AI Agent爆发前的黎明：Manus不够好，但天快亮了

AI Agent爆发前的黎明：Manus不够好，但天快亮了

Manus能撑起5亿美元估值吗？

今年3月初，一款名为“Manus”的通用AI agent产品发布之后爆火。到了3月底，Manus的母公司Butterfly Effec被爆正寻求新一轮融资，目标估值将超过5亿美元。

由于Manus处于内测阶段，仅以邀请码形式开放使用，一度让邀请码在二手平台上被炒到数万人民币，无数开发者、投资人和从业人员排着队等测评。

与此同时，业内对Manus的评价从最开始一边倒的追捧，开始有了越来越多质疑和批评的声音。

对Manus的争议一方面来自于这个团队并没有非常强的技术能力，大模型用的Antrhopic的Claude、之后与阿里通义千问合作，被质疑是“套壳”产品，没啥门槛。公司打出的营销话术“世界上第一个通用AI agent”明显不属实，国际开发者社区早就有这样的general AI agent产品，加上各种媒体和自媒体早期夸张的修饰用词，反而引发了不少人对Manus激进营销的反感。

但是在另一方面，一些投资人和从业者却看到了非常积极的一面，认为Manus在产品交互上确实做得可圈可点。他们指出这个年头做demo容易，做出一款好产品却很难，创业公司做推广的时候大胆一点没什么不好。

而更加让人振奋的是，Manus虽然不够好，但却让人看到了AI应用爆发前夕的黎明曙光。

这篇文章我们就来聊聊Manus引发的热捧与争议、AI agent的技术发展路线、目前面临的技术瓶颈、什么是一款好的AI agent产品，以及通用AI agent何时才能来临。

01 测评Manus

Chapter 1.1 开发者测评Manus

硅谷101也拿到了几个邀请码，团队的小伙伴们都测试了一遍，但效果确实比期待中差了不少。

Jacob

硅谷101后期负责人：

我用Manus找一下稿件中的信息来源，我觉得对于GPT是更加聪明了一点，但是很简单多任务它花了半个小时才跑完。

陈茜

硅谷101联合创始人兼视频主理人：

我让它帮我整理分镜稿，感觉它的审美像实习生，而且做文章的分镜图时卡了21个小时，现在还卡着。

泓君

硅谷101联合创始人兼视频主理人：

让Manus整理微信文字稿时出现了幻觉问题。

王可倚

硅谷101特约研究员，《创客人生》主理人：

它最开始听懂了我的需求，但是执行中途就跑偏了。

我们也邀请了AI agent开发者Nathan Wang来系统性地评测下Manus。Nathan在过去两年有着丰富的AI agent及AI应用开发经验，他希望能量化地表示模型的能力，所以建立了一个测评的机制，并且这个系统也可以去测评其他应用或是模型。以下为Nathan评测的部分内容：

我主要有三个衡量指标：“准确度”、“可用度”、“完成度”，同时以“研究”、“教育”、“生活”、“数据分析”、“创意性工作”这五项任务归类。

我根据每个指标的表现从1到5打分，表现越好得分越高，表现越差得分越低，最后取三个维度的平均分。

先说它做得好的部分：研究方面为4分，教育方面为4.5分。这两块的能力是非常强的，正确性、完成度都很高。

但这两个领域的结果其实是符合我们预期的，因为ChatGPT、 Claude还有Gemini都是有深度研究的功能，它其实就是在互联网上帮你查找各种各样的信息，根据需求让大模型解释，或者做出一些行动。

Manus AI构架背后用的是其他模型，据传言说是Claude、DeepSeek-R1，Manus会利用这两个模型，根据用户需求生成一个任务列表，然后Manus可以通过编程、互联网搜索，像人一样查阅浏览器上的内容，来抓取信息。

