2025 AI Agent劍指何方？兩份前沿報告描繪全景地圖
文 | 適道
如果說LLMs是「人類智慧」，那麼AI Agent就是「使用火燧」，引領人類文明進入下一個時代。
2024年，AI Agent稱得上最火熱的概念。一方面，大模型賽道降溫，並呈現出贏家通吃的局面；另一方面，AI Agent則是大模型應用落地的最佳形式，其能夠解決LLMs在具體應用場景中的局限性。
那麼，當前AI Agent採用現狀如何？哪些領域會率先衝出來？
我們結合兩份重量級報告——LangChain發佈的State of AI Agents，以及Langbase發佈的2024 State of AI Agents進行梳理，試著尋找AI Agent在開發、採用過程中的關鍵問題。
LangChain調查了1300多位專業人士，職業包括工程師、產品經理、業務領導和高管；行業分佈：科技（60%）、金融服務（11%）、醫療保健（6%）、教育（5%）、消費品（4%）。報告鏈接https://www.langchain.com/stateofaiagents
Langbase調查了3400多位專業人士（100多個國家），職業包括C級高管（46%）、工程師（26%）、客戶支持（17%）、MKT（8%）。報告鏈接https://langbase.com/state-of-ai-agents
具體內容如下：
1、誰在採用AI Agent？
LangChain調查顯示：約有51%的受訪者已經在生產環境中採用了AI Agent；78%的受訪者計劃在近期將AI Agent引入生產應用。
按規模看，員工人數為100-2000的中型企業最為積極，採用率達到63%；按行業看，90%的非科技公司已經部署或計劃部署AI Agent，這與科技公司（89%）旗鼓相當。
Langbase調查顯示：目前，AI（非AI Agent）的實驗用途比例遠遠大於生產用途，雖然後者在穩步增加中。
2、AI Agent基座大模型哪家強？
Langbase調查顯示：OpenAI（76%）佔據主導地位；Google（59%）正迅速崛起，成為其強勁的競爭對手；Anthropic（47%）緊隨其後。Meta的Llama、Mistral和Cohere影響力不高，但增長形勢不容忽視。
各家大模型的採用情況如下：
OpenAI在技術和營銷應用處於領先地位，同時也是翻譯能手；
Google在健康和翻譯領域表現相當出色，展示其在語言和醫學領域的強大實力；
Anthropic是處理技術任務的高手，但在營銷和翻譯方面的使用率較低；
Mistral在技術和科學領域表現不錯，不過是個偏科生；
Meta被廣泛應用於技術和科學領域；
Cohere在多個領域的齊頭並進。
3、選擇AI Agent基座大模型受哪些因素影響？
Langbase調查顯示，準確性（45%）是最重要的因素，其次是安全性（24%）和可定製性（21%），成本（10%）影響相對較小。（註：與「企業採用AI Agent有何顧慮」基本一致）
4、企業在哪些場景採用AI Agent？
LangChain調查顯示：研究與總結（58%）、個人生產力工具（53.5%）、客戶服務（45.8%）。
該結果顯示——人們希望將耗時任務交給AI Agent。
知識過濾器：AI Agent能夠快速提煉關鍵信息。在文獻綜述或研究分析中，人們無需自己手動篩選海量數據；
生產力加速器：AI Agent可以協助安排日程、管理任務，提升個人效率，讓人們專注於更重要的工作；
客服神助攻：AI Agent幫助企業更快地處理客戶諮詢、解決問題，大幅提升團隊的響應速度。
Langbase調查顯示：自動化、簡化是企業採用AI的首要目標，其在效率和流程簡化方面受益；定製化解決方案、提升協作能力則反映了大模型日益增長的靈活性，以及消費者對系統共享訪問的興趣。
在具體場景上，Langbase調查顯示：
AI大模型在軟件開發（87%）應用最廣泛；
其次是文本摘要（59%）、市場營銷（50%）、IT運營（48%）、客服（43%）；
最後是人力資源（26%）、法律合規（15%）等領域。
值得注意的是，該結果與上述LangChain的調查有些出入。主要原因是——Langbase的提問方式是AI大模型，而非AI Agent。
5、在生產中採用AI Agent存在哪些顧慮？
