企業應用AI正經歷從“調用模型”到“構建AI Agent”的根本性范式轉移。

作者｜王藝

編輯｜王博

2025年Q4開始了，AI Agent（智能體）的熱度依然不減。

據Gartner預測，AI Agent領域預計將在2024-2030年間迎來顯著增長，市場規模將從51億美元攀升至471億美元。

從技術層面看，算力的持續提升、多模態的突破，以及插件和工作流編排工具的完善，為AI Agent的涌現奠定了基礎；從產業角度看，模型的差距正在縮小，急需新的敘事來打開市場，而“AI Agent即未來勞動力”的故事最能打動資本與企業；從用戶感知上看，AI Agent作為“能幫我干活的AI助手”，比抽象的大模型更容易理解。

AI Agent的走紅，正是因為它給了產業一個新的想象空間：大模型不僅能回答問題，還能調用工具、執行任務，擁有更長的記憶，與其他智能體協作，甚至還能預知風險。這不僅是從“會說”邁向“會做”，而是真正進入物理世界，成為我們工作和生活中的一部分。

在云棲大會上，阿里巴巴集團CEO吳泳銘就認為：“未來幾乎所有與計算世界打交道的軟件可能都是由大模型產生的AI Agent。”

「甲子光年」調研發現，今年以來，越來越多企業的智能化業務正從“調用模型”邁向“構建可執行任務的AI Agent”。甲子光年智庫在《2025 AI Agent行業價值及應用分析》報告指出，AI Agent已經分化出“前端交互的大腦顧問”“專家級的數字員工”“貼心反饋的靈感伙伴”和“讓想象力落地的創造者”四種核心角色，它們在不同場景中各司其職，共同構成了企業智能化的新圖景。

AI Agent場景地圖，圖片來源：甲子光年《2025 AI Agent行業價值及應用分析》

企業不僅需要智能化工具，更需要一整套企業智能化升級的基礎設施。前兩年是圍繞大模型，而現在是圍繞AI Agent。

這些觀察帶來了我們想要探討的命題：什么是AI Agent？AI Agent是否走進了真實業務中？AI Agent落地要跨越哪些鴻溝，又應面向哪些場景？如何為企業應用AI Agent提供支持？

在近期舉行的云棲大會上，我們找到了答案。

1.為什么AI Agent會成為“業務主角”？

新興技術的出現，總會伴隨著術語洪流和流派之爭，帶來認知摩擦。

一直以來，業界對AI Agent的定義都不甚明朗。有人認為工作流是AI Agent，有人認為AI應用是AI Agent，有人認為AI Agent就是一個“帶點聰明提示詞的聊天機器人”。可以說，Agent的定義就是一條光譜——從最簡單的對話機器人，到最復雜的“數字人”，都有人自稱AI Agent。

到底什么是AI Agent呢？

甲子光年智庫在《中國AI Agent行業研究報告》中，將AI Agent定義為具有自主性、反應性、交互性等特征的智能“代理” ，并給出了“大模型時代的AI Agent=LLM x（規劃+記憶+工具+行動）”的公式。其中，大模型（LLM）帶來了新的深度學習新范式、思維鏈和強大的自然語言理解能力，提升了Agent的理解力和泛化能力，使其能更好地處理多種任務和上下文信息，從而提供更加個性化、連貫的交互體驗。

