十篇ai agent研報，看懂2025年全球智能體行業全景

文|王吉偉

差不多每個春節前後，科技界都會有些“大事件”發生，尤其是這幾年日新月異的ai領域。

往年都是國外產品吸引眼球，而今年換成了中國技術驚艷全球。

春節前幻方量化發布的大模型deepseek-r1，一經亮相便迅速炸場ai領域，全球的企業管理者、創業者、項目經理、分析師乃至相關部門領導人都現身說法，感慨deepseek-r1在大模型領域取得的突破性進展。

deepseek-r1在後訓練階段採用了大規模強化學習技術，使得在標註數據極少的情況下，依然能實現顯著提升推理能力。這一技術的進步使它在數學、代碼及自然語言推理等多項任務中，表現出可與openai的最新版本相媲美的性能，真正實現了開源化。這意味著，ai領域正在朝著“低成本+高性能”方向邁進。

重要的是，基於deepseek-r1的browser-use 等很多智能體實操案例已經證明，deepseek能夠有效降低部署ai agent的門檻，能夠大幅提升ai agent性能和效率，增強場景適應能力。

在llm based ai agent亟待落地的當下，一個高效且性價比可觀的大模型對於智能體的重要性可想而知。可以預見，接下來deepseek-r1等強化學習類大模型，將會極大地提升智能體的構建與應用效率，進一步加速ai agent的落地應用。

當然，在智能體成為ai應用主旋律的當下，春節前後更精彩的仍然是ai agent行業，產品研發與生態擴建方面全球技術廠商都在馬不停蹄。

谷歌於 2024 年 12 月發布了全新多模態大模型gemini 2.0，其性能全面提升，支持圖片、視頻和音頻等多模態輸入與輸出。基於gemini 2.0架構，谷歌推出了三個新的ai智能體原型：通用大模型助手project astra、瀏覽器助手project mariner和編程助手jules。其中，編程助手jules能夠直接集成到github的工作流程系統中，分析複雜代碼庫並實施修復。

微軟於2024年10月宣布在dynamics 365中集成10個自主ai agent，這些智能體能夠自動執行客服、銷售、財務、倉儲等業務流程。這些ai agent支持 openai的o1模型，具備自主學習能力，可以自動執行跨平台的超複雜業務。例如，美國著名電信公司lumen通過ai agent每年能節省5000萬美金成本，相當於增加了 187 名全職勞動力。

openai在2025年1月24日發布了其首款ai agent—— operator，該系統能夠自動執行各種複雜操作，包括編寫代碼、預訂旅行、自動電商購物等。2月2日正式推出面向深度研究領域的智能體產品深度研究（deep research）功能。該功能可在5-30分鐘完成專業報告，支持多領域高強度知識工作者，由o3模型提供支持，通過端到端強化學習訓練，由四模塊協同工作，已在chatgpt上線，未來計劃擴展數據源和結合operator執行複雜任務。

anthropic於2025 年 1 月發布了agent最佳實踐指南，旨在提升ai agent在多個應用場景下的效率和靈活性。還計劃在2025年推出智能體“ai同事”（virtual collaborator），能夠編寫和測試代碼。其旗艦產品claude 3.5 sonnet升級版在osworld測試中電腦使用能力得分為ai模型中首位。

在國內，阿里雲通義千問也於1月29日上線了超大規模的moe模型qwen2.5-max。該模型預訓練數據超過20萬億tokens，在多個基準測試中表現優異，整體性能優於deepseek v3。

通義千問還開源了全新的視覺模型qwen2.5-vl，推出3b、7b和72b三個尺寸版本。qwen2.5-vl和2.5max不僅在性能上取得了顯著提升，而且在ai agent尤其是computer use方面展現出了強大的應用潛力。例如，qwen2.5-vl能夠直接作為視覺agent進行操作，推理並動態使用工具，支持在計算機和手機上完成多步驟的複雜任務，例如自動查詢天氣、預訂機票、發送消息等。

各大科技公司都在用快速疊代的產品與解決方案，對外彰顯其在ai agent領域發展的絕對速度。從目前各領域的表現來看，2025年這個ai agent商業化應用元年，智能體的落地應用比大家想像的要快得多，預示著ai agent技術即將迎來爆發式增長，當然競爭也更為激烈。

