“基礎(chǔ)模型+開(kāi)發(fā)服務(wù)，約等于 Agent 2B 與 2C 通吃。”

作者丨陳為銳

編輯丨陳彩嫻

2025 年已到年中，大模型的生死戰(zhàn)已經(jīng)進(jìn)入下半場(chǎng)，其中一個(gè)鮮明的標(biāo)志就是：今年除了 Agent，大模型領(lǐng)域幾乎靜悄悄。

一方面，下一代基礎(chǔ)模型的技術(shù)壁壘已將具備競(jìng)爭(zhēng)可能的團(tuán)隊(duì)逐漸收斂至中美數(shù)家，同時(shí)創(chuàng)新門檻在提高，“僅追隨”而非“實(shí)際超越”難以吸引關(guān)注量，因此比拼底層技術(shù)的聲量在降低。以 Meta 為例，近日彭博社等媒體披露，由于扎克伯格對(duì) 4 月發(fā)布的 Llama 4 效果不滿意、認(rèn)為其在競(jìng)爭(zhēng)中掉隊(duì)了，計(jì)劃在內(nèi)部設(shè)立新的“超級(jí)智能小組”，準(zhǔn)備下一輪沖刺。

人們通過(guò) Agent 在自主理解、規(guī)劃、使用工具與完成任務(wù)的表現(xiàn)上看到了 AGI 長(zhǎng)征中基礎(chǔ)模型以外的下一個(gè)廣闊天地。在硅谷知名投資機(jī)構(gòu)的多個(gè)交流會(huì)中，Agent 所激發(fā)的新經(jīng)濟(jì)還有一個(gè)名稱，叫：自動(dòng)收益的商品化。

科技極客們想象，無(wú)論是物理世界中的機(jī)器人或虛擬世界中的 Agent，其被人類個(gè)體賦予目標(biāo)后，相當(dāng)于用戶的分身，可以通過(guò)自主理解、學(xué)習(xí)、規(guī)劃、調(diào)用工具、儲(chǔ)備記憶等步驟完成一個(gè)個(gè)任務(wù)后獲得收益。此前，AI 科技評(píng)論也將 Agent 比喻到“AI Being”（類比人 Human Being），具備價(jià)值可交換的商業(yè)特質(zhì)——如今這個(gè)趨勢(shì)已得到行業(yè)認(rèn)同。

那么在自動(dòng)收益商品化的 Agent 市場(chǎng)中，個(gè)體與企業(yè)如何憑借自己的品味、參與開(kāi)發(fā)所需的 Agent？

基礎(chǔ)模型毫無(wú)疑問(wèn)占據(jù)主導(dǎo)優(yōu)勢(shì)。目前我們所看到的 Deep Research 工具，基本都來(lái)自模型頭部廠商?；A(chǔ)模型就像培養(yǎng) Agent 能力的高校，而強(qiáng)化學(xué)習(xí)是 Agent 進(jìn)入特定環(huán)境后適配任務(wù)的橋梁，因此同時(shí)擁有基礎(chǔ)模型與 Agent 產(chǎn)品開(kāi)發(fā)品味的團(tuán)隊(duì)自然能在這當(dāng)中占一杯羹。

但隨著頭部云廠商的加入，純產(chǎn)品團(tuán)隊(duì)與行業(yè)玩家在開(kāi)發(fā) Agent 上的潛力也成為了現(xiàn)實(shí)。集合了基礎(chǔ)模型、強(qiáng)化學(xué)習(xí)、云計(jì)算等第三方開(kāi)發(fā)服務(wù)能力的云平臺(tái)，為 Agent 開(kāi)發(fā)提供了 AI Being 的原材料、同時(shí)還有落地到具體場(chǎng)景的輔助 buff，相當(dāng)于聯(lián)手開(kāi)加盟店。

昨天字節(jié)火山引擎的最新發(fā)布，就體現(xiàn)了對(duì) Agent 開(kāi)發(fā)落地模式的新探索。

01

2C 到 2B：Agent 的落地困境

Agent 爆火固然離不開(kāi) Manus 的功勞，但更重要的點(diǎn)在于，Agent 的任務(wù)拆解與自主執(zhí)行能力以及執(zhí)行步驟過(guò)程的透明化，正好切中了需求側(cè)市場(chǎng)對(duì)自動(dòng)化工具的迫切需求。

