在云棲大會，一場關(guān)于AI Agent的變化正在發(fā)生｜甲子光年

企業(yè)應用AI正經(jīng)歷從“調(diào)用模型”到“構(gòu)建AI Agent”的根本性范式轉(zhuǎn)移。

作者｜王藝

編輯｜王博

2025年Q4開始了，AI Agent（智能體）的熱度依然不減。

據(jù)Gartner預測，AI Agent領(lǐng)域預計將在2024-2030年間迎來顯著增長，市場規(guī)模將從51億美元攀升至471億美元。

從技術(shù)層面看，算力的持續(xù)提升、多模態(tài)的突破，以及插件和工作流編排工具的完善，為AI Agent的涌現(xiàn)奠定了基礎；從產(chǎn)業(yè)角度看，模型的差距正在縮小，急需新的敘事來打開市場，而“AI Agent即未來勞動力”的故事最能打動資本與企業(yè)；從用戶感知上看，AI Agent作為“能幫我干活的AI助手”，比抽象的大模型更容易理解。

AI Agent的走紅，正是因為它給了產(chǎn)業(yè)一個新的想象空間：大模型不僅能回答問題，還能調(diào)用工具、執(zhí)行任務，擁有更長的記憶，與其他智能體協(xié)作，甚至還能預知風險。這不僅是從“會說”邁向“會做”，而是真正進入物理世界，成為我們工作和生活中的一部分。

在云棲大會上，阿里巴巴集團CEO吳泳銘就認為：“未來幾乎所有與計算世界打交道的軟件可能都是由大模型產(chǎn)生的AI Agent。”

「甲子光年」調(diào)研發(fā)現(xiàn)，今年以來，越來越多企業(yè)的智能化業(yè)務正從“調(diào)用模型”邁向“構(gòu)建可執(zhí)行任務的AI Agent”。甲子光年智庫在《2025 AI Agent行業(yè)價值及應用分析》報告指出，AI Agent已經(jīng)分化出“前端交互的大腦顧問”“專家級的數(shù)字員工”“貼心反饋的靈感伙伴”和“讓想象力落地的創(chuàng)造者”四種核心角色，它們在不同場景中各司其職，共同構(gòu)成了企業(yè)智能化的新圖景。

AI Agent場景地圖，圖片來源：甲子光年《2025 AI Agent行業(yè)價值及應用分析》

企業(yè)不僅需要智能化工具，更需要一整套企業(yè)智能化升級的基礎設施。前兩年是圍繞大模型，而現(xiàn)在是圍繞AI Agent。

這些觀察帶來了我們想要探討的命題：什么是AI Agent？AI Agent是否走進了真實業(yè)務中？AI Agent落地要跨越哪些鴻溝，又應面向哪些場景？如何為企業(yè)應用AI Agent提供支持？

在近期舉行的云棲大會上，我們找到了答案。

1.為什么AI Agent會成為“業(yè)務主角”？

新興技術(shù)的出現(xiàn)，總會伴隨著術(shù)語洪流和流派之爭，帶來認知摩擦。

一直以來，業(yè)界對AI Agent的定義都不甚明朗。有人認為工作流是AI Agent，有人認為AI應用是AI Agent，有人認為AI Agent就是一個“帶點聰明提示詞的聊天機器人”。可以說，Agent的定義就是一條光譜——從最簡單的對話機器人，到最復雜的“數(shù)字人”，都有人自稱AI Agent。

到底什么是AI Agent呢？

甲子光年智庫在《中國AI Agent行業(yè)研究報告》中，將AI Agent定義為具有自主性、反應性、交互性等特征的智能“代理” ，并給出了“大模型時代的AI Agent=LLM x（規(guī)劃+記憶+工具+行動）”的公式。其中，大模型（LLM）帶來了新的深度學習新范式、思維鏈和強大的自然語言理解能力，提升了Agent的理解力和泛化能力，使其能更好地處理多種任務和上下文信息，從而提供更加個性化、連貫的交互體驗。

圖片來源：甲子光年《中國AI Agent行業(yè)研究報告》

其實，我們可以把AI Agent理解為一個以大語言模型為核心的、將具體目標轉(zhuǎn)化為具體行動的系統(tǒng)，這個系統(tǒng)具有如下特征：

?規(guī)劃力：能夠理解自然語言和復雜任務，將用戶請求解析為多個任務，給智能體制定行動規(guī)劃；

?記憶力：擁有長期記憶和短期記憶，能夠?qū)崟r記錄已經(jīng)采取的行動，并通過完善過去的行動和錯誤來不斷改進；

?使用工具的能力：具備調(diào)用API、插件和使用專家模型的能力，能夠自主決策、自主執(zhí)行任務，并且能夠接收執(zhí)行結(jié)果，并向用戶提供匯總結(jié)果；

