AI Agent泡沫背后的现实与挑战

AI Agent：泡沫背后的现实与挑战

近年来，AI浪潮汹涌，其中AI Agent成为备受瞩目的焦点。然而，从DeepSeek引领的强化学习热潮，到各种AI Agent及“类Agent”的涌现，行业内的竞争愈发激烈。

Agent似乎成了一种万能公式，被广泛应用于各种场景。但，它们真的有那么好吗？真的具备竞争力吗？

某大型金融企业AI技术专家王显（化名）指出：“Manus近期推出的新功能Wide Research，我觉得非常不具备竞争力。”他指出，Agent创业背后是可怜的留存率和渐趋同质化的体验。

尽管所有Agent产品都宣称“更聪明、更全能、更自动化”，但用户试用一次就离开的比例居高不下。这是否意味着通用型Agent的叙事正在透支？

本文将以Manus的新产品Wide Research及其公司跑路、撤资事件为例，探讨国内外Agent泡沫乱象的现实、背后的原因，以及未来Agent赛道的生存规则。

在交流过程中，我们发现通用与垂直的取舍和统合是决定去留的关键。

实际上，今年Agent大火，主要是在tool-use上取得突破。大模型技术专家王文广表示：“从编程到browser-use，再到computer-use，Agent的tool use能力得到增强。”

平安保险技术平台组负责人张森森进一步解释道：“技术层面上，协议逐渐成熟，能力外延扩大。应用层面上，有些长尾场景得到了覆盖。”

然而，以Manus为代表的通用Agent类产品一直饱受争议。一方面，资本甚是青睐；另一方面，用户诟病不止。

王显详细解释了为何Wide Research缺乏竞争力：“第一，Wide Research确实提高了并行处理的效率，但也非常消耗计算资源和调用额度，所以定价非常贵。”

“第二，没有看到它与单体高性能的Deep Research在性能准确度、成本效率上的公开对比或测试。”

“最重要的一点是，它仍然没有解决场景壁垒的问题。”

“所以在我看来，Manus自始至今，从产品角度而言，思路是完全失败的。”

AI技术专家和创业者陈为也持一致观点：“Wide Research的本质是‘规模化通用任务执行器’，效率高，但没有解决‘决策’问题。”

“当用户遇到真正复杂的问题时，这个通用Agent还是帮不上忙。”

如果扩大到任意的通用Agent，则它们都具备一个看似有吸引力但实则致命的特点：任务范围模糊。

Agent泡沫的资本逻辑

“大模型的出现让大家觉得开发门槛降低了，感觉‘人人都能做Agent’。”付瑞吉表示。

“通用型Agent的核心卖点就是‘解决所有问题’。但现实是，目前为止没有任何一个Agent能真正做到这一点。”

王显认为这场泡沫的兴起是创业公司和资本共谋的产物：“Manus根本是在走资本路线。”

“营销只能负责将大众的注意力吸引过来，但Agent不同于内容类产品（如短视频），它还是要解决用户的实际问题。”

“如果用户发现产品‘华而不实’，则很难留存。”

Agent产品缺陷的根本原因

当前的Agent产品普遍缺陷明显，可以从产品、工程、场景等多方面理解。

“对于ToC Agent产品，90%的用户用一次就离开很正常。”

“而如果是ToB产品，必须比现有软件更简单、准确、方便。”

“这种‘高信任要求’与‘低可靠性’之间的巨大鸿沟是C端通用Agent无法获得用户长期留存的根本原因。”

Agent发展限制

造成这一现象的根本还是在技术受限、行业规律甚至一些痼疾的背景下。

1 MCP VS A2A

“关于使用MCP Server会导致信息损失这一点非常重要。”

“最终Agent应该采用A2A（Agent to Agent）的协议。”

2 AI幻觉限制

“大模型无法从理论上完全消除幻觉。”

3 多智能体扩展限制

“多智能体显著增加复杂度且未必能提升效果。”

4 上下文长度限制

“上下文长度代表了基础模型能力的天花板。”

5 智能上限限制

“基础模型的智能极限决定了Agent的上限。”

6 行业限制

“资本叙事泡沫、基模公司挤压是国内ToB SaaS的痼疾。”

生存规则

这些规则包括：在自身的行业认知内构建Agent，采用垂直大模型等。1 行业knowhow

“真正的Agent应该是在行业中具备深厚knowhow的创业者或公司来做。”2 垂直大模型

“垂直大模型在成本、幻觉、部署和合规性方面更具优势。”3 “workflow” vs “Agent”

“workflow和Agent各有优劣，需权衡取舍。”4 核心场景

“跨系统任务编排与自动化、高可信度的知识问答与决策等是优先方向。”未来展望

“对于创业公司而言，需要找到创新的切入点并在特定场景中做到极致。”

“泡沫并非一定是坏事，真正的长期主义者反而能借助泡沫来生长。”