一、測評Manus
Chapter 1.1 開發者測評Manus
硅谷101也拿到了幾個邀請碼，團隊的小伙伴們都測試了一遍，但效果確實比期待中差了不少。
![]()
Jacob：我用Manus找了一下稿件中的信息來源，我覺得對比GPT是更聰明了一點，但是很簡單的多任務它花了半個小時才跑完。
陳茜：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：讓Manus整理微信文字稿時出現了幻覺問題。
王可倚：它最開始聽懂了我的需求，但是執行中途就跑偏了。
我們也邀請到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，并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：“準確度”“可用度”“完成度”，同時以“研究”“教育”“生活”“數據分析”“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，最后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，它其實就是在互聯網上幫你查找各種各樣的信息，根據需求讓大模型解釋，或者做出一些行動。
Manus AI構架背后用的是其他模型，據傳言說是Claude、DeepSeek-R1，Manus會利用這兩個模型，根據用戶需求生成一個任務列表，然后Manus可以通過編程、互聯網搜索，像人一樣查閱瀏覽器上的內容，來抓取信息。
總體來說，Manus更多是通過工具、函數、API來獲得信息并總結，或者通過渲染的形式給用戶表現出來，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、數據分析、趣味性方面的得分卻比較低，“生活”為3.5 分，“數據分析”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，它將不同信源信息整合在一起的能力不是特別強；模型本身的邏輯能力、信息綜合能力還不夠，尚不足以在用戶的實際體驗中提供有效的幫助。
![]()
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的交互產品形態，雖然Nathan認為，這個產品在硅谷開發者社區中很早就有公司有人在做了，但是對于非開發者2C用戶來說，當看到Manus頁面上展示出它真的在加速看視頻、讀取文檔、訪問不同的網站搜索信息時，這些確實讓用戶第一次感受到了“AI agent”在虛擬世界充當機器人、幫用戶完成一系列任務的潛力，還是非常驚艷的。
![]()
當然，對于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，這說明它還處于非常早期的產品階段，之后還需要很多的迭代。
Chapter 1.2 2C產品的用戶閾值與“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，也許不會有準確度100%、完全準確不出錯的通用AI agent。大家需要給AI agent一些時間和耐心，不同人群的需求，會從簡單到復雜逐漸迭代地被實現。
周煒：
我認為Manus這個產品超過了用戶的閾值。用戶要把一個產品作為生產力工具，它必須要超過或達到某個滿意度以上才可以完整地使用。
ToB端其實有很多AI產品已經有很好的收入了，但是從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，它把用戶體驗做得很不錯。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，未來還有繼續提升的空間。
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從業者群體里面有一個很大的誤區：在技術上自嗨。
我印象很深的是，喬布斯被踢出蘋果又回去后，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，憑什么指導我們、做這個公司的領導者？喬布斯的回答是：我知道如何滿足用戶需求、用戶需要什么樣的產品，并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，為什么你不去做一個完美的用戶界面來實現用戶真正的需求？這才是現在AI從業者需要思考的問題，怎么讓產品體驗超越用戶的閾值、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對全球來說是一個Wake-up call，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，不要癡迷于技術底層，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、老奶奶都開始用它并且覺得好用，這才是目前ToC端產品的大成就。
Manus給了一個非常清晰的信號：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，有四個維度：“模型”“工具”“數據”“基礎設施”。產品或公司至少要在其中兩項占絕對優勢，才能保持領先。他認為，Manus占據了“工具”和“數據”這兩個優勢。
何朝陽：
Manus占到了工具的優勢，因為他把多個工具縫合到了一起，它可能也有一些獨特的方式，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，但它可以收集用戶發送的prompt，對比哪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，可以早點拿到用戶數據，可能會發現哪些agent更重要，然后更快速的迭代它，所以它其實已經在不斷升級數據和工具的路上了，這剛好是應用創業者要去做的。
至于模型和基礎設施，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，他們透露出的信號和見解。
二、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”“記憶能力和上下文理解”“工具使用能力”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 ZhaiI：
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么使用不同的東西，但這點對Agent來說是非常難的挑戰。