总体来说，Manus更多是通过工具、函数、API来获得信息并总结，或者通过渲染的形式给用户表现出来，比如做成一个表格、执行一些程序等。

但除了研究和教育外，Manus在生活、数据分析、趣味性方面的得分却比较低，“生活”为3.5 分，“数据分析”为2.5分，“趣味性”2.5分。

在我们的测试中，Manus遇到的比较大的问题是，它将不同信源信息整合在一起的能力不是特别强；模型本身的逻辑能力、信息综合能力还不够，尚不足以在用户的实际体验中提供有效的帮助。

以上是Nathan评测的一部分节选，想看完整版的观众可以收看硅谷101视频或Nathan的微信视频号“硅谷AI领航”。

简单总结下Manus的能力：在简单一些的任务上，它给到了很丝滑的通用AI Agent的交互产品形态，虽然Nathan认为这个产品在硅谷开发者社区中很早就有公司有人在做了，但是对非开发者2C用户来说，当看到Manus页面上展示出它真的在加速看视频、读取文档、访问不同的网站搜索信息时，确实让用户第一次感受到了“AI agent”在虚拟世界充当机器人、帮用户完成一系列任务的潜力，还是非常惊艳的。

当然对于稍微有难度的任务它完成得不太好，甚至出现了卡壳几十个小时的现象，说明它还处于非常早期的产品阶段，之后还需要很多的迭代。

Chapter 1.2 2C产品的用户阈值与“叫醒铃”

也有嘉宾认为，我们应该对AI初代产品有所谓的“阈值”概念。在到达AGI之前，也许不会有准确度100%、完全准确不出错的通用AI agent。大家需要给AI agent一些时间和耐心，不同人群的需求，会从简单到复杂逐渐迭代地被实现。

周炜

创世伙伴资本（CCV）创始主管合伙人

前KPCB中国基金主管合伙人：

我认为Manus这个产品超过了用户的阈值。用户要把一个产品作为生产力工具，它必须要超过达到某个满意度以上才可以完整的使用。

ToB端其实有很多AI产品已经有很好的收入了，但是C端来说，大家以前没有感觉到有个产品改善了生活，我认为Manus做到了这点，它把用户体验做得很不错。虽然目前它的能力比较普通，最终也不可能面面俱到，但至少从目前来看，它的一些功能都做得很完善，未来还有继续提升空间。

我们看到一些争议，说它只是AI操纵大师，指挥另外两个AI底层模型来完成任务，这种讨论说明了一个问题，那就是目前AI从业者群体里面有一个很大的误区：在技术上自嗨。

我印象很深的是，乔布斯被踢出苹果又回去后，在一个公开大会上有1000多个工程师，其中一个工程师站起来挑战他说：你又不懂技术，凭什么指导我们、做这个公司的领导者？乔布斯的回答是：我知道如何满足用户需求、用户需要什么样的产品、并且我可以把它卖出去。

我觉得这就很好地回答了现在对Manus的质疑，在指责它仅仅是一个AI指挥大师的时候，为什么你不去做一个完美的用户界面来实现用户真正的需求？这才是现在AI从业者需要思考的问题，怎么让产品体验超越用户的阈值、能够变成生产力工具，如果做到了这一点，市场认可度就会很高。

Deepseek对全球来说一个Wake-up call（叫醒铃），它告诉大家：原来大模型还可以用这种路径来实现，而不是通过暴力堆叠的路径。而Manus我觉得也是一个叫醒铃，它告诉所有的AI从业者，不要痴迷于技术底层，你要做的是提供一个完整度高的产品，让大家都用起来，最终实现技术平权、技术普惠，如果连老爷爷、老奶奶都开始用它并且觉得好用，这才是目前ToC端产品的大成就。

Manus给了一个非常清晰的信号：大模型底座已经准备就绪了，足够做一个完成度高的产品。所以我觉得现在是非常好的发力时机。

TensorOpera AI联合创始人何朝阳认为，要做好AI agent产品，有四个纬度：“模型”、“工具”、“数据”、“基础设施”。产品或公司至少要在其中两项占绝对优势，才能保持领先。他认为，Manus占据了“工具”和“数据”这两个优势。