有業(yè)內(nèi)人士評(píng)價(jià)，“Manus 火不只是由于能做什么事，還在于他們給了用戶更多的掌控感，你能看到這個(gè) Agent 是怎么操作的。類似于推理模型的思維鏈，通過(guò)可解釋性和用戶參與感打破技術(shù)黑箱，以此建立用戶信任?！?/p>

同時(shí)，在技術(shù)實(shí)現(xiàn)層面，當(dāng)然 Agent 已經(jīng)驗(yàn)證了 “模型 + 云” 的成功運(yùn)行邏輯。Agent 核心能力依賴大模型或多模態(tài)模型，而這些模型的推理對(duì)算力要求極高。

這種組合不僅滿足了企業(yè)在算力、成本、穩(wěn)定性等方面的剛性需求，還為未來(lái)生態(tài)整合等問(wèn)題提供了解決方向，形成了一套完整的行業(yè)解決方案思路。

這也造成了，雖然 Manus 是通用智能體，且應(yīng)用場(chǎng)景偏向 C 端，但在行業(yè)看來(lái)，Manus 的產(chǎn)品形態(tài)高度適應(yīng) B 端對(duì)自動(dòng)化辦公流程的強(qiáng)需求性，更像是為 B 端而生的。

Agent 的 To B 與 To C 孰好孰壞，暫無(wú)共識(shí)，但從客觀來(lái)看：B 端市場(chǎng)對(duì)降本增效的剛性需求正催生萬(wàn)億級(jí)藍(lán)海，是整個(gè) Agent 行業(yè)的下一塊必爭(zhēng)之地。

不過(guò)，企業(yè)級(jí) Agent 落地絕非坦途：模型能力帶來(lái)的 “幻覺(jué)問(wèn)題”、跨系統(tǒng)協(xié)作的高昂成本、工業(yè)級(jí)標(biāo)準(zhǔn)的嚴(yán)苛要求，無(wú)不考驗(yàn)著當(dāng)下的 Agent 產(chǎn)品從 “玩具” 到 “生產(chǎn)力工具” 的進(jìn)化能力。

梳理 B 端與 C 端 Agent 的本質(zhì)差異后可以發(fā)現(xiàn)，多數(shù) C 端場(chǎng)景的 AI 產(chǎn)品因生態(tài)位和解決問(wèn)題的深度不同，大多數(shù)都只能吃到一波流量。許多 C 端產(chǎn)品初期靠炫技吸引用戶，如果無(wú)法持續(xù)解決實(shí)際問(wèn)題，就會(huì)造成用戶粘性差，以至于難以平衡獲客成本與轉(zhuǎn)化收益。

相比之下，To B 領(lǐng)域的 Agent 雖然前期推廣難度大，但一旦契合企業(yè)需求，往往就容易收獲穩(wěn)定的客源。

企業(yè)對(duì)降本增效、流程自動(dòng)化的需求是持續(xù)且強(qiáng)烈的，從電商營(yíng)銷再到到金融法律等領(lǐng)域，Agent 都還有巨大的應(yīng)用空間，且這些領(lǐng)域的企業(yè)往往付費(fèi)能力強(qiáng)，一旦形成成熟的商業(yè)模式，收益將較為可觀。

有觀點(diǎn)認(rèn)為，這也是行業(yè)對(duì) B 端 Agent 興趣更高的原因之一，Agent 的很多實(shí)際應(yīng)用場(chǎng)景最后還是要轉(zhuǎn)化至 B 端，對(duì)于大廠來(lái)說(shuō)，To C 業(yè)務(wù)本質(zhì)是拿流量，項(xiàng)目的最終歸宿還是 To B。

也正是因?yàn)?B 端對(duì) Agent 的強(qiáng)需求性，因此當(dāng) Manus 出現(xiàn)之時(shí)，整個(gè)行業(yè)都看到讓 Agent 具備了商業(yè)落地的可能性。

眾多創(chuàng)業(yè)公司在這片領(lǐng)域中尋找機(jī)會(huì)，其中一部分選擇套殼工具模式，基于開(kāi)源模型或大廠 API 做文生圖、代碼輔助等輕量化應(yīng)用，另一部分則聚焦垂類深耕，像聚焦制造業(yè)場(chǎng)景的智用開(kāi)物等，避開(kāi)了通用 Agent 的高成本陷阱。

