這兩年AI圈的并購消息一條接一條但前幾天傳出的某頭部科技公司擬以約20億美元收購Manus AI的消息還是讓我這種老從業(yè)者坐直了身體。不是因?yàn)榻痤~大——AI賽道這個(gè)量級(jí)的交易算不上石破天驚——而是因?yàn)槭召弻?duì)象是一款以“執(zhí)行能力”著稱的AI智能體產(chǎn)品而不是傳統(tǒng)的模型層公司。圈內(nèi)很多人把這解讀為“AI競爭進(jìn)入下半場”我是認(rèn)同的。過去兩年大家拼的是誰的模型參數(shù)大、誰的回答更聰明但從這次收購的標(biāo)的來看風(fēng)向已經(jīng)明顯變了——真正值錢的變成了誰能把AI從“會(huì)說話”變成“會(huì)辦事”。這篇文章我想從這次收購案出發(fā)拆解一下執(zhí)行型AI的核心價(jià)值、大廠愿意花20億的邏輯以及對(duì)我們這些做AI應(yīng)用、做開發(fā)的人意味著什么。1. 收購案背后的核心信號(hào)AI競爭從“模型層”轉(zhuǎn)向“執(zhí)行層”1.1 為什么Manus AI這類執(zhí)行型產(chǎn)品突然變得值錢先說清楚Manus AI是做什么的。它不是那種你問一句它答一句的聊天機(jī)器人而是主打“自主完成任務(wù)”的智能體給它一個(gè)目標(biāo)比如“幫我把這100份簡歷篩一遍按匹配度排序并生成匯總報(bào)告”它會(huì)自己拆解任務(wù)、調(diào)用工具、操作瀏覽器、寫代碼、處理文件最后把結(jié)果交付給你。這種“手和腳”的能力恰恰是過去兩年AI大模型最缺的部分。大模型再聰明本質(zhì)上仍是一個(gè)“生成器”——你輸入提示詞它輸出文本。但真實(shí)世界的需求幾乎都不是“給一段話”就能解決的而是要完成一連串動(dòng)作查資料、填表單、算數(shù)據(jù)、發(fā)郵件、調(diào)接口。過去這些動(dòng)作需要人親手去點(diǎn)、去寫、去操作現(xiàn)在執(zhí)行型AI想做的就是把最后這一步也替代掉。從這個(gè)角度看某頭部科技公司想要收購它的邏輯就非常清晰了模型能力可以自己慢慢訓(xùn)練、可以買算力堆出來但“讓AI真正替人干活”的產(chǎn)品化能力和工程化經(jīng)驗(yàn)買現(xiàn)成的比自己從零摸索要快得多也穩(wěn)妥得多。再從數(shù)據(jù)維度看。Chatbot類產(chǎn)品產(chǎn)生的數(shù)據(jù)更多是“對(duì)話數(shù)據(jù)”價(jià)值有限而智能體執(zhí)行任務(wù)時(shí)產(chǎn)生的數(shù)據(jù)是帶著明確意圖和結(jié)果反饋的行為數(shù)據(jù)——用戶想要什么、AI做了什么動(dòng)作、最終效果如何這是一個(gè)完整的閉環(huán)。這類數(shù)據(jù)對(duì)于訓(xùn)練下一代AI系統(tǒng)來說幾乎是金礦級(jí)別的資源。誰掌握了大批量“任務(wù)—行動(dòng)—結(jié)果”的數(shù)據(jù)誰就更有可能訓(xùn)練出真正可靠的執(zhí)行型AI。這也是大廠愿意砸下重金的原因之一。1.2 20億美元買的是什么拆解執(zhí)行型AI的資產(chǎn)構(gòu)成很多人看到20億美元的第一反應(yīng)是“貴”或者“值”但如果你拆開來看會(huì)發(fā)現(xiàn)收購方買的東西比表面復(fù)雜得多。第一塊是技術(shù)棧。Manus AI這類產(chǎn)品不是簡單套殼大模型API就能做出來的。它背后涉及任務(wù)規(guī)劃框架、工具調(diào)用協(xié)議、瀏覽器自動(dòng)化控制、跨應(yīng)用的信息讀寫能力、異常處理機(jī)制以及對(duì)模型輸出的可信度校驗(yàn)——這些工程化的東西每一層都需要大量調(diào)試和踩坑積累。第二塊是人。這個(gè)團(tuán)隊(duì)在AI Agent工程化領(lǐng)域算是探索得比較早的一批人他們踩過太多別人還沒遇到的坑這種經(jīng)驗(yàn)是寫在代碼里、寫在團(tuán)隊(duì)協(xié)作方式里的買團(tuán)隊(duì)就是買經(jīng)驗(yàn)。第三塊是用戶習(xí)慣和場景覆蓋。