起點課堂會員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會特權(quán)
個人IP打造特權(quán)
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導(dǎo)直播
12場專業(yè)技能直播
會員專屬社群
榮耀標識馬化騰點贊的Agent，正是“掛羊頭賣狗肉”的AI泡沫本身
你是不是也在做Agent，卻總覺得“功能多但不精”？這篇文章講透通用Agent的五大缺陷，從幻覺難題到場景壁壘，再到資本驅(qū)動的泡沫邏輯，幫你看清“掛羊頭賣狗肉”的現(xiàn)狀，也提供一套垂直Agent的構(gòu)建思路，適合收藏反復(fù)拆讀。
最近看了一篇關(guān)于Agent比較中肯但略顯悲觀的文章：《幾乎都在掛羊頭賣狗肉，AI Agent的泡沫現(xiàn)在到底有多大？》
這篇文章價值較高，整理了多位行業(yè)一線實踐者對通用 Agent的認知。
正如原文所述，他們以Manus的新產(chǎn)品Wide Research和公司跑路、撤資事件為引，深入探討了國內(nèi)外Agent泡沫亂象的現(xiàn)實、背后原因以及未來生存規(guī)則。
在與多位偏實踐導(dǎo)向的技術(shù)專家交流后，我發(fā)現(xiàn)他們對AI的認知相當一致。以下是我對其中一些關(guān)鍵觀點的進一步解讀和拆解。
一、類Manus產(chǎn)品崛起之因
在深入探討之前，我們需要清醒認識到：今年Agent的大火，首先應(yīng)該是模型能力取得了大幅增強，其次才是在這基礎(chǔ)之上的tool-use上取得了關(guān)鍵突破。
大模型解決規(guī)劃與調(diào)度問題，Manus類AI產(chǎn)品能爆發(fā)的核心原因就是模型能力大幅增強；
工具鏈解決多模態(tài)問題，包括最近很火的MCP、Computer Use其實都算是AI多模態(tài)能力的延伸，要的就是解決AI各種“不行”的問題，這里包括了聽覺、視覺、觸覺等；
所謂的記憶和反饋迭代全部是數(shù)據(jù)工程的事情，之前一直叫RAG，可能最近還多了個稱呼上下文工程。數(shù)據(jù)工程做得好，也可以有效降低模型幻覺。
記憶體系之前不可行，現(xiàn)在可行的核心原因是模型上下文大大擴展，從現(xiàn)在來看破百萬是早晚的事。
綜上，Agent能行的原因來源于模型能力增強。
在此之下才工具鏈的繁華：“從編程到browser-use，再到computer-use，以及隨著MCP通用接口普及率的提升，Agent的tool use能力得到增強，能夠更高效地從外部獲取信息，以及與外部系統(tǒng)進行交互?！?/p>
下圖會更清晰展示，今年Agent的爆發(fā)是由于工具鏈疊加AI：
只不過，值得一提的是通用Agent使用browser-use、computer-use還是有一些無奈之舉，因為很多網(wǎng)站并不提供API。
XX-use未必是最優(yōu)解
理想情況是讓 Agent 調(diào)用受控、可測、可審計的函數(shù)（MCP），Computer Use 作為兜底能力。
比如我們之前做的簡單實現(xiàn)：《Coze+Claude實現(xiàn)Manus》。
這里就沒有使用Computer Use，一來是場景足夠單一，二來是就是想驗證下AI Code 這種方式（Claude）。
大家可以想象下，當AI編程再強大一點、理解能力更強一點，整個Agent架構(gòu)可能就閉環(huán)了，這可能也是為什么很多巨頭都在關(guān)注這塊的原因：
掌控了AI編程能力，就掌控了智能體能力擴展的“開關(guān)”。這不再是做一個應(yīng)用，而是在打造一個能夠生長應(yīng)用的平臺。
