大佬们都在关注的AI Agent，到底是什么？
前几个月各大厂商还在为大模型大打价格战，而后开始的是 AI Agent 的争夺——大家突然关心起 AI 的应用场景，开始做浏览器插件，做 APP 抢夺市场。为什么会这样？在这个系列文章里，作者尝试高速我们答案。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
大模型的横空出世，重新点燃了市场对 AI 的热情。AI Agent 的概念，更是将 AI 的热潮推向了新的高度。从去年开始，AI Agent 就成为了炙手可热的名词，其热度丝毫不亚于对大模型的讨论，甚至一众大佬都纷纷为 AI Agent 站台。
2023 年下半年，OpenAI 联合创始人，前 TeslaAI 总监 Andrej Karpathy 说道：
“如果一篇论文提出了某种不同的训练方法，OpenAI 内部会嗤之以鼻，认为都是我们玩剩下的。但是当新的 AI Agents 论文出来的时候，我们会十分认真且兴奋地讨论。普通人、创业者和极客在构建 AI Agents 方面相比 OpenAI 这样的公司更有优势。”
在 AI Ascent 2024 大会上，斯坦福大学教授、前谷歌大脑项目创始人，吴恩达分享了关于 AI Agent 的最新趋势与洞察
AI Agent（AI 智能体）工作流将在今年推动人工智能取得巨大进步——甚至可能超过下一代基础模型。这是一个重要的、令人兴奋的趋势，我呼吁所有人工智能从业者都关注它。
微软创始人比尔盖茨，也通过个人网站发表了对 AI Agent 的看法：
AI Agent 将成为下一个平台，简而言之，AI Agent 几乎将在任何活动和生活领域提供帮助，对软件行业和社会产生深远的影响。
与此同时，趁着这波浪潮，在短短的一年时间内，AI Agent（AI 智能体）领域的创业公司和独角兽也实现了爆发式的增长。早在去年 3 月份，AutoGPT 就在 GitHub 上获得了 7.4 万星，并快速成为史上 Star 数量增长最快的开源项目，如今已经获得超过 16 万星。后续发布的 BabyAGI、AgentGPT 也如雨后春笋般涌现，调研报告、订购披萨、发送邮件、旅行攻略，无数的 Agent 应用场景纷纷开始落地。
在国内，AI Agents 相关的产品也相继诞生。早在去年 7 月，阿里云就发布了旗下第一个智能体—— ModelScopeGPT，面向开发者群体。随后百度文心智能体平台、字节 Coze、腾讯元器，各大厂商的 AI 智能体平台也纷至沓来。
面对如此巨大的热潮，相信很多读者在心潮澎湃的同时，也会心存疑虑。AI Agent 到底是什么？是真正的科技突破还是科技泡沫？对企业和个人能带来什么影响？
接下来，风叔将使用 5W1H 分析框架来详细拆解 AI Agent，一步步带着大家了解 AI Agent 的全貌。由于内容比较多，风叔将通过三篇文章来逐步阐述全部内容。
上篇：介绍 What + Why，主要解答以下问题。
What：AI Agent 是什么？有哪些组成部分？AI Agent 的原理是什么？AI Agent 是怎么分类的？
Why：为什么会产生 AI Agent？AI Agent 的优势和劣势是什么？为什么企业和个人都要关注 AI Agent？
中篇：介绍 When + Where + Who，主要解答以下问题。
When：AI Agent 的发展历程是怎样的？AI Agent 未来的发展趋势是怎样的？
Where：AI Agent 有哪些应用场景？
Who：AI Agent 领域的玩家有哪些？AI Agent 领域的行业价值链是怎样的？
下篇：介绍 How，主要解答以下问题。
How：如何实现 AI Agent？AI Agent 包括哪些系统模块？如何开始学习 AI Agent？
下面正式开始 5W1H 框架对 AI Agent 的拆解之旅！
一、5W1H 分析框架之 What
1.1 AI Agent 到底是什么？
从概念上来说，AI Agent（智能体）是一种不需要持续人类干预的 AI 系统，可以基于环境和背景信息，自主分析各种问题，做出逻辑决策，并且在没有持续人类输入的情况下处理多种任务。
AlphaGo 就是一个典型的 AI Agent，它可以在和人类对弈围棋的过程中，根据当前的棋局和对手的行动，自主决策下一步的动作。AI 助手也是 AI Agent，比如你只需要给 AI 助手下达一个指令，“帮我预订明早 10 点上海飞深圳的机票”，AI 助手就能自动帮你完成从机票搜索、查询、下单、确认的全部动作。