這種情況下，自然會有很多朋友想要快速認知與掌握ai agent。而了解一個行業最快的方式，莫過於先從閱讀各種各種行業研報資料開始。

為了幫助大家更好地了解、學習與應用ai agent，在2025年春節假期歸來開工的第一天，王吉偉頻道精心準備了10份智能體行業研報。

這些研報涵蓋了ai agent的最新技術進展、應用場景、行業趨勢以及面臨的挑戰等多個方面，旨在為大家提供全面、深入的參考。無論是企業決策者、技術開發者還是對ai agent感興趣的讀者，都可以從這些研報中獲取有價值的信息，把握ai agent帶來的發展機遇。

報告1：谷歌《agents》白皮書

該白皮書探討了生成式人工智慧（generative ai）模型如何通過使用外部工具來擴展其功能，從而形成所謂的agents（智能體）。詳細居間了agents的定義、認知架構、關鍵組件、工具使用、以及如何通過這些工具和架構來增強模型性能和實現生產應用。

它首先闡明了agent區別於單純模型的關鍵在於其能夠利用工具訪問外部信息，並進行自主推理和行動規劃，而非僅僅依賴訓練數據進行單次預測。

白皮書詳細居間了agent的三個核心組成部分：模型（language model）、工具（extensions, functions, data stores）和編排層（orchestration layer）。編排層利用各種推理框架（如react, chain-of-thought, tree-of-thoughts）指導agent的決策過程。工具則賦予agent與外部世界交互的能力：extensions連接agent與api，functions允許客戶端控制api調用，data stores則提供對外部數據的訪問，支持rag等應用。

最後居間了在langchain和vertex ai平台上構建和部署agent的方法，並討論了如何通過各種學習方法（如上下文學習、基於檢索的上下文學習和微調）提升模型性能。總而言之，該白皮書旨在系統性地講解生成式ai agent的原理、架構和應用實踐，為開發者提供構建更強大、更靈活的ai系統的指導。

對於希望了解或構建agents系統的朋友來說，是一份非常有價值的資源，推薦詳細研讀。

報告2：anthropic《building effective agents》

《building effective agents》深入探討了構建大型語言模型（llm）agent的實踐經驗與洞見。文章開篇對“agent”一詞進行了明確界定，並細緻區分了工作流（workflow）與agent在架構上的不同之處。

工作流指的是對llm和工具的預定義流程進行編排，而agent則賦予了llm動態調控其流程及工具使用的靈活性。還分析了在何種情境下以及如何有效運用agent系統，並著重指出，在應用構建過程中，應優先採用最簡潔的方案，並根據實際需求逐步引入複雜功能。

文章深入探討了幾種構建agent的常見模式，包括增強型llm、提示鏈（prompt chaining）、路由（routing）、並行化（parallelization）、指揮者-工作者（orchestrator-workers）和評估器-優化器（evaluator-optimizer）等，並強調了簡潔性、透明度和周全的工具文檔和測試的重要性。

這些模式旨在指導開發者構建高效、可靠且易於維護的agent系統，而非追求過度複雜的系統。文章還提供了在客戶支持和編碼領域使用agent的實際案例，並附錄中詳細說明了工具的提示工程技巧，以幫助開發者創建更有效的agent-計算機接口 (aci)。

《building effective agents》報告能夠為對ai agent感興趣的讀者提供了全面且實用的指導。它不僅解釋了ai agent的核心概念和構建方法，還通過實際案例和建議，幫助讀者更好地理解和應用這些技術。對於希望深入了解和構建llm agent的讀者來說，這份報告是一份不可多得的參考資料。

報告3：langchain《state of ai agents》

報告通過調查超過1300名專業人士，揭示了2024年ai agent的使用現狀，包括它們在不同行業中的應用情況、主要用途、面臨的挑戰以及未來的發展趨勢。

該報告將ai agent的定義為使用大型語言模型（llm）來決定應用程式控制流的系統。探討了了不同類型的agent框架，如react、多agent編排器和langgraph等，這些框架在業界獲得了廣泛的關注。提到了ai agent在不同行業中的應用，以及它們在處理研究、總結、個人生產力任務、客戶服務等方面的具體用途。