這符合OpenAI、Google等巨頭“模型吃掉一切”的終極路線圖，只不過這里面的安全性問題和實現(xiàn)難度較高，還有很長的路要走…
然后就是很多消極的聲音了：
二、消極的聲音
雖然有些不公平，但Manus成了通用Agent的代表，也是主要輸出對象…
王顯：Manus前陣子剛推出的新功能Wide Research，我覺得非常不具備競爭力，對提高產(chǎn)品競爭力沒有什么用。
他進一步的觀點就更激烈了：Manus自始至今，從產(chǎn)品角度而言，思路是完全失敗的。
在他看來，早期采用淺而寬的策略獲客可以理解，但長期無法抵御模型廠商的下沉和垂直廠商的滲透。
大家的觀點是比較一致的全部集中在能否解決問題：用戶遇到真正復(fù)雜的問題時，這個通用Agent還是幫不上忙；當一個Agent宣稱能做所有事情時，它往往在任何一個領(lǐng)域都做不到最好；…
上述的觀點有些過于激烈，因為通用Agent肯定是一個大的發(fā)展方向，只不過暫時表現(xiàn)還不佳罷了。
其中有一句話是尤其關(guān)鍵的：Manus仍然沒有解決場景壁壘的問題。
它沒有專業(yè)數(shù)據(jù)、沒有專屬工具鏈、沒有行業(yè)認證、沒有與業(yè)務(wù)深度綁定的集成，也沒有與高價值業(yè)務(wù)場景的綁定，也就是任何人都能做。所以，它更偏向工程能力的延伸，而不是在構(gòu)建場景護城河。
任何人能做就代表實現(xiàn)成本不高，但成本并不高是相對的，就算是垂直領(lǐng)域Agent也會遭遇以下問題：
- 精準的意圖識別：用戶的需求是莫名其妙的。智能體必須理解用戶的“言外之意”，這是用戶體驗的一道檻。需要極其精細的提示工程和大量的對話數(shù)據(jù)進行調(diào)優(yōu)；
- 強大的工具生態(tài)：智能體的能力邊界由其能調(diào)用的工具決定。一個“Manus”能否真正解決問題，取決于它能否高效使用各種服務(wù)（如訂票、查郵件、控智能家居、分析數(shù)據(jù)等）。自建工具鏈成本高昂，因此與第三方服務(wù)的集成能力至關(guān)重要；
- 深厚的領(lǐng)域知識：在垂直領(lǐng)域，通用知識遠遠不夠。需要將行業(yè)的SOP（標準作業(yè)程序）、私有的數(shù)據(jù)庫、專家的經(jīng)驗注入到智能體中。這部分工作是“臟活累活”，沒有捷徑，但正是構(gòu)建護城河的關(guān)鍵；
這也是為什么紅杉這么推崇OpenEvidence的原因：
AI應(yīng)用的競爭已經(jīng)從技術(shù)能力的競爭，轉(zhuǎn)向了產(chǎn)品定義、用戶體驗打磨、生態(tài)整合與垂直行業(yè)知識深度的競爭，早期的紅利屬于在垂直領(lǐng)域做得無比深入的團隊。
所以，通用Agent尚不成熟，為什么大家各自追捧？
三、期待與資本同在
王顯更是認為這場通用Agent泡沫的興起是創(chuàng)業(yè)公司和資本共謀的產(chǎn)物：
“ Manus 根本不是在做產(chǎn)品，而是在走資本路線，通過不斷推高市場知名度以獲得更高融資。至于創(chuàng)始人是拿到融資后真正深入場景做產(chǎn)品還是卷錢跑路，只有創(chuàng)始人自己才知道。產(chǎn)品非常失敗，但營銷可以說非常成功。”
張森森表示，“國內(nèi)很多 Agent 產(chǎn)品功能繁多，但基本都是快速堆疊，痛點不聚焦?！?/p>
“比如有大量集成了寫文案、做 PPT、查資料、生成圖片等功能的產(chǎn)品，不乏大廠參與其中。它們都有通用 Agent 的特點，功能多但不精。寫代碼準確率不高，數(shù)據(jù)分析缺少可解釋性，設(shè)計產(chǎn)出質(zhì)量參差不齊。初次使用可能覺得新鮮，但要長期依賴則難以實現(xiàn)。很少有明確與工作流、KPI 綁定的可交付結(jié)果。”
……
正如各位大佬所言，通用Agent尚不成熟，為什么大家各自追捧呢？
我這里給個真實案例：