Manus AI在推出后積累了一批真實(shí)的用戶和真實(shí)的任務(wù)場景這些場景數(shù)據(jù)不是花錢就能立刻買到的。當(dāng)然也有聲音說20億美元估值虛高一個(gè)連穩(wěn)定盈利都談不上的產(chǎn)品憑什么賣這么貴。但換個(gè)角度看如果大模型是“大腦”智能體就是“手腳”而當(dāng)前行業(yè)里手腳靈活到這個(gè)程度的團(tuán)隊(duì)并不多。在技術(shù)變革的窗口期為稀缺性支付溢價(jià)是科技巨頭一貫的做法。這筆交易買的不是當(dāng)下的收入而是未來三到五年在“AI執(zhí)行”賽道上的入場券。2. 執(zhí)行型AI的硬核拆解它和聊天機(jī)器人到底差在哪里2.1 頂層邏輯從“生成答案”到“完成任務(wù)”的范式切換要理解執(zhí)行型AI的價(jià)值得先理解它和傳統(tǒng)Chatbot在架構(gòu)層面上的根本差異。傳統(tǒng)Chatbot的工作流是一條直線接收用戶輸入 → 調(diào)用大模型 → 生成文本回復(fù) → 結(jié)束。整個(gè)過程是“一次性”的模型不保留對(duì)任務(wù)的狀態(tài)追蹤也無法在回答之后繼續(xù)采取行動(dòng)。你說“幫我訂一張明天去北京的機(jī)票”它最多告訴你“您可以在某某App上預(yù)訂”就算表現(xiàn)好的也只是給你一段查詢攻略真正的操作它做不了。執(zhí)行型AI的工作流則是一個(gè)閉環(huán)而且通常包含多輪迭代。拆開來看大致有這個(gè)幾個(gè)環(huán)節(jié)目標(biāo)解析把用戶模糊的指令轉(zhuǎn)化為結(jié)構(gòu)化任務(wù)描述。比如“幫我整理這份會(huì)議紀(jì)要”會(huì)被拆解成“讀取文檔”、“提取關(guān)鍵決策”、“按模板格式輸出”。任務(wù)規(guī)劃將結(jié)構(gòu)化任務(wù)分解為若干子步驟并決定執(zhí)行順序。這里要考慮依賴關(guān)系——比如先抓取數(shù)據(jù)才能做分析。工具調(diào)度為每個(gè)子步驟匹配合適的工具或接口包括代碼解釋器、瀏覽器操作、文件讀寫、第三方API等。執(zhí)行與反饋實(shí)際調(diào)用工具、執(zhí)行操作并根據(jù)返回結(jié)果判斷是否達(dá)到預(yù)期如果沒有達(dá)到則自動(dòng)調(diào)整策略。結(jié)果輸出將多步操作的結(jié)果匯總以用戶可理解的形式交付。這背后的關(guān)鍵變化是AI從僅僅處理“語言”變成了處理“操作”。這不是一個(gè)簡單的功能疊加而是整個(gè)系統(tǒng)架構(gòu)的重構(gòu)。模型仍然很重要但模型只是這個(gè)系統(tǒng)里的一環(huán)圍繞模型搭建的規(guī)劃、記憶、工具調(diào)用和反饋校驗(yàn)機(jī)制才是執(zhí)行型AI的核心技術(shù)壁壘。2.2 關(guān)鍵技術(shù)模塊規(guī)劃、記憶與工具調(diào)用既然說到了架構(gòu)就把幾個(gè)關(guān)鍵技術(shù)模塊攤開來講。這三個(gè)部分是執(zhí)行型AI與普通對(duì)話AI拉開差距的核心也是我在實(shí)際開發(fā)AI Agent應(yīng)用時(shí)感觸最深的地方。規(guī)劃能力。這是執(zhí)行型AI的大腦皮層。給定一個(gè)目標(biāo)模型需要生成一個(gè)多步驟的“行動(dòng)計(jì)劃”。早期實(shí)現(xiàn)方式很簡單——直接讓大模型用思維鏈的方式生成步驟列表但實(shí)際執(zhí)行中很快會(huì)碰到問題模型的規(guī)劃往往過于理想化沒有考慮到工具執(zhí)行時(shí)的各種異常情況。后來業(yè)界的主流做法是做“分層規(guī)劃”頂層用大模型做粗粒度的目標(biāo)拆解底層用較小的模型或規(guī)則引擎做細(xì)粒度的動(dòng)作選擇。這樣既利用了LLM的泛化能力又保證了執(zhí)行層的可控性。記憶系統(tǒng)。智能體執(zhí)行復(fù)雜任務(wù)時(shí)不能“做完一步忘一步”。它需要短期記憶——也就是當(dāng)前任務(wù)的上下文狀態(tài)——以及長期記憶——也就是跨任務(wù)積累的用戶偏好和歷史行為。