圖片來源：甲子光年《中國AI Agent行業研究報告》

其實，我們可以把AI Agent理解為一個以大語言模型為核心的、將具體目標轉化為具體行動的系統，這個系統具有如下特征：

?規劃力：能夠理解自然語言和復雜任務，將用戶請求解析為多個任務，給智能體制定行動規劃；

?記憶力：擁有長期記憶和短期記憶，能夠實時記錄已經采取的行動，并通過完善過去的行動和錯誤來不斷改進；

?使用工具的能力：具備調用API、插件和使用專家模型的能力，能夠自主決策、自主執行任務，并且能夠接收執行結果，并向用戶提供匯總結果；

?行動力：能夠響應大模型的指令、做出行動；并且大模型具備并行調用多個子模型的能力，多個子模型之間也可以互相調用。

這其中，Agent理解自然語言、規劃復雜任務的特征在教育企業好未來的身上得到了充分體現。

好未來將AI Agent定位為教學流程的“大腦”，構建了一個數據驅動的教學閉環。在這個閉環中，AI Agent首先收集和分析學生完成作業后產生的大量學情數據。隨后，它進行雙向賦能：一方面，將分析結果反饋給教師，輔助其進行更具針對性的教學設計；另一方面，直接向學生推薦個性化的學習任務，實現精準輔導。

尤為值得一提的是其“AI試卷分析”功能。它不僅僅是判斷對錯，而是通過分析學生的錯誤選項，來推斷其背后可能陷入的“思維陷阱”或“知識誤區”，這已經高度模擬了資深教師的診斷式教學思維。通過將“備課”、“學情分析”等復雜任務拆解成上百個細分的Agent，好未來展示了如何通過精細的任務規劃，讓AI Agent真正融入教學的每一個環節。

同時，由于Agent的運行方式通常是“通過工程代碼，循環執行同一個LLM節點，但每一次執行時，提示詞都多出上一輪的結果”，因此強大的記憶能力也是AI Agent不可或缺的特征。

圖片來源：Anthropic《Building effective agents》

在兒童教育企業叫叫的實踐中，其推出的“AI學伴”智能體，就生動展示了記憶能力如何與規劃、行動能力深度耦合，成為孩子學習軌跡的智能伙伴。

叫叫CTO彭首長在云棲大會上介紹，其Agent具備了短期和長期記憶能力，并驅動Agent的決策與行動。他舉了一個例子：當一個孩子前一天因為感冒請假，傳統的系統第二天可能會機械地提醒“該學習了”，這顯得非常冰冷。而具備記憶能力的Agent則會規劃出完全不同的行動——它會首先主動發起關懷：“寶寶感冒怎么樣了，是不是好一點呢？”再基于與用戶的對話，進一步決策后續的學習提醒應當在何時進行推送。

更進一步，這種“記憶-規劃-行動”的閉環體現在整個學習流程中。叫叫的“AI學伴”會在孩子完成當天的學習后，主動發起一個視頻通話，回顧學習過程中的亮點和遇到的問題，并進行交流。彭首長分享道：“30%的用戶會跟它聊滿6分鐘，這也是我們現階段設置的通話時長上限。”這種長時間的深度對話之所以能夠持續，正是因為Agent的每一次互動都基于對孩子過去行為的記憶和理解，并為此規劃出最合適的交流策略，真正做到了“比閨蜜更了解你”。

叫叫的案例清晰地表明，AI Agent的核心價值不在于單一能力的強大，而在于它能夠以記憶為基礎，自主規劃并執行連貫、個性化的任務，從而在復雜的交互中扮演主動角色。

過去，AI更多被視為工具，但現在，AI Agent已經在一些場景應用中進入業務決策的核心層，成為驅動業務流程再造的引擎。它不再被動地響應指令，而是主動地進行感知、理解、規劃并作出決策，實現了從“被動響應”到“主動決策”的升級。

這種自主決策、規劃和執行任務的能力已經體現在工業領域。

「甲子光年」此前從中控技術了解到，中石油蘭州石化榆林化工有限公司在乙烷制乙烯生產智能化轉型過程中，就基于中控技術的時間序列大模型TPT 2打造了能主動識別異常、智能評估風險并自主決策執行的智能體。

TPT 2已經具備 “感知-識別-決策-執行” 的全鏈路閉環能力。它不再局限于單一裝置或單一場景，而是可以在更復雜的工業環境中發揮作用。

中控技術工業AI技術管理總經理王寬心特別強調：“工業裝置24小時運行過程中產生的語言，不是人類的自然語言，而是大量的傳感器數據。”中控的智能體必須學會“聽懂”這種機器語言，并據此做出決策。過去30年，中控已經在服務流程工業的過程中積累了約100億條數據。

