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

除了工程和模型層面的技術(shù)問題，在行業(yè)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(nèi) 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(shí)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(yàn)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(jīng)之路 ’、‘ 下一代操作系統(tǒng) ’ 這樣的愿景或字眼。”

“ 特別是早期投資人，更關(guān)注潛在市場規(guī)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(xiàn)一個 Agent 平臺，形成類似微信、iOS 級別的生態(tài)壟斷。因此他們不愿意錯過機(jī)會，而且存在 ‘ 你不投我就投 ’ 的競爭心理。”

“ 尤其是在當(dāng)前市場環(huán)境下，資本方其實(shí)沒有其它方向可以投。Agent 類項(xiàng)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(chǎn)品即使不行也會被拿出來講故事。因此融資估值并不與實(shí)際產(chǎn)出效率掛鉤，而是與產(chǎn)品覆蓋面、DAU、MAU 等指標(biāo)掛鉤。思路是先鋪量，后續(xù)再做深。在公司內(nèi)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(nèi)還有一個特點(diǎn)是，普通大眾和客戶對早期產(chǎn)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(dāng)前體驗(yàn)之間存在時間差，這是客觀存在的。但如果用戶端的體驗(yàn)長期上不去，投資端很快會降溫。這是一個動態(tài)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(xiàn)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(fā)展速度極快、日新月異，作為 Agent 供給側(cè)給應(yīng)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(chuàng)造通用應(yīng)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(xué)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(shí)來自于大模型本身，絕大多數(shù)非基礎(chǔ)模型公司做出來的 ToC 產(chǎn)品，其實(shí)都不具備壁壘，這導(dǎo)致 ToC 的產(chǎn)品最終有很大概率是被基礎(chǔ)模型公司收割的，OpenAI 最新的 AgentKit 就是一個現(xiàn)實(shí)的正在發(fā)生的例子。”

業(yè)內(nèi)普遍認(rèn)為，類似 Manus 這類公司，實(shí)際上處在模型層和垂直應(yīng)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(yōu)勢會非常脆弱。

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

“ Cursor 的優(yōu)點(diǎn)在于交互體驗(yàn)確實(shí)比較好，比如內(nèi)聯(lián)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(tài)綁定。而大廠比如微軟有自己的生態(tài)，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(guān)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(yōu)化，Cursor 的針對性就會被稀釋。”

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

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

資本敘事泡沫、基模公司擠壓是全行業(yè)面臨的普遍問題，但國內(nèi)實(shí)際上還面臨更多的限制。

要理解這一點(diǎn)，就要深入探討前面提到的國內(nèi)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(nèi)做垂直 Agent 與在國外相比，困難并不主要來自 Agent 技術(shù)本身，而是行業(yè)環(huán)境的老問題。這與做 SaaS 或軟件是同樣的邏輯。”

“ 國內(nèi)本身缺乏大型軟件公司，SaaS 發(fā)展也并不成熟，這使得軟件的整體價值感尚未充分體現(xiàn)。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(rèn)可。”

付瑞吉表示，“ 國內(nèi)各行業(yè) SaaS 普及率低、軟件生態(tài)割裂，導(dǎo)致不同企業(yè)情況各不相同，使得 Agent 的開發(fā)也不得不做大量定制，開發(fā)成本高。”

郭煒補(bǔ)充道，“ 畢竟 Agent 并不是憑空出現(xiàn)的一種全新事物，而是原有軟件形態(tài)的延續(xù)，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(qiáng)調(diào)結(jié)果（ result ）和集成（ integration ），注重整體集成度。特別是在北美、歐洲等地區(qū)的企業(yè)，更傾向于使用成熟的 SaaS 產(chǎn)品，很少自行研發(fā)，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(xié)議，比如將 MCP、A2A 協(xié)議與現(xiàn)有的 ERP、CRM 進(jìn)行集成，這對于他們而言成本相對較低。”

“國內(nèi)軟件生態(tài)更多是企業(yè)自研，而且企業(yè)與企業(yè)之間的協(xié)議差異很大，甚至同一企業(yè)內(nèi)部的協(xié)議都可能不統(tǒng)一，數(shù)據(jù)打通難度極高。在這種復(fù)雜環(huán)境下，很難做出標(biāo)準(zhǔn)化、可復(fù)制的企業(yè) Agent。即使在 A 企業(yè)驗(yàn)證成功，遷移到 B 企業(yè)時也很難快速部署。所以可復(fù)制性和大規(guī)模擴(kuò)展性在國內(nèi) ToB Agent 的發(fā)展中被嚴(yán)重抑制，這是目前的關(guān)鍵制約因素。”

