體數據集質量太差了。”

“ 其次，客戶差異、需求差異和定制化成本也比較高。”

“ 國內的同一垂直行業的不同企業，具有上述的 ToB SaaS 行業的所有缺陷，沒有統一的標準化接口。比如國內的 CRM 系統到底有多少個？隨便在網上搜一下，就是成千上萬，甚至到了每家公司里面還要再定制，做私有化、二次開發。”

“ 而國外的 Agent 或垂直模型只要適配統一的標準化 SaaS，即可覆蓋大多數企業的業務場景。在這樣的環境下，Agent 的復制性和擴展性要比國內高得多。”

“ 第三是大廠作風，國內的行業生態也是封鎖的，大廠都傾向于自建。頭部企業也是自己做垂直 Agent，不會跟其他公司一起做，使得創業公司很難切入核心的場景，無法接入行業生態。”

“ 相比之下，國外其實有很多開放生態與第三方市場的土壤，所以小公司與中小公司是有機會去做某個垂直細分領域來生存的。”
“ 最后在商業化周期上，也存在明顯差異。垂直 Agent 的特點是落地初期需要長周期的行業積累和客戶教育，本質上是 ‘ 慢工出細活 ’。國內投資環境，整體上缺乏耐心，更追求短期回報。這對垂直 Agent 不太友好，因為它們很難在短時間內看到顯著的商業回報。”

“ 最終，因為 ToB 的場景成本和投入太高，實現的可能性太低，可復制性太低，導致整個中國市場更傾向于做 ToC，而且 ToC 是最容易跟資本講故事的。”

“ 但我看了一堆 ToC 產品，可以說沒有一個產品是真正能讓人持續付費訂閱的。”

而為什么國內有很多企業在做 ToC 端的出海，甚至 Manus 把公司總部也搬遷到新加坡，也就不難理解了。

王顯表示，“ 為什么那么多企業選擇在海外做，有多個原因。”
“ 第一，國內市場競爭壓力大。以 Manus 這類產品為例，國內通用型 Agent 產品很容易被競爭廠商或大廠快速復制。核心功能可能在一夜之間被模仿，導致差異化難以維持。”
“ 第二，用戶群體的流失和留存。國內用戶更容易切換到更好的同類產品，這是國內市場的一個特點，即產品的替代成本較低。通用型 C 端 Agent 往往具有 ‘ 一次性體驗 ’ 的特征，缺乏復用價值。早期如果用戶主要來自國內，一旦競爭加劇、出現價格戰，產品在國內的戰略市場會很快消失。”

“ 第三，Manus 等公司會考慮數據隱私監管、算力供應等方面的問題。海外算力供應條件更好，國內算力會有 ‘ 卡脖子 ’ 問題。而且，要對標國際市場的話，新加坡無論是金融還是國際業務、跨境支付、多語言市場，都是一個比較好的紐帶，往下走可以下沉到東南亞市場，往上走可以進入歐美市場，新加坡的國際型人才資源也是比較好的。”

“ 第四，方便做融資，遷到新加坡可以降低很多海外用戶的數據安全需求。GDPR 、CCPA 等法規在新加坡對 Manus 的影響程度，肯定比在國內要好一點。雖然新加坡在東南亞市場也有相應的數據安全法規 PDPA，但也會比國內要松一點。”

“ 第五，基礎模型的差距還是存在的。搬遷到新加坡后，可以跟 Amazon、OpenAI、Anthropic 等公司合作，更方便地使用他們的 API 服務。這些服務在國內目前還是遠超于 DeepSeek、千問等模型 API，能形成產品能力的補強。”

雖然此舉可謂 “ 機智 ”，但王文廣并不認為這樣做有足夠意義，并指出了更為殘酷的未來，“ ToC 的 Agent，我認為，除了在中國和美國，其他地區毫無意義。”

“ 并且，在美國市場，通用 Agent 的生態位已經被基礎模型廠商自己提前占據了。在中國，也很快會收斂到這個狀態。因為，ToC 的通用 Agent 的競爭力和護城河是大模型本身。”