以中石油蘭州石化榆林化工有限公司在乙烷制乙烯項目為例，AI Agent不僅保障了生產安全，還讓單爐乙烯收率提升0.373%，這意味著單爐每年新增凈效益315.5萬元，每年整體效益提升超過1500萬元。

在工業之外，零售也是Agent自主決策與執行的重要場景。零售行業競爭激烈、節奏變化快，尤其是涉及水果、生鮮的即時零售行業，更是對配送時效性和商品運營提出了很高的要求。以生鮮電商領域的頭部玩家叮咚買菜為例，他們面臨著一個經典難題：如何在減少損耗和避免缺貨之間找到平衡？這不是簡單的算法優化問題，而是需要AI Agent具備真正的自主規劃能力。

叮咚買菜CTO蔣旭在云棲大會上分享道：“生鮮業務的核心挑戰是，你如何在缺損損耗和缺貨之間做平衡。這里面有大量的經營策略。”為此，叮咚買菜構建了一個完整的閉環管理體系——從實時監控指標，到缺貨和損耗的精確歸因，再到人機協同的策略調優。

云棲大會展區，圖片來源：2025云棲大會

面對從農場到餐桌的超長鏈路，叮咚買菜首先構建了全鏈路數字化體系，為AI Agent的應用打下堅實基礎。在此之上，AI Agent最初的應用聚焦于供應鏈的極致效率——通過“供需協同”的AI Agent架構，自動化處理從供應商管理、銷量預測、庫存優化到即時履約的全流程。

在庫存管理上，叮咚買菜的AI Agent構建了一套“監控-歸因-策略調優-仿真”的閉環自優化體系，完美體現了"Planning Skills（任務規劃）"的特征。它不是簡單地執行預設規則，而是能夠根據實時數據動態調整策略。比如，當系統預測某個前置倉的某種蔬菜可能出現缺貨時，它會自主規劃一系列行動：首先評估將庫存從100調整到150的風險收益比，預測缺貨率可能從15%降到3%，但損耗風險會相應增加；然后通過仿真系統（sandbox）驗證策略效果；最后將優化建議推送給相關人員決策，真正做到在損耗與缺貨之間找到了最佳平衡點。

最后，得益于MoE架構和專家模型的快速進步，Agent之間互相協作和調用外部工具的能力也得到加強。

微醫基于通義千問等SOTA大模型作為其臨床醫療大模型底座，通過結合海量高質量醫學知識和高質量數據集，并使用深度訓練微調、強化學習等技術手段打造了行業領先的臨床醫療大模型。這為智能體提供了強大的醫療領域自然語言理解和生成能力，使其能夠與醫生和患者進行流暢的交互。

在醫療健康場景中，微醫通過構建“4+1”AI智能體體系，生動地展示了多Agent如何協同工作并借助外部工具實現復雜目標。這個體系由四個專業智能體（AI醫生、AI藥師、AI健管、AI智控）和一個用戶專屬智能體（面向C端用戶的AI健康管家）構成。這些智能體之間形成了一個高效的協作網絡，各司其職又緊密配合，實現了醫療服務的全流程智能化閉環。

同時，微醫整合了通義千問等通用大模型作為其臨床醫療大模型的底座。這為智能體提供了強大的自然語言理解和生成能力，使其能夠與醫生和患者進行流暢的交互。

為了確保決策的專業性和準確性，微醫通過RAG（檢索增強生成）技術，深度融合了過去平臺積累的高質量數據，高效整合浙江大學、瑞金醫院等國內頂尖科研及醫療機構能力。當AI Agent需要做出臨床決策時，它會首先從這些海量的、經過脫敏處理的真實診療數據中檢索最相關的信息，再結合大模型的能力生成精準的回答和建議。