“ 這種情況下，企業(yè)很多時候不得不重復(fù)造輪子。”

“ 目前來看，只有方法論層面的東西是可復(fù)制的，比如流程設(shè)計(jì)思路、Agent 架構(gòu)方法論等。但真正落地到企業(yè)使用層面，差距依然很大。”

既然各家企業(yè)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(yōu)勢的產(chǎn)品。“ 所以，相比之下，國內(nèi)更強(qiáng)調(diào)速度和覆蓋率，因?yàn)槭袌龊軆?nèi)卷，企業(yè)更傾向于快速占領(lǐng)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(xié)議的發(fā)展，情況會逐步改善，但至少在短時間內(nèi)，我個人的判斷是消極的。”

擴(kuò)展到 ToB、ToC 和出海市場，則呈現(xiàn)普遍沉重的生存壓力。B 端 SaaS 基礎(chǔ)不足，限制了 Agent 的發(fā)展，創(chuàng)業(yè)公司無法接入生態(tài)，只能轉(zhuǎn)戰(zhàn) C 端，C 端雖具傳播性和資本敘事優(yōu)勢，卻競爭激烈、留存差，因而最終企業(yè)紛紛選擇出海，通過海外市場借力算力、合規(guī)與融資以謀求突圍。

張森森表示，“ 國內(nèi) 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(yè)采購強(qiáng)調(diào) 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(wù)定義模糊、場景識別度低、價值難以量化，所以很難支撐持續(xù)付費(fèi)。”

“ 現(xiàn)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(yè)端 UI’、‘企業(yè)教育智能體’等，但真正拿到企業(yè)流程里用時，問題就暴露出來：性能穩(wěn)定性不足、合規(guī)性不過關(guān)、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(yè)里做到合規(guī)，同時結(jié)合企業(yè)的需求與機(jī)制，這樣才能真正落地。”

王顯表示，“ 但相比國外，國內(nèi)做垂直Agent是很困難的。垂直Agent要深耕某個領(lǐng)域做大做強(qiáng)，在國內(nèi)很難搞，因?yàn)橐┰礁鞣N壁壘去獲取數(shù)據(jù)，但國內(nèi)金融、醫(yī)療、政務(wù)等行業(yè)的數(shù)據(jù)壁壘很高，合規(guī)審核很嚴(yán)格和復(fù)雜，即便企業(yè)愿意開放數(shù)據(jù)也要經(jīng)過多次審批和脫敏。”

付瑞吉表示，“在國內(nèi)獲取高質(zhì)量的垂直數(shù)據(jù)面臨諸多障礙，比如高質(zhì)量醫(yī)療數(shù)據(jù)分散于醫(yī)院而無法共享。” 這一點(diǎn)知危較有體會，在與多位行業(yè)內(nèi)醫(yī)療 AI 專家溝通時，經(jīng)常提到的最大痛點(diǎn)就是數(shù)據(jù)隔離。

王顯繼續(xù)說道，“ 所以，國內(nèi)大模型的訓(xùn)練速度就比國外要慢。”

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

“ 甚至可以說，國內(nèi)模型廠商現(xiàn)在都主推的開源和輕量化大模型的策略，其實(shí)剛好是適應(yīng)了國內(nèi)的特有情況。”

“ 更令人擔(dān)憂的是，大模型發(fā)展后期，國內(nèi)大模型的發(fā)展會面臨更加嚴(yán)峻的挑戰(zhàn)，因?yàn)檎w數(shù)據(jù)集質(zhì)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(nèi)的同一垂直行業(yè)的不同企業(yè)，具有上述的 ToB SaaS 行業(yè)的所有缺陷，沒有統(tǒng)一的標(biāo)準(zhǔn)化接口。比如國內(nèi)的 CRM 系統(tǒng)到底有多少個？隨便在網(wǎng)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(fā)。”

“ 而國外的 Agent 或垂直模型只要適配統(tǒng)一的標(biāo)準(zhǔn)化 SaaS，即可覆蓋大多數(shù)企業(yè)的業(yè)務(wù)場景。在這樣的環(huán)境下，Agent 的復(fù)制性和擴(kuò)展性要比國內(nèi)高得多。”

