硬幣的一面是 "Agent 元年 "，隨著 Manus 的出圈，公眾視線進入了 Agent 時間。就連今年世界人工智能大會（WAIC 2025）上，Agent 也是當之無愧的主角，To C 類型 Agent 樣式繁多，To B 類型 Agent 則離錢更近、離真實需求也更近。AI Agent 的火熱，某種意義上代表大模型應用的繁榮。
硬幣的另一面，許多企業(yè)仍困在大模型落地難的泥潭中——算力成本高企、數(shù)據(jù)孤島難破、場景價值模糊，展會上的炫酷 Demo 與實際業(yè)務的真實痛點之間，仿佛隔著一層 " 毛玻璃 "，那些曾被寄予厚望的顛覆性應用，不少正尷尬地卡在概念驗證階段，等待一場更務實的進化。
沒有企業(yè)想拋個硬幣，指望正好能落在自己需要的那一面。企業(yè)需要的是確定性，是將已有的行業(yè) know-how 借由大模型轉化為真正的生產(chǎn)力。
據(jù)不完全統(tǒng)計數(shù)據(jù)顯示，2024 全年，智能體構建平臺相關共有 570 個中標項目，372 個項目公開金額，總金額達 23.52 億元。而 2025 上半年，智能體構建平臺相關中標項目數(shù)量已達 371 個，是去年同期的 3.5 倍，甚至接近去年全年總量的三分之二，待到下半年訂單需求集中釋放，今年全年的項目數(shù)量和金額將會非?？捎^。
值得關注的是，火山引擎自去年下半年起已連續(xù)奪得中標數(shù)量第一；今年上半年，更同時摘得中標金額與中標數(shù)量的雙項第一，增長勢頭明顯。近日鈦媒體 App 獨家對話了火山引擎副總裁張鑫以及火山引擎 HiAgent 產(chǎn)品負責人陳曦，在他們看來，企業(yè)落地 AI 需要 " 技術工具、業(yè)務適配、安全保障、服務與最佳實踐 " 相融合的整體解決方案。
2025 年，Agent 上生產(chǎn)線元年
如果參照互聯(lián)網(wǎng)，應用繁榮才意味著大模型產(chǎn)業(yè)真正的繁榮，沒有企業(yè)想要擁有一個 " 互聯(lián)網(wǎng) "，但所有企業(yè)都想擁有互聯(lián)網(wǎng)化生出的各種能力，這些能力就以軟件應用的形式呈現(xiàn)。
大模型產(chǎn)業(yè)的蔓延同樣有跡可循，從預訓練到精調，從算力基礎設施到工具鏈，大模型產(chǎn)業(yè)行至應用層是一種必然，相比于又厚又重的底層基礎設施，上層應用是一條更好、更快擁抱新技術的路徑。此外，自上而下由業(yè)務到技術的驅動模式，企業(yè)也往往更愿意為看得見的價值付費。
火山引擎的認知也隨市場需求發(fā)生了變化，張鑫談到，早期火山引擎看到，應用效果很大程度由大模型本身決定，所以想通過好的模型讓大家能夠更容易地構建出好的應用。
之后火山引擎發(fā)現(xiàn)，有了好的模型并不和應用直接畫等號，中間有一系列工程化實踐，從提示詞工程到知識庫到工作流等，火山引擎要提供一個足夠好的智能體的開發(fā)平臺，要把新技術的鏈路補全；除了這樣的技術工具，企業(yè)還需要考慮企業(yè)的數(shù)據(jù)隱私保護、多環(huán)境適配、企業(yè)業(yè)務系統(tǒng)打通、讓 AI Agent 能無縫嵌入到企業(yè)已有業(yè)務流程中去，從而構建一個完整的企業(yè) AI 落地解決方案，HiAgent 這樣的平臺隨之誕生。
一年多之前，火山引擎發(fā)布了 HiAgent 第一個版本。當時聊大模型的算力、算法、Token 的人很多，聊 Agent 的人不多，只有一小部分企業(yè)選擇開始使用 HiAgent。隨后大模型演變比大多數(shù)人預料的還要快速且劇烈，似乎之前的問題已經(jīng)不是問題。
"2025 年是 Agent 元年 "，幾乎所有人都這么說，但問題是，Agent 元年是什么樣的？在張鑫看來，Agent 元年是一個樂觀的預期，智能體可能會 " 遍地開花 "，但智能體爆發(fā)需要在幾個不同維度都達到臨界點。
例如技術臨界點，大模型能力的上限，決定了智能體應用效果的下限，今天的大模型已經(jīng)達到博士生的水平；在商業(yè)和生態(tài)的角度，智能體最大的一個變化是使用工具，不管是通過 MCP，還是谷歌提出的 A2A 協(xié)議，真正能夠把智能體價值放大，還需要生態(tài)體系更加完善。
