此次盛会吸引了超过80位AI领域的演讲嘉宾和千名AI相关从业者参与。通过主题演讲、圆桌论坛、互动展览和晚宴派对等丰富多彩的活动形式，非凡资本为参与者打造了一个全面而深入的AI行业交流盛会。
本场圆桌会议以《专业Agent场景落地攻坚：技术边界突破与商业化破局之道》为主题。主持人是给力讯息 CEO 华琨，嘉宾包括：DeepWisdom 合伙人 徐宗泽、TTC联合创始人&CTO 宁辽原、语核科技 创始人 翟星吉、笔墨AI 创始人兼CEO 汤伯榕。以下是圆桌讨论核心内容：
AI Agent的商业化落地场景与挑战：
· 落地场景：讨论中提到了多个AI agent的商业化落地场景，如中高端制造业的数字员工（如自动报价、解决方案生成、质检QC等）、企业招聘人才的AI猎头、多模态图像模型在B端获客中的应用、以及面向B端数据场景的智能体等。嘉宾们分享了各自领域的成功案例，强调了垂直场景深度挖掘的重要性。
· 挑战与阻力：B端市场商业化落地的挑战包括企业需求不明确、AI能力预期过高、解决方案与咨询服务的匹配难度、以及技术和业务的深度融合等。嘉宾们提到，成功的关键在于找到企业真正的痛点、提供高准确率的解决方案、并做好客户的预期管理。
AI Agent的技术创新与发展趋势：
· RL强化学习范式：嘉宾们对RL强化学习范式在AI agent预训练中的应用表示期待，认为这将极大提升agent的泛化性和准确性，降低使用成本。
· MCP与A to A协议：讨论了多智能体协作协议（如MCP和A to A）在连接不同agent和服务中的作用，以及未来agent可能通过调用人和其他agent来实现更复杂的任务执行。
· 数据治理与标准化：强调了数据治理在AI agent商业化落地中的重要性，以及企业标准化能力对智能化效果的影响。
AI Agent的商业价值与ROI：
· 商业价值：嘉宾们分享了如何通过AI agent为企业带来实际的商业价值，如降低人力成本、提升业务效率、优化决策过程等。特别是针对B端客户，提供了可观测的ROI是衡量商业化成功的重要标准。
· ROI计算：讨论了如何精准计算AI agent带来的ROI，包括成本节约、收入增加、效率提升等多个维度。嘉宾们强调，明确的ROI计算有助于推动AI agent在企业内部的广泛应用。
未来展望与跨界融合：
· 未来趋势：嘉宾们对AI agent的未来发展趋势表示乐观，认为随着技术的不断进步和应用场景的拓展，AI agent将在更多领域发挥重要作用。
· 跨界融合：讨论了AI agent与其他技术的跨界融合，如与多模态模型、区块链、物联网等技术的结合，将为AI agent的商业化落地带来更多可能性。同时，嘉宾们也提到了AI agent在推动数字化转型和产业升级中的重要作用。
华琨：Deepseek带来的拐点大家都深刻的感受到了。就像我开场的时候讲的，整个AI的生态链的商业逻辑里面，有6000亿美金的缺口。我想今天这个缺口，依然没有怎么变化，大家还是在找这个商业化落地的场景。我们刚刚从几个分享里面也很兴奋的看到了几个真实的场景的，特别是在中国很多的行业。今天的话我们邀请了几位嘉宾，也都是我认识的好朋友。他们其实都是在各个领域在做Agent的商业化落地，当然Deepwisdom其实是跑的更快的，你们的ARR我知道还是很不错的。我们先自我介绍一下，讲一下你们在做哪方面的Agent。