但無(wú)論 To B 還是 To C，創(chuàng)業(yè)公司在智能體開(kāi)發(fā)流程中普遍遇阻，尤其是 B 端落地。

從模型能力方面分析，當(dāng)前技術(shù)存在諸多限制。以智能客服場(chǎng)景為例，很多智能客服存在幻覺(jué)問(wèn)題，無(wú)法保證與客戶交流的準(zhǔn)確性；許多在 Auto Agent 領(lǐng)域探索的產(chǎn)品雖具備一定工作流程，但在實(shí)際 B 端場(chǎng)景應(yīng)用中仍不夠成熟，產(chǎn)品的反應(yīng)速度和輸出速度與真正解決企業(yè)問(wèn)題的要求相距甚遠(yuǎn)。

而系統(tǒng)、數(shù)據(jù)孤島與協(xié)作成本也是 B 端 Agent 面臨的核心困境。傳統(tǒng) B 端企業(yè)內(nèi)部存在多個(gè)獨(dú)立系統(tǒng)，自動(dòng)化流程需多個(gè) Agent 協(xié)作完成，跨系統(tǒng)對(duì)接需要投入大量資源。同時(shí)，不同企業(yè)的智能體缺乏統(tǒng)一標(biāo)準(zhǔn)，難以直接連接協(xié)作，導(dǎo)致整個(gè) Agent 系統(tǒng)效率低下。

B 端場(chǎng)景對(duì) Agent 要求極為嚴(yán)苛，不僅需要具備多任務(wù)協(xié)調(diào)、領(lǐng)域知識(shí)深度、異常處理等能力，還可能涉及企業(yè)核心數(shù)據(jù)處理。由于不同行業(yè)、企業(yè)在業(yè)務(wù)流程、數(shù)據(jù)格式、審批規(guī)則等方面差異巨大，B 端 Agent 想要真正落地就必須達(dá)到工業(yè)級(jí)標(biāo)準(zhǔn)，從 “玩具” 進(jìn)化為 “可信賴的數(shù)字化員工”，這一技術(shù)門檻遠(yuǎn)超 C 端。

對(duì)此，行業(yè)目前的主流解決方案為“AI 原生應(yīng)用運(yùn)行平臺(tái)+MCP 產(chǎn)品組合”，在國(guó)內(nèi)，許多模型廠商都推出了企業(yè)級(jí)的 AI 云原生應(yīng)用開(kāi)發(fā)平臺(tái)，將其視作解決大模型技術(shù)向?qū)嶋H應(yīng)用轉(zhuǎn)化的最后一公里難題的答案，為企業(yè)及個(gè)人開(kāi)發(fā)者提供 Agent 應(yīng)用的一站式構(gòu)建能力。

To B 的技術(shù)門檻升級(jí)后，初創(chuàng)企業(yè)想要入局，離不開(kāi) AI 云原生平臺(tái)作為“智能生產(chǎn)力基礎(chǔ)設(shè)施”的橋梁作用，當(dāng)“開(kāi)箱即用”越來(lái)越成為企業(yè)剛性需求，新的開(kāi)發(fā)范式正在重構(gòu) Agent 落地的底層邏輯。

在這個(gè)產(chǎn)品與場(chǎng)景深度耦合的時(shí)代，技術(shù)敘事的結(jié)局已經(jīng)十分明了，誰(shuí)能破解 B 端 Agent 落地的 “最后一公里” 難題，誰(shuí)就能在智能生產(chǎn)力革命中占據(jù)先機(jī)。

02

Agent 開(kāi)發(fā)上云的“加速度”

對(duì)于企業(yè)來(lái)說(shuō)，自動(dòng)化辦公轉(zhuǎn)型已箭在弦上，但目前可選的 Agent 產(chǎn)品十分有限，由于 Agent 的背后就是模型和產(chǎn)品，因此很多非模型層面的公司僅靠自身很難做出符合市場(chǎng)需求的 Agent。

對(duì)于非模型原生企業(yè)而言，突破 “模型能力壁壘 + 工程化落地瓶頸” 的雙重制約，成為搶占智能生產(chǎn)力高地的核心命題，而如何借助 AI 云原生技術(shù)體系底座，通過(guò)全棧工具鏈、模型工程化能力與行業(yè)場(chǎng)景深度耦合，也成為企業(yè)打造從技術(shù)選型到商業(yè)閉環(huán)路徑的決定因素。

