近日，「AI共潮生2025甲子引力X科技產(chǎn)業(yè)新風向」大會上，容聯(lián)云副總裁、諸葛智能創(chuàng)始人孔淼作為行業(yè)代表，受邀參與「AI Agent」圓桌論壇，與領軍企業(yè)共探智能體技術突破與商業(yè)化路徑，引發(fā)業(yè)界高度關注。

“現(xiàn)在我們開始融合新舊軟件體系，借助computer use或者browser use的能力，在基于大模型去做調(diào)度，從而構建更前沿的Agent系統(tǒng)。這也是我們在對Agent理解上的不斷升級?！?/strong>

01、究竟什么是AI Agent？

從兩個維度來看，我們從2023年開始接觸并嘗試AI Agent這個概念。一方面是我們觀察行業(yè)是如何定義Agent的，另一方面是我們自己如何去理解和應用它。

回顧2023年，當時ChatGPT剛剛興起，Agent的概念開始受到關注，最早的一些產(chǎn)品，尤其是被稱為“四小龍”的公司，已經(jīng)開始在產(chǎn)品中引入“智能體”這一概念。他們將一個System Prompt所構建的特定角色——例如一位金融工程師的人設視為一個Agent。

隨后進入第二階段，一些flow類的開源工作流編排開始出現(xiàn)，某些人開始認為“編排即Agent”。

到了2024年初，完整的Agent開始被認為應具備幾個核心能力：長期記憶、短期記憶、任務規(guī)劃、工具調(diào)用能力以及結果輸出能力。

再到Devin出來之后，這種代理自動化編程能力。再到今年的Manus的browser use這種能力。

所以從整個Agent行業(yè)發(fā)展來看，其實經(jīng)歷了被認為是”智能體”、是”代理”的不同定義的階段。穿透來看，有人認為LLM大語言模型的一個Feature，就是在特定場景的某種人設是一種Agent，有人認為工作流編排是一種Agent，當然，也有很多走在前沿的開發(fā)者，比如Manus，真正實現(xiàn)了讓Agent代替人類去使用工具完成任務。

容聯(lián)云較早地開始了Agent的探索，過程中認知也在不斷更新。在服務大模型客戶的應用實踐中，我們總結出兩種主要應用場景：

第一種是輔助坐席型應用，比如在客服或銷售坐席的工作流里面，提供提示話術、流程引導或知識檢索支持。我們認為這類更接近于Copilot，原因是在既有流程中起輔助作用。

第二種是自主執(zhí)行型應用，如話術挖掘、話術洞察，甚至包括知識挖掘等任務。我們認為這才是真正的Agent。原因是說，我們會為它定義目標，通過LLM自動理解歷史溝通記錄和會話記錄，并調(diào)用一些基礎工具——比如函數(shù)調(diào)用、代碼調(diào)用或業(yè)務API——來挖掘有效話術和服務中的關鍵信息與結果，實現(xiàn)端到端的自動處理。

但到了今年，我們也發(fā)現(xiàn)單純的端到端方式并不夠完善。基于行業(yè)前沿的Agent標準——由LLM做決策，結合tool use進行工具調(diào)用，并基于業(yè)務進行場景設計——如果從這個維度來看，我們需要升維思考。

過去我們的Agent更多是用新的軟件替代舊軟件，而現(xiàn)在我們開始融合新舊軟件體系，借助computer use或者browser use的能力，在基于大模型去做調(diào)度，從而構建更前沿的Agent系統(tǒng)。這也是我們在對Agent理解上的不斷升級。

“我們的應用場景本身就有一定的垂直屬性，而在具體行業(yè)落地時，還會結合行業(yè)特點進行針對性的功能封裝和應用適配?！?/strong>

02、通用與垂直應該如何選擇？

我們所做的相對比較垂直。

從業(yè)務場景來看，比如我們在做輔助、洞察、質(zhì)檢等功能時，雖然在客服領域具有一定的通用性，但在產(chǎn)品內(nèi)部流程中，例如質(zhì)檢項、話術挖掘、話術助手等模塊，則是進一步聚焦細分，屬于“垂上加垂”。

整體來看，我們的應用場景本身就有一定的垂直屬性，而在具體行業(yè)落地時，還會結合行業(yè)特點進行針對性的功能封裝和應用適配。

“我們的大模型與Agent能力，主要集中應用于客服場景的各個環(huán)節(jié)中，真正實現(xiàn)了從效率提效到價值挖掘的升級”

03、從企業(yè)業(yè)務實際角度出發(fā)，你們的業(yè)務有哪些典型痛點，AI又是如何解決這個痛點的？

我們目前的大模型應用主要聚焦在銷售與服務的全流程中。

提到大模型，很多人首先想到的就是對智能客服的顛覆。畢竟現(xiàn)在“客服”很多時候已經(jīng)被稱為“智能客服”。但事實上，傳統(tǒng)智能客服在中大型企業(yè)中的應用效果仍比較有限。

過去以小模型為主的任務型系統(tǒng)，在特定場景下表現(xiàn)良好，但由于溝通本身就是信息長尾型且多樣化的，不同用戶表達同一問題的方式可能差異很大。如果僅靠小模型窮舉各種表達方式，幾乎不可行，這也導致了兩個核心痛點：