从结构上来说，一个 AI Agent 包括三个部分，如下图所示：
Perception（输入）：AI Agent 通过文字输入、传感器、摄像头、麦克风等等，建立起对外部世界或环境的感知。
Brain（大脑）：大脑是 AI Agent 最重要的部分，包括信息存储、记忆、知识库、规划决策系统。
Action（行动）：基于 Brain 给出的决策进行下一步行动，对于 AI Agent 来说，行动主要包括对外部工具的 API 调用，或者对物理控制组件的信号输出。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
目前在大模型热潮的背景下，媒体上所讲的 AI Agent，更严格意义上来说应该叫做 LLM Agent，因为整个 Agent 最重要的控制中枢 Brain，其底层是 LLM 大模型。如果未来产生了比 LLM 更强大更智能的 AI 技术基座，那同样也会产生基于新的 AI 基座的 Agent。下文所介绍的 AI Agent，如无特殊说明，都指代 LLM Agent。
那么 Agent 和 LLM 大语言模型到底是什么关系呢？可以这样进行简单类比，如果把 LLM（比如 GPT）比作大脑中的一堆神经元，具有记忆、常识和推理等能力，那么 AI Agent 就是独立的人，除了拥有大脑之外，还拥有视觉、听觉、味觉等多种感官，以及拥有手和脚操作外部的工具。
因此从本质来讲，AI Agent = 大语言模型 + 记忆 + 规划 + 工具使用。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
接下来，我们逐步拆解 AI Agent 的组成部分。
1.2 详细拆解 AI Agent 的构成
1.2.1 构成一，规划 Planning
Planning 是整个 AI Agent 中最核心最关键的部分，Agent 会把大型任务分解为子任务，并规划执行任务的流程。同时 Agent 还会对任务执行的过程进行思考和反思，从而决定是继续执行任务，还是判断任务完结并终止运行。
整个 Planning 模块包括两个步骤：子任务分解，反思和完善。
步骤一，子任务分解
Agent 将大型任务分解为更小、更易于管理的子目标，从而高效处理复杂任务。主要的子任务分解方式包括：思维链 COT（Chain of thought）、思维树 TOT（Tree of thought）、思维图 GOT（Graph of thought）、规划器 LLM+P。
a. 思维链 COT
思维链 COT 的全称是 Chain of Thought，当我们对 LLM 这样要求「think step by step」，会发现 LLM 会把问题分解成多个步骤，一步一步思考和解决，能使得输出的结果更加准确。这就是思维链，一种线性思维方式。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
一个 CoT 出现错误的概率比较大，我们可以让 Agent 进行发散，尝试通过多种思路来解决问题，然后投票选择出最佳答案，这就是 CoT-SC。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
c. 思维树 TOT
思维树 TOT 是对思维链 CoT 的进一步扩展，在思维链的每一步，推理出多个分支，拓扑展开成一棵思维树。使用启发式方法评估每个推理分支对问题解决的贡献。选择搜索算法，使用广度优先搜索（BFS）或深度优先搜索（DFS）等算法来探索思维树，并进行前瞻和回溯。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
d. 思维图 GOT
思维树 ToT 的方式也存在一些缺陷，对于需要分解后再整合的问题，比如排序问题，排序我们可能需要分解和排序，然后再 merge。这种情况下 TOT 就不行了，可以引入思维图 GOT 来解决。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