非模型層面的企業(yè)在切入 Agent 賽道時(shí)，首先面臨的就是 “模型能力斷層”，既缺乏大模型底層研發(fā)能力，又難以將通用模型高效適配垂直場(chǎng)景。

以一個(gè)公司員工出差航班選擇場(chǎng)景為例，僅僅只是簡(jiǎn)單的“查詢某天北京飛往香港的航班，并推薦符合乘機(jī)習(xí)慣的班次”這一簡(jiǎn)單需求，都需要 Agent 具備解析用戶查詢意圖、調(diào)用外部數(shù)據(jù)、結(jié)合用戶習(xí)慣優(yōu)化推薦邏輯、生成網(wǎng)頁(yè)代碼并完成公網(wǎng)部署等流程的能力，需要企業(yè)具備從模型、開(kāi)發(fā)環(huán)境再到通信協(xié)議的完整技術(shù)鏈路。

在這一背景下，AI 云原生成為企業(yè)智能生產(chǎn)力的關(guān)鍵切入點(diǎn)，類似于火山引擎提出的 MCP 服務(wù)+豆包大模型+云服務(wù)的一整套 Agent 開(kāi)發(fā)范式，就能直接跳過(guò)上述難點(diǎn) 0 幀起手構(gòu)建起 Agent 的技術(shù)底座。

借助這套新的開(kāi)發(fā)范式，上述的“航班查詢”Agent 開(kāi)發(fā)流程也被簡(jiǎn)化成：先通過(guò)“TRAE”支持 AI 開(kāi)發(fā)全流程，再使用“豆包大模型”作為 Agent 背后的“大腦”生成回答并調(diào)用 MCP 協(xié)議，以獲取用戶歷史行為數(shù)據(jù)及航班信息，最后實(shí)現(xiàn)航班推薦操作。

在這套新的 Agent 開(kāi)發(fā)范式中，專攻編程場(chǎng)景的「TRAE」作為和火山引擎協(xié)同的 AI 原生 IDE 產(chǎn)品，在降低編程開(kāi)發(fā)的門檻的同時(shí)串聯(lián)起整個(gè)開(kāi)發(fā)環(huán)境，實(shí)現(xiàn)產(chǎn)品、工程、模型的有機(jī)結(jié)合。

在傳統(tǒng)軟件開(kāi)發(fā)流程中，包含了需求調(diào)研、產(chǎn)品規(guī)劃、界面設(shè)計(jì)、功能拆解、接口聯(lián)調(diào)、部署發(fā)布等多個(gè)步驟，編碼工作只是其中一個(gè)環(huán)節(jié)，占比約為 30% 左右。如果 AI Coding 工具只做 AI代碼生成，在實(shí)際工程應(yīng)用中將很難全面提高開(kāi)發(fā)效率。

如何將零散地分布在不同環(huán)節(jié)、工具中的 AI 能力融合起來(lái)，成為讓 AI 真正融入工作流的重點(diǎn)，也成為 TRAE 基于提升軟件開(kāi)發(fā)全流程效率和體驗(yàn)打造產(chǎn)品的核心。

通過(guò) TRAE，開(kāi)發(fā)者可以通過(guò)自然語(yǔ)言描述目標(biāo)生成文件結(jié)構(gòu)、拆分模塊、補(bǔ)全代碼、甚至自動(dòng)新建 UI 頁(yè)面，按照項(xiàng)目需求執(zhí)行定制化任務(wù)。

從今年 1 月上線至今， TRAE 月活用戶已經(jīng)超過(guò)了 100 萬(wàn)，累計(jì)生成超 60 億行被用戶接受的代碼，實(shí)現(xiàn) AI Coding 在程序員群體中的落地。

目前，TRAE 已經(jīng)完成了從“代碼生成”到“AI 開(kāi)發(fā)”的轉(zhuǎn)變，在 TRAE 的下一個(gè)版本中，將以 AI 為中心整合不同的 Agent、MCPserver和工具，依托豆包等模型打造出全新的 AI 協(xié)作型開(kāi)發(fā)空間，讓 AI 在各開(kāi)發(fā)環(huán)節(jié)組織執(zhí)行，實(shí)現(xiàn)任務(wù)上下文自動(dòng)流轉(zhuǎn)，更好服務(wù)新的 Agent 開(kāi)發(fā)范式。

