AI Agent行业趋势笔记
作者：微信文章2025年AI Agent成为热门概念，但截止目前来看，市场上总体呈现Agent概念十分模糊，严格意义上的AI Agent(L3)尚未在to B市场落地。
简单盘点来看，大概的分层结构里可圈可点的画风基本如下：AI软件Infra层有Google、OpenAI、Anthropic、以及Databricks; Agent生态的代表除了MicroSoft的Agentic Web，Google的A2A，具有代表性的主要是Anthropic的MCP
市场上概念模糊，严格意义上的AI Agent(L3)尚未在to B落地。严格意义上的AI Agent是L3及以上级别的智能体，可以自主规划工作流、完成泛化的复杂任务。Agent的定义：可根据对世界的观察自主进行推理并独立采取行动，利用工具完成一系列复杂战略任务目标的软件应用。Agent（L3或以上）需要让模型理解任务责任逻辑及工具使用能力，从而提高自主任务完成成功率。
海外市场以AgentForce为例，L2级别产品顺利落地，L2.5级别产品开始试水，但性能问题有待解决，虽然其ARR已达数亿美金，但其绝大多数落地使用场景来自及其简单问题的解决，依赖于业务流/数据高度结构化/+MCP接口调用，较少依赖于模型性能。而其他L2.5案例--国内的富X银行，其呈现特点是复杂流程中模型系统稳定性不够，北X银行案例，呈现特点是L2.5 Agent应用落地依赖于强人力投入。
Agent性能提升是一个各环节都需要提升的系统工程，简单来说，工程和模型的解决各占一半，最优技术路线还在动态变化中，即技术路径还没有完全收敛。模型进步也会替代一部分工程上的工作，降低对工程化的需求，将Agent能力融入底层模型也是模型公司们凝聚的共识之一。那么到底什么时候工程化的方案好，什么时候模型化的方案更好呢？对于依赖形成SOP，建立Know How，以及建立标准化的协议，降低每次工程化的成本这些方面来说，广大SaaS公司或者ISV也许能够更好的完成相关任务。
但这也存在一个无法逃脱的问题，即是对于场景化的模型能力的提升，其要求数据积累与后训练的两个核心能力。目前在海外市场来看，往往可能因为SaaS公司已经积累足够的客户数据，并能够对于客户场景做好模型后训练而获得这方面的市场机会，所以海外市场来来看大约是SaaS公司会比较有优势，而国内市场画风则截然不同，大约是因为SaaS公司普遍太弱了，难以具备技术人才和成本来进行小模型后训练等工作，所以目前的画风有可能还是云厂商+ISV来完成这方面的任务。
以微软的Copilot Studio为例，Agent的发展将大概率沿着工程+模型交替进步中实现。云厂商在海外市场善于提供全栈服务，算力，工具，以及可以让客户手撮应用的平台工具。实践中模型进步与工程优化相互补位，交替促进。
以Salesforce为例的海外SaaS公司，在积累了专业场景数据的基础上，大量投入做模型的后训练，但也面临一个问题，当底模型更新的时候，后训练就得重做。那么它们发展出的解法往往是，把后训练标准化，产品化，便于重复做，把数据准备，模型评估等能力产品化下来。
页:
[1]