AI Agent离我们越来越近了。

4月28日，由「甲子光年」主办、上海马桥人工智能创新试验区联合承办的「AI共潮生——2025甲子引力X科技产业新风向」大会在上海工业智能中心盛大启幕。

在下午场的「AI Agent」圆桌对话中，维度AI创始人兼CEO杨宇梁担任主持人，与易点天下技术中心副总经理张奥迪、容联云副总裁，诸葛智能创始人孔淼、e签宝CPO李聪、未来式智能联创&COO邹阳、flowith CMO郭梓溢，围绕AI Agent商业化落地的核心命题，通用与垂直的路径选择、技术瓶颈与行业实践、商业化模式创新及生态博弈等议题展开深度探讨。

易点天下张奥迪认为，通用Agent需达到AGI级别才具普适性，当前更应深耕垂直场景（如营销素材生成、自动化投放），并通过原子化拆分企业能力实现提效；他强调调度准确性、人备机制设计及MCP技术稳定性仍是落地难点。

容联云孔淼提出，Agent本质是任务规划与工具调用的组合，客服场景已从辅助型向自主执行型过渡，大模型显著提升质检与对话洞察效率，但需平衡工程化成本与客户ROI诉求。

e签宝李聪分享了智能合同实践案例：系统可自动识别条款风险并定向推送至交付主管，合同流转效率与风控水平成倍提升；其商业化策略从版本订阅制转向“坐席+调用量”混合计费，以应对Token指数级消耗压力。

未来式智能邹阳直言，当前Agent技术尚未成熟，央企会议室预定项目因模型误选API导致流程混乱，验证了工程化落地必要性；同时指出专家经验书面化难度大，多数场景缺乏SOP基础，规模化依赖持续投入。

flowith郭梓溢作为C端代表，介绍了作为全球最早涉足通用Agent领域的先行者的发现和思索，其Agent框架核心理念强调人机协同，使人不仅是旁观者，而是可实时参与创造过程的主导者；团队即将发布新一代各项能力领先的新Agent，旨在让用户可以将agent使用场景聚焦在实际生产提效上。

以下是本场圆桌的对话实录，「甲子光年」整理：

维度AI创始人兼CEO杨宇梁：今天很高兴有这个机会能够和各位企业代表一起探讨AI Agent商业化的破壁之战。我是维度AI的CEO和创始人。

公司主要致力于打造可靠、有据可依的研究型引擎和Agent，在解决人类知识诞生问题上持续探索迭代。我们坚信AI是系统化的探索并且发现关键知识，深度理解知识，创造新智慧的根本途径。接下来要发布的维度研究型引擎，也会大幅度帮助学生、研究者和专业人士的研究型需求。

维度AI创始人兼CEO杨宇梁

易点天下技术中心副总经理张奥迪：我是张奥迪，是易点天下的技术中心负责人兼AI Lab的负责人。简单点说易点天下，我们是帮助客户做出海全球化增长的。有两个方面：一方面是客户有流量增长需求，我们帮助他做流量增长，另外一方面是帮助客户做变现增长。

我们在AI领域做营销素材，之后又投入到BI也就是数据洞察和AI结合，在今年我们做智能投放。以前可能在整个链路过程中，需要投手大量地研究素材，把他的经验放在投放优化链路上达到高的ROI，但是今年我们通过Agent的方式把这套全部变成一键自动化。包括企业内部的信息化流程，像我们把整个企业的能力全部变成原子化，再通过不管是MCP还是其他的方式通过Agent进行提效和商业化。

易点天下技术中心副总经理张奥迪

容联云副总裁、诸葛智能创始人孔淼：我叫孔淼，我们是容联云是一家以“通讯+数据+智能”为核心能力的企业级产品和解决方案提供商。旗下包括容联云全渠道智能联络中心、容联七陌、诸葛智能，容犀大模型应用等一系列产品，目前差不多有上万家客户，覆盖数百家金融头部机构。

我们大概是从2023年开始发布大模型应用“容犀Copilot & Agent”，覆盖从对话洞察到坐席代理、坐席辅助、智能质检等。今年Agent很火，我们在产品上也做了进一步升级。

容联云副总裁、诸葛智能创始人孔淼

e签宝CPO李聪：我是来自于e签宝的李聪。e签宝有很多人都听过，我们是一家专注为企业和个人提供电子签名及合同管理服务的。我们是一家成立了20多年的公司，我们一直做电子签名和合同管理，到目前累计了大概70多万的付费用户，每天在我们的平台上大概有2500万份合同完成签署。

