作者 | 王一鵬

Agentic AI，這場自 Anthropic 和 Manus 而始的風暴，成功成為 2025 最熱的 GenAI 討論方向與技術(shù)投資領(lǐng)域。某種程度上，Agentic AI 代表了 AI 降本提效的“終極形態(tài)”——階段性的完全替代人工，自主規(guī)劃流程完成復雜任務(wù)。Sam Altman 甚至宣稱，未來 AI 將接管人類經(jīng)濟社會中 30%-40% 的工作。

不過，在接近一年的實踐后，Agentic AI 對產(chǎn)業(yè)和用戶的實際影響卻不如預(yù)期，新誕生的“殺手級應(yīng)用”鳳毛麟角。大部分 Agent 作品集中在智能客服、問答助手等傳統(tǒng)場景，對于醫(yī)療、教育、泛互行業(yè)的創(chuàng)新場景，則顯得滲透度較低。

1 從愿景到現(xiàn)實，哪里出了問題？

一個較為可靠的答案是：要孵化現(xiàn)象級應(yīng)用，僅有創(chuàng)意和模型本身是不夠的。MaaS（Model As A Service） 是個剛需，所謂的 AI builders 或者叫“超級個體”，必須得到更系統(tǒng)的支持和更廣泛的賦能。

這種賦能既包括新的 AI 開發(fā)者生態(tài)，也包括成熟的 Agent 開發(fā)平臺。

壞消息是，無論是生態(tài)還是平臺，都處于早期階段，創(chuàng)新仍有成本，實踐案例是稀缺的。

好消息是，許多企業(yè)與從業(yè)者正投入于此，比如 2025 令人眼花繚亂的各式 AI Agent Hackathon，以及更為系統(tǒng)的生態(tài)動作，如應(yīng)用孵化、交流培訓和系列沙龍，后者甚至已經(jīng)誕生了頗具商業(yè)前景的 AI Agent，如果說 Agentic AI 是只“螃蟹”，那么這些開發(fā)者已經(jīng)坐上了餐桌。

我們希望對這些開發(fā)者進行采訪，以便了解開發(fā)者落地 Agentic AI 面臨的真實困難，服務(wù)行業(yè)生態(tài)建設(shè)。

阿里云 Agent 創(chuàng)客征集令是其中較為典型，且連續(xù)性較好的行動。這是一個由阿里云 AI 實訓營推出的 Agent 創(chuàng)作者征集計劃。開發(fā)者通過參與實訓課程，完成配套實驗，提交 Agent 作業(yè)，參加創(chuàng)客評選等動作參與其中。

InfoQ 邀請了其中幾位最為典型的 Agent 創(chuàng)客，在 2025 云棲大會上進行了采訪，希望對 Agentic AI 落地的可能有更為準確的評估。

2 實踐經(jīng)驗，可能是最寶貴的資產(chǎn)

我們采訪了共計四位開發(fā)者，其中包括專家級 AI Agent 開發(fā)人員兼阿里云 Agent 創(chuàng)客征集令導師：銀海與云中江樹；也包括本職工作是運維，但初次接觸 AI Agent 開發(fā)的學員笨笨；另外還有 B 站 UP 主兼創(chuàng)客同濟子豪兄。

出乎我們預(yù)料的是，在談及 Agentic AI 落地的核心助力時，四位首先談到的并非平臺能力、模型能力，反而認為對“實踐經(jīng)驗的分享”，是一個關(guān)鍵。

在天津某互聯(lián)網(wǎng)企業(yè)從事運維工作多年的笨笨，是這一認知的直接受益者。他因銀海的介紹加入阿里云 AI 實訓營，其作品先后兩次獲得比賽冠軍。

AI 大模型出現(xiàn)之后，他在公司內(nèi)部搭建了一套基于大模型的本地知識庫，偶爾會給部門同事培訓 AI 相關(guān)內(nèi)容。

相比一般的“Agent 票友”，笨笨技術(shù)基礎(chǔ)好，上手更快——他了解 Agent 開發(fā)中常用的 API 調(diào)用流程，也能很快掌握 MCP 這類核心開發(fā)工具的搭建邏輯，可以獨立完成簡單 Agent 的部署調(diào)試。

不過，入門之后，理想與現(xiàn)實的差距逐漸顯現(xiàn)。笨笨直言：“不像想象中那樣，只要說出訴求，AI 就能全部搞定，目前還達不到這個水平?！?/p>

更實際的問題在于資源與落地環(huán)節(jié)。即便 AI 能夠生成系統(tǒng)對接、架構(gòu)搭建的方案，方案中提及的服務(wù)器配置、數(shù)據(jù)庫版本等要求，也常與現(xiàn)有資源不匹配，且 AI 不會考慮成本，最終還是需要人工干預(yù)才能落地。