這個(gè)模塊常常被低估但實(shí)際體驗(yàn)中記憶的有無直接決定了智能體是“好用的助手”還是“每句話都要重復(fù)一遍的笨機(jī)器”。工具調(diào)用。這是執(zhí)行型AI“手腳”的延伸。主流實(shí)現(xiàn)方式是Function Calling也就是讓模型在生成回復(fù)的同時(shí)輸出一個(gè)結(jié)構(gòu)化的工具調(diào)用請(qǐng)求系統(tǒng)再根據(jù)這個(gè)請(qǐng)求去執(zhí)行對(duì)應(yīng)的API。這里最大的難點(diǎn)不在調(diào)用本身而在于模型選錯(cuò)工具后的糾錯(cuò)能力。我在測試中經(jīng)常遇到的情況是模型明明應(yīng)該調(diào)用“搜索引擎工具”卻調(diào)成了“計(jì)算器工具”如果沒有一層“工具選擇校驗(yàn)機(jī)制”整個(gè)任務(wù)就會(huì)跑偏。成熟的執(zhí)行型AI通常會(huì)在工具調(diào)用外層套一層規(guī)則校驗(yàn)或用另一個(gè)模型對(duì)工具選擇結(jié)果進(jìn)行二次確認(rèn)。2.3 執(zhí)行型AI的能力邊界現(xiàn)在能做什么不能做什么把執(zhí)行型AI說得這么厲害也得客觀看它的能力邊界。基于我自己的觀察和使用體驗(yàn)當(dāng)前這類產(chǎn)品的表現(xiàn)大概處于這個(gè)水平能做的事信息搜集類任務(wù)做得最成熟。比如“調(diào)研一下市面上主流的AI編程工具對(duì)比它們的價(jià)格和功能輸出一個(gè)表格”——這類涉及搜索、閱讀、結(jié)構(gòu)化輸出的任務(wù)執(zhí)行型AI已經(jīng)能完成得相當(dāng)不錯(cuò)。文檔處理類任務(wù)也比較穩(wěn)定讀取PDF、提取關(guān)鍵信息、按模板生成報(bào)告出錯(cuò)率在可接受范圍內(nèi)。還有數(shù)據(jù)整理與基礎(chǔ)分析類任務(wù)只要數(shù)據(jù)格式不是太混亂智能體也能勝任。做不好的事涉及物理世界的操作比如幫你取快遞、打掃房間目前完全無能為力——這個(gè)不用多說實(shí)體機(jī)器人還沒成熟到那個(gè)程度。涉及多系統(tǒng)深度聯(lián)動(dòng)且權(quán)限復(fù)雜的場景也很容易翻車。比如要跨企業(yè)內(nèi)部的OA系統(tǒng)、財(cái)務(wù)系統(tǒng)、審批系統(tǒng)完成一次完整的報(bào)銷流程光是各個(gè)系統(tǒng)的登錄認(rèn)證和操作接口就足以讓智能體卡住。另外涉及高風(fēng)險(xiǎn)決策的任務(wù)——比如自動(dòng)發(fā)送重要郵件、自動(dòng)執(zhí)行大額交易——即便技術(shù)上能做到產(chǎn)品上也很少會(huì)放開限制因?yàn)橐坏┏鲥e(cuò)責(zé)任歸屬問題非常麻煩。也就是說執(zhí)行型AI目前更像一個(gè)“能干的實(shí)習(xí)生”——簡單的重復(fù)性任務(wù)可以放心交給它重要的關(guān)鍵節(jié)點(diǎn)你最好還是把一下關(guān)。但即便如此它對(duì)工作效率的提升已經(jīng)非常明顯了。3. 巨頭收購背后的戰(zhàn)略算計(jì)為什么是現(xiàn)在為什么是這個(gè)賽道3.1 大模型競賽進(jìn)入瓶頸期新增量在推理與執(zhí)行側(cè)到目前為止的AI競賽可以粗略分成幾個(gè)階段預(yù)訓(xùn)練階段拼的是數(shù)據(jù)和算力誰家的模型參數(shù)大、訓(xùn)練數(shù)據(jù)多誰就領(lǐng)先對(duì)話應(yīng)用階段拼的是產(chǎn)品體驗(yàn)和用戶量誰先讓用戶用上、用得住誰就占據(jù)了入口。但到了現(xiàn)在一個(gè)明顯的事實(shí)是通用大模型的能力增長正在放緩。不是說模型不再進(jìn)步而是說對(duì)于大多數(shù)普通用戶來說GPT-4級(jí)別的模型和GPT-4.5級(jí)別的模型在日常使用中的體驗(yàn)差異已經(jīng)沒有GPT-3.5到GPT-4那一跳那么震撼了。