差不多也是从2023年开始，我们一直在使用大模型提升企业合同智能化，过去更多的是把AI能力嵌入到原有的功能中去，今年我们也在打造智能合同Agent，希望用一个对话框搞定一个合同的签约流程。

e签宝CPO李聪

未来式智能联创&COO邹阳：我是邹阳，我们主要是做AI Agent，应该是国内最早一批，我们之前的核心团队是从阿里巴巴达摩院出来的，ChatGPT出来之后，我们准备开始创业，我们公司在2023年的3月份，定了AI Agent的赛道，一直也在用相应的技术为B端企业市场去做有价值的落地。

未来式智能联创&COO邹阳

flowith CMO郭梓溢：我是Flowith的郭梓溢。与刚才介绍的企业不同，Flowith专注于C端市场，是一款致力于打造AI时代终极的创作工具。

我们去年8月正式发布，是通用Agent领域的先行者。目前已在海外市场积累了数十万用户，我们的通用Agent服务已处理超过2000万次请求。今年1月，我们推出了革新性的知识花园功能，并且具有可交易属性的AI知识市场，这两者功能也将结合起来。接下来，我们将发布更多关于Agent和AI领域的创新功能，持续探索人和AI的终极交互形态。

flowith CMO郭梓溢

1.究竟什么是AI Agent？

杨宇梁（主持）：在你们的定义当中，什么才是Agent，它应该有什么样的产品形态，应该具备什么样的能力，才被称之为AIAgent？

张奥迪：大家都在讨论AI Agent，需要理性看待。我们可以从两个角度来看。

第一个角度是把它当作工具来看。

这种情况下，AI Agent本质上是“自动化 + AI”，也可以理解为“RPA + AI”。它的优势在于更加灵活，但缺点是如果流程链路太长，就容易出现不稳定因素。这时候可能需要通过每个单点环节来校准稳定性，或者借助系统性的提示词工程来提升效果。

另一个角度是把AI Agent当做人来看。

目前它还只能相当于一个实习生或助理的角色。现在市面上很火的产品，大家都在尝试使用，无论是生成报告还是其他功能。你会发现，结果本身其实并不那么重要，第一步的数据采集反而更为关键。比如，它虽然能全网搜索大量信息，但如果你要做一份有深度的报告，而你所获取的数据和别人一样，那这份报告的价值在一开始的数据层面就已经降低了。

再谈一下AI Agent的能力边界。如果它能在整个复杂流程中实现自动化，并达到人类完成的效果，那就可以称为AI Agent；但如果只是在某个单一场景解决特定问题，那其实只是一个AI工具，甚至不需要用到AI。

我们之前也踩过这样的坑：原本想用AI Agent完成一个功能需要18秒，而用传统工具只用了9秒。对于用户来说，等待时间是不能接受的。因此，我们要从用户需求出发，优先考虑提供低成本、高效满足用户需求的工具。

孔淼：从两个维度来看，我们从2023年开始接触并尝试AI Agent这个概念。一方面是我们观察行业是如何定义Agent的，另一方面是我们自己如何去理解和应用它。

回顾2023年，当时ChatGPT刚刚兴起，Agent的概念开始受到关注，最早的一些产品，尤其是被称为“四小龙”的公司，已经开始在产品中引入“智能体”这一概念。他们将一个System Prompt所构建的特定角色——例如一位金融工程师的人设视为一个Agent。

随后进入第二阶段，一些flow类的开源工作流编排开始出现，某些人开始认为“编排即Agent”。

到了2024年初，完整的Agent开始被认为应具备几个核心能力：长期记忆、短期记忆、任务规划、工具调用能力以及结果输出能力。

再到Devin出来之后，这种代理自动化编程能力。再到今年的Manus的browser use这种能力。

所以从整个Agent行业发展来看，其实经历了被认为是”智能体”、是”代理”的不同定义的阶段。穿透来看，有人认为LLM大语言模型的一个Feature，就是在特定场景的某种人设是一种Agent，有人认为工作流编排是一种Agent，当然，也有很多走在前沿的开发者，比如Manus，真正实现了让Agent代替人类去使用工具完成任务。

容联云较早地开始了Agent的探索，过程中认知也在不断更新。在服务大模型客户的应用实践中，我们总结出两种主要应用场景：

第一种是辅助坐席型应用，比如在客服或销售坐席的工作流里面，提供提示话术、流程引导或知识检索支持。我们认为这类更接近于Copilot，原因是在既有流程中起辅助作用。