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

“ 相比之下，國外其實(shí)有很多開放生態(tài)與第三方市場的土壤，所以小公司與中小公司是有機(jī)會去做某個垂直細(xì)分領(lǐng)域來生存的。”
“ 最后在商業(yè)化周期上，也存在明顯差異。垂直 Agent 的特點(diǎn)是落地初期需要長周期的行業(yè)積累和客戶教育，本質(zhì)上是 ‘ 慢工出細(xì)活 ’。國內(nèi)投資環(huán)境，整體上缺乏耐心，更追求短期回報(bào)。這對垂直 Agent 不太友好，因?yàn)樗鼈兒茈y在短時間內(nèi)看到顯著的商業(yè)回報(bào)。”

“ 最終，因?yàn)?ToB 的場景成本和投入太高，實(shí)現(xiàn)的可能性太低，可復(fù)制性太低，導(dǎo)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(chǎn)品，可以說沒有一個產(chǎn)品是真正能讓人持續(xù)付費(fèi)訂閱的。”

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

“ 第三，Manus 等公司會考慮數(shù)據(jù)隱私監(jiān)管、算力供應(yīng)等方面的問題。海外算力供應(yīng)條件更好，國內(nèi)算力會有 ‘ 卡脖子 ’ 問題。而且，要對標(biāo)國際市場的話，新加坡無論是金融還是國際業(yè)務(wù)、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(jìn)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(shù)據(jù)安全需求。GDPR 、CCPA 等法規(guī)在新加坡對 Manus 的影響程度，肯定比在國內(nèi)要好一點(diǎn)。雖然新加坡在東南亞市場也有相應(yīng)的數(shù)據(jù)安全法規(guī) PDPA，但也會比國內(nèi)要松一點(diǎn)。”

“ 第五，基礎(chǔ)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(wù)。這些服務(wù)在國內(nèi)目前還是遠(yuǎn)超于 DeepSeek、千問等模型 API，能形成產(chǎn)品能力的補(bǔ)強(qiáng)。”

雖然此舉可謂 “ 機(jī)智 ”，但王文廣并不認(rèn)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(rèn)為，除了在中國和美國，其他地區(qū)毫無意義。”

“ 并且，在美國市場，通用 Agent 的生態(tài)位已經(jīng)被基礎(chǔ)模型廠商自己提前占據(jù)了。在中國，也很快會收斂到這個狀態(tài)。因?yàn)椋琓oC 的通用 Agent 的競爭力和護(hù)城河是大模型本身。”

“ 在我看來，實(shí)際上國內(nèi)外做 Agent 都很難。國內(nèi)做 Agent 更難的本質(zhì)在于，硅谷現(xiàn)在錢多，而國內(nèi)則是錢荒。”

在技術(shù)、行業(yè)限制下，往后 Agent 賽道雖然泡沫依舊，甚至還會繼續(xù)膨脹。但長期來看，也將樹立起更加嚴(yán)苛的規(guī)則，只有順著規(guī)則走，才能繼續(xù)生存下來。

這些規(guī)則包括：在自身的行業(yè)認(rèn)知內(nèi)構(gòu)建 Agent，采用垂直大模型，權(quán)衡 workflow 和 Agent，聚焦核心場景，最終為商業(yè)化成功鋪路。

郭煒表示，“ 在行業(yè)中做 Agent，難點(diǎn)不在于 Agent 的實(shí)現(xiàn)方式，因?yàn)閺募夹g(shù)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(yīng)該是在行業(yè)中具備深厚 knowhow 的也就是在該行業(yè)有豐富積累的創(chuàng)業(yè)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(yè)內(nèi)部辦公系統(tǒng)，已有在特定賽道深耕多年的企業(yè)具備天然優(yōu)勢。以飛書為例，它原本就有 Wiki，并且已經(jīng)按照體系整理并長期積累了內(nèi)容。這樣在底層上下文已經(jīng)準(zhǔn)備好的情況下，上層無論是通過工作流還是 Agent 來進(jìn)行調(diào)用和處理，都能夠更高效地完成任務(wù)。”

