今天小编分享的互联网经验：鏖战 AI Agents：硅谷修路，中国造车，欢迎阅读。
AI Agent 行业的全球图景，中国和硅谷正在走上两条路线。
硅谷正在逐步拆掉影响 Agent 发展的墙，从 0-1 的建立规则。从 Anthropic 推出了 MCP 开放協定，统一了大模型连接应用的方式，到谷歌发布名为 Agent2Agent（A2A）的全新开放協定，建立了 Agent 与 Agent 之间的对话语言。越来越多的互联网公司开始加入 MCP 阵营，包括 Anthropic 的老对手 OpenAI，硅谷超过 2000＋企业，国内阿里百炼平台、魔搭开发社区开始构建基于 MCP 的平台，腾讯云、百度云等云平台也在陆续加入。
看起来节奏清晰井井有条。
而国内的 AI Agent 领網域，则显得更加躁动。一边 Manus 以 " 全自动 Agent" 的故事引爆着资本热潮，另一边则是曾经的行业独角兽澜码科技遭遇发展危机，被曝出停薪资、停社保已经超过三个月，并于近期对数十名员工解除劳动合同。
"Manus 爆火后，投资人把相关文章甩给我们质问‘人家这么牛，你们为什么不行？’ " 某 Agent 公司创始人在收到如此询问时，她甚至找不到合适的语言向资方解释，什么是模块 " 缝合怪 "。但与此同时，这种混乱又在给他们带来实打实的新增订单需求。客户不再问 AI Agent 是什么，而是直接提需求下订单。
它们都指向一个重要的信号：Agent 行业正从 " 概念验证期 " 迈入 " 生态定型期 "，技术标准与商业模式的 " 分水岭 " 已然浮现。在这两种不同的氛围背后，是两种不同的路线，硅谷沉迷于对 AI Agent 制定规则，而中国公司已经在抢跑了。
中国为什么没有 MCP？
首先我们必须明确的是：Agent 不仅仅是一种应用形态，将其简单对比 " 超级应用 " 实际上是对其本质的误解。Agent 代表了一条全新的产业链，它连接并整合了多个技术环节，需要调动几乎整个互联网生态的軟體资源。
我们简单制作了目前 Agent 产业生态的图谱（当然它是动态变化的）以供大家理解。当前，构建真正通用的智能体需要两个核心要素：一是强大的 " 大腦 "：能够接收任务并进行精细拆解，对每个步骤的微操作都能完美执行，这要求大模型具备强大的多模态能力；而是可靠的 " 手脚 "，则能够稳定执行在各种环境中，确保跨平台、跨设备的一致性表现。
针对 To C 和 To B 两种场景，对 Agent 的能力要求截然不同：To C 的通用型 Agent 不必追求极高准确性，但需要更强的通用性和灵活性，依赖强大的 " 大腦 " 进行决策；而 To B 场景下的 " 数字员工 " 则要求极高的准确性，对灵活性要求相对较低，更依赖高效稳定的 " 手脚 " 执行能力。
因此，行业内几乎形成共识：通用型 Agent 深度依赖基础模型能力，本质上是模型厂商能力的延伸，会随模型更新而进化，创业公司在此领網域能施展的空间极为有限。
从这一视角看，Anthropic 作为基础模型厂商率先推出 MCP，并非因其拥有最强话语权，而是因其最需要与互联网现有軟體生态建立连接，实现底层能力的整合与打通。
硅谷与中国在 Agent 领網域的发展差异，正是两地軟體生态长期积累形成的根本区别的直接反映。硅谷軟體生态以高度标准化和互联互通为核心特征。制造业 Agent 数字员工打造者语核科技创始人翟星吉精准指出：" 美国市场中，每个细分场景往往会有独立的 SaaS 公司提供垂直服务，这使得互通互联成为 Agent 发展的必要条件 "。在 SaaS 普及率超过 80% 的环境下，Salesforce、Slack 等头部产品成为企业标配，自然催生了对标准化接口的强烈需求。
在 MCP 等统一協定框架下，现有 SaaS 服务自然成为生态组成部分，既服务终端用户，又能被其他 Agent 调用。企业级数字员工 AI Agent 平台来也科技 CTO 胡一川形象地比喻："MCP 对行业的影响类似于 USB-C 标准化对电子设备的影响，它大幅降低了开发成本。以前 100 个开发者连接 100 个工具需要 10000 项工作，现在通过 MCP，双方只需准备好对应接口，即可实现全面连接，工作量呈指数级下降。"
相比之下，中国軟體生态发展不均衡，而这种軟體生态的根本差异，最终导致了中国缺乏类似 MCP 的统一協定标准。这不只是 Agent 技术路径的不同，更显现了数字基础设施发展阶段的不同。
一旦 MCP 与 A2A 构建起智能体世界的 " 水电煤 " 基础设施，后来者要么接入这套体系成为生态参与者，要么被排除在主流互動网络之外。
那么制定标准的人将掌握了最重要的话语权，如同我们所见的安卓系统，或是 Cuda，当下国内 Agent 公司都正面临着是加入还是独立发展的重要节点。