第二种是自主执行型应用，如话术挖掘、话术洞察，甚至包括知识挖掘等任务。我们认为这才是真正的Agent。原因是说，我们会为它定义目标，定义数据API，通过LLM自动理解历史沟通记录和会话记录，并调用一些基础工具——比如函数调用、代码调用或业务API——来挖掘有效话术和服务中的关键信息与结果，实现端到端的自动处理。

但到了今年，我们也发现单纯的端到端方式并不够完善。基于行业前沿的Agent标准——由LLM做决策，结合tool use进行工具调用，并基于业务进行场景设计——如果从这个维度来看，我们需要升维思考。

过去我们的Agent更多是用新的软件替代旧软件，而现在我们开始融合新旧软件体系，借助computer use或者browser use的能力，在基于大模型去做调度，从而构建更前沿的Agent系统。这也是我们在对Agent理解上的不断升级。

李聪：如果这个问题交给AI来回答，它很可能会告诉你，一个合格的Agent需要具备需求理解、任务决策和动态执行能力。这大概就是一个标准答案。

但真正衡量一个Agent是否“合格”，关键在于它的决策预测是否符合用户的实际需求。当我们使用像OpenAI或DeepSeek这样的模型时，会发现它的决策和执行过程往往与我们的预期存在较大偏差。

因此，我认为一个真正合格的Agent，应该能够结合用户的具体背景进行调整。例如在我的产品中，它可以根据历史知识和过往的决策行为，提供辅助性的纠偏，并实现动态执行。

关于产品形态，我认为它并不是单一固定的。在我们的产品中，大多数情况下，Agent在执行合同类任务时是用户“感知不到”的——也就是说，它并不一定需要交互式界面。当然，对于一些高风险操作，我们仍然会保留人工确认环节，由用户点击“确定”来进行最终把关。

邹阳：可以看出来，目前大家对于Agent的概念和定义仍然存在一定的差异。如果让我用一句不容易被挑毛病的话来概括：所有大语言模型的应用都可以称为AIAgent。从当前市场上的情况来看，这句话基本是成立的。

当然，如果非要进行分类，区别主要体现在任务的自主规划能力上。比如最早期的AutoGPT，它是不是AI Agent？当然是。只不过它并没有调用外部工具，而是通过自我对话来拆解问题、回答自身。

而如今更多采用“工具调用+工作流”的方式，比如像Coze或者其它基于Workflow编排的产品，大多数人都认为它们也是AI Agent。

所以如果进一步拆解这种行为差异，我们可以发现背后主要有两种实现方式：一种是由模型自主进行任务规划；另一种则是通过人为设计的工作流进行编排实现。

郭梓溢：前面几位老师分享的内容更多是从技术角度出发，介绍了AI Agent的概念和定义。考虑到在场以及线上可能有不少非技术背景的朋友，我想用两个更贴近生活的例子来帮助大家更容易地理解Agent到底是什么。

第一个例子是：如果把大语言模型（LLM）比作人的“大脑”，那么AI Agent就像是整个“神经系统”。它负责接收大脑发出的指令，并协调身体完成具体任务。比如我现在坐在这个位置，通过话筒讲话，看似是一个简单的动作，其实背后已经完成了从思考到执行的一整套流程，这正是Agent所扮演的角色。

第二个例子是：我们可以把LLM想象成一台“发动机”，而基于LLM构建的Agent就像是利用这台发动机制造出的不同交通工具——比如汽车、飞机、火箭等。也就是说，LLM本身是核心动力来源，而Agent才是真正将这种能力转化为实际应用的系统。

接下来简单介绍一下我们自己开发的flowith Agent。我们和目前市面上一些比较热门的通用Agent产品，有几个共同的核心特征：

1. 主动思考，自主规划路径 ：当用户输入一个问题后，Agent能够自动规划出一个工作流来完成这项任务；

2.工具选择 ：根据任务的不同阶段，动态选择合适的工具或子Agent来协助处理；

3.具有记忆，交付结果 ：最终按照用户最初提出的Prompt要求，返回高质量的结果。

整个过程就像我们之前提到的那样，Agent可以感知环境、调用工具、执行任务，并最终输出符合预期的答案。

不过，在flowith的产品设计中，我们特别强调了一个与众不同的理念——人机协同。这一点与一些其他产品的设计理念略有不同。有些产品主张用户提出问题后，后续全部由Agent自动完成，不需要人工干预。但我们认为，在很多复杂或关键任务中，人类的判断和引导是非常必要的。