我們來看看過去幾年，AI生態圈是怎么發展推理、記憶和工具這三種主要能力的。
Chapter 2.1 推理能力
Nathan Wang：
AI Agent需要有很強的邏輯能力，因為它最終幫用戶執行任務的時候，需要理清楚這個任務該如何決策？用哪些工具？得到信息之后應該做哪些動作？所以推理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相結合通用的范例，這讓大模型不僅能回答問題，還能推理并采取行動。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：
ReAct所做的事情更加偏向于prompt engineering，它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用戶想要的是什么，然后再思考下一步要去做什么，同時也告訴模型，有哪些工具可供選擇。當模型有邏輯能力之后，它會選擇一種工具，比如用戶要訂機票，那就要去搜索機票相關的信息，然后agent就會通過調用某個工具或API，也可以是模型自己寫的功能，來完成這一系列的動作。
得到這些信息后，agent還要思考，下一步是要幫用戶定這個機票，還是告訴用戶這個信息，再讓用戶來決定。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，這使得AI Agent的邏輯推理能力并不出彩，錯誤率很高。
而后來發布的GPT-4在理解能力、推理能力、回答質量方面都有了大幅提升。同時，2023年3月23日，ChatGPT插件功能Plugin發布，允許大語言模型調用外部工具并開發APT，支持開發者將LLM與數據庫、工具和互聯網連接。這些都讓AI agent的開發者們興奮不已。
Nathan Wang：
剛開始ChatGPT只能做一些對話、生成文本，但后來它就可以搜索互聯網上的內容了，還可以讓它接入不同的數據庫去提取信息，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復雜的操作。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。
但大語言模型發布后，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谷歌郵箱，或其他的應用，讓大語言模型可以完成更復雜的工作。
![]()
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、調用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：
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信息讓模型去執行得更好。
但到5月份的時候，OpenAI最大的競爭對手Anthropic發布了Claude模型。這個模型一開始得到開發者的關注，主要原因就在于，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信息去思考和決策。所以Anthropic的發布也是技術史上非常關鍵的一筆。
2023年5月11日，Anthropic推出的Claude模型可以支持10萬token的上下文窗口，這使得LLM能夠處理更大規模的信息，并增強基于大量信息的推理和決策能力。
不久之后的2023年6月13日，OpenAI也在這一方向做出了技術迭代，發布函數調用，引入JSON模式和1.6萬token的上下文窗口。這讓AI可以更可靠地調用外部API，比如說查天氣、自動填表等任務。
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，相當于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，優化推理和決策過程。
再之后在2024年2月，谷歌發布Gemini 1.5的時候，將上下文窗口的token數擴展到了百萬級別，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，對于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硅谷生態圈活躍了起來。
Nathan Wang：
我知道的第一個讓大語言模型去控制用戶電腦的AI Agent應用公司是Simular，它應該是2023年12月底的時候發布了第一版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、接各種數據庫、調用不同的應用，已經發展到可以操控電腦了。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發布了“computer use”功能，讓AI Agent直接控制計算機的能力更進了一步，AI變得更像真正的、可以行動起來的智能助手。
Nathan Wang：
你可以看到，開發者社區或初創公司其實走得比大廠要早很多。
AI圈備受關注的Andrew Ng教授在2024年底關于AI Agent的演講，徹底燃起了技術圈和非技術圈人們對于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創業公司主要聚焦于企業級應用，而非直接面向消費者。所以難點在哪里呢？
Keith Zhai：
其實自從有互聯網開始，網絡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，機器想完成準確、大面積的交互是很難的，這是在大語言模型出現前人類無法解決的問題。
在AI Agent之前行業沒有形成范式共識，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持。
Chapter 2.4 一步之遙
我們前面提到的邏輯推理、上下文記憶、工具調用這些能力，在何朝陽看來，都屬于“single agent”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之間的通信和互聯，不同的Agent需要在不同設備、不同機房之間去做計算和聯動，這樣才能推動上億級別用戶機會的應用。其中的難點在于通用的、標準化的協議適配范式。
何朝陽：
用大模型來驅動邏輯推理、上下文記憶、工具調用這些能力，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。