豆包大模型 1.6 解決 B 端 Agent 反應(yīng)速度、輸出速度慢難題

從早期的感知智能再到如今的 Agentic AI，AI 對(duì)企業(yè)生產(chǎn)力的提升已經(jīng)從單純的內(nèi)容分析、內(nèi)容創(chuàng)作轉(zhuǎn)變?yōu)槟繕?biāo)導(dǎo)向的自主執(zhí)行系統(tǒng)，更看重大語(yǔ)言模型的理解、環(huán)境交互能力，以及如何與其他生產(chǎn)工具實(shí)現(xiàn)深度融合調(diào)用。

前面提到，B 端 Agent 落地首先需要解決的就是模型能力的問(wèn)題，如果不能從模型層面解決產(chǎn)品反應(yīng)速度、輸出速度慢等從根本上影響用戶體驗(yàn)的缺陷，Agent 就離真正解決企業(yè)問(wèn)題還有很遠(yuǎn)。

而作為目前常用的“Agent 大腦”之一，豆包大模型剛剛更新了 1.6 版本，其中既包括豆包目前最強(qiáng)的思考模型 Doubao-Seed-1.6-thinking、靈活支持 thinking/non-thinking/自適應(yīng)思考三種模式的 Doubao-Seed-1.6 模型，也有具備超低延遲和出色的視覺(jué)理解能力的 Doubao-Seed-1.6-flash 模型。

Doubao-Seed-1.6 是國(guó)內(nèi)首個(gè)支持 256K 上下文的思考模型，在自適應(yīng)思考下，模型可以根據(jù) prompt 難度自動(dòng)決定是否開(kāi)啟 thinking，提升效果的同時(shí)大幅減少 tokens 開(kāi)銷，這對(duì)于復(fù)雜 Agent 的構(gòu)建來(lái)說(shuō)非常重要。

針對(duì) B 端 Agent 反應(yīng)速度、輸出速度慢的問(wèn)題，豆包大模型 1.6 在推理能力、推理速度上都實(shí)現(xiàn)了進(jìn)一步升級(jí)，Doubao-Seed-1.6-flash 模型專門面向于低延遲、低成本需求，模型具備超低延遲表現(xiàn)，per token 延遲甚至可以低至 8ms 左右。

同時(shí)，豆包還關(guān)注到了不同業(yè)務(wù)場(chǎng)景對(duì)模型能力需求的差異，豆包大模型 1.6 全系列都原生支持多模態(tài)思考能力，以求更好理解和處理真實(shí)的業(yè)務(wù)場(chǎng)景。在電商場(chǎng)景，豆包大模型可以在海量角度不同的圖片中，快速識(shí)別同款；在餐飲場(chǎng)景，百勝中國(guó)肯德基基于豆包大模型，構(gòu)建了新一代 AI 智能陪練系統(tǒng)，可基于企業(yè)專屬知識(shí)庫(kù)智能萃取業(yè)務(wù)領(lǐng)域知識(shí)和話術(shù)，讓員工在高度仿真的對(duì)話環(huán)境中模擬線下門店實(shí)戰(zhàn)場(chǎng)景。

值得一提的是，豆包此次的 1.6 版本在編程能力上還做了定向增強(qiáng)，特別是針對(duì)前端開(kāi)發(fā)場(chǎng)景，現(xiàn)在讓豆包大模型生成一個(gè)企業(yè)級(jí)的客戶管理 CRM 系統(tǒng)的原型圖只需要幾分鐘時(shí)間，還能生成完整的代碼并支持在線預(yù)覽，作為對(duì)比，同樣的需求在過(guò)去可能需要產(chǎn)品經(jīng)理和 UI 設(shè)計(jì)師花費(fèi)數(shù)天時(shí)間才僅僅能完成原型圖。