因此，在flowith中，我们的工作流是可以被用户主动干预的。例如，在进行信息检索时，用户可以明确告诉Agent：“我需要从小红书或者微博获取数据”，甚至可以指定使用哪些具体的工具。在整个执行过程中，用户也可以随时介入，调整方向或策略。

这种“人可干预、AI辅助”的模式，是我们对Agent的理解和实践方式，也是我们产品区别于很多通用Agent的重要特点之一。

2.通用与垂直应该如何选择？

杨宇梁（主持）：各位嘉宾自己企业中提供的产品或者服务，是选择打造通用型的Agent？还是更深耕于垂直市场的产业Agent？

张奥迪：我们坚定地选择做垂直领域的AI Agent 。在我看来，“通用”这个概念太泛了。真正的“通用”可能只有达到AGI（通用人工智能）级别才能实现。而我们所定义的Agent，是在完成一个全链路任务之后，能够像人一样输出稳定且高质量的结果 。

在营销行业，无论是素材生成、广告投放，还是为客户做变现，甚至跑模型验证效果，最终都要看实际产出。过去我们做KreadoAI项目，即使推出了数字人功能，用户也往往只是下载素材后进行二次加工。虽然部分环节实现了提效，但整体上还没有真正达到AI Agent的标准。

今年我们开始聚焦垂直场景，比如易点通过把BI能力、AI创意生成、投放能力等全部拆解为子工具，形成公司在营销领域的AI Agent与MCP server。顶层通过大语言模型加营销行业知识库，构造精准营销的调度系统，配合应用层多Agent平台，解决企业全面AI化提效问题。初期我们也曾尝试通过Workflow串联每个模块，并由大模型作为调度器智能分配任务。但在实践中发现效率较低——每一个子Agent都需要保证效果，一旦某个环节出错就需要重跑整个流程，虽然可以校正，但用户体验不好。

于是我们转变思路：将所有标准操作流程（SOP）整理出来，以单点场景为基础，构建自动化的Agent系统。

以垂直营销为例，客户想通过社交方式获客。虽然方法论已有积累，但我们希望实现批量化的高质量操作。

同时，我们实现了网站内容批量发布，从关键词采集到内容生成、再到搜索引擎抓取优化，整个链路打通。此外还包括自动化投放环节，仅预算分配这一项，人工操作中就有近20个细化步骤，非常复杂。我们认为，在垂直领域做好AI Agent本身就是一项挑战，必须确保每个环节的效果，客户才会愿意买单。也只有这样，才能真正帮助客户实现增长。

孔淼：我们所做的相对比较垂直。

从业务场景来看，比如我们在做辅助、洞察、质检等功能时，虽然在客服领域具有一定的通用性，但在产品内部流程中，例如质检项、话术挖掘、话术助手等模块，则是进一步聚焦细分，属于“垂上加垂”。

整体来看，我们的应用场景本身就有一定的垂直属性，而在具体行业落地时，还会结合行业特点进行针对性的功能封装和应用适配。

李聪：在战略选择上，除了考虑企业的技术能力和客户需求，首先要评估的是：自己的产品被通用型AI颠覆的可能性有多大。

以e签宝为例，我们认为电子签名在现行法律体系下是难以被AI替代的。根据《中华人民共和国电子签名法》，电子签名必须由第三方认证机构完成，而e签宝本身就是具备资质的认证机构。除非未来社会不再需要实体合同，契约关系完全由AI来确认，届时合同本身都不再存在，e签宝自然也会消失。但在当前阶段，我们认为这种颠覆发生的可能性并不大。

当然我们也意识到，如果通用AI足够强大，e签宝的产品价值可能会被压缩到非常薄，最终只剩下“签字”这个动作。比如合同管理、印章管理等环节都被AI接管，我们可能就只扮演一个很小的角色，这是我们目前最大的焦虑所在。

因此，我们的核心方向仍然是深耕垂直场景，把智能化做到极致，构建更深的护城河。

邹阳：因为我们公司本身也是一家创业公司，我认为只有少数具备三个条件的创业公司才敢切入通用场景：一是人才密度足够高，二是资金足够充足，三是足够幸运。只有这三者兼具的公司，才有可能支撑得起通用型产品的探索。

毕竟当前大环境并不乐观，活下去是首要任务。相比之下，聚焦一个细分领域，深入满足特定客户（无论是大B还是小C）的真实需求，并获得他们的认可和付费，显得更为务实和重要。这是我个人的看法。