第二階段的標志，就在于agent之間能實現互相通信。
第三階段是讓agent在不同的設備、不同的機房之間計算、聯動，我覺得它是未來支持億級別用戶必須要有的架構，這是一個單點無法做到的。
![]()
目前，我們仍然處于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持AI agent的調用。
比如說很多網站和服務都會有“反機器人/anti-bot”的設置，我們也看到Manus執行任務時也經常因為訪問不了一些數據而導致任務失敗，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，才能支持不同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”，引進了“應用如何為LLM提供上下文”的規范。
Anthropic將MCP協議稱為“AI應用的USB-C端口”，支持將大模型直接連接到數據源。此前，企業和開發者要把不同的數據接入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，還有最后一代問題，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通信標準與分布式計算，就像如今的安卓與iOS一樣，我們也需要一個全球承認且通用的AI OS。
何朝陽：
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之間互相通信。
但agent之間的交互沒有標準，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信。
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，就會導致軟兩個軟件之間沒有辦法溝通，那時還沒有TCP/IP，所以就比較麻煩。但到移動互聯網的時候，比如說基站的通訊標準TTL、 TEL等已經建立起來了，如果所有設備軟件都符合這個標準，大家就是可以互相交流的。
所以今天單獨智能體內部調用工具的問題，MCP已經一定程度地解決了，但兩個agent之間如何通信，是更高維的通信協議。我對未來AI的想象就是，有一個非常復雜的分布式網絡，有大量的服務，用戶的訴求分發到整個網絡里面，然后得到一個反饋。
我已經看到安卓的創始人出來親自做AI OS 這件事情，我覺得安卓一定要被重構，可能這個系統你打開之后就是一個框，你可以問的一切問題，所有的信息或動作都會呈現在這個框里。我認為這是這個協議的核心。
2024年11月底，一個由安卓系統前高管們創業的公司，/dev/agents吸引了外界和媒體的注意，他們宣布獲得了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：“我們需要一個類似于安卓系統的人工智能時刻”。
![]()
他們想要打造的產品就和何朝陽的公司一樣，希望開發一個通用操作系統，為AI Agent提供一個統一的平臺。如果做到了，最后一個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：
我們想做一個真正的distributed multi-agent framework，并且是hybrid as cloud的架構，這樣的話就需要agent之間的通信，并且不是一個單系統，它是公司之間的協作。
目前Router這種技術，我們現在是一個一個地去找合作伙伴適配，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，或者由國家隊聯合起來一起推廣，有點像通信領域的 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、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信。
第三階段是AI Agent在不同設備和機房之間能聯動，這將推動上億級別的用戶承載量。
第四階段是Agent-Agent之間的通信標準與分布式計算，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，在黑夜中探索了這么久，現在天快亮了。
何朝陽：
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，之后的路還很漫長。但這一步的距離其實還有挺多沒有解決的問題。
Nathan Wang：
推理、記憶、工具調用這三個能力，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%以上的情況能給用戶正確且相關的信息。
二個是魯棒性，怎么樣讓大模型或AI agent 能夠具有魯棒性，在各種邊緣情況下都能夠滿足用戶需求，這是非常有挑戰性的。
Keith Zhai：
對企業來說，有很多問題需要考慮，比如第一步出錯的概率是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，最后可能錯誤率會非常高。
Keith表示，他們公司Tiny Fish扒了一下網上的數據，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，這顯示出了AI agent這個大賽道生態的火熱現狀。
三、硅谷AI Agent公司版圖
接下來由硅谷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、直面用戶的通用型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，比如編程、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，接下來重點講講后面兩類。
Chapter 3.1 Agent基礎設施與框架層
說到架構，不少開發者小伙伴一定會首先想到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調用外部工具與數據庫、擁有長程記憶以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數據庫，或讓agent能更好處理私域數據的LlamaIndex等，雖然并非僅針對agent，但也都是目前agent應用開發必不可少的“左膀右臂”。