翟星吉：大家好，我是语核科技的创始人，我们主要是面向中高端制造业直接交付Agent数字员工，我们认为在包括汽车产业链、半导体产业链在内的中高端制造业中，在生产制造端已经实现了高度自动化，但是在运营端，目前大部分依旧由人类完成，其中包括很多初级的重复性工作。为了解决这个问题，我们目前提供一些开箱即用的Agent的员工，如制造业中的自动报价Agent、供应链单据核对Agent、质检异常的自动处理Agent等。我们通过与上海仪电、唯捷创芯、中远海运集团等标杆客户进行深度场景共创，生成标杆案例和场景，将其快速复制到更多制造业客户中。同时伴随我们在每个Agent场景中不断积累思维路径数据和结果数据，我们尝试在垂直领域中进行Agent预训练、打造数据飞轮。
宁辽原：大家好，我叫宁辽原，我们公司叫TTC，英文全称是True Talents Connect。我们做的是一个帮助企业招聘人才的AI Agent——TTC小麦，主要帮助企业在AI、具身智能、新能源等领域招聘紧缺高端人才。我们的Agent其实是由很多猎头顾问加上AI技术共同完成的。我一会儿也会分享，其实我认为Agent的下一代，除了模块化、自动化和协作能力之外，还有一个特别重要的能力，就是Agent能够调用人。当Agent可以调用人的时候，它就不再是一个单点的智能体，而是可以变成超级Agent。所以我们的Agent，就是通过AI的能力，加上人的能力，以更好的结果方式来服务客户。如果大家有招聘方面的需求，也可以来体验一下我们正在落地应用的Agent产品。
汤伯榕：大家好，我是笔墨AI的创始人。笔墨AI是做多模态图像模型，包括大语言图像，还有视频音乐生成。多模态的模型应用到具体的应用场景，给B端客户做一些获客等等。我们现在具体在做的产品是AI的拍照机，就是把这些应用落地到一块硬件上的，谢谢。
徐宗泽：我是 DeepWisdom 的徐宗泽，MetaGPT 核心贡献者。针对我们现有的 B 端客户，将主要聚焦于数据场景。其一，这是能够为业主提供投资回报率（ROI）的场景；其二，这也契合各大企业数字化转型的战略目标。当前，我们对待 B 端客户秉持着相互成长、相互学习的态度，认为这种模式是最为理想的。
AI Agent商业化落地探索：行业洞察与未来趋势
华琨：其实我挺想参与他们发表观点，但是今天我得客串一下主持人，我们在做的场景也是sales方向。举一个例子：有一个小的闭环，我觉得是很有价值。以前销售要打很多电话，但电话录音的话可能偶尔会有人去质检，但这个实际上也是非常不可行的。所以现在我们借助大模型以及专业的知识库，使得这个里面过程很长的数据，变成很有价值的数据。比如说哪些客户有意向，销售回答的质量到底怎么样等等。老板可以自动看到这些报表，所以这些事情我觉得都是非常值得去落地做的。第一个问题的话，我想问大家，就是关于钱的问题。你们看到的或者说也可以讲你们自己，现在在你们认知当中觉得最好的落地场景是什么？
翟星吉：我介绍一家由美国YC支持的新兴公司Distro，该公司专注于提供自动化报价及自动生成解决方案的服务。据估计，其年度经常性收入（ARR）已达到数千万级别，并且增长速度十分迅猛。究其原因，一方面是因为该公司的创始人在物流与分销领域积累了丰富的行业经验；另一方面，则归功于团队强大的技术实力。因此，这家公司不仅具备敏锐的商业洞察力，还深刻理解所在行业的特性，并掌握了如何高效地应用代理技术来提高准确率的方法。此外，他们出色的市场营销能力也促进了业务的快速发展。
目前，在海外市场中存在着众多垂直领域的SaaS企业，特别是那些专注于特定应用场景的SaaS代理服务提供商正变得越来越受欢迎。这些企业往往不是人们传统印象中的大型软件制造商，而是选择聚焦于某一细分市场并深入挖掘其潜力。值得注意的是，尽管这类企业的目标市场看似狭窄，但由于它们能够替代传统上由人力资源承担的工作任务，因此实际上拥有巨大的市场需求和发展空间。换句话说，如今的Agent产品所瞄准的不再是有限的IT预算，而是更加广阔的企业人力资源成本支出。因此，即便是在相对较小的应用场景下，此类服务仍然可以实现快速的增长和广泛的市场覆盖。
