AI Agent未來(lái)趨勢(shì)解析：為何Coze的專(zhuān)家工作流模式不代表未來(lái)？

推理模型強(qiáng)化后，Agent具備了自我規(guī)劃能力，從傳統(tǒng)的工作流設(shè)定模式衍生出自主創(chuàng)新、自主規(guī)劃的新范式。企業(yè)開(kāi)始思考能否運(yùn)用Agent重新定義或落地新場(chǎng)景，這一探索過(guò)程也會(huì)受到C端的影響。

新一代Agent與上一代以工作流為驅(qū)動(dòng)的Agent在運(yùn)作邏輯上存在何種差異？具體如何實(shí)現(xiàn)？企業(yè)又該構(gòu)建怎樣的工具箱？本文將深入分析AI Agent的未來(lái)趨勢(shì)，助力企業(yè)對(duì)Agent工具的理解與落地實(shí)踐。

分享嘉賓｜張揚(yáng) ?愛(ài)分析? 聯(lián)合創(chuàng)始人&首席分析師

01新一代Agent運(yùn)作模式的“變”與“不變”

過(guò)去人們所理解的Agent，大多是在用戶輸入（Input）后，在單一Agent的模式下進(jìn)行任務(wù)分解、任務(wù)執(zhí)行，包括函數(shù)調(diào)用（Function call）以及輸出答案，例如去年較火的AutoGPT。進(jìn)入2025年之后，最大的變化是增加了更多的Agent。不同的子Agent參與運(yùn)作，并非僅有一個(gè)Agent處理全流程。

與過(guò)去一個(gè)Agent解決完整問(wèn)題相比，其最大優(yōu)勢(shì)在于解決問(wèn)題的細(xì)分的子Agent增多，可理解為解決問(wèn)題的應(yīng)用專(zhuān)家更多，這使得解決問(wèn)題的效率和深度都遠(yuǎn)超從前。至于為何過(guò)去是一個(gè)Agent而現(xiàn)在是多個(gè)Agent，核心原因在于存在任務(wù)分解過(guò)程。當(dāng)用戶輸入一個(gè)問(wèn)題后，會(huì)進(jìn)行任務(wù)分解，這與推理模型的出現(xiàn)有較強(qiáng)的相關(guān)性。

上圖右邊列出的內(nèi)容展示了解題過(guò)程，即用戶輸入問(wèn)題后具體的子任務(wù)分解情況，這與過(guò)去的專(zhuān)家工作流解決問(wèn)題存在顯著差異。其中核心不變的標(biāo)準(zhǔn)是：任何復(fù)雜的Agent任務(wù)，首先都涉及搜索以及對(duì)問(wèn)題的理解，思維方式與問(wèn)題理解可歸為同一類(lèi)別。但觀察后續(xù)不同步驟，其確定性和相關(guān)性較低，即每個(gè)Agent在運(yùn)作過(guò)程中，若將其視為工作流，每個(gè)任務(wù)對(duì)應(yīng)的工作流均不相同。在任務(wù)拆解為待辦事項(xiàng)或子任務(wù)的過(guò)程中，基本是基于模型自身推理能力生成合理的工作流，而非像過(guò)去那樣通過(guò)固定的步驟來(lái)解決問(wèn)題，這是新一代Agent與上一代Agent的最大區(qū)別。

例如同樣是數(shù)據(jù)分析任務(wù)，可能由不同Agent分工完成：第一個(gè)Agent負(fù)責(zé)理解客戶需求并將其轉(zhuǎn)化為語(yǔ)義層表述；第二個(gè)Agent承擔(dān)數(shù)據(jù)獲取工作；第三個(gè)Agent則針對(duì)回傳數(shù)據(jù)進(jìn)行分析并生成分析報(bào)告。最后一個(gè)可能是負(fù)責(zé)根因分析的Agent，甚至可能存在用于任務(wù)檢查的Agent。每個(gè)Agent都有其核心工作任務(wù)，這構(gòu)成了任務(wù)拆解的基礎(chǔ)。然而，這些Agent的組合與調(diào)度編排由模型自主控制，這與傳統(tǒng)設(shè)定工作流的思路完全不同。