此外，企業(yè)還可以借助火山引擎「PromptPilot」平臺(tái)進(jìn)行提示詞優(yōu)化，幫助用戶準(zhǔn)確傳達(dá)需求。

在日常與大模型聊天機(jī)器人的交流過(guò)程中我們應(yīng)該都會(huì)發(fā)現(xiàn)，有時(shí)候我們很難對(duì)大模型傳達(dá)清晰的需求表達(dá)，對(duì)于大部分人來(lái)說(shuō)，通過(guò) prompt 摸索模型能力邊界是一個(gè)痛苦乏味的過(guò)程，這一點(diǎn)在 B 端追求效率的場(chǎng)景下更為明顯，特別是 B 端往往還要面臨 Agent 上線后層出不窮的 Badcase。

而 PromptPilot 是一款面向大模型應(yīng)用落地的使能平臺(tái)，充當(dāng)?shù)木褪谴竽Ｐ团c用戶之間“需求翻譯”的角色。PromptPilot 從 Prompt 構(gòu)建這一基礎(chǔ)環(huán)節(jié)出發(fā)，通過(guò)用戶反饋與數(shù)據(jù)驅(qū)動(dòng)機(jī)制，可以精準(zhǔn)識(shí)別和表達(dá)用戶任務(wù)意圖，自動(dòng)生成解決方案，并實(shí)現(xiàn)線上 Badcase 檢測(cè)與運(yùn)行時(shí)持續(xù)優(yōu)化。

“雖然說(shuō)模型越強(qiáng)，prompt 越重要，但很多時(shí)候，讓用戶自己通過(guò) Prompt 調(diào)試模型是一種碰運(yùn)氣的做法?！睆倪@點(diǎn)來(lái)看，Prompt Pilot 更像是一種幫助用戶精準(zhǔn)控制大模型的工具，平臺(tái)并不要求用戶擁有大模型專業(yè)知識(shí)，只要用戶對(duì)自己的行業(yè)領(lǐng)域/應(yīng)用場(chǎng)景有一定的專業(yè)知識(shí)和判斷力，就能幫助用戶提升大模型在具體應(yīng)用場(chǎng)景的效果。

火山 MCP 打通 Agent 開(kāi)發(fā)的模型、工具、生態(tài)體系

針對(duì)當(dāng)前 B 端 Agent 的另一個(gè)核心困境：系統(tǒng)孤島與協(xié)作成本，目前行業(yè)內(nèi)的主流解決方案則是構(gòu)建以 MCP 協(xié)議為核心的平臺(tái)體系。有業(yè)內(nèi)人士認(rèn)為，MCP 在工具和協(xié)議層面上基本上已經(jīng)被業(yè)界認(rèn)為是“事實(shí)標(biāo)準(zhǔn)”，意味著大家基本上都會(huì)將其認(rèn)為是模型與外部工具連接的實(shí)施標(biāo)準(zhǔn)。

針對(duì)傳統(tǒng)開(kāi)發(fā)工具難以滿足 Agent 全生命周期管理需求的難題，火山引擎以 MCP 為標(biāo)準(zhǔn)，構(gòu)建端到端智能體生產(chǎn)體系。具體來(lái)看，火山 MCP 不僅全面覆蓋辦公、搜索、內(nèi)容等大模型工具生態(tài)，還打通了 TRAE、火山方舟、扣子空間等一系列 Agent 開(kāi)發(fā)體系，用戶可以一鍵選擇 200+ MCP 服務(wù)，快速打造出一站式端到端完整鏈路極速體驗(yàn)，高效構(gòu)建復(fù)雜 Agent 并直接部署發(fā)布。

事實(shí)上，字節(jié)旗下扣子平臺(tái)為了適配端到端智能體生產(chǎn)體系的發(fā)展，已經(jīng)由原先的 Agent 低代碼開(kāi)發(fā)平臺(tái)升級(jí)成為覆蓋 Agent 低代碼開(kāi)發(fā)、全代碼開(kāi)發(fā)，Agent 調(diào)優(yōu)和 Agent 協(xié)作的全生命周期平臺(tái)。

針對(duì)全碼開(kāi)發(fā)者，扣子提出全碼 Eino 開(kāi)源框架，為開(kāi)發(fā)者提供 GO 語(yǔ)言版本的 Agent 搭建框架，以快速編寫(xiě)構(gòu)建 Agent。目前，扣子上已有諸多企業(yè)級(jí) AI 解決方案，涵蓋調(diào)研、文案、電商、教育等不同場(chǎng)景，幫助企業(yè)既能招到精通各項(xiàng)技能的“通用實(shí)習(xí)生”，也能請(qǐng)到各行各業(yè)的“領(lǐng)域?qū)＜摇薄?/p>

