通用Agent，陷入了一個(gè)尷尬的境地。

在幾個(gè)月的時(shí)間里，通用Agent誕生時(shí)的驚艷不復(fù)存在：放在企業(yè)里，它無(wú)法和垂類(lèi)Agent的精準(zhǔn)比肩；拿到個(gè)人手上，它又沒(méi)有找到更戳中用戶需求的場(chǎng)景。

模型能力的提升，先對(duì)Agent們“砍了一刀”。

隨著大模型能力的飛速發(fā)展，模型本身正在變得越來(lái)越“Agent化”，隨著模型性能的溢出，用戶可以直接調(diào)用模型來(lái)完成任務(wù)。

以目前進(jìn)展更快的AI代碼為例，Anthropic的Claude、谷歌的Gemini系列模型，模型本身的編碼能力就在隨著更新提升，其自研的編碼工具（如Claude Code）不僅能給實(shí)現(xiàn)自主編程，優(yōu)化種種產(chǎn)品體驗(yàn)之外，它的Max會(huì)員模式還支持用戶隨意調(diào)用自家模型，即使是每百萬(wàn)輸出tokens收費(fèi)75美元的Opus 4，單月200美元同樣支持不限量使用。

對(duì)比Manus最貴的Pro會(huì)員每月199美元的付費(fèi)模式，價(jià)格雖然接近，但Manus的最高檔會(huì)員依舊是以積分制消費(fèi)，Pro會(huì)員單月能獲得每日贈(zèng)送的積分+單月19900積分+限時(shí)19900積分，靠任務(wù)消耗積分制來(lái)服務(wù)。按照單個(gè)任務(wù)100積分估算，一天使用次數(shù)也就在10次左右。

制約Manus的成本問(wèn)題，轉(zhuǎn)嫁到用戶身上，就是不可消除的高訂閱價(jià)。

當(dāng)模型本身就能提供接近Agent的體驗(yàn)時(shí)，用戶會(huì)自然傾向于直接使用更便宜、更便捷的模型API或?qū)υ捊缑�，而非額外付費(fèi)使用一個(gè)功能重疊的通用Agent產(chǎn)品。這導(dǎo)致一部分市場(chǎng)份額被能力日益強(qiáng)大的基礎(chǔ)模型直接“吃掉”。

面向用戶來(lái)說(shuō)，對(duì)比垂類(lèi)Agent，通用Agent在企業(yè)端的應(yīng)用效果不佳，從效率/成果衡量，都無(wú)法達(dá)到“數(shù)字員工”的高度。

朱嘯虎說(shuō)“90%的Agent市場(chǎng)會(huì)被吃掉”，但他所在的金沙江創(chuàng)投也參與了AI Agent項(xiàng)目融資，只是相比于通用Agent，他更看好能真正跑出效率和實(shí)際落地的產(chǎn)品。

金沙江投資的Head AI（原Aha Lab），就是一家靠AI Agent做自動(dòng)化營(yíng)銷(xiāo)的公司，現(xiàn)在升級(jí)為AI營(yíng)銷(xiāo)產(chǎn)品。用創(chuàng)始人的話來(lái)說(shuō)，只需告訴 Head 你的預(yù)算和網(wǎng)站，它就能自動(dòng)搞定達(dá)人營(yíng)銷(xiāo)、聯(lián)盟營(yíng)銷(xiāo)和 Cold Email——一個(gè)人解決一個(gè)市場(chǎng)部。

對(duì)于企業(yè)用戶而言，準(zhǔn)確度和成本是核心訴求。但通用Agent目前還無(wú)法與針對(duì)特定場(chǎng)景優(yōu)化的垂類(lèi)Agent相提并論。

如果把一樣的任務(wù)交給通用Agent和企業(yè)內(nèi)部的垂類(lèi)Agent去做，前者只能靠搜索引擎結(jié)合需求給出結(jié)果，而后者則會(huì)連接到企業(yè)內(nèi)部搭建好的知識(shí)庫(kù)，根據(jù)內(nèi)部信息貼合需求輸出，相當(dāng)于后者身上“綁”了個(gè)更充足的資料庫(kù)，結(jié)果不言而喻。

