近年来，基于智能体的强化学习（Agent + RL）与智能体优化（Agent Optimization）在学术界引发了广泛关注。然而，实现具备工具调用能力的端到端智能体训练，首要瓶颈在于高质量任务数据的极度稀缺。
随着 AI Agent 技术的快速发展，业界许多企业开始在 Agent 方向进行深层次探索，而不仅仅是停留在“大模型 + 工具调用”的简单应用上。
一个优秀AI产品背后肯定有一个很能打的原始团队。 经过2025前半年的厮杀，我基本有这样的一个判断：目前市面上八成的Agent产品会草草收场或者归于沉寂。 同时Lovart是Liblib母公司全力支持的出海产品，liblib本身也具有社区，设计，技术的基因。
根据 Menlo Ventures 最新发布的《2025 年消费者 AI 现状报告》，全球已有 18 亿用户使用 AI 产品，付费转化率 3% 左右。行业领头羊 ChatGPT ，拥有 8 亿月活用户，付费转化率约 5%。C 端场景基数大且有一定的付费转化率，部分产品商业化渐入佳境。
本文第一作者是上海交通大学计算机学院三年级博士生程彭洲，研究方向为多模态大模型推理、AI Agent、Agent 安全等。通讯作者为张倬胜助理教授和刘功申教授。
自从 Transformer 问世，NLP 领域发生了颠覆性变化。大语言模型极大提升了文本理解与生成能力，成为现代 AI 系统的基础。而今，AI 正不断向前，具备自主决策和复杂交互能力的新一代 AI Agent 也正加速崛起。
Agent Infra是AI时代的新热点，涉及为Agent重建基础设施以适应其与人类的根本差异，包括交互方式、学习模式、责任界定等。核心是创建安全环境如E2B沙盒和Browserbase浏览器工具，支持Agent反馈循环和多任务协作，预计Browser Use市场将大幅增长，开发者需聚焦差异场景提升价值。
这是我关于「AI Native 系列」的第二篇文章，主题是：行动闭环。在上一篇里，我讲了什么样的产品才算得上真正的 AI Native，分享了我对 MCP 协议、AI 架构原生性和任务闭环的理解。
Agent 成为新一轮创新叙事的中心坐标。在技术边界不断推进的同时，一个显著的变化也在悄然发生：AI 创业从「拼技术」进入到「拼交付」时代。
2025年已成为名副其实的Agent元年。 不论是Operator、Manus、Genspark等爆款Agent的相继出现，还是各大厂商陆续发布MCP协议支持，种种迹象都在印证着AI Agent正经历从“玩具”到“工具”的关键转折。