“ 在我看來，實際上國內外做 Agent 都很難。國內做 Agent 更難的本質在于，硅谷現在錢多，而國內則是錢荒。”

在技術、行業限制下，往后 Agent 賽道雖然泡沫依舊，甚至還會繼續膨脹。但長期來看，也將樹立起更加嚴苛的規則，只有順著規則走，才能繼續生存下來。

這些規則包括：在自身的行業認知內構建 Agent，采用垂直大模型，權衡 workflow 和 Agent，聚焦核心場景，最終為商業化成功鋪路。

郭煒表示，“ 在行業中做 Agent，難點不在于 Agent 的實現方式，因為從技術角度看，如何做 Agent 大家基本都能掌握。”

“ 無論是 To C 還是 To B，真正的 Agent 應該是在行業中具備深厚 knowhow 的也就是在該行業有豐富積累的創業者或公司來做，而不是簡單加一層薄殼。”

“ 比如在 To B 端的通用 Agent 場景中，例如企業內部辦公系統，已有在特定賽道深耕多年的企業具備天然優勢。以飛書為例，它原本就有 Wiki，并且已經按照體系整理并長期積累了內容。這樣在底層上下文已經準備好的情況下，上層無論是通過工作流還是 Agent 來進行調用和處理，都能夠更高效地完成任務。”

“這和 APP 的發展類似，之前能存活下來的 APP ，都是在新興領域和新的交互方式下，出現一些創新，顛覆了原有的 APP 和生態模式，但它的量級至少要與某個成熟 APP 相當，解決問題的場景復雜度和提供的便利程度也要相當。只有達到這種程度，才能稱為真正的 Agent，目前還沒有看到這樣的 Agent 出現。”

“ 如果是純粹的大模型廠商，為企業提供知識庫服務，就會面臨反向的挑戰，需要投入大量精力將知識庫按體系分類、打好標簽。而像飛書這樣的企業，早已完成了這些基礎工作，無需重復建設。”

“ 我們做 Data Agent 也是類似的情況。我們的數據系統本身支持 300 多種數據庫，原有的語言數據早已整理完畢，現在的任務是將其語義化，并讓大模型能夠理解。反觀某些廠商在做 Data Agent 時，并沒有如此豐富的數據接口和數據源，只是在上層做一層薄薄的封裝，客戶自然不會滿意，因為數據訪問受限，能力差距明顯。”

“因此，未來能夠在 Agent 領域做出成果的，很可能不是大模型廠商，而是原有的 SaaS 和工具型廠商。”

行業 knowhow 不僅會直接影響企業決策者的方向，也能通過沉淀到模型中，影響產品每一個細枝末節的走向。

從前述 MCP 與 A2A 的實際差異，就能看出垂直場景的模型能力對于 Agent 的重要性，ToB 企業的 Agent 也確實會更加傾向于使用垂類大模型。

薛趙明表示，“ 因為ToB 會帶有很強的行業屬性，當使用的不是通用 LLM 而是行業 LLM 的時候，其實反而是在降低 AI 的能力要求。在明確場景和規則下，在信息面和結果準確度上會有較大提升。 ”

張森森表示，“ 傾向使用垂類大模型的原因主要有幾個點，第一是成本優勢。通用大模型參數量大，而垂直大模型參數量更小，推理成本更低。”
“ 第二是幻覺方面。垂類模型更精準，更貼合企業自身的生態環境。相比之下，通用大模型依賴強泛化能力，往往需要更多人工校對，增加復核成本。”

“ 第三是部署和合規的便利性。垂直大模型更容易私有化部署，更符合數據合規和隱私要求。而通用大模型通常依賴云端調用，企業會有很多顧慮，不敢使用。同時，從可控性和靈活度來看，垂類模型可以針對行業定制，比如設置 prompt、模板規則、引擎工具調用策略，從而實現更穩定的響應模式。”
“ 第四，通用大模型可以通過上下文工程做一些優化，但輸出依然存在不確定性和不可控性，所以在 ToB 產品中運行時會有一定風險。因此，在客服知識問答、流程自動化等場景里，垂直大模型往往更適合。做 ToB Agent時常用的策略是，讓垂直大模型覆蓋大約 80%–85% 的高穩定性需求，確保穩定可靠；而在剩下 15%–20% 的復雜問題上，再用通用大模型來兜底。”

