我要投稿

今天的Agent，就是十年前的小程序？

发布日期：2025-05-23 16:52:03 浏览次数： 1829

作者：数据猿

微信搜一搜，关注“数据猿”

2025年，DeepSeek意外刷屏。但热闹过后，技术圈里流传更广的却是另一个信念：大模型的能力，需要Agent来落地。

当我们把注意力还停留在Prompt调教、模型精调时，国内外ToB大厂早已开始悄悄构建Agent平台体系：国外的微软、谷歌、OpenAI，国内的百度、阿里、腾讯、字节等巨头等，都在争相布局。

需要指出的是，除了科技巨头，一些细分领域的技术型公司，也都在搭建自己的Agent平台。这些项目也许没有发布会，没有炫技式的营销，大多隐藏在企业智能化改造的内部工程中，但它们所指向的目标，却是一致的：打造AI的“智能调度中枢”。

那么，目前AI Agent都是怎么做的，进展如何？为了搞清楚这个问题，数据猿采访了爱数、袋鼠云、数势科技等公司，试图为这个问题找到一些答案。

Agent ≠ Prompt工程，

是“具备意识结构的系统原型”

在ChatGPT风靡全球之后，Prompt Engineering成了新显学。但真正走向企业级场景时，Prompt已难独撑大局。

企业需要的不是一次次交互和纠错，而是一个“目标导向+状态感知+工具调用”的系统性智能体，能够自主理解指令、动态规划路径、调用外部接口，最终交付完整的业务结果。

这就是Agent的本质，也是与传统Prompt交互的根本区别。

袋鼠云对这一趋势看得很清楚。他们认为：“未来企业AI系统，一定会以‘智能体平台’为基础设施形态存在，而不是单点工具的堆砌组合。”

需要指出的是，Agent不仅是模型使用方式的演变，更是一种软件逻辑范式的重写。

传统系统强调“人写流程，系统执行”，而Agent强调“人设目标，系统规划并执行”。在这一逻辑下，整个企业信息系统的控制层正从“流程图”变成“调度器+工具链+Memory”。

另一个重要趋势是，AI Agent正在逐步走出传统的文本界面，迈向更复杂的“流程智能”。

随着多模态模型的发展与RPA工具链的融合，企业开始构建具备“听得懂指令、看得懂图像、能操作界面”的感知—决策—执行一体化智能Agent。在制造业、客服、运维等场景中，“LLM+RPA”的组合正逐步补充并升级传统自动化脚本系统，形成面向业务流程的“智慧工作流 Agent”。

这意味着，AI Agent正从实验室中的对话助手，逐渐演化为企业数字化流程的“智能副驾驶”。

需要指出的是，尽管前景广阔，目前整个Agent赛道仍处于早期阶段，系统稳定性、任务鲁棒性、工具协同等方面仍存在诸多挑战。

POC很热闹，真落地却困难重重

在行业热议“智能体革命”的同时，一个冷峻的现实却横亘在企业落地的路上：很多AI Agent项目，可能止步于POC环节，难以进入正式生产系统。

一方面，场景热，需求大；另一方面，项目复杂，失控风险高。

有厂商坦言：“我们构建了一个100个Agent协同的系统，结果一跑就崩了。”这个崩，不只是程序Bug，更是系统架构承载力与业务场景复杂性的全面失衡。

为什么企业的Agent项目这么容易“死在中途”？我们觉得有以下几个原因：

1. 工程复杂度极高：状态管理、调用链和安全是三大死穴

首先，是“状态追踪失效”问题。

Agent执行往往涉及多轮模型调用、多工具协调和上下文管理，但现有框架下的Memory体系常常“一断即失忆”。这对于流程稳定性要求极高的企业场景来说，是致命的。

其次，是“Tool集成不稳定”。

爱数在实施过程中就发现，企业内部的业务系统普遍呈现“数据异构+多云架构+接口碎片”的状态：结构化数据库、PDF、图像、文档混杂不堪。更麻烦的是，不同系统调用API失败率高，一次任务可能涉及十几次接口交互，只要其中一环不稳，整体任务就会崩掉。

再者，是“权限与安全无法细控”。

在涉及私有数据、内部业务逻辑和敏感决策时，Agent的“自由发挥”成了风险源头。爱数提出的“信息安全编织架构”（ISF）正是为了解决这一问题，提供从数据分级、访问控制、审计记录到文档脱敏的一整套能力保障。

总之，没有平台化的“调度器+安全控+链路追踪”能力，企业部署Agent就如同开着无刹车的自动驾驶车上高速。

2. 模型能力 VS 系统可控性：结构性失衡普遍存在

另一个难题，是“模型越来越强，系统却越来越不可控”。企业部署Agent时面对的不是“生成能力不足”，而是“模型太会说，却不知道能不能信”。

比如，RAG召回体系虽然能接入知识库，但在大规模问答中易失真、召回波动大，尤其是在结构化数据和权限分层要求高的企业场景中，“幻觉”和“权限越界”成为双重隐患。

数势科技作为数据分析领域的垂直Agent，遇到的场景挑战具有代表性：数据使用门槛高、大模型幻觉和海量数据的处理速度慢。在数据分析场景下叠加大模型能力，传统的ChatBI类产品采用NL2SQL的技术路线，也就是根据自然语言提问自动生成SQL，模型容易出现字段误用、语义误解等“幻觉型错误”。因此，数势科技SwiftAgent是采用大模型+业务语义层的方式解决该问题。具体来说，也就是通过“企业业务语义层”桥接自然语言和底层数据，让大模型承担意图识别的能力，让业务语义层解决大模型幻觉问题——通过指标平台，将自然语言与底层数据逻辑解耦，提供一个高可靠性的语义接口层。这既降低了业务人员用数门槛，又提高了系统的可控性和准确率。

