眼下，Agent 正在成为 AI 应用最具爆发性的方向之一：资本大力押注、玩家竞相入局，企业也争先恐后落地 Agent，唯怕掉队。

根据 IDC 预测，中国企业级 Agent 应用市场规模在 2028 年保守估计将达到 270 亿美元。

喧嚣之下，Agent 落地困境也逐渐显现。一方面，Agent 执行任务的广度、深度和效率仍受技术限制，比如用多 Agent 解决复杂问题，可能需要等半小时甚至更久。另一方面，模型怎么选、应用场景在哪、Agent 如何部署等难题也成为企业的困惑。

机遇与挑战并存，厂商玩家们时刻思考自身在 Agent 赛道上的角色：

有玩家自我定位为 " 全栈人工智能服务商 "，凭借 AI 和云基础设施优势向全局发力；有玩家选择 " 强强联合 "，共同切下 Agent 应用市场的一块蛋糕；有玩家则致力于成为小而精的 " 专业者 "，试图以垂直领域 know-how 在 Agent 赛道争得一席之地。

百舸争流中，一些先行者尝试给出自己的阶段性思考。（本文作者为雷峰网主笔，长期关注 Agent 领域，欢迎添加微信skylar_12_14交流。）

拥挤的 Agent 赛道，头部玩家何以突围？

从全球范围看，在 Agent 赛道，AI 巨头和云大厂是两大玩家。

在 Agent 商用元年，玩家们不约而同采取同样的策略：先降低企业使用 Agent 的门槛，争夺企业级市场。

依托底层大模型能力，AI 巨头在 Agent 赛道上具备先发优势。

比如头号玩家 OpenAI 基于 ChatGPT 的模型能力推出 ChatGPT Agent。但其野心不止于此，还开始进军 Agent 开发平台，推出企业级开发套件 AgentKit。

与此同时，更为 " 全能型 " 的云大厂则凭借云与 AI 等基建设施、庞大客户群和广泛的平台生态，成为 Agent 赛道里的主力玩家。

对于云厂商而言，布局 Agent 具有重要的战略意义：Agent 是未来的资源消耗大户，其给云业务带来的增长潜力不容小觑。

比如，Google 基于 Gemini 系列模型的能力，推出 Gemini Enterprise（Gemini 企业版），为企业提供构建 Agent 的无代码工具和 Agent 库。AWS 推出 Amazon Bedrock AgentCore，为企业构建 Agent 提供从开发到上线的能力底座。

也有云大厂如阿里云等，凭借 " 全栈 AI 服务商 " 的定位展开了更全面的布局。

比如在模型层，通义大模型家族为 Agent 开发、应用提供 " 大脑 "，覆盖语言、语音、视觉、多模态等领域。在开发层，阿里云打造了 " 一站式 " 大模型服务和 Agent 应用开发的百炼平台，并推出互补协作的无影 AgentBay，提供安全、可信的任务执行环境，帮助企业开发、部署符合自身业务逻辑的 Agent。

而在应用层，阿里云也有企业级一站式平台 AgentOne，结合阿里在电商领域的行业 know-how，推出了多款开箱即用的 Agent。

在云与 AI 巨头之外，近两年涌现的明星初创企业也成为 Agent 赛道的潜力玩家。

这类玩家多聚焦垂直场景，以行业 know-how 形成竞争壁垒，比如 Cursor 专注于服务开发者的编程 Agent，Harvey 推出法律领域的垂直 Agent。

不难看出，在 Agent 赛道，头部玩家们目前呈现出两种截然不同的竞争姿态：

一是全能型选手，即具备 " 全栈 AI" 能力的玩家。

" 全栈 AI" 至少覆盖三层能力：底层的芯片、算力基础设施，中间层的云计算平台，以及上层的模型算法。比如阿里云、谷歌云等。

二是具备某项特长的玩家，选择与其他头部厂商生态联盟，实现强强联手。

以模型算法见长的 OpenAI 便是典型代表。一方面，OpenAI 与微软 Azure 合作，将包括 GPT 系列在内的多个模型托管在 Azure AI Foundry 上，由 Azure 提供各类云服务；同时还与数据平台紧密合作，将 GPT 模型原生集成到 Databricks 数据平台上，帮助企业在自身数据上快速构建 Agent。

星火燎原，Agent 是否带来了颠覆式变革？

厂商玩家们在 Agent 赛道激战正酣，Agent 在企业落地的热度也丝毫不减。

阿里云百炼高级产品专家徐志远介绍，目前 Agent 在企业的应用场景主要有三类：

第一类是技术维度方面，对视频、音频、文档等多模态复杂内容进行处理和二次加工，是目前重要的应用场景之一；

第二类是对话机器人、智能客服等交互类场景，比如具备情感陪伴、多模态且有复杂场景技能的学习机、AR 玩具等终端；

第三类则是不为大众所知但应用价值高、调用规模大的智能巡检和风控场景。

据他观察，率先完成 Agent 落地的是用户交互高频的消费电子行业，但与此同时，像畜牧等传统行业也在逐步推进 Agent。

虽然 Agent 以星火燎原之势席卷各行各业，但业内普遍都有一个共识：Agent 带来的颠覆式行业变革仍在酝酿之中。

一方面，Agent 仍有诸多技术瓶颈亟待突破。

Agent 的能力主要取决于大语言模型、记忆系统、任务规划能力以及工具使用能力，但目前在模型幻觉、多模态整合、记忆管理、迁移泛化等方面仍存在技术难点。

同时，Agent 从实验室走向企业的 " 落地 " 过程中也面临诸多技术挑战。比如不同系统之间融合难、多 Agent 之间难以协同等问题。

眼下，企业使用的业务系统主要有购买现成的套装软件、自研的业务系统以及两者相结合的模式。Agent 与企业原有的 ERP、CRM 等系统的融合不能一概而论。

" 企业对软件的定制化能力受限于软件本身。比如 ERP 软件只能在其开放的接口上实现自动化，相对受限；而企业自研的业务系统改功能、改流程相对容易一些。" 阿里云公共云事业部首席解决方案架构师韩鸿源表示。