?行動力：能夠響應大模型的指令、做出行動；并且大模型具備并行調(diào)用多個子模型的能力，多個子模型之間也可以互相調(diào)用。

這其中，Agent理解自然語言、規(guī)劃復雜任務的特征在教育企業(yè)好未來的身上得到了充分體現(xiàn)。

好未來將AI Agent定位為教學流程的“大腦”，構(gòu)建了一個數(shù)據(jù)驅(qū)動的教學閉環(huán)。在這個閉環(huán)中，AI Agent首先收集和分析學生完成作業(yè)后產(chǎn)生的大量學情數(shù)據(jù)。隨后，它進行雙向賦能：一方面，將分析結(jié)果反饋給教師，輔助其進行更具針對性的教學設計；另一方面，直接向?qū)W生推薦個性化的學習任務，實現(xiàn)精準輔導。

尤為值得一提的是其“AI試卷分析”功能。它不僅僅是判斷對錯，而是通過分析學生的錯誤選項，來推斷其背后可能陷入的“思維陷阱”或“知識誤區(qū)”，這已經(jīng)高度模擬了資深教師的診斷式教學思維。通過將“備課”、“學情分析”等復雜任務拆解成上百個細分的Agent，好未來展示了如何通過精細的任務規(guī)劃，讓AI Agent真正融入教學的每一個環(huán)節(jié)。

同時，由于Agent的運行方式通常是“通過工程代碼，循環(huán)執(zhí)行同一個LLM節(jié)點，但每一次執(zhí)行時，提示詞都多出上一輪的結(jié)果”，因此強大的記憶能力也是AI Agent不可或缺的特征。

圖片來源：Anthropic《Building effective agents》

在兒童教育企業(yè)叫叫的實踐中，其推出的“AI學伴”智能體，就生動展示了記憶能力如何與規(guī)劃、行動能力深度耦合，成為孩子學習軌跡的智能伙伴。

叫叫CTO彭首長在云棲大會上介紹，其Agent具備了短期和長期記憶能力，并驅(qū)動Agent的決策與行動。他舉了一個例子：當一個孩子前一天因為感冒請假，傳統(tǒng)的系統(tǒng)第二天可能會機械地提醒“該學習了”，這顯得非常冰冷。而具備記憶能力的Agent則會規(guī)劃出完全不同的行動——它會首先主動發(fā)起關(guān)懷：“寶寶感冒怎么樣了，是不是好一點呢？”再基于與用戶的對話，進一步?jīng)Q策后續(xù)的學習提醒應當在何時進行推送。

更進一步，這種“記憶-規(guī)劃-行動”的閉環(huán)體現(xiàn)在整個學習流程中。叫叫的“AI學伴”會在孩子完成當天的學習后，主動發(fā)起一個視頻通話，回顧學習過程中的亮點和遇到的問題，并進行交流。彭首長分享道：“30%的用戶會跟它聊滿6分鐘，這也是我們現(xiàn)階段設置的通話時長上限?！边@種長時間的深度對話之所以能夠持續(xù)，正是因為Agent的每一次互動都基于對孩子過去行為的記憶和理解，并為此規(guī)劃出最合適的交流策略，真正做到了“比閨蜜更了解你”。

叫叫的案例清晰地表明，AI Agent的核心價值不在于單一能力的強大，而在于它能夠以記憶為基礎，自主規(guī)劃并執(zhí)行連貫、個性化的任務，從而在復雜的交互中扮演主動角色。

過去，AI更多被視為工具，但現(xiàn)在，AI Agent已經(jīng)在一些場景應用中進入業(yè)務決策的核心層，成為驅(qū)動業(yè)務流程再造的引擎。它不再被動地響應指令，而是主動地進行感知、理解、規(guī)劃并作出決策，實現(xiàn)了從“被動響應”到“主動決策”的升級。

