企业应用AI正经历从“调用模型”到“构建AI Agent”的根本性范式转移。

作者｜王艺

编辑｜王博

2025年Q4开始了，AI Agent（智能体）的热度依然不减。

据Gartner预测，AI Agent领域预计将在2024-2030年间迎来显著增长，市场规模将从51亿美元攀升至471亿美元。

从技术层面看，算力的持续提升、多模态的突破，以及插件和工作流编排工具的完善，为AI Agent的涌现奠定了基础；从产业角度看，模型的差距正在缩小，急需新的叙事来打开市场，而“AI Agent即未来劳动力”的故事最能打动资本与企业；从用户感知上看，AI Agent作为“能帮我干活的AI助手”，比抽象的大模型更容易理解。

AI Agent的走红，正是因为它给了产业一个新的想象空间：大模型不仅能回答问题，还能调用工具、执行任务，拥有更长的记忆，与其他智能体协作，甚至还能预知风险。这不仅是从“会说”迈向“会做”，而是真正进入物理世界，成为我们工作和生活中的一部分。

在云栖大会上，阿里巴巴集团CEO吴泳铭就认为：“未来几乎所有与计算世界打交道的软件可能都是由大模型产生的AI Agent。”

「甲子光年」调研发现，今年以来，越来越多企业的智能化业务正从“调用模型”迈向“构建可执行任务的AI Agent”。甲子光年智库在《2025 AI Agent行业价值及应用分析》报告指出，AI Agent已经分化出“前端交互的大脑顾问”“专家级的数字员工”“贴心反馈的灵感伙伴”和“让想象力落地的创造者”四种核心角色，它们在不同场景中各司其职，共同构成了企业智能化的新图景。

AI Agent场景地图，图片来源：甲子光年《2025 AI Agent行业价值及应用分析》

企业不仅需要智能化工具，更需要一整套企业智能化升级的基础设施。前两年是围绕大模型，而现在是围绕AI Agent。

这些观察带来了我们想要探讨的命题：什么是AI Agent？AI Agent是否走进了真实业务中？AI Agent落地要跨越哪些鸿沟，又应面向哪些场景？如何为企业应用AI Agent提供支持？

在近期举行的云栖大会上，我们找到了答案。

1.为什么AI Agent会成为“业务主角”？

新兴技术的出现，总会伴随着术语洪流和流派之争，带来认知摩擦。

一直以来，业界对AI Agent的定义都不甚明朗。有人认为工作流是AI Agent，有人认为AI应用是AI Agent，有人认为AI Agent就是一个“带点聪明提示词的聊天机器人”。可以说，Agent的定义就是一条光谱——从最简单的对话机器人，到最复杂的“数字人”，都有人自称AI Agent。

到底什么是AI Agent呢？

甲子光年智库在《中国AI Agent行业研究报告》中，将AI Agent定义为具有自主性、反应性、交互性等特征的智能“代理” ，并给出了“大模型时代的AI Agent=LLM x（规划+记忆+工具+行动）”的公式。其中，大模型（LLM）带来了新的深度学习新范式、思维链和强大的自然语言理解能力，提升了Agent的理解力和泛化能力，使其能更好地处理多种任务和上下文信息，从而提供更加个性化、连贯的交互体验。

图片来源：甲子光年《中国AI Agent行业研究报告》

其实，我们可以把AI Agent理解为一个以大语言模型为核心的、将具体目标转化为具体行动的系统，这个系统具有如下特征：

•规划力：能够理解自然语言和复杂任务，将用户请求解析为多个任务，给智能体制定行动规划；

•记忆力：拥有长期记忆和短期记忆，能够实时记录已经采取的行动，并通过完善过去的行动和错误来不断改进；

•使用工具的能力：具备调用API、插件和使用专家模型的能力，能够自主决策、自主执行任务，并且能够接收执行结果，并向用户提供汇总结果；

•行动力：能够响应大模型的指令、做出行动；并且大模型具备并行调用多个子模型的能力，多个子模型之间也可以互相调用。

这其中，Agent理解自然语言、规划复杂任务的特征在教育企业好未来的身上得到了充分体现。

好未来将AI Agent定位为教学流程的“大脑”，构建了一个数据驱动的教学闭环。在这个闭环中，AI Agent首先收集和分析学生完成作业后产生的大量学情数据。随后，它进行双向赋能：一方面，将分析结果反馈给教师，辅助其进行更具针对性的教学设计；另一方面，直接向学生推荐个性化的学习任务，实现精准辅导。