這些實踐表明，這樣的AI Agent已經不再是大模型的功能延伸，而是能夠自主決策、深度協同、價值重構的“業務主角”。

2.從理想到現實需要跨越四條鴻溝

然而，盡管有一部分AI Agent已經成為了企業運營中的“業務主角”，但是從總體上來說，企業在規模化落地AI Agent時仍然面臨著技術選型、場景融合、安全合規與商業回報衡量等多重挑戰。

首先，在技術方面，有企業就表示，當前的AI Agent技術在處理單一文本任務時已表現出色，但一旦涉及復雜的行業場景，技術瓶頸便顯現出來。

具體來說就是，工業質檢AI Agent需要融合視覺（識別產品瑕疵）、聽覺（檢測設備異響）等多模態能力，并深度理解特定產線的工藝知識圖譜。如何讓AI Agent的大腦（大語言模型）與它的“眼睛”、“耳朵”（多模態感知能力）高效協同，并將海量的、非結構化的行業Know-How內化為可執行的知識，是當前的一大技術難題。

一旦解決了這一難題，企業級AI Agent就會帶來躍升。

中控技術工業AI技術管理總經理王寬心告訴「甲子光年」，中控技術已累計為流程工業提供了10萬套控制系統，累計產生的數據量約為100EB，是大語言模型訓練數據的一萬倍以上。同時，中控技術建立了強大的工業數據解讀能力，能夠深度挖掘場景，更好地用人工智能技術為流程工業提供技術、產品和服務。

其次，在場景方面，我們還注意到大型企業和中小企業在落地AI Agent時存在差異。大型企業有充足的資源進行深度定制開發，但廣大中小企業的需求呈現出高度“碎片化”和“個性化”的特點。

比如，一家小型電商的客服AI Agent需求與一家本地維修店的派單AI Agent需求截然不同，其業務邏輯、數據接口、工作流程千差萬別。傳統的標準化SaaS模式難以滿足這種多樣性，而完全定制的成本又令中小企業望而卻步。在標準化、個性化之間找到平衡，提供既能快速部署又能靈活適配的AI Agent解決方案，是推進AI Agent在中小企業快速落地的關鍵。

以金融行業為例，盡管AI Agent在智能客服和智能投顧等場景中已實現成熟應用，但在文案和代碼內容生成、智能文檔處理等業務場景中的應用仍然很有限，那些來自各行各業、各個公司的貸款合同、上市招股書等，更得讓法務團隊通宵逐字核對。

圖片來源：甲子光年《企業級AI Agent（智能體）價值及應用報告》

此外，在金融、醫療等受到嚴格監管的行業，數據隱私與合規是不可逾越的紅線。

一個醫療診斷輔助AI Agent，既需要訪問大量患者的隱私健康數據以確保診斷的準確性，又必須嚴格遵守《個人信息保護法》等數據保護法規。同時，AI Agent的決策過程，尤其是基于深度學習模型的決策，往往被視為“黑箱”，這與金融風控、醫療診斷等領域對決策過程透明度和可解釋性的要求形成直接沖突。

如何確保AI Agent在高效決策的同時，保障數據安全、實現決策過程的透明可追溯，是落地過程中必須解決的合規性難題。

國泰產險首席技術官朱建平特別強調了金融行業的挑戰：“在金融領域，一旦全流程自動化出錯，就意味著大批量的資金打錯。”為此，他們不得不投入大量精力構建風控體系，確保AI的每一個決策都可追溯、可審計。

為了讓Agent更加安全、有效地運行，微醫率先提出了“AI健共體”的概念，以人工智能總醫院為核心，連接區域內二、三級醫院，與基層醫療機構形成了責任共同體、管理共同體、服務共同體和利益共同體。在AI健共體建設運營過程中，微醫通過本地化數據存儲及大模型部署、加快實施和構建安全可信空間等方式保障業務流程中的數據安全。