“這和 APP 的發(fā)展類似，之前能存活下來的 APP ，都是在新興領(lǐng)域和新的交互方式下，出現(xiàn)一些創(chuàng)新，顛覆了原有的 APP 和生態(tài)模式，但它的量級至少要與某個成熟 APP 相當(dāng)，解決問題的場景復(fù)雜度和提供的便利程度也要相當(dāng)。只有達(dá)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(xiàn)。”

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

“ 我們做 Data Agent 也是類似的情況。我們的數(shù)據(jù)系統(tǒng)本身支持 300 多種數(shù)據(jù)庫，原有的語言數(shù)據(jù)早已整理完畢，現(xiàn)在的任務(wù)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(shù)據(jù)接口和數(shù)據(jù)源，只是在上層做一層薄薄的封裝，客戶自然不會滿意，因?yàn)閿?shù)據(jù)訪問受限，能力差距明顯。”

“因此，未來能夠在 Agent 領(lǐng)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(yè) knowhow 不僅會直接影響企業(yè)決策者的方向，也能通過沉淀到模型中，影響產(chǎn)品每一個細(xì)枝末節(jié)的走向。

從前述 MCP 與 A2A 的實(shí)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(yè)的 Agent 也確實(shí)會更加傾向于使用垂類大模型。

薛趙明表示，“ 因?yàn)門oB 會帶有很強(qiáng)的行業(yè)屬性，當(dāng)使用的不是通用 LLM 而是行業(yè) LLM 的時候，其實(shí)反而是在降低 AI 的能力要求。在明確場景和規(guī)則下，在信息面和結(jié)果準(zhǔn)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(diǎn)，第一是成本優(yōu)勢。通用大模型參數(shù)量大，而垂直大模型參數(shù)量更小，推理成本更低。”
“ 第二是幻覺方面。垂類模型更精準(zhǔn)，更貼合企業(yè)自身的生態(tài)環(huán)境。相比之下，通用大模型依賴強(qiáng)泛化能力，往往需要更多人工校對，增加復(fù)核成本。”

“ 第三是部署和合規(guī)的便利性。垂直大模型更容易私有化部署，更符合數(shù)據(jù)合規(guī)和隱私要求。而通用大模型通常依賴云端調(diào)用，企業(yè)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(yè)定制，比如設(shè)置 prompt、模板規(guī)則、引擎工具調(diào)用策略，從而實(shí)現(xiàn)更穩(wěn)定的響應(yīng)模式。”
“ 第四，通用大模型可以通過上下文工程做一些優(yōu)化，但輸出依然存在不確定性和不可控性，所以在 ToB 產(chǎn)品中運(yùn)行時會有一定風(fēng)險(xiǎn)。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(wěn)定性需求，確保穩(wěn)定可靠；而在剩下 15%–20% 的復(fù)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(lǐng)域肯定具備更大的商業(yè)價值，無論是直觀上的經(jīng)驗(yàn)，還是從數(shù)據(jù)規(guī)模和價值評估。

郭煒表示，“ 在數(shù)據(jù)量方面，互聯(lián)網(wǎng)數(shù)據(jù)的規(guī)模遠(yuǎn)超企業(yè)級數(shù)據(jù)，差距達(dá)到幾個數(shù)量級。但從商業(yè)價值的角度看，企業(yè)級數(shù)據(jù)的含金量更高，其信息熵或信息密度和價值遠(yuǎn)勝于互聯(lián)網(wǎng)數(shù)據(jù)，因?yàn)檫@些數(shù)據(jù)直接關(guān)乎企業(yè)自身的經(jīng)營命脈。”

張森森補(bǔ)充道，“ 關(guān)于垂類數(shù)據(jù)和互聯(lián)網(wǎng)數(shù)據(jù)規(guī)模的比較，不同人的說法不一樣。通用語料數(shù)據(jù)可能是萬億級token規(guī)模。單一的垂類數(shù)據(jù)一般在億級或百億級，不可能達(dá)到萬億級。但如果把所有行業(yè)的內(nèi)部數(shù)據(jù)加在一起，比如金融、醫(yī)療、制造等領(lǐng)域，總量肯定會超過通用網(wǎng)絡(luò)或通用語料數(shù)據(jù)。”

“ 但是，工業(yè)互聯(lián)網(wǎng)的數(shù)據(jù)大多是垃圾數(shù)據(jù)，可用于訓(xùn)練的數(shù)據(jù)很少，盡管它的總量可能比通用互聯(lián)網(wǎng)數(shù)據(jù)還多。”