從更加長期的角度來看，垂直領域肯定具備更大的商業價值，無論是直觀上的經驗，還是從數據規模和價值評估。

郭煒表示，“ 在數據量方面，互聯網數據的規模遠超企業級數據，差距達到幾個數量級。但從商業價值的角度看，企業級數據的含金量更高，其信息熵或信息密度和價值遠勝于互聯網數據，因為這些數據直接關乎企業自身的經營命脈。”

張森森補充道，“ 關于垂類數據和互聯網數據規模的比較，不同人的說法不一樣。通用語料數據可能是萬億級token規模。單一的垂類數據一般在億級或百億級，不可能達到萬億級。但如果把所有行業的內部數據加在一起，比如金融、醫療、制造等領域，總量肯定會超過通用網絡或通用語料數據。”

“ 但是，工業互聯網的數據大多是垃圾數據，可用于訓練的數據很少，盡管它的總量可能比通用互聯網數據還多。”

當然，僅僅依靠垂直大模型是不夠的。Agent 的落地面臨一個非常考驗工程能力的問題，就是 workflow 和 Agent 的權衡取舍。

王楠表示，“ Agent 和 workflow 有顯著的差異，Agent 的核心在于利用 LLM 做決策，動態地構建 workflow。相比之下，workflow 是預先定義的、靜態的。這個區別決定了兩者適用的場景不同。”

“ workflow 由于缺乏靈活性和通用性，其實能夠解決的實際問題有限。相比之下，Agent 更加靈活、更加通用，能夠更好地解決實際生產環境中的復雜問題。”

張森森表示，“ 廣泛意義上，所有存在需求組合爆炸的情況，比如行程規劃、醫生排班、家政服務等，都是把 workflow 改造成 Agent 的契機。如果做的好，可以完全替代人力。”
“ 如果業務變量數量少、組合有限，可以窮舉，就可以把流程固定下來，用 workflow。如果環境靜態或變化可預期，也可以把流程固定下來，用 workflow。但如果變化維度非常多，比如幾百個維度同時在變化，再用 workflow 設計、測試和維護，成本會急劇上升，這時就需要人工決策，或 Agent 的自主規劃能力。另外，當環境頻繁變化，比如航班延誤、庫存波動，Agent 可以根據上下文實時調整決策，避免預設流程失效。這時就需要自主 Agent。”

“ 因此，是否用 workflow 或 Agent，要從成本、計算調用和維護成本來考量，特別是在運行環境復雜多變的情況下。”

但在大模型幻覺問題無法完全解決，以及 Agent 當前智能有限的限制下，想要一蹴而就實現理想決策是不可能的，何況 workflow 具有更高的確定性，這對于企業而言非常重要。

郭煒表示，“ 這也是行業 knowhow 要發揮作用的地方，決策者需要在復雜系統中權衡哪些部分使用固定的工作流，哪些部分進行適當 Agentic 化。”

張森森表示，“ Agent 的落地依賴于固有流程，最適合的是小規模的局部 workflow 改造。流程高度標準化、數據流轉路徑清晰、任務有明確輸入輸出，這些都是 Agent 落地的最佳條件。Agent 的作用不是推翻重來，而是嵌入線性流程，做局部改造。這可以理解為 ‘ 低摩擦的軌道 ’，標準化流程本身就是低摩擦的軌道。”

王文廣表示，“ 選擇高價值、數據豐富、流程清晰、且允許一定容錯（ 或易于監督 ）的業務環節，有助于 Agent 成功落地。”

張森森舉例解釋道，“ 比如，金融行業數字化水平較高，流程標準化程度很高，因此是 Agent 落地的非常好場景。”

“ 金融行業過去在風控、投研、合規等環節已經有智能化的應用，而 Agent 在這些環節里主要作為輔助模塊嵌入，而不是取代整個業務系統。例如：銀行在貸款審批環節使用 Agent 做資料自動提取，在合規環節做條款比對，在合同、財報數據處理中提取資料并輸出審批結論、風險標簽。這些環節的輸入輸出是固定的，比較容易嵌入 Agent。”