郭梓溢：我们是面向C端的产品，初期主攻方向是想服务所有用户的通用Agent。在通用Agent的发展过程中，我们确实遇到了一些问题，其中最大的挑战或许不是模型能力，而是用户不清楚它能解决什么实际问题 。

自去年8月推出第一代通用Agent以来，我们累计服务了超过2000万次请求。我们也曾举办过相关比赛活动，了解用户如何使用通用Agent。结果显示，目前大家更多是将其用于生活化或娱乐化的场景，但真正投入生产环境来提升效率或创造价值的场景还有待探索。这可能是当前通用Agent面临的核心瓶颈——执行搜索信息大部分杂糅且只能来自公开互联网，可能无法筛选提取最有价值的信息，从而有效帮助用户实现实际产出与收益。

当然，通用Agent的前景是非常好的。比如做PPT、写研报、追踪新闻热点等媒体类任务，这些都非常适合由通用Agent来完成，并且已经可以达到不错的应用效果，某些产出已经能达到行业专家的水准。

但在B端或企业级场景中，通用Agent面临明显局限。例如，企业的数据、历史知识、人力资源等相关信息，往往无法通过公共互联网获取，这就限制了Agent的理解与执行能力。

很多人可能会问，为什么我们在推出通用Agent之后，在2.0阶段重点建设知识花园？ 因为我们认为，真正有价值的信息并不都来自公开网络，而更多存在于人类大脑或行业内部的知识体系中。知识花园不完全等于知识库，它强调的是知识的动态应用和有机链接，通过AI把这些内容拆分成一个个小小的种子，后续智能化地生长与生成因此，我们希望通过构建这样的系统生态，为Agent提供更多核心认知资源。

当更有价值的知识与Agent深度结合 ，将能更好地服务专业用户或企业客户。以我自己的产品为例：如果我让通用Agent帮我生成一份关于flowith的研报或PPT，但许多关于产品的核心理念并未发布，公开信息有限，仅靠通用Agent难以完成高质量输出。但如果结合企业内部的知识库，就能有效补充背景资料，再借助Agent的能力，就可以完成一份具备参考价值的调研报告。

当然，对于像硬件领域或其他高度专业的软件行业来说，除了基础信息之外，还需要更深入的垂直理解和定制化能力，这也是垂类Agent 更具优势的应用方向。

3.AI Agent的业务实践

杨宇梁（主持）：从企业业务实际角度出发，你们的业务有哪些典型痛点，AI又是如何解决这个痛点的？

张奥迪：我从“对内”和“对外”两个方面来分享。

对内方面 ，我们公司内部有一个信息化平台项目，涵盖了OA、ERP等近200个审批流程。每个事业部都有自己的服务台，无论是新员工还是日常问题，大家都会通过服务台找流程处理事务。

但随着业务增多，流程查找变得越来越困难，很多时候用户找服务台也会找错部门。

今年我们上线了内部BOT系统“易鲸灵”，定位是一个“All in One”的统一入口。前端作为调度中枢，用户遇到问题时，首先由企业FAQ知识库响应，像差旅审批等常见流程都已集中接入。系统能自动识别需求，调用对应流程并预填信息，用户只需点击确认，即可完成审批、出差等操作。

这个系统最大的难点在于调度的准确性，以及当AI无法解决问题时，如何快速引入人工支持。我们在“人备机制”上也做了很多尝试和调整，比如判断替补人员是否在岗、是否请假等，这部分逻辑也打磨了很久。

对外方面 ，我们也进行了一些实践探索。

我们起初认为聊天对话会是未来最自然的交互方式，因为工程成本低，也能同时部署大量Agent。

但从BI数据来看，情况并不理想：详情页用户转化率有30%左右，但一旦进入操作页面，点击率就大幅下降，用户不知道怎么操作。这让我们意识到：对于单一任务，传统交互更直观；而对于多步骤、需要灵活性和创造性的任务，对话式交互才更有优势。

此外，我们也在智能投放方向做了一些探索。例如，用户仅提供一个产品官网URL，系统就能自动分析产品内容，并基于当前投流市场中的爆款素材进行一键复刻。这样既提升了效率，也更好地保障了投放效果。