這種自主決策、規(guī)劃和執(zhí)行任務的能力已經(jīng)體現(xiàn)在工業(yè)領(lǐng)域。

「甲子光年」此前從中控技術(shù)了解到，中石油蘭州石化榆林化工有限公司在乙烷制乙烯生產(chǎn)智能化轉(zhuǎn)型過程中，就基于中控技術(shù)的時間序列大模型TPT 2打造了能主動識別異常、智能評估風險并自主決策執(zhí)行的智能體。

TPT 2已經(jīng)具備 “感知-識別-決策-執(zhí)行” 的全鏈路閉環(huán)能力。它不再局限于單一裝置或單一場景，而是可以在更復雜的工業(yè)環(huán)境中發(fā)揮作用。

中控技術(shù)工業(yè)AI技術(shù)管理總經(jīng)理王寬心特別強調(diào)：“工業(yè)裝置24小時運行過程中產(chǎn)生的語言，不是人類的自然語言，而是大量的傳感器數(shù)據(jù)?！敝锌氐闹悄荏w必須學會“聽懂”這種機器語言，并據(jù)此做出決策。過去30年，中控已經(jīng)在服務流程工業(yè)的過程中積累了約100億條數(shù)據(jù)。

以中石油蘭州石化榆林化工有限公司在乙烷制乙烯項目為例，AI Agent不僅保障了生產(chǎn)安全，還讓單爐乙烯收率提升0.373%，這意味著單爐每年新增凈效益315.5萬元，每年整體效益提升超過1500萬元。

在工業(yè)之外，零售也是Agent自主決策與執(zhí)行的重要場景。零售行業(yè)競爭激烈、節(jié)奏變化快，尤其是涉及水果、生鮮的即時零售行業(yè)，更是對配送時效性和商品運營提出了很高的要求。以生鮮電商領(lǐng)域的頭部玩家叮咚買菜為例，他們面臨著一個經(jīng)典難題：如何在減少損耗和避免缺貨之間找到平衡？這不是簡單的算法優(yōu)化問題，而是需要AI Agent具備真正的自主規(guī)劃能力。

叮咚買菜CTO蔣旭在云棲大會上分享道：“生鮮業(yè)務的核心挑戰(zhàn)是，你如何在缺損損耗和缺貨之間做平衡。這里面有大量的經(jīng)營策略?！睘榇耍＿速I菜構(gòu)建了一個完整的閉環(huán)管理體系——從實時監(jiān)控指標，到缺貨和損耗的精確歸因，再到人機協(xié)同的策略調(diào)優(yōu)。

云棲大會展區(qū)，圖片來源：2025云棲大會

面對從農(nóng)場到餐桌的超長鏈路，叮咚買菜首先構(gòu)建了全鏈路數(shù)字化體系，為AI Agent的應用打下堅實基礎。在此之上，AI Agent最初的應用聚焦于供應鏈的極致效率——通過“供需協(xié)同”的AI Agent架構(gòu)，自動化處理從供應商管理、銷量預測、庫存優(yōu)化到即時履約的全流程。

在庫存管理上，叮咚買菜的AI Agent構(gòu)建了一套“監(jiān)控-歸因-策略調(diào)優(yōu)-仿真”的閉環(huán)自優(yōu)化體系，完美體現(xiàn)了"Planning Skills（任務規(guī)劃）"的特征。它不是簡單地執(zhí)行預設規(guī)則，而是能夠根據(jù)實時數(shù)據(jù)動態(tài)調(diào)整策略。比如，當系統(tǒng)預測某個前置倉的某種蔬菜可能出現(xiàn)缺貨時，它會自主規(guī)劃一系列行動：首先評估將庫存從100調(diào)整到150的風險收益比，預測缺貨率可能從15%降到3%，但損耗風險會相應增加；然后通過仿真系統(tǒng)（sandbox）驗證策略效果；最后將優(yōu)化建議推送給相關(guān)人員決策，真正做到在損耗與缺貨之間找到了最佳平衡點。

最后，得益于MoE架構(gòu)和專家模型的快速進步，Agent之間互相協(xié)作和調(diào)用外部工具的能力也得到加強。

微醫(yī)基于通義千問等SOTA大模型作為其臨床醫(yī)療大模型底座，通過結(jié)合海量高質(zhì)量醫(yī)學知識和高質(zhì)量數(shù)據(jù)集，并使用深度訓練微調(diào)、強化學習等技術(shù)手段打造了行業(yè)領(lǐng)先的臨床醫(yī)療大模型。這為智能體提供了強大的醫(yī)療領(lǐng)域自然語言理解和生成能力，使其能夠與醫(yī)生和患者進行流暢的交互。

