今天小編分享的互聯網經驗：鏖戰 AI Agents：矽谷修路，中國造車，歡迎閱讀。
AI Agent 行業的全球圖景，中國和矽谷正在走上兩條路線。
矽谷正在逐步拆掉影響 Agent 發展的牆，從 0-1 的建立規則。從 Anthropic 推出了 MCP 開放協定，統一了大模型連接應用的方式，到谷歌發布名為 Agent2Agent（A2A）的全新開放協定，建立了 Agent 與 Agent 之間的對話語言。越來越多的互聯網公司開始加入 MCP 陣營，包括 Anthropic 的老對手 OpenAI，矽谷超過 2000＋企業，國内阿裡百煉平台、魔搭開發社區開始構建基于 MCP 的平台，騰訊雲、百度雲等雲平台也在陸續加入。
看起來節奏清晰井井有條。
而國内的 AI Agent 領網域，則顯得更加躁動。一邊 Manus 以 " 全自動 Agent" 的故事引爆着資本熱潮，另一邊則是曾經的行業獨角獸瀾碼科技遭遇發展危機，被曝出停薪資、停社保已經超過三個月，并于近期對數十名員工解除勞動合同。
"Manus 爆火後，投資人把相關文章甩給我們質問‘人家這麼牛，你們為什麼不行？’ " 某 Agent 公司創始人在收到如此詢問時，她甚至找不到合适的語言向資方解釋，什麼是模塊 " 縫合怪 "。但與此同時，這種混亂又在給他們帶來實打實的新增訂單需求。客戶不再問 AI Agent 是什麼，而是直接提需求下訂單。
它們都指向一個重要的信号：Agent 行業正從 " 概念驗證期 " 邁入 " 生态定型期 "，技術标準與商業模式的 " 分水嶺 " 已然浮現。在這兩種不同的氛圍背後，是兩種不同的路線，矽谷沉迷于對 AI Agent 制定規則，而中國公司已經在搶跑了。
中國為什麼沒有 MCP？
首先我們必須明确的是：Agent 不僅僅是一種應用形态，将其簡單對比 " 超級應用 " 實際上是對其本質的誤解。Agent 代表了一條全新的產業鏈，它連接并整合了多個技術環節，需要調動幾乎整個互聯網生态的軟體資源。
我們簡單制作了目前 Agent 產業生态的圖譜（當然它是動态變化的）以供大家理解。當前，構建真正通用的智能體需要兩個核心要素：一是強大的 " 大腦 "：能夠接收任務并進行精細拆解，對每個步驟的微操作都能完美執行，這要求大模型具備強大的多模态能力；而是可靠的 " 手腳 "，則能夠穩定執行在各種環境中，确保跨平台、跨設備的一致性表現。
針對 To C 和 To B 兩種場景，對 Agent 的能力要求截然不同：To C 的通用型 Agent 不必追求極高準确性，但需要更強的通用性和靈活性，依賴強大的 " 大腦 " 進行決策；而 To B 場景下的 " 數字員工 " 則要求極高的準确性，對靈活性要求相對較低，更依賴高效穩定的 " 手腳 " 執行能力。
因此，行業内幾乎形成共識：通用型 Agent 深度依賴基礎模型能力，本質上是模型廠商能力的延伸，會随模型更新而進化，創業公司在此領網域能施展的空間極為有限。
從這一視角看，Anthropic 作為基礎模型廠商率先推出 MCP，并非因其擁有最強話語權，而是因其最需要與互聯網現有軟體生态建立連接，實現底層能力的整合與打通。
矽谷與中國在 Agent 領網域的發展差異，正是兩地軟體生态長期積累形成的根本區别的直接反映。矽谷軟體生态以高度标準化和互聯互通為核心特征。制造業 Agent 數字員工打造者語核科技創始人翟星吉精準指出：" 美國市場中，每個細分場景往往會有獨立的 SaaS 公司提供垂直服務，這使得互通互聯成為 Agent 發展的必要條件 "。在 SaaS 普及率超過 80% 的環境下，Salesforce、Slack 等頭部產品成為企業标配，自然催生了對标準化接口的強烈需求。