" 應用之下還有很多平臺和基建相關的工作，如果平臺和基建的能力上限就在這里，那應用層的上限也就停在這里，" 陳曦說。
" 我覺得模型和智能體開發(fā)平臺應該是相輔相成的，模型能力做得多一點，平臺工程化的能力就可以少做一點，當然模型能力更強大，應用的效果也會更好，模型和平臺共同決定了應用的上限。"
" 大模型商業(yè)模式至今也分了幾個階段，初級階段賣算力，收費單位是卡時，下一個階段按 token 收費，其實是在算力基礎上疊加了一部分大模型能力，再到下一個階段是按使用量或者按訂閱制來收費，但最終智能體要爆發(fā)，我認為應該按效果、按價值收費，比如營銷額外產(chǎn)生了多少收益，節(jié)省了多少成本。" 張鑫說。
一個新的共識是，上一輪所有的應用都會被 AI 重構。
咨詢機構 IDC 預計，2025 年生成式 AI 在企業(yè)的落地仍將優(yōu)先聚集在辦公助手等提升生產(chǎn)力的場景，其次是行業(yè)垂直業(yè)務場景。金融、能源、零售、制造是最值得關注的傳統(tǒng)行業(yè)。從另一個角度，智能體將是大模型應用的重要方向，流程自動化、RPA、CRM、數(shù)字員工將優(yōu)先受益于智能體升級。
從企業(yè)視角觀察，大體路徑首先是企業(yè)研發(fā)、生產(chǎn)、供應鏈、銷售服務等環(huán)節(jié)所依賴的軟件、硬件工具，都通過 AI 不斷迭代升級；未來全面 AI 化的企業(yè)，將發(fā)生業(yè)務流程、商業(yè)模式乃至組織形態(tài)的變化。
" 有通用大模型，但很難有通用智能體，智能體非常依賴于場景，" 張鑫說。面對一個完全陌生的新技術，哪怕它具有足夠的革命性、足夠的勢能，開端總是磕磕絆絆且不盡如人意的。這些現(xiàn)象背后的本質問題包括了模型能力邊界的探索、To B 場景的復雜多變、工程最佳實踐的缺乏，以及數(shù)據(jù)知識質量參差不齊等。
目前企業(yè)客戶認知存在兩個極端，企業(yè)高層大多高估 AI Agent，一線人員則很容易低估 AI Agent，同時很多企業(yè)把 AI Agent 當作傳統(tǒng)的軟件工程，交付驗收即結束，但是企業(yè)的業(yè)務場景在變，數(shù)據(jù)在變，領域知識在變，智能體和真人一樣需要不斷地學習和調教，AI Agent 不是一次搭建的靜態(tài)結果，而是持續(xù)調優(yōu)的動態(tài)過程。
此外，某種意義上，在大模型產(chǎn)業(yè)和技術尚不成熟的階段，企業(yè)要真正發(fā)揮新技術價值，需要付出的精力并不比技術服務商少，從 0 到 1、從無到有的拓荒，只有企業(yè)本身才能實現(xiàn)。對比之下，互聯(lián)網(wǎng)產(chǎn)業(yè)分工明確，是因為產(chǎn)業(yè)基礎盡數(shù)具備，技術供應商只需完成最后一公里的服務，大模型生態(tài)還早得很。
跳出 Agent，才能做好 Agent
大模型的演化有一個特點，在技術發(fā)展的極早期，大部分技術都沒到成熟的穩(wěn)定態(tài)，所以大模型的優(yōu)化必須做端到端的把控，典型代表就是現(xiàn)在還留在大模型牌桌的廠商，從底層芯片到云基礎設施到大模型本身，都不能有短板。
如前所述，企業(yè) Agent 的技術棧同樣不成熟，這就要求技術服務商向前一步，做更多端到端的服務。
對于當下智能體開發(fā)平臺的啟示是，企業(yè)不愿意為工具付費，但愿意為結果付費，想做好企業(yè)級 Agent，不能只做一個應用開發(fā)平臺，而是沿著企業(yè) Agent 的鏈條延展，最大程度降低企業(yè)的門檻、提高企業(yè) Agent 的價值。
如果大模型是縱向的端到端，那么，AI Agent 更像是另一個橫向的端到端，當然，大模型的縱向能力也可以引入其中。