在醫(yī)療健康場景中，微醫(yī)通過構(gòu)建“4+1”AI智能體體系，生動地展示了多Agent如何協(xié)同工作并借助外部工具實現(xiàn)復雜目標。這個體系由四個專業(yè)智能體（AI醫(yī)生、AI藥師、AI健管、AI智控）和一個用戶專屬智能體（面向C端用戶的AI健康管家）構(gòu)成。這些智能體之間形成了一個高效的協(xié)作網(wǎng)絡，各司其職又緊密配合，實現(xiàn)了醫(yī)療服務的全流程智能化閉環(huán)。

同時，微醫(yī)整合了通義千問等通用大模型作為其臨床醫(yī)療大模型的底座。這為智能體提供了強大的自然語言理解和生成能力，使其能夠與醫(yī)生和患者進行流暢的交互。

為了確保決策的專業(yè)性和準確性，微醫(yī)通過RAG（檢索增強生成）技術(shù)，深度融合了過去平臺積累的高質(zhì)量數(shù)據(jù)，高效整合浙江大學、瑞金醫(yī)院等國內(nèi)頂尖科研及醫(yī)療機構(gòu)能力。當AI Agent需要做出臨床決策時，它會首先從這些海量的、經(jīng)過脫敏處理的真實診療數(shù)據(jù)中檢索最相關(guān)的信息，再結(jié)合大模型的能力生成精準的回答和建議。

這些實踐表明，這樣的AI Agent已經(jīng)不再是大模型的功能延伸，而是能夠自主決策、深度協(xié)同、價值重構(gòu)的“業(yè)務主角”。

2.從理想到現(xiàn)實需要跨越四條鴻溝

然而，盡管有一部分AI Agent已經(jīng)成為了企業(yè)運營中的“業(yè)務主角”，但是從總體上來說，企業(yè)在規(guī)?；涞谹I Agent時仍然面臨著技術(shù)選型、場景融合、安全合規(guī)與商業(yè)回報衡量等多重挑戰(zhàn)。

首先，在技術(shù)方面，有企業(yè)就表示，當前的AI Agent技術(shù)在處理單一文本任務時已表現(xiàn)出色，但一旦涉及復雜的行業(yè)場景，技術(shù)瓶頸便顯現(xiàn)出來。

具體來說就是，工業(yè)質(zhì)檢AI Agent需要融合視覺（識別產(chǎn)品瑕疵）、聽覺（檢測設備異響）等多模態(tài)能力，并深度理解特定產(chǎn)線的工藝知識圖譜。如何讓AI Agent的大腦（大語言模型）與它的“眼睛”、“耳朵”（多模態(tài)感知能力）高效協(xié)同，并將海量的、非結(jié)構(gòu)化的行業(yè)Know-How內(nèi)化為可執(zhí)行的知識，是當前的一大技術(shù)難題。

一旦解決了這一難題，企業(yè)級AI Agent就會帶來躍升。

中控技術(shù)工業(yè)AI技術(shù)管理總經(jīng)理王寬心告訴「甲子光年」，中控技術(shù)已累計為流程工業(yè)提供了10萬套控制系統(tǒng)，累計產(chǎn)生的數(shù)據(jù)量約為100EB，是大語言模型訓練數(shù)據(jù)的一萬倍以上。同時，中控技術(shù)建立了強大的工業(yè)數(shù)據(jù)解讀能力，能夠深度挖掘場景，更好地用人工智能技術(shù)為流程工業(yè)提供技術(shù)、產(chǎn)品和服務。

其次，在場景方面，我們還注意到大型企業(yè)和中小企業(yè)在落地AI Agent時存在差異。大型企業(yè)有充足的資源進行深度定制開發(fā)，但廣大中小企業(yè)的需求呈現(xiàn)出高度“碎片化”和“個性化”的特點。

比如，一家小型電商的客服AI Agent需求與一家本地維修店的派單AI Agent需求截然不同，其業(yè)務邏輯、數(shù)據(jù)接口、工作流程千差萬別。傳統(tǒng)的標準化SaaS模式難以滿足這種多樣性，而完全定制的成本又令中小企業(yè)望而卻步。在標準化、個性化之間找到平衡，提供既能快速部署又能靈活適配的AI Agent解決方案，是推進AI Agent在中小企業(yè)快速落地的關(guān)鍵。