孔淼：我们目前的大模型应用主要聚焦在销售与服务的全流程中。

提到大模型，很多人首先想到的就是对智能客服的颠覆。毕竟现在“客服”很多时候已经被称为“智能客服”。但事实上，传统智能客服在中大型企业中的应用效果仍比较有限。

过去以小模型为主的任务型系统，在特定场景下表现良好，但由于沟通本身就是信息长尾型且多样化的，不同用户表达同一问题的方式可能差异很大。如果仅靠小模型穷举各种表达方式，几乎不可行，这也导致了两个核心痛点：

第一是知识运营成本高 ：需要专人整理QA知识库，周期长、效率低；第二是模型调优依赖训练师 ：影响产品落地和商业可行性。

因此，过去基于小模型的智能客服，始终没有真正跑出大的行业玩家。

而大模型的出现 ，很好地解决了语言泛化的问题。作为Foundation Model（基础模型），它为理解多样化的语言提供了强有力的支撑。在此基础上，再通过轻量级小模型完成意图识别等具体任务，就构成了我们当前做智能客服的核心逻辑。

从业务维度来看，智能客服的应用场景非常广泛。企业普遍采用“机器人先行+人工兜底”的模式：先由在线或语音客服由机器人处理，无法解决时转接人工。这是一套典型的智能客服流程。

而在整个流程中，坐席人员通常会经历事前、事中、事后的多个环节：比如事前的培训、知识准备；事中的实时辅助、智能填单、业务管理；事后的质检、报表监控等。这些环节中，很多原本受限于泛化能力不足、多轮对话处理不佳的问题，现在都通过大模型得到了有效改善。比如：

在通话过程中，机器人能更好地理解打断、上下文切换；在线客服也能更准确地把握用户意图，不再“答非所问”。在质检方面，传统上依靠正则或小模型配置规则，不仅繁琐，而且效果有限。现在我们只需用自然语言定义“问题项”，大模型就能自动挖掘异常行为，极大提升了准确率与召回率。

在对话洞察方面也是如此。以往客户沟通记录海量繁杂，靠人工听录音效率极低，而传统NLP方法又难以深入挖掘。现在我们只需将这些数据交给大模型或Agent，就能从中提取潜在需求、商机线索、服务断点，甚至反向推动智能化流程构建。这种从“看指标”到“读内容”的转变，是对话洞察的一大飞跃。

我们的大模型与Agent能力，主要集中应用于客服场景的各个环节中，真正实现了从效率提效到价值挖掘的升级。

李聪：对e签宝来说，我们的产品核心是帮助企业提升合同签署和管理的效率，同时识别潜在风险。

在座很多同行都是做企业服务的，我举一个实际场景：当甲方提供一份非标合同，销售会将其上传到CRM系统，并进入主管、财务、法务甚至交付主管的审批流程。过程中可能就包含一些不合理或难以执行的SLA条款。

使用e签宝智能合同后，系统会在合同上传后自动识别关键信息，比如合同类型、核心条款，并据此判断应走哪个审批流程。例如，如果架构条款合理、折扣也正常，主管就不需要再审批；如果识别到某项条款存在疑问，则流程将自动流转至交付主管确认。

很多时候，交付主管拿到一份几十页的合同，往往不知从何看起。而我们会基于其角色设定（如交付主管关注哪些条款），在合同进入审批环节时，自动高亮需要关注的内容，并提示潜在风险。这样，他们无需通读整份合同，也不用自己查找重点，效率大幅提升。

整体来看，在合同流转效率和风险条款识别方面，智能合同带来的提升是成倍的。

邹阳：从实际业务落地的角度来看，我们认为当前的大模型技术还不够成熟。

比如大家都很关注MCP这个方向，我们曾为一家央企信息化公司落地了一个会议室预定场景，结果整个过程非常痛苦。这个场景需要对接四五个会议系统，涉及近百个API。虽然我们把这些API都做了MCP化，让模型自己选择调用接口，但效果并不理想——模型经常选错，导致流程混乱。这也说明，这项技术远未达到高度成熟的阶段，还需要大量工程化工作来打通“最后一公里”。

其次，目前智能体的落地形态，大多是模拟某个领域的专家行为。比如用知识库承载专家的显性知识，用工作流承载其经验逻辑。但现实中存在一个问题：很多专家是“老师傅”，他们的经验并未以自然语言形式记录下来，更谈不上数字化。

举个例子，我们在为电网公司做变电站设备检修项目时发现，老专家只要看几个关键数值就能判断问题所在。但这些判断逻辑并没有明文规则，必须通过访谈将其经验书面化、结构化，才能用于建模和落地。