尤为值得一提的是其“AI试卷分析”功能。它不仅仅是判断对错，而是通过分析学生的错误选项，来推断其背后可能陷入的“思维陷阱”或“知识误区”，这已经高度模拟了资深教师的诊断式教学思维。通过将“备课”、“学情分析”等复杂任务拆解成上百个细分的Agent，好未来展示了如何通过精细的任务规划，让AI Agent真正融入教学的每一个环节。

同时，由于Agent的运行方式通常是“通过工程代码，循环执行同一个LLM节点，但每一次执行时，提示词都多出上一轮的结果”，因此强大的记忆能力也是AI Agent不可或缺的特征。

图片来源：Anthropic《Building effective agents》

在儿童教育企业叫叫的实践中，其推出的“AI学伴”智能体，就生动展示了记忆能力如何与规划、行动能力深度耦合，成为孩子学习轨迹的智能伙伴。

叫叫CTO彭首長在云栖大会上介绍，其Agent具备了短期和长期记忆能力，并驱动Agent的决策与行动。他举了一个例子：当一个孩子前一天因为感冒请假，传统的系统第二天可能会机械地提醒“该学习了”，这显得非常冰冷。而具备记忆能力的Agent则会规划出完全不同的行动——它会首先主动发起关怀：“宝宝感冒怎么样了，是不是好一点呢？”再基于与用户的对话，进一步决策后续的学习提醒应当在何时进行推送。

更进一步，这种“记忆-规划-行动”的闭环体现在整个学习流程中。叫叫的“AI学伴”会在孩子完成当天的学习后，主动发起一个视频通话，回顾学习过程中的亮点和遇到的问题，并进行交流。彭首長分享道：“30%的用户会跟它聊满6分钟，这也是我们现阶段设置的通话时长上限。”这种长时间的深度对话之所以能够持续，正是因为Agent的每一次互动都基于对孩子过去行为的记忆和理解，并为此规划出最合适的交流策略，真正做到了“比闺蜜更了解你”。

叫叫的案例清晰地表明，AI Agent的核心价值不在于单一能力的强大，而在于它能够以记忆为基础，自主规划并执行连贯、个性化的任务，从而在复杂的交互中扮演主动角色。

过去，AI更多被视为工具，但现在，AI Agent已经在一些场景应用中进入业务决策的核心层，成为驱动业务流程再造的引擎。它不再被动地响应指令，而是主动地进行感知、理解、规划并作出决策，实现了从“被动响应”到“主动决策”的升级。

这种自主决策、规划和执行任务的能力已经体现在工业领域。

「甲子光年」此前从中控技术了解到，中石油兰州石化榆林化工有限公司在乙烷制乙烯生产智能化转型过程中，就基于中控技术的时间序列大模型TPT 2打造了能主动识别异常、智能评估风险并自主决策执行的智能体。

TPT 2已经具备 “感知-识别-决策-执行” 的全链路闭环能力。它不再局限于单一装置或单一场景，而是可以在更复杂的工业环境中发挥作用。

中控技术工业AI技术管理总经理王宽心特别强调：“工业装置24小时运行过程中产生的语言，不是人类的自然语言，而是大量的传感器数据。”中控的智能体必须学会“听懂”这种机器语言，并据此做出决策。过去30年，中控已经在服务流程工业的过程中积累了约100亿条数据。

以中石油兰州石化榆林化工有限公司在乙烷制乙烯项目为例，AI Agent不仅保障了生产安全，还让单炉乙烯收率提升0.373%，这意味着单炉每年新增净效益315.5万元，每年整体效益提升超过1500万元。

在工业之外，零售也是Agent自主决策与执行的重要场景。零售行业竞争激烈、节奏变化快，尤其是涉及水果、生鲜的即时零售行业，更是对配送时效性和商品运营提出了很高的要求。以生鲜电商领域的头部玩家叮咚买菜为例，他们面临着一个经典难题：如何在减少损耗和避免缺货之间找到平衡？这不是简单的算法优化问题，而是需要AI Agent具备真正的自主规划能力。

叮咚买菜CTO蒋旭在云栖大会上分享道：“生鲜业务的核心挑战是，你如何在缺损损耗和缺货之间做平衡。这里面有大量的经营策略。”为此，叮咚买菜构建了一个完整的闭环管理体系——从实时监控指标，到缺货和损耗的精确归因，再到人机协同的策略调优。