比如，笨笨曾嘗試開發(fā)旅游助手 Agent，雖然可以生成北京到杭州的行程規(guī)劃，但對很多細節(jié)考慮不周。比如景點門票是否售罄、周末是否限流等細節(jié)問題，智能體是無法實時獲取的；即便想接入外部工具，如果沒有已經(jīng)開發(fā)出的成熟插件，也無法實現(xiàn)。

更麻煩的問題是，對于工作流模式智能體而言，很多節(jié)點看似已經(jīng)連接，但在測試中卻無法跑通。這其實是個平臺配置問題，但對于新人而言，要耗費大量的時間進行調(diào)試。笨笨在創(chuàng)客群中求助，銀海一句話就解答了其疑問，節(jié)省了大量的開發(fā)時間。

這是“實踐經(jīng)驗分享”，在當前 Agentic AI 落地進程中的價值。

表面上，大模型的普及似乎讓 Agent 創(chuàng)意落地成為易事，但當一位新人創(chuàng)客興致勃勃沖進來，才發(fā)現(xiàn)看似平坦的開發(fā)之路，處處是攔路虎。放眼整個行業(yè)，缺乏系統(tǒng)的認知學習和開放的交流環(huán)境，開發(fā)者只能在零散信息中拼湊認知，增加了很多試錯成本，與低門檻的愿景背道而馳。

這時，是否有成熟的 Agent 開發(fā)者愿意解答問題，就變得尤為重要。

3 平臺能力，決定創(chuàng)新速度

作為新人創(chuàng)客，笨笨遇到的問題，恐怕只是冰山一角，水面之下，是對無數(shù)落地場景的經(jīng)驗和認知積累。

在過往的編程思想中，一個函數(shù)的輸入確定，則輸出也確定。

而大模型的智能涌現(xiàn)，實際上可理解為：推測與生成，其輸出結(jié)果天然存在不確定性，即幻覺問題。這意味著，一款模型能否完成某一場景下的具體任務(wù)，需要實際驗證與調(diào)優(yōu)，無法通過“說明書”確定。

這一方面對 Agent 開發(fā)平臺提出了要求——能幫助開發(fā)者快速驗證模型的能力邊界，用低成本試錯替代盲目摸索。

另一方面則對開發(fā)者生態(tài)提出了要求——開發(fā)者需要同時理解應(yīng)用場景與 Agent 開發(fā)，能快速驗證模型能力，并分享實踐經(jīng)驗，探索進一步調(diào)優(yōu)的可能，制造共識。

云中江樹與銀海，就是這樣的專家級創(chuàng)客，他們的體驗更具行業(yè)普遍性。

云中江樹是一名 AI 智能體設(shè)計師，也是暢銷書《智能體設(shè)計指南》的作者。銀海是一名 AI 產(chǎn)品經(jīng)理、通往 AGI 之路社區(qū)共建者，也是多家大模型廠商的講師。

兩人還有一個共同身份——阿里云 AI 實訓營的講師創(chuàng)客。在 AI 實訓營，他們將阿里云百煉平臺的技術(shù)能力與 Agent 落地經(jīng)驗相結(jié)合，為開發(fā)者提供從技術(shù)到場景的指導。

云中江樹直言，技術(shù)方面，AI Agent 開發(fā)最核心的問題，是 AI 能力邊界的不確定性：“一方面，我們看到了社交媒體上宣傳的 AI 的‘能’，但在實踐中，我們遇到的是它的各種‘不能’，很多時候你不知道是模型真的做不到，還是說自己的能力有問題?！?/p>

“LLM Arena 這樣的榜單，有指導意義，但大模型沒有一個確定的產(chǎn)品說明書?！?/p>

或許這是一個真正的技術(shù)混沌時代，我們無法從文檔上確認模型的能力邊界。

銀海從應(yīng)用場景的角度，對這一問題作了補充：“大模型迭代日新月異，以前十步完成的工作，今天可能因為模型迭代，一步到位。若想避免工作被‘折疊’，就必須深入千行百業(yè)，了解行業(yè) Know-How，否則，技術(shù)與業(yè)務(wù)就會脫節(jié)。”

要解決云中江樹與銀海遇到的問題，需要有布道師，乃至咨詢專家般的角色，率先實踐，大膽分享。

云中江樹表示：“在企業(yè)落地 Agentic AI，要做哪方面的能力儲備？要找什么樣的人？怎么用 AI，誰能用 AI，在哪些事上用 AI？這一整條鏈路其實都是問題，都缺乏行業(yè)的認知和實踐?！?/p>

云中江樹與銀海，就是在做這樣的布道與分享。在阿里云 AI 實訓營里，傾聽他們分享的人，年紀最小的還不到 10 歲，年紀最大的已經(jīng)超過 70 歲。拋開單純的好奇不談，大家研究 Agentic AI，共同的目標是“搞錢”。銀海分享，有的人一開始就會問怎么用 Agentic AI “搞錢”，有人是學習一段時間后，再問該怎么“搞錢”。