宁辽原：我看到的是因为我几乎买了市面上所有付费的AI的产品，我能用的都基本上付费买了。然后我付费最多的是cursor，cursor是一个AI coding的一个编程工具。我查了一下他们ARR上个月已经一两亿美金了，cursor 是我投入最多的工具，因为我团队里，不只是研发，连产品和运营每个人我都配了一个账号。因为他除了写coding以外，其实他可以直接配上MCP，我们内部的大量文档，扩展出很多其他应用场景。网上有一个社群，大家在讨论如何把cursor作为入口，类似于刚才大家提到的 DeepSeek、Foundation Agent 这些概念。不过curor是一个相对成熟的产品。所以我觉得它的AI coding是一个特别聚焦的场景，同时它有一个泛化的功能。我买的是团队版（Team Version），价格是个人版的两倍：个人版 20 美金/月，团队版 40 美金/月，因为团队版提供了更多管理功能。所以我认为，AI Coding 是一个大家公认的高价值应用场景。但更大的潜力在于，cursor 未来不仅仅局限于代码生成。因为它本身已经具备了访问文件、理解代码、调用 MCP 的能力，所以它可以泛化到很多其他领域的工作。这也是我认为 cursor 潜力非常大的地方 —— 它可能成为一个超越 coding 的工作入口。
华琨：这个是共识，就是确实是替代程序员。
汤伯榕：因为我是做多模态的生成式人工智能，所以我的观点可能跟几位稍微有点不一样。就是我觉得可能AI agent包括人工智能的有如果有质的飞跃的，它一定要在多模态的模型上有突破，特别是在图像识别还有视觉这个方面。因为如果把AI Agent看作是一个人的话，AI视觉不突破，那么这个Agent就是个瞎子。我们得要跟他说什么东西，他才去执行这些任务。
华琨：对，确实我觉得这个AI其实刚刚也是刚开始，其实我觉得Deep Seek也只是在文本处理上处理的比较好，其实图片还有视频还有很长路要走。OK好。
徐宗泽：回到问题核心，我们探讨的是商业化落地。商业落地另有一个术语，即工程化落地。对于企业而言，工程化落地至关重要。无论是 SaaS 模式，还是定制化开发，均难以全面且深入地融入企业内部。企业与技术公司都需审慎对待这一问题。那么，工业化落地或商业化落地的理想场景有哪些？就目前来看，针对 B 端的智能体可分为两类。其一为对外场景，其二为对内场景。对外场景主要涉及营销客服领域的服务类智能体；对内场景则聚焦于公司内部的效率优化，这可能与数据基础或数据本身的能力相关，关键在于能否借助大模型或智能体提升相关效果。
当前，我们的工作更侧重于数据类。因为营销或客服领域已有专业公司涉足。前文提及的技术智能体，我们抽象出的五个职业智能体，目前能够覆盖数据类场景或相关开发类场景，可涵盖约 80%人类工作岗位的职业能力，涉及数据处理、治理、分析、使用及应用等全流程。这类商业化落地场景，企业能够精确计算投资回报率（ROI），即通过基于数据所做出的决策，为业务带来降低成本、提高效率或其他相应成效的能力。归根结底，我认为国内企业若计划运用智能体或大模型，应关注自身的标准化程度。此前在探讨数字化转型时，我们就曾指出，标准化程度越高，自动化能力越强；自动化能力越强，智能化效果越好，进而能够更快地推动公司流程变革，提升数字化水平。这也是我在几场峰会上分享过的观点，现借商业化落地这一问题再次与大家交流。
AI Agent企业落地核心要素与阻力剖析