企業(yè)在引入新技術(shù)時(shí)，對(duì)成本和風(fēng)險(xiǎn)的控制要求極高。通用Agent通�；�于龐大而復(fù)雜的“黑盒”模型，其決策過(guò)程不透明，且輸出結(jié)果存在一定的隨機(jī)性（即“幻覺(jué)”問(wèn)題）。對(duì)準(zhǔn)確度要求更高的企業(yè)，顯然無(wú)法接受通用Agent不穩(wěn)定的輸出質(zhì)量。

一位Agent開(kāi)發(fā)者告訴光錐智能，企業(yè)通常需要將Agent與內(nèi)部知識(shí)庫(kù)、業(yè)務(wù)流程系統(tǒng)深度集成，部分簡(jiǎn)單的工作則會(huì)通過(guò)工作流來(lái)確保任務(wù)準(zhǔn)確執(zhí)行。

夾在大模型和垂類(lèi)Agent之間，通用Agent被兩者各自瓜分走了一大塊蛋糕。

沒(méi)場(chǎng)景、待進(jìn)化，Agent才走了個(gè)開(kāi)頭

在“用不起來(lái)”的情況下，用戶對(duì)通用Agent熱情也不復(fù)當(dāng)初。

這也導(dǎo)致，以Manus們?yōu)榇�表的C端通用Agent正在面臨增長(zhǎng)放緩、甚至倒退的困境。

雖然從商業(yè)化上來(lái)說(shuō)，通用Agent確實(shí)展現(xiàn)了足夠吸金的一面。以Manus、Genspark等通用Agent為代表，近幾個(gè)月的變現(xiàn)成績(jī)證明了這個(gè)賽道的潛力：非凡產(chǎn)研數(shù)據(jù)顯示，今年5月，Manus已經(jīng)達(dá)到936萬(wàn)美元ARR（年化收入），Genspark更是在發(fā)布45天的情況下，達(dá)到3600萬(wàn)美元ARR。

但在短期的流量上漲過(guò)后，通用Agent產(chǎn)品們或多或少地出現(xiàn)了訪問(wèn)量和收入下降的情況。

6月，Manus訪問(wèn)量為1781萬(wàn)，和3月發(fā)布即登頂?shù)脑L問(wèn)量2376萬(wàn)相比，已經(jīng)下跌25%；Genspark的訪問(wèn)量也處在來(lái)回浮動(dòng)的狀態(tài)，6月訪問(wèn)量為842萬(wàn)次，下降8%，昆侖萬(wàn)維天工超級(jí)智能體下降3.7%。

同樣是在6月，兩個(gè)商業(yè)化表現(xiàn)突出的產(chǎn)品Manus和Genspark出現(xiàn)不同程度的收入下跌。據(jù)非凡產(chǎn)研數(shù)據(jù)，Manus當(dāng)月MRR（月度收入）為254萬(wàn)美金，環(huán)比下跌超過(guò)50%；Genspark當(dāng)月MRR為295萬(wàn)美金，環(huán)比下跌13.58%。

上述數(shù)據(jù)說(shuō)明，在一時(shí)的熱度過(guò)后 ，通用Agent類(lèi)產(chǎn)品的使用體驗(yàn)并沒(méi)有能讓用戶持續(xù)付費(fèi)的吸引力。同時(shí)，用戶體驗(yàn)的頻次也在減弱。

究其原因，還是因?yàn)镸anus們沒(méi)有找到足夠讓用戶為之持續(xù)付費(fèi)的Killer（殺手級(jí)）場(chǎng)景。

目前，市場(chǎng)上多數(shù)通用Agent都在卷幾個(gè)固定的方向：做PPT、多模態(tài)能力、寫(xiě)報(bào)告（Deep Research），多聚焦于和辦公強(qiáng)相關(guān)的場(chǎng)景。但對(duì)于用戶來(lái)說(shuō)，這些定位還難以讓用戶持續(xù)付費(fèi)。

在沒(méi)有找到確切的應(yīng)用方向前，通用Agent賽道已經(jīng)有一批公司先靠產(chǎn)品下水測(cè)試，意圖先搶占市場(chǎng)。

變現(xiàn)和流量不穩(wěn)定的情況下，大廠對(duì)自研Agent的精力投入有限，一般還是采取“兩手抓”的模式，在開(kāi)發(fā)自家Agent產(chǎn)品之外，目前更多地在推廣自家Agent開(kāi)發(fā)平臺(tái)。比如阿里、字節(jié)和百度，推廣平臺(tái)的同時(shí)發(fā)福利、組織Agent開(kāi)發(fā)比賽，聚焦開(kāi)發(fā)者生態(tài)搭建。

