文章摘要
随着大模型能力的突破，“可调用工具的智能体”已经从实验室概念迅速走向应用落地，成为继大模型之后的又一技术爆发点。围绕智能体（Agent）构建的开发框架和基础设施也在快速演进，从早期的 LangChain、AutoGPT 到后来的 OpenAgents、CrewAI、MetaGPT 等，新一代 Agent 框架不仅追求更强的自主性和协同性，也在探索深度融合进业务场景的可能性。框架之争的背后，实则是新一轮开发范式和商业模型的重构起点。
在本次访谈中，SeamLessAI 创始人王政分享了其对 Agent 发展的洞察，以及其团队开发的 Cooragent 框架的设计思路。Cooragent 的核心特点是用户只需一句话描述需求，即可生成专属智能体，且智能体间可自动协作完成复杂任务。王政团队分别发布了开源版本和企业版本，开源版本已获得 1.9k stars，显示出社区对其的高度关注。
盈利对于大模型的发展至关重要。王政指出，Manus 的 ARR 增长迅速，表明人们愿意为 Agent 产品付费。尽管市场上存在多种 Agent 产品，但它们真正的差异在于使用方式、面向场景、工作流的打磨程度以及 Agent 本身的优化程度。现有的 Agent 和框架在产品确定的情况下能够解决问题，但这种静态的解决方案远远不够，无法适应快速变化的需求。
从技术角度来看，大模型能力的提升为 Agent 的发展奠定了基础。2023 年到 2024 年，大模型在长任务思考能力、代码能力尤其是 function call 能力上取得了显著进步。国产开源大模型如 Qwen2.5/3、Deepseek V3-0526 等在工具调用的准确率和复杂指令遵循上也取得了长足进步，这为 Agent 的商业化奠定了技术基础。
MCP（多智能体协作平台）是 Agent 的基础，其重要性逐渐被认识并开始流行。MCP 通过工具池化降低了接入门槛，类似于算力虚拟化。Manus 在这一领域的尝试揭示了多个有趣的方向，尽管其商业模式受到质疑，但其 ARR 增长迅速，表明人们愿意为其付费。
Agent 框架的能力还远远不够。王政认为，未来的 AI 发展趋势是将基础设施（Infra）与应用场景紧密结合。AI 的应用已拓展到传统行业，如律所也开始尝试使用 Agent 提升生产效率。然而，泛化性与精确性的平衡是商业化落地中的关键痛点。现有的框架在产品确定的情况下能够解决问题，但这种静态的解决方案无法适应快速变化的需求。
Cooragent 的设计理念是通过 Agent 创造 Agent，利用它生成无限多的 Agent 来适应不同的场景，从本质上解决泛化能力与精确性的平衡问题。MetaAI 框架可以根据用户场景和环境的变化动态调整 Agent 的生成，使 Agent 能够快速适应新场景。这种协作理念极大地提升了生产效率和环境适应能力。
在数据利用方面，高效利用数据是一个巨大的挑战。王政指出，数据并不是越多就越有效，需要对数据进行有规则的筛选和保留，以保证数据的正交性。高效利用数据依赖于数据工程能力和对数据的深刻理解。此外，算力优化在降低成本方面也起到了重要作用，通过优化算法和提升机器利用率，可以显著降低算力成本。
多智能体协作的实现难点主要集中在底层接口设计、架构设计以及数据流设计等方面。Agent 的分工问题与人因工程学有关，一个 Agent 能够熟练运用一到两个工具，最多不超过三个工具来完成其工作，是比较现实且易于打磨的。从单 Agent 到多 Agent，设计理念必然有所不同，多 Agent 系统的设计理念更为原生。
在开源与商业化方面，王政团队在 C 端和 B 端都进行了探索。C 端项目已开源，并计划上线一个 SaaS 平台。B 端则是其天然场景，团队正在与大型客户讨论战略合作。开源版本和商业化版本的区别在于，B 端产品更偏向于定制化场景，与客户的数据共享和工作流打磨密切相关。
开源项目的更新频率和长期价值是关键。王政强调，高校开源更多是出于一种责任感，推动技术发展的义务，而企业开源则更多是为了提升品牌影响力或作为获客渠道。开源项目的更新频率可能会有所波动，但只要后续能够重新加速，继续推动项目发展，就依然值得肯定。
最后，王政认为，Agent 是否过热取决于其最终的发展情况。如果它代表了一种真实的需求和潮流，那么广泛讨论是合理的。关键在于它是否对用户有用，用户量的增长才能真正推动技术持续向前发展。
原文和模型
【原文链接】 阅读原文 [ 6631字 | 27分钟 ]
【原文作者】 AI前线
【摘要模型】 deepseek-v3
【摘要评分】 ★★★★☆
相关文章