以上是Agent發(fā)生變化之處，但也存在不變之處：過(guò)去單一Agent運(yùn)作遵循PDCA閉環(huán)，即使在多Agent協(xié)同完成單一任務(wù)時(shí)，依然是基于PDCA大閉環(huán)進(jìn)行拆解。其中，問(wèn)題理解與思維方式對(duì)應(yīng)“P（計(jì)劃）”環(huán)節(jié)；具體工作執(zhí)行包含“D（執(zhí)行）”和“A（執(zhí)行）”環(huán)節(jié)；最終仍存在“C（檢查）”環(huán)節(jié)，例如深度搜索中的驗(yàn)證數(shù)據(jù)、確認(rèn)最終答案等均屬于驗(yàn)證過(guò)程，并可能根據(jù)驗(yàn)證結(jié)果重新評(píng)估數(shù)據(jù)可靠性。由此可見(jiàn)，盡管Agent工作流的具體內(nèi)容及子任務(wù)流的工作方式有所改變，但其始終圍繞PDCA閉環(huán)執(zhí)行任務(wù)，這便是Agent變化與不變的兩個(gè)關(guān)鍵要點(diǎn)。

02單一Agent工作流的具體實(shí)現(xiàn)過(guò)程

首先流程中存在一個(gè)分類(lèi)器，在多數(shù)情況下，該分類(lèi)器由大語(yǔ)言模型構(gòu)建，而非推理模型，這體現(xiàn)了大語(yǔ)言模型的優(yōu)勢(shì)。大語(yǔ)言模型能夠在任務(wù)分解后，高效匹配不同任務(wù)與最適合執(zhí)行任務(wù)的Agent。新增的任務(wù)拆解過(guò)程則由推理模型完成。

當(dāng)選定某個(gè)Agent執(zhí)行任務(wù)后，便涉及Agent間的協(xié)作，例如一個(gè)Agent任務(wù)結(jié)束后將工作交接給另一個(gè)Agent。在此過(guò)程中，保存所有對(duì)話記錄及記憶至關(guān)重要，這些信息將被后續(xù)所有Agent調(diào)用，這構(gòu)成了多Agent協(xié)作的完整流程，也是當(dāng)前Agent與過(guò)去Agent的顯著差異。由此可見(jiàn)，傳統(tǒng)工作流方式在未來(lái)可能不再適用。

上圖左側(cè)展示的是Open AI的Agent邏輯。Open AI于3月發(fā)布的Agent組件包含三個(gè)部分：一是API，支持用戶通過(guò)API進(jìn)行調(diào)用；二是Search Tools，既可以操控瀏覽器進(jìn)行網(wǎng)絡(luò)搜索，也能夠?qū)崿F(xiàn)本地文件檢索，滿足公網(wǎng)與內(nèi)網(wǎng)本地內(nèi)容的查找需求；三是Agents SDK，用于實(shí)現(xiàn)Agent之間的協(xié)作機(jī)制。

該邏輯中不存在預(yù)設(shè)工作流。上圖右側(cè)為經(jīng)典的Agent框架圖，其中Planning模塊采用思維鏈（COT）技術(shù)，通過(guò)推理模型的思維鏈實(shí)現(xiàn)任務(wù)拆解，如去年廣泛使用的典型工具。一種是通過(guò)拖拉拽方式構(gòu)建工作流形成Agent，此方式由專(zhuān)家基于經(jīng)驗(yàn)設(shè)定；另一種是由模型自定義工作流，這兩種方式截然不同。

在推理模型出現(xiàn)前，無(wú)論是企業(yè)內(nèi)部還是模型廠商，普遍認(rèn)可專(zhuān)家基于經(jīng)驗(yàn)設(shè)定工作流的模式。如今，顯著變化在于越來(lái)越多的Agent產(chǎn)品開(kāi)始傾向于由模型創(chuàng)建功能流。例如，Coze近期發(fā)布的最新版本Agent，將原有專(zhuān)家創(chuàng)建工作流轉(zhuǎn)變?yōu)殡p軌制：既支持模型創(chuàng)建工作流，又保留專(zhuān)家創(chuàng)建工作流。由此可見(jiàn)未來(lái)存在兩條不同的技術(shù)路線，當(dāng)前兩種路線并行發(fā)展。這一態(tài)勢(shì)對(duì)未來(lái)發(fā)展趨勢(shì)影響重大。舉例來(lái)說(shuō)，若未來(lái)趨勢(shì)是模型創(chuàng)建工作流，那么對(duì)于多數(shù)企業(yè)而言，當(dāng)前專(zhuān)家創(chuàng)建工作流方案中哪些部分能夠在未來(lái)復(fù)用，哪些部分無(wú)法復(fù)用，成為企業(yè)關(guān)注并亟待解決的問(wèn)題。