何朝阳

TensorOpera AI

ChainOpera AI联合创始人：

Manus占到了工具的优势，因为他把多个工具缝合到了一起，他可能也有一些独特方式，比如指挥多个agent相互合作。我觉得把各种工具缝合本身就是一个特点，它确实可能用的是其他的底层模型，但它可以收集用户发送的prompt（提示词），对比哪些提示词输出的结果更好，这样就可以帮助它迭代升级。

因为Manus有先发优势，可以早点拿到用户数据，可能会发现哪些agent更重要，然后更快速的迭代它，所以它其实已经在不断升级数据和工具的路上了，这刚好是应用创业者要去做的。

至于模型和基础设施，我觉得跟大厂合作就好了，就不要去四两拨千斤了。

“技术已经Ready了”，这是我们和很多AI从业者和投资人交流的时候，他们透露出的信号和见解。

02 AI Agent技术发展史

过去一段时间“agent”这个词稍微有点被“太泛化”了，门槛有点过低，所以我们先明确下AI Agent的定义。

技术人员通常将AI Agent定义为：具有“逻辑推理能力和决策能力”（Reasoning）、“记忆能力和上下文理解”（Memory）、“工具使用能力”（Tools）这三种能力，甚至更进一步说，还需要具备学习使用不同新工具的能力。

Keith Zhai

Tiny Fish联合创始人：

我们自己定义的agent，它应该在某种意义上像人一样，可以使用各种网页工具，也同时还可以学习怎么使用不同的东西，但这点对Agent来说是非常难的挑战。

我们来看看过去几年，AI生态圈是怎么发展推理（Reasoning）、记忆（Memory）和工具（Tools）这三种主要能力的。

Chapter 2.1 推理能力

Nathan Wang

硅谷101特邀研究员

AI Agent开发者：

AI Agent需要有很强的逻辑能力，因为它最终帮用户执行任务的时候，需要理清楚这个任务该如何决策？用哪些工具？得到信息之后应该做哪些动作？所以推理（Reasoning）是最重要的能力之一。

2022年10月，就在ChatGPT上线的一个多月前，ReAct框架被普林斯顿和Google Brain合作的团队提出。

ReAct是一个将推理和行为与LLMs（大语言模型）相结合通用的范例，这让大模型不仅能回答问题，还能推理并采取行动。简单来说，就是让AI在回答问题的同时，能够执行一些动作，不只是“动动嘴皮子”。

Nathan Wang

硅谷101特邀研究员

AI Agent开发者：

ReAct所做的事情更加偏向于prompt engineering（提示词工程），他其实是通过设定一些不同的提示词，能让大语言模型按照一定的格式去输出。

比如说第一步是先理解用户想要的是什么，然后再思考下一步要去做什么，同时也告诉模型，有哪些工具可供选择。当模型有逻辑能力之后，它会选择一种工具，比如用户要订机票，那就要去搜索机票相关的信息，然后agent就会通过调用某个工具或API，也可以是模型自己写的功能，来完成这一系列的动作。得到这些信息后，agent还要思考，下一步是要帮用户定这个机票，还是告诉用户这个信息，再让用户来决定。所以所有AI Agent的构架其实都是从这篇论文开始的。

但当时的最先进模型GPT-3.5的能力相对有限，使得AI Agent的逻辑推理能力并不出彩，错误率很高。

而后来发布的GPT-4在理解能力、推理能力、回答质量都大幅提升。同时2023年3月23日，ChatGPT插件功能Plugin发布，允许大语言模型调用外部工具并开发APT，支持开发者将LLM与数据库、工具和互联网连接。这些都让AI agent的开发者们兴奋不已。

Nathan Wang

硅谷101特邀研究员

AI Agent开发者：

刚开始ChatGPT只能做一些对话、生成文本，但后来它就可以搜索互联网上的内容了，还可以让它接入不同的数据库去提取信息，或者使用一些工具。

那时开发者社区沸腾了，因为整个模型有了推理能力，也可以接入各式各样的工具来完成一系列复杂的操作。当时有个公司比较有意思，叫做Zapier，这个公司是2011年成立的，但它们主要做一些自动化工具。但大语言模型发布后，他们就第一时间去帮大语言模型去做这系列工具，很多早期的开发者应该都用过Zapier，比如它可以让大语言模型接入谷歌邮箱，或许其他的应用，让大语言模型可以完成更复杂的工作。