云栖大会展区，图片来源：2025云栖大会

面对从农场到餐桌的超长链路，叮咚买菜首先构建了全链路数字化体系，为AI Agent的应用打下坚实基础。在此之上，AI Agent最初的应用聚焦于供应链的极致效率——通过“供需协同”的AI Agent架构，自动化处理从供应商管理、销量预测、库存优化到即时履约的全流程。

在库存管理上，叮咚买菜的AI Agent构建了一套“监控-归因-策略调优-仿真”的闭环自优化体系，完美体现了"Planning Skills（任务规划）"的特征。它不是简单地执行预设规则，而是能够根据实时数据动态调整策略。比如，当系统预测某个前置仓的某种蔬菜可能出现缺货时，它会自主规划一系列行动：首先评估将库存从100调整到150的风险收益比，预测缺货率可能从15%降到3%，但损耗风险会相应增加；然后通过仿真系统（sandbox）验证策略效果；最后将优化建议推送给相关人员决策，真正做到在损耗与缺货之间找到了最佳平衡点。

最后，得益于MoE架构和专家模型的快速进步，Agent之间互相协作和调用外部工具的能力也得到加强。

微医基于通义千问等SOTA大模型作为其临床医疗大模型底座，通过结合海量高质量医学知识和高质量数据集，并使用深度训练微调、强化学习等技术手段打造了行业领先的临床医疗大模型。这为智能体提供了强大的医疗领域自然语言理解和生成能力，使其能够与医生和患者进行流畅的交互。

在医疗健康场景中，微医通过构建“4+1”AI智能体体系，生动地展示了多Agent如何协同工作并借助外部工具实现复杂目标。这个体系由四个专业智能体（AI医生、AI药师、AI健管、AI智控）和一个用户专属智能体（面向C端用户的AI健康管家）构成。这些智能体之间形成了一个高效的协作网络，各司其职又紧密配合，实现了医疗服务的全流程智能化闭环。

同时，微医整合了通义千问等通用大模型作为其临床医疗大模型的底座。这为智能体提供了强大的自然语言理解和生成能力，使其能够与医生和患者进行流畅的交互。

为了确保决策的专业性和准确性，微医通过RAG（检索增强生成）技术，深度融合了过去平台积累的高质量数据，高效整合浙江大学、瑞金医院等国内顶尖科研及医疗机构能力。当AI Agent需要做出临床决策时，它会首先从这些海量的、经过脱敏处理的真实诊疗数据中检索最相关的信息，再结合大模型的能力生成精准的回答和建议。

这些实践表明，这样的AI Agent已经不再是大模型的功能延伸，而是能够自主决策、深度协同、价值重构的“业务主角”。

2.从理想到现实需要跨越四条鸿沟

然而，尽管有一部分AI Agent已经成为了企业运营中的“业务主角”，但是从总体上来说，企业在规模化落地AI Agent时仍然面临着技术选型、场景融合、安全合规与商业回报衡量等多重挑战。

首先，在技术方面，有企业就表示，当前的AI Agent技术在处理单一文本任务时已表现出色，但一旦涉及复杂的行业场景，技术瓶颈便显现出来。

具体来说就是，工业质检AI Agent需要融合视觉（识别产品瑕疵）、听觉（检测设备异响）等多模态能力，并深度理解特定产线的工艺知识图谱。如何让AI Agent的大脑（大语言模型）与它的“眼睛”、“耳朵”（多模态感知能力）高效协同，并将海量的、非结构化的行业Know-How内化为可执行的知识，是当前的一大技术难题。

一旦解决了这一难题，企业级AI Agent就会带来跃升。

中控技术工业AI技术管理总经理王宽心告诉「甲子光年」，中控技术已累计为流程工业提供了10万套控制系统，累计产生的数据量约为100EB，是大语言模型训练数据的一万倍以上。同时，中控技术建立了强大的工业数据解读能力，能够深度挖掘场景，更好地用人工智能技术为流程工业提供技术、产品和服务。

其次，在场景方面，我们还注意到大型企业和中小企业在落地AI Agent时存在差异。大型企业有充足的资源进行深度定制开发，但广大中小企业的需求呈现出高度“碎片化”和“个性化”的特点。

