钉钉免费开放AI客服，关于AI Agent的一些发展预测...

其实这里有个问题，为什么突然大家就对Agent如此感兴趣了，答案还是要回归此图：

可以看到，从七层结构来看，个人助手与Agent的界限很模糊，而AI Agent生成平台的意义就是为了生成更多的个人助手，可以说AI Agent就是AI应用追逐的方向。

而对行业应用的理解，可以是严肃的Agent，需要对输出负责，需要有各种监测指标。

AI Agent可以说大势所趋，在基座模型争夺战结束后，下一轮的行业Agent平台的争夺一定会再次展开！

逻辑上，能被AI重写的应用，一定会被AI重写，其波及面是很广的：

而当前属于AI行业红利期，只要转过来就一定有口饭吃：

而年后，我这边收到AI相关的咨询已经过百了，是年前的5倍...

所以，Agent的下一步发展，是值得我们关注的。

AI Agent的发展预测

后续AI Agent的发展，我认为会围绕此图做展开，当前以Coze、Manus、dify等为主通用Agent平台很快就会成为基础或者过去式：

原因无他：通用类Agent生成平台没办法关注模型的专业性问题，而每个大领域如医疗、教育、法律、金融都具有极大的壁垒，他们虽然做不出好的基座模型，但一定能产出好的Agent生成平台。

而，这也是很值得做的一件事，在领域方面别说Manus这类通用Agent平台不行，我是认为OpenAI与DeepSeek暂时来说也不行，因为总有些他们搞不定的行业数据。

从当前发展态势看，AI Agent平台将沿着三个方向深度演进：

一、垂直领域壁垒加速形成

医疗、法律、金融等行业正通过数据护城河+领域知识工程构建专属Agent。

以医疗领域为例，去年看到的一个AI医疗案例，他通过融合300万份电子病历、药品知识库和诊疗指南，在辅助诊断准确率上已达到91.2%，远超通用模型的67%。

如果这个说法属实（现在不是自己做的应用，我都不太相信数据...）这种专业壁垒使得行业Agent逐渐成为刚需工具。

二、开发范式向轻量化转型

Coze等平台已证明，通过模块化组件（知识库/工作流/API）快速搭建Agent的模式可行。

某跨境电商企业用Dify+本地商品知识库，快速产出各种SOP、随后对接ERP系统形成客服Agent，响应速度提升40%+。

这种积木式开发正在降低行业应用门槛。

三、价值评估体系逐步完善

后续Agent效果会有各种量化指标，甚至形成一定标准或共识。

比如风控Agent需同时满足响应时效（<2秒）、误报率（<0.3%）、规则可解释性（100%可追溯）三项标准。

今年监管部门也在活跃，相信后续对于LLM的内容产出会有新的要求。

值得注意的是，通用平台与行业平台并非替代关系。

与之前类似，做基座大模型的比如阿里云，他们同时提供通用版和医院定制版，后者在保持基础能力的同时开放检验指标解读、医嘱生成等垂直模块接口。

这种分层演进模式，或将成为主流发展路径，只不过做既做平台又做应用会有一些优势。

接下来，我们来说一些现状，就个人观察情况不是太妙，还得教学费。

Agent的现状

目前，市场上各类 AI Agent 框架层出不穷，但真正能在实际业务中落地并带来价值的，却寥寥可数。

整体来看，现阶段的 Agent 生态正处于探索与试验阶段，既有一些具有前瞻性和高度定制能力的平台，也有不少仅能用于 Demo 展示的工具。

以 Coze、Dify 和 Manus 为代表的几款平台，正逐步展现出各自的特色和应用前景。

首先，Coze 作为字节跳动推出的Agent 平台，凭借其插件生态和多模态数据处理能力，具备较强的扩展性。

尽管其目前在跨领域协作方面仍有局限，但在快速响应需求和构建初步 Demo 方面，其优势显而易见，而且体验真的挺不错的。

随着生态的不断完善，Coze 有望进一步打破技术壁垒，将更多业务场景纳入统一管理体系。

只不过门槛和最后一公里才是他真正要面对的问题。

相比之下，Dify 则走的是低代码/无代码路线，主要面向技术团队做定制化进一步定制化开发，甚至可以认为Dify就是Coze。

因为类似，那么Coze有的问题，Dify一个都跑不掉，并且体验可能还赶不上Coze。

至于 Manus，它代表了一类“通用型 AGI 平台”，兼顾了任务规划和实际执行能力。

Manus 的优势在于能同时处理决策制定和具体执行，减少了中间环节的人工干预，从而提升整体效率。

然而，高度的通用性也带来了一定的资源消耗和实现难度，特别是在简单任务场景下，可能显得大材小用。

但正因为其具备跨领域任务处理的潜力，Manus 更适合应用于需要深度定制和多维协同的复杂场景，比如高级机器人控制和智能家居系统整合。

但如前所述，我对于Manus在行业AI Agent的发展并不看好。

总体而言，当前 AI Agent 框架正处于技术突破与市场需求激烈碰撞的阶段，它们都试图打破传统的单一功能模式，向着更高层次的业务集成迈进。

未来，随着垂直领域应用的不断深入和多模态协同技术的提升，这些平台在性能、稳定性和易用性上都有望得到进一步改进，从而在企业AI转型中发挥更大的作用。

企业在选择合适的 Agent 工具时，既要关注其技术特性，也要考虑实际业务场景的适配性，真正实现技术与业务的深度融合，而非仅仅停留在表面上的 Demo 阶段。

DeepResearch，大模型的野心

可以看出，上述的Agent全部是建立在各种SOP之下，而我认为SOP是更为结构化的优质数据。

而大模型当然不会放弃，他可能认为上述技术路径是错的，于是提出了更多的构想。

比如OpenAI 发布了 DeepResearch，他一方面在应对DeepSeek Cot带来的冲击，另一方面他还是想在模型上完成更多的工作，或者说：他们会认为AGI不需要SOP。