火山引擎也看到了企業(yè)的顧慮，在上周 FORCE Link AI 創(chuàng)新巡展 · 廈門站上，張鑫把 HiAgent 定位為 " 一站式智能體工作臺 "，為企業(yè)提供源源不斷的數(shù)字員工與企業(yè)一同成長，這也是讓 "Agent 走向生產(chǎn) " 的一個具象化場景和標志。HiAgent 智能體平臺 2.0 大版本的產(chǎn)品升級，則體現(xiàn)在 " 上下左右 " 的迭代上，核心是基于 Agent DevOps 理念，HiAgent 提供策略規(guī)劃、能力開發(fā)、評測、發(fā)布、觀測、優(yōu)化全生命周期管理，實現(xiàn)從模型到應用的全鏈路打通。
類比云原生的 DevOps 理念，將開發(fā)（Dev）、運維（Ops）和測試（Test）等團隊緊密結合，通過自動化流程和工具鏈的整合，實現(xiàn)軟件從開發(fā)到運維的快速、高效交付。DevOps 不僅僅是開發(fā)團隊和運維團隊的結合，而是涵蓋了從需求分析、產(chǎn)品設計、開發(fā)、測試、部署到運維的全過程協(xié)作。
而在智能體全生命周期旅程里，Agent 數(shù)字員工迭代變聰明的關鍵是 " 干中學 "，并讓數(shù)據(jù)支撐貫穿始終。HiAgent 近期發(fā)布的數(shù)據(jù)流轉模塊補上了這塊拼圖，讓數(shù)字員工干活時產(chǎn)生的數(shù)據(jù)會被自動記錄到學習庫：用戶反饋了什么，哪里答錯了，流程卡在哪，系統(tǒng)全記錄；再通過清洗、分析、回流，變成數(shù)字員工的經(jīng)驗。和人類的經(jīng)驗一樣，好用的 Agent 數(shù)字員工，不是入職即巔峰，而是越來越懂業(yè)務。
向下則是模應一體，模型和應用一體，除了提示詞工程、知識庫，大模型能力本身就是應用能力很重要來源。很多行業(yè)免不了要做自己的模型，把通用模型通過精調、強化學習，甚至通過精蒸餾達到一個非常專業(yè)的領域模型程度，然后再基于它做上層的智能體搭建，以期實現(xiàn)更好的效果是最好的。在 HiAgent 新版本中，向下融入了很多模型層面的工具鏈，支持企業(yè)客戶做好訓練等操作。
向左，企業(yè)需要一個統(tǒng)一的智能體入口。張鑫表示，跟企業(yè)合作多了以后就會發(fā)現(xiàn)，大家會遇到一個共同問題，基于 HiAgent 確實可以很方便地創(chuàng)建智能體，企業(yè)員工群策群力，一個企業(yè)內部往往會有幾百個不同的智能體，但是所有智能體的使用非常零散，所有智能體分布在不同的入口。
為了方便讓源源不斷的企業(yè)智能體被員工找到、用得好，HiAgent 2.0 推出 Canvas 交互門戶。每個企業(yè)都有獨特的流程和場景，智能體搭建要能夠量體裁衣，讓企業(yè)低門檻敏捷創(chuàng)建個性化的智能體，包括調用和納管扣子、Coze Studio 開源項目等智能體應用平臺搭建的智能體。有了它，就好比有一個 " 智能前臺 " 幫你調度所有相關團隊，讓你找數(shù)字員工比找真人更容易；而這個智能前臺還能鏈接企業(yè)所有業(yè)務系統(tǒng)，從而用戶不需要再在十多個瀏覽器或聊天框之間切換就能高效完成任務。
張鑫強調，"HiAgent 的定位不僅僅是做一個技術工具，而是希望通過融合業(yè)務場景的最佳實踐和服務保證，形成一站式的智能體工作臺解決方案，幫助更多企業(yè)構建人和 AI 的混合型協(xié)作組織 "。
Agent 繁榮，大模型才是真繁榮
沒有企業(yè)會為 " 擁有 TCP/IP 協(xié)議 " 而付費，但愿意為電商平臺、ERP 系統(tǒng)、社交媒體等買單。參照互聯(lián)網(wǎng)發(fā)展史，應用爆發(fā)需要：帶寬足夠（能力）、成本夠低（經(jīng)濟性）、開發(fā)夠易（生態(tài)），對應到大模型支撐 Agent 落地，真正的繁榮總是誕生在 " 能力被消化 " 的應用層。
張鑫提到，互聯(lián)網(wǎng)應用看重流量和生態(tài)能力，類比到企業(yè)領域，企業(yè)內部智能體一定不是孤立存在，新技術和老技術有相對長的共存期，企業(yè)內部已有的 CRM、OA 以及 AP、各種算法等工具還會存在的，如何讓智能體更好和企業(yè)已有系統(tǒng)打通，火山引擎也希望通過統(tǒng)一端能夠完成，比如存量系統(tǒng)是否可以通過工具的形式發(fā)布到火山引擎提供的平臺，讓智能體可以自由調動，這也是 HiAgent 要做端到端的核心之一。