“ 如果考慮風險因素，在一些風險高但流程完全可控的場景，比如金融交易、醫療診斷，即便變量很多，也可以在 workflow 基礎上引入半自動化或部分 Agent。這類場景對風險的容忍度低，更適合 workflow+Agent 的模式。但在一些風險容忍度較高的場景，比如旅行規劃，就可以直接用 Agent，而不需要依賴 workflow。”

進一步看，Agent也分兩種，工作流式的和自主式的，“ 工作流式的 Agent 是把執行規劃固定下來，流程相對可控。非工作流式的 Agent則可以做自主規劃和執行，能自動調用工具（ tool use ）與編排，能動態更新上下文，處理長尾和個性化需求。”

王楠補充道，“ 例如，只有檢索-生成的 RAG 系統，就是典型的工作流式 Agent，而具有反思和可以使用搜索工具的 Deep Research 或 Agentic search 就是自主式Agent。”

從投資人視角，當前并不看好自主式的 Agent，短期也是更看好工作流式的垂直領域 Agent，張森森表示，“ 因為這類 Agent 在風險回報和落地速度上更有優勢，所以這種傾向是合理的。”

付瑞吉表示，“ 在當前的發展階段，workflow 型 Agent 更切合實際。基于強化學習的自主式 Agent 還需要更長時間的探索，也許要等前者的廣泛應用，為后者的訓練提供大量數據后，才能真正普及。”

而在實際工程權衡下，企業可能還會更加實在，郭煒表示，“ 幻覺控制非常重要，尤其是在 ToB 場景中。用戶真正關心的是結果，并不在乎是通過哪種技術路徑實現的，無論是 RAG、Agent + RAG，還是僅用 Agent。 因此未來的模式更可能是 ‘ Agent + RAG + 傳統 workflow（ 或 RPA ）’ 的組合。”

“ 這種模式能夠在保證確定性的前提下，結合利用大模型和 Agent 處理與人的交互，以及理解用戶意圖。”

“ Agent 的主要作用是進行分工決策，確定由哪個 Agent 執行任務，以及向其提供哪些信息。但在實際執行階段，往往是由 workflow 來完成的，甚至不一定涉及 RAG。既然幻覺無法解決，那就盡量不用。 ”

張森森也認為，這是一個非常務實的方案，“ 目前企業里大多也是這樣在用。”

郭煒繼續解釋道，“ 之所以如此分工，是因為意識到，大模型和Agent在場景中解決的最重要問題應該是交付。”

“ 多數情況下，人們很難準確表達自己的需求，需要通過與大模型多輪溝通，逐步明確 ‘ 到底想要什么 ’，傳統軟件和 SaaS 無法完成這種深度、多輪、滲透式的需求挖掘。這一能力在 To C 和 To B 場景中都同樣重要。從個人感受來看，相對于傳統搜索，效率提升至少是幾倍的。”

“ 目前，大多數 Agent 更適合應對一些原本套路化、工程化、重復性較強的任務，并在交互上發揮更大價值，例如與客戶對話、深入了解需求，并在此基礎上設計完整的解決思路，然后生成 RAG 或 workflow 來執行。”

據此，郭煒認為，未來 Agent 的發展將分為兩個階段。

第一階段，解決原本由垂直領域工具服務的業務場景，只有在這些場景中做到更高的便利性、更明顯的痛點解決，Agent 才能真正興起。 “ 畢竟 Agent 繼承自原有 SaaS 軟件形態，只不過在交互方式和技術能力上有了新的突破。”

第二階段，在足夠深入落地場景后，需要找到創新的切入點。“ 就像當年同樣是做新聞，今日頭條找到了全新的切入方式一樣。”

“ 目前國內外并沒有滿足以上兩點的 Agent 應用。”

薛趙明表示，“ 當前行業中的 Agent 產品，在人機交互方面依然很差。OpenAI 也提出了 2025 年是上下文工程的元年，交互能力本質上是上下文理解能力。當然這里面也存在路線之爭，比如是更多依賴用戶的上下文，還是讓模型自己來解決。”

