扣子空间一手实测：字节的第一个Agent，比Manus如何？

字节的 Agent 产品来了。

4 月 18 日晚间，字节跳动扣子空间开启内测，定位通用 Agent。与其他类似产品如 manus 一样，扣子空间采用了邀请码制。

平台上，用户可以选择精通各项技能的「通用实习生」，也可以选择行业的「领域专家」，通过与 AI 的互动完成工作任务。

就在前一天，火山引擎刚刚面向企业市场推出 OS Agent 解决方案及 AI 云原生推理套件，要帮企业更快、更省地构建和部署 Agent 应用。

虽然采用了邀请码制，但扣子显然不是走饥饿营销的路线。用户激活获得的邀请码后，创建并完成一个新任务即可获得 5 个邀请码，邀请码激活后，还可获得更多邀请资格，多创建多获得多邀请。

上线的第一时间，极客公园就上手实测了扣子空间的 Agent 功能。可以看到，在执行的三个任务中，制定旅游攻略和一周穿搭的任务顺利完成，但另一个专家助手的任务，却出现了 Python 脚本调用失败、 API 权限异常等 Bug，一个晚上都没能执行成功。

字节迈出了走向 Agent 时代的第一步，但距离完美好用，显然也还有很长一段距离。

Founder Park 正在搭建开发者社群，邀请积极尝试、测试新模型、新技术的开发者、创业者们加入，请扫码详细填写你的产品/项目信息，通过审核后工作人员会拉你入群～

进群之后，你有机会得到：

• 高浓度的主流模型（如 DeepSeek 等）开发交流；

• 资源对接，与 API、云厂商、模型厂商直接交流反馈的机会；

• 好用、有趣的产品/案例，Founder Park 会主动做宣传。

---

01

一手实测

三个任务失败一个

扣子有探索和规划两种模式，如果想让它一步到位输出，可以选择探索模式；如果想亲自把控每个步骤，可以选择规划模式。

我试了一下用扣子的探索模式制定一份日本旅行攻略，跟 manus 用例展示里的提示词类似，来看看扣子做出的旅行方案怎么样：

做出这份旅行攻略的时间在 10 分钟以上，可以看到扣子将推理过程的思维链与搜索深度结合，践行「边想边搜」，在「已获取到日本关西和熊本的小众景点、海边景点以及适合三十岁生日庆祝的特别地点信息」后，扣子保存了「景点信息」，开始「边想边做」，从景点中筛选出合适的景点并规划出行程安排，在完成行程安排后，开始生成包含地图、景点介绍、必备日语短语及旅行提示的 html 旅行手册：

经过了 15 分钟以上的运行后，扣子给出了上面视频所示的一份旅行攻略，如上面所示，里面既有 5 天的行程安排，也给出了预算参考和旅行提示，还根据我的需求配备了个性化的策划节目，看了一下基本按照这个方案已经可以直接出行。

扣子还支持添加 MCP 扩展，AI agent 得能力边界被进一步扩展，接下来应该会有更多插件接入。

我接入了语音合成的工具，让它给我把文字攻略转成语音版本，agent 很快就输出了语音版本：

https://lf-bot-studio-plugin-resource.coze.cn/obj/bot-studio-platform-plugin-tos/artist/image/4c1277951b564bb194bbcd11894a52ad.mp3

这个声音听着很像豆包 app 默认的女声声音，虽然把符号那些也连带着一起读了，但这个功能是方便好用的。

我继续试了一个简单任务，「查一下北京未来一周的天气，根据天气推荐一周穿搭，制作相关图片」，不过第一次输入没有注明是穿搭图片，所以输出的只是天气表格，在增加这个需求后，扣子输出了两张穿搭图片，可能因为我没有告知性别，它干脆输出了一男一女的穿搭。

这个输出的穿搭图片里，人很真，穿搭也看着可借鉴。后续还可以继续让扣子接着补充完一周的图片链接。

MCP 被认为是未来 AI 生态的「标准 USB 接口」，3 月底，国外，OpenAl、谷歌、微软和亚马逊陆续宣布支持或深度集成 MCP 协议，国内，阿里云、腾讯云也陆续支持 MCP 服务部署与调用。

此外，除了标准的通用 Agent，扣子空间里还内置了一些专家 Agent。目前在扣子空间的使用页面上，有「用户研究专家」和「华泰 A 股观察助手」两个专家 Agent，前者可以提供调研问卷交叉分析、访谈纪要整理以及用户分析报告撰写服务，同时可结合产品问题设计新的调研问卷和访谈提纲，后者则是由华泰与扣子团队共同孵化的专家 Agent，每日跟踪复盘自选股和大盘客观情况，基于专业数据和框架提供观察思考。

