内容编辑丨特工小天

内容审核丨特工少女

如果我们去看国外各种 VC 和咨询公司发布的行业报告，都会发现一个共同的结论：几乎所有大型科技公司，以及快速崛起的创业公司，都在积极布局 Agent 产品 —— 这些系统正加速在企业级场景中落地，从金融服务到制造业到教育，全面渗透各行各业。

随着基于 LLM 的智能系统重塑企业的运营方式、组织结构与扩张路径，“构建并部署自己的 Agent”，已成为企业数字化转型的新命题与新压力。

在这样的背景之下，OpenAI 自己也直接下场，于 10 月 6 日发布了全新的 AgentKit，提供一套完整的工具，供开发者和企业构建、部署和优化 Agent。

管中窥豹，我们能感受到，Agent 赛道正经历一次转变 —— 竞争焦点已从“模型参数”转向“平台工程能力”和“企业落地能力”了，在模型层趋于同质化的今天，真正决定差距的，不再是单个模型的智力边界，而是平台能否提供完整、可控、可扩展的智能体基础设施。从工作流编排到工具集成，从性能评估到安全治理，这些工程环节，也正在成为新一代 AI 生态的关键战场。

这种观察与判断起初只在脑海中，但 10 月 16 日参加完百度的 Agent 大会后更加验证了这一点。

新千帆将原有的 AppBuilder 与 ModelBuilder 融合升级，形成集“大模型、工具组件与智能体开发”于一体的企业级工具链，旨在以更开放的方式整合百度系 AI 能力，全面支持 Agent 的构建与落地。 定位也从云服务平台扩展为面向企业的大模型与 Agent 一体化开发平台。

在这次百度 Agent 大会中，我们的特工同学参与了其中一场圆桌分享，和开发者梦飞老师以及百度的老师一起聊了聊 Agent 落地的实际现状。

我们能观察到，前两年大部分企业还并不太对大模型、Agent 感冒，但 2025 年无论是大企业还是 SMB，都热情高涨。但当下 Agent 的行业落地还没有想象的那么完美，目前到底是有什么卡点，是场景不成熟，还是技术不过关？

三位老师从技术进步/平台侧/生态开发者的三个角度给出了一些判断：

首先是模型能力与任务需求的匹配问题，不同业务场景对模型的理解、推理和工具使用能力要求各异，而现有模型的泛化能力仍难以完全覆盖。

其次是成本与性能的平衡难题，Agent 的多轮调用和工具链执行带来高昂的算力开销，使企业在性能与费用之间陷入权衡。

第三是系统集成复杂度高，企业在接入自有系统、知识库及外部 API 时，往往缺乏统一的协议标准与可靠的调用机制，导致开发成本与维护难度激增。

最后，安全性与可靠性问题是企业级落地的关键门槛，Agent 在真实生产环境中需要稳定、可控且符合安全合规要求的基础设施支持，而这一点在目前的生态中仍是痛点。

此外，梦飞老师还提到：企业落地 Agent，最大的障碍不是技术，而是“一号位认知”，即企业高层的战略认知，也是 Agent 落地的一大隐性痛点。许多企业负责人对 Agent 的理解仍停留在“工具自动化”或“降本增效”的表层，而非将其视作一种业务重构与组织智能化升级的契机。

不得不承认的是，当我们从全球视角重新审视 Agent 行业，会发现一个显著的落差：从去年开始，“AI Agent”迅速成为资本和技术语境下的高频词汇，相关概念、平台与产品层出不穷——从 OpenAI、Anthropic、百度到无数初创公司，都在讲述关于“智能体时代”的新叙事。

但热潮之下， 行业也逐渐进入“从概念热到落地难”的阵痛期。许多企业在试点阶段便遭遇了现实阻力：可复用场景有限、系统对接复杂、运行成本高昂、稳定性不足。

这些 Agent 落地问题，在行业一线的百度发现的更早。因此，我们也请教了百度的老师们， 全新升级的千帆，是如何构建 Agent 时代的基础设施，如何攻克以上问题的呢？

百度的老师跟我们分享到，面对企业在落地 Agent 过程中普遍存在的高成本、集成复杂、模型匹配不足以及安全可靠性难题，全新升级的 「百度千帆」大模型服务及 Agent 开发平台，构建出一套贯穿“模型—工具—编排—运行”的完整解决方案。