比如，一家小型电商的客服AI Agent需求与一家本地维修店的派单AI Agent需求截然不同，其业务逻辑、数据接口、工作流程千差万别。传统的标准化SaaS模式难以满足这种多样性，而完全定制的成本又令中小企业望而却步。在标准化、个性化之间找到平衡，提供既能快速部署又能灵活适配的AI Agent解决方案，是推进AI Agent在中小企业快速落地的关键。

以金融行业为例，尽管AI Agent在智能客服和智能投顾等场景中已实现成熟应用，但在文案和代码内容生成、智能文档处理等业务场景中的应用仍然很有限，那些来自各行各业、各个公司的贷款合同、上市招股书等，更得让法务团队通宵逐字核对。

图片来源：甲子光年《企业级AI Agent（智能体）价值及应用报告》

此外，在金融、医疗等受到严格监管的行业，数据隐私与合规是不可逾越的红线。

一个医疗诊断辅助AI Agent，既需要访问大量患者的隐私健康数据以确保诊断的准确性，又必须严格遵守《个人信息保护法》等数据保护法规。同时，AI Agent的决策过程，尤其是基于深度学习模型的决策，往往被视为“黑箱”，这与金融风控、医疗诊断等领域对决策过程透明度和可解释性的要求形成直接冲突。

如何确保AI Agent在高效决策的同时，保障数据安全、实现决策过程的透明可追溯，是落地过程中必须解决的合规性难题。

国泰产险首席技术官朱建平特别强调了金融行业的挑战：“在金融领域，一旦全流程自动化出错，就意味着大批量的资金打错。”为此，他们不得不投入大量精力构建风控体系，确保AI的每一个决策都可追溯、可审计。

为了让Agent更加安全、有效地运行，微医率先提出了“AI健共体”的概念，以人工智能总医院为核心，连接区域内二、三级医院，与基层医疗机构形成了责任共同体、管理共同体、服务共同体和利益共同体。在AI健共体建设运营过程中，微医通过本地化数据存储及大模型部署、加快实施和构建安全可信空间等方式保障业务流程中的数据安全。

云栖大会展区，图片来源：2025云栖大会

最后，商业回报仍是热议话题：企业决策者最关心ROI，但AI Agent的价值往往难以直接量化。例如：在制造业，部署AI驱动的产线需大量前期投入，周期长、见效慢，短期难见回报。

因此，如何建立科学可信的评估体系，向决策层清晰展现AI Agent的长期战略价值，而非仅限于成本节约，成为项目推进的关键难题。

西门子正直面这一挑战。西门子工厂自动化战略产品管理部总监Nicholas Henson在云栖大会上强调，制造业迈向自适应与自主化的根本驱动力，始终是“在生产过程中实现盈利”。他指出，AI Agent不能停留于技术概念，必须转化为客户可感知的商业成果。

为此，西门子将AI应用与核心生产指标直接挂钩。Henson分享多个案例：通过AI实现闭环控制，某产线效率从89%起步持续提升，带来“数千甚至数万美元”额外收益；在高良品率的压铸场景中，AI整合全参数优化控制，进一步提升质量稳定性与成品率。

Henson总结，AI要真正落地，客户必须“以收入或节省看到价值”。目前，西门子已在超100个项目中验证该模式，成功关键在于绑定产量、良品率、损耗等直接影响财务的硬指标。

然而，“四条鸿沟”——技术、场景、合规与商业回报——仍横亘在多数企业面前。仅靠“调用模型”的浅层应用，已无法系统性解决智能化转型的深层问题。

当企业不再满足于将AI视为一个“聪明的聊天框”时，一场从“调用模型”到“构建Agent”的根本性范式转移，便成为了跨越鸿沟的必然选择。

3.从调用模型到构建Agent：始于小场景，深入业务流

面对前述的四条鸿沟，企业发现简单的模型调用已无法提供系统性答案。真正的破局之道，在于一场深刻的范式转移：从“调用模型”迈向“构建可执行任务的AI Agent”阶段。

这个从“调用”到“构建”的转变，本质上是从使用一个“超级能力接口”升级为打造一个“自主数字员工”，其工程复杂度和系统性要求呈指数级增长。

「甲子光年」的观点是，企业构建Agent不能唯“大模型”论。而是应该带着行业理解，在具体的场景中寻找答案。

Agent落地思索，图片来源：甲子光年《2025 AI Agent行业价值及应用分析》报告

阿里云按照产品力、生产力、创新力、劳动力给AI Agent的落地场景划分了四个象限。

在云栖大会上，阿里云智能集团公共云事业部解决方案架构部副总经理娄恒表示，企业应该优先选择那些有着新业务模式的（如新药、新材料研发）、简化重复性工作的（如客服、质检、危险工作）、提升客户体验的（如AI硬件、智能眼镜等）、提升企业生产经营效率（如知识管理、办公协作）的场景优先落地AI Agent。