其原理是依靠外部传统规划器来进行长视野规划，利用规划域定义语言（PDDL）作为中间接口来描述规划问题。在此过程中，LLM 先将问题转化为成” Problem PDDL ”形式，然后请求经典规划器根据现有的 “ Domain PDDL “生成 PDDL 计划，最后将 PDDL 计划翻译回自然语言。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
步骤二，反思和完善
反思和完善机制在 Agent 应用中发挥着重要的作用，Agent 通过完善过去的行动决策和纠正以前的错误来不断改进。尤其是在现实世界的任务中，不可能在规划环节就能做出万无一失的计划和策略，试错是不可避免的，只有通过自我反思和逐步完善，才能一步步逼近最佳结果。
反思和完善机制的实现，主要有以下几种方式。
ReACT 的全称是 Reasoning-Action，这种模式是让大模型先进行思考，思考完再进行行动，然后根据行动的结果再进行观察，再进行思考，这样一步一步循环下去。
和 ReAct 相对应的是 Reasoning-Only 和 Action-Only。在 Reasoning-Only 的模式下，大模型会基于任务进行逐步思考，并且不管有没有获得结果，都会把思考的每一步都执行一遍。在 Action-Only 的模式下，大模型就会处于完全没有规划的状态下，先进行行动再进行观察，基于观察再调整行动，导致最终结果不可控。
在实际的测试观察中，ReAct 模式的效果要好于 Reasoning-Only 和 Action-Only。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
Reflecxion 是一个为 Agent 配备了动态记忆和自我反思能力的框架，能够提高 Agent 的推理能力。Reflexion 具有标准的强化学习机制，其奖励模型提供了一个简单的二进制奖励机制，执行空间则遵循 ReAct 中的设置。每次行动，Agent 都会计算一个启发式 ht，并根据自我反思的结果决定环境重置以开始新的试验。
还有一种反思和完善的方式，其本质是利用左右互搏来实现协同进化。比如设计一个帮助用户完成市场调研报告的 Agent 系统，其中 Generator 负责输出，Reflector 负责检查，通过两个角色之间不断的协同，来实现整个任务的反思和完善。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
1.2.2 构成二，记忆 Memory
记忆是 Agent 用于获取、存储、保留和随后检索信息的过程，我们先用人脑的记忆做个类比，人脑中有多种记忆类型：
感官记忆：这是记忆的最早阶段，能够在原始刺激结束后保留对感官信息（视觉、听觉等）的印象，通常只能持续几秒钟。包括图标记忆、回声记忆和触觉记忆三种类型。
短时记忆（STM）或工作记忆：指的是我们当前意识到的信息，或者在学习和推理等复杂认知任务中所需要的信息。人类的短时记忆容量约为 7 items（Miller, 1956）、持续时长为 20-30 秒。
长时记忆（LTM）：长时记忆指的是能够存储很长时间，从几天到几十年不等的信息，它的存储容量基本上是无限的。长时记忆又包括显性记忆和隐性记忆，显性记忆是可以有意识地回忆起来的事实，比如事件经历和语义记忆；隐性记忆是内化后无意识的行为，比如骑自行车。
了解了人类的记忆模式，我们再来看如何将其映射到 AI Agent。
感官记忆是对原始输入的嵌入表征的理解，包括文本、图像或其他模式，比如图片的纹理和风格。短时记忆即上下文学习，由于受到 Transformer 上下文窗口长度的限制，它是短暂的和有限的。长期记忆则可对应为外部的向量数据存储，Agent 可在查询时引用，并可通过快速检索进行访问。
还有一个非常关键的因素，大模型知识的更新。由于大模型是用海量的通用数据训练的，基础的大模型可以理解为是一个及格的通才，什么话题都知道一些，但是存在胡言乱语和幻觉现象。尤其是在面向企业端的场景，一个及格的通才是无法使用的，需要利用企业的专属数据进行喂养和训练。这个时候，就可以通过 RAG【检索增强生成】技术，在基础大模型的基础上挂载企业专属的知识库，以向量数据库的方式存储，将 Agent 训练为一个优秀的专才。
RAG 技术在 AI Agent 的应用中非常关键，大家可以提前标记一下这个概念。在后续文章中，风叔还将重点介绍 RAG 技术的原理和使用方法。
1.2.3 构成三，工具 Tooling