日前，扣子還針對(duì)企業(yè)用戶上線了企業(yè)版，提供精細(xì)化權(quán)限管理、多租戶隔離、全鏈路安全合規(guī)等能力，全新的「扣子羅盤(pán)」還能能幫助企業(yè)開(kāi)發(fā)者完成 Agent 的調(diào)試。截止目前，已有上萬(wàn)家企業(yè)、數(shù)百萬(wàn)開(kāi)發(fā)者正在使用扣子開(kāi)發(fā)平臺(tái)。

在具身智能領(lǐng)域，松延動(dòng)力人形機(jī)器人 N2 接入扣子 AI 智能體后可以 32 自由度模擬 200 + 微表情的形式實(shí)現(xiàn)沉浸式交互。

在智能客服領(lǐng)域，抖音電商通過(guò)扣子搭建智能客服系統(tǒng)，客服智能體不僅可以通過(guò)任務(wù)驅(qū)動(dòng)和卡片交互自動(dòng)生成回復(fù)，還能作為后臺(tái) AI 輔助能力，提供實(shí)時(shí)建議和解決方案，輔助人工客服快速處理復(fù)雜問(wèn)題。

數(shù)據(jù)顯示，在引入扣子智能客服系統(tǒng)后，智能客服每一輪的回復(fù)耗時(shí)相較于人工回復(fù)降低到了 15s~20s，對(duì)比傳統(tǒng)智能鏈路轉(zhuǎn)人工率降低 5pp+，滿意度正向 2pp+，幫助人工客服的工作效率顯著提升 50%。

開(kāi)箱即用，全棧開(kāi)發(fā)工具聚焦 Agent 落地技術(shù)、成本痛點(diǎn)

至此，我們能夠很清晰的看出，無(wú)論是豆包大模型的升級(jí)還是火山 MCP 推出，甚至是一個(gè)對(duì)于大多數(shù)模型廠商來(lái)說(shuō)并不重要的“Prompt 優(yōu)化平臺(tái)”，對(duì)于火山引擎的這一整套全棧 Agent 開(kāi)發(fā)工具來(lái)說(shuō)，每一個(gè)環(huán)節(jié)都在聚焦 B 端 Agent 的落地痛點(diǎn)。

通過(guò) “技術(shù)產(chǎn)品化 + 能力服務(wù)化 + 場(chǎng)景行業(yè)化” 的三層架構(gòu)，火山引擎 Agent 開(kāi)發(fā)范式結(jié)合 Agent Driven 的云、數(shù)據(jù)、安全技術(shù)，打破了傳統(tǒng) IaaS+PaaS+SaaS 的邊界，將復(fù)雜的 Agent 開(kāi)發(fā)運(yùn)維需求轉(zhuǎn)化為標(biāo)準(zhǔn)化能力并提供，讓 Agent 從概念走向企業(yè)級(jí)應(yīng)用。

火山引擎通過(guò) Agent 開(kāi)發(fā)平臺(tái)提供端到端的開(kāi)發(fā)環(huán)境，將原生 Agent、數(shù)據(jù)湖、機(jī)器學(xué)習(xí)等技術(shù)封裝為開(kāi)箱即用的服務(wù)，在避免企業(yè)重復(fù)造輪子的同時(shí)，通過(guò)按需付費(fèi)降低企業(yè)使用成本，并提供適配企業(yè)的定制化解決方案。根據(jù)官方數(shù)據(jù)，豆包 1.6 成本下降了 63%，企業(yè)只需要原來(lái)三分之一左右價(jià)格，就能獲得一個(gè)能力更強(qiáng)、原生多模態(tài)的新模型。

截止目前，有近八成主流汽車廠商選擇豆包大模型作為汽車 AI 升級(jí)的助力，火山引擎的整套 Agent 開(kāi)發(fā)邏輯以“協(xié)助打造 Agentic AI”為核心，聚焦幫助企業(yè)低成本高效率做好 Agent。