除了四象限，阿里云还提出了AI Agent落地场景选择的“三维价值矩阵”。

首先，在业务价值维度上，应遵循“三多原则”——用人多、用时多、省钱多。以客服工单生成为例，引入AI Agent能够自动完成工单的填写与生成，显著提升客服人员的工作效率。类似的价值已在研发、营销、风控等多个关键业务环节得到验证，AI Agent正逐步成为企业智能化转型的核心驱动力。

中国工商银行总行金融科技部副总经理金海旻在云栖大会上透露，工商银行打造了“工银智涌”大模型技术体系，并利用大模型在20多个业务领域、400多个场景实现端到端赋能，打造了上千个专业领域的智能体，累计调用量达15亿次，日均消耗80亿token。

工商银行“工银智涌”大模型技术体系，图片来源：阿里云

其次，在技术难度维度上，要选择适合大模型擅长的工作范围。娄恒强调，大模型的优势在于高泛化性场景，“一个仪表厂要读表，原来一个表要做一个模型训练，当表盘设计变了或引入新规格时，要重新训练。但大模型很好地解决了泛化性，1个表和100个表都是一样的读法。”娄恒说。同时，对于低时延要求的场景，仍应保留小模型或规则引擎。

以西门子为例，Xcelerator工易魔方智能机器人携手通义大模型，可以高效完成AI对话，实现智能机器人控制，节约现场不同场景机器人程序调试时间，大幅节约了工厂运营成本并提高稳定性。

西门子Xcelerator，图片来源：阿里云

第三，在数据可得维度上，要优先选择有丰富数据支撑的场景。“模型在ICPC信息学竞赛12道题都能答满，IMO能够拿金牌，但企业内部场景往往做得不那么理想。这是因为外部有大量公开数据做强化训练，而企业内部的术语、黑话、业务逻辑，模型并不了解。”娄恒说。因此，选择既有公开数据又有高质量内部知识库的场景，更容易成功。

例如，微医的“AI健共体”之所以能实现精准决策，除了行业领先的AI能力、丰富的医疗服务场景以及高效整合的科研、医疗机构能力，十多年来积累的高质量脱敏临床真实诊疗数据发挥了重要作用；同样，工商银行的成功也离不开其海量的金融业务数据。这些高质量的私域数据，构成了企业AI Agent最坚实的护城河。

从简单调用API到在特定化场景中精细化构建AI Agent，这一转变也意味着企业面临的挑战已从“算法问题”转变为“系统工程问题”。过去，企业或许只需关注如何选择最好的模型、写出最好的提示词；而现在，企业必须思考如何设计一个集成了记忆、规划、工具调用、安全风控和可观测性的复杂系统。

那么，当我们把深刻的行业理解，与满足了“企业级”标准的AI Agent相结合时，它究竟能在多大范围内施展拳脚呢？

“企业AI Agent百景图”给了我们答案。这张图的核心基座是“生成式AI”，它为Agent提供了强大的“大脑”和“引擎”，并带来了一系列关键能力，比如自主规划、多模态交互、工具调用和记忆管理。

企业AI Agent百景图，图片来源：甲子光年《2025 AI Agent行业价值及应用分析》报告

当这些能力与具体的业务场景相结合时，我们便看到了百花齐放的应用图景。汽车、智能终端、金融、文化娱乐、零售消费、医药健康……每一个场景，都可以进一步具体细分，可以说，AI Agent正以前所未有的深度和广度，渗透到各行各业的毛细血管中。

4.企业需要先“修路”，再“跑车”

那么，既然企业已经清楚了要“在什么道路造什么车（在特定场景选择特定的Agent）”，接下来的问题便是：应当用什么样的“生产线”和“工具箱”来高效、安全地完成建造？

面对构建复杂Agent系统的工程挑战，答案是明确的：企业需要先“修路”，再“跑车”——即先构建规范化、标准化的AI基础设施，再让AI Agent安全、高效地在业务流程中运行。

前文我们提到，阿里云已经对如何选择Agent优先落地的场景提出了一套“四象限”和“三维价值矩阵”的方法论。而除此之外，在云栖大会《AI Agent定义未来生活》论坛上，阿里云更是提供了一套完整的AI Agent构建、部署和运行解决方案。该解决方案以“一套模型服务、两种开发范式、七大企业级能力”为骨架，一次性交付从模型到AI Agent应用的完整技术栈。