为 AI Agent 配备工具 API，比如计算器、搜索工具、代码执行器、数据库查询等工具，AI Agent 就可以和物理世界交互，来解决更加实际的问题。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
Agent 使用工具的方式主要有以下几种：
TALM 和 ToolFormer 都是对 LLM 进行微调，以学习使用外部工具 API。该数据集根据新增的 API 调用注释是否能够提高模型输出的质量而进行扩展。
HuggingGPT =ChatGPT+HuggingFace，HuggingFace 是大模型领域的 Github，来自全球的开发人员、企业和机构在 huggingFace 社区进行模型的上传、分享和部署。
从本质上来说，HuggingGPT 是一个使用 ChatGPT 作为任务规划器的框架，ChatGPT 可根据模型的描述选择 HuggingFace 平台中可用的模型，并根据执行结果总结响应结果。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
它包含 53 种常用的 API 工具、完整的工具增强的 LLM 工作流程。API 的选择相当多样化，包括搜索引擎、计算器、日历查询、智能家居控制、日程管理、健康数据管理、账户认证工作流程等。由于 API 数量众多，LLM 首先可以访问 API 搜索引擎，找到要调用的 API，然后使用相应的文档进行调用
是一种实现大型语言模型连接外部工具的机制。通过 API 调用 LLM 时，调用方可以描述函数，包括函数的功能描述、请求参数说明、响应参数说明，让 LLM 根据用户的输入，合适地选择调用哪个函数，同时理解用户的自然语言，并转换为调用函数的请求参数。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
前面的内容中，风叔抛出了非常多较为晦涩的概念和专业名词，大家先初步了解一下这些概念，风叔会在后续文章中对这些概念和原理进行详细介绍。
规划 Planning、记忆 Memory 和工具 Tooling，就是 AI Agent 系统最核心的三个模块。接下来，我们再来看看 AI Agent 的分类。
1.3 AI Agent 的分类
从去年开始，各类 AI Agent 层出不穷。面对形形色色的 AI Agent，合理的分类有助于我们进一步了解 AI Agent 的原理和模式。
我们可以从三个角度来给 AI Agent 进行分类，分别是工作模式、决策方式和应用场景。在本篇文章中，风叔先介绍前两种分类方式，在下一篇文章介绍” Where ”的时候，再详细介绍 AI Agent 的应用场景。
1.3.1 按工作模式分类
从工作模式来看，AI 智能体可以分为单 Agent、多 Agent 和混合 Agent。
单 Agent：即通过单一的 Agent 来解决问题，不需要与其他 Agent 进行交互。单 Agent 可以根据任务执行不同的操作，如需求分析、项目读取、代码生成等。比如专门用于进行市场分析调研的 Agent 就是单 Agent 系统，只能处理市场分析这个单一任务。
多 Agent：这种模式侧重于多个 Agent 之间的互动和信息共享，多个 Agent 协同工作，相互交流信息，共同完成更复杂的任务或目标。多 agent 应用场景在软件行业开发、智能生产、企业管理等高度协同的工作中非常有帮助。比如有一家公司就创建了一个多 Agent 系统，由 Agent 来扮演产品经理、UI 设计师、研发工程师、测试人员、项目经理等角色，甚至可以接一些实际的软件开发任务。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
混合 Agent：这种模式中，Agent 系统和人类共同参与决策过程，交互合作完成任务，强调的是人机协作的重要性和互补性。智慧医疗、智慧城市等专业领域可以使用混合 Agent 来完成复杂的专业工作。比如医生和 AI Agent 可以共同进行病情诊断，AI Agent 负责快速分析病人的医疗记录、影像资料等，提供初步的诊断建议；而医生则可以基于 AI Agent 的分析结果和自己的专业知识和经验，做出最终的诊断决定。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
1.3.2 按决策制定方式分类