华琨：第二个问题的话，就顺着你的那个话讲。因为我看我们在座的几位，其实基本上都是会有主要以to B业务，可能汤总会有些to C业务。因为刚刚徐总也讲了，其实在中国to B是挺难做的。但是因为但实际上B端也有很多的需求。因为今年Deepseek全民教育以后，其实有一样东西卖的特别好，就是那个Deepseek的一体机。因为我原来做云计算的，腾讯云估计也卖了不少然后为什么？因为大家一下子被教育了，被激情燃烧了。但是最近我了解到这个热火有点退却。因为大家买了以后不知道不知道干嘛。所以这里面我想问的就是，要让这些Agent的落地，在企业里面核心要素是什么？或者反过来讲，落不了地的核心阻力是什么？
翟星吉：我们在这一领域有很多经验，因为我们的核心团队是从帆软发展出来的，所以在企业服务方面经验丰富。根据我们的观察，要让Agent在企业中真正发挥作用，最核心的痛点在于业务层面。具体来说，这些痛点应该体现在企业主要业务流程中的关键环节，尤其是那些让部门领导最头疼的问题。如果只解决一些次要问题（痒点），即使Agent上线后，使用率也可能很低。只有真正解决了业务流程中的瓶颈问题，员工才会积极使用这个工具。
举个例子，在质量检测场景中，我们为一家显示器生产商提供了解决方案。当生产出的显示器出现异常，比如屏幕上有斑点时，需要确定斑点的具体位置及其成因。过去，这可能需要技术部门花费一两天时间来追踪是哪条生产线、哪个设备导致的问题，并查阅内部维护手册和设备厂商提供的手册，以及历史处理记录。而现在，通过我们的Agent，可以在5分钟内自动给出结果。这不仅降低了生产线的停机率，还提高了生产线的利用率，对企业来说是一个显著的价值点。
因此，Agent必须具备明确的核心业务价值，即投资回报率（ROI）要非常清晰，要么能够显著增加收入，要么能够大幅降低成本。否则，仅解决一些次要问题的应用，最终效果往往不尽如人意。
其次，找到合适的场景后，还需要保证Agent的准确率至少要达到90%以上。就像招聘一名新员工一样，如果一个员工只能完成60%的工作任务，大多数公司会选择解雇他。同样，如果Agent的准确率只有60%，每次都需要大量时间和精力进行验证和修正，反而会增加工作负担。因此，Agent必须从头到尾保持高准确率，才能在企业中发挥实际价值。
宁辽原：最近自己也蛮多体会的。我觉得现在的agent或者AI也好，它的落地如果能产生一些个独特的价值，就是说原来人想干也干不了的价值，可能更容易落地。我其实不知道大家有多少人用过cursor，有多少人用过Devin。就是做AI程序员的那个。其实他啥都能干。我最近安利了好多的CTO朋友们买Devin，五百美金一个月，看起来好贵对吧？其他的都二三十美金。但我就给他们demo了一个场景，就Devin最近出了一个叫Devin’s Wiki的场景，这个稍微展开讲讲，就是Devin也好cursor也好，帮你写代码的时候总是写不好，是因为你从来不给他看你们的技术文档，也不让你参加他的产研会议，就是让他写代码。然后Devin就拿着我给他的所有的我们公司的代码库，每一个代码库写了一个Wiki把技术架构时序图类的设计，所有的东西写的特别好，满满当当的一整个Wiki每个代码库都是写了个Wiki然后我就把它给我的团队看，我说写的对不对，他们检查一下，发现第一很对。第二跟我说他们自己是写不出来这样的Wiki的，因为整理的特别仔细，Wiki会发生变化。比如说我们最近做了一些个架构重构，Devin就会update那个Wiki。
所以我发现我其实舍不得用Devin帮我干很多活，因为它太贵了。但只是为了这个Wiki我就愿意花五百美金一个月，因为它给我带来了独特的价值。这件事情我的CTO朋友们现在开始用他玩新闻。比如说刚才提到的Deep chat也好，还是开源项目。你把开源项目直接fork到你们公司的repository里，马上Wiki就出来了。这个开源项目整个怎么设计的，里面所有的设计细节全都出来了。因为你读代码是读的很慢的，他就帮你去做出来了，就这么一个功能，我觉得我美金就值了，他比一个实习生还要划算。