當(dāng)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(yàn)工程能力的問題，就是 workflow 和 Agent 的權(quán)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(tài)地構(gòu)建 workflow。相比之下，workflow 是預(yù)先定義的、靜態(tài)的。這個區(qū)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(shí)能夠解決的實(shí)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(shí)際生產(chǎn)環(huán)境中的復(fù)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(guī)劃、醫(yī)生排班、家政服務(wù)等，都是把 workflow 改造成 Agent 的契機(jī)。如果做的好，可以完全替代人力。”
“ 如果業(yè)務(wù)變量數(shù)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(huán)境靜態(tài)或變化可預(yù)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(shè)計(jì)、測試和維護(hù)，成本會急劇上升，這時就需要人工決策，或 Agent 的自主規(guī)劃能力。另外，當(dāng)環(huán)境頻繁變化，比如航班延誤、庫存波動，Agent 可以根據(jù)上下文實(shí)時調(diào)整決策，避免預(yù)設(shè)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(jì)算調(diào)用和維護(hù)成本來考量，特別是在運(yùn)行環(huán)境復(fù)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(dāng)前智能有限的限制下，想要一蹴而就實(shí)現(xiàn)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(yè)而言非常重要。

郭煒表示，“ 這也是行業(yè) knowhow 要發(fā)揮作用的地方，決策者需要在復(fù)雜系統(tǒng)中權(quán)衡哪些部分使用固定的工作流，哪些部分進(jìn)行適當(dāng) 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(guī)模的局部 workflow 改造。流程高度標(biāo)準(zhǔn)化、數(shù)據(jù)流轉(zhuǎn)路徑清晰、任務(wù)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(biāo)準(zhǔn)化流程本身就是低摩擦的軌道。”

王文廣表示，“ 選擇高價值、數(shù)據(jù)豐富、流程清晰、且允許一定容錯（ 或易于監(jiān)督 ）的業(yè)務(wù)環(huán)節(jié)，有助于 Agent 成功落地。”

張森森舉例解釋道，“ 比如，金融行業(yè)數(shù)字化水平較高，流程標(biāo)準(zhǔn)化程度很高，因此是 Agent 落地的非常好場景。”

“ 金融行業(yè)過去在風(fēng)控、投研、合規(guī)等環(huán)節(jié)已經(jīng)有智能化的應(yīng)用，而 Agent 在這些環(huán)節(jié)里主要作為輔助模塊嵌入，而不是取代整個業(yè)務(wù)系統(tǒng)。例如：銀行在貸款審批環(huán)節(jié)使用 Agent 做資料自動提取，在合規(guī)環(huán)節(jié)做條款比對，在合同、財(cái)報(bào)數(shù)據(jù)處理中提取資料并輸出審批結(jié)論、風(fēng)險(xiǎn)標(biāo)簽。這些環(huán)節(jié)的輸入輸出是固定的，比較容易嵌入 Agent。”

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

進(jìn)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(zhí)行規(guī)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(guī)劃和執(zhí)行，能自動調(diào)用工具（ tool use ）與編排，能動態(tài)更新上下文，處理長尾和個性化需求。”

王楠補(bǔ)充道，“ 例如，只有檢索-生成的 RAG 系統(tǒng)，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(dāng)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(lǐng)域 Agent，張森森表示，“ 因?yàn)檫@類 Agent 在風(fēng)險(xiǎn)回報(bào)和落地速度上更有優(yōu)勢，所以這種傾向是合理的。”

付瑞吉表示，“ 在當(dāng)前的發(fā)展階段，workflow 型 Agent 更切合實(shí)際。基于強(qiáng)化學(xué)習(xí)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(yīng)用，為后者的訓(xùn)練提供大量數(shù)據(jù)后，才能真正普及。”

而在實(shí)際工程權(quán)衡下，企業(yè)可能還會更加實(shí)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(guān)心的是結(jié)果，并不在乎是通過哪種技術(shù)路徑實(shí)現(xiàn)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(tǒng) workflow（ 或 RPA ）’ 的組合。”

“ 這種模式能夠在保證確定性的前提下，結(jié)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(jìn)行分工決策，確定由哪個 Agent 執(zhí)行任務(wù)，以及向其提供哪些信息。但在實(shí)際執(zhí)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(rèn)為，這是一個非常務(wù)實(shí)的方案，“ 目前企業(yè)里大多也是這樣在用。”