以金融行業(yè)為例，盡管AI Agent在智能客服和智能投顧等場景中已實現(xiàn)成熟應用，但在文案和代碼內(nèi)容生成、智能文檔處理等業(yè)務場景中的應用仍然很有限，那些來自各行各業(yè)、各個公司的貸款合同、上市招股書等，更得讓法務團隊通宵逐字核對。

圖片來源：甲子光年《企業(yè)級 AI Agent （智能體）價值及應用報告》

此外，在金融、醫(yī)療等受到嚴格監(jiān)管的行業(yè)，數(shù)據(jù)隱私與合規(guī)是不可逾越的紅線。

一個醫(yī)療診斷輔助AI Agent，既需要訪問大量患者的隱私健康數(shù)據(jù)以確保診斷的準確性，又必須嚴格遵守《個人信息保護法》等數(shù)據(jù)保護法規(guī)。同時，AI Agent的決策過程，尤其是基于深度學習模型的決策，往往被視為“黑箱”，這與金融風控、醫(yī)療診斷等領(lǐng)域?qū)Q策過程透明度和可解釋性的要求形成直接沖突。

如何確保AI Agent在高效決策的同時，保障數(shù)據(jù)安全、實現(xiàn)決策過程的透明可追溯，是落地過程中必須解決的合規(guī)性難題。

國泰產(chǎn)險首席技術(shù)官朱建平特別強調(diào)了金融行業(yè)的挑戰(zhàn)：“在金融領(lǐng)域，一旦全流程自動化出錯，就意味著大批量的資金打錯?！睘榇?，他們不得不投入大量精力構(gòu)建風控體系，確保AI的每一個決策都可追溯、可審計。

為了讓Agent更加安全、有效地運行，微醫(yī)率先提出了“AI健共體”的概念，以人工智能總醫(yī)院為核心，連接區(qū)域內(nèi)二、三級醫(yī)院，與基層醫(yī)療機構(gòu)形成了責任共同體、管理共同體、服務共同體和利益共同體。在AI健共體建設運營過程中，微醫(yī)通過本地化數(shù)據(jù)存儲及大模型部署、加快實施和構(gòu)建安全可信空間等方式保障業(yè)務流程中的數(shù)據(jù)安全。

云棲大會展區(qū)，圖片來源：2025云棲大會

最后，商業(yè)回報仍是熱議話題：企業(yè)決策者最關(guān)心ROI，但AI Agent的價值往往難以直接量化。例如：在制造業(yè)，部署AI驅(qū)動的產(chǎn)線需大量前期投入，周期長、見效慢，短期難見回報。

因此，如何建立科學可信的評估體系，向決策層清晰展現(xiàn)AI Agent的長期戰(zhàn)略價值，而非僅限于成本節(jié)約，成為項目推進的關(guān)鍵難題。

西門子正直面這一挑戰(zhàn)。西門子工廠自動化戰(zhàn)略產(chǎn)品管理部總監(jiān)Nicholas Henson在云棲大會上強調(diào)，制造業(yè)邁向自適應與自主化的根本驅(qū)動力，始終是“在生產(chǎn)過程中實現(xiàn)盈利”。他指出，AI Agent不能停留于技術(shù)概念，必須轉(zhuǎn)化為客戶可感知的商業(yè)成果。

為此，西門子將AI應用與核心生產(chǎn)指標直接掛鉤。Henson分享多個案例：通過AI實現(xiàn)閉環(huán)控制，某產(chǎn)線效率從89%起步持續(xù)提升，帶來“數(shù)千甚至數(shù)萬美元”額外收益；在高良品率的壓鑄場景中，AI整合全參數(shù)優(yōu)化控制，進一步提升質(zhì)量穩(wěn)定性與成品率。

Henson總結(jié)，AI要真正落地，客戶必須“以收入或節(jié)省看到價值”。目前，西門子已在超100個項目中驗證該模式，成功關(guān)鍵在于綁定產(chǎn)量、良品率、損耗等直接影響財務的硬指標。

然而，“四條鴻溝”——技術(shù)、場景、合規(guī)與商業(yè)回報——仍橫亙在多數(shù)企業(yè)面前。僅靠“調(diào)用模型”的淺層應用，已無法系統(tǒng)性解決智能化轉(zhuǎn)型的深層問題。