陳曦也提到，未來軟件應用不一定都是 Agent，很多場景依然需要傳統(tǒng)的交互模式，Agent 和傳統(tǒng)應用相結合的方式會長期存在。
結合行業(yè)來看，企業(yè)市場的 Agent 有時會滯后于消費市場，但是在垂直領域的縱深要遠遠超過消費級應用。例如某企業(yè)基于其他開源平臺開了 Agent 并應用于生產(chǎn)系統(tǒng)，但是并發(fā)只能做到 200 個，遠遠低于該企業(yè)所需，改換 HiAgent 之后才滿足了生產(chǎn)環(huán)境的大規(guī)模并發(fā)。
更有趣的是，比如在使用 HiAgent 時，用戶想總結一個會議，此時企業(yè)沒有會議總結助手，HiAgent 就會自動調用一個特殊的工具 HiAgent-Browser-Use，像 Manus 那樣在線用 HiAgent 搭建出一個會議總結助手智能體，搭建完成后自動注冊成超級 App 背后的子智能體并執(zhí)行會議總結，然后把結果渲染到畫布上。這就好像是，HiAgent 能讓 Agent 自我繁衍，一個更高階的 Agent 創(chuàng)建了新的 Agent。
這也表明，HiAgent 不只是一個開發(fā)工具，甚至不只是一個平臺產(chǎn)品，越來越多的客戶把 HiAgent 視為一個完整的 AI 能力中心，有別于以往的軟件應用，HiAgent 沉淀了客戶的數(shù)據(jù)和知識，云基礎設施、大模型、中間件等產(chǎn)品和服務都是過程，最終交付給企業(yè)的 AI 能力，這應當是 AI Agent 之于企業(yè)的意義。
張鑫還記得人機協(xié)同的 " 啊哈時刻 "，廣州公交集團的數(shù)字人，在內部居然有了自己的工號，在合同審核、車輛維修等多個領域持證上崗，且有自己的考評體系，硅基員工似乎真的成了企業(yè)生產(chǎn)環(huán)境的一部分，這也是他眼中 Agent 上生產(chǎn)線的實證。
于行業(yè)視角觀察，張鑫認為，現(xiàn)在還是智能體開發(fā)平臺的發(fā)散階段，就像早期模型架構不統(tǒng)一的 " 百模大戰(zhàn) "，最終 MoE 架構成為主流，大模型玩家自此收斂。目前 Agent 的標準也并不統(tǒng)一，缺少公認的 Agent 成熟度體系，所有人都認可 Agent 的戰(zhàn)略方向，只是在落地和關鍵能力上有所不同。
火山引擎認為，除了開發(fā)平臺以外，還有幾個關鍵因素，首先是模型的能力，其次是極致的推理性價比，因此字節(jié)跳動在豆包大模型本身的投入上不遺余力，更注重自身模型的效果。同時在 AI 推理能力上，火山方舟加大更多投入，讓 Agent 跑起來的時候性價比更高，這也是未來 Agent 繁榮很重要的一個因素。
最后不得不提的是，基于云計算的軟件開發(fā)模式已經(jīng)成為主流，但是開發(fā)者使用容器等理念反而減少了對云廠商的依賴，行業(yè)也有觀點認為，Agent 不會增加云廠商的價值厚度，也不會增加用戶黏性。
巧合的是，張鑫在加入字節(jié)跳動之前，曾在谷歌深度參與 K8s 的開發(fā)，之后回國創(chuàng)立云原生容器平臺企業(yè)才云科技，親歷了云計算時代的軟件開發(fā)。"K8s 讓應用太容易遷移，這是開源的勝利，我們在谷歌內部開玩笑說，某種程度它反而有損于公有云廠商的價值，因為開發(fā)者可以將應用遷移到任何合適的環(huán)境，但是 Agent 可能不一樣。"
在他看來，對企業(yè)或者開發(fā)者來說，Agent 真正的黏性在于更具性價比的全?；A設施，以及越用越好用的數(shù)據(jù)沉淀。
"Agent 更依賴于基礎設施，就像 DeepSeek 出來之后各家的推理成本差距很大，很多云廠商也不可用，火山引擎提供了更好的服務。另外，Agent 天然對用戶有黏性，因為它有長期記憶，用戶使用同一個平臺，用同一個產(chǎn)品構建了 Agent 以后，用得越多 Agent 越好用，數(shù)據(jù)可能是以長期記憶或者知識庫的形式存在，這些知識和數(shù)據(jù)沒有辦法帶走的話，Agent 的效果也會大打折扣。" 張鑫總結表示。
（本文首發(fā)于鈦媒體 APP，作者 | 張帥，編輯 | 蓋虹達）
