早在2024年，我就预测了2025 年将会成为Agent 元年。

2024年的“算力墙”问题已经出现了，模型效果边际收益递减，训练和运营成本高昂。

在这样的时间节点和背景下，资本的眼光不可避免的会投入下一个AI 产品 —— 智能体（AI Agent）。这也是为什么会在开源中国的行业白皮书里写这样一篇文章。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

而我为什么认为2025年是“agent元年”呢？“元年”——其实是一个“概念破圈”的时间节点。2024年以前，无论何种定义的agent，其讨论范围都限定在AI技术圈内。但2025年开始，agent作为一个最明星的词，开始进入了非技术背景的更广泛大众视野。

01

Agent技术是什么

每个人都在讨论Agent，但Agent技术到底是什么？其实在AI技术史上，agent这个概念有非常多的含义。

而我们当下提的最多的Agent技术，指的是以大模型LLM技术为核心，以文本指令为接口，模仿人类进行任务规划、有记忆功能、具备使用（虚拟）工具解决问题的一种虚拟实体。

Agent不是某个具体的意象，比如Agent不是AI对话客服，客服只是Agent可以实现的任务中的一种。利用LLM强大的指令遵从、逻辑理解等能力，Agent可以自动化地完成部分代码开发、财务处理、数据分析、信息收集等各种工作。其存在价值是帮助人类完成越来越多的重复性、流程化的工作，提高效率。

02

2025：为什么是Agent元年

当市场疯狂涌入和看好Agent行业，这也意味着2025年成为了Agent元年。而Agent之所以会在全球范围内红红火火，当然不是因为某些大佬的站台和宣传，而是所有AI头部厂商都形成了一种共识：Agent是当下以LLM为核心的AI技术落地应用的最合理路径。

而产品化，也是所有大科技厂商正在面临的巨大压力。

回首2024年底，Open AI的GPT 5难产不仅让他们自己饱受压力，也让整个科技圈对scaling law产生质疑，我也在白皮书里认为LLM撞上“算力墙”的论断，现在看来，这恰恰成为了加速agent技术爆发的契机。

时间来到2025年年中，GPT 5发布后效果不及预期，已经没有3.5到4，4到o的阶梯式提升的惊艳了。而Open AI的GPT 5，毫不意外地进行了大量推理速度优化，这也昭示了AI头部大科技面临商业化压力，开始朝着产品化落地急转向。

继续膨胀算力训练更“大”的模型带来的收益已经快速边际递减，当下的LLM范式逐渐进入饱和瓶颈。我们会发现，与其追求一个大而全的超级模型，不如让一群小而美的“特长生”互相取长补短进行合作，这是ROI最大化的理性选择。

所谓的“三个臭皮匠顶一个诸葛亮”，在任何场景下都是用，无限多个不那么聪明的智能体，focus自己指令所限定的任务，反而能带来新的scaling law。一个是test-time scaling：用更多的“思考”时间，更多的步骤，逐步优化一个任务的结果；另一个是multi-agent scaling law，当越多的智能体在统一的环境中协作，就可以完成越来越复杂的任务。

沿着这个方向，微软Copilot、Cursor推出了代码智能体产品或版本，Leapfin 推出的Luca服务于金融会计领域，OpenAI、阿里、Perplexity推出Deep Research应用于信息处理和知识认知领域。越来越多的智能体已经开始在产业界创造价值，这不是“Agent元年”，还能是什么呢？

03

Agent技术:质疑声层出不穷

当时间推进到2025年年末，一个最吊诡的地方出现了，agent技术开始收到了质疑声，针对方方面面，都出现了层出不穷的质疑声。

不到一年的时间里，风向急转，Agent为什么会面临这么多的负面声音？我个人看来，究其根本还是当下Agent产品力不够，远远不能解决用户痛点。

一个产品，落地的核心是要看它提供的用户价值与用户付出的成本的比，也就是ROI，Agent也不例外。

试想，如果我用coding agent写一个当前系统的插件，花十分钟跟他聊天，三十分钟等它写代码、调试、debug，最后它跟我说fail或者陷入死循环，这样的用户体验会造成什么？用户流失和用户对产品的不信任。

在Agent产品的用户价值框架里，付费订阅、token/算力消耗、等待的时间是用户付出的成本，节省的时间或者增加的工作并行度是取得的收益

然而，现在的很多agent产品不能令人满意，归根结底还是ROI的失衡。

04

Agent的未来：自主智能体

被誉为“Agent元年”的2025年，饱受争议，这种割裂感一直在技术圈和圈外之间反复拉扯。

即便技术圈内部已经达成方向性共识，但实际产品却一直没能满足圈外用户的期待。更广泛的圈外用户期待的到底是什么呢？

我在这里在大胆做一波预测，我认为是“自主智能体”。

现在非常多的智能体产品仍然是工作流智能体，需要利用人工领域经验预定义工作流，智能体只会按照工作流一步一步走。因此，这类智能体的应用场景是有限的，仅限于SOP十分明确、工作流程成熟到行业规范级别的简单任务。