这也意味着，在许多真正有价值的业务场景中，并没有现成的SOP可以参考。如果希望实现技术规模化落地，技术和实施方都需要持续投入与配合。

郭梓溢：我非常认同邹阳老师关于模型能力的观点。我们从去年8月开始推出通用Agent产品，当时还没有像ChatGPT O1、DeepSeek R1等新一代推理模型。在具备初步框架后，我们的交付效果虽然与现在的通用Agent已经比较接近，但最大的问题在于用户感知不足 。

因为我们是C端产品，用户在初期并不清楚Agent和普通模型之间的区别。同时，通用Agent更适合哪些具体场景，也尚未形成清晰认知。

我们曾经与Google官方以及Openai团队有过相应讨论。在O1模型发布之后，以及DeepSeek R1等具备推理能力的模型进入大众视野，普通用户对AI推理过程有了更强的理解——比如思维链、逐步推导等，这让他们更容易接受模型输出的结果。

随着通用Agent概念逐渐走红，用户对Agent的整体认知也在快速提升。这对于Agent行业从业者来说，是一个爆发式增长的机会。

当越来越多的公众、企业用户和C端用户真正理解了Agent的价值，整个行业的发展前景也会更加广阔。

杨宇梁（主持）：在Agent和业务结合的过程中，你们企业遇到最大的难点是什么？是如何突破的？

张奥迪：我认为最大的难点在于如何深入理解整个业务流程，并将其转化为Agent可以解决的形式，这是落地过程中最具挑战性的部分。另一个关键问题是控制大模型的稳定性。

此外，要实现理想的业务效果，往往需要多层技术叠加。大模型在其中只承担部分能力，当前我们产品中的比例大概是30%-40%，其余依赖传统工程化手段。随着底座模型的发展，未来这个比例可能逐步向4:6甚至5:5靠拢。

但要注意的是，传统的工程化方法在可预见的未来仍不可替代。最终的核心难题依然是：如何准确理解用户需求，并通过合适的产品形态有效交付。

孔淼：从企业级的Agent落地来看，主要是决策能力、工具调用能力。

从决策能力上来讲，其实是依赖模型能力的。企业级应用的时候有很多企业级内部的领域知识，所以对企业本身的数据工程、知识工程，现在的技术发展很快、概念很快，企业的建设是没跟上的，如果做得不够的话、在任务规划的时候就不会做得很好，不会那么精确。

从工具应用来看，其实现在也是分成两个阶段。前一个阶段主要涉及工程化的手段，但是要把它用好就需要产品技术研发是非常懂业务的，这是一种瓶颈的阻碍。第二个是现在流行MCP新技术手段，就依赖于生态建设和已有的软件工具做结合，所以这两个维度都是属于技术概念和技术都跑得很快，但是企业内部还是处于建设过程，所以最后给人感觉好像什么都可以做、但是做起来效果不是那么好。

4.商业与生态的想象空间在哪里？

杨宇梁（主持）：今天的圆桌也是商业化的破壁之战，下一步考虑无论是Agent还是AgentSystem的商业化方式，是按调用量来收费还是借鉴以往SaaS的订阅制收费，还是按结果收费甚至是不收费？

李聪：e签宝现有的产品逻辑是按版本订阅收费，比如专业版、高级版等，版本中会包含一定额度的签署量，类似于手机套餐中“199元含100G流量”的形式，超出部分可以再购买补充包。

但当AI产品上线后，我们发现这套版本制的计费方式不再适用。随着系统提示词组件不断扩展、用户使用频率上升，Token消耗呈现指数级增长，远非线性增加。因此，我们调整为按坐席数量 收费，也就是相当于企业雇佣了多少个AI员工，就购买多少个坐席。

对于一些用户需求强、开发投入大的AI功能，例如合同审查、合同比对等，我们仍采用按调用次数计费 的方式。我们会根据套餐提供一定的免费调用量，超出后可单独购买补充。

邹阳：关于商业化定价，我想先分享一个观察：去年我们免费为多家大型企业提供了一年多的咨询服务，接触了不少董事长。他们有一个共同点——不喜欢听概念，而是直接问：“你这套系统能替代多少人工？”

这让我意识到，企业级智能体的定价，应该与其带来的效率提升挂钩。虽然不同行业、不同产品可能有差异，但从实际客户反馈来看，按“节省人力”这个维度来定价，是有现实依据的。

郭梓溢：我们的定价在通用Agent产品中可以说是一种“用户福利”。目前年费在185美元，远低于部分同类产品，但我们依旧能交付用户同等质量的产出，这得益于我们在框架设计、模型使用做的工程化努力让我们有成本控制上的优势，外加Google官方的支持。