郭煒繼續(xù)解釋道，“ 之所以如此分工，是因?yàn)橐庾R到，大模型和Agent在場景中解決的最重要問題應(yīng)該是交付。”

“ 多數(shù)情況下，人們很難準(zhǔn)確表達(dá)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(tǒng)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(tǒng)搜索，效率提升至少是幾倍的。”

“ 目前，大多數(shù) Agent 更適合應(yīng)對一些原本套路化、工程化、重復(fù)性較強(qiáng)的任務(wù)，并在交互上發(fā)揮更大價值，例如與客戶對話、深入了解需求，并在此基礎(chǔ)上設(shè)計(jì)完整的解決思路，然后生成 RAG 或 workflow 來執(zhí)行。”

據(jù)此，郭煒認(rèn)為，未來 Agent 的發(fā)展將分為兩個階段。

第一階段，解決原本由垂直領(lǐng)域工具服務(wù)的業(yè)務(wù)場景，只有在這些場景中做到更高的便利性、更明顯的痛點(diǎn)解決，Agent 才能真正興起。 “ 畢竟 Agent 繼承自原有 SaaS 軟件形態(tài)，只不過在交互方式和技術(shù)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(chuàng)新的切入點(diǎn)。“ 就像當(dāng)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(nèi)外并沒有滿足以上兩點(diǎn)的 Agent 應(yīng)用。”

薛趙明表示，“ 當(dāng)前行業(yè)中的 Agent 產(chǎn)品，在人機(jī)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(zhì)上是上下文理解能力。當(dāng)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(yīng)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(shù)更新做嘗試，而 ToB 場景已經(jīng)有較為明確的優(yōu)先方向。

張森森表示，“ 現(xiàn)在企業(yè)內(nèi)部最迫切的 Agent 應(yīng)用場景有三個。”

“ 第一，跨系統(tǒng)任務(wù)編排與自動化。例如把 ERP、CRM、知識庫、工單等業(yè)務(wù)系統(tǒng)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(zhí)行鏈條。所以缺乏可視化編排和審批機(jī)制，企業(yè)不敢放心交付關(guān)鍵任務(wù)。”
“ 第二，高可信度的知識問答與決策。目前企業(yè)內(nèi)部大多數(shù) Agent 平臺做的還是 ‘ 文檔搜索 + 大模型總結(jié) ’。問題是沒有引用和溯源機(jī)制，沒有版本控制，沒有訪問權(quán)限分級。結(jié)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(shù)據(jù)分析與報(bào)告生成；理解企業(yè)內(nèi)部 BI 系統(tǒng)的數(shù)據(jù)模型；自動編寫 SQL，或調(diào)用數(shù)據(jù)分析 API；輸出可視化報(bào)表或業(yè)務(wù)報(bào)告等。”

“ 但現(xiàn)狀是很多產(chǎn)品只做到了 ‘ 表格分析 + 自然語言生成表格 ’，生成的數(shù)據(jù)需要巨量人工校對，往往 ‘ 要了半條命 ’，成本極高，嚴(yán)重影響實(shí)用性。”
“ 在這些場景應(yīng)用里，都需要訓(xùn)練或定制垂直化模型。因?yàn)槠髽I(yè)內(nèi)部有自己的語言體系（ 行業(yè)黑話、內(nèi)部術(shù)語等 ）、業(yè)務(wù)生態(tài)（ 跨部門協(xié)作的專屬邏輯 ）、流程規(guī)范（ 審批鏈條、合規(guī)規(guī)則等 ）、知識沉淀（ 文檔、數(shù)據(jù)、經(jīng)驗(yàn)庫等 ）。”

郭煒介紹道，“在 Data Agent 場景中，傳統(tǒng)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(yè)底層數(shù)據(jù)，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(shù)據(jù)，從而顯著提升處理效率。”

