说到Agent，应该算是个蛮泛的概念，在支撑本标题前，先对AI Agent从形式上大概做个分类，先不考虑RLVR、ReAct、TOT这些架构问题，也不考虑Chatbot、低代码orRPA类型分类。大概如下，
设计好的Workflow形式，可以是单一Agent，也可以和其它Agent关联or通信，用Coze、Dify、Langchain、N8N等实现。
Genspark、Manus类的通用Agent，非垂直行业，黑箱sandbox的token燃烧器，25年3月后在claude能力上陆续出现，你可以说他们是大模型往上够一够的低垂果实，也可以说是尝试落地任务能力的初尝试。
模型即Agent范式，这个趋势已经很明显了，各家大模型新功能窗口期很短，最多也就3-4个月的idea差距。
垂直专家Agent小模型，在企业研发层面最具价值，但尚处于早期，缺少数据，商业模式容易演化成解决方案型，过的好坏取决于下游企业研发经费是否愿意付给你。
在制造业内，基本上研发业务会关注这类垂直专家小模型(俗称没有AI全是Science)，这个下篇AI4S续集会单独讲，非研发业务(法务、销售、测试、采购)则基本只能采用这种可监督的编好的Workflow方法，原因如下：
首先IT部门需要绝对的白盒Workflow用于检测和风控，即使流程中使用了LLM，也要保证只使用LLM获得需要的JSON格式参数，保证幻觉的可控。
工具tools需要it部门自己写，并且加载到Agent平台上，保证安全，即使使用MCP，也要保证传入传出的参数可控。
在这种背景下，诞生出很多问题：
IT没办法事无巨细的面向企业每个一线员工C端去Agent化其工作流，但是这种需求又确实存在，类似RPA重复度高，但零散且门槛不高，对完全没接触过代码的一线员工／研发／律师自己做Workflow的学习成本非常高，需要知道哪里需要LLM，选哪些tools，命名需要的JSON参数，还要级级风控(不是你这个职级能知道的信息不能告诉你，还有研发不能知道采购价格这些种种)，处于这种尴尬的矛盾中?。
针对B端部门专门开发Agent叭又面临部门间的数据墙，比如想给销售部门搞个营销Agent能实时更新一些产品的数据／功能，有些数据不同办事的人拿到的层级不一样。你让IT搞吧，IT得立项，然后手搓工具，不知道得多久去了；于是你让外包给供应商搞吧，数据标注、业务逻辑workflow又不能披露，得，没招了
这就是企业现实哈哈哈，欢迎讨论
#大模型 #AIAgent #数字化企业 #LLM#Agent #AI
设计好的Workflow形式，可以是单一Agent，也可以和其它Agent关联or通信，用Coze、Dify、Langchain、N8N等实现。
Genspark、Manus类的通用Agent，非垂直行业，黑箱sandbox的token燃烧器，25年3月后在claude能力上陆续出现，你可以说他们是大模型往上够一够的低垂果实，也可以说是尝试落地任务能力的初尝试。
模型即Agent范式，这个趋势已经很明显了，各家大模型新功能窗口期很短，最多也就3-4个月的idea差距。
垂直专家Agent小模型，在企业研发层面最具价值，但尚处于早期，缺少数据，商业模式容易演化成解决方案型，过的好坏取决于下游企业研发经费是否愿意付给你。
在制造业内，基本上研发业务会关注这类垂直专家小模型(俗称没有AI全是Science)，这个下篇AI4S续集会单独讲，非研发业务(法务、销售、测试、采购)则基本只能采用这种可监督的编好的Workflow方法，原因如下：
首先IT部门需要绝对的白盒Workflow用于检测和风控，即使流程中使用了LLM，也要保证只使用LLM获得需要的JSON格式参数，保证幻觉的可控。
工具tools需要it部门自己写，并且加载到Agent平台上，保证安全，即使使用MCP，也要保证传入传出的参数可控。
在这种背景下，诞生出很多问题：
IT没办法事无巨细的面向企业每个一线员工C端去Agent化其工作流，但是这种需求又确实存在，类似RPA重复度高，但零散且门槛不高，对完全没接触过代码的一线员工／研发／律师自己做Workflow的学习成本非常高，需要知道哪里需要LLM，选哪些tools，命名需要的JSON参数，还要级级风控(不是你这个职级能知道的信息不能告诉你，还有研发不能知道采购价格这些种种)，处于这种尴尬的矛盾中?。
针对B端部门专门开发Agent叭又面临部门间的数据墙，比如想给销售部门搞个营销Agent能实时更新一些产品的数据／功能，有些数据不同办事的人拿到的层级不一样。你让IT搞吧，IT得立项，然后手搓工具，不知道得多久去了；于是你让外包给供应商搞吧，数据标注、业务逻辑workflow又不能披露，得，没招了
这就是企业现实哈哈哈，欢迎讨论
#大模型 #AIAgent #数字化企业 #LLM#Agent #AI