我其实想延展的是这个agent如果只是一个咨询顾问在那边帮你说说话，提点建议，一会儿还幻觉一下，这是不可能落地的。但是他如果能够为你的企业提供这样的独特的价值，包括像写Wiki，我们公司在做的招聘。如果你的招聘团队只是拿了一个agent帮他去筛选简历，帮他去做一些简单的简历处理。这些东西我觉得价值很少，HR会说还不如我自己做。但是如果像我们的agent能够给HR提供的是真正合适的候选人，或者真正的行业洞察信息，那他就会有独特的价值。你就会愿意付费。我觉得我们的AI现在要去刚那些真正有独特价值和独特能力的东西，而不是一个人设prompt。然后就让他帮你干general的活。这样的话，即使你现在赚钱，过段时间可能也会被别人卷掉。就好像Devin那个Wiki他后面一定会做了很多深度的工作，才能够在这种可能几十万行上百万行的代码里面整理出来很完善的Wiki。单纯的想一想，用一个简单的一种卷是卷不出来的。
华琨：所以你觉得还是要交付结果是吧？
宁辽原：要有一个独特的结果，就是员工花时间也搞不定结果。
华琨：OK要超越现在的真人的员工。
宁辽原：一定是超越真人的。他只是替代一个人招一个小助理没有用，对吧？当Devin只是一个帮你写代码的助理的时候，你不可能花那么贵的钱。但是他已经超越你公司的架构师的能力，来帮你把所有的架构理好，他就值那个钱。就像我们的Agent如果只是帮你HR做一个招聘的助理，做做面试，做做各种小东西，他是不值那个钱的。但我们能给你带来独特的行业Insight行业的人才的匹配度的报告，他就值得一个钱。
华琨：所以这个对于产品经理要求很高，要非常懂业务。
宁辽原：要很懂业务，并且应该跟业务紧密的结合在一起去搞这个事儿，还是要带来高认知价值。往下打。
华琨：OK这个例子很有意思。
汤伯榕：因为我们笔墨AI也是做to B to C的，所以我们的客户也是B端。所以这一年多来对B端客户其实我是有很深的感触的。就像前面第一位讲的，我其实很赞同。首先我们要看B端客户他到底知不知道要什么。因为很多客户他就是头脑一热说AI很火，他想要做什么，但是他其实并不知道，他自己也不清楚到底AI来帮他直接解决什么问题，这就很难。其实我经常会碰到客户问我说，汤总你看看AI能帮我们企业做什么样的赋能。如果是这样的客户，你的落地会很难。
所以我们第一个是要看这个用户他到底有没有很痛的痛点，需要AI或者AI agent去解决这个问题，这第一点。第二点又是一个很麻烦的问题，其实大家都知道至少在目前为止，AI它并不是无所不能的。而往往这些自媒体带的节奏又带的很高，对吧？往往一个自媒体一个短视频上来就是一夜醒来天塌了，AI怎么怎么样。就把很多我们的B端客户对AI的预期提的很高，他就觉得AI可以帮我做很多很多什么事情。所以我在我的vlog里面有一个vlog也提到AI to b的现状。他就是一个用户，因为各种各样的不实的言论，导致他对AI天真烂漫的想法和AI实际能力之间有着一些差距，所以会给我们to b带来很多问题。所以你看我现在to b的做法，很重要的一个事情是做好客户的预期管理。你看我每接触一个客户B端的客户，我接触的也是比较大的客户。第一件事情，我自己有个课，我先免费去给他们上课，去培训这些对于AI的正本清源，对AI的一些理解，AI现在什么现状？AI的到底是什么样的？能做什么事情，不能做什么事？我会给他们先做一个培训。其实也是一个AI的预期的管理。我觉得这个对于做to b的话还是比较重要的。那我也想让很多B端的客户也知道就是现在是什么样的情况，我们能做到什么。就是在这样情况下去解决它最终的一个痛点，一个问题，这是我自己的一个看法。