在 MCP 等統一協定框架下，現有 SaaS 服務自然成為生态組成部分，既服務終端用戶，又能被其他 Agent 調用。企業級數字員工 AI Agent 平台來也科技 CTO 胡一川形象地比喻："MCP 對行業的影響類似于 USB-C 标準化對電子設備的影響，它大幅降低了開發成本。以前 100 個開發者連接 100 個工具需要 10000 項工作，現在通過 MCP，雙方只需準備好對應接口，即可實現全面連接，工作量呈指數級下降。"
相比之下，中國軟體生态發展不均衡，而這種軟體生态的根本差異，最終導致了中國缺乏類似 MCP 的統一協定标準。這不只是 Agent 技術路徑的不同，更顯現了數字基礎設施發展階段的不同。
一旦 MCP 與 A2A 構建起智能體世界的 " 水電煤 " 基礎設施，後來者要麼接入這套體系成為生态參與者，要麼被排除在主流互動網絡之外。
那麼制定标準的人将掌握了最重要的話語權，如同我們所見的安卓系統，或是 Cuda，當下國内 Agent 公司都正面臨着是加入還是獨立發展的重要節點。
從當前的情況來看，似乎中國互聯網的基礎模型公司，并沒有另起爐灶的打算。 4 月 15 日，魔搭推出全新 MCP 廣場，上架千餘款熱門的 MCP 服務。魔搭 MCP 產品經理告訴矽星人：" 我們正在成為 MCP 的生态共建者，包括建立一些 MCP 應用的 BenchMark，以及給一些應用提供啟動流量等等。"
本該是兵家必争之地的标準制定者，為什麼基模廠商輕易讓給了 Anthropic？
據矽星人的了解，一部分原因是因為統一協定本身可能只是 AI 發展的階段性產物，從技術的角度來說，一旦建立了 Agent 的通用行動模型（參考機器人模型），就可以繞過 API 或者協定接口，直接完成操作，争也只是一時；另一方面，互聯網大廠們快速加入 MCP 陣營後，能夠将此前的優勢積累釋放，比如魔搭接入了收割支付寶提供的支付 MCP 接口，一旦 Agent 采用了通用的支付接口，支付生态可以在 AI 時代復利，這或許是一個比掌握協定本身更大的市場。
矽谷修路，中國造車
矽谷通過推動統一協定标準，對 Agent 生态而言就像是在 " 修路 "，建立基礎設施和互聯互通的标準。而中國企業則專注于 " 造車 "，打造能在特定場景下高效運行的實用解決方案。加入 MCP、A2A 或其他協定，對中國企業而言只是時間和選擇問題。無論哪種路徑，最終要讓 Agent 生态完整運轉，都需要一輛輛 " 車 " 真正跑起來。
在中國市場，C 端 Agent 仍處于非常早期階段，以智譜 AutoGLM 為代表的通用智能體正在積極打磨產品形态、技術路線和商業模式，而絕大多數創業公司則将目光聚焦在 2B 領網域。
" 我們認為未來 2-3 年是智能體商業化落地的關鍵視窗期。端到端的純大模型方案 ( 如 Manus 等 ) 不太可能在這個時間視窗内達到理想的商業落地水平，因為它們在可控性、穩定性和成本方面仍存在重大挑戰。" 企業級通用智能體企業實在智能創始人孫林君判斷道。
To B 的快速發展首先來源于市場需求的爆發性增長。" 自從今年 2 月 DeepSeek 發布之後，我們明顯感受到企業級 Agent 市場迎來了一波 ' 爆單潮 '，" 翟星吉回憶道，" 僅在最近三個月，我們在推進的新項目就超過了 20 個，今年的預期營收也超過了千萬。這在以前是很難想象的速度。"