LangChain調查顯示，性能質量（41%）是首要關注點，其重要性遠超成本（18.4%）和安全（18.4%）等因素。
AI Agent依賴LLM「黑盒」控制工作流程，這會帶來不可預測性，增加出錯風險。因此，團隊難以確保其Agent 能否始終提供準確、符合上下文的響應。
對於小企業而言，性能質量尤其重要——45.8%的小企業將性能質量列為主要關注點，而成本因素僅為 22.4%。
對於必須遵守法規，要敏感地處理客戶端數據的中大型企業來說，安全問題也很普遍，超過了成本因素。
除了上述因素，LangChain在書面回覆中發現，團隊還面臨知識、時間難題。
知識不足：許多團隊缺乏構建和部署 AI Agent的專業技能，特別是在特定應用場景下的實現。員工們還要苦練專業技能，以高效利用AI Agent。
時間有限：構建可靠的AI Agent需要投入大量時間成本，包括調試、評估和模型微調等環節。
Langbase調查顯示：複雜的擴展和部署過程是阻礙採用的首要問題；其次是數據隱私和安全合規性；缺乏監控工具、高昂的基礎設施成本也阻礙了技術的落地應用。
6、AI Agent開發相關問題有哪些？
Langbase調查顯示：在生產環境中部署LLM和AI Agent面臨關鍵挑戰，包括定製化難度高、缺乏用於質量保證的評估方法，可重覆使用的基礎設施不足。碎片化工具、集成問題以及可擴展性限制進一步加劇困難，突顯出構建簡化流程和強大支持工具的必要性。
開發者將AI Agent的版本控制視為開發平台最重要的功能。強大的SDK、庫生態系統、本地開發環境也受到關注。
大多數受訪者需要多代理RAG能力以提高上下文信息處理；評估工具對於確保AI系統按預期工作同樣很重要；多代理流水線也是在生產中實現複雜任務的關鍵技術。
7、對AI Agent有哪些展望？
LangChain調查顯示：企業在採用AI Agent，既有新的期待，也會面臨持續的挑戰。
新的期待：
處理多步驟任務：AI Agent具備更深入的推理和上下文理解能力，能夠應對複雜任務。
自動化重覆性任務：AI Agent被視為自動化日常任務的關鍵工具，釋放人力投入更具創造性的工作。
任務分配與協作：優化任務分配，確保合適的Agent在正確的時間處理特定問題，尤其在多Agent系統中。
類人推理能力：不同於LLMs，AI Agent能追溯並優化自己的決策，根據新信息調整策略，類似人類的思考過程。
主要挑戰：
Agent的黑盒機制：工程師發現，他們很難向團隊和利益相關者解釋 AI Agent 的功能和行為。儘管可視化步驟有助於理解到底發生了什麼，但 LLM 的內部機制仍然是個黑盒，增加瞭解釋的難度。
重點關註：
對開源AI Agent的興奮：許多人對開源AI Agent 表現出濃厚興趣，認為集體智慧能加速創新。
期待更強大的模型：大家期待更高級的 AI Agent，由更強大的模型驅動，以更高的效率和自主性處理複雜任務。
結語
從企業的採用意願來看，2025年或將成為AI Agent的爆發元年。
從爆發領域來看，軟件開發、客戶服務、市場營銷等領域將率先跑出種子選手。目前已知的就包括編程神器Cursor、AI Coding「鼻祖」Replit等等。
值得關注的是，這兩份報告均揭示出當前AI Agent落地的最大難點——準確性，甚至連成本因素都名列二、三位。
一個辦法是等待「至尊」大模型出現，但這取決於巨頭們的能力邊界。而在某種程度上，AI Agent的出現本身就是為瞭解決LLM在具體應用場景中的局限性。因此，開發者需要儘可能地在記憶、規劃、工具使用等其他技術棧下功夫。
如果不能迅速實現，我們也可以換個思路：短期內商業化成功的AI Agent，不一定是看起來「代理化」程度最高的產品；而是能夠平衡性能、可靠性，以及用戶信任的產品。
換句話說，如果做不到完全自主，開發者需要從一開始考慮如何將人類員工融入其中，做到準確性萬無一失。
正如吳恩達的觀點，形容詞「Agentic」比名詞「Agent」能更好地幫助我們理解這類智能體的本質。如同自動駕駛汽車L1-L4，Agent的進化也是一個過程。或許，一個確定的趨勢是先擁有AI Copilot，再擁有AI Agent。只不過，Copilot這個詞的存在感可能會降低，轉而被「少量Agentic能力」代替。