徐宗泽：前面三位嘉宾已进行了较为详尽的阐述，我不再重复相关内容。提及 Deepseek 一体机，我们并不感到陌生。早在前几年，甚至前十年，市场上就已出现类似的软硬一体化产品，如算法一体机、巡检一体机等。此类产品在实际应用中暴露出诸多问题，例如软件与算法的迭代更新问题，以及硬件迭代如何与软件相适配的问题。虽然此类产品落地速度较快，但后续的升级、迭代等环节往往会出现相应的难题。在 B 端业务落地方面，我们有一个合作近四年的客户，从该企业的高层领导到电站的基层业务人员，我们均有深入接触。实际上，B 端业务推进面临的最大问题，无论是对于客户企业还是技术服务公司而言，关键在于解决方案的提供与专业咨询服务。这也解释了为何咨询行业在中国颇具盈利空间，因为它能够有效打破技术人员与非技术人员之间的沟通障碍，使双方的交流更加顺畅、直接，从而更好地理解彼此的问题、需求与观点。这无疑是中国 B 端业务发展面临的最为棘手的问题与最大的阻碍。
值得注意的是，智能体在这方面具有一定的优势，能够在一定程度上承担咨询与沟通的角色。随着基础智能体及各类智能体的涌现，在特定场景和需求下，用户可以向智能体咨询完成工作、达成目标所需的准备事项与具体内容。然而，这些都只是整个工作流程中的一部分。对于 B 端客户而言，若要将相关技术落地到具体场景，有两点建议可供参考。其一，知识库与经验池的整理与梳理工作离不开人力的投入。若智能体对企业的实际运营状况与具体业务内容缺乏了解，便难以对企业业务起到赋能作用。其二，企业自身的基础能力与标准化建设至关重要。标准化程度越高，智能体对企业业务的赋能效果就越显著。
Agent进化论：强化学习、人机共生与数据治理重塑智能体未来
华琨：最后一个问题，我们还是拉回技术，因为技术论坛，其实这里面B端也好，还是说做应用也好。现在落地的话，我们还是看到了一些非常好的像MCP，A to a这些东西。其实是让我们看到这些有利条件，是让我们落地变得更有可行性了。所以刚刚还有一个话题可能大家没有怎么提到，就是数据治理的问题。我不知道这里面能不能讲讲这些工具比方说之前是很多是很难实现的，但现在实际上是可以实现了。那我们怎么样去更好的利用这些好的这些工具和组件，来加速我们智能体的在应用或者场景下的落地。
翟星吉：最近半年到一年，技术上最大的利好可能是强化学习（RL）范式的逐渐成熟。我们现在讲的深度推理主要是在基础模型（Base model）上进行的，比如OpenAI的O系列、DeepSeek R系列和千问的QWQ系列。这些模型大多是在基础模型上通过强化学习进行训练的。但学界已经在探索更前沿的技术，即直接对Agent进行预训练，并且这条路径一定是基于强化学习的。我对这项技术非常期待，最近也有一些相关论文开始发表。
一旦这项技术成熟，将会带来很大的改变。具体来说，现在的Agent，无论是Manus还是Deep Research，主要依赖于手工设计的工作流。这些工作流是预先设定好的路径，而不是像人在实际过程中动态规划的过程。如果强化学习在Agent预训练方面成熟了，我们将能够实现以下目标：
· 泛化性强：我们可以提前收集大量标注好的数据，包括每个Agent完成特定任务的思考过程、路径和结果。将这些数据输入到Agent中，它就会天生具备该领域的专业知识。就像一个人在一个行业里泡了五年、十年、二十年后成为领域专家一样，你给它一个问题，它就能自然而然地知道如何解决。这不仅提高了Agent在垂直领域的泛化能力，还能处理各种变化的情况，即使是一些未见过的案例也能处理得很好。
· 准确性高：与泛化性相关的是，如果有一些边缘场景放在现有的手工搭建的Agent工作流中，效果可能不会太好。而如果使用强化学习预训练的Agent，它在这些边缘场景中同样能表现得很好。
