文 | 适道
如果说LLMs是“人类智慧”，那么AI Agent就是“使用火燧”，引领人类文明进入下一个时代。
2024年，AI Agent称得上最火热的概念。一方面，大模型赛道降温，并呈现出赢家通吃的局面；另一方面，AI Agent则是大模型应用落地的最佳形式，其能够解决LLMs在具体应用场景中的局限性。
那么，当前AI Agent采用现状如何？哪些领域会率先冲出来？
我们结合两份重量级报告——LangChain发布的State of AI Agents，以及Langbase发布的2024 State of AI Agents进行梳理，试着寻找AI Agent在开发、采用过程中的关键问题。
LangChain调查了1300多位专业人士，职业包括工程师、产品经理、业务领导和高管；行业分布：科技（60%）、金融服务（11%）、医疗保健（6%）、教育（5%）、消费品（4%）。报告链接https://www.langchain.com/stateofaiagents
Langbase调查了3400多位专业人士（100多个国家），职业包括C级高管（46%）、工程师（26%）、客户支持（17%）、MKT（8%）。报告链接https://langbase.com/state-of-ai-agents
具体内容如下：
1、谁在采用AI Agent？
LangChain调查显示：约有51%的受访者已经在生产环境中采用了AI Agent；78%的受访者计划在近期将AI Agent引入生产应用。
按规模看，员工人数为100-2000的中型企业最为积极，采用率达到63%；按行业看，90%的非科技公司已经部署或计划部署AI Agent，这与科技公司（89%）旗鼓相当。
Langbase调查显示：目前，AI（非AI Agent）的实验用途比例远远大于生产用途，虽然后者在稳步增加中。
2、AI Agent基座大模型哪家强？
Langbase调查显示：OpenAI（76%）占据主导地位；谷歌（59%）正迅速崛起，成为其强劲的竞争对手；Anthropic（47%）紧随其后。Meta的Llama、Mistral和Cohere影响力不高，但增长势头不容忽视。
各家大模型的采用情况如下：
OpenAI在技术和营销应用处于领先地位，同时也是翻译能手；
Google在健康和翻译领域表现相当出色，展示其在语言和医学领域的强大实力；
Anthropic是处理技术任务的高手，但在营销和翻译方面的使用率较低；
Mistral在技术和科学领域表现不错，不过是个偏科生；
Meta被广泛应用于技术和科学领域；
Cohere在多个领域的齐头并进。
3、选择AI Agent基座大模型受哪些因素影响？
Langbase调查显示，准确性（45%）是最重要的因素，其次是安全性（24%）和可定制性（21%），成本（10%）影响相对较小。（注：与“企业采用AI Agent有何顾虑”基本一致）
4、企业在哪些场景采用AI Agent？
LangChain调查显示：研究与总结（58%）、个人生产力工具（53.5%）、客户服务（45.8%）。
该结果显示——人们希望将耗时任务交给AI Agent。
知识过滤器：AI Agent能够快速提炼关键信息。在文献综述或研究分析中，人们无需自己手动筛选海量数据；
生产力加速器：AI Agent可以协助安排日程、管理任务，提升个人效率，让人们专注于更重要的工作；
客服神助攻：AI Agent帮助企业更快地处理客户咨询、解决问题，大幅提升团队的响应速度。
Langbase调查显示：自动化、简化是企业采用AI的首要目标，其在效率和流程简化方面受益；定制化解决方案、提升协作能力则反映了大模型日益增长的灵活性，以及消费者对系统共享访问的兴趣。
在具体场景上，Langbase调查显示：
AI大模型在软件开发（87%）应用最广泛；
其次是文本摘要（59%）、市场营销（50%）、IT运营（48%）、客服（43%）；
最后是人力资源（26%）、法律合规（15%）等领域。
值得注意的是，该结果与上述LangChain的调查有些出入。主要原因是——Langbase的提问方式是AI大模型，而非AI Agent。
5、在生产中采用AI Agent存在哪些顾虑？
