AI Agent：破茧成蝶，抑或大模型附庸？从市场困局到自主智能体的进化之路

TL;DR：

AI Agent赛道正经历一场残酷洗牌，通用Agent因缺乏杀手级场景和高昂成本，被日益强大的大模型和精准的垂类Agent双向挤压。然而，技术突破，特别是强化学习（RL）的应用，正为其注入新的自主学习能力，预示着从工具调用者向真正智能体的深层进化。

金沙江创投主管合伙人朱啸虎一句“90%的Agent会被大模型吃掉”的惊人论断，如同平地一声惊雷，震动了AI Agent这个在过去一年中炙手可热的赛道¹。在被誉为“Agent之年”的2024年，通用Agent的明星公司Manus却传出总部迁至新加坡、国内大规模裁员并放弃国内版本上线的消息，这不仅是Manus的个案，更折射出当前通用Agent市场面临的深层困境与结构性挑战。

当前产业格局分析：通用Agent的“双向挤压”困境

通用AI Agent，曾被寄予厚望，被视为连接大模型与实际应用场景的关键桥梁。然而，在市场的检验下，它们正陷入前所未有的“双向挤压”：

1. 大模型能力的“溢出效应”： 随着Claude、Gemini等基础大模型迭代升级，其自身的编码、推理和长文本处理能力显著增强，模型本身正变得越来越“Agent化”。用户可以直接调用这些功能强大的基础模型API或对话界面，以更低廉的成本和更便捷的方式完成任务，无需依赖独立的通用Agent产品。例如，Opus 4每月200美元即可不限量使用，而Manus最高档Pro会员在价格接近的情况下，仍受限于积分制，导致单位任务成本更高，限制了使用频率²。这导致通用Agent的市场份额被基础模型直接“蚕食”。
2. 垂类Agent的精准打击： 在企业级应用中，通用Agent的通用性反而成为劣势。企业对准确性、稳定性及与内部系统深度集成有极高要求。垂类Agent，如金沙江投资的Head AI（专注于自动化营销），通过连接企业内部知识库、业务流程系统，能够提供更精准、更高效的解决方案。通用Agent因其“黑盒”特性和潜在的“幻觉”问题，难以满足企业对决策透明度和结果稳定性的需求，导致其在企业端应用效果不佳，无法达到“数字员工”的高度³。

这种“夹心饼干”式的生存空间，使得Manus、Genspark等C端通用Agent产品在经历短暂的流量和收入高峰后，出现了访问量和月度收入的明显下滑。数据显示，Manus和Genspark在6月的月度收入分别环比下跌超过50%和13.58%⁴，印证了市场对通用Agent的短期热度并未转化为持续的付费忠诚度。

变革驱动力解读：从“工具调用器”到“自主智能体”的进化

通用Agent目前的核心问题是未能找到能让用户持续付费的“杀手级应用场景”。当前多数通用Agent集中在制作PPT、多模态能力和撰写报告等办公场景，但其输出的质量和价值普遍不高，常出现事实错误、信息冗余或缺乏增量信息等问题。这暴露了当前Agent能力的局限性：它们更像是工具的“编排器”或“调用器”，而非真正具备自主决策和复杂任务执行能力的智能体。

然而，AI Agent的未来并非黯淡无光，关键在于技术突破。当前，业界正将目光投向以下核心技术方向，以期打破现有瓶颈：

• 长上下文窗口与线性注意力机制： 复杂任务的执行往往需要Agent处理海量的上下文信息。传统模型受限于上下文窗口大小，容易在长任务中丢失早期关键信息，导致决策失误⁵。MiniMax通过将线性注意力机制应用到新模型M1中，大幅扩展了智能体能够承载的文本量至100万tokens，这对于法律文书分析等需要大量文本理解的场景至关重要。
• 强化学习（RL）的深层赋能： 众多业内人士强调，RL是提升Agent能力上限的关键。与传统的监督学习或预训练模型不同，RL允许Agent通过与环境的大量试错和奖励机制来提升泛化能力和自主性。在处理需要多个步骤协同的复杂任务时，RL能够让Agent更好地适应动态变化的环境，并从失败中学习，优化决策流程，从而提高任务执行的稳定性和准确性⁶。
  • 月之暗面（Moonshot AI）强调“模型即Agent”，其基座模型即基于端到端自主强化学习技术训练。
  • Kimi-Researcher研究员冯一尘指出，Agent模型在Humanity's Last Exam（HLE）测试中的得分从8.6%跃升至26.9%，印证了RL在Agent训练上的巨大价值。
  • OpenAI最新发布的ChatGPT Agent在HLE测试中取得了41.6%的新SOTA成绩，再次彰显了强化学习对于通用Agent性能的里程碑式提升⁷。