在 Agent 引擎层面，百度千帆推出了灵活的 Agent 编排架构，支持自主规划、工作流编排与多智能体协同。平台性能全面提升，兼容性与稳定性更强，能够满足企业多样化、复杂化的任务需求。

在工具与 MCP 生态方面，百度千帆上线了包括百度 AI 搜索、百度百科在内的多款百度自研优质组件，并积极引入第三方生态工具，构建了丰富开放的组件生态。其中，基于百度 25 年搜索技术积累打造的「百度 AI 搜索」组件，专为 AI 设计，提供权威、结构化、实时的信息能力，显著增强了 Agent 的知识获取与执行深度。

在模型服务方面，平台汇集超过 150 款 SOTA 模型，覆盖视觉、视频、语音等多模态场景。百度自研的「蒸汽机」视频生成模型登顶 VBench 全球榜单，自研行业专精模型（如金融、视觉理解、语音方向）实现更优性价比与性能表现。其中，千帆慧金金融模型在多个行业评估集上领先 SOTA 基座，而 Qianfan-VL 模型在 OCR 与文档理解任务中表现突出。针对 Agent 长对话与多轮调用的高成本问题，百度创新推出 主动 Cache 模式，通过分布式 KVCache 技术可降低高达 80% 的推理成本，从底层优化了 Agent 的经济可行性。

在企业级服务保障方面，平台提供端到端的可观测性能力，实现 Agent 全链路的追踪与分析；同时具备多地容灾、秒级故障切换与多层次安全防护机制，确保企业级业务的高可用与高安全。

今年既然是 Agent 落地的“元年”，那后续呢，像千帆这样的平台能力升级，26 年 Agent 生态会如何发展。因此圆桌最后我们也展望了下未来：站在开发者与平台的角度，三位老师如何展望 Agent 在行业中的未来发展？

百度智能云资深研发工程师石宽：未来的 Agent 将更深地融入企业的业务流程中，而这一切的基础，仍是模型能力的持续进化。无论是多模态理解、思考模型还是更强的推理能力，模型的提升都会让 Agent 的性能与性价比显著跃升。

接下来一个重要方向，是如何让模型更有效地理解和利用业务数据，也就是近期业内热议的 Context Engineering。通过更精准的线索提取与上下文重组，使模型能够触达隐藏在数据背后的专家经验与业务知识，从而实现更可靠的推理与执行。斯坦福提出的 “ACE” 体系（Adaptive Context Engineering）也在强调这一点：让 Agent 真正成为懂业务、懂语境的智能体。

与此同时，Agent 的“记忆”也将成为新的增长点。未来，如何平衡记忆的范围与成本，如何让记忆真正服务于业务决策与交互体验，都是值得深入探索的课题。

百度智能云 AI 与大模型平台副总经理施恩：Agent 元年的意义既是转折点，也是新的起点。接下来我们会看到更多来自不同行业、不同场景的 Agent 出现，它们将聚焦具体问题，形成规模化应用。

这对平台提出了更高要求——我们需要不断完善工具、接口与生态，帮助企业和开发者在自己的业务中创造出真正高价值的 Agent。平台也会持续追踪前沿趋势，提供更实用的技术与服务，助力开发者在这一轮智能浪潮中实现创新落地。

词元映射 CEO，企业级 AI 智能体商业化赋能专家张梦飞：从服务商和个人开发者的角度来看，目前模型能力、平台生态、市场需求与政策环境正逐渐进入一个“平衡点” —— 一个能让成本与效益匹配、创新得以规模化的时刻。

在不远的未来，我们将看到成千上万的垂类 Agent 崛起，它们将深度嵌入教育、出行、餐饮、制造等各行各业。就像教育领域的例子——有了智能体的协助，教师不再受限于时间与精力的分配，每个学生都能获得更个性化的指导。这种场景也将扩展到所有行业，让每个人都能体验到更高质量的服务与智能支持。

作为开发者，我们有幸亲身参与这一进程，见证并塑造无数行业智能体的诞生。未来的社会将被多样化的 Agent 网络所支撑，人类的生活质量与幸福感，也将在这种智能协同中得到前所未有的提升。

无比期待那个更个性化，更多垂直 Agents 与人类共生的宇宙～