邊際效應(yīng)在遞減。隨之而來的問題是單靠“對(duì)話更聰明”已經(jīng)很難構(gòu)成產(chǎn)品的核心壁壘——你有我也有你用這個(gè)模型我也能用。真正的差異化開始轉(zhuǎn)移到“誰能讓模型更好地完成實(shí)際任務(wù)”。這就是執(zhí)行層的價(jià)值所在。同樣的模型有人只拿來做聊天有人把它封裝成能自動(dòng)寫周報(bào)、能自動(dòng)處理表格、能自動(dòng)操作軟件的智能體——后者的體驗(yàn)是完全不同的。借用互聯(lián)網(wǎng)時(shí)代的一句話基礎(chǔ)設(shè)施的差距在縮小應(yīng)用層的創(chuàng)新才是決勝之地。某頭部科技公司花20億美元收購成熟的執(zhí)行型AI產(chǎn)品本質(zhì)上是在模型能力趨于同質(zhì)化之前提前鎖定應(yīng)用層的差異化優(yōu)勢。要知道如果讓內(nèi)部團(tuán)隊(duì)從零開發(fā)一套同等水平的智能體系統(tǒng)至少需要一到兩年時(shí)間而且還不一定踩得對(duì)所有的坑。用錢換時(shí)間用資本買卡位這筆賬在巨頭的財(cái)務(wù)報(bào)表上是算得過來的。3.2 AI應(yīng)用的普及瓶頸大模型只會(huì)“說”不會(huì)“做”過去兩年AI產(chǎn)品面臨一個(gè)很尷尬的局面用戶嘗鮮的熱情很高但留存率不夠理想。Chatbot的對(duì)話體驗(yàn)再驚艷如果它只能停留在“對(duì)話”層面用戶的新鮮感消退后打開頻率就會(huì)迅速下降——因?yàn)槲覀兩钪姓嬲枰皢栆粋€(gè)問題”的場景遠(yuǎn)沒有“完成一件任務(wù)”的場景多。這個(gè)問題行內(nèi)人其實(shí)早有共識(shí)大模型不缺“智能”缺的是“行動(dòng)力”。用戶需要的是“把事辦成”的AI而不是“把話說漂亮”的AI。這也是為什么從去年開始Agentic AI智能體式AI成為整個(gè)行業(yè)的熱詞。從技術(shù)普及的角度看執(zhí)行型AI的出現(xiàn)正好卡在了這個(gè)節(jié)點(diǎn)上——模型基礎(chǔ)能力夠了工具生態(tài)也豐富了只差一層把語言轉(zhuǎn)化為操作的“適配層”。誰能先把這層適配做穿誰就能率先進(jìn)入“AI替你干活”的階段。這次收購案也向全行業(yè)釋放了一個(gè)明確信號(hào)光靠模型能力講故事的時(shí)代已經(jīng)過去了接下來資本市場會(huì)更多關(guān)注AI的落地執(zhí)行能力。3.3 對(duì)中小團(tuán)隊(duì)和獨(dú)立開發(fā)者的啟示小而美的執(zhí)行工具是機(jī)會(huì)巨頭買買買是大玩家的游戲但這次收購案對(duì)中小團(tuán)隊(duì)和獨(dú)立開發(fā)者同樣有參考價(jià)值。我的判斷是執(zhí)行型AI這個(gè)方向恰恰是大廠不太容易做好的領(lǐng)域因?yàn)樗鼧O度依賴對(duì)具體場景的理解——不同行業(yè)、不同崗位、不同業(yè)務(wù)流程對(duì)“完成任務(wù)”的定義千差萬別。大廠擅長做通用平臺(tái)但很難深入每一個(gè)垂直場景做精細(xì)化運(yùn)營。這就像辦公套件是通用的但每個(gè)公司的報(bào)銷流程都是自己設(shè)計(jì)的。對(duì)于中小團(tuán)隊(duì)來說機(jī)會(huì)在于垂直場景的深耕。比如專攻“法律文書整理”的智能體、專攻“電商客服工單處理”的智能體、專攻“學(xué)術(shù)文獻(xiàn)綜述”的智能體——每一個(gè)領(lǐng)域都有自己獨(dú)特的數(shù)據(jù)格式、業(yè)務(wù)流程和質(zhì)量標(biāo)準(zhǔn)只要把其中一個(gè)場景做到極致就有機(jī)會(huì)被大平臺(tái)收購或者在細(xì)分市場占據(jù)一個(gè)不可替代的位置。同時(shí)大廠的收購行為也為整個(gè)賽道做了市場教育和資本背書。以后客戶再聽到“AI智能體”這個(gè)概念時(shí)不需要你花半小時(shí)解釋這是什么東西他們會(huì)主動(dòng)問“你們能做類似Manus AI那樣的功能嗎”降低教育成本對(duì)整個(gè)賽道都是好事。