两位「专家」都已经明码标价——限时免费，这个标注方式或许为之后收费埋下伏笔？

「用户研究专家」核心包含四大能力，单任务平均耗时只需 4 分钟：问卷数据分析；访谈纪要总结；调研问卷生成；访谈提纲生成。

「华泰 A 股观察助手」的单任务平均耗时要长一些，23 分钟。该助手称可以每天为用户发送专属的股票早报，也可以与用户 1 对 1 探讨股票观察：

1. 更高质量的数据源：华泰 A 股观察助手专家 Agent 在获取公开搜索信息的基础上，直接查询股票数据，综合完成分析，从而尽可能地减少因低质量数据源带来的幻觉。

   
   

2. 更准确的数据计算：对于复杂的数据分析和技术指标分析，华泰 A 股观察助手专家 Agent 会使用 Python 来完成数据计算，尽可能地减少因心算带来的幻觉。

   
   

3. 更复杂的研究任务：由于可以获取更大范围的连续数据并自主规划分析方法，华泰 A 股观察助手专家 Agent 能够像更专业地工作，先定量后定性，先定性后定量，定量定性相结合，让复杂深入的分析成为可能。

   
   

4. 更灵活的交付方式：华泰 A 股观察助手专家 Agent 不仅可以对早报或回答文档进行追问，还能帮你生成 PPT、网页等各种形态的文件。

最近股市动荡颇多，来看看华泰与扣子团队共同孵化的专家 Agent 能力如何。

这个专家执行任务中间有节点，可以看到它在进行了分析、总结、生成报告之后，在等待我确认是要开始任务还是修改任务。

虽然页面上显示 10 分钟未开始任务，任务会自动确认并开始，但这个执行并不稳定。在之后再次出现类似节点时，我没有在 10 分钟之内反应，10 分钟后任务并没有自动开始，而是就停留在节点，导致该任务时长拖到了几十分钟还没有结束。

我是 18 日晚上 21:59 左右开始的这个任务，但是直到第二天早上，这个任务也没有完成。回头翻看任务执行过程，有一些数据未能获取，还有 Python 脚本 fetch_kline_data.py 调用失败，「可能是由于 API 调用权限或数据源问题」。

看来即使是 AI，股市专家也不好做。

02

Agent 赛道加速

2025 年之前就被称为会是 agent 之年。

manus 在 3 月的火热，加速了大厂在这一领域的推进。而 manus 能在今年「横空出世」，也是基于 Claude 3.7 Sonnet 等新一代模型在工具调用和编程能力上有重大突破，为 Agent 发展奠定基础。

字节在 agent 赛道了再次展现了速度与执行力。17 日，豆包·深度思考模型正式发布，同步升级文生图模型 3.0、视觉理解模型，并推出 OS Agent 解决方案及 AI 云原生推理套件，为企业构建与部署 Agent 应用提供了强力支持。18 日，通用 agent 平台扣子空间即开启内测，定位于提供「通用实习生」和「领域专家」Agent，展现了字节从技术突破到产品落地的迅速节奏。

在 17 日的发布会上，火山引擎总裁谭待强调要做好 agent，技术上需要做好三个准备，包括更强的、支持多模态的模型，更好的架构和工具能够支持大模型操作数字和物理世界，以及通过 AI 云原生降低模型推理的成本和延迟。

扣子空间的内测开启，或说明字节已经基本做好了这三项准备。

豆包 1.5·深度思考模型采用 200B 参数、20B 激活参数的 MoE 架构，支持视觉推理和「边想边搜」，能在数学推理（AIME 2024）、编程竞赛（Codeforces）和科学推理（GPQA）等任务中媲美 OpenAI o3-mini，达到全球第一梯队。其 20 毫秒的极低延迟和多模态能力，使其能处理复杂任务，如基于照片推测地理位置或解读企业项目流程图。

OS Agent 方案通过 AI 云原生组件（如 Sandbox）为企业提供了模块化的开发支持，显著降低了 Agent 应用的开发门槛。火山引擎还支持 MCP 协议，谭待认为，类似互联网早期 HTML 和 HTTP 的统一协议将加速 Agent 生态发展，降低开发者适配成本，推动行业标准化。

火山引擎正在通过垂直类 Agent（如 Data Agent）、通用 Agent 开发工具（如 OS Agent）及 AI 云原生布局，全面推进 Agent 生态建设。

谭待提到，Agent 是 AI 为各行各业带来变革的必经之路，需具备深度思考模型支持的反思和规划能力，才能完成专业度高、耗时长的复杂任务。

不过，当前市场对 Agent 的定义较为混乱，部分厂商宣称开发的「数千个 Agent」可能仅为初级（L1）水平，仅能处理简单任务。未来，Agent 或将像自动驾驶分级（L1 至 L4）一样明确标准，真正落地的 Agent 需达到 L2++及以上级别。接下来，Agent 的定义和应用场景将更加清晰。

可以看到，字节的 Agent 战略以技术突破、生态协同和成本优势为核心，展现了「大厂碾压」的实力。

---

（文：Founder Park）