4 搞錢，Agentic AI 落地最實際的問題

這不意味著創(chuàng)客們太過“功利”，恰恰相反，這代表 Agentic AI 在各行業(yè)的滲透度正在加深，因此，效益和 ROI，成了逃不開的靈魂之問。

實際上，無論是笨笨的經(jīng)歷，還是銀海和云中江樹的觀察，都是 Agent 落地困境的行業(yè)縮影。隨著行業(yè)走過創(chuàng)意為王的發(fā)展初期，生態(tài)培育的緊迫性愈發(fā)凸顯。

阿里云 Agent 創(chuàng)客征集令的推出，恰好提供了一條將技術(shù)、行業(yè)與生態(tài)有機結(jié)合的破局路徑。

在技術(shù)支撐層面，該計劃整合了阿里云百煉平臺的全棧模型服務(wù)。百煉平臺提供的可視化低代碼 Agent 開發(fā)平臺 ADP，降低了 Agent 開發(fā)門檻，無論是零基礎(chǔ)創(chuàng)客還是企業(yè)非技術(shù)崗人員，都能搭建基礎(chǔ) Agent；多環(huán)境高代碼 Agent 開發(fā)框架 ADK，則面向資深開發(fā)者，滿足企業(yè)級 Agent 的深度定制需求。

全棧模型則包含了文本、音頻、視頻、圖文、編程等完整的能力譜系，可以幫助開發(fā)者快速明確 Agent 的能力邊界和適用范圍。

在阿里云棲大會上，首次集結(jié)了 10 名 Agent 創(chuàng)客。他們包括云中江樹、銀海、張夢飛、許鍵、藍衣劍客等社區(qū)資深版主開發(fā)者，以及同濟子豪兄這樣搶鮮體驗新玩法的科技 KOL，乃至從阿里云 AI 實訓營成長起來的學員創(chuàng)客如笨笨、元子、魷魚、孫嘯寒等。

他們都有一個共同點——在阿里云百煉上有 Agent 實戰(zhàn)經(jīng)驗，且部分作品已上架阿里云百煉應(yīng)用廣場，真正實現(xiàn)了從 Demo 開發(fā)到商用落地的跨越。

在云中江樹和銀海看來，Agent 創(chuàng)客計劃的核心價值就在于為行業(yè)提供了“實踐 + 輸出”的窗口，這樣一個由模型方、平臺方、應(yīng)用者和布道者協(xié)同共創(chuàng)的模式，能夠推動行業(yè)生態(tài)的認知統(tǒng)一。

而這些 Agent 創(chuàng)客塑造了 Agentic AI 落地的“土壤”，正在吸引更多有好奇心、有產(chǎn)品能力、有 AI 能力的 Agent 創(chuàng)客加入。

今年 9 月，B 站科技 UP 主同濟子豪兄 與 DataWhale 發(fā)起的開源學習活動吸引了 180 名學員報名，共同學習阿里云百煉平臺上的千問 Qwen-Image、千問 Qwen3-coder、千問 Qwen-Image-edit 等開源模型，創(chuàng)作出不少優(yōu)質(zhì)作品。

作為最早接觸 AIGC 的開發(fā)者之一，同濟子豪兄親歷了大模型越來越通用化的整個過程。他說，在一兩年前想制作一張吉卜力畫風的海報，需要在 Stable Diffusion 或 ComfyUI 中調(diào)試大量節(jié)點、配置環(huán)境；但現(xiàn)在，只需打開阿里云百煉，調(diào)用千問 Qwen-Image，用純自然語言描述需求就能實現(xiàn)。

開發(fā)者需要的不是大模型，而是 MaaS，對于阿里云而言，就是百煉平臺。

而阿里云百煉，也反過來重塑了 AI 行業(yè)的價值分配——從基礎(chǔ)設(shè)施，逐步轉(zhuǎn)向 MaaS 服務(wù)和上層應(yīng)用。這種轉(zhuǎn)變也意味著，我們或許正在見證傳統(tǒng)的應(yīng)用形態(tài)被完全顛覆。

從 AI 實訓營的經(jīng)驗傳遞，到 Agent 創(chuàng)客征集令的生態(tài)激活，通過生態(tài)共建，阿里云不僅為 Agent 落地搭建起完整的支撐體系，更在一定程度上為行業(yè)提供了啟蒙意義，為未來 AI 原生應(yīng)用的爆發(fā)奠定了認知與實踐基礎(chǔ)。

站在 Agent 即將重塑生產(chǎn)力范式的節(jié)點上，首批 Agent 創(chuàng)客的故事只是序章。未來，當更多開發(fā)者加入 Agent 創(chuàng)客生態(tài)，當技術(shù)賦能與生態(tài)共建的紅利持續(xù)釋放，Agentic AI 的“落地革命”終將從愿景走向現(xiàn)實。