作為開發(fā)者現(xiàn)在正是入場布局執(zhí)行型AI應(yīng)用的好時(shí)機(jī)——窗口期不會(huì)一直開著。4. 從技術(shù)實(shí)現(xiàn)角度看執(zhí)行型AI是怎么做到的4.1 端到端的四個(gè)核心環(huán)節(jié)落地詳解講了這么多戰(zhàn)略層面的東西這一節(jié)落到技術(shù)實(shí)現(xiàn)上。畢竟文章面向的還是同行居多說清楚實(shí)現(xiàn)路徑比空談行業(yè)趨勢更有價(jià)值。我自己在復(fù)現(xiàn)類似項(xiàng)目時(shí)歸納下來核心就是四個(gè)環(huán)節(jié)。第一步是搭建任務(wù)拆解層。我的做法是先給大模型一個(gè)System Prompt要求它把用戶輸入轉(zhuǎn)換成JSON格式的任務(wù)列表每個(gè)任務(wù)包含id、依賴關(guān)系、工具類型和參數(shù)。舉個(gè)例子用戶說“抓取這個(gè)網(wǎng)頁上的產(chǎn)品價(jià)格并生成對(duì)比表格”模型會(huì)輸出類似這樣的結(jié)構(gòu)第一個(gè)任務(wù)是網(wǎng)頁抓取工具類型填“browser”參數(shù)填目標(biāo)URL第二個(gè)任務(wù)是數(shù)據(jù)提取依賴前一個(gè)任務(wù)的結(jié)果第三個(gè)任務(wù)是表格生成工具類型填“python”參數(shù)是數(shù)據(jù)文件路徑。這里的關(guān)鍵點(diǎn)是依賴關(guān)系的表達(dá)一定要清晰否則后續(xù)調(diào)度時(shí)會(huì)亂掉。第二步是實(shí)現(xiàn)工具注冊(cè)與調(diào)度。我會(huì)用裝飾器的方式注冊(cè)工具每個(gè)工具包含名稱、描述、參數(shù)Schema和對(duì)應(yīng)的Python函數(shù)。調(diào)度層的工作就是解析任務(wù)列表中的工具類型匹配到對(duì)應(yīng)函數(shù)并執(zhí)行。這里有一個(gè)細(xì)節(jié)很關(guān)鍵工具描述要寫得足夠詳細(xì)。因?yàn)榇竽Ｐ褪强棵枋鰜磉x擇工具的描述太籠統(tǒng)會(huì)導(dǎo)致工具選擇出錯(cuò)。比如“搜索工具”這個(gè)描述就不夠更好的寫法是“百度搜索工具輸入關(guān)鍵詞返回搜索結(jié)果列表適合用于獲取實(shí)時(shí)信息和最新資訊”。第三步是加入執(zhí)行反饋回路。這是整個(gè)系統(tǒng)穩(wěn)定性的關(guān)鍵——每一次工具調(diào)用完成后系統(tǒng)會(huì)把執(zhí)行結(jié)果包括是否成功、返回?cái)?shù)據(jù)的摘要、可能出現(xiàn)的錯(cuò)誤信息回傳給大模型模型根據(jù)反饋決定是繼續(xù)下一步還是修正方案。這個(gè)機(jī)制說起來簡單但實(shí)現(xiàn)時(shí)很容易被忽略。我最早做的時(shí)候就是流程式地一步步執(zhí)行結(jié)果一旦中間某一步出錯(cuò)整個(gè)任務(wù)就廢了。后來改成反饋循環(huán)模式后成功率明顯上了一個(gè)臺(tái)階。第四步是設(shè)計(jì)安全護(hù)欄。這個(gè)環(huán)節(jié)很容易被技術(shù)團(tuán)隊(duì)忽視但在我看是決定產(chǎn)品能否商用的基礎(chǔ)。至少要做三層第一層是工具權(quán)限分級(jí)比如只讀操作默認(rèn)放行寫操作需要人工確認(rèn)第二層是任務(wù)清單審核在執(zhí)行敏感操作前向用戶展示即將執(zhí)行的動(dòng)作列表第三層是操作日志記錄所有工具調(diào)用行為必須留痕便于事后追溯。4.2 穩(wěn)定性的關(guān)鍵任務(wù)失敗后的自恢復(fù)機(jī)制執(zhí)行型AI在真實(shí)使用中最讓人頭疼的問題就是“任務(wù)走到一半卡住了”。網(wǎng)頁結(jié)構(gòu)變了、接口返回了異常數(shù)據(jù)、某個(gè)參數(shù)格式?jīng)]匹配上……任何一個(gè)意外都可能導(dǎo)致任務(wù)中斷。