从当前的情况来看，似乎中国互联网的基础模型公司，并没有另起炉灶的打算。 4 月 15 日，魔搭推出全新 MCP 广场，上架千余款热门的 MCP 服务。魔搭 MCP 产品经理告诉硅星人：" 我们正在成为 MCP 的生态共建者，包括建立一些 MCP 应用的 BenchMark，以及给一些应用提供启动流量等等。"
本该是兵家必争之地的标准制定者，为什么基模厂商轻易让给了 Anthropic？
据硅星人的了解，一部分原因是因为统一協定本身可能只是 AI 发展的阶段性产物，从技术的角度来说，一旦建立了 Agent 的通用行动模型（参考机器人模型），就可以绕过 API 或者協定接口，直接完成操作，争也只是一时；另一方面，互联网大厂们快速加入 MCP 阵营后，能够将此前的优势积累释放，比如魔搭接入了收割支付宝提供的支付 MCP 接口，一旦 Agent 采用了通用的支付接口，支付生态可以在 AI 时代复利，这或许是一个比掌握協定本身更大的市场。
硅谷修路，中国造车
硅谷通过推动统一協定标准，对 Agent 生态而言就像是在 " 修路 "，建立基础设施和互联互通的标准。而中国企业则专注于 " 造车 "，打造能在特定场景下高效运行的实用解决方案。加入 MCP、A2A 或其他協定，对中国企业而言只是时间和选择问题。无论哪种路径，最终要让 Agent 生态完整运转，都需要一辆辆 " 车 " 真正跑起来。
在中国市场，C 端 Agent 仍处于非常早期阶段，以智谱 AutoGLM 为代表的通用智能体正在积极打磨产品形态、技术路线和商业模式，而绝大多数创业公司则将目光聚焦在 2B 领網域。
" 我们认为未来 2-3 年是智能体商业化落地的关键視窗期。端到端的纯大模型方案 ( 如 Manus 等 ) 不太可能在这个时间視窗内达到理想的商业落地水平，因为它们在可控性、稳定性和成本方面仍存在重大挑战。" 企业级通用智能体企业实在智能创始人孙林君判断道。
To B 的快速发展首先来源于市场需求的爆发性增长。" 自从今年 2 月 DeepSeek 发布之后，我们明显感受到企业级 Agent 市场迎来了一波 ' 爆单潮 '，" 翟星吉回忆道，" 仅在最近三个月，我们在推进的新项目就超过了 20 个，今年的预期营收也超过了千万。这在以前是很难想象的速度。"
胡一川也表达了类似观察：" 我们在制造业和金融领網域的 Agent 项目询单量比去年同期暴增了数倍。企业客户对 AI Agent 的热情程度远超我们预期，尤其是那些有明确流程优化需求的传统行业客户。"
其次是 to B 领網域相对清晰的商业模式，比如将销售转化率从 5% 提升到 6%，虽然只增加了 1 个百分点，但对企业来说实际增长了 20%，对大型企业而言这是相当可观的收益。
实际上，to B Agent 实际上替代了传统的定制化系统，以更高效的方式解决企业痛点。这些 " 数字员工 " 正在形成全新的商业模式，不同于传统 SaaS 的固定功能，它们能够根据企业需求持续进化，实现真正的軟體 " 活体化 "。
" 其实，MCP 这类協定对 2C 市场的影响远大于 2B 领網域。在企业场景中，系统大多采用封闭架构，且以本地私有化部署为主，很少需要连接公共互联网应用。" 翟星吉补充到，这一特点使得中国企业在缺乏協定层支撑的情况下，被迫自主研发从数据处理到执行操作的全链条技术栈。
语核 Langtum 企业级 Agent 应用落地平台
如语核科技，其技术核心之一在于自研的工业文档解析引擎，专门处理企业分散的非结构化数据（将 PDF 格式的工艺参数表转化为结构化数据），以便大模型能够更好地理解行业专业知识。在硅谷，这本应是独立细分赛道的技术环节，但在中国市场环境下，语核不得不将其作为 Agent 解决方案的一部分直接交付。
" 比如在制造业的采购环节，我们的 Agent 能够自动校对采购单、查找供应商、比对报价并完成下单流程，将原本需要 2-3 天的工作压缩至 30 分钟内完成，同时还能保持 95% 的准确性。" 翟星吉讲道。
来也科技则是通过将 RPA ( 流程自动化 ) 与 AI 结合，构建出一个一体化平台，来保证更高准确率和更强灵活性。" 我们的方案不是简单地将大模型和 RPA 拼接，而是构建了一个能够自我调整的智能系统，" 胡一川解释道，" 在传统 RPA 的基础上，我们增加了决策节点，允许系统在执行过程中根据实时情况进行判断和路径调整。"
来也科技数字员工平台架构图