“ 目前市面上大多數(shù)所謂的 Data Agent，本質(zhì)上只是將傳統(tǒng)的 BI 或數(shù)據(jù)倉庫加了一個 ‘ Chat BI ’ 式交互外殼，并未實(shí)現(xiàn)數(shù)據(jù)在語義層面的深度轉(zhuǎn)化，仍停留在 ‘ 玩具 ’ 階段，而多數(shù)客戶此時只是抱著 ‘ 嘗鮮 ’ 的心態(tài)進(jìn)行試用。這種模式無法充分釋放數(shù)據(jù)價值，也難以支撐真正的 Agent 生態(tài)。”
“ 要實(shí)現(xiàn)理想的 Data Agent 架構(gòu)，主要面臨兩大挑戰(zhàn)。”

“ 第一，數(shù)據(jù)底層處理的復(fù)雜性。底層系統(tǒng)存在成千上萬種不同的數(shù)據(jù)源，要將其中的數(shù)據(jù)轉(zhuǎn)化為可被大模型理解的上下文，是一項(xiàng)繁重且復(fù)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(yè)的處理能力。”

“ 第二，數(shù)據(jù)交互與轉(zhuǎn)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(zhuǎn)化為對底層數(shù)據(jù)的精確調(diào)用。這要求在上層的自然語言需求與底層數(shù)據(jù)結(jié)構(gòu)之間建立高效、準(zhǔn)確的映射，這同樣是一個高難度的技術(shù)挑戰(zhàn)。”

“ 未來的目標(biāo)是讓用戶能夠通過自然語言快速完成任務(wù)，甚至無需自然語言輸入，只需提供所需的 SQL 或數(shù)據(jù)描述，系統(tǒng)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(diǎn)問題。”

“ Agent 產(chǎn)品只有能解決這一類核心場景的問題，企業(yè)才會對其有付費(fèi)意愿，并推動大規(guī)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(jié)道，“ 當(dāng)前整體氛圍上，大家還是想賺一波快錢。這其實(shí)是一個多贏局面，即資本方想賺快錢，企業(yè)等多方機(jī)構(gòu)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(jìn)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(jié)合起來。當(dāng)然，這只是小贏，絕對不是大贏。等這輪泡沫消退、企業(yè)熱度過去之后，大家會更加冷靜地看待。我估計(jì)還需要一到兩年時間。”

對于 ToC 賽道整體，張森森認(rèn)為，“目前消費(fèi)級通用 Agent 基本只能靠融資續(xù)命，商業(yè)化路徑還沒有跑通。”

那么，創(chuàng)業(yè)公司還能如何抓住機(jī)會呢？

關(guān)于創(chuàng)業(yè)方向選擇，目前有一個理論是 “ 補(bǔ)足大模型的最后一公里 ”，比如等醫(yī)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(dāng)前的創(chuàng)業(yè)取巧之選或大型企業(yè)的無奈之舉，王文廣認(rèn)為，“ 這個選擇對于創(chuàng)業(yè)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(xiàn)在的確是創(chuàng)業(yè)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(tài)中的一環(huán)。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(jīng)處理的很好的任務(wù)，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(wù)，比如寫研報(bào)、寫代碼。”

“ 我會建議創(chuàng)業(yè)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(rèn)為，創(chuàng)業(yè)公司仍然需要依靠速度構(gòu)建護(hù)城河，同時也要認(rèn)真做產(chǎn)品。比如 Genspark 在其產(chǎn)品中引入的改進(jìn)策略包括：引入專業(yè)數(shù)據(jù)源、并行搜索、多代理交叉驗(yàn)證、專家審核內(nèi)容、使用離線Agent確保準(zhǔn)確性，并通過先發(fā)優(yōu)勢掌握了大量數(shù)據(jù)。“ Genspark的策略基本上是市面上認(rèn)真做做 Agentic Search 和 Deep Research 產(chǎn)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?cái)?shù)據(jù)和搜索能力是自然的選擇。和傳統(tǒng)的搜索巨頭相比，在產(chǎn)品迭代速度和執(zhí)行力方面的也是創(chuàng)業(yè)公司的優(yōu)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(chuàng)業(yè)者李峰則認(rèn)為，“ 技術(shù)層面，ToC 的 Agent 的護(hù)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(jī)會。”

“ 工程層面，Genspark 確實(shí)真正在做落地的事情，并基于它所接觸的需求，構(gòu)建了一套高度復(fù)雜、精心編排的隱性工作流系統(tǒng)。它們正在利用先發(fā)優(yōu)勢來快速構(gòu)建并完善這個復(fù)雜系統(tǒng)，從而形成事實(shí)上的護(hù)城河。設(shè)計(jì)、實(shí)現(xiàn)并調(diào)優(yōu)這樣一個包含眾多模型、工具和數(shù)據(jù)源的復(fù)雜工作流系統(tǒng)，需要巨大的工程投入和時間。”