所以自恢復(fù)機(jī)制的設(shè)計(jì)決定了這個(gè)系統(tǒng)的“手感”。我常用的方案有兩個(gè)。第一個(gè)是“重試降級(jí)”當(dāng)某個(gè)工具調(diào)用失敗時(shí)不立刻放棄任務(wù)而是讓大模型嘗試調(diào)整參數(shù)重新執(zhí)行如果連續(xù)失敗超過設(shè)定次數(shù)再觸發(fā)降級(jí)策略比如改用備選工具或者簡化任務(wù)目標(biāo)。第二個(gè)是“子任務(wù)回滾”如果某個(gè)步驟的失敗導(dǎo)致后續(xù)步驟失去意義系統(tǒng)會(huì)回滾到該步驟之前的狀態(tài)重新規(guī)劃剩余任務(wù)的執(zhí)行路徑。這兩種機(jī)制配合起來能把任務(wù)成功率從70%左右拉升到90%以上。當(dāng)然自恢復(fù)也不是萬能的。如果任務(wù)的初始目標(biāo)本身就是模糊的——比如用戶說“幫我看看有什么好的方案”沒有一個(gè)明確的評(píng)判標(biāo)準(zhǔn)——系統(tǒng)再怎么恢復(fù)也做不出讓用戶滿意的事情。所以在執(zhí)行任務(wù)前花一點(diǎn)時(shí)間把目標(biāo)拆清晰永遠(yuǎn)比任務(wù)執(zhí)行中出了問題再去補(bǔ)救要?jiǎng)澦愕枚唷?.3 部署形態(tài)與商業(yè)化思考本地化、云端還是混合最后聊一下執(zhí)行型AI的部署和商業(yè)化。這個(gè)直接關(guān)系到創(chuàng)業(yè)團(tuán)隊(duì)做產(chǎn)品時(shí)的選型決策。目前主流是三種形態(tài)。純?cè)贫瞬渴鹚杏?jì)算和工具調(diào)用都在服務(wù)端完成更新迭代快用戶無需安裝任何軟件但對(duì)網(wǎng)絡(luò)依賴強(qiáng)且涉及敏感數(shù)據(jù)時(shí)用戶會(huì)有顧慮。本地化部署整個(gè)執(zhí)行環(huán)境放在用戶自己的服務(wù)器上數(shù)據(jù)和操作不出內(nèi)網(wǎng)安全和合規(guī)性最好但對(duì)用戶的硬件配置有要求更新維護(hù)成本也高?；旌闲螒B(tài)任務(wù)規(guī)劃和通用知識(shí)調(diào)用放云端涉及內(nèi)部數(shù)據(jù)的操作在本地執(zhí)行兼顧了智能性和安全性但實(shí)現(xiàn)復(fù)雜度最高。從商業(yè)化角度看我的觀察是C端產(chǎn)品更適合云端形態(tài)因?yàn)橛脩糇非蟮氖堑烷T檻和即開即用而B端客戶尤其是金融、醫(yī)療、政務(wù)這類強(qiáng)合規(guī)行業(yè)本地化部署幾乎是唯一選項(xiàng)。做To B的朋友不用太糾結(jié)——直接準(zhǔn)備兩套方案標(biāo)準(zhǔn)云版本走量私有化版本走價(jià)是目前業(yè)內(nèi)比較成熟的打法。5. 行業(yè)影響擴(kuò)散誰會(huì)被顛覆誰將迎來機(jī)會(huì)5.1 就業(yè)結(jié)構(gòu)的變化AI不替代人但替代“不會(huì)指揮AI的人”每次AI行業(yè)有大新聞“某某崗位要被取代了”的討論就會(huì)重新火一遍。這次關(guān)于執(zhí)行型AI的收購案也一樣。但基于我這幾年的觀察更準(zhǔn)確的說法可能是這樣AI不會(huì)直接替代你但會(huì)替代那些不會(huì)用AI的人。特別是執(zhí)行型AI成熟之后當(dāng)一個(gè)人能通過自然語言指揮AI完成原本需要兩三個(gè)人才能完成的工作量時(shí)雇一個(gè)人還是雇三個(gè)人對(duì)企業(yè)來說是很容易做的選擇題。這種變化影響最大的不是那些本來就依賴創(chuàng)造力的崗位而是工作內(nèi)容以信息處理、文檔流轉(zhuǎn)、數(shù)據(jù)整理為核心的崗位。行政助理、數(shù)據(jù)分析師、初級(jí)運(yùn)營、部分財(cái)務(wù)崗位——凡是工作內(nèi)容可以分解為“搜集信息—整理信息—輸出報(bào)告”的鏈條都會(huì)受到明顯沖擊。