简单反射型 Agent：基于“如果 – 那么”规则直接响应当前的环境状态，不存储任何历史数据或状态。这种 Agent 设计简单，反应迅速，但适用范围有限。比如当软件系统发生告警时，就自动向系统维护人员打电话，就是一个简单反射型 Agent。
基于模型的反射型 Agent：拥有环境的内部模型，能够基于对环境的理解和过去的经验做出更复杂的决策。它能够适应环境变化，处理更复杂的任务。比如 Nest 的智能温控器，不仅能根据当前温度调节室内气温，还能学习用户的偏好，就是一个基于模型的反射型 Agent。
基于目标的 Agent：这类 Agent 的决策方式，从根本上不同于前面描述的条件 – 动作规则，因为它涉及对未来的考虑。比如智能导航软件，根据用户的起点和目标，结合交通拥堵状况和用户的偏好，输出最佳导航路线。
基于效用的 Agent：基于效用的 Agent 旨在最大化效用功能或价值，精心挑选具有最高预期效用的行动，以衡量结果的有利程度。比如同样是导航到达目标，有的用户需要用时最短，有的用户需要路费最少，那么基于不同的效用，系统就会给出不同的导航结果。
学习型 Agent：这些 Agent 设计用于在未知环境中运行，从自己的经历中学习，并随着时间的推移调整自己的行动。比如 AlphaGo 就是学习型 Agent，从不断的对弈中进行策略调整。
基于逻辑的 Agent：通常基于一系列逻辑规则，通过推理来解决问题，适合需要高度逻辑判断的场景，例如法律咨询聊天机器人。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
LLM 大模型和这些 Agent 的关系就在于，LLM 大模型为 Agent 的后续行动提供了输入和推理。比如 LLM 大模型上面接了一个基于目标的 Agent，那么这个 Agent 就会从用户的输入中，提取用户的目标和要求，再结合上文提到的子任务分解、反思和完善等动作，逐步完成最终目标。
二、5W1H 分析框架之 Why
2.1 为什么会产生 AI Agent？
为什么会产生 AI Agent（特指 LLM Agent）？我们从两个方面来回答这个问题，技术发展的局限性，以及人和 AI 的交互性。
从技术发展的局限性来考虑
在 LLM 大语言模型出现以前，一般通过规则和强化学习的方法来让机器智能化的完成一些任务，但是这两种方法各有弊端。
规则的方法是指把复杂的自然语言问题转化为规则符号，往往需要行业专家的介入，缺乏容错能力，一个小的错误就可能导致整个系统的失败。
而强化学习一般是构建策略网络或奖励模型，需要大量样本进行训练，但是收集数据往往成本很高，所以这种方法可行性不大，很难推广开来。
LLM 大语言模型出现之后，人们发现 LLM 大语言模型在逻辑推理、工具应用、策略规划、指令遵循等方面都有非常不错的表现，工程师们开始意识到，将大语言模型作为 Agent 应用的核心认知系统，可以极大的提高 Agent 的规划能力。
但是 LLM 大模型毕竟还无法像人类一样，拥有更深度的规划思考能力、运用各种工具与物理世界互动，以及拥有人类的长期记忆能力。
在这样的背景下，出现了非常多的研究方向，来让 Agent 逐渐逼近人类，比如前文提到的 COT/TOT/GOT、ReAct、Reflexion 等技术，提升 Agent 的 Planning 能力；比如通过 RAG 增强检索生成技术，提升 Agent 的记忆能力；以及 ToolFormer、Function Calling 等技术，提升 Agent 的工具使用能力。
从人和 AI 互动的角度来考虑
从人和 AI 互动的角度，主要经历了三种模式。
最早出现的是 Embedding 模式，即人类完成大多数工作，AI 只是作为某些单点能力，嵌入在人类完成工作的某些节点。比如很典型的 SaaS+AI 模式，像 OCR、人脸识别、语义分析等能力，作为一些提升效率的点，嵌入在 SaaS 软件里。大多数的工作，还是通过人工操作 SaaS 软件完成的。
随着大模型的出现，在部分场景下，人类和 AI 的协同进化到了 Copilot 模式，即 AI 作为人类的坚实助手，随时辅助人类的工作。比如 Notion AI 和微软 Copilot，人类在 AI 的帮助下进行写作，AI 随时可以进行内容提示、扩充、修改。
而 AI Agent 模式，则是将人类与 AI 的协同进化到了新的高度，人类只是提出任务和目标，然后由 AI 自主完成大多数工作。所以从人和 AI 互动的角度来看，AI Agent 也是 AGI 发展过程中的必经之路。