前兩個月，我一好基友是某公司的高管，他們開發(fā)了一個類Manus產(chǎn)品，正在他私下跟我吐槽毫無壁壘、一個月就搞定、幻覺很多的時候，他們老板卻表示直接All In！
原因無他，馬化騰給他們產(chǎn)品點贊了！你覺得怎么樣不重要，資本覺得怎么樣很重要，并且正因為成本低，創(chuàng)業(yè)公司就更高興了…
另一方面，我這邊AI訓(xùn)練營有個學(xué)員剛?cè)谫Y一個億，他們做的是垂直領(lǐng)域的Agent創(chuàng)業(yè)，而就是在那個小的領(lǐng)域，很多Manus遇到的問題，他們幾乎全遇到了：“他們的宣傳能力與實際能力并不匹配，并非能力完全無用，而是存在明顯落差；”“成功演示的往往是任務(wù)中那 20% 的標準化部分，而真正構(gòu)成工作核心的，是那 80% 的、充滿‘長尾異?！膹?fù)雜現(xiàn)實?！?/p>
從這些角度來說，原文章真的很良心…
總而言之，這里我看到的結(jié)論是：通用Agent作為既得利益者，他們是絕不會說自己不行的，資本參與者對于他們暫時行不行不大關(guān)注，反正他們是最為了解AI的一批人，相較而言，他們比其他人容易成功
接下來開始探討Agent缺陷的根本原因
四、Agent缺陷的根本原因
這部分的論述我特別認同郭煒的觀點：（很多Agent公司）沒有真正深入到用戶場景中去做。
只不過原因這里我有更多的感受：當前國內(nèi)創(chuàng)業(yè)生存環(huán)境極差，以我這邊創(chuàng)業(yè)為例：3個月拿下了電信審批資質(zhì)，APP終于可以上線；6個月了算法備案還沒下來，所以AI模塊一直沒上…
不得不說國內(nèi)創(chuàng)業(yè)環(huán)境真的很差，這變相加劇了我們對投資的渴望，這會導(dǎo)致我們明知通用Agent不行，但也會投其所好的做一個，很不好意思來說：
我們11月產(chǎn)品里面也會有個Agent，并且我們并不其他他解決太多問題，但在20%我們要求的場景，我們會要求他很好！
這里也不是技術(shù)有什么，我們做什么，而是資本關(guān)注什么，我們不得不做什么，如果沒有基本的資金，那么我們馬上就會死…
所以，與其從技術(shù)層面找Agent缺陷的根本原因，不如從環(huán)境層面看問題：國內(nèi)創(chuàng)業(yè)者因各種原因都太急躁了，根本沒辦法沉下心來做數(shù)據(jù)工程！
我之前在公司做AI項目負責(zé)人的時候，一周要匯報三次；我的基友已經(jīng)是CEO了，但每周都要面對幾個投資人的“關(guān)切”，而這些都是壓力…
如果你要問我Agent缺陷的根本原因在哪，我會說需要在每個垂直領(lǐng)域打透，專家Agent出來后，通用Agent帶一個意圖識別就好。
而這一切從技術(shù)實現(xiàn)上來說并不難，主要難在行業(yè)KnowHow的梳理和知識結(jié)構(gòu)的沉淀，而一般公司（很多資金流健康的公司也慌）哪有那個耐心資金去耗啊！
我一個管理數(shù)字分身的Agent，折騰了一年多，中間因為生存問題斷斷續(xù)續(xù)幾次了…
綜上，Agent的根本缺陷在工程在資本在決心。
五、五大鴻溝
原文犀利地指出了通用Agent“掛羊頭賣狗肉”的現(xiàn)狀，我們結(jié)合自身情況 將其根本缺陷歸結(jié)于工程、資本與決心。但這三大癥結(jié)的背后，由于實際艱難環(huán)境息息相關(guān)…
原文太長，我們就不一一拆解了，但有幾個點是很重要的：
一、MCP因上下文缺失（知識語境缺少）導(dǎo)致的耗損
不存在一個“萬能Agent”硬扛所有，而是通過A2A協(xié)議，讓多個精通各自領(lǐng)域的垂直Agent協(xié)作完成復(fù)雜任務(wù)。
二、無法根除的“幻覺”難題