這不一定是壞事關(guān)鍵在于每個(gè)人需要主動(dòng)完成技能升級(jí)從“自己做事”變成“定義任務(wù)并驗(yàn)收AI的成果”。換句話說未來最有價(jià)值的能力不是“親手執(zhí)行”而是“高質(zhì)量地把目標(biāo)給AI說清楚并判斷它做得好不好”。5.2 應(yīng)用生態(tài)的演進(jìn)預(yù)測AI智能體將無處不在短期來看未來一到兩年內(nèi)執(zhí)行型AI會(huì)最先滲透到這幾個(gè)領(lǐng)域辦公協(xié)作軟件——智能體自動(dòng)整理會(huì)議紀(jì)要、跟進(jìn)待辦事項(xiàng)、管理日程客服系統(tǒng)——不只會(huì)回復(fù)提問而是直接幫用戶完成退款、改地址、查訂單等操作軟件開發(fā)——AI根據(jù)需求描述自動(dòng)改代碼、跑測試、提PR數(shù)據(jù)分析平臺(tái)——用戶用自然語言提問AI自動(dòng)完成取數(shù)、清洗、建模和可視化。長期來看我覺得會(huì)有一個(gè)更深刻的趨勢智能體間的協(xié)作。未來的任務(wù)可能不是一個(gè)AI獨(dú)立完成的而是一個(gè)AI作為“項(xiàng)目經(jīng)理”把任務(wù)分包給其他多個(gè)垂直技能AI去并行處理。這次頭部公司收購執(zhí)行型AI很有可能就是在提前布局這種“智能體聯(lián)邦”的基礎(chǔ)設(shè)施。5.3 給開發(fā)者和產(chǎn)品經(jīng)理的行動(dòng)建議現(xiàn)在就可以做的事說了這么多最后落腳到行動(dòng)層面。不管你是開發(fā)者、產(chǎn)品經(jīng)理還是創(chuàng)業(yè)者現(xiàn)在有幾件事是值得做的。第一掌握Agent開發(fā)的基礎(chǔ)技能棧。LangChain、LangGraph這些工具框架值得花時(shí)間研究一下它們的核心不是那些API封裝而是背后的“Agent狀態(tài)機(jī)”“工具路由”“反思機(jī)制”這些設(shè)計(jì)理念。環(huán)境搭建和動(dòng)手調(diào)試的過程遠(yuǎn)比你看十篇教程收獲大。第二在具體場景中找切入點(diǎn)。不要做“通用助手”那不屬于中小團(tuán)隊(duì)的機(jī)會(huì)。去看你所在的行業(yè)、你所在的公司哪條業(yè)務(wù)線重復(fù)性勞動(dòng)最強(qiáng)、最依賴人工操作那里就是執(zhí)行型AI最值得落地的點(diǎn)位。哪怕是從一個(gè)很小的單點(diǎn)開始比如“自動(dòng)整理項(xiàng)目周報(bào)”“自動(dòng)匯總銷售數(shù)據(jù)”先跑通再擴(kuò)展。第三認(rèn)真打磨“指令設(shè)計(jì)”能力。很多同學(xué)容易忽略這一點(diǎn)執(zhí)行型AI的效果上限很大程度取決于你“布置任務(wù)”的質(zhì)量。同樣的智能體給一個(gè)“幫我做一份競品分析報(bào)告”的模糊指令和給一個(gè)“幫我調(diào)研以下五個(gè)競品的定價(jià)策略、目標(biāo)客群、核心賣點(diǎn)按表格形式輸出并附上信息來源”的精確指令產(chǎn)出差距是天壤之別。學(xué)會(huì)把目標(biāo)拆清楚、把驗(yàn)收標(biāo)準(zhǔn)說明白是使用執(zhí)行型AI最重要的軟技能。6. 常見問題與避坑指南6.1 幾個(gè)最常踩的坑成本失控、任務(wù)中斷、效果不可控在實(shí)際使用執(zhí)行型AI時(shí)有幾個(gè)坑可以說是人人都會(huì)遇到的提前避一避能省很多事。成本失控是第一大坑。智能體執(zhí)行任務(wù)時(shí)每一步都在調(diào)用大模型API多步任務(wù)跑下來單次任務(wù)的Token消耗量很容易達(dá)到普通對(duì)話的十倍。而且很多框架默認(rèn)會(huì)把大量中間過程都計(jì)入Token消耗稍不留神成本就爆了。我的經(jīng)驗(yàn)是最好在架構(gòu)層面就引入“輕量模型優(yōu)先”策略簡單的子步驟優(yōu)先用便宜的小模型只有復(fù)雜的規(guī)劃判斷才調(diào)用大模型同時(shí)在任務(wù)開始前設(shè)置Token預(yù)算超支直接終止任務(wù)。