例如，在某大型汽车主机厂的质检环节，来也科技的 Agent 能够自动识别并处理各类质检文档，当遇到异常情况时，系统会自动调用历史案例库进行比对分析，确定最佳处理方案。" 这一应用将质检文档处理时间从原来的 8 小时缩短至 1 小时，准确率提升至 99.2%，每年为客户节省人力成本超过 200 万元。" 胡一川补充道，" 更重要的是，随着使用时间延长，系统能够不断学习新的异常模式，持续提升处理能力。"
中国企业在构建 Agent 时往往采取这种 " 由点及面 " 的策略：先在特定场景中解决核心痛点，然后逐步扩展功能范围。实在智能创始人孙林君描述了他们的方法：" 我们首先为制造业客户打造质检文档处理的专用 Agent，证明价值后，再逐步扩展到生产计划、物料管理等相关环节，最终形成覆盖整个生产管理链条的智能体系统。"
当积累了大量针对复杂场景的实战经验，具体场景中的 Agent 往往具有更强的环境适应能力和问题解决能力。
Agent 的另一种解法
硅谷的軟體生态已经高度成熟，MCP 等協定正在将这一生态重新连接，形成 Agent 主导的新格局。但这一趋势不可避免地将逐渐弱化传统軟體企业的地位，使軟體最终成为 Agent 的组件。
在美国，各軟體间的标准化接口已经成为基础设施，Agent 开发可以专注于调用这些接口。而在中国，Agent 企业必须直面軟體碎片化的现实，通过创新性的技术路径解决执行层问题。从某种意义上说，这反而催生了更加普适的技术方向。
" 我们看到一个根本性问题：传统的 Agent 执行层要么依赖 API 调用，要么依赖像素级的视觉模拟，两者都存在明显局限，" 实在智能创始人孙林君解释道，" 前者在中国企业軟體生态中成本很高且速度慢 ，后者则面临稳定性和泛化能力不足的挑战。"
那么，RPA 方案和视觉感知方案有没有可能融合在一起？实在智能创新性的尝试了 " 融合拾取技术 "。
" 我们训练了一个名为塔斯（TARS）的垂直大模型，专注于电腦操作领網域。这个模型提升了任务理解、状态识别和操作决策能力，本质上是一种‘ text-to-action ’或更精确地说是‘ text+image-to-action ’模型。例如，当看到一个有搜索框和按钮的界面时，模型能理解「搜索实在智能」这样的指令，确定需要在搜索框中输入文本并点击特定按钮，然后生成相应代码执行操作。"
" 我们训练的视觉模型可在 100-200 毫秒内识别界面中的各类元素（输入框、按钮、下拉菜单、表格、对话框、密码区網域等），然后将这些视觉识别结果与传统方式识别的底层元素整合。目前在网页元素识别和操作方面比 GPT-4o 高出约 10 个百分点，在任务拆解方面高出 4-5 个百分点，这项技术也获得国家优秀奖专利。" 孙林君补充道。
一般遇到未见过的軟體，都需要派工程师到客户现场进行适配。但现实中未见过的軟體可能是无穷无尽的，这种人工适配模式难以扩展。融合拾取突破了传统 Computer Vision 方案对螢幕分辨率和界面布局的依赖，提高了 Agent 在真实复杂环境中的适应能力。
除了技术创新外，在生态构建上也出现了新的机会。Agent 公司究竟应该以什么身份对企业进行服务？是传统軟體？定制化系统？还是 AI 技术提供商？商业模式是軟體付费模式、按 token 付费、还是以 " 数字员工 " 的形式按人头付费？
" 我们认识到一个现实：在 2B 领網域，尤其是传统行业，行业 know-how 的积累至关重要，但从 0 到 1 自己完成这一过程周期太长，很难满足当下市场的迫切需求，"AI Agent 智能体云生态服务平台汇智智能创始人孙志明表示，" 因此我们选择了另一条路——成为行业知识与 AI 技术的整合者，将已经数字化的行业知识与 Agent 能力结合，打造 1+1 大于 2 的解决方案。"
这种模式的核心在于识别并整合已被数字化的行业知识。在制造业、医疗、金融等领網域，过去十年的信息化建设已经沉淀了大量专业知识，孙志明解释到，" 例如，ERP 系统中的工艺流程、医疗系统中的诊断规则、金融系统中的风控模型，这些都是经过多年验证的行业智慧。我们不需要重新发明轮子，而是将这些知识提取、结构化，然后与大模型能力结合。我们与行业信息化服务商、垂直领網域咨询公司、以及专业数据提供商建立了深度合作关系，共同打造完整的智能解决方案。"
对于像澜码这样的创业公司，从 0 到 1 自主积累行业知识确实周期过长，对创企的考验也更加大，核心原因在于没有找准自己的定位，是技术提供者、知识整合者还是解决方案交付者，然后围绕这一定位构建合作生态。
相比之下，新的商业模式或许更加适合中国市场现状。在中国大型企业的数字化程度参差不齐，但几乎所有企业都有不同程度的信息化基础，在 Agent 驱动下，或许能重新定义軟體服务的形态和交付方式。
毕竟，技术发展从来不是单一直线，在这个过程中，中国企业和硅谷巨头都在用各自的方式，共同推动 Agent 走向成熟。