當企業(yè)不再滿足于將AI視為一個“聰明的聊天框”時，一場從“調(diào)用模型”到“構(gòu)建Agent”的根本性范式轉(zhuǎn)移，便成為了跨越鴻溝的必然選擇。

3.從調(diào)用模型到構(gòu)建Agent：始于小場景，深入業(yè)務流

面對前述的四條鴻溝，企業(yè)發(fā)現(xiàn)簡單的模型調(diào)用已無法提供系統(tǒng)性答案。真正的破局之道，在于一場深刻的范式轉(zhuǎn)移：從“調(diào)用模型”邁向“構(gòu)建可執(zhí)行任務的AI Agent”階段。

這個從“調(diào)用”到“構(gòu)建”的轉(zhuǎn)變，本質(zhì)上是從使用一個“超級能力接口”升級為打造一個“自主數(shù)字員工”，其工程復雜度和系統(tǒng)性要求呈指數(shù)級增長。

「甲子光年」的觀點是，企業(yè)構(gòu)建Agent不能唯“大模型”論。而是應該帶著行業(yè)理解，在具體的場景中尋找答案。

Agent落地思索，圖片來源：甲子光年《2025 AI Agent行業(yè)價值及應用分析》報告

阿里云按照產(chǎn)品力、生產(chǎn)力、創(chuàng)新力、勞動力給AI Agent的落地場景劃分了四個象限。

在云棲大會上，阿里云智能集團公共云事業(yè)部解決方案架構(gòu)部副總經(jīng)理婁恒表示，企業(yè)應該優(yōu)先選擇那些有著新業(yè)務模式的（如新藥、新材料研發(fā)）、簡化重復性工作的（如客服、質(zhì)檢、危險工作）、提升客戶體驗的（如AI硬件、智能眼鏡等）、提升企業(yè)生產(chǎn)經(jīng)營效率（如知識管理、辦公協(xié)作）的場景優(yōu)先落地AI Agent。

除了四象限，阿里云還提出了AI Agent落地場景選擇的“三維價值矩陣”。

首先，在業(yè)務價值維度上，應遵循“三多原則”——用人多、用時多、省錢多。以客服工單生成為例，引入AI Agent能夠自動完成工單的填寫與生成，顯著提升客服人員的工作效率。類似的價值已在研發(fā)、營銷、風控等多個關(guān)鍵業(yè)務環(huán)節(jié)得到驗證，AI Agent正逐步成為企業(yè)智能化轉(zhuǎn)型的核心驅(qū)動力。

中國工商銀行總行金融科技部副總經(jīng)理金海旻在云棲大會上透露，工商銀行打造了“工銀智涌”大模型技術(shù)體系，并利用大模型在20多個業(yè)務領(lǐng)域、400多個場景實現(xiàn)端到端賦能，打造了上千個專業(yè)領(lǐng)域的智能體，累計調(diào)用量達15億次，日均消耗80億token。

工商銀行“工銀智涌”大模型技術(shù)體系，圖片來源：阿里云

其次，在技術(shù)難度維度上，要選擇適合大模型擅長的工作范圍。婁恒強調(diào)，大模型的優(yōu)勢在于高泛化性場景，“一個儀表廠要讀表，原來一個表要做一個模型訓練，當表盤設計變了或引入新規(guī)格時，要重新訓練。但大模型很好地解決了泛化性，1個表和100個表都是一樣的讀法?！眾浜阏f。同時，對于低時延要求的場景，仍應保留小模型或規(guī)則引擎。

以西門子為例，Xcelerator工易魔方智能機器人攜手通義大模型，可以高效完成AI對話，實現(xiàn)智能機器人控制，節(jié)約現(xiàn)場不同場景機器人程序調(diào)試時間，大幅節(jié)約了工廠運營成本并提高穩(wěn)定性。

西門子Xcelerator，圖片來源：阿里云

第三，在數(shù)據(jù)可得維度上，要優(yōu)先選擇有豐富數(shù)據(jù)支撐的場景?！澳Ｐ驮贗CPC信息學競賽12道題都能答滿，IMO能夠拿金牌，但企業(yè)內(nèi)部場景往往做得不那么理想。這是因為外部有大量公開數(shù)據(jù)做強化訓練，而企業(yè)內(nèi)部的術(shù)語、黑話、業(yè)務邏輯，模型并不了解?！眾浜阏f。因此，選擇既有公開數(shù)據(jù)又有高質(zhì)量內(nèi)部知識庫的場景，更容易成功。