同时，像金融机构和大型企业，业务复杂且需处理海量数据，这对于企业级应用的相应速度也有较高要求。数势科技SwiftAgent应用自研的Hyper Metrics Engine通过数据编织和虚拟化技术，能十倍加速大规模数据查询场景下的响应性能，从而在实际业务场景中加速数据召回和数据分析，减少用户等待。

3. 成本与ROI：企业缺的不是技术，而是“真实场景”

还有一个往往被忽视的问题：Agent部署成本高，而ROI却模糊不清。

一轮任务调用，可能涉及十几次大模型调用、多个外部工具API，每轮都计费，稍有失误便成本飙升。

而即使Agent部署完成，若不能切中真实业务痛点、提升效率或转化率，也无法形成商业闭环。

袋鼠云对此态度鲜明：“企业不缺技术，缺的是可复制的好场景。”他们在每一个Agent场景（如智能指标分析）中，都会配套客户实施案例、ROI计算路径与业务部门的共识建立，强调不是“想象力造场景”，而是“实证驱动产品定义”。

正因如此，Agent项目必须回到“系统化平台+场景化部署”的基本盘上，才能跑得稳、跑得远。

从工具框架到智能中台，

Agent平台正在成为新战场

随着企业智能化进程的深入，Agent的角色正从“交互式助手”变成“智能化执行中枢”。这也意味着，构建Agent的方式，正从“写几个Prompt+调一个API”演化为一场系统级平台建设的竞赛。

最先觉醒的，是那些把Agent看作“AI操作系统”的企业。

☆框架百花齐放，单链条执行已无法承载复杂任务流

目前，在 AI Agent的框架层，行业已进入“群雄逐鹿”阶段：

LangChain提供了最早期的链式调用方案，支持Memory、Tool、Retriever等模块，是社区广泛使用的基础框架。但其对复杂状态感知、多任务并发处理等场景支持有限，仍需大量二次封装。

Microsoft Semantic Kernel强调语义技能和插件机制，深度集成Copilot工程体系，适用于微软生态下的Agent开发。

LangGraph、CrewAI、AutoGen等新兴框架正引入状态图调度、角色分工、多Agent协同模型，逐步从“线性执行”迈向“并发智能团队”。

Google Gemini / Project Astra也在多模态感知与实时交互方向探索Agent的下一阶段形态，强调“看懂+听懂+做出反应”的人机融合体验。

但对于真实企业系统来说，仅有开发框架远远不够。

袋鼠云认为，Agent平台的本质不是一个代码框架，而是一个“智能执行中台”。在其构建的AIWorks平台中，Agent是由多个模块组成的系统能力单元，具备以下四个关键能力层：

任务调度器：支持任务拆解、流程追踪、失败重试等机制，确保复杂任务能够稳定闭环执行；

工具治理层：统一封装与管理调用的外部接口，控制调用频率、权限范围，实现可控可审；

Memory与上下文管理：保证多轮调用过程中的上下文一致性，支持Agent长期状态跟踪与推理连续性；

行为监控与审计：实现对Agent决策与执行行为的可观测性和可回溯性，保障系统可靠运行。

通过打造一套能被嵌入各类业务系统的“AI原生能力底座”，为上层的智能应用提供Agent服务化支撑。

数势科技在构建SwiftAgent时，同样强调产品化能力的重要性。他们的产品架构分为三层结构（应用层、语义层、引擎层），其中语义层解决数据理解，应用层承载多Agent调度逻辑，而引擎层则优化了大数据处理性能和大小模型的智能协作能力。这样的设计，让Agent不仅“理解任务”，还“能执行好任务”，真正跨越了企业AI应用从“问”到“做”的鸿沟。

SwiftAgent并不只是一个自然语言分析工具，而是在逐步演化为“数据智能场景下的Agent平台”。数势科技也在持续完善任务调度能力与Agent组件化构建能力，通过Multi-Agent的架构将多个数据应用智能体协同联动起来，如“问数Agent”“指标Agent”“报告Agent”等，支持企业用户在不同的业务场景下智能调用一个或多个垂直智能体通过多步骤的任务规划和执行，来满足业务场景需求。

袋鼠云AIMetrics智能指标平台同样作为智能分析Agent的代表，以Headless BI与Chat BI为核心理念，重构了新一代体系能力——它将业务语义层、开放服务能力与智能问数深度融合，构建起面向组织协同与决策治理的新范式。这样的设计致力于让每个业务人员都能像数据分析专家一样决策，通过简单问答快速获取数据和洞见，智能化分析并生成报告，提升业务决策效率。