對于 Agent 的應用場景，在 ToC 類場景中，何為剛需還不存在共識，目前整體還比較盲目，更多是圍繞技術更新做嘗試，而 ToB 場景已經有較為明確的優先方向。

張森森表示，“ 現在企業內部最迫切的 Agent 應用場景有三個。”

“ 第一，跨系統任務編排與自動化。例如把 ERP、CRM、知識庫、工單等業務系統通過自然語言連接起來。目前很多 Agent 只能做到對話式查詢，沒有形成完整的自動化執行鏈條。所以缺乏可視化編排和審批機制，企業不敢放心交付關鍵任務。”
“ 第二，高可信度的知識問答與決策。目前企業內部大多數 Agent 平臺做的還是 ‘ 文檔搜索 + 大模型總結 ’。問題是沒有引用和溯源機制，沒有版本控制，沒有訪問權限分級。結果是表面上大家轟轟烈烈做了一堆 Agent，看起來很好，但最終根本無法真正投入使用。”
“ 最后，也是最重要的，就是 Data Agent（ 以前叫 ChatBI ）。核心能力包括半自動或全自動的數據分析與報告生成；理解企業內部 BI 系統的數據模型；自動編寫 SQL，或調用數據分析 API；輸出可視化報表或業務報告等。”

“ 但現狀是很多產品只做到了 ‘ 表格分析 + 自然語言生成表格 ’，生成的數據需要巨量人工校對，往往 ‘ 要了半條命 ’，成本極高，嚴重影響實用性。”
“ 在這些場景應用里，都需要訓練或定制垂直化模型。因為企業內部有自己的語言體系（ 行業黑話、內部術語等 ）、業務生態（ 跨部門協作的專屬邏輯 ）、流程規范（ 審批鏈條、合規規則等 ）、知識沉淀（ 文檔、數據、經驗庫等 ）。”

郭煒介紹道，“在 Data Agent 場景中，傳統的 ETL 操作非常繁瑣，需要大量人工拖拽配置。而通過 Data Agent，可以快速獲取企業底層數據，不僅限于簡單的 Chat BI 查詢，而是能夠直接訪問更底層、更原始的數據，從而顯著提升處理效率。”

“ 目前市面上大多數所謂的 Data Agent，本質上只是將傳統的 BI 或數據倉庫加了一個 ‘ Chat BI ’ 式交互外殼，并未實現數據在語義層面的深度轉化，仍停留在 ‘ 玩具 ’ 階段，而多數客戶此時只是抱著 ‘ 嘗鮮 ’ 的心態進行試用。這種模式無法充分釋放數據價值，也難以支撐真正的 Agent 生態。”
“ 要實現理想的 Data Agent 架構，主要面臨兩大挑戰。”

“ 第一，數據底層處理的復雜性。底層系統存在成千上萬種不同的數據源，要將其中的數據轉化為可被大模型理解的上下文，是一項繁重且復雜的工作。大模型本身無法直接完成這些‘臟活累活’，這需要長期的積累與專業的處理能力。”

“ 第二，數據交互與轉化。必須充分利用大模型的交互能力，讓其具備推理和語言處理的能力，并將需求轉化為對底層數據的精確調用。這要求在上層的自然語言需求與底層數據結構之間建立高效、準確的映射，這同樣是一個高難度的技術挑戰。”

“ 未來的目標是讓用戶能夠通過自然語言快速完成任務，甚至無需自然語言輸入，只需提供所需的 SQL 或數據描述，系統就能自動生成完整的 workflow。這類功能能夠真正解決用戶的痛點問題。”

“ Agent 產品只有能解決這一類核心場景的問題，企業才會對其有付費意愿，并推動大規模部署。”

總體來看，未來在 Agent 這個賽道，無論是ToC方向還是ToB方向，都還有很長的路要走。

王顯總結道，“ 當前整體氛圍上，大家還是想賺一波快錢。這其實是一個多贏局面，即資本方想賺快錢，企業等多方機構也希望幫自己講一個AI的故事。”