第一是知識運營成本高 ：需要專人整理QA知識庫，周期長、效率低；第二是模型調(diào)優(yōu)依賴訓練師 ：影響產(chǎn)品落地和商業(yè)可行性。

因此，過去基于小模型的智能客服，始終沒有真正跑出大的行業(yè)玩家。

而大模型的出現(xiàn) ，很好地解決了語言泛化的問題。作為Foundation Model（基礎模型），它為理解多樣化的語言提供了強有力的支撐。在此基礎上，再通過輕量級小模型完成意圖識別等具體任務，就構成了我們當前做智能客服的核心邏輯。

從業(yè)務維度來看，智能客服的應用場景非常廣泛。企業(yè)普遍采用“機器人先行+人工兜底”的模式：先由在線或語音客服由機器人處理，無法解決時轉(zhuǎn)接人工。這是一套典型的智能客服流程。

而在整個流程中，坐席人員通常會經(jīng)歷事前、事中、事后的多個環(huán)節(jié)：比如事前的培訓、知識準備；事中的實時輔助、智能填單、業(yè)務管理；事后的質(zhì)檢、報表監(jiān)控等。這些環(huán)節(jié)中，很多原本受限于泛化能力不足、多輪對話處理不佳的問題，現(xiàn)在都通過大模型得到了有效改善。比如：

在通話過程中，機器人能更好地理解打斷、上下文切換；在線客服也能更準確地把握用戶意圖，不再“答非所問”。在質(zhì)檢方面，傳統(tǒng)上依靠正則或小模型配置規(guī)則，不僅繁瑣，而且效果有限。現(xiàn)在我們只需用自然語言定義“問題項”，大模型就能自動挖掘異常行為，極大提升了準確率與召回率。

在對話洞察方面也是如此。以往客戶溝通記錄海量繁雜，靠人工聽錄音效率極低，而傳統(tǒng)NLP方法又難以深入挖掘?，F(xiàn)在我們只需將這些數(shù)據(jù)交給大模型或Agent，就能從中提取潛在需求、商機線索、服務斷點，甚至反向推動智能化流程構建。這種從“看指標”到“讀內(nèi)容”的轉(zhuǎn)變，是對話洞察的一大飛躍。

我們的大模型與Agent能力，主要集中應用于客服場景的各個環(huán)節(jié)中，真正實現(xiàn)了從效率提效到價值挖掘的升級。

“從工具應用來看，現(xiàn)在也是分成兩個階段：前一個階段主要涉及工程化的手段，第二個是現(xiàn)在流行MCP新技術手段。這兩個維度都是屬于技術概念和技術跑得很快的。”

04、在Agent和業(yè)務結合的過程中，你們企業(yè)遇到最大的難點是什么？是如何突破的？

從企業(yè)級的Agent落地來看，主要是決策能力、工具調(diào)用能力。

從決策能力上來講，其實是依賴模型能力的。企業(yè)級應用的時候有很多企業(yè)級內(nèi)部的領域知識，所以對企業(yè)本身的數(shù)據(jù)工程、知識工程，現(xiàn)在的技術發(fā)展很快、概念很快，企業(yè)的建設是沒跟上的，如果做得不夠的話、在任務規(guī)劃的時候就不會做得很好，不會那么精確。

從工具應用來看，其實現(xiàn)在也是分成兩個階段。前一個階段主要涉及工程化的手段，但是要把它用好就需要產(chǎn)品技術研發(fā)是非常懂業(yè)務的，這是一種瓶頸的阻礙。第二個是現(xiàn)在流行MCP新技術手段，就依賴于生態(tài)建設和已有的軟件工具做結合，所以這兩個維度都是屬于技術概念和技術都跑得很快，但是企業(yè)內(nèi)部還是處于建設過程，所以最后給人感覺好像什么都可以做、但是做起來效果不是那么好。

“對于上游的模型我們都能較好的適配。

一些大模型廠商雖然具備技術能力，但缺乏具體業(yè)務落地方案，因此我們會作為其下游合作伙伴，將產(chǎn)品與他們的模型結合，共同打造面向行業(yè)的解決方案?！?/strong>

05、目前很多互聯(lián)網(wǎng)的巨頭，包括一些大廠在打造自己的AI生態(tài)，各位企業(yè)是更傾向于獨立構建的Agent閉環(huán)，還是接入一個生態(tài)平臺，生態(tài)合作中的一個核心的博弈點是什么？

當前云廠商和大模型廠商處于上游生態(tài)的位置，但從我們的合作角度來看有所不同。

我們主要對大模型進行微調(diào)和本地化部署，對于像上游DeepSeek這類支持開源，或者是千問這種提供良好開發(fā)者服務的Model Service可微調(diào)的模型，我們都能夠較好地適配。

同時，一些大模型廠商雖然具備技術能力，但缺乏具體的業(yè)務落地方案，因此我們會作為其下游合作伙伴，將我們的產(chǎn)品與他們的模型結合，共同打造面向行業(yè)的解決方案。這是我們對生態(tài)的開放態(tài)度和落地方式。

而在Agent的工具調(diào)用方面，目前企業(yè)級生態(tài)尚處于早期階段，還未完全成熟。未來我們也將會積極融入這一生態(tài)，推動工具調(diào)用能力的發(fā)展與協(xié)同。