· 使用成本低：现在，一个有价值的Agent执行一个工作流的成本可能在2元到10元甚至更高，但这仍然是可以接受的，因为它带来的价值远高于这个成本。例如，生成Wiki的成本如果是100元，也是完全合理的，因为它的价值远高于这个成本。但未来，如果Agent的预训练范式更加成熟，那么它的价格可能会进一步降低，同时延迟也会减少。目前使用Deep Research或Manus完成一个任务可能需要半小时到两小时，而未来可能只需要五分钟到十分钟甚至更短的时间。
华琨：谢谢。这很有意思，我觉得这个是接下来智能体演进的一个重要的一个方向。
宁辽原：强化学习这个事情我也特别兴奋，今年应该是会成熟起来，包括前段时间那个Proxy AI，其实也在讲这个东西，我看到了一个不同的视角，这是我最近很兴奋的一件事情，就是Agent现在的MCP也好， A2A也好，它的协议的底层逻辑都是把大家连在一起。就把一个单点agent和一个单点conversation大模型的能力变成一片，对吧？
MCP是把传统的像最近高德地图好多都在出MCP。海外就更不别说了，所有的Saas公司基本上全都开放到MCP。有追求成熟的，已经很多有用做好的人类的智慧的结晶和工具的结晶。直接全卷到Agent上。然后A2A的协议是希望把所有的Agent互相联网。所以你到底是要用一个大模型跟你聊天干活，还是一个Agent帮你干活，还是这个Agent带着一片agent的帮你干活。Proxy AI的概念就是我一个Agent后面有一堆Agent，咱们一起干，可能meta GPT是这个逻辑，一群Agent帮你干，那我看到了一个新的趋势刚刚萌芽。因为我们在做，所以我们对这个事儿比较敏感。就是除了去连Agent的和MCP，我们还能连什么？其实就是连人，现在有很多的Agent公司后面开始加人，就像单位一样。
那天我让他做一个IOS的APP，他写了一堆，做的不错，最后到测试的时候跑不过去了。因为他的机器是linux不是macbook。他说我没有macbook，我测不了，给我写了一个特别详细的文档让我测。我说我要是测这个东西的话，我就不用你了，我要么就得找我的团队帮我招一个IOS工程师，要不然他就直接去找一个IOS工程师帮他测完，把结果交给我就行。所以现在海外像那个Moka，大家把它一个做招聘的公司。但大家说它是数据标注公司，是因为他现在其实承接的全是直接的活，然后他通过面试筛选的方式，把人力资源拿进来之后，直接让人干活。所以当你的Agent除了能去调用MCP，除了能去调用其他的Agent以外，如果他开始可以调用人，那你的Agent就变成了一个超人的Agent。而这个协议其实我们正在做，就是MCP和ATA协议有一个特别大的问题就是他太着急。他的timeout一般都很短，就是60秒之内不返回，他就不理你了。其实我们发现我们在整个的大规模协作下的这种体系下，有一个开源项目叫Temporal。原来uber出来的人做的，他就是做一个大量异步任务的管理。那我们现在在用Temporal加MCP加A2A的协议方式来做，其实很多任务就直接通过Agent给人了，然后人干完之后再通过Agent反馈回来，然后前面的Agent继续干。所以我们就连成了一大片的Agent。然后我们的Agent一边服务一大片的客户，另外一方面服务一大堆的候选人，中间又服务一大堆的猎头。所以这一大群的Agent最终给到每一个单点的服务节点都是一个超人的。
因为在跟这些人在协作过程当中，knowledge迭代有这么一个过程，他就可以不断往前进化。他最终给到你的终端用户的一个Agent就是一个远超于一个AI的能力的，也远超于一个人的能力的Agent。这个是我们正在做的事情，我感到非常兴奋。就Agent来管人，现在很多业务的老板，包括我现在慢慢的开始跟我的Agent聊天，然后他来把我们产生的PRD也好，需求也好，发给agent来，这个Agent就会特别好用。Agent从助理员工应该变成你的包工头员工，变成你的pmo员工。所以现在agent去管人，去管更多的这种协作场景的时候的能力大幅上升。