云棲大會展區，圖片來源：2025云棲大會

最后，商業回報仍是熱議話題：企業決策者最關心ROI，但AI Agent的價值往往難以直接量化。例如：在制造業，部署AI驅動的產線需大量前期投入，周期長、見效慢，短期難見回報。

因此，如何建立科學可信的評估體系，向決策層清晰展現AI Agent的長期戰略價值，而非僅限于成本節約，成為項目推進的關鍵難題。

西門子正直面這一挑戰。西門子工廠自動化戰略產品管理部總監Nicholas Henson在云棲大會上強調，制造業邁向自適應與自主化的根本驅動力，始終是“在生產過程中實現盈利”。他指出，AI Agent不能停留于技術概念，必須轉化為客戶可感知的商業成果。

為此，西門子將AI應用與核心生產指標直接掛鉤。Henson分享多個案例：通過AI實現閉環控制，某產線效率從89%起步持續提升，帶來“數千甚至數萬美元”額外收益；在高良品率的壓鑄場景中，AI整合全參數優化控制，進一步提升質量穩定性與成品率。

Henson總結，AI要真正落地，客戶必須“以收入或節省看到價值”。目前，西門子已在超100個項目中驗證該模式，成功關鍵在于綁定產量、良品率、損耗等直接影響財務的硬指標。

然而，“四條鴻溝”——技術、場景、合規與商業回報——仍橫亙在多數企業面前。僅靠“調用模型”的淺層應用，已無法系統性解決智能化轉型的深層問題。

當企業不再滿足于將AI視為一個“聰明的聊天框”時，一場從“調用模型”到“構建Agent”的根本性范式轉移，便成為了跨越鴻溝的必然選擇。

3.從調用模型到構建Agent：始于小場景，深入業務流

面對前述的四條鴻溝，企業發現簡單的模型調用已無法提供系統性答案。真正的破局之道，在于一場深刻的范式轉移：從“調用模型”邁向“構建可執行任務的AI Agent”階段。

這個從“調用”到“構建”的轉變，本質上是從使用一個“超級能力接口”升級為打造一個“自主數字員工”，其工程復雜度和系統性要求呈指數級增長。

「甲子光年」的觀點是，企業構建Agent不能唯“大模型”論。而是應該帶著行業理解，在具體的場景中尋找答案。

Agent落地思索，圖片來源：甲子光年《2025 AI Agent行業價值及應用分析》報告

阿里云按照產品力、生產力、創新力、勞動力給AI Agent的落地場景劃分了四個象限。

在云棲大會上，阿里云智能集團公共云事業部解決方案架構部副總經理婁恒表示，企業應該優先選擇那些有著新業務模式的（如新藥、新材料研發）、簡化重復性工作的（如客服、質檢、危險工作）、提升客戶體驗的（如AI硬件、智能眼鏡等）、提升企業生產經營效率（如知識管理、辦公協作）的場景優先落地AI Agent。

除了四象限，阿里云還提出了AI Agent落地場景選擇的“三維價值矩陣”。

首先，在業務價值維度上，應遵循“三多原則”——用人多、用時多、省錢多。以客服工單生成為例，引入AI Agent能夠自動完成工單的填寫與生成，顯著提升客服人員的工作效率。類似的價值已在研發、營銷、風控等多個關鍵業務環節得到驗證，AI Agent正逐步成為企業智能化轉型的核心驅動力。

中國工商銀行總行金融科技部副總經理金海旻在云棲大會上透露，工商銀行打造了“工銀智涌”大模型技術體系，并利用大模型在20多個業務領域、400多個場景實現端到端賦能，打造了上千個專業領域的智能體，累計調用量達15億次，日均消耗80億token。

工商銀行“工銀智涌”大模型技術體系，圖片來源：阿里云

其次，在技術難度維度上，要選擇適合大模型擅長的工作范圍。婁恒強調，大模型的優勢在于高泛化性場景，“一個儀表廠要讀表，原來一個表要做一個模型訓練，當表盤設計變了或引入新規格時，要重新訓練。但大模型很好地解決了泛化性，1個表和100個表都是一樣的讀法。”婁恒說。同時，對于低時延要求的場景，仍應保留小模型或規則引擎。