通用Agent在用戶側(cè)遇冷還有一個原因是他缺少模型的可觀測性，在嚴肅的生產(chǎn)環(huán)境中，對應(yīng)用的準確率要求極高，95%都是不可接受的數(shù)字，必須達到99%。
也正是這個原因 AI Workflow 才在企業(yè)場景中大行其是，后續(xù)“Workflow（工作流）+ Agent”的混合模式會是一種選擇，用確定的流程框架，約束不確定的AI決策。
三、過度炒作的多智能體
現(xiàn)階段單智能體已經(jīng)可以很多問題，多智能體這種東西，大家聽聽就好了，不要盲目增加復(fù)雜度…
其他如什么上下文長度和模型能力，大家了解下就好…
六、結(jié)語
這里有一個問題：既然通用 Agent 現(xiàn)在不靠譜，那么有沒有靠譜的垂直Agent？
作為過去AI醫(yī)療從業(yè)者來說，被頭部 VC 押注并在醫(yī)生群體里快速破圈的OpenEvidence似乎很受看好。
原因也很簡單：他把“智能體”拆解為“行業(yè)問題→數(shù)據(jù)語義→確定性交付”這條最基本的鏈路，用工程化思維來構(gòu)建產(chǎn)品。這里用說人話的方式來做下拆解，看看他到底哪里作對了：
一、鎖定單一人群
OpenEvidence只服務(wù)持有執(zhí)業(yè)資質(zhì)的醫(yī)生，不做“萬能助手”。
這一步看似放棄了廣闊市場，實則精準砍掉了80%的歧義輸入和長尾需求，換來高密度的可驗證問題場景。
而且這類數(shù)據(jù)是越來越有用的反饋。
二、強來源與全鏈路可溯源
OpenEvidence在可溯源，高質(zhì)量溯源這塊做得非常好！
他每個回答都必須帶有引用，且來源嚴格限定于《新英格蘭醫(yī)學(xué)雜志》(NEJM)、《美國醫(yī)學(xué)會雜志》(JAMA)等經(jīng)過同行評審的權(quán)威醫(yī)學(xué)證據(jù)。
這種設(shè)計將模型的“幻覺”壓縮到了醫(yī)生可接受的專業(yè)范圍內(nèi)。
三、產(chǎn)品化“證據(jù)鏈”，而非聊天機器人
OpenEvidence的另一個核心在于他基于高質(zhì)量數(shù)據(jù)生成的可溯源CoT。
這一特性的核心不是“聊出來”的答案，而是結(jié)構(gòu)化呈現(xiàn)“證據(jù)+臨床要點”的工作流產(chǎn)品，服務(wù)于床旁快速決策這一明確場景。
高質(zhì)量的數(shù)據(jù) + 像專家醫(yī)生一樣的思考方式，大幅度降低了幻覺的可能。四、以工程確定性換取智能邊界
從內(nèi)容合作、證據(jù)管線到模型與工作流的全程可觀測，持續(xù)把“軟性智能”嵌進“硬性流程”。
正如團隊一再強調(diào)的，其核心是 “臨床證據(jù)→結(jié)構(gòu)化→可追溯”的工程秩序。
總結(jié)一句話就是：他們在數(shù)據(jù)工程基礎(chǔ)上建立了完善的飛輪系統(tǒng)，這讓他們產(chǎn)品越做越好了。
這種慢慢積累數(shù)據(jù)持續(xù)打磨的方式看上去很笨，實際上卻已經(jīng)跟一般Agent拉開了差距。
綜上，與其說OpenEvidence 是一個垂直Agent “會聊天的醫(yī)生”，不如說他是一個“證據(jù)工作流”產(chǎn)品。
它用高度確定性的工作流，兜住了大模型的不確定性，這與我們在前文強調(diào)的 “Workflow + Agent”路線完全一致。
當然，這只是一種做法，也許后面其他Agent有更好的做法呢？
本文由人人都是產(chǎn)品經(jīng)理作者【葉小釵】，微信公眾號：【葉小釵】，原創(chuàng)/授權(quán) 發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。
題圖來自Unsplash，基于 CC0 協(xié)議。
- 目前還沒評論，等你發(fā)揮！