“ 對于個人，在這個氛圍影響下，就進入焦慮模式了，好像離開 AI 就不能活了，然后大家接下來就拼命地把工作跟 AI 結合起來。當然，這只是小贏，絕對不是大贏。等這輪泡沫消退、企業熱度過去之后，大家會更加冷靜地看待。我估計還需要一到兩年時間。”

對于 ToC 賽道整體，張森森認為，“目前消費級通用 Agent 基本只能靠融資續命，商業化路徑還沒有跑通。”

那么，創業公司還能如何抓住機會呢？

關于創業方向選擇，目前有一個理論是 “ 補足大模型的最后一公里 ”，比如等醫療、法律等流程做到 95 分的時候，讓大模型接手替代人。

這或許是當前的創業取巧之選或大型企業的無奈之舉，王文廣認為，“ 這個選擇對于創業公司并不性感，就像外賣和快遞員，但總會有人做的。”

王楠表示，“ 現在的確是創業的一個黃金期，但方向選擇未必一定是不足最后一公里，也許是不足最后 10 公里，也許是大模型生態中的一環。大模型接受替代人并非要人做到 95 分，再由 AI 接替。也可以是人已經處理的很好的任務，完全交給AI處理，比如對比價格、情感陪伴或者做AI教師。這里的價值在于 AI 讓人的能力能夠 scale。也可是人無法處理好的任務，比如寫研報、寫代碼。”

“ 我會建議創業者去思考什么場景下 AI 能夠做到十倍以上的效率提升。”

王楠還認為，創業公司仍然需要依靠速度構建護城河，同時也要認真做產品。比如 Genspark 在其產品中引入的改進策略包括：引入專業數據源、并行搜索、多代理交叉驗證、專家審核內容、使用離線Agent確保準確性，并通過先發優勢掌握了大量數據。“ Genspark的策略基本上是市面上認真做做 Agentic Search 和 Deep Research 產品的公司普遍的做法。對于 Genspark 和 Perplexity 這樣的公司，主要市場還是在通用搜索，所以掌控數據和搜索能力是自然的選擇。和傳統的搜索巨頭相比，在產品迭代速度和執行力方面的也是創業公司的優勢。再加上大模型能力和時代浪潮的加持，我們會看到更多的小公司快速崛起，分走大公司的蛋糕。”

AI創業者李峰則認為，“ 技術層面，ToC 的 Agent 的護城河是大模型本身。要與 ChatGPT 競爭，首先要有一個跟 ChatGPT 匹敵或超越的大模型，顯然，Manus 沒有。要避開競爭，就只能在場景層做小做精，選擇一個或幾個核心場景，做到極致的可靠和高效，這才會有長期的機會。”

“ 工程層面，Genspark 確實真正在做落地的事情，并基于它所接觸的需求，構建了一套高度復雜、精心編排的隱性工作流系統。它們正在利用先發優勢來快速構建并完善這個復雜系統，從而形成事實上的護城河。設計、實現并調優這樣一個包含眾多模型、工具和數據源的復雜工作流系統，需要巨大的工程投入和時間。”

“ 即使基礎模型公司要做好，也需要同樣的工作。如果這個隱性工作流系統足夠復雜，那就能夠形成一定的競爭優勢。”

張森森則認為，應用層的 Agent 創業公司，更容易從長尾產品入手。“ 寫作、辦公、搜索等主流場景，幾乎被大廠牢牢占據，小公司很難在算力、數據、生態上正面競爭。而長尾場景雖然用戶規模小，但需求獨特、痛點尖銳。用戶在高痛點的情況下，對解決方案的不完美有更高容忍度。哪怕只是部分緩解，也能讓用戶感到價值明顯。”
“ 只要能解決關鍵問題，就能迅速形成用戶粘性。 而且長尾方案能夠形成更強壁壘。因為這些場景需要結合高度專業化的數據，甚至涉及內部流程和工具，沉淀出的知識和技術很難被通用模型復制。經過長期迭代，還能向相似場景擴散，逐步形成護城河。”
“ 比如 Figma，它最早并不是做 UI 設計的，而是解決了一個非常強的痛點：在線協作，再擴展到高頻的設計需求，最終發展成行業龍頭。Zoom 也是類似的路徑，它最初的產品需求是解決高質量視頻傳輸的問題，先在這個點上做深度優化，然后才逐步擴展，最終進入并占領了通用的會議市場。”