報告發現，超過一半的受訪者正在生產環境中使用人工智慧agent，而絕大多數受訪者計劃在不久的將來部署ai agent。主要的應用案例包括信息研究和總結以及提高個人生產力，而客戶服務也是一個重要的領域。報告強調了追蹤和可觀察性工具以及人工監督在控制ai agent風險方面的重要性，並指出性能質量是部署ai agent的最大障礙。

最後，報告分析了cursor、perplexity和replit等成功的案例，並探討了多步驟任務管理、重複性任務自動化以及ai agent的協作等新興主題。報告調查顯示，不同規模的公司在ai agent的控制和優先事項方面存在差異，大型企業更注重安全性和合規性，而小型公司更關注追蹤和理解結果。

《langchain ai agent 狀態報告》提供了關於ai agent現狀的全面概述，並深入探討了其應用場景、挑戰和未來趨勢。對於希望了解ai agent技術並在實際中部署相關應用的讀者來說，具有很高的參考價值。

報告4：langbase 《2024 state of ai agents》

langbase research《 state of ai agents》基於3400多位來自100多個國家的開發者的反饋，總結了ai智能體領域的最新趨勢。報告描繪了ai技術在2024年的新高峰，以及開發者如何利用不同大型語言模型（llm）提供商構建ai agent，並探討了在工作流程中採用ai agent所面臨的挑戰和目標。

研究旨在了解ai agent在2024年的發展情況，包括開發者如何使用不同的llm提供商服務，以及在實際應用中遇到的挑戰和目標。研究還探討了ai在不同行業和公司規模中的應用情況，以及開發者對於ai開發平台的偏好。

報告揭示了openai在llm提供商中占據主導地位，但google和anthropic緊隨其後;不同llm提供商在不同行業應用中各有優勢。可擴展性複雜性和數據隱私是阻礙ai智能體廣泛應用的兩大主要因素，而準確性是開發者選擇llm時的首要考慮因素。

報告還指出，自動化和簡化是企業採用ai技術的首要目標，軟體開發是llm最主要的應用領域。最後，報告強調了開發者對可定製的ai開發平台和工具的需求，以及對版本控制和sdk生態系統的重視。

對於希望了解ai agent技術的讀者來說，這是一份非常有價值的參考資料，可以幫助大家更好地了解市場動態和技術發展方向。

報告5：insight partners 《the state of the ai agents ecosystem: the tech, use cases, and economics》

這份insight partners撰寫的報告探討了ai agent生態系統的現狀、應用案例和經濟模式。基於對構建者、企業和研究人員的訪談，分析了ai agent在企業架構中的實際部署情況，討論了不同使用案例的複雜性、購買特定功能agent與構建自定義agent工作流之間的權衡，以及價值衡量和歸屬的多樣性

報告首先定義了ai agent，並闡述了其架構設計中的關鍵考量，特別是人機協同循環和任務規劃策略。接著，報告深入分析了ai agent的參考架構，包括數據檢索（rag、記憶、長上下文）、agent計算機接口（函數/工具調用、計算機使用、集成）以及性能評估和安全防護（guardrails）。

報告對ai agent進行了類型劃分，包括垂直agent、水平agent平台、多模態agent和經典saas的agent接口。報告還繪製了ai agent市場圖譜，指出了基礎設施和垂直化平台的機遇，並探討了構建與購買ai agent的決策考量，以及新興的定價模式（平台+僱傭agent、平台+結果導向定價、純結果導向定價）。

最後，報告總結了企業和構建者在ai agent部署和發展中面臨的挑戰和最佳實踐，強調了合規性、數據準備、可靠性、roi衡量、文化融合等重要方面。

報告認為，ai agent的研究難點在於理解ai agent的複雜性，包括它們如何獨立推理和行動，以及如何將它們集成到現有的企業系統中。研究者需要評估不同使用案例的複雜性，並確定在購買特定功能agent與構建自定義agent工作流之間的最佳權衡點。衡量和歸屬價值的多樣性也是一大挑戰，因為不同的企業可能有不同的評價標準和業務目標。

這份報告旨在為企業和ai agent構建者提供對ai agent生態系統全面而深入的理解，並為其發展戰略提供指導。不僅分析了 ai agent 的技術細節，還深入探討了企業在部署 ai agent 時需要考慮的實際問題，並為構建者提供了有價值的建議，推薦仔細研讀。