例如，微醫(yī)的“AI健共體”之所以能實現(xiàn)精準決策，除了行業(yè)領(lǐng)先的AI能力、豐富的醫(yī)療服務場景以及高效整合的科研、醫(yī)療機構(gòu)能力，十多年來積累的高質(zhì)量脫敏臨床真實診療數(shù)據(jù)發(fā)揮了重要作用；同樣，工商銀行的成功也離不開其海量的金融業(yè)務數(shù)據(jù)。這些高質(zhì)量的私域數(shù)據(jù)，構(gòu)成了企業(yè)AI Agent最堅實的護城河。

從簡單調(diào)用API到在特定化場景中精細化構(gòu)建AI Agent，這一轉(zhuǎn)變也意味著企業(yè)面臨的挑戰(zhàn)已從“算法問題”轉(zhuǎn)變?yōu)椤跋到y(tǒng)工程問題”。過去，企業(yè)或許只需關(guān)注如何選擇最好的模型、寫出最好的提示詞；而現(xiàn)在，企業(yè)必須思考如何設計一個集成了記憶、規(guī)劃、工具調(diào)用、安全風控和可觀測性的復雜系統(tǒng)。

那么，當我們把深刻的行業(yè)理解，與滿足了“企業(yè)級”標準的AI Agent相結(jié)合時，它究竟能在多大范圍內(nèi)施展拳腳呢？

“企業(yè)AI Agent百景圖”給了我們答案。這張圖的核心基座是“生成式AI”，它為Agent提供了強大的“大腦”和“引擎”，并帶來了一系列關(guān)鍵能力，比如自主規(guī)劃、多模態(tài)交互、工具調(diào)用和記憶管理。

企業(yè)AI Agent百景圖，圖片來源：甲子光年《2025 AI Agent行業(yè)價值及應用分析》報告

當這些能力與具體的業(yè)務場景相結(jié)合時，我們便看到了百花齊放的應用圖景。汽車、智能終端、金融、文化娛樂、零售消費、醫(yī)藥健康……每一個場景，都可以進一步具體細分，可以說，AI Agent正以前所未有的深度和廣度，滲透到各行各業(yè)的毛細血管中。

4.企業(yè)需要先“修路”，再“跑車”

那么，既然企業(yè)已經(jīng)清楚了要“在什么道路造什么車（在特定場景選擇特定的Agent）”，接下來的問題便是：應當用什么樣的“生產(chǎn)線”和“工具箱”來高效、安全地完成建造？

面對構(gòu)建復雜Agent系統(tǒng)的工程挑戰(zhàn)，答案是明確的：企業(yè)需要先“修路”，再“跑車”——即先構(gòu)建規(guī)范化、標準化的AI基礎設施，再讓AI Agent安全、高效地在業(yè)務流程中運行。

前文我們提到，阿里云已經(jīng)對如何選擇Agent優(yōu)先落地的場景提出了一套“四象限”和“三維價值矩陣”的方法論。而除此之外，在云棲大會《AI Agent定義未來生活》論壇上，阿里云更是提供了一套完整的AI Agent構(gòu)建、部署和運行解決方案。該解決方案以“一套模型服務、兩種開發(fā)范式、七大企業(yè)級能力”為骨架，一次性交付從模型到AI Agent應用的完整技術(shù)棧。

一套模型服務，指的是通義千問大模型。

作為覆蓋了通用、代碼、推理、多模態(tài)、智能體的全方位模型，通義千問大模型擁有不輸世界頂尖大模型的實力，在多項關(guān)鍵基準測試中表現(xiàn)卓越，綜合性能宣布超過GPT-5、Claude Opus 4等模型。沙利文報告顯示，阿里通義以17.7%的占比，位居2025年H1中國企業(yè)級大模型日均調(diào)用量第一。

截至目前，通義千問累計開放300+開源模型，衍生模型達17萬+，支持119種語言，服務超百萬客戶，覆蓋科技、產(chǎn)業(yè)、消費金融等多個領(lǐng)域；通義萬相已累計生成3.9億張圖片和7000多萬個視頻，印證了技術(shù)落地的廣度與深度。