市場(chǎng)似乎已經(jīng)默認(rèn)，通用Agent是小廠玩不起的生意。

可以看到，在國(guó)內(nèi)市場(chǎng)，除去Manus和GensPark零星幾家創(chuàng)業(yè)公司，多數(shù)通用Agent的開(kāi)發(fā)公司都是手握自研大模型的公司：

其中，大廠不僅有模型，背后還有自家云做支援。通用Agent既是產(chǎn)品，也是他們作為B端平臺(tái)，通過(guò)C端產(chǎn)品展示能力的一面鏡子，以此招徠更多開(kāi)發(fā)者。

大模型創(chuàng)業(yè)公司則本著“模型即Agent”的思路，更多在模型層就針對(duì)Agent對(duì)RL（強(qiáng)化學(xué)習(xí)）、長(zhǎng)文本等需求鉆研模型，才有了通用Agent產(chǎn)品。

國(guó)內(nèi)通用Agent玩家的收費(fèi)模式，也比出海的方式更卷。以百度、字節(jié)為代表的大廠有能力公開(kāi)測(cè)試，免費(fèi)提供服務(wù)。如MiniMax、天工智能體等則以限量使用或是購(gòu)買(mǎi)積分使用的方式開(kāi)放。和大廠免費(fèi)不限量的手段相比，國(guó)內(nèi)通用Agent賽道注定會(huì)越來(lái)越卷，商業(yè)化變現(xiàn)是一條看不到收益的路。

從場(chǎng)景來(lái)看，DeepResearch式的深度研究功能是更多產(chǎn)品選擇主攻的方向，對(duì)于文檔類(lèi)Agent來(lái)說(shuō)，調(diào)用工具的復(fù)雜程度相對(duì)較低，且文本生成的成本更低，算是一個(gè)更有性價(jià)比的方向。

在開(kāi)發(fā)深度研究功能的基礎(chǔ)上，各家Agent開(kāi)始在多模態(tài)能力和應(yīng)用場(chǎng)景上發(fā)力。一方面，在生成的文檔中插入圖片、視頻等多模態(tài)能力，另一方面，把目前和Agent契合的場(chǎng)景植入到通用Agent中，比如做PPT，幾乎成了辦公Agent的標(biāo)配。

但無(wú)論是拿來(lái)做報(bào)告，再用圖文錦上添花，還是用Agent做PPT，背后都無(wú)法解決Agent輸出效果一般的問(wèn)題。比如一份深度研究報(bào)告，Agent最容易出現(xiàn)的是對(duì)事實(shí)信息檢索的錯(cuò)漏，比如無(wú)法厘清Agent概念從而推薦大模型產(chǎn)品。

進(jìn)一步的問(wèn)題是輸出的信息價(jià)值不高。一份報(bào)告，零星只有3-4個(gè)信源，更多內(nèi)容從網(wǎng)絡(luò)篩選得來(lái)，往往只能得到模棱兩可的“廢話”。比如要它介紹大模型公司的生存挑戰(zhàn)，它把開(kāi)公司可能存在的問(wèn)題都列個(gè)遍，既沒(méi)有針對(duì)性，也不具備有價(jià)值的增量信息。

于是，企業(yè)開(kāi)始探索更多Agent能匹配的場(chǎng)景，試圖吸引更多用戶參與。Agent也難免后續(xù)變成自家公司產(chǎn)品的“集合入口”，被公司用各種方式把自家產(chǎn)品能力整合進(jìn)去，比如MiniMax融入了海螺生視頻的能力，百度心響在場(chǎng)景中接入了原有的智能體對(duì)話等。

除了找不到貼合場(chǎng)景，當(dāng)前Agent能力有限，效果不一，也難以讓用戶為之買(mǎi)單。

通用Agent執(zhí)行任務(wù)一般是拆解任務(wù)，再按照步驟執(zhí)行。越復(fù)雜的任務(wù)，就意味著Agent執(zhí)行的過(guò)程更多，其中只要有任何一個(gè)步驟跑出的結(jié)果有問(wèn)題，就會(huì)導(dǎo)致整體輸出結(jié)果質(zhì)量不佳。所以，對(duì)于復(fù)雜任務(wù)來(lái)說(shuō)，當(dāng)前Agent執(zhí)行的穩(wěn)定性不足。