然而，实际情况是，用户的日常工作面对的大部分任务是开放式任务，需要智能体具备探索、自省、自动调节工作流的能力。

那么，用户距离这样的高效能、自主智能体产品还有多远呢？从技术上看，我个人观点认为，至少还有两年。

两年这个数字，我是如何得到的呢？下面，我来简单给大家推演一下。

首先，我先定义一下，什么是自主智能体。

前面我们说到非自主的智能体依赖人工定义工作流，即工作流图的定义，是它除了任务目标之外的输入信息的一部分。那么自主智能体就是它的反面，自主智能体的输入 = 任务目标 + 工具集合 + 环境边界（沙箱）。自主智能体具备自定义工作流图的能力。

优化自主智能体产品的ROI，就考虑两个方面：提升价值和压缩成本。

我们先说简单的，压缩成本。这个问题的技术方向已经非常明确：推理加速、模型压缩、token压缩。随着算力进一步提升（尤其是推理加速优化的定制化投入）和压缩技术 的发展，这一领域会在两年内有指数级别的收益。

难就难在提升价值。Agent产品的价值评估标准很简单，能不能正确完成任务。这就涉及模型能力瓶颈与平衡的问题。就好比我们有一台电脑，硬盘就只有128GB，装了大型3A主机游戏，就没地方装其它庞大的工业软件了，这台电脑用来做什么，就需要衡量抉择。LLM差不多，很多厂商都意识到了这一点，所以为了开发领域都推出了专用的代码大模型。

多智能体协作系统由多个不同功能（角色）的节点构成，从算力最优化的角度来看，一些任务形态固化的节点，可以由小型的专用模型来完成。一方面，我们要提升模型的知识密度，各家模型厂都在加码这里；另一方面，我们要做专用化，例如前段时间火爆的DeepSeek-OCR，是个3B左右的小模型，专用于图像文字识别。3～7B是当前算力条件下的舒适区。

要想提升模型单节点任务准确度、任务规划流程合理性，这就逃不开训练数据和训练方法了。很多人会问，LLM不是拿了全天下能拿到的数据训练了吗？不是进入数据饥饿了吗？为什么还需要数据呢？这是因为当下agent面临的问题是更加小众的专业性问题，例如医疗、教育、金融，很多垂直领域的核心数据是不会暴露在公网的，在没有LLM的时代，这些数据就都是各家企业的核心资产和护城河。LLM训练从头部分布，正在进入长尾领域。

这里就是核心矛盾了。垂直领域内的企业有数据，但不希望数据离开企业，也没有训练模型的技术背景。有技术能力的企业无论如何都拿不到有效数据。短期来看这个矛盾不可调和，那么未来最核心的技术方向就是标准化，包括数据协议标准化以及训练方法标准化。

聊到数据协议标准化，这里大家应该就都明白了，为什么MCP会出来。所以，任何一家想要深度拥抱agent的垂域公司，现在就要开始MCP化改造，沉淀有效数据。

而训练方法的标准化就涉及到将SFT、RL等算法的流程标准化封装，让数据“足不出户”就可以压缩到模型的知识（参数）储备中。

标准化了的新流程，就一定能转化为agent效能了吗？不一定。

这也是为什么最近很多人在问，MCP之类的各种协议，凉了吗？没有凉，只是很多企业不知道MCP化什么，MCP化了有什么用。想要训练智能体，首先要理解智能体技术，把ReACT理念刻到企业各种SOP里。

各种工具API调用的数据并不是最稀缺的东西，高效能的自主智能体最需要的数据，是任务路径规划、以及自省循环过程的数据，这些working memory才是最重要的context。

一个coding agent的准确度有限，就是因为缺少足够的有效context，这些context，很多都没有在日常工作中沉淀下来。例如从PRD到TD过程中的开会讨论记录，工程师对机房环境、机器配置、网络带宽、APP框架的认知，等等。很多我们工作流程中习以为常，而隐身在脑海中的“背景认知”是agent能有效完成工作的核心context。因此，我们需要将agent带着MCP沿着工作流深度集成，沉淀有效数据。

这样就够了吗？还不够。数据全了，但量不够。我在2024年开源中国白皮书提到的另一个重要概念就是合成数据。有了更多的context之后，我们可以驱使LLM，通过推理，将不同节点的context有效串联、举一反三。

最后，当agent跟随人类工作者，在SOP中陪跑的时候，总会不小心犯错，怎么办？定义沙箱环境，哪些工具/APIagent能碰，哪些需要经过人的审核节点才能碰，也需要写到“context”里。context越来越复杂，所以才会孵化出上下文工程，独立memory的概念。

2025年末，当我们已经看到了LLM产品化落地的非常明确的方向时，就要理解市场的质疑声不是退潮，而是理性、冷静的反思。

从技术发展曲线来看，这也正是下一轮爆发的前兆。

未来几年的技术革新将不再以机器学习算法为唯一主角，更多产品化导向的技术会获得史无前例的投入，包括推理加速、压缩技术、专用化小模型、数据标准化、训练标准化、工作流深度集成、沙箱规范。

相信在不久的将来，我们能看到在隔离环境中持续、稳定、高效、自主运行的高效能智能体。

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