報告6：infoq《中國 al agent應用研究報告》

infoq研究中⼼發布的《2024年中國ai agent應用研究報告》，深入分析了ai agent在中國的市場發展背景、特徵、應用案例以及未來趨勢。報告基於技術專利數量、技術發展時間、技術輿論指數等指標，結合市場規模與融資事件等資料，繪製了2024年中國ai agent應用的成熟度模型，並探討了ai agent在不同領域的應用現狀與未來發展方向。

報告聚焦2024年第二季度中國ai agent應用的研究。報告首先分析了ai agent市場的背景和特徵，以及當下中國人工智慧的技術成熟度模型，其中特別強調了ai agent作為連接大模型和應用層的橋樑作用。

報告深入探討了ai agent的市場趨勢，包括單/多智能體協同發展、通用技術框架、典型應用場景（生活類、企業專業類）以及不同廠商的產品策略（大模型創業廠商、網際網路科技廠商、rpa廠商、數位化企業服務商）。還展望了ai agent未來的發展趨勢，例如大模型能力提升、工具生態完善、多智能體協同，以及終端智能體（手機、電腦等）的興起將帶來的變革。

報告指出，ai agent作為連接模型層與應用層的重要補充，正逐漸深入複雜任務，並在多個行業場景中展現出應用潛力。報告基於技術專利數量、技術發展時間、技術輿論指數等核心指標，結合市場規模與融資事件等公開資料，以及技術和市場專家的驗證，繪製了中國人工智慧成熟度模型，並對ai agent的市場特徵、應用場景、產品發展、盈利模式等進行了詳細探討。

《2024年中國ai agent應用研究報告》是一份極具前瞻性和深度的研究報告，對於關注人工智慧技術發展、尤其是ai agent應用的從業者、企業決策者、技術愛好者以及相關領域的研究人員來說，具有很高的參考價值。

報告7：愛分析《2024愛分析·ai agent 應用實踐報告》

《2024愛分析·ai agent 應用實踐報告》由愛分析撰寫，旨在探討ai agent在企業中的應用現狀、市場洞察以及未來發展趨勢。

報告首先概述了ai agent的核心能力——獨立思考、自主執行、持續疊代，以及其在市場中的興起和企業落地的主要挑戰：“落地難”和“應用難”。

核心內容聚焦於數據分析ai agent和ai agent開發管理平台這兩個特定市場，分別分析了其落地實施的關鍵要點和成功案例，例如城商行利用數據分析ai agent提升數據分析效率，飛鶴利用ai agent開發管理平台推進數位化轉型。

報告指出，ai agent作為能夠感知環境、基於目標進行決策並執行動作的智能化應用，隨著大模型能力的增強和相關技術的成熟，其能力得到了質的飛躍。報告強調了ai agent在企業中的三個核心能力：獨立思考、自主執行、持續疊代，並分析了企業在落地ai agent項目時面臨的挑戰。

報告還特別關注了數據分析ai agent市場和ai agent開發管理平台市場，提供了市場洞察和案例分析，為企業提供策略指導和實踐洞見。

該報告不僅分析了ai agent的技術和應用，更深入探討了企業在落地ai agent時面臨的挑戰和應對策略。報告強調了企業應從自身特性出發，建立ai agent與新質生產力、數據要素的內在聯繫，實現價值升華，並建立ai文化。該報告適合企業決策者、it負責人以及對ai agent應用感興趣的讀者閱讀。

報告8：頭豹研究《2024年中國ai agent行業研究》

《2024年中國ai agent行業研究：智能體落地千行百業，引領智能化革命的新引擎》報告，由頭豹研究院發布，深入分析了ai agent（人工智慧體）在中國的發展現狀、應用前景、市場趨勢以及行業生態。

報告首先定義了ai agent，並將其與大模型區分開來，強調其自主決策和執行能力;然後，分析了ai agent的關鍵特徵、分類及發展歷程，並對國內外主流項目及產品進行了盤點;接著，報告探討了ai agent的市場規模、驅動因素及行業生態圖譜，指出其在企業級應用（tob）方面擁有更廣闊的前景;最後，報告對ai agent在不同行業領域的應用情況及發展趨勢進行了深入分析，並對未來發展方向進行了預測，特別指出金融行業是ai agent應用最成熟的領域，而政務領域則由於數據獲取的限制，發展相對滯後。總而言之，該報告旨在為投資者、企業和研究人員提供對中國ai agent行業全面而深入的了解。