LangChain调查显示，性能质量（41%）是首要关注点，其重要性远超成本（18.4%）和安全（18.4%）等因素。
AI Agent依赖LLM“黑盒”控制工作流程，这会带来不可预测性，增加出错风险。因此，团队难以确保其Agent 能否始终提供准确、符合上下文的响应。
对于小企业而言，性能质量尤其重要——45.8%的小企业将性能质量列为主要关注点，而成本因素仅为 22.4%。
对于必须遵守法规，要敏感地处理客户端数据的中大型企业来说，安全问题也很普遍，超过了成本因素。
除了上述因素，LangChain在书面回复中发现，团队还面临知识、时间难题。
知识不足：许多团队缺乏构建和部署 AI Agent的专业技能，特别是在特定应用场景下的实现。员工们还要苦练专业技能，以高效利用AI Agent。
时间有限：构建可靠的AI Agent需要投入大量时间成本，包括调试、评估和模型微调等环节。
Langbase调查显示：复杂的扩展和部署过程是阻碍采用的首要问题；其次是数据隐私和安全合规性；缺乏监控工具、高昂的基础设施成本也阻碍了技术的落地应用。
6、AI Agent开发相关问题有哪些？
Langbase调查显示：在生产环境中部署LLM和AI Agent面临关键挑战，包括定制化难度高、缺乏用于质量保证的评估方法，可重复使用的基础设施不足。碎片化工具、集成问题以及可扩展性限制进一步加剧困难，突显出构建简化流程和强大支持工具的必要性。
开发者将AI Agent的版本控制视为开发平台最重要的功能。强大的SDK、库生态系统、本地开发环境也受到关注。
大多数受访者需要多代理RAG能力以提高上下文信息处理；评估工具对于确保AI系统按预期工作同样很重要；多代理流水线也是在生产中实现复杂任务的关键技术。
7、对AI Agent有哪些展望？
LangChain调查显示：企业在采用AI Agent，既有新的期待，也会面临持续的挑战。
新的期待：
处理多步骤任务：AI Agent具备更深入的推理和上下文理解能力，能够应对复杂任务。
自动化重复性任务：AI Agent被视为自动化日常任务的关键工具，释放人力投入更具创造性的工作。
任务分配与协作：优化任务分配，确保合适的Agent在正确的时间处理特定问题，尤其在多Agent系统中。
类人推理能力：不同于LLMs，AI Agent能追溯并优化自己的决策，根据新信息调整策略，类似人类的思考过程。
主要挑战：
Agent的黑盒机制：工程师发现，他们很难向团队和利益相关者解释 AI Agent 的功能和行为。尽管可视化步骤有助于理解到底发生了什么，但 LLM 的内部机制仍然是个黑盒，增加了解释的难度。
重点关注：
对开源AI Agent的兴奋：许多人对开源AI Agent 表现出浓厚兴趣，认为集体智慧能加速创新。
期待更强大的模型：大家期待更高级的 AI Agent，由更强大的模型驱动，以更高的效率和自主性处理复杂任务。
结语
从企业的采用意愿来看，2025年或将成为AI Agent的爆发元年。
从爆发领域来看，软件开发、客户服务、市场营销等领域将率先跑出种子选手。目前已知的就包括编程神器Cursor、AI Coding“鼻祖”Replit等等。
值得关注的是，这两份报告均揭示出当前AI Agent落地的最大难点——准确性，甚至连成本因素都名列二、三位。
一个办法是等待“至尊”大模型出现，但这取决于巨头们的能力边界。而在某种程度上，AI Agent的出现本身就是为了解决LLM在具体应用场景中的局限性。因此，开发者需要尽可能地在记忆、规划、工具使用等其他技术栈下功夫。
如果不能迅速实现，我们也可以换个思路：短期内商业化成功的AI Agent，不一定是看起来“代理化”程度最高的产品；而是能够平衡性能、可靠性，以及用户信任的产品。
换句话说，如果做不到完全自主，开发者需要从一开始考虑如何将人类员工融入其中，做到准确性万无一失。
正如吴恩达的观点，形容词“Agentic”比名词“Agent”能更好地帮助我们理解这类智能体的本质。如同自动驾驶汽车L1-L4，Agent的进化也是一个过程。或许，一个确定的趋势是先拥有AI Copilot，再拥有AI Agent。只不过，Copilot这个词的存在感可能会降低，转而被“少量Agentic能力”代替。
热门跟贴