所以在2023年初，AI Agent技术三大要素的第一步已经搭建好了，逻辑推理能力提到了显著提升，也可以接各种外部API、调用外部工具来完成任务。

接下来，开发者生态进入到了技术发展的第二章：记忆能力与上下文理解。

Chapter 2.2 记忆能力

Nathan Wang

硅谷101特邀研究员

AI Agent开发者：

刚开始GPT大概只有4096个token，其实是非常少的，大概只能输入3000多个英文单词，那时大家非常苦恼没有办法输入更多信息让模型去执行地更好。

但到5月份的时候，OpenAI最大的竞争对手Anthropic，发布Claude模型。这个模型一开始得到开发者的关注，主要原因就在于，跟ChatGPT相比，Anthropic可接受的token大概提升了100多倍，意味着它可以获得更多的信息去思考和决策。所以Anthropic的发布也是技术史上非常关键的一笔。

2023年5月11日，Anthropic推出的Claude模型可以支持10万token的上下文窗口，使得LLM能够处理更大规模的信息，并增强基于大量信息的推理和决策能力。

不久之后的2023年6月13日，OpenAI也在这一方向做出了技术迭代，发布函数调用（Function Calling），引入JSON模式和1.6万token的上下文窗口。这让AI可以更可靠地调用外部API，比如说查天气、自动填表等等任务。

紧接着在2023年11月21日，Anthropic的Claude 2.1版本又进一步，把上下文窗口扩展到20万个token，相当于AI一次性可以记住一整本教科书的内容，思考能力大大提升。也意味着能进一步扩大大模型的记忆能力，优化推理和决策过程。

再之后在2024年2月，谷歌发布Gemini 1.5的时候，将上下文窗口的token数扩展到了百万级别，至此，“记忆”这个AI Agent发展必备中的第二个技术壁垒也完全被打破，对于开发者们来说不再是大问题。

Chapter 2.3 工具使用

2023年底，前两个技术壁垒的突破，让大语言模型能充当虚拟世界的机器人这件事情变得更加可行，这时一些初创公司开始在硅谷生态圈活跃了起来。

Nathan Wang

硅谷101特邀研究员

AI Agent开发者：

我知道的第一个让大语言模型去控制用户电脑的AI Agent应用公司是Simular，它应该是2023年12月底的时候发布了第一版Demo。大家看到AI agent的功能已经变得越来的强大了，从开始使用各种工具、接各种数据库、调用不同的应用，已经发展成可以操控电脑了。这一点让我觉得AI Agent的技术路线有了极大的飞跃。

2024年10月底，Claude发布了“computer use”功能，让AI Agent直接控制计算机的能力更进了一步，AI变得更像真正的、可以行动起来的智能助手。

Nathan Wang

硅谷101特邀研究员

AI Agent开发者：

你可以看到开发者社区或初创公司其实走的比大厂要早很多。

AI圈备受关注的Andrew Ng（吴恩达）教授在2024年底关于AI Agent的演讲，彻底燃起了技术圈和非技术圈人们对于AI Agent的期待和热情，“2025年将成为AI Agent应用元年”的预测开始出现在各大媒体头版上。

虽然各种各样的AI Agent应用demo在全球开发者社群中早就屡见不鲜了，但在Manus出现之前，大部分AI Agent创业公司主要聚焦于企业级（ToB）应用，而非直接面向消费者（ToC）。所以难点在哪里呢？

Keith Zhai

Tiny Fish联合创始人：

其实自从有互联网开始，网络上所有工具的设计方式，主要目标都是为了让人类使用，在这样的逻辑下，机器想完成准确、大面积的交互是很难的，这是在大语言模型出现前人类无法解决的问题。