胡一川也表達了類似觀察：" 我們在制造業和金融領網域的 Agent 項目詢單量比去年同期暴增了數倍。企業客戶對 AI Agent 的熱情程度遠超我們預期，尤其是那些有明确流程優化需求的傳統行業客戶。"
其次是 to B 領網域相對清晰的商業模式，比如将銷售轉化率從 5% 提升到 6%，雖然只增加了 1 個百分點，但對企業來說實際增長了 20%，對大型企業而言這是相當可觀的收益。
實際上，to B Agent 實際上替代了傳統的定制化系統，以更高效的方式解決企業痛點。這些 " 數字員工 " 正在形成全新的商業模式，不同于傳統 SaaS 的固定功能，它們能夠根據企業需求持續進化，實現真正的軟體 " 活體化 "。
" 其實，MCP 這類協定對 2C 市場的影響遠大于 2B 領網域。在企業場景中，系統大多采用封閉架構，且以本地私有化部署為主，很少需要連接公共互聯網應用。" 翟星吉補充到，這一特點使得中國企業在缺乏協定層支撐的情況下，被迫自主研發從數據處理到執行操作的全鏈條技術棧。
語核 Langtum 企業級 Agent 應用落地平台
如語核科技，其技術核心之一在于自研的工業文檔解析引擎，專門處理企業分散的非結構化數據（将 PDF 格式的工藝參數表轉化為結構化數據），以便大模型能夠更好地理解行業專業知識。在矽谷，這本應是獨立細分賽道的技術環節，但在中國市場環境下，語核不得不将其作為 Agent 解決方案的一部分直接交付。
" 比如在制造業的采購環節，我們的 Agent 能夠自動校對采購單、查找供應商、比對報價并完成下單流程，将原本需要 2-3 天的工作壓縮至 30 分鍾内完成，同時還能保持 95% 的準确性。" 翟星吉講道。
來也科技則是通過将 RPA ( 流程自動化 ) 與 AI 結合，構建出一個一體化平台，來保證更高準确率和更強靈活性。" 我們的方案不是簡單地将大模型和 RPA 拼接，而是構建了一個能夠自我調整的智能系統，" 胡一川解釋道，" 在傳統 RPA 的基礎上，我們增加了決策節點，允許系統在執行過程中根據實時情況進行判斷和路徑調整。"
來也科技數字員工平台架構圖
例如，在某大型汽車主機廠的質檢環節，來也科技的 Agent 能夠自動識别并處理各類質檢文檔，當遇到異常情況時，系統會自動調用歷史案例庫進行比對分析，确定最佳處理方案。" 這一應用将質檢文檔處理時間從原來的 8 小時縮短至 1 小時，準确率提升至 99.2%，每年為客戶節省人力成本超過 200 萬元。" 胡一川補充道，" 更重要的是，随着使用時間延長，系統能夠不斷學習新的異常模式，持續提升處理能力。"
中國企業在構建 Agent 時往往采取這種 " 由點及面 " 的策略：先在特定場景中解決核心痛點，然後逐步擴展功能範圍。實在智能創始人孫林君描述了他們的方法：" 我們首先為制造業客戶打造質檢文檔處理的專用 Agent，證明價值後，再逐步擴展到生產計劃、物料管理等相關環節，最終形成覆蓋整個生產管理鏈條的智能體系統。"
當積累了大量針對復雜場景的實戰經驗，具體場景中的 Agent 往往具有更強的環境适應能力和問題解決能力。
Agent 的另一種解法
矽谷的軟體生态已經高度成熟，MCP 等協定正在将這一生态重新連接，形成 Agent 主導的新格局。但這一趨勢不可避免地将逐漸弱化傳統軟體企業的地位，使軟體最終成為 Agent 的組件。
在美國，各軟體間的标準化接口已經成為基礎設施，Agent 開發可以專注于調用這些接口。而在中國，Agent 企業必須直面軟體碎片化的現實，通過創新性的技術路徑解決執行層問題。從某種意義上說，這反而催生了更加普适的技術方向。