以西門子為例，Xcelerator工易魔方智能機器人攜手通義大模型，可以高效完成AI對話，實現智能機器人控制，節約現場不同場景機器人程序調試時間，大幅節約了工廠運營成本并提高穩定性。

西門子Xcelerator，圖片來源：阿里云

第三，在數據可得維度上，要優先選擇有豐富數據支撐的場景。“模型在ICPC信息學競賽12道題都能答滿，IMO能夠拿金牌，但企業內部場景往往做得不那么理想。這是因為外部有大量公開數據做強化訓練，而企業內部的術語、黑話、業務邏輯，模型并不了解。”婁恒說。因此，選擇既有公開數據又有高質量內部知識庫的場景，更容易成功。

例如，微醫的“AI健共體”之所以能實現精準決策，除了行業領先的AI能力、豐富的醫療服務場景以及高效整合的科研、醫療機構能力，十多年來積累的高質量脫敏臨床真實診療數據發揮了重要作用；同樣，工商銀行的成功也離不開其海量的金融業務數據。這些高質量的私域數據，構成了企業AI Agent最堅實的護城河。

從簡單調用API到在特定化場景中精細化構建AI Agent，這一轉變也意味著企業面臨的挑戰已從“算法問題”轉變為“系統工程問題”。過去，企業或許只需關注如何選擇最好的模型、寫出最好的提示詞；而現在，企業必須思考如何設計一個集成了記憶、規劃、工具調用、安全風控和可觀測性的復雜系統。

那么，當我們把深刻的行業理解，與滿足了“企業級”標準的AI Agent相結合時，它究竟能在多大范圍內施展拳腳呢？

“企業AI Agent百景圖”給了我們答案。這張圖的核心基座是“生成式AI”，它為Agent提供了強大的“大腦”和“引擎”，并帶來了一系列關鍵能力，比如自主規劃、多模態交互、工具調用和記憶管理。

企業AI Agent百景圖，圖片來源：甲子光年《2025 AI Agent行業價值及應用分析》報告

當這些能力與具體的業務場景相結合時，我們便看到了百花齊放的應用圖景。汽車、智能終端、金融、文化娛樂、零售消費、醫藥健康……每一個場景，都可以進一步具體細分，可以說，AI Agent正以前所未有的深度和廣度，滲透到各行各業的毛細血管中。

4.企業需要先“修路”，再“跑車”

那么，既然企業已經清楚了要“在什么道路造什么車（在特定場景選擇特定的Agent）”，接下來的問題便是：應當用什么樣的“生產線”和“工具箱”來高效、安全地完成建造？

面對構建復雜Agent系統的工程挑戰，答案是明確的：企業需要先“修路”，再“跑車”——即先構建規范化、標準化的AI基礎設施，再讓AI Agent安全、高效地在業務流程中運行。

前文我們提到，阿里云已經對如何選擇Agent優先落地的場景提出了一套“四象限”和“三維價值矩陣”的方法論。而除此之外，在云棲大會《AI Agent定義未來生活》論壇上，阿里云更是提供了一套完整的AI Agent構建、部署和運行解決方案。該解決方案以“一套模型服務、兩種開發范式、七大企業級能力”為骨架，一次性交付從模型到AI Agent應用的完整技術棧。

一套模型服務，指的是通義千問大模型。

作為覆蓋了通用、代碼、推理、多模態、智能體的全方位模型，通義千問大模型擁有不輸世界頂尖大模型的實力，在多項關鍵基準測試中表現卓越，綜合性能宣布超過GPT-5、Claude Opus 4等模型。沙利文報告顯示，阿里通義以17.7%的占比，位居2025年H1中國企業級大模型日均調用量第一。