在AI Agent之前行业没有形成范式共识，所以现在距离AI Agent实现通用化还差一步，那就是整个产业的支持。

Chapter 2.4 一步之遥

我们前面提到的逻辑推理、上下文记忆、工具调用这些能力，在何朝阳看来，都属于“single agent”（单独智能体）的技术发展。

但要让AI Agent真正发展起来，做到主流化、规模化，那还需要实现multi-agent（多个智能体）之间的通信和互联，不同的Agent需要在不同设备、不同机房之间去做计算和联动，才能推动上亿级别用户机会的应用。这其中的难点在于通用的、标准化的协议适配范式。

何朝阳

TensorOpera AI

ChainOpera AI联合创始人：

用大模型来驱动逻辑推理、上下文记忆、工具调用这些能力，所产生的AI agent，被大家定义为单独智能体，这是第一个发展阶段。

第二阶段的标志，就在于agent之间能实现互相通信。

第三阶段是让agent在不同的设备、不同的机房之间计算、联动，我觉得它是未来支持亿级别用户必须要有的架构，这是一个单点是无法做到的。

目前，我们仍然处于第三阶段的竞争和尝试中，这个阶段要解决的问题是，很多网站或者工具不支持AI agent的调用。

比如说很多网站和服务都会有“反机器人/anti-bot”的设置，我们也看到Manus执行任务时也经常因为访问不了一些数据而导致任务失败，所以在这个阶段中，我们需要打造一个通用协议来解决这个问题，才能支持不同AI agent之间的联动。

包括Anthropic等在内的很多公司正在做协议适配上的尝试。2024年11月初，Anthropic推出“模型上下文协议”（Model Context Protocol，简称MCP），引进了“应用如何为LLM提供上下文”的规范。

Anthropic将MCP协议称为“AI应用的USB-C端口”，支持将大模型直接连接到数据源。此前，企业和开发者要把不同的数据接入AI系统，都得单独开发对接方案，而MCP做的，就是提供一个 “通用” 协议来解决这个问题。

然而，MCP解决了第三代技术的问题，还有最后一代问题，是目前AI Agent应用大规模爆发的壁垒，那就是：真正统一的Agent-Agent之间Protocol通信标准与分布式计算，就像如今的安卓与iOS一样，我们也需要一个全球承认且通用的AI OS。

何朝阳

TensorOpera AI

ChainOpera AI联合创始人：

举个例子，现在有两个独立的agent，如果要让这两个agent之间互相协作，就需要造第三个agent，这个agent来负责和前两个agent之间互相通信。

但agent之间的交互没有标准，可能一个协议是A，另一个协议是B，所以第三个agent就要把各自的协议给改一下，让两者之间能互相通信。

就好比10年、20 年前，有两种电脑，一个是IBM造的，另一个是Intel造的，它们之间底层的链路没有打通，就会导致软两个软件之间没有办法沟通，那时还没有TCP/IP的时候就比较麻烦。但到移动互联网的时候，比如说基站的通讯标准TTL、 TEL等等，如果所有设备软件都符合这个标准，大家是可以互相交流的。

图片来源：pexels

所以今天单独智能体内部调用工具的问题，MCP已经一定程度地解决了，但两个agent之间如何通信，是更高维的通信协议。我对未来AI的想象就是，有一个非常复杂的分布式网络，有大量的服务，用户的诉求分发到整个网络里面，然后得到一个反馈。

我已经看到安卓的创始人（之一）出来亲自做AI OS 这件事情，我觉得安卓一定要被重构，可能这个系统你打开之后就是一个框，你可以问的一切问题，所有的信息或动作都会呈现在这个框的里。这个是我认为协议的核心。

2024年11月底，一个由安卓系统前高管们创业的公司，/dev/agents吸引了外界和媒体的注意，他们宣布获得了5600万美元的种子轮资金，联合创始人兼首席执行官David Singleton表示：“我们需要一个类似于安卓系统的人工智能时刻”。