報告指出，ai agent作為一種能夠感知環境、進行決策和執行動作的智能實體，與傳統人工智慧相比，具備更強的自主性和適應性。詳細居間了ai agent的定義、基礎架構、特徵分類、發展歷程、市場驅動因素、行業應用圖譜、商業模式以及消費級與企業級應用的對比。

還預測了ai agent在不同行業中的應用發展情況，並提供了國內外ai agent項目及產品的盤點。整體而言，ai agent在企業級應用中前景廣闊，尤其在金融、電商零售、教育、醫療、製造、交通、媒體娛樂、能源、物流和政務等行業領域中展現出強大的滲透力和應用潛力。

該報告不僅指出了ai agent在金融等領域的成熟應用，也探討了其在其他行業的潛力，為對ai agent技術和市場感興趣的讀者提供了有價值的參考。該報告適合希望了解ai agent如何落地並引領行業變革的讀者閱讀。

報告9：letta 《the ai agents stack 》

報告探討了2024年末ai智能體（agent）的軟體生態系統，並提出了作者自己基於多年經驗的“智能體堆棧”模型。

該模型將智能體系統分為三層：底層是大型語言模型（llm）及其服務和存儲，包括各種api服務和向量資料庫;中間層是智能體框架，負責llm調用、狀態管理、內存管理以及多智能體通信;頂層是智能體託管和服務，關注如何將智能體部署為服務，並通過rest apis訪問。

報告強調，與簡單的llm聊天機器人相比，智能體開發面臨著更大的工程挑戰，例如狀態管理和工具執行。作者認為，未來的智能體將作為服務部署，並期待出現類似於openai chatcompletion api的行業標準智能體api。

報告還提到了2022年和2023年興起的llm框架和sdk，如langchain和llamaindex，以及通過api消費llm的標準平台，如vllm和ollama。同時，文章也指出了2024年ai領域對“agents”概念的轉變，以及如何從llm發展到ai agent的必要性。

這份報告主要面向軟體開發者，旨在幫助他們理解 ai agent 技術棧的複雜性，並為他們提供構建垂直 agent 應用的指導。報告強調了 ai agent 與傳統 llm 聊天機器人在工程方面的不同，並居間了 letta 提供的相關資源。該報告適合對 ai agent 技術棧和實際應用感興趣的開發者閱讀。

報告10：德勤《prompting for action how ai agents are reshaping the future of work》

該報告由德勤（deloitte）人工智慧研究所發布，探討了ai智能體和多智能體系統如何重塑未來工作。重點居間了生成式ai（genai）的擴展能力和多智能體 ai系統的協同作用，以及這些技術如何影響企業並推動智能組織轉型。

報告圍繞“隨著ai技術的快速發展，企業如何利用ai agent和多agent ai系統來重塑業務流程，提高效率並實現自動化”這一問題，展開了詳細討論。

報告指出，ai智能體與傳統語言模型不同，具備推理、規劃、記憶和行動能力，能自動化工作流程。多智能體系統通過協同合作提高效率、學習能力和準確性，處理複雜任務。例如，在戰略洞察方面的應用展示了其在速度、效率和可擴展性方面的優勢。還探討了ai智能體對戰略、風險、人才和業務流程的影響，並建議領導者評估用例、制定戰略路線圖、投資基礎設施和人才培養以及加強數據治理和風險管理。

報告提到了當前企業廣泛使用的大型語言模型（llms）和genai工具，這些工具雖然能夠根據簡單提示生成輸出，但其交互通常是事務性的，且作用範圍有限。探討了ai agent與傳統語言模型的不同之處，以及ai agent如何通過理解上下文、規劃工作流程、連接外部工具和數據以及執行動作來實現目標，從而克服了傳統ai應用的局限性。

報告認為，如何克服傳統ai應用在理解複雜請求、規劃工作流程和執行多步驟任務方面的局限性，以及如何整合不同ai agent以實現更高級別的自動化和優化，是需要關注的重點問題。

總體而言，該報告強調ai agent和多智能體系統在推動智能化轉型方面的潛力，並指出前瞻性的企業和政府機構已經開始部署這些技術，適合對ai agent的最新進展及其在各行業的實際應用感興趣的讀者閱讀。