在Agent運(yùn)作過(guò)程中，存在兩種不同的工作流構(gòu)建思路與方式，專(zhuān)家工作流屬于典型的低代碼和零代碼產(chǎn)品體系。從歷史發(fā)展來(lái)看，低代碼產(chǎn)品在中國(guó)市場(chǎng)始終未取得重大突破。低代碼和零代碼產(chǎn)品最初期望的最終用戶是企業(yè)用戶，尤其是企業(yè)業(yè)務(wù)人員，旨在讓業(yè)務(wù)人員基于自身業(yè)務(wù)理解自行搭建應(yīng)用，IT部門(mén)僅提供基礎(chǔ)支撐平臺(tái)，而非協(xié)助開(kāi)發(fā)具體應(yīng)用。

然而在實(shí)際應(yīng)用中，低代碼和零代碼產(chǎn)品的主要使用者多為廠商或其合作伙伴的交付人員，這些交付人員對(duì)該類(lèi)產(chǎn)品的使用最為頻繁。從廠商角度，低代碼和零代碼產(chǎn)品確實(shí)能夠降低交付成本。但對(duì)于企業(yè)用戶而言，其學(xué)習(xí)成本和使用門(mén)檻過(guò)高，導(dǎo)致企業(yè)用戶對(duì)這類(lèi)產(chǎn)品觀感一般，在企業(yè)應(yīng)用層面作用有限；而對(duì)于廠商來(lái)說(shuō)，卻是降低交付成本的有效方式。

從企業(yè)用戶視角出發(fā)，即便不考慮專(zhuān)家工作流和模型工作流的技術(shù)發(fā)展趨勢(shì)，僅就企業(yè)是否愿意采用低代碼和零代碼產(chǎn)品而言，專(zhuān)家工作流的應(yīng)用前景也存在較大不確定性。專(zhuān)家工作流很可能最終僅成為廠商交付的工具，難以真正被企業(yè)用戶所使用。若將專(zhuān)家工作流和模型工作流視為未來(lái)兩大發(fā)展趨勢(shì)，那么首要問(wèn)題是明確長(zhǎng)遠(yuǎn)發(fā)展趨勢(shì)，并確定企業(yè)在當(dāng)前階段開(kāi)發(fā)agent應(yīng)用應(yīng)遵循的思路。

參考上圖三條曲線表明：在計(jì)算量較小、算力較低的應(yīng)用場(chǎng)景下，采用“More Structure”模式，即對(duì)模型進(jìn)行更多專(zhuān)家設(shè)定，模型表現(xiàn)更佳；隨著算力提升，“Less Structure”模式，即減少控制和限制，表現(xiàn)逐漸變好；當(dāng)算力近乎無(wú)窮大時(shí)，“Less Structure”模式優(yōu)勢(shì)更為顯著。這一AI底層邏輯正獲得越來(lái)越多的認(rèn)可，例如，過(guò)去通過(guò)大量過(guò)程激勵(lì)構(gòu)建模型屬于“More Structure”方式，而DeepSeek采用強(qiáng)化學(xué)習(xí)構(gòu)建推理模型則屬于“Less Structure”方式，目前強(qiáng)化學(xué)習(xí)這種限制較少的模式被普遍認(rèn)為表現(xiàn)更優(yōu)。將這一思路應(yīng)用于Agent，邏輯相同。

在前期階段，專(zhuān)家工作流可能表現(xiàn)更優(yōu)，因?yàn)槠渲腥谌肓藢?zhuān)家的專(zhuān)業(yè)知識(shí)以及企業(yè)的專(zhuān)業(yè)經(jīng)驗(yàn)。然而，隨著算力提升，越過(guò)某個(gè)臨界點(diǎn)后，模型創(chuàng)建的工作流可能效果更佳，這是可預(yù)見(jiàn)的情況。盡管當(dāng)前算力發(fā)展迅速，但就agent的算力使用情況而言，若前期使用過(guò)如Grok3或Open AI，會(huì)發(fā)現(xiàn)Agent的算力消耗約為聊天機(jī)器人對(duì)話的百倍級(jí)別。例如，一個(gè)聊天機(jī)器人對(duì)話若消耗100個(gè)Token，那么使用Agent時(shí)可能消耗約10萬(wàn)甚至更多Token。從上方圖表可知，造成Token大量消耗的原因有二：

一是使用Agent執(zhí)行任務(wù)時(shí)步驟繁多，每一步可能都涉及模型間的交互；二是數(shù)據(jù)量龐大，搜索來(lái)源數(shù)量常以百計(jì)或數(shù)十計(jì)，這些上下文內(nèi)容本身也極為龐大。