此外，面对复杂的业务场景，单一的通用 Agent 并不能满足企业需求。业内普遍认为，多 Agent 协同是 Agent 在企业落地应用的重要趋势。

徐志远提到，目前在业内，多 Agent 模式面临的一个难题是决策链路过长，当多个 Agent 协同处理时，思考时间和处理过程很长，甚至可能需要等待半小时以上；

另外一点则是通信难题，当多个 Agent 分别来自不同厂商时，在技术和业务层面上能否实现通信、解决鉴权和身份认证等问题。

另一方面，在企业侧，Agent 的落地还面临不少非技术卡点。

比如 AI 落地企业中 " 特别有意思 " 的一个现象是：去年的难题是找不到落地场景，而今年的难点则是场景不收敛。

再比如，模型如何选用、选择哪些业务场景、应用架构怎么落地也是企业面临的主要困境。其中更多真实、琐碎的卡点难点可添加作者微信skylar_12_14交流。

不仅如此，阿里云无影事业部 AI 产品负责人屈立威告诉雷峰网，不同类型的企业对 Agent 的需求也不同。

中小企业最关心 Agent 如何落地部署的问题；而 AI 原生企业虽然对 Agent 了解更深，且拥有大量算法工程师，但运维工程师相对缺乏，所以希望厂商解决复杂的运维问题；

科技驱动的大企业则更希望训练自己的大模型，针对业务场景做强化学习或后训练，面临的难题是 Agent 落地中的具体技术挑战，比如如何把企业数据清洗成 AI 能读懂的格式、怎么做 API 的封装等；

此外，从数据到语料的转化，也是大模型及 Agent 在企业落地需要克服的难题之一。阿里云政企事业部产品解决方案与服务管理总经理霍嘉指出，有数据并不代表就有语料，" 我们在指导或帮助客户做 query（向数据库或搜索引擎等发起的查询指令）项目时，50%-70% 的时间都在处理从数据到语料的关系 "。

面对 " 落地难 "，解法在哪？

破局 Agent 落地困境，既需要厂商的技术攻关，也需要企业认真思考 Agent 如何 " 为我所用 "。

首先，要继续保持技术革新。

Agent 的智能程度高度依赖底层大模型的能力。对于厂商来说，在模型快速迭代的当下，既要不断提升模型本身的创新，也要提升背后的系统性工程能力。

此外，Agent 在业务场景中执行任务的广度和深度需求，也倒逼着开发范式的革新。

过去主流的预定义编排式、单次决策智能式两种范式，正朝着更高级的技术范式演进。阿里云、Google 等国内外主流厂商正在探索如何让 Agent 具备更强的自主规划、多轮反思与循环执行能力，包括如何应对 Agent 在复杂业务场景中的系统融合、多体协同等问题。

相关的探索正在持续落地。比如在破除 Agent 与原有业务系统的融合壁垒上，业界广泛应用由 Anthropic 提出的 MCP 协议（模型上下文协议），打破 API 通信的 " 最后一堵墙 "，解决 Agent 在执行任务中调取业务系统数据的问题；

作为 MCP 协议的补充，由 Google 提出的 A2A 协议（Agent 互通协议）也正被业界所验证，不同厂商、不同场景 Agent 的通信和协作壁垒正在被打破。

比如阿里云百炼平台依托 A2A 协议实现了跨 Agent 的调用：平台上的 Agent 能够灵活调度其他符合 A2A 标准的 Agent；平台上的 Agent 发布为 A2A 协议后，也能被外部 Agent 无缝调用。

而在阿里生态内部，高德、淘宝、钉钉、闲鱼等业务也正在逐步转化为 Agent 形态，通过百炼实现跨场景的智能协作，从而构建更加繁荣开放的 Agent Store 生态。

其次，除技术攻关之外，行业 know-how 也尤为重要。

多 Agent 协同不只涉及鉴权和身份认证等技术上的通信问题，还涉及到业务问题，如费用如何统一、成本如何判断，以及面临标准统一、范式统一、最佳实践普及的困境。

徐志远认为，这更多不是技术问题，而是需要企业思考自身业务与多 Agent 技术形态的融合方式，以及结合成本和效果综合考量 Agent 的组合关系。

此外，霍嘉还提到，Agent 程序开发最难的部分是处理复杂的 corner case（边缘案例，即不常见、极端或特殊的场景），期待后续深入企业一线的开发者们可以多分享实际处理这类案例的经验，集全行业之力共同把 Agent 开发好。

徐志远也透露，阿里云正在推行百炼创客计划，招募企业开发者分享经验，并开展 AI 实训营，希望将企业实践转化为内部分享、对外课程或联合运营活动，把 Agent 编排等业务经验分享给更多企业，帮助企业将业务迁移到 AI 时代的 Agent 上。

毫无疑问，Agent 的落地需要厂商、企业以及全行业共同破局，而作为 " 基建者 " 的云厂商发挥着越来越重要的作用。

正如十多年前，很多企业客户不知道怎么 " 用云 "，云厂商职责就是与企业一道，帮助他们 " 上云、用云、治云 "，而十几年后的今天，云厂商与企业再次联手，一起拨开 AI 的迷雾。

作者持续关注 Agent 领域热点话题，欢迎添加作者微信skylar_12_14交流。