（来源：拓尔思）
本文摘选自中国电子信息产业发展研究院与赛迪工业和信息化研究院(集团)有限公司主办的《软件和集成电路》[ 2025年9月刊 ] ，拓尔思首席数据官、数字经济研究院副院长文雅接受该刊采访。
开发者的“技术狂欢”
2025年3月，号称“全球首款通用型AI Agent”产品的Manus突然爆火，一夜之间吸引了科技圈的大部分目光，随后更是在内测邀请阶段引发“一码难求”的盛况，登顶热搜。然而，仅仅130天后，这家明星公司却因总部迁至新加坡、大规模裁员、产品功能缩水等饱受争议，陷入“跑路”疑云，用户数也从2000万骤降至1000万。暂且不论这场始于技术理想主义的狂欢是否会草草收场，但其掀起的智能体热潮确实值得关注。
关于智能体的准确定义，业界尚未达成一致意见。简单来看，所谓智能体就是一个能够感知环境、做出决策并执行任务的智能个体，它可以是一个物理实体，也可以是一个虚拟程序，其核心能力是“自感知、自决策、自执行”。在人工智能火爆全球的当下，我们谈到的“智能体”默认是指AI智能体（AI Agent）。
智能体的发展与大模型息息相关，大模型通过增强智能体的自然交互能力、环境感知精度及学习优化能力，使其从简单的自动化工具转变为能够理解、决策和自我改进的智能系统。这种多维度的提升，让智能体在语言理解、环境适应和任务执行上能够更接近人类智能的表现，真正实现智能化飞跃。因此，从某种角度而言，智能体爆火的确算是一场开发者的“技术狂欢”。
“技术+市场”双引擎驱动
智能体是对大模型技术的二次运用，但单纯的技术驱动与支撑不足以引发智能体应用的热潮，背后亦有市场的影子，而这市场推力绝不只是资本的力量。
“智能体发展的核心在于A I应用已从工具化模式进化到协作者模式，爆火的根本原因在于它目前已经成为企业数字化转型的新基建，正在帮助企业重构内部的业务工作流和生产力。而这背后的深层逻辑，我觉得可以从技术推力和市场拉力两个维度来看。”拓尔思首席数据官、数字经济研究院副院长文雅在接受本刊记者采访时表示。
在文雅看来，一方面，技术的产业化落地需要与垂直行业的一些精细化场景结合，大模型的较量已不单纯只是参数量的比拼，更注重的是对行业知识的理解、对业务逻辑的封装，以及在不同的工作场景下，对一个复杂任务的分解和协同的能力，而这正是智能体所擅长的。智能体拓宽了大模型的应用边界，解决了大模型价值创造的“最后一公里”问题。另一方面，知识型、决策型工作效率的提升是企业目前在数字化转型中遇到的主要瓶颈，而智能体能够将自身所具备的自主任务规划、多元信息推理、动态情景研判等能力，融入到从设计、研发到营销、风控、决策的企业运营全流程，提升决策的精度和效率，实现降本增效这一企业数字化转型的核心目标，契合市场需求。
行业应用初探
市场调研公司Roots Analysis预测，到2035年，全球智能体市场规模将达到2168亿美元，2024年到2035年复合年均增长率达到40.15%。据Capgemini调查统计，目前仅约10%的企业直接在生产环境中部署智能体，但未来三年内计划整合该技术的企业比例高达82%。值得期待的市值规模和市场渗透率增长空间，使得国内外厂商加大了在智能体领域的布局。
在国外厂商中，IBM推出WatsonX平台，集成了智能体研发和方案整体购买功能；亚马逊云科技推出Bedrock Agent平台，帮助企业根据需求自主构建智能体应用。在国内厂商中，字节跳动推出扣子平台，支持用户低门槛快速搭建个性化智能体；阿里云与钉钉联合推出A I助理平台并开放A I即服务功能，支持智能体应用的快速构建和部署，简化用户使用流程。智能体应用于产业实践的案例数不胜数，正凭借其环境感知、任务编排灵活性和复杂任务自动化处理能力，在多个领域展现出广阔应用前景。
作为国内领先的人工智能、大数据及数据安全服务商，拓尔思坚持聚焦“Data+AI”双轮驱动战略，面向自身占据优势的行业客户群体（主要集中在B端和G端），依托自研智能体产品和平台，提供创新的场景化智能服务，并在一定范围内尝试向C端（消费者）拓展。