因此，若當(dāng)前模型規(guī)模擴(kuò)大10倍，模型生成的工作流效果可能遠(yuǎn)超專(zhuān)家工作流。這一臨界點(diǎn)預(yù)示著未來(lái)模型創(chuàng)建工作流將逐步取代專(zhuān)家工作流。但在未來(lái)一到三年算力持續(xù)增長(zhǎng)的階段，專(zhuān)家工作流仍不可或缺。在此期間，建議將專(zhuān)家工作流從傳統(tǒng)的拖拉拽式操作轉(zhuǎn)變?yōu)樘崾驹~驅(qū)動(dòng)模式，這可能是更高效的實(shí)現(xiàn)方式。同時(shí)，需遵循始終不變的PDCA閉環(huán)邏輯。具體而言，提示詞應(yīng)明確專(zhuān)家流程的步驟，包括使用的工具、展示方式等。其核心邏輯基于兩點(diǎn)：

無(wú)論是過(guò)去還是現(xiàn)在的Agent，PDCA閉環(huán)始終是其運(yùn)作的基本框架，專(zhuān)家工作流也應(yīng)遵循該邏輯；提示詞作為標(biāo)準(zhǔn)化示例，詳細(xì)界定了解決特定問(wèn)題的步驟，能夠?yàn)槟Ｐ吞峁┛蓞⒖嫉膶W(xué)習(xí)樣本。

在R1模型訓(xùn)練過(guò)程中，雖使用的外部高質(zhì)量數(shù)據(jù)較少，但從模型中蒸餾出了60萬(wàn)條思維鏈（COT）數(shù)據(jù)，這些數(shù)據(jù)是該模型的核心競(jìng)爭(zhēng)力所在。而這些蒸餾數(shù)據(jù)質(zhì)量的優(yōu)劣，取決于前期積累的高質(zhì)量數(shù)據(jù)，二者關(guān)聯(lián)性極強(qiáng)。因此，從專(zhuān)家工作流的發(fā)展來(lái)看，這些提示詞是極具價(jià)值的高質(zhì)量數(shù)據(jù)。建議企業(yè)自2025年起開(kāi)展Agent應(yīng)用開(kāi)發(fā)時(shí)，除采用拖拉拽方式設(shè)置工作流外，更應(yīng)重視提示詞的核心作用。提示詞的積累與應(yīng)用，或?qū)⒊蔀槠髽I(yè)內(nèi)部創(chuàng)建更多Agent的重要知識(shí)來(lái)源。

03企業(yè)應(yīng)該構(gòu)建什么樣的工具箱

目前認(rèn)為，企業(yè)需預(yù)置的工具鏈主要涵蓋幾個(gè)大類(lèi)。第一個(gè)工具類(lèi)別與知識(shí)相關(guān)，需配備兩個(gè)檢索工具：一是用于本地私有數(shù)據(jù)的檢索和文件搜索工具，對(duì)應(yīng)Open AI的File Search；二是公網(wǎng)搜索工具，對(duì)應(yīng)Open AI的Web Search API。第二個(gè)類(lèi)別是自動(dòng)化執(zhí)行的流程工具，如Open AI的Operator，其他類(lèi)似工具可能叫Computer Use，本質(zhì)是模擬電腦操作。此外，企業(yè)已有的大量機(jī)器人流程自動(dòng)化（RPA）資產(chǎn)，也可作為流程自動(dòng)化工具調(diào)用。第三個(gè)類(lèi)別是Agent協(xié)作工具，包括各類(lèi)協(xié)作協(xié)議，目前此類(lèi)工具較多。

除上述三類(lèi)工具外，還建議配備與企業(yè)專(zhuān)屬分析工具及API接口相關(guān)的工具。企業(yè)內(nèi)部大量IT系統(tǒng)需要API接口，同時(shí)還需構(gòu)建眾多專(zhuān)屬分析工具，例如Data Agent分析工具，從長(zhǎng)遠(yuǎn)看，這是整個(gè)Agent體系可調(diào)用的工具組成部分。類(lèi)似基于PDCA閉環(huán)和提示詞開(kāi)發(fā)的特定場(chǎng)景應(yīng)用工具，也可納入其中。例如企業(yè)專(zhuān)屬的財(cái)務(wù)分析工具、設(shè)備運(yùn)維工具、人力資源（HR）相關(guān)工具（如績(jī)效輔導(dǎo)工具）等。這些工具基于企業(yè)過(guò)去搭建的Agent，可整合為工具箱，納入Agent工具庫(kù)。

綜上所述，企業(yè)從當(dāng)前角度出發(fā)，為未來(lái)Agent應(yīng)用儲(chǔ)備的工具箱核心類(lèi)別包括檢索工具、協(xié)作工具、自動(dòng)化流程工具、API接口工具以及專(zhuān)屬分析工具。這可能是當(dāng)前企業(yè)落地Agent時(shí)需提前準(zhǔn)備的內(nèi)容。

長(zhǎng)按二維碼，領(lǐng)取完整版視頻實(shí)錄和課件