汤伯榕：是这样，因为我们是做多模态的图像的生成，所以我可能会带来一些不一样的视角。如果是说图像生成的话，它也是有个工作流的。但这个工作流可能它的逻辑，跟agent这个工作流是不一样的概念。大家可能知道比如说除了图像生成，可以有一个叫Comffy UI的东西。我们可以改把不同的插件，或者是自己写的，或者是开源的插件把它串起来组成一个工作流，然后去生成一些特定的图像的效果。我们还可以提供API出去。
我们发现在大模型的发展越来越快的话，其实我们的图像生成的质量也就越来越高。意味着我们里面的插件。比如说图像反推，什么图像分割等等。但会也会带来一个问题，质量会提升，但是他会带来一个很矛盾的问题，就是大模型的能力的提升。它有可能它的内化能力会越来越强。把一些如果你的这些原先开发的插件只是一个外挂功能的话，他大模型会取代你这个插件，直接取代你这个插件。所以一方面是提升了我们能力，但某个角度他也会替代我们，所以这个是一个矛盾的一个点。当然对于agent来讲，其实我不知道可能也会碰到这个问题。如果我们的agent仅仅是做一个外挂能力的话，他很有可能会被将来的大模型的内化能力所取代，这第一个。
第二个我们觉得如果to b的话，更要紧的就是我们的客户的能力。我们能不能跟客户这端做好，就像刚才这个案例，航空公司对吧？他那些排班的数据能拿到。那这个才其实是agent从技术侧以外更重要的一个东西。比如说我们将来携程订酒店是会是一个agent，但是如果这个订酒店agent他老是上来只是给你设计一个流程，问你你喜欢什么样的酒店，你喜欢要有有烟还是无烟？他老是来问你这个问题，那这个agent没有任何意义，用户就走掉了。但如果他能够直接知道你一些数据，他事先知道，那这些可能就是客户能力。他能不能把数据开放给你，对吧？能不能你有这些东西，这才是我觉得agent将来to b的关键。除了技术还有专业能力和客户端的问题。
徐宗泽：由于时间有限，我简要阐述两个方面，一是技术相关，二是数据治理相关。实际上，智能体（Agent）技术仍有很长的发展道路。我们面临诸多颇具挑战性的问题，例如智能体如何主动获取人类用户的需求并完成相应任务，以及智能体之间如何实现更高效的通讯并找到最优解决方案。这一系列问题涉及众多技术层面的关键要点，有待突破，涵盖智能体的微服务、奖励模型等。近期，我们正在推进智能体协议的相关工作，类似于当前的 A to A 协议，但我们的协议更加中立。任何智能体都能够通过该协议接入我们所构建的智能体环境。多智能体系统的关键要素包括环境、订阅、通讯、价值创造与成本支出。为了实现智能体在日常生活中的广泛应用，即所谓的智能体社会（Agent Social），我们必须沿着明确的技术路线，实现进一步的技术突破。
在数据治理方面，我们近期与一家客户开展了相关项目。该客户的数据管理主要分为两个部分：数据管理与数据应用。数据应用主要涉及数据分析、数据利用，用于向 C 端业务提供生产反馈，或为营销活动提供支持等。数据管理则侧重于 B 端需求，旨在进行全面的数据治理。值得一提的是，该客户具备良好的数据基础，这得益于其近十年来坚持统一的技术路线和稳定的发展路径。我们在项目启动初期便对其出色的数据状况深感惊讶。当然，其中仍存在一些问题。过去的数据治理主要服务于人类用户，而现在则需适应智能体的需求。不过，由于智能体具备强大的知识压缩能力，能够更深入地理解数据，相比人类用户，它们无需进行大量的业务知识学习和补充。因此，针对数据库的治理，智能体只需掌握关键的业务细节和部门相关信息，即可在现有流程基础上进一步完善数据治理工作，包括数据溯源等相关需求。