如果说LLMs是“人类智慧”，那么AI Agent就是“使用火燧”，引领人类文明进入下一个时代。
2024年，AI Agent称得上最火热的概念。一方面，大模型赛道降温，并呈现出赢家通吃的局面；另一方面，AI Agent则是大模型应用落地的最佳形式，其能够解决LLMs在具体应用场景中的局限性。
那么，当前AI Agent采用现状如何？哪些领域会率先冲出来？
我们结合两份重量级报告——LangChain发布的State of AI Agents，以及Langbase发布的2024 State of AI Agents进行梳理，试着寻找AI Agent在开发、采用过程中的关键问题。
LangChain调查了1300多位专业人士，职业包括工程师、产品经理、业务领导和高管；行业分布：科技（60%）、金融服务（11%）、医疗保健（6%）、教育（5%）、消费品（4%）。报告链接https://www.langchain.com/stateofaiagents
Langbase调查了3400多位专业人士（100多个国家），职业包括C级高管（46%）、工程师（26%）、客户支持（17%）、MKT（8%）。报告链接https://langbase.com/state-of-ai-agents
具体内容如下：
1、谁在采用AI Agent？
LangChain调查显示： 约有51%的受访者已经在生产环境中采用了AI Agent；78%的受访者计划在近期将AI Agent引入生产应用。
按规模看，员工人数为100-2000的中型企业最为积极，采用率达到63%；按行业看，90%的非科技公司已经部署或计划部署AI Agent，这与科技公司（89%）旗鼓相当。
（你们公司是否在生产中采用AI Agent？）
Langbase调查显示：目前，AI（非AI Agent）的实验用途比例远远大于生产用途，虽然后者在稳步增加中。
（你们公司采用AI的广泛程度如何？）
2、AI Agent基座大模型哪家强？
Langbase调查显示 ：OpenAI（76%）占据主导地位；谷歌（59%）正迅速崛起，成为其强劲的竞争对手；Anthropic（47%）紧随其后。Meta的Llama、Mistral和Cohere影响力不高，但增长势头不容忽视。
（你用谁家大模型开发AI Agent？）
各家大模型的采用情况如下：
OpenAI在技术和营销应用处于领先地位，同时也是翻译能手；
Google在健康和翻译领域表现相当出色，展示其在语言和医学领域的强大实力；
Anthropic是处理技术任务的高手，但在营销和翻译方面的使用率较低；
Mistral在技术和科学领域表现不错，不过是个偏科生；
Meta被广泛应用于技术和科学领域；
Cohere在多个领域的齐头并进。
3、选择AI Agent基座大模型受哪些因素影响？
Langbase调查显示，准确性（45%）是最重要的因素 ，其次是安全性（24%）和可定制性（21%），成本（10%）影响相对较小。（注：与“企业采用AI Agent有何顾虑”基本一致）
（哪些因素影响你选择基座大模型？）
4、企业在哪些场景采用AI Agent？
LangChain调查显示：研究与总结（58%）、个人生产力工具（53.5%）、客户服务（45.8%）。
（你认为目前的AI Agent最适合执行哪些任务？）
该结果显示——人们希望将耗时任务交给AI Agent。
知识过滤器：AI Agent能够快速提炼关键信息。在文献综述或研究分析中，人们无需自己手动筛选海量数据；
生产力加速器 ：AI Agent可以协助安排日程、管理任务，提升个人效率，让人们专注于更重要的工作；
客服神助攻 ：AI Agent帮助企业更快地处理客户咨询、解决问题，大幅提升团队的响应速度。
Langbase调查显示：自动化、简化 是企业采用AI的首要目标，其在效率和流程简化方面受益；定制化解决方案、提升协作能力则反映了大模型日益增长的灵活性，以及消费者对系统共享访问的兴趣。
（采用AI时，你的主要目标是什么？）
在具体场景上，Langbase调查显示 ：
AI大模型在软件开发（87%） 应用最广泛；
其次是文本摘要（59%）、市场营销（50%）、IT运营（48%）、客服（43%）；
最后是人力资源（26%）、法律合规（15%）等领域。
值得注意的是，该结果与上述LangChain的调查有些出入。主要原因是——Langbase的提问方式是AI大模型，而非AI Agent。
（你们公司采用LLM有哪些用例？）
5、在生产中采用AI Agent存在哪些顾虑？
LangChain调查显示，性能质量（41%）是首要关注点，其重要性远超成本（18.4%）和安全（18.4%）等因素。