在構(gòu)建企業(yè)級(jí) Agent 的過(guò)程中，火山引擎建議遵循“模型選擇、性能優(yōu)化、數(shù)據(jù)融合、安全保障、編排智能體”的關(guān)鍵路徑，以豆包大模型的全棧多模態(tài)能力、超大規(guī)模語(yǔ)言模型性能及模型家族的場(chǎng)景化覆蓋作為模型基礎(chǔ)，云服務(wù)對(duì) MCP 提供支持、形成標(biāo)準(zhǔn)化協(xié)議驅(qū)動(dòng)的全棧協(xié)作生態(tài)，規(guī)避 Agent 開(kāi)發(fā)與部署環(huán)境脫節(jié)，動(dòng)態(tài)調(diào)度算力資源。

在底層設(shè)施方面，云基礎(chǔ)設(shè)施從 “彈性資源池” 升級(jí)為 “密集算力中心”，需承載多模態(tài)大模型訓(xùn)練與推理，并需要平衡企業(yè)推理效率與成本?；鹕揭嬖苹A(chǔ)施面向 Agent 與模型，以 GPU 為中心進(jìn)行了網(wǎng)絡(luò)、存儲(chǔ)、計(jì)算的升級(jí)，包括高達(dá) 320Gbps 的 vRDMA 高速互聯(lián)能力、13s 加載 671B 模型推理引擎，整合了全棧推理加速、工程實(shí)踐、高性價(jià)比資源、安全易用和端到端體驗(yàn)等優(yōu)勢(shì)。

而對(duì)于前文提到的系統(tǒng)、數(shù)據(jù)孤島問(wèn)題，火山引擎基于開(kāi)放技術(shù)的智能異構(gòu)計(jì)算平臺(tái)，引入模型時(shí)代前沿技術(shù)棧，Agent 應(yīng)用中產(chǎn)生的數(shù)據(jù)可以無(wú)縫回流到數(shù)據(jù)平臺(tái)，便于分析和沉淀，通過(guò)統(tǒng)一的、全鏈路的數(shù)據(jù)管理，可避免數(shù)據(jù)孤島、解決企業(yè)數(shù)據(jù)碎片化問(wèn)題。

在 Agent 時(shí)代，企業(yè)的競(jìng)爭(zhēng)力不再取決于是否擁有模型，而在于能否高效調(diào)用模型、編排智能體、融合數(shù)據(jù)。如此看來(lái)，火山引擎 AI 云原生對(duì)于企業(yè)開(kāi)發(fā)者而言，不再局限于提供基礎(chǔ)的工具、模型、計(jì)算資源，而是以智能為紐帶，將分散的技術(shù)組件編織成有機(jī)整體，幫助企業(yè)降低技術(shù)風(fēng)險(xiǎn)。

以火山引擎 AI 云原生技術(shù)為橋梁，非模型企業(yè)正在打破 “技術(shù)壁壘 - 成本高企 - 場(chǎng)景割裂” 的落地困境，企業(yè)級(jí) Agent 與端到端全場(chǎng)景智能開(kāi)箱即用，云原生底座就成為釋放 Agent 潛力的核心基礎(chǔ)設(shè)施。

借助火山引擎 AI 云原生平臺(tái)，浙江大學(xué)僅僅花了一周時(shí)間便落地集 AI 科學(xué)家、課堂問(wèn)答、教務(wù)咨詢等多場(chǎng)景定制化應(yīng)用于一體的 “浙大先生” 智能體平臺(tái)，服務(wù) 5 萬(wàn)多名在校師生，開(kāi)發(fā)這些應(yīng)用的主力全都為浙大的老師、學(xué)生和浙大校園各種信息系統(tǒng)的服務(wù)商，在開(kāi)箱即用的 Agent 開(kāi)發(fā)平臺(tái)的支持下，快速落地定制化的 Agent 應(yīng)用已不再是難題。

當(dāng) Agent 真正成為企業(yè)生產(chǎn)系統(tǒng)的 “神經(jīng)中樞”，生產(chǎn)力革命的紅利才將真正釋放，技術(shù)演進(jìn)的必經(jīng)之路上，Agent 已經(jīng)成為企業(yè)數(shù)字化轉(zhuǎn)型的必爭(zhēng)之地，而 AI 云原生帶來(lái)的 Agent Ready，也將推動(dòng)產(chǎn)業(yè)從“概念炒作”走向“生產(chǎn)力革命”，最大化釋放 Agent 的智能價(jià)值。

未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁(yè)、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號(hào)轉(zhuǎn)載請(qǐng)先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來(lái)源并插入本公眾號(hào)名片。