据文雅介绍：“公司高度重视AI技术与垂直行业的深度融合，积极打造垂类智能体，已在舆情、金融、政务、公安等领域的多个业务场景中得到实践应用并取得显著成效。例如，在金融科技领域，我们主要聚焦数字风控、消费者保护、合规审查，以及对公客户精准挖掘和营销等场景，提供专业的服务。我们服务的落点是为行业用户打造真正好用且能解决实际问题的行业智能体。”
谈到构建品牌“护城河”，文雅直爽地分享了自己的见解：“在智能化时代，面对激烈的市场竞争，企业构建竞争壁垒的重点不在于提供的智能体或模型具有多强的通用性，而是要具备深入理解产业实际问题的能力，并基于此提供专业有效的解决问题的产品和方案。”
在文雅看来，拓尔思在智能体服务领域构建“护城河”的能力体现在三个方面。一是“Data+AI”双轮驱动战略，这是一个复合壁垒，也是最深的一条“护城河”。AI大模型的能力与丰富、高质量的行业数据的融合是驱动智能体更好理解并解决实际问题的坚实技术底座，这种融合并非简单的物理上的叠加，而更类似于“化学变化”。拓尔思不仅拥有不断进化的模型基座，更拥有涵盖多个垂直行业领域的高质量数据集（目前已超5000亿条，日均更新6亿条），短期内这是难以复制的。二是“场景+专家”的生态壁垒。多年来，在服务用户的实践中，拓尔思不仅对用户的应用场景有了更准确的把握，在与用户的磨合中也积累了深厚的专业知识，并将其转化成为支撑智能体运行必备的专家咨询能力。这使拓尔思得到了客户的极大信任，并在特定领域形成了难以替代的生态地位。三是“技术+安全”的全栈可控的壁垒。从基座模型到向量数据库、图数据库，再到面向用户的具体应用，拓尔思实现了全链条技术自主研发和可控，能确保用户的业务不会在关键环节受制于第三方，避免产生技术风险。
拓尔思的实践是智能体产业应用的微小缩影，代表了一众企业的初探尝试。窥一隅而知全貌，在技术与市场的助推下，智能体大规模应用或将在更多领域快速铺开。
复杂交织的多重挑战
无论是专业研究机构发布的报告，还是身边从业者的切身感受，都让我们从中感知到智能体的应用已是大势所趋，并正在深刻改变各行各业的工作模式与生态。但智能体在具体的落地过程中也难免会遭遇一些挑战，这绝不仅局限于技术领域，将是技术、数据、人力、流程、法律、伦理多重挑战交织的复杂局面。
结合拓尔思具体的产业实践，文雅认为，智能体在从技术验证迈向规模化落地的过程中，面临三个方面的巨大挑战。一是商业化的ROI（投资回报率）测算和用户付费意愿的挑战，这是目前最现实的一个障碍。智能体如果不能清晰的证明自身应用能带来显著的降本增效效果或拉动收入增长，用户在做相关投入的预算时就会非常谨慎。二是环境的复杂度和能力泛化的挑战。企业的部署和运行环境是复杂多变的，服务商需要预先为智能体创造足够多样化或是高拟真的训练环境，提升其核心的决策和泛化能力，以便它在成本范围内完成高价值的或高效能的智能产出。三是安全可信和伦理规范的挑战。对隐私和数据安全有高度敏感的用户而言，智能体的决策过程要可追溯、可解释，输出的内容不仅要符合伦理规范，也应在法律限定范围内，其包含的行业专业性表达也必须在可控范围内。
求解寻路
文雅认为，智能体的行业应用正处在规模化落地的前夜和与价值验证的关键期，未来，随着应用的进一步深化，智能体发展将向三个方向演进—多模态的深度融合、专业化的端侧部署、生态化的协同互联。另外，据其透露，拓尔思已开始重点关注多模态智能体的发展，并积极投入研发，目前取得了一些阶段性的成果。
智能体的发展浪潮正加速推进，全球范围内各类智能体不断涌现，使我们既初步观察到多元创新的活力，也日益意识到智能体在商业化落地、安全可靠性与泛化能力等方面仍存在诸多挑战。面向未来，我们或许需要在持续的技术迭代、行业标准构建与伦理治理之间寻求平衡，才可能逐步释放智能体作为“数字劳动力”的潜在价值，助力人机协同迈向更智能、更可信、更人性化的新阶段。