在云棲大會現(xiàn)場，婁恒特別提醒：“大模型不是萬能的，它一定有自己的能力邊界?！币虼?，阿里云提出了“大小模型混編”的工程化解決方案——Top 80%高頻場景用小模型或規(guī)則引擎（毫秒級、零幻覺），長尾20%泛化場景用大模型覆蓋，再用規(guī)則兜底校驗。“不用推倒重來，把原來收不進的業(yè)務單收進來，ROI最高?！?/p>

這種工程化思路的轉(zhuǎn)變，要求企業(yè)必須從一開始就規(guī)劃好AI的整體架構(gòu)。由此，阿里云提出了“AI Landing Zone”的概念——從賬號、安全、數(shù)據(jù)工程、部署、集成等方面一次規(guī)劃、分步實施，避免“100個場景30套技術(shù)?！钡幕靵y局面。

在選定了場景、明確了模型、構(gòu)建方法后，確定要做什么種類的Agent也很重要。因此，阿里云也提出了企業(yè)構(gòu)建AI Agent的六大確定性方向：

• 一是生態(tài)集成：通過MCP、A2A等協(xié)議，實現(xiàn)AI Agent之間的互聯(lián)互通；

• 二是知識檢索與分析：構(gòu)建企業(yè)專屬的知識圖譜和檢索能力；

• 三是深度研究：像Deep Research那樣進行多步驟、深層次的信息挖掘；

• 四是代碼生成：自動化開發(fā)流程，提升研發(fā)效率；

• 五是語音交互：讓AI Agent更自然地融入日常工作；

• 六是圖像多模態(tài)：處理視覺信息，擴展應用場景。

兩種開發(fā)范式，指的是阿里云百煉平臺提供的從低代碼到高代碼的全鏈路開發(fā)工具。

阿里云百煉平臺支持從低代碼到高代碼的靈活開發(fā)，讓不同角色都能高效構(gòu)建AI Agent：業(yè)務人員通過拖拽即可快速搭建客服、營銷等標準化場景；開發(fā)者則可借助豐富API打造深度定制的專業(yè)級應用，無縫對接企業(yè)核心系統(tǒng)。

平臺還集成七大企業(yè)級能力——多模態(tài)處理、工具連接、智能記憶、安全沙箱、鏈路可觀測、資源調(diào)度與計費結(jié)算，實現(xiàn)AI Agent從開發(fā)到商業(yè)化的全鏈路閉環(huán)。目前，企業(yè)月均創(chuàng)建Agent近8.4萬個，2025年單月用戶增速最高超1000%，AI正深度融入“研、產(chǎn)、供、銷、服”等核心流程。

阿里云百煉Agent“1+2+7”體系，圖片來源：阿里云

為保障AI Agent安全落地，阿里云推出無影AI Agent Bay，提供隔離可控的運行環(huán)境，確保行為可管、數(shù)據(jù)安全，成為開發(fā)到生產(chǎn)的“關(guān)鍵橋梁”。它如同企業(yè)版“能力集市”，將外部服務（如支付、物流）封裝為可調(diào)用模塊，助力企業(yè)快速集成生態(tài)能力。

規(guī)?；涞谹I Agent，離不開開放生態(tài)。阿里云MCP市場已匯聚眾多AI服務商，博查搜索CTO翁柔瑩表示，其AI能力在MCP轉(zhuǎn)化率達70%-80%，服務超2.5萬企業(yè)、10萬個AI Agent，持續(xù)推動AI能力的共享與進化。

未來已來。AI Agent不只是一個轉(zhuǎn)瞬即逝的技術(shù)趨勢，而是決定未來十年企業(yè)競爭力的核心戰(zhàn)略變量。對于所有企業(yè)而言，擁抱“AI Agent-First”時代的路徑已經(jīng)無比清晰——始于價值場景、精于業(yè)務融合、成于生態(tài)共創(chuàng)。

甲子光年創(chuàng)始人兼CEO張一甲在2025云棲大會《Al Agent賦能產(chǎn)業(yè)升級：激活千行百業(yè)增長新動能》論壇的演講中說：“AI Agent開啟的不僅是智能與業(yè)務持續(xù)進化的未來，更是一個人機協(xié)同的新紀元?！痹谶@個新紀元，人類將專注于創(chuàng)造、決策和關(guān)懷，而AI Agent將成為我們最可靠的執(zhí)行者、最聰明的助手、最忠誠的伙伴。

如果說過去兩年AI的關(guān)鍵詞是“能力”，那么今年最熱的詞無疑是“行動”。

行動，就是對未來最好的回應。

（封面圖來源：AI生成）