" 我們看到一個根本性問題：傳統的 Agent 執行層要麼依賴 API 調用，要麼依賴像素級的視覺模拟，兩者都存在明顯局限，" 實在智能創始人孫林君解釋道，" 前者在中國企業軟體生态中成本很高且速度慢 ，後者則面臨穩定性和泛化能力不足的挑戰。"
那麼，RPA 方案和視覺感知方案有沒有可能融合在一起？實在智能創新性的嘗試了 " 融合拾取技術 "。
" 我們訓練了一個名為塔斯（TARS）的垂直大模型，專注于電腦操作領網域。這個模型提升了任務理解、狀态識别和操作決策能力，本質上是一種‘ text-to-action ’或更精确地說是‘ text+image-to-action ’模型。例如，當看到一個有搜索框和按鈕的界面時，模型能理解「搜索實在智能」這樣的指令，确定需要在搜索框中輸入文本并點擊特定按鈕，然後生成相應代碼執行操作。"
" 我們訓練的視覺模型可在 100-200 毫秒内識别界面中的各類元素（輸入框、按鈕、下拉菜單、表格、對話框、密碼區網域等），然後将這些視覺識别結果與傳統方式識别的底層元素整合。目前在網頁元素識别和操作方面比 GPT-4o 高出約 10 個百分點，在任務拆解方面高出 4-5 個百分點，這項技術也獲得國家優秀獎專利。" 孫林君補充道。
一般遇到未見過的軟體，都需要派工程師到客戶現場進行适配。但現實中未見過的軟體可能是無窮無盡的，這種人工适配模式難以擴展。融合拾取突破了傳統 Computer Vision 方案對螢幕分辨率和界面布局的依賴，提高了 Agent 在真實復雜環境中的适應能力。
除了技術創新外，在生态構建上也出現了新的機會。Agent 公司究竟應該以什麼身份對企業進行服務？是傳統軟體？定制化系統？還是 AI 技術提供商？商業模式是軟體付費模式、按 token 付費、還是以 " 數字員工 " 的形式按人頭付費？
" 我們認識到一個現實：在 2B 領網域，尤其是傳統行業，行業 know-how 的積累至關重要，但從 0 到 1 自己完成這一過程周期太長，很難滿足當下市場的迫切需求，"AI Agent 智能體雲生态服務平台匯智智能創始人孫志明表示，" 因此我們選擇了另一條路——成為行業知識與 AI 技術的整合者，将已經數字化的行業知識與 Agent 能力結合，打造 1+1 大于 2 的解決方案。"
這種模式的核心在于識别并整合已被數字化的行業知識。在制造業、醫療、金融等領網域，過去十年的信息化建設已經沉澱了大量專業知識，孫志明解釋到，" 例如，ERP 系統中的工藝流程、醫療系統中的診斷規則、金融系統中的風控模型，這些都是經過多年驗證的行業智慧。我們不需要重新發明輪子，而是将這些知識提取、結構化，然後與大模型能力結合。我們與行業信息化服務商、垂直領網域咨詢公司、以及專業數據提供商建立了深度合作關系，共同打造完整的智能解決方案。"
對于像瀾碼這樣的創業公司，從 0 到 1 自主積累行業知識确實周期過長，對創企的考驗也更加大，核心原因在于沒有找準自己的定位，是技術提供者、知識整合者還是解決方案交付者，然後圍繞這一定位構建合作生态。
相比之下，新的商業模式或許更加适合中國市場現狀。在中國大型企業的數字化程度參差不齊，但幾乎所有企業都有不同程度的信息化基礎，在 Agent 驅動下，或許能重新定義軟體服務的形态和交付方式。
畢竟，技術發展從來不是單一直線，在這個過程中，中國企業和矽谷巨頭都在用各自的方式，共同推動 Agent 走向成熟。