（将更多AI Agent投入生产的最大障碍是什么？）
AI Agent依赖LLM“黑盒”控制工作流程，这会带来不可预测性，增加出错风险。因此，团队难以确保其Agent 能否始终提供准确、符合上下文的响应。
对于小企业而言，性能质量尤其重要——45.8%的小企业将性能质量列为主要关注点，而成本因素仅为 22.4%。
对于必须遵守法规，要敏感地处理客户端数据的中大型企业来说，安全问题也很普遍，超过了成本因素。
（不同规模企业面临不同挑战）
除了上述因素，LangChain在书面回复中发现，团队还面临知识、时间难题。
知识不足 ：许多团队缺乏构建和部署 AI Agent的专业技能，特别是在特定应用场景下的实现。员工们还要苦练专业技能，以高效利用AI Agent。
时间有限 ：构建可靠的AI Agent需要投入大量时间成本，包括调试、评估和模型微调等环节。
Langbase调查显示：复杂的扩展和部署过程 是阻碍采用的首要问题；其次是数据隐私和安全合规性；缺乏监控工具、高昂的基础设施成本也阻碍了技术的落地应用。
（阻碍你在工作流中采用AI Agent的首要因素）
6、AI Agent开发相关问题有哪些？
Langbase调查显示：在生产环境中部署LLM和AI Agent面临关键挑战，包括定制化难度高、缺乏用于质量保证的评估方法，可重复使用的基础设施不足。碎片化工具、集成问题以及可扩展性限制进一步加剧困难，突显出构建简化流程和强大支持工具的必要性。
（中型企业——在生产中部署AI Agent时，你遇到的最大挑战是什么？）
开发者将AI Agent的版本控制视为开发平台最重要的功能。强大的SDK、库生态系统、本地开发环境也受到关注。
（影响你选择开发平台的主要因素是什么？）
大多数受访者需要多代理RAG能力以提高上下文信息处理；评估工具对于确保AI系统按预期工作同样很重要；多代理流水线也是在生产中实现复杂任务的关键技术。
（哪些平台特征对你至关重要？）
7、对AI Agent有哪些展望？
LangChain调查显示：企业在采用AI Agent，既有新的期待，也会面临持续的挑战。
新的期待：
处理多步骤任务 ：AI Agent具备更深入的推理和上下文理解能力，能够应对复杂任务。
自动化重复性任务 ：AI Agent被视为自动化日常任务的关键工具，释放人力投入更具创造性的工作。
任务分配与协作 ：优化任务分配，确保合适的Agent在正确的时间处理特定问题，尤其在多Agent系统中。
类人推理能力 ：不同于LLMs，AI Agent能追溯并优化自己的决策，根据新信息调整策略，类似人类的思考过程。
（人们对AI Agent的期待）
主要挑战：
Agent的黑盒机制 ：工程师发现，他们很难向团队和利益相关者解释 AI Agent 的功能和行为。尽管可视化步骤有助于理解到底发生了什么，但 LLM 的内部机制仍然是个黑盒，增加了解释的难度。
重点关注：
对源AI Agent的兴奋 ：许多人对开源AI Agent 表现出浓厚兴趣，认为集体智慧能加速创新。
期待更强大的模型 ：大家期待更高级的 AI Agent，由更强大的模型驱动，以更高的效率和自主性处理复杂任务。
（人们对AI Agent的重点关注）
结语
从企业的采用意愿来看，2025年或将成为AI Agent的爆发元年。
从爆发领域来看，软件开发、客户服务、市场营销等领域将率先跑出种子选手。目前已知的就包括编程神器Cursor、AI Coding“鼻祖”Replit等等。
值得关注的是，这两份报告均揭示出当前AI Agent落地的最大难点——准确性，甚至连成本因素都名列二、三位。
一个办法是等待“至尊”大模型出现，但这取决于巨头们的能力边界。而在某种程度上，AI Agent的出现本身就是为了解决LLM在具体应用场景中的局限性。因此，开发者需要尽可能地在记忆、规划、工具使用等其他技术栈下功夫。
如果不能迅速实现，我们也可以换个思路：短期内商业化成功的AI Agent，不一定是看起来“代理化”程度最高的产品；而是能够平衡性能、可靠性，以及用户信任的产品。
换句话说，如果做不到完全自主，开发者需要从一开始考虑如何将人类员工融入其中，做到准确性万无一失。
正如吴恩达的观点，形容词“Agentic”比名词“Agent”能更好地帮助我们理解这类智能体的本质。如同自动驾驶汽车L1-L4，Agent的进化也是一个过程。或许，一个确定的趋势是先拥有AI Copilot，再拥有AI Agent。只不过，Copilot这个词的存在感可能会降低，转而被“少量Agentic能力”代替。
来源：36kr
| 
2
发表于 2024-12-25 19:00:01