任務(wù)中斷是第二大坑。智能體執(zhí)行過程中任何一個(gè)外部依賴異常都可能導(dǎo)致整個(gè)任務(wù)鏈條崩潰——網(wǎng)頁改版了、爬蟲被封了、API限流了。一套健壯的重試機(jī)制必不可少同時(shí)在設(shè)計(jì)任務(wù)鏈條時(shí)要盡量讓子任務(wù)低耦合一個(gè)子任務(wù)失敗不至于拖垮全局。效果不可控是第三大坑。大模型本身是概率性的同一個(gè)任務(wù)每次執(zhí)行的路徑可能完全不一樣這就導(dǎo)致輸出結(jié)果存在不可復(fù)現(xiàn)性。遇到這種情況可以通過固定System Prompt、將核心步驟封裝為確定性代碼、設(shè)定嚴(yán)格的輸出Schema來約束模型行為把“隨機(jī)漫步”變成“規(guī)定路線”。6.2 效果評(píng)估方法論不要只看“看起來成功”用執(zhí)行型AI做產(chǎn)品最忌諱的就是用“看起來完成”來評(píng)估效果。我見過不少團(tuán)隊(duì)Demo跑通一兩個(gè)完美場景就興奮得不行結(jié)果一上真實(shí)數(shù)據(jù)立刻原形畢露。這里分享兩個(gè)比較實(shí)操的評(píng)估思路。一是任務(wù)成功率要從全量樣本看。不要只測精心設(shè)計(jì)好的幾個(gè)案例要從真實(shí)用戶日志里隨機(jī)抽樣幾百條任務(wù)看完整執(zhí)行通過率。如果這個(gè)數(shù)字能穩(wěn)定在85%以上才有商用的底氣。二是引入“人機(jī)協(xié)同效率”指標(biāo)。單純的AI執(zhí)行成功率并不能代表實(shí)際價(jià)值——真正要關(guān)注的是有了執(zhí)行型AI之后用戶完成同樣任務(wù)的時(shí)間縮短了多少。我見過一個(gè)內(nèi)部工具AI自動(dòng)執(zhí)行的成功率只有70%但加上人工兜底之后團(tuán)隊(duì)整體效率提升了三倍。這就不單純是“AI是否可用”的問題而是“人機(jī)協(xié)作模式是否成立”的問題了。6.3 選型參考自研、開源還是采購對(duì)于想引入執(zhí)行型AI能力的團(tuán)隊(duì)最后回答一個(gè)務(wù)實(shí)的問題自研、用開源還是買現(xiàn)成的自研適合有技術(shù)積累且需要深度定制的團(tuán)隊(duì)成本高但可控性強(qiáng)開源方案比如LangGraph、AutoGPT這類勝在靈活、零授權(quán)成本但需要自己啃文檔、自己踩坑采購商業(yè)方案快捷穩(wěn)定適合想要快速驗(yàn)證業(yè)務(wù)價(jià)值、不想在底層技術(shù)上投入太多資源的團(tuán)隊(duì)。我的建議是如果你只是想做一兩個(gè)內(nèi)部流程的自動(dòng)化先拿開源方案跑通再說如果你想把這個(gè)能力作為核心產(chǎn)品賣點(diǎn)才值得投入自研如果只是想先驗(yàn)證業(yè)務(wù)有沒有需求拿現(xiàn)成商業(yè)API體驗(yàn)一下是最快的方式。記得去年我?guī)湍臣夜咀鲞^一個(gè)內(nèi)部流程審計(jì)工具的原型團(tuán)隊(duì)一開始雄心勃勃決定從大模型微調(diào)開始搞被我攔住了——最后就是基于開源框架加現(xiàn)成API三個(gè)人兩周就上線了MVP到現(xiàn)在還在正常用。工具選型這件事適合的才是最好的。這次某頭部科技公司擬收購Manus AI的消息給整個(gè)行業(yè)帶來的最大啟示可能不是“錢多就是好”而是它標(biāo)志著一個(gè)階段性的切換AI的價(jià)值錨點(diǎn)正在從“看起來聰明”轉(zhuǎn)向“把事情做成”。對(duì)于從業(yè)者來說這既是一個(gè)需要適應(yīng)的變化也是一個(gè)巨大的機(jī)會(huì)窗口。我自己的體會(huì)是AI應(yīng)用開發(fā)最有趣的時(shí)間點(diǎn)往往不是技術(shù)剛冒頭的時(shí)候也不是技術(shù)成熟之后而是技術(shù)剛好能做出讓人“哇”一下的東西、但還沒有完全普及的中間階段——現(xiàn)在做執(zhí)行型AI差不多正處在這個(gè)位置上。