强化学习的引入，预示着Agent将从简单的“工具调用器”向具备“自主学习”和“环境适应”能力的“自主智能体”进化。 这不仅是技术层面的演进，更是AI与人类交互模式的深层变革，意味着Agent将能够更主动、更智能地完成任务，甚至在复杂、不确定的环境中做出接近人类的决策。

未来竞争态势预测：平台化、垂直化与“真智能”Agent的崛起

展望未来3-5年，AI Agent的市场竞争格局将呈现出以下特点：

1. 大厂的“平台+生态”战略： 拥有自研大模型和云基础设施的科技巨头，将继续采取“两手抓”模式：一方面开发自家Agent产品作为能力展示窗口，另一方面更侧重于推广Agent开发平台，通过提供API、SDK、算力支持及组织开发者竞赛等方式，吸引开发者构建垂类Agent生态。这使得通用Agent的开发成为“小厂玩不起的生意”，市场将进一步向少数具备强大基础模型和生态构建能力的企业集中。
2. 垂类Agent的深耕与爆发： 面向特定行业和场景的垂类Agent将迎来真正的爆发期。它们通过深度集成行业知识库和业务流程，解决具体痛点，提供超越通用Agent的精准度和效率。无论是企业级营销、法务、金融分析，还是个人端的教育、健康管理等，垂直领域的深耕将是Agent实现商业化价值的关键路径。
3. “真智能”Agent的迭代与普及： 随着强化学习、长上下文窗口、多模态融合等技术的不断成熟，未来将涌现出少数能够真正实现复杂任务自主执行、信息价值高、且具备一定通用泛化能力的“真智能”Agent。这些Agent将不再是简单的信息整合或工具调用，而是能够主动规划、迭代优化、甚至创造性解决问题的助手。它们将重新定义人机协作的边界，使得AI真正成为人类的“协同智能”。

从商业角度看，当前通用Agent面临的变现困境并非能力不足的终结，而是市场在寻求真实需求和商业模式的必然过程。最初的流量红利和高额ARR（年化收入）证明了市场对Agent概念的认可，但MRR（月度收入）的下滑则警示了产品与实际用户需求的脱节。未来的商业化将更加依赖于Agent所能创造的增量价值，而非仅仅是现有流程的自动化。这意味着：

成本效益、准确性、场景适配度将成为决定Agent商业成功的关键指标。

社会影响与伦理思考：数字劳动力的重塑与人类价值的再定义

Agent的进化，尤其是其自主性和适应性的增强，将对社会结构和工作方式产生深远影响。具备自主学习和复杂任务处理能力的Agent，将进一步模糊“数字劳动力”与“人类劳动力”的界限。

• 工作模式变革： 基础性、重复性的工作将被Agent大规模替代，而人类将更多地从事需要创造力、批判性思维、情感智能和复杂协调的任务。企业将加速数字化转型，将Agent深度融入业务流程，构建高效的“人机协作”新型组织。
• 技能需求重塑： 对人类而言，适应与Agent协作、管理Agent、开发Agent将成为新的核心技能。教育体系需要更快速地响应这一变化，培养具备AI素养和跨学科能力的人才。
• 伦理挑战： 随着Agent自主性的提升，其决策的透明度、责任归属、数据隐私以及潜在的偏见等伦理问题将变得更加突出。如何建立有效的治理框架，确保Agent的发展符合人类的价值观和利益，是摆在监管机构、企业和社会面前的重大挑战。Agent的“幻觉”问题若未得到有效控制，可能引发严重的社会信任危机。

总而言之，AI Agent的故事才刚刚开始。它正从一个概念走向实践，从最初的浮躁热潮回归技术深耕与场景验证。朱啸虎的“90%被吃掉”的论断，与其说是悲观预测，不如说是对早期泡沫的警示，以及对真正有价值、能落地产品的呼唤。未来的Agent，必然是深度融合强化学习等前沿技术，能够精准匹配特定场景，并最终成为重塑人类生产生活方式的强大力量。这不仅是技术的突破，更是对“智能”本质的一次深刻探索，以及对人类文明进程的又一次重大变革。

引用

• AI Agent
• 大模型
• 强化学习
• 产业竞争
• 商业模式