同時，各大云服務商也都爭先恐后地推出了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開發者提供體貼入微的服務。
![]()
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，這使得開發者們能用的工具和支持生態越來越成熟。
我們在過去幾個月看到了不同行業和場景中，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編程Agent
如今，AI agent應用被認為最早落地的是編程類的agent：它們不僅能自動補全代碼，還能協助程序員們編寫、調試，甚至自主部署軟件。
GitHub Copilot在2025年2月推出的agent模式，想必碼農小伙伴們都很熟悉。由初創公司推出的編程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軟件工程師”的Devin，背后是“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檔、編寫。
![]()
Devin的野心很宏大，每月高達500美金的訂閱費也很美麗，但我身邊的程序員朋友卻吐槽：用Devin寫代碼的效果一般般，做調研倒還不錯。所以現實情況是，定位于企業級用戶的Devin在龐大冗雜的代碼庫、欠缺的技術文檔和模糊不清的背景信息這三座大山前，有點力不從心。
Cursor是另一個風頭正勁的AI編程助手，誕生于四位MIT本科生于2022年創立的公司Anysphere。由于好用、速度快，對用戶代碼庫理解能力出色，且成本遠低于Devin，Cursor迅速成為了很多碼農的首選，包括OpenAI、Shopify、Instacart在內的開發團隊都有使用。
![]()
據業內消息，不到三歲的Anysphere已實現了1.5億美金的年化收入，且正在洽談估值可能高達百億美金的新一輪融資。
其他還有很多編程類agent，比如擁有2000萬開發者用戶的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用戶；以及字節跳動針對中文開發者推出的編程助手Trae等。
看來AI編程領域的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，受到大量企業采納。
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數據，批量與潛在客戶進行量身定制地互動，并幫銷售人員處理大量工作中的臟活，從而成倍放大銷售團隊的生產力，目前已積累了十萬名用戶。
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還正在以下許多領域擴大影響。
1. 商業調研：作為商業數據分析領域的頭部AI agent，Hebbia服務于全球資管規模前50名基金中的近1/3，以及多家大型律所、咨詢公司，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并處理海量數據，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、制藥與生物科技等領域的研究效率。
3. 供應鏈優化：被譽為美國最神秘的大數據公司Palantir近期在其人工智能平臺推出了agent功能，用于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：美國最大的醫療信息公司Epic利用AI agent，將大量繁瑣重復的行政工作自動化，比如患者預約與分流、基本溝通、手續查驗與項目批準等，這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，為什么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征：
1. 任務定義明確且高度重復，比如客服、銷售等場景，AI能顯著提效且風險相對較低。
2. 工作流模塊化且相對獨立，比如經過良好切割的軟件開發任務，agent可以不需要大量背景知識，在封閉、可控環境中運行。
3. 注重信息檢索、分析與推理、具有大量自然語言交互，且不需借助復雜外部工具的場景。比如各種形式的調研，利于AI揚長避短。
4. 聚焦于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。
總的來說，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的雛形也已經顯現。
當然，想讓AI agent承擔更復雜的角色，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、數據和文檔標準化的工作，才能讓AI agent更有用武之地，這或許會像10年前的企業上云，并非朝夕之功。
四、AI Agent的未來
在Manus引發熱潮和爭議之后不久，OpenAI發布了新的Agent功能，推出專用于簡化agent開發的API和工具，包括Responses API、內置工具和Agent SDK，幫助開發人員和企業構建有用且可靠的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這個詞也注定會成為2025年AI賽道的關鍵詞。
周煒：
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。
其實不用把agent想得太神秘，它就是相當于日常生活中，某個垂直領域的顧問或者是從業人員在幫你做這個事兒。所以AI agent應該也會有很多個，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。我覺得現在的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，一個新技術和新范式的產生少不了失敗，這個失敗在于對創業路徑押注的失敗，也在于對時機判斷的失敗，還有對于燒錢速度預判的失敗等。
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在總融資額增至4.15億美金、公司B輪估值超過10億美金、晉升獨角獸之后，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賽道的初創公司都敲響了警鐘。
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。