我们即将发布一款新的Agent产品，预计在效果、支持类型和Token消耗能力方面，都是目前通用Agent中最领先的。届时，现有的定价策略也会做相应调整，也会根据任务完成难度进行差异化定价。

杨宇梁（主持）：目前很多互联网的巨头，包括一些大厂在打造自己的AI生态，各位企业是更倾向于独立构建的Agent闭环，还是接入一个生态平台，生态合作中的一个核心的博弈点是什么？

张奥迪：这两者并不冲突。我们目前也在同步推进。作为营销领域较早布局的一方，我们在整个营销生态中打造了完整的MCP服务体系，涵盖SDK变现、程序化广告、智能投放工具、智能分析以及LTV预估等ROI模型能力。

同时，我们也接入了更大的外部生态，无论是多云厂商还是其他平台，我们都采用混合云架构，合作的云厂商超过十家，并有自研的混合云方案。在与大厂的合作中，我们借助他们的生态资源，同时也为他们提供垂直行业的解决方案，形成优势互补。

初期双方是相互依赖的关系，大厂需要垂直领域的专业能力，我们需要流量和资源；但随着合作深入，最终会走向共赢的发展模式。因此，内部生态与外部协同之间并不存在冲突。

孔淼：当前云厂商和大模型厂商处于上游生态的位置，但从我们的合作角度来看有所不同。

我们主要对大模型进行微调和本地化部署，对于像上游DeepSeek这类支持开源，或者是千问这种提供良好开发者服务的Model Service可微调的模型，我们都能够较好地适配。

同时，一些大模型厂商虽然具备技术能力，但缺乏具体的业务落地方案，因此我们会作为其下游合作伙伴，将我们的产品与他们的模型结合，共同打造面向行业的解决方案。这是我们对生态的开放态度和落地方式。

而在Agent的工具调用方面，目前企业级生态尚处于早期阶段，还未完全成熟。未来我们也将会积极融入这一生态，推动工具调用能力的发展与协同。

杨宇梁（主持）：在商业化的进程当中，设置个爆点时刻，各位认为是一个什么样的事件，在未来5年，AI Agent最先颠覆的是哪一个行业？

李聪：现在很多行业已经被AI所改变。比如日常生活中，给孩子检查作业这件事，过去需要一页页查看，非常繁琐；现在只要用AI拍两张照片上传，就能快速完成。

再比如医疗场景，以前做B超需要医生逐项判断，而现在医生更像是AI的审核员，只需确认AI分析结果是否有误。

在这些具体的小场景中，我认为大多数行业被AI渗透只是时间问题。未来一个重要的爆发点，将是AI实现跨平台数据共享和知识迁移的能力。

比如我让豆包帮我挑选商品时，它能调取我在淘宝、京东的购买记录，结合我的使用习惯和品牌偏好进行推荐和决策。只有到了这个阶段，通用智能体才真正具备广泛的应用价值和商业潜力，迎来使用率和商业化能力的双重爆发。

邹阳：真正的爆点一定来自C端产品，B端再“爆”也很难被普通人感知。比如某个行业被智能体全面替代，虽然市场空间可能只有一两百亿，但这件事做完后，大众其实根本感觉不到。

要形成真正广泛的影响力和商业价值，还是得靠C端产品。只有找到PMF（产品市场匹配），实现用户自发使用并持续带来收入，才算真正“爆”起来。

郭梓溢：今年毫无疑问是AI Agent的元年。我们公司作为C端Agent领域的头部企业之一，也一直在积极探索。正如我之前提到，在5月中旬，即将推出新一代的Agent。

这款Agent解决了当前通用Agent存在的诸多问题，和实际应用中遇到的痛点。作为产品的市场负责人，我肯定衷心希望它能在市场上“爆”起来。

目前我们的收入表现不错，已经初步找到了PMF（产品市场匹配）。但对我而言，关键在于不仅要打造一个成功的产品，更要推动整个Agent领域的发展和普及。

如果AI Agent要实现跨圈层的影响，它的普及程度还有待提高。只有当它像智能手机这样的工具一样被广泛使用时，才能真正为用户持续创造价值。

换句话说，我们要让用户通过使用Agent，赚到比单纯使用AI模型更多的收益。而这，必须依赖垂直领域的深入探索。

因此，我们未来会重点布局垂类场景，也会与更多企业展开合作，共同推动Agent在实际业务中的落地。

（文：甲子光年）