“ 即使基礎(chǔ)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(tǒng)足夠復(fù)雜，那就能夠形成一定的競爭優(yōu)勢。”

張森森則認(rèn)為，應(yīng)用層的 Agent 創(chuàng)業(yè)公司，更容易從長尾產(chǎn)品入手。“ 寫作、辦公、搜索等主流場景，幾乎被大廠牢牢占據(jù)，小公司很難在算力、數(shù)據(jù)、生態(tài)上正面競爭。而長尾場景雖然用戶規(guī)模小，但需求獨(dú)特、痛點(diǎn)尖銳。用戶在高痛點(diǎn)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(guān)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(qiáng)壁壘。因?yàn)檫@些場景需要結(jié)合高度專業(yè)化的數(shù)據(jù)，甚至涉及內(nèi)部流程和工具，沉淀出的知識和技術(shù)很難被通用模型復(fù)制。經(jīng)過長期迭代，還能向相似場景擴(kuò)散，逐步形成護(hù)城河。”
“ 比如 Figma，它最早并不是做 UI 設(shè)計(jì)的，而是解決了一個非常強(qiáng)的痛點(diǎn)：在線協(xié)作，再擴(kuò)展到高頻的設(shè)計(jì)需求，最終發(fā)展成行業(yè)龍頭。Zoom 也是類似的路徑，它最初的產(chǎn)品需求是解決高質(zhì)量視頻傳輸?shù)膯栴}，先在這個點(diǎn)上做深度優(yōu)化，然后才逐步擴(kuò)展，最終進(jìn)入并占領(lǐng)了通用的會議市場。”

“ 當(dāng)然，如果只是單純做一個 Agent，是一定沒有機(jī)會的。只是在技術(shù)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(yè)發(fā)展普遍規(guī)律，還是需要更加辯證地看待其存在意義。

郭煒認(rèn)為，Agent 泡沫確實(shí)客觀存在，但實(shí)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(shí)現(xiàn)。要真正把 Agent 做起來，還需要更多的泡沫推動，才能發(fā)展成熟。這也是早就存在的規(guī)律，每個新興的創(chuàng)新領(lǐng)域在初期都會有大量資本驅(qū)動，最后才會有少數(shù)創(chuàng)業(yè)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(yuǎn)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(dāng)下，雖然 AI 的更新很快，但是從事物的歷史發(fā)展周期來說，當(dāng)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(xiàn)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(tuán)大戰(zhàn) ’ 階段。”

王文廣表示，“ 這是所有顛覆性的新技術(shù)出現(xiàn)的必然過程，國內(nèi)外沒有什么不同。具體來說，新技術(shù)的應(yīng)用一定會經(jīng)歷泡沫化，然后是幻滅與出清，緊隨其后的長期、務(wù)實(shí)的滲透與融合。現(xiàn)在還是泡沫化的階段，幻滅才有點(diǎn)苗頭，出清還早。”

“ 關(guān)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(yè)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(shù)能否為這個問題提供一個全新的、比現(xiàn)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(yuǎn)看，唯有這種從真實(shí)、深刻的行業(yè)痛點(diǎn)出發(fā)的思考，才能找到真正有價值且具有護(hù)城河的落地場景。”

“ 現(xiàn)有的所謂的智能體的洗牌，應(yīng)該會在接下來的三五年內(nèi)出現(xiàn)。”

“ 整個行業(yè)終究將向著無處不在的 Agent 時代邁進(jìn)。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(xiàn)在的你我都不知道，但只有活著走到那個時候，才有機(jī)會。”

面向更長遠(yuǎn)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(jìn)。”

“ 從各專業(yè)領(lǐng)域的 Agent 都已出現(xiàn)并且運(yùn)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(yè)領(lǐng)域的專業(yè)型 Agent 將率先落地并發(fā)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(yè)務(wù)深度融合開發(fā)出該領(lǐng)域具備智能決策和自然語言交互的專業(yè)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(wěn)態(tài)運(yùn)行 ”，才足以穿越喧囂，走進(jìn)可復(fù)用的現(xiàn)實(shí)。