他们想要打造的就和何朝阳的公司一样，希望开发一个通用操作系统，为AI Agent提供一个统一的平台。如果做到了，最后一个AI Agent的技术壁垒也就打通了，AI Agent就达到了第四阶段。

何朝阳

TensorOpera AI

ChainOpera AI联合创始人：

我们想做一个真正的distributed multi-agent framework（分布式多代理框架），并且是hybrid as cloud（混合云）的架构，这样的话就需要agent之间的通信，并且不是一个单系统，它是公司之间的协作。

目前Router这种技术（如何确定分发意图、打通不同的agent的协议），我们现在是一个一个地去找合作伙伴适配，我们正慢慢地尝试去推广这种通用的协议。

但根据10年前的教训，这件事最终应该是几个大厂、或者然后国家队联合起来一起推广，有点像通信领域的 5G、6G标准。

总结一下何朝阳从整个AI Agent生态角度来看待的四代技术：

第一阶段是planner规划（也就是逻辑推理）、记忆memory、工具tools，让单个智能体在技术上的成熟。

第二阶段是通过planner的发展，在单机上实现多个智能体之间的通信。

第三极端是AI Agent在不同设备和机房之间能联动，这将推动上亿级别的用户承载量。

第四阶段是Agent-Agent之间的通信标准与分布式计算，也就是一个全新的AI OS。这也是我们现在正在突破的阶段。

何朝阳与很多AI从业者们都说，在黑夜中探索了这么久，现在天快亮了。

何朝阳

TensorOpera AI

ChainOpera AI联合创始人：

如果是一个产品经理的视角，我觉得现在的阶段应该说是天亮了。

如今，随着AI Agent基建的进一步完善，包括底座大模型在内的各项技术进一步提升，以及科技巨头、初创企业、开发者生态中对协议和标准的进一步探索以及统一，我们似乎能感受到，AI Agent的爆发只有一步之遥。

Manus和类似的通用AI Agent公司只是给我们打了个样，之后的路还有很漫长。但这一步的距离其实还有挺多没有解决的问题。

Nathan Wang

硅谷101特邀研究员

AI Agent开发者：

推理、记忆、工具调用这三个能力，只能让开发者做一个成熟的demo出来，但是如果想变成一个真正可用的产品，其实还需要解决两个技术瓶颈。

一个是可靠性，比如说至少有90～95%以上的情况能给用户正确且相关的信息。

二个是这个鲁棒性，怎么样让大模型或AI agent 能够具有鲁棒性，在各种边缘情况下都能够满足用户需求，是非常有挑战性的。

Keith Zhai

Tiny Fish联合创始人：

对企业来说有很多问题需要考虑，比如第一步出错的概率是1%，第二步是2%，第三步可能是1%，但最糟糕的情况是，它会有一个叠加的错误效果，等它完成到第十步的时候，错误率就非常高了，很多企业办公流程达到了十几二十步，最后可能错误率会非常高。

Keith表示他们公司Tiny Fish扒了一下网上的数据，全美国有1.5万家接受了融资的初创企业在做AI agent方向的创业，这显示出AI agent这个大赛道的生态火热。

03 硅谷AI Agent公司版图

接下来由硅谷101的特约评论员王可倚来归类下，AI Agent公司的版图和大家在尝试的方向。

目前的AI Agent产品主要分为以下三类：

1. 以Manus为代表、直面用户的通用型agent；

2. Agent基础设施与框架层，也就是帮助搭建agent应用的地基和工具；

3. 面向特定行业的垂直化agent，比如编程、客服、销售、科研、商业分析与调研、甚至供应链管理等领域。

通用型agent前面已经讨论很多了，接下来重点讲讲后面两类。

Chapter 3.1 Agent基础设施与框架层

说到架构，不少开发者小伙伴一定会首先想到LangChain。这个诞生几个月内就获得了超5.5万GitHub星标、和3千万美元融资的开源工具，迄今是agent开发者用来让大语言模型调用外部工具与数据库、拥有长程记忆、及完成多步骤工作流的首选工具包之一。