比如，輸出對(duì)一家公司的分析，就要從財(cái)報(bào)信息抓取、公司網(wǎng)頁(yè)介紹到各大信源的分析點(diǎn)評(píng)，其中有任何一個(gè)環(huán)節(jié)結(jié)果出錯(cuò)，整體報(bào)告的分析質(zhì)量就會(huì)大打折扣。

當(dāng)下，一些Agent開(kāi)發(fā)者正試圖通過(guò)技術(shù)創(chuàng)新來(lái)突破這些瓶頸。

比如MiniMax把年初發(fā)布的新的線性注意力機(jī)制用到了新模型M1中，其智能體產(chǎn)品以M1模型為基座模型。這樣的好處是大幅擴(kuò)展了智能體能夠承載的文本量，支持100萬(wàn)的上下文輸入，針對(duì)法律文書(shū)這類(lèi)需要大量文本分析的場(chǎng)景效果更好。

月之暗面則強(qiáng)調(diào)“模型即Agent”，其基座模型是月之暗面基于端到端自主強(qiáng)化學(xué)習(xí)技術(shù)訓(xùn)練的新一代 Agent 模型。其中，RL（強(qiáng)化學(xué)習(xí)）成為這個(gè)深度研究Agent的亮點(diǎn)。

多數(shù)業(yè)內(nèi)人曾在和光錐智能交流中肯定RL之于Agent的重要性。相比傳統(tǒng)的監(jiān)督學(xué)習(xí)或預(yù)訓(xùn)練模型在特定任務(wù)上表現(xiàn)出色，但其泛化能力往往受限于訓(xùn)練數(shù)據(jù)的分布。當(dāng)Agent需要處理的任務(wù)場(chǎng)景多樣化、環(huán)境動(dòng)態(tài)變化時(shí)，預(yù)設(shè)規(guī)則或僅依賴(lài)一次性推理的Agent難以適應(yīng)。

比如，在處理一些需要多個(gè)流程完成的任務(wù)中，傳統(tǒng)模式可能在任一個(gè)環(huán)節(jié)中出現(xiàn)推測(cè)問(wèn)題，進(jìn)而影響到最終結(jié)果，但RL則是靠大量試錯(cuò)和獎(jiǎng)勵(lì)機(jī)制來(lái)提升泛化能力，對(duì)于需要多個(gè)步驟處理的復(fù)雜任務(wù)，表現(xiàn)效果更好。

Kimi-Researcher主動(dòng)針對(duì)矛盾信息的處理

可以說(shuō)，RL能夠大幅提升Agent的能力上限。

Kimi-Researcher研究員馮一塵分享，在Humanity's Last Exam（HLE，人類(lèi)的最后一場(chǎng)考試，衡量AI在各學(xué)科難題上的測(cè)試）榜單上，=gent模型得分從最初的8.6%躍升至26.9%，相比OpenAI Deep Research團(tuán)隊(duì)在相關(guān)工作上從20分左右（o3）提升到26.6分的成果，進(jìn)一步證明了強(qiáng)化學(xué)習(xí)在Agent訓(xùn)練上的巨大價(jià)值。

在技術(shù)的天花板還夠高的情況下，后來(lái)者正在拔高Agent的能力標(biāo)準(zhǔn)。今日（7月18日），OpenAI發(fā)布的通用Agent產(chǎn)品ChatGPT Agent跑出了一個(gè)漂亮的效果，在HLE 測(cè)試表現(xiàn)上，取得了41.6%的新SOTA 成績(jī)。

通過(guò)強(qiáng)化學(xué)習(xí)，Agent有望從簡(jiǎn)單的“工具調(diào)用器”進(jìn)化為真正具備“自主學(xué)習(xí)”和“環(huán)境適應(yīng)”能力的智能體。屆時(shí)，通用Agent或許才能真正找到殺手級(jí)場(chǎng)景，并讓用戶心甘情愿地為其買(mǎi)單。

Agent的路還很長(zhǎng)，只有靠技術(shù)突破和場(chǎng)景深耕，才能成為真正幫得上忙的AI助手。

       原文標(biāo)題 : 90%被大模型吃掉，AI Agent的困局