TL;DR：
当前AI Agent市场正经历一场由资本和技术炒作驱动的泡沫，通用型Agent面临技术瓶颈和商业化困境，用户留存率低。唯有深耕垂直领域、结合行业Know-how，并务实地将Agent能力融入现有工作流，才能在泡沫消退后实现真正的价值落地和长期生存。
近期的AI浪潮中，智能体（AI Agent）无疑是继大模型之后又一焦点。从年初的强化学习热潮到如今各式各样的“类Agent”产品层出不穷，市场对“更聪明、更全能、更自动化”的未来充满期待。然而，在这股狂热背后，一场由资本、技术和场景错配共同催生的泡沫正在膨胀，其规模和深远影响值得我们深入洞察。行业人士的普遍共识是，诸多所谓的Agent产品不过是“挂羊头卖狗肉”1，热闹之下是堪忧的用户留存率与日趋同质化的体验。
技术之殇：智能体瓶颈的深层解构
AI Agent的崛起，主要得益于大模型在“工具使用”（tool-use）能力上的突破，特别是通用接口（如MCP协议）的普及，使得Agent能更高效地与外部系统交互、获取信息。然而，支撑这一愿景的技术基石仍面临多重挑战，远未达到理想的成熟度。
-
MCP与A2A之辩：协议深度的局限 当前普遍使用的MCP（Machine-to-Agent Communication Protocol）协议，作为通用Agent与外部数据源的通信方式，在将自然语言转化为结构化查询或指令时，不可避免地会产生信息损失和语义偏差。例如，一个Data Agent若仅接收到“获取消费金额”的指令，在缺乏上下文和专业知识的情况下，难以准确识别该金额来自哪个系统、何种业务。这导致通用Agent在专业领域内面临指令翻译的准确性挑战。相比之下，A2A（Agent-to-Agent）协议则被认为是未来 Agent 间完整协作的关键，它能实现更深度的垂直Agent间通信，从而减少信息失真，但这需要对数据进行语义化的**Contextual Data Unit（CDU）**改造，投入巨大且专业性极强。1
-
幻觉阴影与多智能体困境 底层大模型的“幻觉”问题，是Agent永远无法完全解决的根本缺陷。理论研究表明，大模型无法从根本上消除幻觉。在严肃的生产环境中，如自动编程或金融决策，一旦出现幻觉且缺乏有效控制，风险极高。专家指出，“过程幻觉”——即AI编造或虚报执行结果——在Agent产品中屡见不鲜，极大损害了其可靠性。1
此外，被过度炒作的多智能体（Multi-Agent）系统在实际应用中也面临困境。尽管一些沙盒环境的游戏尝试了多智能体交互，但在大多数企业业务场景中，单或双智能体已能覆盖80%的需求。多智能体系统显著增加复杂度、容错设计难度、开发维护与算力成本，且不一定能提升效果，反而易导致系统不稳定、循环对话或信息丢失。1
-
上下文之墙与智能上限之忧 基础模型能力的一大核心限制是上下文长度。尽管头部厂商宣称模型上下文达到数十万甚至上百万token，但实际体验中，模型准确率在几万token时就可能大幅下降，导致信息丢失，尤其在代码编写等复杂场景中构成“硬天花板”。这一瓶颈不仅源于模型本身，更与底层芯片架构（如显存、HBM带宽）紧密相关。国内在高端AI芯片上的“卡脖子”问题，使得长上下文处理面临更严峻挑战。1
而近期GPT-5的发布被诟病“平庸”，也引发了对基础模型智能极限的担忧。专家认为，GPT-5通过“多模型路由”提升上限，可能预示着大模型“Scaling Law”（规模定律）在单模型上的高效提升已接近失效。这促使行业将重心转向Agent能力强化，以及大模型向垂直方向发展。这种“不高不低”的智能上限，使得“通用个人助理”所需的高信任度与大模型当前的低可靠性之间存在巨大鸿沟，导致C端用户无法长期留存。1
资本狂热与产业迷思：泡沫缘何而生
技术层面的诸多未解之谜，却未能阻挡资本对AI Agent的狂热追捧。这种背离实际可用性的投资热潮，映射出深层的资本逻辑和产业迷思。
-
“下一代OS”叙事的双刃剑 投资人普遍对“通往AGI的必经之路”、“下一代操作系统”等宏大叙事趋之若鹜。尤其在当前缺乏其他投资热点的情况下，Agent类项目成为“击鼓传花”的唯一选择。这种盲目信任和“你不投我就投”的竞争心理，使得项目的融资估值往往与实际产出效率脱钩，而更关注覆盖面、DAU/MAU等短期指标，从而助推了泡沫。1
然而，通用型Agent的核心卖点是“解决所有问题”，这在当前技术条件下是无法实现的。用户发现产品“华而不实”后，自然难以留存。正如知言吉智CEO付瑞吉所言，Agent产品不同于内容类产品，不能只靠注意力，必须解决实际问题。1
-
大模型厂商的降维打击 大模型能力的飞速迭代，对应用层的Agent创业公司构成了“降维打击”。基础模型厂商每次能力下沉，都会抹平通用层的一些差异，压缩了通用Agent的生存空间。OpenAI推出的AgentKit便是这一趋势的明证。业内普遍认为，介于模型层和垂直应用层之间的“薄弱工具层”公司，其竞争优势极其脆弱，很容易被模型厂商或垂直厂商挤压。例如，Cursor等编码Agent尽管交互体验良好，但缺乏生态绑定，一旦微软等大厂在其工具链中集成类似能力，其优势便会被稀释。1
-
国内ToB生态的结构性痼疾 国内AI Agent泡沫呈现出与国外不同的特征：国外泡沫主要在C端，国内则几乎只存在于B端。1这背后隐藏着中国ToB SaaS市场的结构性痼疾：