还有一些其他热门工具，比如Pinecone这类帮助agent高效检索外部知识的向量数据库，或让agent能更好处理私域数据的LlamaIndex等等，虽然并非仅针对agent，但也都是目前agent应用开发必不可少的“左膀右臂”。

同时各大云服务商也都争先恐后地推出了agent工具包，例如微软的Semantic Kernel、AWS的Bedrock Agents等，用来组合多种AI技能，主打对agent开发者体贴入微。

就像前面提到的，随着AI Agent基建和框架层的进一步探索和完善，这一块也是这两年VC风投资本们非常热门的投资方向，使得开发者们能用的工具和支持生态越来越成熟。

我们在过去几个月看到不同行业和场景中，不少创业公司们的Agent应用尝试。接下来我们聊聊具体的垂直赛道的明星公司们。

Chapter 3.2 AI编程Agent

如今，AI agent应用被认为最早落地的是编程类的agent：它们不仅能自动补全代码，还能协助程序员们编写、调试，甚至自主部署软件。

GitHub Copilot在2025年2月推出的agent模式，想必码农小伙伴们都很熟悉。由初创公司推出的编程agent不仅多到让人眼花，还可以称得上AI届“造星工厂”。

号称首位“AI软件工程师”的Devin，背后是“生下来就在罗马”的新贵初创公司Cognition AI，成立不到半年，估值就跃升到20亿美金。Devin宣称能替代初级码农独立阅读技术文档、编写。

Devin的野心很宏大，每月高达500美金的订阅费也很美丽，但我身边的程序员朋友却吐槽： Devin写代码一般般，做调研倒还不错。所以现实情况是，定位于企业级用户的Devin在庞大冗杂的代码库、欠缺的技术文档和模糊不清的背景信息（context）这三座大山前，有点力不从心。

Cursor是另一个风头正劲的AI编程助手，诞生于四位MIT本科生于2022年创立的公司Anysphere。Cursor由于好用、速度快，对用户代码库理解能力出色，且成本远低于Devin，迅速成为了很多码农的首选，包括OpenAI、Shopify、Instacart的团队都有使用。

据业内消息，不到三岁的Anysphere已实现1.5亿美金年化收入，且正在洽谈估值可能高达百亿美金的新一轮融资。

其他还有很多编程类agent，比如拥有2000万开发者用户的Replit，旗下的AI Agent可以根据自然语言指令生成完整的网页端应用。还有正在以近30亿美金估值融资的Codeium，旗下的Windsurf已拿下包括戴尔在内的超一千家企业级用户；以及字节跳动针对中文开发者推出的编程助手Trae等等。

看来AI编程领域的agent赛马越来越精彩，不知各位码农朋友是欣喜还是担忧呢？

Chapter 3.3 客服与销售Agent

客服与销售是两个劳动密集型岗位，但如今AI agent在这两个领域中凸显了效率优势，受到大量企业采纳的领域。

客服助理中表现突出的是Decagon。这家炙手可热的AI初创公司已融资超1亿美元，客户包括大家熟悉的Duolingo、Notion和Eventbrite等。

Decagon的AI客服能自动处理高达70%的客服工单，为企业节省每年数百万美元的人力开支。企业客户之一Bilt曾说：使用Decagon就像一夜之间多招聘了65名全职客服人员。

与此同时，销售领域则有快速崛起的AI独角兽Clay，它利用AI agent自动抓取和扩充目标客户数据，批量与潜在客户进行量身定制地互动，并帮销售人员处理大量工作中的脏活，从而成倍放大销售团队的生产力，目前已积累了十万名用户。

Chapter 3.4 其他新兴应用场景

除了上面说到的几个领域之外，AI agent还在以下许多领域扩大影响。

1. 商业调研：作为商业数据分析领域的头部AI agent，Hebbia服务于全球资管规模前50名基金中的近1/3，以及多家大型律所、咨询公司、甚至美国空军。

2. 科研：学术界明星科研助手Elicit擅长自动生成论文部分内容并处理海量数据，目前全球已有超过200万科研人员使用；它极大提升了机器学习、制药与生物科技等领域的研究效率。