一套模型服务，指的是通义千问大模型。

作为覆盖了通用、代码、推理、多模态、智能体的全方位模型，通义千问大模型拥有不输世界顶尖大模型的实力，在多项关键基准测试中表现卓越，综合性能宣布超过GPT-5、Claude Opus 4等模型。沙利文报告显示，阿里通义以17.7%的占比，位居2025年H1中国企业级大模型日均调用量第一。

截至目前，通义千问累计开放300+开源模型，衍生模型达17万+，支持119种语言，服务超百万客户，覆盖科技、产业、消费金融等多个领域；通义万相已累计生成3.9亿张图片和7000多万个视频，印证了技术落地的广度与深度。

在云栖大会现场，娄恒特别提醒：“大模型不是万能的，它一定有自己的能力边界。”因此，阿里云提出了“大小模型混编”的工程化解决方案——Top 80%高频场景用小模型或规则引擎（毫秒级、零幻觉），长尾20%泛化场景用大模型覆盖，再用规则兜底校验。“不用推倒重来，把原来收不进的业务单收进来，ROI最高。”

这种工程化思路的转变，要求企业必须从一开始就规划好AI的整体架构。由此，阿里云提出了“AI Landing Zone”的概念——从账号、安全、数据工程、部署、集成等方面一次规划、分步实施，避免“100个场景30套技术栈”的混乱局面。

在选定了场景、明确了模型、构建方法后，确定要做什么种类的Agent也很重要。因此，阿里云也提出了企业构建AI Agent的六大确定性方向：

• 一是生态集成：通过MCP、A2A等协议，实现AI Agent之间的互联互通；

• 二是知识检索与分析：构建企业专属的知识图谱和检索能力；

• 三是深度研究：像Deep Research那样进行多步骤、深层次的信息挖掘；

• 四是代码生成：自动化开发流程，提升研发效率；

• 五是语音交互：让AI Agent更自然地融入日常工作；

• 六是图像多模态：处理视觉信息，扩展应用场景。

两种开发范式，指的是阿里云百炼平台提供的从低代码到高代码的全链路开发工具。

阿里云百炼平台支持从低代码到高代码的灵活开发，让不同角色都能高效构建AI Agent：业务人员通过拖拽即可快速搭建客服、营销等标准化场景；开发者则可借助丰富API打造深度定制的专业级应用，无缝对接企业核心系统。

平台还集成七大企业级能力——多模态处理、工具连接、智能记忆、安全沙箱、链路可观测、资源调度与计费结算，实现AI Agent从开发到商业化的全链路闭环。目前，企业月均创建Agent近8.4万个，2025年单月用户增速最高超1000%，AI正深度融入“研、产、供、销、服”等核心流程。

阿里云百炼Agent“1+2+7”体系，图片来源：阿里云

为保障AI Agent安全落地，阿里云推出无影AI Agent Bay，提供隔离可控的运行环境，确保行为可管、数据安全，成为开发到生产的“关键桥梁”。它如同企业版“能力集市”，将外部服务（如支付、物流）封装为可调用模块，助力企业快速集成生态能力。

规模化落地AI Agent，离不开开放生态。阿里云MCP市场已汇聚众多AI服务商，博查搜索CTO翁柔莹表示，其AI能力在MCP转化率达70%-80%，服务超2.5万企业、10万个AI Agent，持续推动AI能力的共享与进化。

未来已来。AI Agent不只是一个转瞬即逝的技术趋势，而是决定未来十年企业竞争力的核心战略变量。对于所有企业而言，拥抱“AI Agent-First”时代的路径已经无比清晰——始于价值场景、精于业务融合、成于生态共创。

甲子光年创始人兼CEO张一甲在2025云栖大会《Al Agent赋能产业升级：激活千行百业增长新动能》论坛的演讲中说：“AI Agent开启的不仅是智能与业务持续进化的未来，更是一个人机协同的新纪元。”在这个新纪元，人类将专注于创造、决策和关怀，而AI Agent将成为我们最可靠的执行者、最聪明的助手、最忠诚的伙伴。

如果说过去两年AI的关键词是“能力”，那么今年最热的词无疑是“行动”。

行动，就是对未来最好的回应。

（封面图来源：AI生成）