“ 當然，如果只是單純做一個 Agent，是一定沒有機會的。只是在技術或通用功能上去卷，就很容易被別人替代或干掉。”

最后，回到 Agent 泡沫本身，基于科技行業發展普遍規律，還是需要更加辯證地看待其存在意義。

郭煒認為，Agent 泡沫確實客觀存在，但實際上還不夠多，“ 畢竟對于 SaaS 軟件和日常使用的 APP，還有大量的功能尚未實現。要真正把 Agent 做起來，還需要更多的泡沫推動，才能發展成熟。這也是早就存在的規律，每個新興的創新領域在初期都會有大量資本驅動，最后才會有少數創業公司和想法存活下來。”

薛趙明表示，“ Agent 泡沫的存在是一定的。從遠古的 NLP 階段或人工智障時代，到 ChatGPT 時代，再到如今 AI 具備推理和工具使用能力的當下，雖然 AI 的更新很快，但是從事物的歷史發展周期來說，當下還處在較為早期的階段，這個階段的特性就是泡沫橫生，大家都在嘗試做一些突破。特別是現在更多的投資還是比較前期的天使輪或者 A 輪，因此必然是一個 ‘ 百團大戰 ’ 階段。”

王文廣表示，“ 這是所有顛覆性的新技術出現的必然過程，國內外沒有什么不同。具體來說，新技術的應用一定會經歷泡沫化，然后是幻滅與出清，緊隨其后的長期、務實的滲透與融合。現在還是泡沫化的階段，幻滅才有點苗頭，出清還早。”

“ 關于 Agent 是否真正解決問題大家還無暇顧及，但必須先做起來，搶投資搶市場。”

“ 畢竟需要在這個市場活的足夠久，才能找到 ‘ 在某個特定行業中，存在一個什么樣的高價值、長期未被解決的難題？’、‘ AI Agent 的技術能否為這個問題提供一個全新的、比現有方案好 2 倍或者 10 倍的解法？’ 等問題的答案。”

“ 這與 ‘ 先做起來 ’ 并不完全是矛盾的。”

“ 但從長遠看，唯有這種從真實、深刻的行業痛點出發的思考，才能找到真正有價值且具有護城河的落地場景。”

“ 現有的所謂的智能體的洗牌，應該會在接下來的三五年內出現。”

“ 整個行業終究將向著無處不在的 Agent 時代邁進。所以，不管怎么活著（ 靠融資活著也是一種很好的活法 ），能夠或者走向未來就是最重要的。未來有什么潛在的突破口，現在的你我都不知道，但只有活著走到那個時候，才有機會。”

面向更長遠的未來，郭煒展望道，“ 未來，Agent 會非常普遍，幾乎所有軟件和 APP 都會嵌入模型，成為某種形式的 Agent。這并不局限于替代特定場景，而是整體向 Agent 化演進。”

“ 從各專業領域的 Agent 都已出現并且運行良好，再基于此形成入口級 Agent，這一過程可能需要 5 到 10 年。 在此之前，專業領域的專業型 Agent 將率先落地并發揮作用。”

王文廣則提醒道，“ 在 AGI/ASI 真正到來之前，請注意，AGI 或 ASI 到來之前是個前提，基于大模型的智能體的的勝利，極大概率并不屬于那些試圖用一個通用 Agent 解決所有問題的 ‘ 平臺 ’ 公司，而屬于那些能將 Agent 作為一種能力與業務深度融合開發出該領域具備智能決策和自然語言交互的專業軟件的公司。”

泡沫并非一定是壞事，真正的長期主義者反而能借助泡沫來生長。但唯有回答 “ 為誰而作、在何處用、以何種方式穩態運行 ”，才足以穿越喧囂，走進可復用的現實。