3. 供应链优化：被誉为美国最神秘的大数据公司Palantir近期在其人工智能平台（AIP）推出了agent功能，用于自动化管理物流与库存，已在60余家大型企业投入使用。

4. 医疗健康：美国最大的医疗信息公司Epic利用AI agent，将大量繁琐重复的行政工作自动化，比如患者预约与分流、基本沟通、手续查验与项目批准等，有效减轻了医护人员的负担。

Chapter 3.5 AI Agent应用小结

随着AI agent技术的发展，为什么一些应用场景会更快地落地应用呢？我们发现目前取得成功的agent大多具备以下几个特征：

1. 任务定义明确且高度重复，比如客服、销售等场景，AI能显著提效且风险相对较低。

2. 工作流模块化且相对独立，比如经过良好切割的软件开发任务，agent可以不需要大量背景知识，在封闭、可控环境中运行。

3. 注重信息检索、分析与推理，大量自然语言交互，且不需借助复杂外部工具的场景。比如各种形式的调研，利于AI扬长避短。

4. 聚焦于协助而非完全取代人类，让企业能够逐步、稳妥地将AI整合到现有工作流中。

总得来说，业界普遍认为大模型和agentic AI的底层技术，已发展到了足以支撑大量2B领域商业化的阶段，而2C领域MVP（最小可行产品）的雏形也已经显现。

当然，想让AI agent承担更复杂的角色，在长期记忆、多模态、API整合、以及多agent协作等方面，还有很长的路要走。此外，企业也要做好内部流程、数据和文档标准化的工作，才能让AI agent更有用武之地，这或许会像10年前的企业上云，并非朝夕之功。

04 AI Agent的未来

在Manus引发的热潮和争议不久，OpenAI发布了新的Agent功能，推出专用于简化agent开发的API和工具，包括Responses API、内置工具和Agent SDK，帮助开发人员和企业构建有用且可靠的AI Agent。

所以Manus可能只是一道前菜，而精彩的部分才刚刚开始，Agentic这个词也注定会成为2025年AI赛道的关键词。

周炜

创世伙伴资本（CCV）创始主管合伙人

前KPCB中国基金主管合伙人：

ToB端其实去年就有一些产品收入很高了，ToC端的话，我认为今年会是AI应用的元年。

我觉得一个通用的 AI agent想覆盖所有的应用场景是不可能的，所有在AGI达到之前，日常生活中应该需要多种AI agent互相配合，比如有买机票的agent，买保险的agent，买房的agent等等。

其实不用把agent想得太神秘，它就是相当于日常生活中，某个垂直领域的顾问或者是从业人员在帮你做这个事儿。所有在AI agent它应该也有很多个，针对不同的方向帮你解决不同的问题。

当然，我相信未来所有的agent会是大一统的状态，但道路还很漫长，所以我觉得没必要观点太终极。我觉得现在创业公司得先专注在垂直领域把它做到非常精细。

Perplexity这个产品就给了大家一个非常明确的方向，你看它从一开始就是专心在“研究”这一块做得非常的专业，我觉得就走这条路，足够成就一家很好的公司。

当然，一个新技术和新范式的产生少不了失败，这个失败在于对创业路径的失败，也在于对时机判断的失败，还有对于烧钱速度的失败等等。

在AI Agent这条道路上，我们已经看到一个初创明星公司的倒下：这就是Adept。

Adept总融资额增至4.15亿美金、公司B轮估值超过10亿美金晋升独角兽之后，却因为技术研发受阻而自己又研发基础模型所以烧钱太狠，不得不最终在2024年年中“卖身”给亚马逊。当时，这给所有想要从事AI Agent赛道的初创公司都枪响了警钟。

如果Adept能撑过黑夜、撑到如今的黎明时刻，说不定能比Manus拿出更好的产品、公司的结局会不会不一样呢？

无论如何，如今天快亮了，但新的一天才刚刚开始。长路慢慢，还早着呢。

文章来自微信公众号 “ 硅谷101 “