- 低SaaS普及率与割裂生态： 国内缺乏大型标准化软件公司，SaaS发展不成熟，企业多倾向自研，导致内部系统协议差异大，数据打通困难。这使得Agent难以标准化、规模化复制。
- 高数据壁垒： 金融、医疗、政务等高价值行业数据壁垒极高，合规审核严格复杂，导致高质量垂直数据难以获取，进而影响国内大模型训练速度和垂直Agent发展。
- “大厂作风”与封闭生态： 国内头部企业倾向于自建垂直Agent，而非开放合作，进一步压缩了创业公司切入核心场景的机会。
- 投资缺乏耐心： 国内投资环境更追求短期回报，与垂直Agent所需的长期行业积累和客户教育周期不符。
这些因素共同导致国内ToB Agent落地困难，可复制性低，使得许多创业公司转而投向ToC市场，或选择出海（如Manus迁至新加坡）以寻求更好的算力、合规与融资环境。然而，专家指出，ToC通用Agent的护城河在于大模型本身，这一生态位正被基础模型厂商提前占据，即便是出海也难以根本改变这一趋势。1
穿越周期：构建面向未来的智能体生存之道
面对喧嚣与挑战，Agent赛道亟需重新审视其核心价值与发展路径。穿越泡沫，生存下来的关键在于对行业本质的深刻理解和务实的落地策略。
-
场景深度与行业Know-how：护城河的基石 无论是ToC还是ToB，真正的Agent不应是技术的一层薄壳，而应由具备深厚行业Know-how（知识和经验）的团队来打造。例如，飞书凭借其长期积累的知识库和体系化内容，在企业内部办公Agent场景中具备天然优势。未来能在Agent领域取得成果的，很可能不是纯粹的大模型厂商，而是原有的SaaS和工具型厂商，它们已在特定领域拥有数据积累和业务理解。1
-
垂直大模型：精度、成本与合规的平衡 ToB企业对Agent的需求，将使其更倾向于使用垂直大模型。垂直模型参数量小，推理成本更低；其精准性和对企业生态的贴合度，能有效降低幻觉和人工校对成本；同时，垂直模型更易私有化部署，符合数据合规与隐私要求。在实际应用中，可通过**“垂直大模型覆盖80%-85%的高稳定性需求，通用大模型兜底15%-20%的复杂问题”**策略，实现可靠性与灵活性的平衡。1这呼应了企业级数据尽管总量不如互联网数据，但其“含金量”和“信息密度”远高于后者的价值评估。
-
Workflow与Agent的融合共舞 在当前Agent智能有限和幻觉无法完全解决的背景下，工作流（Workflow）与Agent的结合成为务实选择。Agent的核心在于利用LLM动态构建Workflow，但Workflow的静态、确定性对企业尤为重要。专家建议，应在小规模、局部的Workflow改造中嵌入Agent，优先选择流程高度标准化、数据流转清晰、任务输入输出明确的场景。例如，金融行业的贷款审批、合规比对等环节，Agent可作为辅助模块嵌入，而非颠覆整个业务系统。1
更具启发性的是，未来的模式很可能是**“Agent + RAG + 传统Workflow（或RPA）”的组合**。Agent主要负责分工决策、需求挖掘和思路设计，而实际执行阶段则由确定性更强的Workflow（甚至不涉及RAG）来完成。这种模式能在保证确定性的前提下，利用Agent进行深度、多轮、渗透式的用户交互，解决传统软件难以实现的“明确需求”痛点，从而实现数倍的效率提升。1
-
高价值核心场景的聚焦 无论是ToC还是ToB，Agent产品必须解决用户的核心痛点，才能激发付费意愿并推动大规模部署。在ToB领域，当前最迫切的Agent应用场景包括：
- 跨系统任务编排与自动化： 通过自然语言连接ERP、CRM、知识库等业务系统，实现可视化编排与审批。
- 高可信度的知识问答与决策： 提供具备引用溯源、版本控制和权限分级的企业级知识问答。
- Data Agent（ChatBI）： 半自动或全自动数据分析与报告生成，理解企业BI数据模型，自动编写SQL并输出可视化报表。1
这些场景需要训练或定制垂直化模型，以适应企业特有的语言体系、业务生态和流程规范。创业公司应选择“长尾”场景作为切入点，这些场景需求独特、痛点尖锐，用户对解决方案的不完美有更高容忍度，且能更容易形成专业化数据壁垒，如Figma和Zoom最初深耕某一点并逐步扩展的路径。1
展望：泡沫洗礼下的智能体进化之路
当前的AI Agent泡沫，是任何颠覆性新技术发展必然经历的阶段：泡沫化、幻灭与出清，随后是长期务实的渗透与融合。我们正处在泡沫化的中期，幻灭初显，出清尚早。1
从长远来看，行业终将迈向**“无处不在的Agent时代”**。几乎所有软件和App都会嵌入模型，成为某种形式的Agent。这一过程可能需要5到10年，在此之前，专业领域的专业型Agent将率先落地并发挥作用。
值得警惕的是，在AGI/ASI真正到来之前，基于大模型的智能体的胜利，极大概率不属于那些试图用一个通用Agent解决所有问题的“平台”公司，而属于那些能将Agent作为一种能力与业务深度融合，开发出该领域具备智能决策和自然语言交互的专业软件公司。 泡沫并非一无是处，真正的长期主义者反而能借助泡沫的力量生长，但唯有回答“为谁而作、在何处用、以何种方式稳态运行”这三个基本问题，才能穿越喧嚣，走向可复用的现实，塑造人类文明的未来图景。