截至目前，通義千問累計開放300+開源模型，衍生模型達17萬+，支持119種語言，服務超百萬客戶，覆蓋科技、產業、消費金融等多個領域；通義萬相已累計生成3.9億張圖片和7000多萬個視頻，印證了技術落地的廣度與深度。

在云棲大會現場，婁恒特別提醒：“大模型不是萬能的，它一定有自己的能力邊界。”因此，阿里云提出了“大小模型混編”的工程化解決方案——Top 80%高頻場景用小模型或規則引擎（毫秒級、零幻覺），長尾20%泛化場景用大模型覆蓋，再用規則兜底校驗。“不用推倒重來，把原來收不進的業務單收進來，ROI最高。”

這種工程化思路的轉變，要求企業必須從一開始就規劃好AI的整體架構。由此，阿里云提出了“AI Landing Zone”的概念——從賬號、安全、數據工程、部署、集成等方面一次規劃、分步實施，避免“100個場景30套技術棧”的混亂局面。

在選定了場景、明確了模型、構建方法后，確定要做什么種類的Agent也很重要。因此，阿里云也提出了企業構建AI Agent的六大確定性方向：

• 一是生態集成：通過MCP、A2A等協議，實現AI Agent之間的互聯互通；

• 二是知識檢索與分析：構建企業專屬的知識圖譜和檢索能力；

• 三是深度研究：像Deep Research那樣進行多步驟、深層次的信息挖掘；

• 四是代碼生成：自動化開發流程，提升研發效率；

• 五是語音交互：讓AI Agent更自然地融入日常工作；

• 六是圖像多模態：處理視覺信息，擴展應用場景。

兩種開發范式，指的是阿里云百煉平臺提供的從低代碼到高代碼的全鏈路開發工具。

阿里云百煉平臺支持從低代碼到高代碼的靈活開發，讓不同角色都能高效構建AI Agent：業務人員通過拖拽即可快速搭建客服、營銷等標準化場景；開發者則可借助豐富API打造深度定制的專業級應用，無縫對接企業核心系統。

平臺還集成七大企業級能力——多模態處理、工具連接、智能記憶、安全沙箱、鏈路可觀測、資源調度與計費結算，實現AI Agent從開發到商業化的全鏈路閉環。目前，企業月均創建Agent近8.4萬個，2025年單月用戶增速最高超1000%，AI正深度融入“研、產、供、銷、服”等核心流程。

阿里云百煉Agent“1+2+7”體系，圖片來源：阿里云

為保障AI Agent安全落地，阿里云推出無影AI Agent Bay，提供隔離可控的運行環境，確保行為可管、數據安全，成為開發到生產的“關鍵橋梁”。它如同企業版“能力集市”，將外部服務（如支付、物流）封裝為可調用模塊，助力企業快速集成生態能力。

規模化落地AI Agent，離不開開放生態。阿里云MCP市場已匯聚眾多AI服務商，博查搜索CTO翁柔瑩表示，其AI能力在MCP轉化率達70%-80%，服務超2.5萬企業、10萬個AI Agent，持續推動AI能力的共享與進化。

未來已來。AI Agent不只是一個轉瞬即逝的技術趨勢，而是決定未來十年企業競爭力的核心戰略變量。對于所有企業而言，擁抱“AI Agent-First”時代的路徑已經無比清晰——始于價值場景、精于業務融合、成于生態共創。

甲子光年創始人兼CEO張一甲在2025云棲大會《Al Agent賦能產業升級：激活千行百業增長新動能》論壇的演講中說：“AI Agent開啟的不僅是智能與業務持續進化的未來，更是一個人機協同的新紀元。”在這個新紀元，人類將專注于創造、決策和關懷，而AI Agent將成為我們最可靠的執行者、最聰明的助手、最忠誠的伙伴。

如果說過去兩年AI的關鍵詞是“能力”，那么今年最熱的詞無疑是“行動”。

行動，就是對未來最好的回應。

（封面圖來源：AI生成）