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）© 由 ZAKER科技 提供
2.2 AI Agent 有哪些优势和局限？
对于用户来讲，AI Agent 的主要优势包括：
第一，以任务为导向。AI Agent 脱离了传统 Chatbot 那种闲聊的交互模式，能够弥合语言理解与采取行动之间的鸿沟。直接基于用户输入中所体现出来的意图，自动进行后续的推理和行动，可以大幅提升工作效率。
第二，自然的交互方式。由于 AI Agent 本身以 LLM 大语言模型为底座，固有的语言理解和语言生成能力，确保了自然无缝的用户交互。
第三，进化的决策能力。AI Agent 的决策能力依赖于背后的 LLM 大模型，虽然目前 LLM 大模型的决策能力还远远不如人类，但这项能力在持续不断的进化。
第四，灵活的适应性。在 RAG 和 Function Calling 等技术的支撑下，AI Agent 可以快速适应各种不同的行业和应用场景，并通过 API 调用和外部环境产生交互。
但是由于 LLM 大模型本身固有的局限，这种局限也同样影响了 AI Agent。
第一，可靠性不足。众所周知，LLM 大模型容易出现幻觉和不一致性，将多个步骤连起来会进一步加剧可靠性问题，从而难以获得用户信任。举个例子，假设每个步骤 LLM 的可靠性是 95%，如果一个任务需要被分解到 5 步以上，那么最终的可靠性将不到 80%，这会大大限制 AI Agent 在一些 Critical 场景下的应用。
第二，法律问题。对于企业对外输出的 AI Agent，企业可能要对其产生的错误负责。比如，最近一位客户因为被加拿大航空公司的聊天机器人误导而延误航班，最终由加拿大航空予以赔偿。
第三，性能和成本。GPT-4、Gemini-1.5 在推理和 function calling 的表现不错，但仍然较慢且成本高，特别是需要进行循环调用和自动重试时。
对于 AI Agent 可靠性的问题，其中一个解决方案是 Agentic Workflow，即借助人工经验进行任务分解、配置执行任务。AI Agent 在整个 workflow 中，更多起到意图识别、检索、归纳、分类的作用。
比如通过 workflow 创建一个输出财务分析报表的 AI Agent，由人类告诉 AI Agent，当接收到分析某家公司的财务报表时，先去某财务网站搜索该公司的财务报表，然后下载报表数据进行本地化存储，再提取特定字段的数据进行计算和同比，最后再以自然语言的方式输出财务分析报告。
对于 Agentic Workflow，后面风叔将专门用一篇文章进行介绍。
2.3 企业和个人为什么要关注 AI Agent？
企业用户通常面临更加复杂的业务需求，有更明确的业务场景、业务逻辑以及更多行业数据和行业知识的积累，非常适配 Agent 自主性、决策与执行、工具使用等特点，这让企业端领域成为 Agent 施展能力的绝佳舞台。
同时，AI Agent 可以用工程化的思想对抗个体工作的不确定性，过往的 SOP、PDCA、OKR 等管理方法可以与 AI Agent 进行适配，完成管理工作的科学升级。
因此，企业需要关注 AI Agent，结合企业所在的行业特点以及自身的业务属性，通过 AI Agent 提升业务效率。在企业的供应链、产品研发、市场营销、内部办公等环节，AI Agent 都有非常多的应用场景。
比如在供应链环节，AI Agent 可以应用在智能配补货、原料自动下单、库存优化、供应商协同、合同自动审查等场景。在产品研发环节，AI Agent 可以应用在产品成分分析、新品研发建议、产品设计出图等场景。在市场营销环节，AI Agent 可以用于智能客服、精准推荐、营销创意制作、广告智能投放等场景。
我们再来看 AI Agent 对于个人的影响。虽然到目前为止，面向 C 端用户，市场上还没有出现 killer 级的 C 端应用，包括 OpenAI 的 GPTs，其实只是用于特定知识库或数据的 Chatbot。但是从 AI 的长期发展趋势来看，AI Agent 一定会在越来越多的场景进行渗透。
同时，个人作为企业端的工作者，AIAgent 对个人在工作效率上带来的提升，也是显而易见的。利用 AI Agent 武装自己，让工作和学习效率更上一级台阶。
对于个人来讲，未来可能只有两种人，驱动 Agent 的人，和被 Agent 驱动的人。