以下是我的真实评测，我的工作是：想要去整理所有的医疗信息，这显然是一项复杂的工程，为了降低难度，我更改了问题，从信息转变成了信息渠道的发布者：

梳理所有的医疗信息发布渠道，并且按权威性排序，基于这个问题，我开始了Deep Research之旅，这里我先是给了一些输入：

我要完成《医疗信息产出渠道全景分级体系》。

其目的是将所有可能产出医疗信息的机构全部包含，并且进行分级，需要遵循MECE原则

PS：真实提示词会严谨很多，但有一定密度就不放出来了

在多次提示、反复的情况下，GPT给了我以下反馈：

不用细看了，有很大问题，连最基础的医疗教科书都没有...

在明知道他有问题的情况下，我开始了反复暗示：是否有遗漏，很可惜系统都没有给我满意的答复。

而后在我明示的情况下，他终于将医学教材加入：

于是我继续质疑，是否还有遗漏，但连续等了两个近10分钟，GPT依旧十分嘴硬！

不得已我只能继续提示：是否药厂很多信息没有暴露，因为很多大型药企会经常发布新药，其中会涉及大量药品信息，比如新冠相关药物的一些说明...

于是GPT恍然大悟，继续梳理，而不一会我深度研究的次数就耗尽了：

但问题并未得到解决，最终只好与“不听话的DeepSeek-R1”继续纠缠...

综上，在每个问题耗时5-15分钟以后，GPT的Deep Research对于过于复杂的问题，是难以独立完成任务的。

然后，Deep Research黑盒依旧不少，真实体验下来并不比DeepSeek-R1来得高明太多，只不过看上去阵仗特别大...

换句话说，简单任务犯不着用Deep Research，复杂任务又指望不少，在这个基础上，上表的结果我只能认为可能是测试题目进行了精心挑选了...

而从近期对AI搜索工具的调研来看，AI在实时搜索和信息引用方面存在严重问题，这些问题同样暴露了Deep Research在处理复杂信息时的不可靠性。

研究数据显示，在对20家出版商共1600次提问中，超过60%的回复存在错误，部分工具的错误率甚至高达94%。

这种现象不仅体现在引用新闻文章时，也反映在对原始信息的检索和链接准确性上。

AI搜索工具往往以自信满满的语气输出错误答案，很少使用“似乎”或“可能”等措辞来表达不确定性，甚至在面对明显屏蔽内容时也会错误回应。

举例来说，付费版的工具在回答问题时错误率反而更高，这不仅损害了用户体验，更使得信息的真实性和权威性受到质疑。

Agent or SOPs

OpenAI 强调 Deep Research 是一个模型，并不是基于o3叠加一堆工作量：

用户提问时，Deep Research像经验丰富的研究员，首先主动搜索并提取初步结果，深入分析信息质量和相关性。如果结果不足，Deep Research会调整搜索关键词，重新探索相关信息。

相比之下，传统AI搜索通过将问题拆解为关键词，依赖外部API返回结果，再由模型进行总结提炼，这种方式效率较低，难以有效过滤低质量信息。

在行业调研中，Deep Research提供可靠数据源并能推算新趋势，虽然偶尔出现幻觉现象，但总体较少。

说实话，就过往经历，我还更期待其叠加了大量SOP呢，比如进来有点小火的Manus（Agent平台），反正从测评来说“他又超过了OpenAI了”：

在实际使用过程中，可以得出一个结论：在Manus擅长了领域，他的体验是优于research的，而其是否擅长又要取决于整体的意图识别，以及意图识别后的SOP成熟度了。

举个例子，我如果基于o3写一套SOP去实现筛选某行业全量的信息渠道，其结果暂时来说一定比research好，这就是KnowHow的威力。

结语

当大模型在专业领域频频“露怯”时，医疗诊断准确率从67%到91%的跃迁已证明：真正构建行业壁垒的，不是参数规模而是结构化知识工程能力。

那些沉淀了十年诊疗路径的医院、积累了百万判例的律所、梳理了千条风控规则的金融机构，正在将业务SOP转化为AI时代的数据护城河。

当前Agent生态的混战，本质是两种技术路径的博弈：

1. 模型驱动派试图用更强大的基座模型吞噬一切（如Deep Research）；
2. SOP驱动派则通过解构业务流程建立专属数字神经系统；

而现实世界的复杂任务，往往需要二者在规则约束下的创造力中达成平衡。

正如测试案例所示：当AI连医疗教科书都遗漏时，再精妙的搜索算法也难掩知识体系的残缺。

这场Agent革命最深刻的启示或许是：能被AI重构的从来不是行业本身，而是行业知识的组织方式。

那些率先将业务经验转化为可编程工作流、将专家智慧沉淀为可迭代数字资产的组织，终将在AI转型中掌握真正的主动权。